Wgp-Standpunkt InduStrIe 4.0
»Wgp-Standpunkt Industrie 4.0«
die Wissenschaftliche gesellschaft für produktionstechnik Wgp ist ein Zusammenschluss führender deutscher professoren der produktionstechnik.
Sie vereinigt in der Bundesrepublik deutschland rund 1300 Wissenschaftler und versteht sich als Organ zur Vertretung der Belange von Forschung
und Lehre auf dem gebiet der produktionstechnik im wissenschaftlichen, gesellschaftlichen und politischen raum der Bundesrepublik deutschland.
die Wgp hat es sich zur aufgabe gemacht, die Forschung und Lehre auf dem gebiet der produktionstechnik zu fördern und voranzutreiben.
dazu gehören die strategische positionierung der universitären Forschung, Initiativen und aktivitäten in der gemeinschaftsarbeit von Wissenschaft
und Industrie sowie die Beratung und Mitgestaltung bei der Initiierung von Forschungsprojekten und rahmenprogrammen.
die Wgp unterstützt den Wissenstransfer von Forschungsergebnissen in die Industrie und entwickelt fachliche und methodische Studieninhalte weiter.
darüber hinaus arbeitet sie an der reformierung der Ingenieurausbildung und fördert die Bedeutung der produktion und produktionswissenschaft in
politik und gesellschaft.
durch die kooperation mit wissenschaftlichen Instituten, gesellschaftlichen und politischen Verbänden sowie der Industrie sollen Innovationen
vorangetrieben, die Qualifizierung durch wissenschaftliche Ausbildung verbessert und der ingenieurwissenschaftliche Nachwuchs gefördert werden.
Über kommunikation und kooperation im wissenschaftlichen und industriellen umfeld stärkt die Wgp das öffentliche Bewusstsein für produktion und
produktionswissenschaft.
Impressum
Herausgeber
Wissenschaftliche gesellschaft für produktionstechnik Wgp e. V.
vertreten durch den präsidenten eberhard abele, technische universität darmstadt
Verantwortliche Autoren
thomas Bauernhansl, universität Stuttgart
Jörg krüger, technische universität Berlin
gunther reinhart, technische universität München
günther Schuh, rWth aachen
an diesem Standpunkt haben darüber hinaus die Wgp-professoren sowie deren Mitarbeiterinnen und Mitarbeiter mitgewirkt.
1
Inhalt
Management Summary .................................................................................................................................... 3
1 Warum dieser Wgp-Standpunkt? ............................................................................................................... 4
2 Begriffsbestimmung Industrie 4.0 ............................................................................................................. 6
2.1 DefinitionundEntwicklung ........................................................................................................................ 6
2.2 NutzenundPotenziale .............................................................................................................................. 7
3 Handlungsfelder ........................................................................................................................................ 10
3.1 Cyber-physischeSysteme(CPS) .............................................................................................................. 10
3.2 Cloud-unddienstebasierteProduktionsplattformen .................................................................................. 16
3.3 DigitalerSchatten .................................................................................................................................. 23
3.4 Analytik ................................................................................................................................................. 31
4 Handlungsempfehlungen .......................................................................................................................... 39
4.1 HandlungsempfehlungenfürdieWirtschaft .............................................................................................. 39
4.2 HandlungsempfehlungenfürdiePolitik .................................................................................................... 41
4.3 HandlungsempfehlungenfürdieWissenschaft .......................................................................................... 42
5 Referenzen ................................................................................................................................................. 43
Anhang
2
3
• Dieoptimale Verteilung der Wertschöpfungim Business
Ecosystem,dasalleWertschöpfungspartnerunddamitauchdie
Kundenhierarchiearm integriert,führtzuniedrigeren Kom-
plexitätskostenundsomitzueinerhöheren gesamtmarge.
• Dieoptimale Verteilung der Funktionalitäten(sog.Services,
z.B.Maschinenfähigkeiten)inderCyber-physischen System-
architekturführtzuSkaleneffektenundhoherFunktions-
dynamikentlangdesgesamtenLebenszyklusvontechnischen
Systemen.
• Diemassendatenbasierte prognosevonZukünftenaufBasis
desdigitalen SchattensderRealitätlegtdieGrundlagefüreine
hoheProduktivitätundAgilität komplexer Wertschöpfungs-
systeme.
• Dieverschwendungsfreie EinbindungderMitarbeiterdurch
adaptive und selbstlernende Mensch-Maschine-
SchnittstellensorgtfürumfassendeAkzeptanzimArbeitssystem
undlegtdieBasisfüragilesowierobuste und lernende
Wertschöpfungssysteme.
Was bedeutet dies für die produktionstechnik?
DieVernetzung der Wertschöpfung aufBasis digitaler Techno-
logien und die daraus resultierendenVeränderungen der Wert-
schöpfungssysteme bedeutet für alle Produktionsverantwortlichen
eine Revolution. Falsche Entscheidungen aufgrund fehlender Infor-
mationen und die unzureichende Einschätzung von Risiken und
Technologiepotenzialen können zu massiven Wettbewerbs-
nachteilen führenunddie langfristigeExistenz der betroffenen
Unternehmen gefährden.
Wie ist dieses papier strukturiert?
