Tulevaisuuden teollisuuden tietojärjestelmä27.4.2017

TkT Jari Juhanko, Aalto-yliopisto

COO, Aalto Industrial Internet Campus

Bio

TkT Jari Juhanko, Aalto-yliopistoCOO, Aalto Industrial Internet Campus, http://aiic.aalto.fi+358 50 556 3564

Koneenrakentaja, mekatroonikko

Suunnittelu, valmistus ja kunnossapito

Industrial Internet realisti

Professori 2008 – 2013, tutkimuspäällikkö, tutkija

Roll Dynamics Engineering Oy, CEO, 1999 – 2001

Rollresearch Intl Oy, hallitus, 2001 – …

Teollisuuden digitaalinen murros (STN)

WA 1: The Big Picture: Broad Overview

WA 2: Learning from Past Disruptions

WA 3: Futures Foresight

WA 4: Interventions

WA 5: Synthesis and Policy Options

WA 6: Project Coordination

Funding source Strategic Research Council, Academy of Finland Budget ~3,7 M€ 100% AoF funding (2015-2017), Aalto share 56% Duration 6 years (2015-2020) Partners Aalto (coordinating partner), VTT, ETLA, UTU, LUT Principal investigator Professor Martti Mäntylä, Aalto

Selvityksiä politiikkatoimenpiteiksi

Menu

• Teollisuuden digitaalinen murros

• Teollinen Internet - näkökulmia dataan

• Teollisuuden tietojärjestelmät - datan rooli hankinnoissa ja projekteissa

Ei ratkaisuja, vaan ajatuksia, haasteita ja pullonkauloja

Teollisuuden digitaalinen murrosDigitalisaatio

Teollinen internetIIoTIndustrie 4.0Smart Service WorldIndustrial Data Space

The Industrial Internet, Internet of Things, Internet of Everything are currently really more of an

intranet

Most data never leaves a factory or pass company’s firewall

Source: MIT Technology Review (2013)

WEFUSA Jan 2015, Industrial Internet of Things: Unleashing the Potential of Connected Products and Services

Valmistava teollisuus

Perinteisesti liiketoiminta perustuu fyysisiin tuotteisiin, joissa on enenevässä määrin tietoteknisiä toimintoja

• Mekatroniset tuotteet, älykkäät komponentit, automaatiojärjestelmät, autonomiset koneet, automaattiset tehtaat

• Dataa on valtavasti … periaatteessa

Miten teollinen internet ja digitalisaatio muuttaa• yrityksen organisaatiota, johtamista ja IT-arkkitehtuuria,• tuotesuunnittelua ja valmistusta,• investointeja• käyttöä ja kunnossapitoa sekä• muita palveluita,

kun ”puolet” tuotteen arvosta on pilvessä?

HBR: Porter and Heppelman

Mikä muuttuu, kun laitteet ja prosessit verkottuvat?

Vaikutus toimialaan?

Vaikutus arvoketjuun ja toimintaan?

Vaikutus liiketoimintastrategiaan?

Vaikutus organisaatioon?

Disruptio: ”Knowns and unknowns”

– Tunnetko oman bisneksesi?

– Tiedätkö, keitä ovat asiakkaasi/kilpailijasi?

– Kuinka moni haluaa/kykenee omaksumaan uusia palveluita? 50%?

– Tiedätkö, mikä on bisneksesi 5 vuoden päästä? 10 vuoden vuoden?

– Tiedätkö, keitä ovat asiakkaasi tai kilpailijasi tuolloin?

– Kun disruptoiva innovaatio tulee

ulkopuolelta, et voi etukäteen tietää,

miten se vaikuttaa omaan liiketoimintaasi

ja ketkä asiakkaistasi omaksuvat sen

Liiketoiminta murroksessa … vai?

