Simulationsmodelle komplexer Prozesse sind vollständig transparent, weil die Domänenexperten ihr Wissen über das System ins Modell entsprechend der Zielvorgaben einbringen müssen. Jeder Prozess, jede Abhängigkeit wird explizit modelliert und mit Daten hinterlegt. Ist die Datenmenge noch nicht ausreichend, so können punktuell auch auf Erfahrungswerten basierende Annahmen einfliessen – Annahmen die explizit und daher transparent sind. Gleichzeitig wird dann auch evident, welche Daten es zu sammeln gibt, um die Qualität des Modells zu verbessern.

Die Modellierung & Simulation eines Systems legt die Ziele und die Annahmen offen. Vorteile sind:

• Ziele & Messgrössen explizit festhalten
• Einflussgrössen identifizieren und Datengrundlage schaffen
• Komplexe Entscheidungen im System transparent machen, weil sie explizit formuliert werden müssen.

Schliesslich fliesst das im Unternehmen vorhandene Domänenwissen und die meist langjährige Erfahrung in die Modellierung ein. So entsteht eine strukturierte Dokumentation dieses Wissens, die bereits für sich einen erheblichen Mehrwert für das Management darstellt.

Mit Simulation können auch Extremsituationen risikolos untersucht werden.

Ein spannender und sehr nützlicher Aspekt der Simulation ist die Untersuchung unwahrscheinlicher Situationen. Die Zuverlässigkeit von Maschinen kann im Simulationsmodell z.B. auch ausserhalb der üblichen Parameterbereiche risikolos untersucht werden. Zum Beispiel kann das Verhalten des Supply-Networks unter abnormal starken Schwankungen der Liefertreue von Lieferanten untersucht werden. Wie schnell erholt sich das System wieder? Wie gut stabilisiert sich das Netzwerk, wenn man mehrere unabhängige Lieferanten hat? Wie reagiert das System, wenn Fehler oder Ausfälle auftreten? Solche Fragestellungen können quantitativ beantwortet und in eine Kosten-Nutzen-Rechnung z.B. im Sourcing einfliessen. Die zugrundeliegenden Algorithmen können schnell und risikolos im Modell getestet und optimiert werden. Diese Vorgehensweise der Einbeziehung von Risiken wird auch als «Risk Based Planning» bezeichnet.

Besonders kann die Prozesssimulation eingesetzt werden, um

• neue Anlagen oder grössere Änderungen (Neubau, Umbau, Erweiterung Geschäftsfeld, etc.) zu planen,
• seltene Vorkommnisse (Ausfälle, Pandemie, usw.) zu untersuchen,
• hochdynamische Situationen (hohe Beeinflussung, grosser Einfluss) zu beherrschen, und
• Expertenwissen im Unternehmen abzuholen und in Regelwerke zur Steuerung eines Systems einfliessen zu lassen.

Algorithmen aus Daten Lernen lassen ist aktuell in aller Munde und ist sicherlich für viele Situationen und Problemstellungen nützlich und empfehlenswert. Sind jedoch nicht genügend Daten vorhanden oder ist es Ziel, das Systemverhalten nachvollziehen zu können, dann rücken die bewährten Methoden der Modellierung und Simulation in den Fokus.

Anwendungsbeispiel: Digitaler Zwilling

Die heutigen Digitalisierungsanstrengungen erfordern das Sammeln jeglicher Daten zu Prozessen, Anlagen, Maschinen, Energieverbrauch, Informationsflüssen, etc., um aus den gewonnen Daten einen Mehrwert für das Unternehmen zu generieren. Dabei werden Methoden des Data Science genutzt, um aus vielen, sehr unterschiedlich strukturierten Daten gewinnbringende Aussagen zu machen. Des Weiteren werden mit selbstlernenden Algorithmen (Machine Learning) Modelle hergeleitet, die zu einem gewissen Grad das Verhalten eines komplexen dynamischen Systems und den zugehörigen Akteuren vorhersagen können. Solche Modelle werden bereits von Technologieunternehmen sehr erfolgreich als neue Geschäftsmodelle eingesetzt.

Manche davon verfolgen das Ziel einer gesamtheitlichen Prozessoptimierung, z.B. die Verbesserung von Algorithmen zur Minimierung von Schwankungen. Die direkte Implementierung im Zielsystem ist möglich aber risikoreich. Der Einsatz eines “Digitalen Zwillings”, eine Simulation des Systems, minimiert dieses Risiko und kann zudem als Prädiktionsfilter für Entscheider eingesetzt werden, um den aktuellen Prozess in Echtzeit zu steuern.

Ein Gemeinschaftsprojekt der ZHAW und der Ost

Simulationsprojekte sind nach unserer Erfahrung wesentlich erfolgreicher, wenn seitens des Unternehmens auch Kompetenzen in Data Science, Modellierung und Simulation vorhanden sind. Daher bietet die ZHAW Life Science und Facility Management zusammen mit der OST Ostschweizer Fachhochschule neu Weiterbildungskurse an, die den Domänenexperten, Praktikern also, die Möglichkeit bietet, die Sprache, Methoden und Tools zu erlernen und erste Schritte mit Data Science, Modellierung und Simulation zu unternehmen. Die Kurse sind modular aufgebaut, können einzeln belegt und zu einem kompletten CAS Lehrgang zusammengefügt werden. Die Spezialisierung «Simulation of Complex Processes» ist mit dem Fokus auf Modellierung und Simulation konzipiert. Die zugehörigen Module decken alle Kompetenzen ab, die für ein erfolgreiches Simulationsprojekt notwendig sind (Abbildung 1).

Abbildung 1: Die Module der Spezialisierung «Simulation of Complex Processes» des neuen CAS in Digital Life Sciences (oben) thematisieren alle Kompetenzen, die in den Phasen einer typischen Simulationsstudie (unten) benötigt werden. Die Pfeile (orange, violett, grün und rot) und Flächen (blau und gelb) zeigen, auf welche Projektphasen die spezialisierten Module stärker abzielen.

Kontakt

Weiter Informationen zum CAS Digital Life Sciences, Spezialisierung «Simulation of Complex Processes»:

IAS Institut für Angewandte Simulation
Lukas Hollenstein
8820 Wädenswil
lukas.hollenstein@zhaw.ch
+41 (0)58 934 54 02
https://www.zhaw.ch/de/lsfm/institute-zentren/ias/weiterbildung/

oder

Kompetenzzentrum Modellbildug und Simulation
Andreas Rinkel
8640 Rapperswil
andreas.rinkel@ost.ch
+41 (0)79 33 20 562

Autorenportraits