NachderHinleitungzumThemaIndustrie4.0,dieunteranderembe-
gründet, warum dieser Standpunkt wichtig ist undwarum er gerade
jetzterscheint,folgteineBegriffsbestimmung von Industrie 4.0
aus Sicht derproduktionstechnischen Forscher. Nach der Defi-
nitionundhistorischen Entwicklung der digitalisierten Wert-
schöpfung werden Nutzen und potenziale aufgezeigt. Im An-
schlusswerden in Kapitel 3 die vierwichtigstenHandlungsfelder von
den jeweiligen Experten aus der Wissenschaftlichen Gesellschaft für
ProduktionstechnikWGP vertieft behandelt:Cyber-physische Sys-
teme (CpS), Cloud- und dienstebasierte produktionsplattfor-
men, Digitaler Schatten sowieAnalytik.DieseAbschnitte folgen
alle der gleichen Struktur: Nach der Definition und Darstellung der
EntwicklungdesjeweiligenHandlungsfeldswerdendiePotenziale,der
StandderTechnikundForschungsbedarfe,dieMigrationspfadefürden
Anwender sowie abschließend die Bezüge bzw. Schnittstellen zu den
anderenHandlungsfeldernbehandelt.
Management Summary
DerBegriff»Industrie 4.0«wirdseitseinerEinführungimJahr2011
inflationärfürallemöglichenAnwendungsfälleundTechnologieentwick-
lungen genutzt, die vermeintlich einen Bezug zurdigitalen Trans-
formation derProduktionhaben.Aufgrundderdamiteinhergehenden
VerwässerungdesursprünglichenKonzeptsherrscht insbesonderebei
den kleinen undmittlerenUnternehmen der deutschen IndustrieUn-
sicherheitüberdierelevanten technologischen Veränderungen
sowiepotenzialeundRisikendurchIndustrie4.0.
Was ist neu?
Nicht die Digitalisierung der Produkte und ihrer Produktion ist das
wirklichRevolutionäreanIndustrie4.0,sonderndieMöglichkeitender
Vernetzung technischer Systeme in Echtzeit.Diedamitentste-
henden neuen Business Ecosysteme (also die partnerschaftliche,
firmenübergreifendeVernetzungvonproduzierendenUnternehmenmit
Zulieferern,Kundenoderggf.auchWettbewerbern)alsBasisfürneue,
teilsdisruptive geschäftsmodelle, die IntegrationdesKunden in
die Produktentstehung und die wirtschaftliche Verlagerung kom-
plexitätsgetriebener ArbeitsinhalteanKundenundserviceori-
entierte Wertschöpfungspartner, könnenmitFugundRechtals
revolutionärbezeichnetwerden.
TechnologieseitigbestehtdieeigentlicheRevolutioninderVerschmel-
zung der virtuellen mit der realen WeltdurchdieNutzung von
Echtzeitdaten, derArchitekturveränderung technischer Sys-
temehinzuhochvernetztenundplattformbasierten Cyber-phy-
sischen SystemenundderdadurchbewirktenAuflösungderklassi-
schenAutomatisierungspyramide.
Ermöglichtwirddiesinsbesonderedurch:
• diehorizontale Vernetzung,alsodieNutzungdesInternets
der Dinge und DiensteinWertschöpfungssystemen,
• dievertikale Integration,alsodieVeränderungderProduktar-
chitektur‒vommechatronischenSystemzumCyber-physischen
Systemsowiedurch
• dieNutzungvon strukturierten und unstrukturierten
Echtzeit-Daten zurGestaltungundOptimierungkomplexer
Wertschöpfungssysteme.
Was ist der Nutzen?
Mit den neuen hochvernetzten Technologien und den darauf
basierendenserviceorientierten geschäftsmodellen sind in fast
allenBereichenderWertschöpfungEinsparpotenzialedurcheineStei-
gerung der gesamtproduktivität von bis zu 50 % möglich.Vier
Kernthesen für Wertschöpfungsmodelle der Zukunft beschreiben den
NutzenvonIndustrie4.0:
4
1 Warum dieser Wgp-Standpunkt?
DasSuchwortIndustrie4.0erzeugtetwa25.500.000TrefferbeiGoog-
le.458.000 TreffergibteszuIndustrie 4.0-StudienundGoogle
Scholarliefert54.700 entsprechendeErgebnisse.Esscheint,alleWelt
stürztsichaufdasThema–undverwässertes immermehr.Diegro-
ßeVielzahlvonVeröffentlichungenzumThemaIndustrie4.0isthäufig
einseitigausderIT-perspektive verfasst.EineListederwichtigsten
Publikationen findet sich im Anhang diesesWGP-Standpunktes. Viele
Studien fokussieren aufMarktanalysen oder sogenanntenReadi-
ness-Checks.DabeiziehendieAutoren ihreSchlüsseausUmfragen
unterMarktteilnehmern,diesichnochkaummit Industrie4.0befasst
haben.SohatderVDE Trendreport 2015 ermittelt,dasssichüber-
hauptnur etwa10 % der deutschen Unternehmen bereits ope-
rativmitIndustrie4.0beschäftigen.Dasbedeutetabernicht,dasssie
dasThemavollumfänglichdurchdrungenhabenodergargrundsätzlich
aufdemrichtigenWegsind.Zudemhaben viele AutorenvonStudi-
enmeisteinkonkretes geschäftsinteresse.Beratungsfirmenbei-
spielsweiseerhaltendamiteinenEinstiegfürihreDienstleistungen.