Liiketoimintamallit

TuoteliiketoimintaTuote on alusta lisäarvopalveluille

Projektiliiketoiminta

Huolto- ja

kunnossapitoliiketoiminta

Operointiliiketoiminta

Liiketoimintamallit

Tuoteliiketoiminta

Projektiliiketoiminta

Huoltoliiketoiminta

Operointiliiketoiminta

Informaatioliiketoiminta- Data ja analytiikka

- Digitaalinen toimitus

- Automaattiset prosessit

- Informaation toimitusketju

- Ekosysteemit ja digitaaliset alustat

- Uudet liiketoimintainnovaatiot

- Uudet markkinat

Teollisen internetin digitalisaatiopino

Anturit ja toimilaitteet

Paikallinen laskenta

Tietoliikenne

Tallennus

Analytiikka

Sovellukset

Liiketoimintamallit

Strategia

Politiikka ja lainsäädäntö

tietotu

rva, IPR

, luo

ttamu

s

Joh

tamin

en

, organ

isaatio &

työ

Informaatioliiketoiminta - databusiness

Datalla on arvoKohtele sitä kuin muitakin arvokkaita hyödykkeitä

DatastrategiaMiten saat datasta hyötyä liiketoiminnalle?

Datan näkyvyysMahdollista asioita … data on tuotava saataville

Datan käyttöDatapohjainen päätöksenteko

DatakyvykkyydetAnalyyttinen tieto koko organisaation tai ekosysteemin käytettävissä

Datan omistajuus

Dataa ei pääsääntöisesti koske perinteiset suojat (patentit, mallisuoja, copyright, …)• Tietokantasuoja ja luettelosuoja sekä liikesalaisuuksien suoja voivat tulla (rajatusti) kyseeseen

Sopimusten merkitys korostuu datan yhteydessä, koska vahvaa IPR-suojaa ei ole.

Oikeudet ovat luovutettavissa sopimuksellisesti• Sopimusta voidaan tarvita jo alun perin selventämään, kenelle data kuuluu ja kuka on oikeutettu sitä

käyttämään

• Onko olennaisempaa datan ”omistajuus” vai käyttöoikeus dataan?

• Ongelmana on, että sopimus sitoo vain asianosaissuhteessa

Sopimus on välttämätön työkalu käyttöoikeuksien määrittelemiseksi• Sopimusten vahvuutena lähtökohtainen sopimusvapaus mm. dataan liittyvistä käyttöoikeus-, vastuu- ja

maksuvelvoitteista

Datan omistajuus … auto

Auto yhdistelmä rautaa ja softaa. Raudan voi omistaa, mutta ohjelmistoihin myydään käyttöoikeuksia (lisenssi)

• Auton arvosta merkittävä osa on ohjelmistoissa• Saako siis autokaupan yhteydessä omistajuuden vai käyttöoikeuden autoon?

Omistaako auton valmistaja, omistaja vaiko ajaja auton tuottaman teknisen tiedon? • Kenellä on pääsy näihin tietoihin?• Voidaanko pääsyä rajoittaa?

Kenellä on vastuu onnettomuustilanteessa? Saako tietoja luovuttaa eteenpäin esim. viranomaiselle?

Tietosuojakysymykset liittyen tiedon keräämiseen: Kenen tietoja tulee kerätä? Autoa kuljettavan, auton omistajan, apukuljettajan vaiko muiden?

Kuljettaja voidaan identifioida pelkästään datan perusteella, kuinka istuutuu penkkiin

Mahdollisten kyberhyökkäysten vaikutus yleiseen tieliikenneturvallisuuteen

IT-arkkitehtuuri

Yhteisymmärrys avainkonsepteista ja malleista

Kiinnittää huomion tärkeisiin haasteisiin

Tarjoaa ylätason ohjeistuksen haasteiden ratkaisemiseksi

Esittää selvästi ja täsmällisesti tärkeimmät periaatteet

Tarjoaa perusteet tekniikan ja sovellusten analyysiin ja arviointiin

Ohjaa teknisten ratkaisujen valintaa

RAMI4.0 objectives

Reference architecture Model of Industry 4.0

Viitekehys, jonkaakseleina:

