Как аналитика-ориентированная продуктовая инженерия улучшает дизайн и производительность

Взгляд на то, как системная симуляция и возможности IoT могут закрыть цикл обратной связи данных.

После того как продукт продан, продуктовые инженеры обычно получают очень мало обратной связи о его производительности в поле. Это больше не должно быть случаем. С правильным решением, производители продуктов могут комбинировать системные симуляции и возможности IoT для улучшения дизайнов продуктов и затем выпускать разрешения, используя симуляции на основе реальных нагрузочных случаев.

RTInsights недавно сидел с Ясмин Клайн, глобальным развитием портфолио, и Кристианом Биньковским, менеджером облачных решений, из Siemens для обсуждения выгод включения цикла обратной связи данных между продуктовыми инженерами и устройством в поле для достижения оптимизации продукта в реальном времени, цифровых двойников и более. Вот резюме разговора.

RTInsights: Что такое аналитика-ориентированная продуктовая инженерия?

Клайн: Аналитика-ориентированная продуктовая инженерия позволяет пользователям брать живые данные производительности от продукта или машины в поле и толкать их обратно в модель симуляции продукта для улучшения дизайна продукта. С живыми производственными данными, толкаемыми обратно в модель, создается замкнутый цикл цифрового двойника.

Этот цифровой двойник может затем использоваться для активного улучшения дизайна продукта. Например, если продукт начинает иметь проблемы, вы можете запустить точную симуляцию на нем, используя живые данные и начать выявлять корневую причину любой проблемы. С проблемами, будущими полностью понятыми, необходимые изменения могут быть сделаны в дизайне для будущих итераций. Влияние изменений также может быть точно верифицировано, используя более точную модель симуляции с реальными данными от машины.

RTInsights: Каковы выгоды использования аналитики-ориентированной продуктовой инженерии?

Клайн: С точными симуляциями не только дизайнеры могут принимать лучшие решения, но это сокращает время и затраты на вывод новых дизайнов на рынок. Потребность в прототипировании почти устранена. Компании имеют способность разрабатывать user-centric продукты, которые встречают потребности клиентов и увеличивают удовлетворенность клиентов. Они могут учиться от проблем в поле, используя реальные данные, симулируя ошибки и улучшая дизайн. Таким образом, они могут устранять проблемы продукта, экономить время и деньги, сокращая время валидации продукта и избегая переинженерии. Вместе это улучшает общую эффективность.

RTInsights: Какое решение Siemens предлагает в этой области?

Биньковский: Siemens имеет MindSphere®, промышленное IoT как сервисное решение, которое подключает продукты, машины и системы всех разных типов и брендов вместе. Это решение собирает, агрегирует, управляет и анализирует данные производительности. Для решения MindSphere Analytics-Based Product Engineering, конкретно, MindSphere бесшовно интегрирован с программным обеспечением Simcenter^TM Amesim^TM через специально построенный коннектор. Приложение MindSphere использует этот коннектор для толкания живых данных производительности обратно в модели симуляции.

(Программное обеспечение Simcenter Amesim симулирует все разные типы мехатронных систем. Оно приходит с тоннами библиотек и шаблонов решений для машин, автомобилей, батарей, кораблей и более.)

Как только у вас установлено соединение между обеими системами, вы можете выбрать временные ряды данных, которые вы хотите исследовать. Например, если есть проблема в поле, вы можете захотеть симулировать 20 минут до или вокруг этого инцидента. Вы можете выбрать таймфрейм в MindSphere, и MindSphere генерирует пакет симуляции и передает это в Simcenter Amesim. Затем симуляция выполняется, и как только это сделано, вы можете смотреть на результаты симуляции в MindSphere.

RTInsights: Можете ли вы дать примеры вариантов использования и успехов?

Клайн: Я начну с общего варианта использования. Сегодня, в большинстве случаев, машина отправляется клиенту, и продуктовый менеджер никогда не получает никакой информации о производительности машины в поле для улучшения дизайна продукта. Всякий раз, когда есть проблема, поддержка контактируется, и проблема исправляется на сайте клиента. Информация от поддержки обычно не доходит до продуктового инженера, или она передается гораздо позже. Из-за этих пробелов продуктовый инженер должен разрабатывать гипотезу-ориентированный дизайн, который приводит к пере- или недоинженерии. В конце дня это означает, что требования клиента не выполнены или не будут выполнены в будущем.

Аналитика-ориентированный инженерный подход, предлагаемый MindSphere, предоставляет тот цикл обратной связи, чтобы изменить дизайн продукта и улучшить его производительность в поле.

Биньковский: Другой пример — в оптимизации производительности существующего продукта. Это решение предлагает способность настраивать определенные параметры на модели симуляции прямо в MindSphere. Например, если у вас есть продукт, который может работать на разных скоростях, вы можете протестировать, какая скорость наиболее оптимальна. Используя обновленную модель симуляции для запуска параметров, вы можете тестировать машины, используя текущие условия линии.

Клайн: Если мы посмотрим на пример клиента, который продает машины, подключенные к IoT-решению вроде MindSphere, этот клиент может непрерывно собирать данные, получать инсайты производительности в любое время, и затем симулировать проблему, используя эту информацию для улучшения дизайна продукта.

Продуктовый инженер может учиться и делать выводы прямо от живых данных машины. В конце это обеспечивает, что продуктовый инженер может разработать user-centric продукт и увеличить удовлетворенность клиента.

Один пример — Konecranes, финская компания, специализирующаяся на производстве и сервисе кранов и подъемного оборудования. Она внедрила цифровое решение для ускорения своего процесса разработки продукта и связывания продукта и данных производительности вместе.

Компания использует MindSphere и Teamcenter®, программное обеспечение Siemens для цифрового управления жизненным циклом, для использования цифрового двойника для сокращения количества прототипов, которые им нужно производить. Это помогает им увеличить эффективность и также уменьшить время валидации продукта. Внедряя цифровое инновационное решение, они ускорили процесс разработки продукта и увеличили коллаборацию между симуляционным тестированием и инженерными организациями в их компании.