DieserWgp-StandpunktsolleinWeckruffürdieUnternehmensein,
diesichnochnichtausreichendmitIndustrie4.0beschäftigen,weilsie
dieDringlichkeitnochnichtspüren,dasVokabularnichtverstehen
unddiepotenziale nochnicht erkannthaben.Wirwollenproduk-
tionstechnikern in kleinen und mittleren Unternehmen ver-
ständlichvermitteln,wasdenKern von Industrie 4.0ausmacht.Wer
glaubt,erseimiteinermitdemInternetverbundenenMaschinebereits
inderZukunftangekommen,täuschtsich.Industrie4.0istkeineswegs
nureinkurzerHype.Diedigitale Vernetzung der Wertschöpfung
ist für alle produktionsverantwortliche eine Revolution,diesie
nichtverpassendürfen.
HäufigangeführteHürdenfürKMUsindhohe Investitionen, Fach-
kräftemangel, fehlende Infrastrukturundmangelnde Daten-
sicherheit.DagegenargumentiertdieWGP:
• InIndustrie4.0einzusteigenkostet oft wenigeralsgedacht;
bezahlt wird meistnur,wastatsächlichauchgenutzt wird;
hoheLizenzgebührenundteureHardwarekönnenhäufigentfallen.
AuchderKaufeineskomplettneuenMaschinenparksistnichtnötig,
daStückfürStückkostengünstigeTechnologiennachgerüstetwer-
denkönnen,diehäufigihrenUrsprungimConsumer-Markthaben.
• EinFachkräftemangel im IT-Bereichistzwarabsehbar,aber
esgibtLösungen.Informatiker kostenallerdingsgeldunddies
stehthäufigaufgrund mangelnder strategischer Fokus-
sierungnichtzurVerfügung,erfordertbereitsjetztstrategische
Maßnahmen.DasVerharren im eigenen Kerngeschäftist
typisch für KMU,zugleichaberauchdiegrößteBedrohung.
• IT-Sicherheit istfürKMUbereitsheuteeinzentrales Thema.
Allerdingswirdesnichtprofessionelladressiert.DieVernetzung
undNutzunggeeigneterDienste,z.B.ausderCloudeinesprofes-
sionellenAnbieters,eröffnetfürvieleKMU neue perspektiven
imUmgangmitDaten.AuchdieBandbreitenderheutigen
ÜbertragungswegesindaufgrundderMöglichkeitenderDaten-
vorverarbeitunginwertschöpfungsnahenIT-Systemenzunächst
kein limitierender FaktorinderUmsetzungvonIndustrie4.0.
Wennwirnichtschnellagieren,werdenwirvondenenüberholt,diesich
nichtvorwiegendmitdenRisiken,z.B.derDatensicherheitbeschäfti-
gen,sonderndiepotenziale in den Vordergrundstellen,z.B.durch
neueGeschäftsmodelle.BeispielsweisearbeitenindenUSA,speziellim
Silicon Valley,vieleMenschenandisruptiven geschäftsmodel-
len,dieimWesentlichenaufderneuartigen AuswertungundNut-
zung von Daten,insbesonderevonKundendaten,basieren.
DabeihilftmaßgeblichdieoffeneDenkweisedes»Internet Camp« [1],
dasindenUSAstarkausgeprägtistundsichdurchinternetbasierteSer-
vicesstarkamKundennutzenorientiert.DieDenkprozessesinddort
offener, schnellerundrisikoreicheralsintraditionellenproduzie-
rendenUnternehmen.Das zeigt sich auch imZugeersterUmsetzun-
genwiez.B.NESTimHaushaltsbereichoderGooglesMoonshot-Project
in der Robotik, wobei vor allem dieSkalierbarkeit von digitalen
Services im Vordergrund steht. Auch chinesische Unternehmen
tun sich im Jahr 2016 durch bisherungeahnte Innovationen bei
5
gleichzeitigempragmatismushervor[2].Chinakommtdabeivonder
konservativenSeitedes»Machine Camp«[1]undmachtsichdabei
seineSpitzenposition hinsichtlich derM2M-Vernetzung weltweit
zunutze.LauteinesInsight ReportsdergSMA 2015[3]ermöglicht
dieUnterstützung durch die Regierungunddiedorterzielbaren
Economies of ScaleinChinaeinesolcheEntwicklung.DieFestlegung
vonStandardsundderen internationale Vermarktungoderdie
Auswahl von202 Städten als piloten für Smart-City-projekte
sind Beispiele. Insbesondere Start-ups aus den USA sehen das ferti-
gungstechnischeKnow-hownichtalsMarkteintrittsbarriereinden
produzierendenMarkt,sondernalsChance fürneue geschäftsmo-
delle. Diese Sichtweise ist besonders für etablierte Produzenten in
Deutschland eine Gefahr, denn die aktuellhohe Marktkapitalisie-
rung erlaubteinenMarkteintrittauftechnologischerAugenhöhe.
DeutscheproduzierendeKMUsindgegenüberIndustrie4.0nochzuzu-
rückhaltend.TeilweisewerdenChancenunterschätzt.DieRisikenhin-
gegenwerdeneherüberschätzt.Unternehmenversteckensichvielfach
hinter Schutzbehauptungen wie z.B., Industrie4.0 sei nur etwas
fürfinanzstarke Konzerne oderdassmansichdennotwendigen
Datenschutz ohnehin nicht leisten könne. Allerdingswerden insbe-
sonderevonderPolitikdieverfügbarentechnischen Möglichkeiten
häufigüberschätzt.Hierglaubenviele,derheutigeStandderTechnik
sei ausreichend hoch undmanmüsse die Technik nur entsprechend
einsetzen.DieWGPhältesdaherfürdringendnotwendig,offene Fra-
gestellungen aus Sicht der produktionstechnikzuadressieren
und für die Produktionsverantwortlichen verständlich aufzubereiten.