• Tehdashierarkiaasseteistaliiketoimintaan

• Elinkaari ja arvonmuodostus

• Komponentistaverkottuneeseenmaailmaan

Axis 1: Tehdashierarkia

Axis 1: Tehdashierarkia

Axis 2: ICT:n kerrokset

Axis 3: Tuotteen elinkaari

Useista eri tietojärjestelmistä verkottuneeseenarkkitehtuuriin

Haasteita

Tietoturva (esim tunnistautuminen, datan oikeellisuus)

Palvelun laatu “Quality of Service” (esim. lyhyt vasteaika)

Kommunikaatio (esim. OneM2M or OPC UA APIs)

Semantiikka (esim. based on the Semantic Web)

IIoT Standardointi ja yhteistyöelimet

Digitaalinen lisäarvo teollisen internetin aikakaudella?

Miten esim. tuotantoa voidaan tehostaa digitalisaatiota hyödyntäen?• Tuotteen perustiedot: data, tapahtumat, … (ERP)• Prosessiparametrit (MES)• On-line laatu- ja kunnonvalvontamittaukset (CM)• Laitteiden sisäinen diagnostiikka• Off-line laadunvarmistus, laboratoriomittaukset• Käyttö- ja kunnossapitotieto

Nykyään ”saatavilla” olevaa dataa ei voida hyödyntää normaalissa liiketoiminnassa. Yhteensopivuus, luokitus ja ositus eri toimijoille eri tarpeisiin?

Kenen liiketoimintaa data-analytiikka on? Mikä on hyödyn arvo ja miten se jaetaan?

Tutkimuksen kohteita

Digitaalinen kaksonen

Miten käyttötieto, kunnonvalvontadata ja kunnossapitotiedot voidaan parhaitenhyödyntää uuden sukupolven tuotteiden ja digitaalisten lisäarvopalveluidensuunnittelussa sekä käytön optimoinnissa ja kunnossapidossa?

AIIC älynosturi

© 2017 Konecranes. All rights reserved.

TRUCONNECT

yourKONECRANES.com

PLM ympäristö

New business from Cross-Enterprise Data

Peat Value ChainVapo, Valtra, Mevea, Energy companies

WP1: Cross-Enterprise Data Management

Step I:

Business

problem

analysis

Step II:

Data

governance

model

Step III:

Proof-of-

Concept

(POC)

Step IV:

Business

case

assessment

Forest IndustryABB, Efora, Stora Enso, Valmet, Metso, Koja

Industry

Business Cases

Maintenance Smart

Maintenance

Smart

Operations

Smart

Design

Cross-

Enterprise

Data

Bazaar

Operations

Design

WP2: Data-driven Business PlatformElisa, Tieto, GlobalSign

Platform

Business Cases

Case: Data-analytiikan arkkitehtuuri

• avoimen lähdekoodin sovellukset

• skaalautuva

• joustava

• tukee datan jakamista.

• myös reaaliaikaiseen analyysiin

• toteutettavissa erilaisissajärjestelmäkonfiguraatioissa (private/public)

• tukee yrityksen tietoturvavaatimuksia

ERP

MES

SCADA

CM

Datan yhteiskäytön haasteita ja mahdollisuuksia

Onko dataa käytössä vain omista laitteista vai voidaanko dataa jakaa eri osapuolten kesken?

• Datan luokittelu ja ositus eri toimijoille

• Dynaamiset sopimusmallit

Miten asiakkaan lisäarvo muodostuu?• Miten lisäarvo jaetaan?

• Mistä asiakas on valmis maksamaan … investointi vs. palvelu (Capex vs. Opex)?

Klaus Beetz,VP Siemens Corporate Research