Hoe digitale tweelingen de logistieke prestaties kunnen helpen verbeteren

Direct-to-consumer leveringen zijn de toekomst en worden nog belangrijker door COVID-19. Logistieke bedrijven hebben echter moeite om aan de vraag te voldoen te midden van een spervuur ​​van factoren, van steeds veranderende wegomstandigheden tot het beheren van temperatuurgevoelige leveringen van medicijnen. Een krachtige nieuwe techniek voor het streamen van gegevens, genaamd realtime digital twins, kan de inzichten bieden die nodig zijn om kritische logistieke vragen te beantwoorden, onbekende variabelen te verminderen en de efficiëntie van operaties te verbeteren.

Met het enorme volume aan streaminggegevens afkomstig van vloten, slimme magazijnen en andere telemetriebronnen, is het een enorme uitdaging voor logistiekmanagers om kritische inzichten te verkrijgen en potentiële problemen in realtime te identificeren. Traditionele benaderingen voor streaminganalyse, zoals open-source Apache Storm en Flink, helpen managers om patronen in geaggregeerde berichtenstromen te extraheren. Toch kunnen ze deze informatie niet in een context plaatsen om het belang ervan te beoordelen en effectieve, geïndividualiseerde actie te ondernemen voor elke gegevensbron.

Deze oplossingen zijn ontworpen om inkomende telemetrie door een softwarepijplijn te leiden om interessepatronen te extraheren, geaggregeerde inzichten te verkrijgen en waarschuwingen te verzenden wanneer aan specifieke voorwaarden wordt voldaan. Ze volgen echter niet zelf de dynamische status van de gegevensbronnen en trekken geen conclusies over hun gedrag.

Streaminganalyses kunnen bijvoorbeeld hoge olietemperatuurmetingen detecteren in een vloot vrachtwagens, maar kunnen niet verklaren waarom deze metingen plaatsvinden, of ze wijzen op een dreigende storing en welke specifieke acties moeten worden ondernomen. Om dit te doen, moet het streaming-analyseplatform contextuele informatie over elke vrachtwagen behouden, zodat het diepere introspectie kan bieden over inkomende telemetrie en meer strategische beslissingen kan nemen over waarschuwingen en interventie. Van een vrachtwagenmotor kan bijvoorbeeld worden verwacht dat deze een hogere olietemperatuur heeft dan normaal vanwege zijn leeftijd en onderhoudsgeschiedenis, terwijl een andere, nieuwere motor een ongebruikelijk probleem vertoont dat onmiddellijke aandacht behoeft.

Om complexe logistieke systemen soepel te laten werken, moet streaminganalyse dit diepere niveau van introspectie bieden, vooral wanneer telemetrie wordt ontvangen van grote aantallen gegevensbronnen, zoals duizenden vrachtwagens in een wagenpark of pallets in een magazijn. Een verbeterde analyse van deze telemetrie die gebruik maakt van de context over elke gegevensbron, kan inefficiënties, potentiële problemen en belangrijke trends veel beter identificeren en voorspellen. Het kan helpen bij het beantwoorden van vragen als:

• Is een voertuig gestopt omdat het bij een rustplaats staat of omdat het tot stilstand is gekomen?
• Is een motorparameter van het voertuig abnormaal, of is dit te verwachten gezien de bekende problemen en onderhoudsgeschiedenis van het voertuig?
• Zal de huidige temperatuur en trend van het koelcompartiment een probleem vormen voor de specifieke medicijnen die het momenteel bevat?
• Is de chauffeur te lang onderweg geweest in verband met de wettelijke vereisten?
• Lijkt het alsof de bestuurder verdwaald is of een potentieel gevaarlijk gebied betreedt?