DieBegriffsbestimmunginKapitel2sollKlarheitschaffenüberdietat-
sächlichenChancenundRisikenfürIndustrie4.0–undzwarauspro-
duktionstechnischer Sicht. Eine realistische Kommunikation des Kerns
von Industrie4.0, des Nutzens der Technologien, des Potenzials, der
AnwendungsgebieteunddesForschungsbedarfsausSichtderProdukti-
onstechnikistjetztvordringlich,damitFehlsteuerungenvermiedenwer-
den,dasThemaIndustrie4.0geerdetunddenproduktionstechnischen
UnternehmeneinekompetenteOrientierunggebotenwird.
6
infrastruktur (physisch, digital)
Cyber-physisches System
Zusammenarbeit
refl ektion
Transaktion
Interaktion
Preskription
Kommunikation
Produktlebenszyklus (wertschöpfend = personalisiert + nachhaltig)
physische Systeme (handeln, messen, kommunizieren) menschen (entscheiden, gestalten, kommunizieren)
Digitaler Schatten (Echtzeitmodell)
Softwaredienst (Machine-Skills, Apps, Plattformdienste)
Cloudbasierte Plattformen (Privat, community, Public)
Analytik (Big Data/maschinelles Lernen)
Internet of Everything (Menschen, Dienste, Dinge)
telefon
D-/E-netz (GSM, 2G) UMtS (3G) 5GLtE (4G)A-/B-/c-netz (1G)
ISDn DSL VDSL (Breitband)Analog-Modem
Personal computer tabletLaptop
WLAn, Bluetooth
Mobile Endgeräte
cloud-orientierung
App-orientierung
Internet of thingsWeb 2.0
Vernetzungsgrad
Zentralrechner
Informations- und Kommunikationstechnologien
cAD/cAM/cAxcAD
cncnc
Roboter Leichtbauroboter cPSfördertechnik
ERPMRP II
Digitale fabrik Digitaler farbikbetriebcIM
EDM PDM Digitales PDM
MRP
Produktion
1970 1980 1990 2000 2010 2020
Begriffsbestimmung Industrie 4.0
2 Begriffsbestimmung Industrie 4.0
2.1 Definition und Entwicklung
Was verstehen wir Produktionswissenschaftler unter Industrie 4.0? Der
Kern der vierten industriellen Revolution ist das Internet der Dinge
und die neuen Möglichkeiten, Ressourcen, Dienste und Menschen in der
Produktion auf Basis Cyber-physischer Systeme in Echtzeit zu
vernetzen. Nicht die Digitalisierung ist also das Revolutionäre, sondern
die Möglichkeiten der Vernetzung technischer Systeme in Echt-
zeit sowie das, was uns die It heute und zukünftig bietet, nämlich die
Kommunikation und Datenhaltung per Internettechnologien
sowie die exponentielle Steigerung der Rechenleistung.
Drei technologische Möglichkeiten revolutionieren die Produktionstech-
nik durch:
• die horizontale Vernetzung, also die Nutzung des Internets
der Dinge und Dienste in Wertschöpfungssystemen,
• die vertikale Integration, also die Veränderung der Maschinen-
architektur − vom mechatronischen System zum
Cyber-physischen System sowie
• die Echtzeit-Optimierung komplexer Wertschöpfungssysteme
auf Basis der Verarbeitung von Massendaten und der darauf
basierenden Prognose von Zukünften.
Die Digitalisierung der Wertschöpfung hat mit der nc-Technik
schon vor über 50 Jahren begonnen, aber erst die oben genannten Mög-
lichkeiten begründen, dass Industrie 4.0 tatsächlich eine Revolution ist.
In Abbildung 2.1 sind die wesentlichen Bausteine von cyber-physi-
schen Systemen dargestellt, die die Kerntechnologie von Industrie 4.0
ausmachen. Wichtige Strukturelemente für diese neue Produktarchi-
tektur von technischen Systemen sind eine innovative Benutzer-
schnittstelle zur Einbindung der Menschen, der digitale Schatten
als virtuelles Echtzeitabbild der Realität, mehrwertgenerierende
Softwaredienste, cloudbasierte Plattformen, die die Kommunika-
tion unterstützen und eine Life-Cycle-Umgebung für die physischen
Systeme und Softwaredienste bieten, sowie Analytik auf Basis von
Big Data und maschinellem Lernen, die Daten aus dem Internet
of Everything (Menschen, Dinge und Dienste) nutzen. Diese Baustei-
ne der vierten industriellen Revolution werden in Kapitel 3 von Experten
der WgP jeweils ausführlich erläutert und beschrieben.
Die Digitalisierung der Produktion hat eine lange Historie. Anfang
der 1960er Jahre begann die Entwicklung der (Computerized Numerical
Control-) cnc-Technologie. In den 1970ern kamen caD (Computer-
aided Design) und ERP (Enterprise Resource Planning) hinzu.