De nieuwe softwaretechniek voor streaminganalyse, realtime digital twins genaamd, kan helpen om de inzichten te verschaffen die nodig zijn om deze vragen te beantwoorden. Het creëert een op software gebaseerde tweeling van elke fysieke gegevensbron die wordt gevolgd, met contextuele informatie over de gegevensbron (zoals de verwachte parameters en onderhoudsgeschiedenis voor een vrachtwagenmotor). De digitale tweeling host applicatiecode die inkomende berichten van zijn gegevensbron analyseert met directe toegang tot deze context, en het werkt de context continu bij met elk inkomend bericht terwijl het meer "leert" over de dynamische toestand van de gegevensbron. Applicatiecode in de twin hoeft zich slechts op één gegevensbron te concentreren in plaats van de stroom van alle inkomende berichten te beheren, en dit zorgt voor betere feedback voor elke gegevensbron.

Een realtime digitale tweeling kan draaien op openbare clouds, zoals Microsoft Azure, die de schaalbaarheid hebben om berichten te verwerken en realtime digitale tweelingen te onderhouden voor duizenden vrachtwagens, slimme magazijnen of andere telemetriebronnen uit grote geografische gebieden. De cloudservice kan ook continu belangrijke informatie verzamelen en visualiseren die is geëxtraheerd uit alle realtime digitale tweelingen om opkomende problemen te detecteren en het algehele situationele bewustzijn voor managers te vergroten. Dit helpt hen het grote geheel te behouden en sneller strategische antwoorden te vinden op grote uitdagingen, zoals vertragingen door het weer, snelwegblokkades en stroomuitval.

Hier zijn vier voorbeelden van situaties waarin realtime digitale tweelingen logistieke managers kunnen helpen de effectiviteit en tijdigheid van hun leveringssystemen drastisch te vergroten:

• Veranderende voorwaarden. Veranderende verkeerspatronen, ongevallen en zelfs recordbrekende orkanen, stormen en branden zorgen ervoor dat de routes van chauffeurs voortdurend veranderen. Met logistieke bedrijven die duizenden voertuigen op de weg volgen, kunnen realtime digitale tweelingen helpen analyseren hoe situaties zoals snelwegafsluitingen als gevolg van bosbranden elk voertuig zullen beïnvloeden en de chauffeurs waarschuwen voor nieuwe routes.
• Bedorven voedsel en medicijnen. In het COVID-19-tijdperk zoeken veel mensen met een hoog risico naar alternatieven voor winkelen in overvolle winkels en eisen nu dat voedsel en medicijnen aan hun deur worden bezorgd. Om deze leveringen te voltooien, kan een voertuig honderden verschillende temperatuurgevoelige voedingsmiddelen en medicijnen bevatten. Realtime digitale tweelingen kunnen de benodigde temperaturen voor elk item bewaken en chauffeurs en logistiek managers waarschuwen voor problemen die de veiligheid van de lading bedreigen.
• Opkomende mechanische problemen. Het onderhoud van dure bedrijfswagens is complex en omvat tal van parameters, zoals bandenspanning, vloeistofpeil, motorsystemen en nog veel meer. Realtime digitale tweelingen kunnen de mechanische status van elk voertuig volgen en waarschuwen voor noodzakelijk onderhoud, waardoor onverwachte vertragingen en dure reparaties worden vermeden.
• Verloren of onregelmatige stuurprogramma's. Commerciële chauffeurs werken onder strikte regels, met forse straffen voor overtredingen. Realtime digitale tweelingen kunnen grillig rijgedrag of dreigende overtredingen detecteren en de bestuurder waarschuwen voordat ze zich voordoen. Ze kunnen ook detecteren of een chauffeur verdwaald lijkt te zijn, zodat coördinatoren het probleem snel kunnen verhelpen en tijd en brandstof kunnen besparen.

Het jaar 2020 heeft een dramatische toename gezien in het gebruik van logistieke systemen die ervoor zorgen dat de goederen die we nodig hebben naar hun bestemming blijven stromen. Inzichten die zijn verkregen uit realtime digitale tweelingen kunnen logistieke bedrijven helpen de talloze componenten in hun netwerken te volgen, ze soepel te laten werken en onnodige vertragingen te voorkomen. Met deze inzichten kunnen bedrijven hun kosten verlagen en tijdige prestaties verbeteren, zodat ze effectief kunnen concurreren in een kritieke sector waarvan we allemaal afhankelijk zijn.

William Bain is CEO van ScaleOut Software.