Abb. 2.1 Bausteine der Industrie 4.0. ©Fraunhofer IPA
infrastruktur (physisch, digital)
Cyber-physisches System
Zusammenarbeit
refl ektion
Transaktion
Interaktion
Preskription
Kommunikation
Produktlebenszyklus (wertschöpfend = personalisiert + nachhaltig)
physische Systeme (handeln, messen, kommunizieren) menschen (entscheiden, gestalten, kommunizieren)
Digitaler Schatten (Echtzeitmodell)
Softwaredienst (Machine-Skills, Apps, Plattformdienste)
Cloudbasierte Plattformen (Privat, community, Public)
Analytik (Big Data/maschinelles Lernen)
Internet of Everything (Menschen, Dienste, Dinge)
telefon
D-/E-netz (GSM, 2G) UMtS (3G) 5GLtE (4G)A-/B-/c-netz (1G)
ISDn DSL VDSL (Breitband)Analog-Modem
Personal computer tabletLaptop
WLAn, Bluetooth
Mobile Endgeräte
cloud-orientierung
App-orientierung
Internet of thingsWeb 2.0
Vernetzungsgrad
Zentralrechner
Informations- und Kommunikationstechnologien
cAD/cAM/cAxcAD
cncnc
Roboter Leichtbauroboter cPSfördertechnik
ERPMRP II
Digitale fabrik Digitaler farbikbetriebcIM
EDM PDM Digitales PDM
MRP
Produktion
1970 1980 1990 2000 2010 2020
7
BegriffsbestimmungIndustrie4.0
ErsteAnsätzederIndustrie4.0findensichbereits inCIM (Computer
Integrated Manufacturing) aus den 1980er Jahren. Damals fehlte al-
lerdingsnochdiepassendeTechnologieundmanglaubte,allesmüsse
zentralgesteuertwerden. InderdamaligenVisionwurdederMensch
ausderFabrikaktiventfernt.
MitdenfolgendenJahrzehntenkamenimmerrascherneueTechnologi-
endazu:dasInternet, WLAN, High performance Computingund
schließlichBig Data.ErstdieseTechnologienführenzugrundsätzlich
neuenMöglichkeiteninderVernetzungundDatenverarbeitungundda-
mitindieVierteIndustrielleRevolution.DiewichtigstenSchrittedieser
EntwicklungsindinAbb.2.2dargestellt.
Die Abbildung zeigt, dass Informations- und Kommunikations-
technologien derProduktionstechnikvorauseilen.DerVernetzungs-
grad steigt seit der Jahrtausendwende rasant an. In der Produktion
wird das insbesondere durch dieNutzung vonCyber-physischen Sys-
temenunddurchdendigitalenFabrikbetriebgetrieben.Trendswiedas
InternetderDinge,dieApp- und die Cloud-Orientierung dringen
ausdemInformations-undKommunikations-(Iuk-)Bereichebenfallsin
die Produktionswelt ein und beflügeln die Vernetzungweiter.Nur die
rasant steigendeRechenleistung,permanentwachsende Internet-
bandbreitenundMobilität der eingesetzten Technologienbzw.
EndgeräteermöglichendieseEntwicklung.
2.2 Nutzen und potenziale
DerNutzenvonIndustrie4.0liegtinhochflexiblen, wandlungsfähi-
gen Wertschöpfungssystemen, die es erlauben, Wertschöpfung
dorthinzutransferieren,wosieambestenerbrachtwerdenkann.Dies
senktdieKomplexitätskosteninsbesonderebeiderindividualisier-
ten produktion undesentstehenneueWirtschaftlichkeitspotenziale.
Abb.2.2 DieDigitalisierungderProduktionundIT-TechnologieimZeitverlauf©FraunhoferIPA
infrastruktur (physisch, digital)
Cyber-physisches System
Zusammenarbeit
refl ektion
Transaktion
Interaktion
Preskription
Kommunikation
Produktlebenszyklus (wertschöpfend = personalisiert + nachhaltig)
physische Systeme (handeln, messen, kommunizieren) menschen (entscheiden, gestalten, kommunizieren)
Digitaler Schatten (Echtzeitmodell)
Softwaredienst (Machine-Skills, Apps, Plattformdienste)
Cloudbasierte Plattformen (Privat, community, Public)
Analytik (Big Data/maschinelles Lernen)
Interest of Everything (Menschen, Dienste, Dinge)
telefon
D-/E-netz (GSM, 2G) UMtS (3G) 5GLtE (4G)A-/B-/c-netz (1G)
ISDn DSL VDSL (Breitband)Analog-Modem
Personal computer tabletLaptop
WLAn, Bluetooth
Mobile Endgeräte
cloud-orientierung
App-orientierung
Internet of thingsWeb 2.0
Vernetzungsgrad
Zentralrechner
Informations- und Kommunikationstechnologien
cAD/cAM/cAxcAD
cncnc
Roboter Leichtbauroboter cPSfördertechnik
ERPMRP II
Digitale fabrik Digitaler farbikbetriebcIM
EDM PDM Digitales PDM
MRP
Produktion
1970 1980 1990 2000 2010 2020
8
BegriffsbestimmungIndustrie4.0
Das allgemeine Zielsystem der industriellen Wertschöpfung in Bezug
aufZeit,Kosten,Qualität,FlexibilitätundNachhaltigkeitbleibtauchim
Rahmen von Industrie 4.0 bestehen. Sehr wohl gibt es aber höhere
AnforderungenderWertschöpfung:andiegeschwindigkeit,andie
Wirtschaftlichkeit, an dieFlexibilität sowie dieWandlungsfä-
higkeitunddieNachhaltigkeit.
Industrie4.0 erweitert den Lösungsraum für die wirtschaftliche und
nachhaltige Wertschöpfungssystemgestaltungaufallenundzwi-
schendenEbenen,vomprozess bis zum Business Ecosystem,das
alleWertschöpfungspartnerunddieEndkundenoptimalintegriert.Diese
Möglichkeitistneu:DurchdieseVernetzungaufBasisvonPlattformen,
die sowohl die horizontale wie die vertikale Integration ermöglichen,
könnenetwaArbeitsumfängeoderFunktionalitätvonMaschinenflexibel
indiesemSystemerzeugtundverteiltwerden.
DiefolgendenKernthesenfürWertschöpfungsmodellederZukunftbe-
schreibendenNutzenvonIndustrie4.0:
• DieoptimaleVerteilung der WertschöpfungimBusiness
Ecosystem,dasalleWertschöpfungspartnerundsomitauchdie
Kundenhierarchiearmintegriert,führtzuniedrigen Komple-
xitätskostenundsomitzueinerhöheren gesamtmarge.
• DieoptimaleVerteilung der Funktionalitäten(sog.Services)
inderCyber-physischen System-Architekturführtzu
SkaleneffektenundhoherFunktionsadaptivitätentlangdes
gesamtenLebenszyklusvontechnischenSystemen.
• Diemassendatenbasierte prognosevonZukunftsszenarien
aufBasisdesdigitalen SchattensderRealitätlegtdieGrundlage
füreinehohe produktivitätundAgilitätkomplexerWertschöp-
fungssysteme.
• Dieverschwendungsfreie EinbindungderMitarbeiter
durchadaptive und selbstlernende Mensch-Maschine-
Schnittstellensorgtfürumfassende Akzeptanz im Arbeits-
systemundschafftdieBasisfüragile, robuste und lernende
Wertschöpfungssysteme.
NeueTechnologienundneueGeschäftsmodellelassenesalsozu,Auf-
gaben zum Kunden zu delegieren, ihn an der Wertschöpfung
mitarbeiten zu lassen und dieWertschöpfungspartner (Lieferan-
ten,Serviceprovider,…)effektivereinzubinden.DasProduktkannzum
Informationsträgerwerdenunddadurch sämtlichePhasenseinesLe-
benszyklusautonombegleiten.Mansprichthierbeivomproduktge-
dächtnis.AuchdieseröffnetvölligneueMöglichkeitenzurGestaltung
undOptimierungderWertschöpfung.
Mitdenneuenechtzeitfähigen Technologienundserviceorien-
tierten geschäftsmodellen entstehen in fast allen Bereichen der
WertschöpfunggroßeEinsparpotenziale.ExpertenwieSEWEurodrive-
GeschäftsführerJohannSodersprechenvoneinermöglichenSteigerung
dergesamtproduktivitätvonbiszu50 %durchIndustrie4.0.
Bestandskosten könnenu.a.durchdieSupply-Chain-übergreifende
NutzungvonEchtzeitdatenüberBestandsmengenumbiszu40 % ge-
senktwerden.Fertigungs- und LogistikkostenhabeneinKosten-
senkungspotentialvon10 % – 30 %,u.a.durchdenEinsatzvonsmart
wearables an Produktionsarbeitsplätzen oder durch den Einsatz von
Analytics-MethodenzurSteigerungderGesamteffizienz.BeidenKom-
plexitätskostenalsodenKosten,diehauptsächlichindenindirekten
Bereichenentstehen,sinddurchdieEinbindungderKundenindieWert-
schöpfung,dieNutzungvonumfassendenService-Angebotenunddie
Dezentralisierung sowie De-Hierarchisierung von Wertschöpfungsver-
antwortungsogarbiszu70 %Kosteneinsparungmöglich.Aufgrunddes
prosumer-Modells(derKundeisthiernichtnurKonsument,sondern
auchProduzent)werdenAufgabenvomKundenübernommen,fürdie
vorherdasproduzierendeUnternehmenzuständigwar.Damitkönnen
weitereKostenreduziertwerden(vgl.Abb.2.3).
EinBeispielhierfüristdiePlattformvon Local Motors[4],dieähnlich
einemSocialNetwork funktioniert undeinenganzneuenAnsatz ver-
folgt:Die Konsumenten könnenEntwürfe für Autoteile oder auch für
dasganzeFahrzeugdesignhochladenundvonderCommunitybewer-
tenlassen.DasambestenbewerteteProduktwirddannim3D-Druck
produziert.DerKonsumentkannsoimSinneeinesCo-Workingindie
ProduktioneingreifenunddasProduktpersonalisieren.
Everything as a Service, dasxaaS-Konzept, führt darüber hinaus
dazu, dass es»Komplexitätsbündler« gibt, die sich auf ein The-
makonzentrierenundhierbesondereKompetenzenaufbauen.Siebie-
tenentsprechendeServicesan,etwaEinkaufsplattformen,dieden
günstigstenunddenbestenLieferantenauswählenunddieBestellung
9
übernehmen,sodassproduzierendeUnternehmendiesselbstnichtmehr
übernehmenmüssen.DennochkanndasUnternehmenSkaleneffekte
nutzen.Insgesamtwirddastayloristische prinzip der Trennung
von ausführender Arbeit und Wissensarbeit,mit Industrie 4.0
aufgehoben.
DasWissenwirdmitIndustrie4.0direktandieLiniegebracht.Mitarbei-
terwerdenwiederumfassendentscheidungskompetent(ggf.mitHilfe
vonAssistenzsystemen)undkonzentrierensichaufhochwertigeAufga-
benwieEntscheiden und gestalten.Industrie4.0bringtsogesehen
dieKompetenzderIngenieureundIngenieurinnenzurückindiedirekte
WertschöpfungundwertetdenProduktionsarbeitsplatzauf.
BegriffsbestimmungIndustrie4.0
Kosten Effekte Potenziale
Bestandskosten n Reduzierung Sicherheitsbestände n Vermeidung Bullwhip- und Burbidge-Effekt -30 bis - 40 %
Fertigungskosten
n Verbesserung oEE n Prozessregelkreise n Verbesserung vertikaler und horizontaler Personalflexibilität n Einsatz von Smart Wearables
-10 bis -30 %
Logistikkosten n Erhöhung Automatisierungsgrad (milk run, picking, …) n Smart Wearables -10 bis - 30 %
Komplexitätskosten n Erweiterung Leistungsspannen n Reduktion trouble shooting n Prosumer Model
-60 bis -70 %
Qualitätskosten n Everything as a Service (XaaS) n Echtzeitnahe Qualitätsregelkreise -10 bis -20 %
Instandhaltungskosten n optimierung Lagerbestände Ersatzteile n Zustandsorientierte Wartung (Prozessdaten, Messdaten) n Dynamische Priorisierungen
-20 bis -30 %
Mechatronisches System
Cyber-physisches System (CpS)
Kommunikation (Passiv, Aktiv, Drahtlos, etc.)
Eingebettete Systeme (Sensoren, Aktoren, etc.)
Mechatronisches System
Visuelle Umgebung
Eingebettete Systeme
Mechatronisches System
Kommunikation
5g
Abb.2.3 WirtschaftlichePotenzialevonIndustrie4.0©FraunhoferIPAergänztdurchFraunhoferIPT
Einweiteres tayloristisches prinzip,nämlichBand und Takt,wird
ebenfallsinTeilenabgelöst,weilIndustrie4.0unterschiedliche Tak-
te und flexible Vernetzung erfordert,umeinehoheVariantenvielfalt
wirtschaftlichproduzierenzukönnen.
ZudemsindsignifikanteEinsparungenimQualitäts- sowie Instand-
haltungsbereichmöglich.MitHilfevonechtzeitnahen Qualitäts-
regelkreisen können beispielsweise Produktionsausschuss reduziert
oderAnfahrverlustevermiedenwerden.DurchdieUmsetzungvonpre-
dictive Maintenance kanndieVerfügbarkeit vonProduktionssyste-
mendeutlichgesteigertundKostenfürdieErsatzteilversorgungdeutlich
reduziertwerden.
10
Kosten Effekte Potenziale
Bestandskosten n Reduzierung Sicherheitsbestände n Vermeidung Bullwhip- und Burbidge-Effekt -30 bis - 40 %
Fertigungskosten
n Verbesserung oEE n Prozessregelkreise n Verbesserung vertikaler und horizontaler Personalflexibilität n Einsatz von Smart Wearables
-10 bis -30 %
Logistikkosten n Erhöhung Automatisierungsgrad (milk run, picking, …) n Smart Wearables -10 bis - 30 %
Komplexitätskosten n Erweiterung Leistungsspannen n Reduktion trouble shooting n Prosumer Model
-60 bis -70 %
Qualitätskosten n Everything as a Service (XaaS) n Echtzeitnahe Qualitätsregelkreise -10 bis -20 %
Instandhaltungskosten n optimierung Lagerbestände Ersatzteile n Zustandsorientierte Wartung (Prozessdaten, Messdaten) n Dynamische Priorisierungen
-20 bis -30 %
Mechatronisches System
Cyber-physisches System (CpS)
Kommunikation (Passiv, Aktiv, Drahtlos, etc.)
Eingebettete Systeme (Sensoren, Aktoren, etc.)
Mechatronisches System
Visuelle Umgebung
Eingebettete Systeme
Mechatronisches System
Kommunikation
5g
Handlungsfelder
3 Handlungsfelder
ImfolgendenKapitelwerdendiewichtigstenHandlungsfelderausSicht
derProduktionstechnikbeschriebenunddieForschungsbedarfe be-
nannt sowie zeitlich eingeordnet. Zudem sollenRahmenbedingun-
genaberauchgrenzenaufgezeigtwerden.
3.1 Cyber-physische Systeme (CpS)
3.1.1 Definition und Entwicklung
CPSsindalsWeiterentwicklungmechatronischer Systeme zuver-
stehen.MechatronischeSysteme sindeine FusionausElementender
Mechanik,ElektronikundInformatik.DiedreiDisziplinenwerdensomit
alsintegriertesFunktionsmodellbetrachtet,derenRestriktionenundAn-
forderungenschonbeiderEntwicklungzubeachtensind[6].CPSals
nächste Stufe der Technologieintegrationkönnenzusätzlichdie
physikalischenDaten,etwadieZustandsdateneinerWerkzeugmaschine
oderdieDimensioneneinesBauteils lokalodermitHilfevonspezifi-
schen Softwarediensten aufplattformen häufig unter Nutzung
des sog.Digitalen Schattens (vgl.Kap.3.3) verarbeiten und über
Netzwerke Informationen oder zusätzliche Funktionalitäten (Soft-
waredienste)anderenCPS,ComputernoderAnwendernoderauchdem
Benutzerbzw.demCPSzurVerfügungstellen.SomitsinddieFunktio-
nalitäteneinesCPSnichtmehrzwingendan dessen physisgebun-
den. JenachnotwendigerRechenleistung, geschwindigkeit der
KommunikationsnetzesowiederSicherheitsanforderungenkönnen
bestehende Funktionalitäten(z.B.dieBahnplanungvonRobotern)
oderneue Funktionalitäten (z.B. die dynamische undmarkerlose
NavigationvonfahrerlosenTransportsystemen(FTS)überPlattformen
angebotenwerden.DiesermöglichtdieNutzungvonSkaleneffekten
aberauchdieeinfachePflegeodersogarNeuentwicklungvonFunktio-
nenwährenddesBetriebsvonCPS(s.Abbildung3.1.1)[5,8].
CpSkönnenalsogenerellalsphysische Artefakteangesehenwer-
den, die von einemeingebetteten Computersystem kontrolliert,
überwacht, koordiniert und inNetzwerke integriert werden. Ihre
Interaktion zwischen der physischen und der digitalen Welt
ist von elementarer Bedeutung [6].
AlsCyber-physische Systeme (CpS) werdenaucheingebetteteSys-
temebezeichnet,dieumdieMöglichkeitderVernetzungerweitertwer-
den,umsoinVerbindung mit Internettechnologien denRahmen
Abb.3.1.1 ElementeeinesCyber-physischenSystems(CPS)
11
Handlungsfelder
füreineneue Architektur technischer Systemezuschaffen(siehe
auchAbb.2.1).CPSsindfürdieunterschiedlichstenAnwendungsberei-
che,wieetwaMobilität, Medizintechnik, produktionundEner-
gietechnik relevant. Sie stellen eine Fusion der realen mit der
virtuellen Weltdar[7,8,9,10].
Andere Definitionen lauten: Cyber-physische Systeme sind vernetzte
undkollaborativeComputersysteme,dieinteraktivindiephysischeWelt
und ihre Prozesse eingebunden sind. Sie nutzengleichzeitig internet-
basierteDatenverarbeitungs-undDatenbasis-Dienste.Diepotenzialstif-
tendeEigenschaftvonCPS istdemnachnichtdiereineDigitalisierung
derKomponenteunddieAusstattungmitSoftware,sondernvorallem
dieständige plattformbasierte Vernetzung integrierter Sen-
soren und Aktoren durchlokaleoderglobaleNetzwerkemitande-
renCPS(»System of Systems«) [11].
SokönnenneueFunktionalitätenrealisiertwerden,wieetwadieKom-
munikationeinesintelligentenWerkzeugsmitderMaschinensteuerung
unddemWerkstückträger, umWerkzeugverschleiß zustandsba-
siert festzustellen und vor demWerkzeugwechsel noch vorhandene
Verschleißreservenzunutzen.CPSsindabernichtnuruntereinander
verbunden,sondernkönnenüberentsprechendeNutzerschnittstel-
len, Eingaben, Anfragen oder Anweisungen von Menschen erhalten,
durchSensorenundAktorenDaten aus der Umwelterfassenoder
ggf. unstrukturierte Daten, z.B.ausdemInternet,nutzen[6].
NebenderreinenErfassung istaucheineWeiterverarbeitung der
Daten direkt imCPSmöglich.EineweiterewichtigeEigenschaft von
CPS istdieFähigkeit der Selbstbeschreibung,diegerade inder
KommunikationmitanderenCPSelementarist[8,12,13].
Zur Fähigkeit der Selbstbeschreibung ist vor allem dasWissen
über den eigenen Zustand(z.B.BearbeitungsfortschrittoderQua-
litätsdaten) oder auchdieKenntnis der eigenen Fähigkeiten zu
zählen.DesWeiterenkanndieSelbstbeschreibungauchInformatio-
nen über die Umwelt bzw.denSystemkontextenthalten.EinCPS
wieetwaeineWerkzeugmaschinehatdannKenntnisdarüber,obesein
bestimmtesProduktfertigenkann,undkommuniziertdiesentsprechend
andasintelligentvernetzteProdukt[14].
DieÜbertragungundIntegrationCyber-physischerSystemeindiePro-
duktionsweltführtzumEntstehenvonCyber-physischen produkti-
onssystemen (CPPS).Siebestehenausflexiblen, autonomenund
sich selbstkonfigurierenden Produktionsressourcen,dieunter-
einanderundmitProdukten(sogenanntensmart products,alsoPro-
dukten mit CPS-Architektur) kommunizieren und situationsspezifische
Entscheidungen treffen können.Dadurchwird eine durchgängigeBe-
trachtungimFertigungsprozessvomProduktüberdieProduktionsmittel
hinzumProduktionssystemmöglich.Auchwerdendiedafürbenötig-
ten Daten nicht mehr zwangsweise auf den verschiedenen
Ebenen der Automatisierungspyramide abgelegt oderweiter-
verarbeitet,sondernsinddortgespeichertbzw.werdendortgenutzt,wo
sieausSichteinerflexiblenundeffizientenProduktionbenötigtwerden
[6,15,16,17,18](vgl.Abb.3.1.3).
EbensoverhältessichmitEntscheidungenimProduktionsprozess,die
nicht zentral getroffenwerdenmüssen, sondern durch dieKommuni-
kationdereinzelnenElementedesCPPS dezentralgetroffenwerden
können.Daraus folgteineAuflösung der klassischen Automati-
sierungspyramide.Die Feldebene, die hoheEchtzeitanforderungen
stellt, bleibt zwar noch bestehen, doch die Funktionen der darüber
Abb.3.1.2 AuflösungderAutomatisierungspyramide[16]
System in SystemIntegration von autonomen und dezentralen eingebetteten Systemen (z. B. cPS)
Intelligent vernetzte KomponentenSysteme bestehen aus diversen Aktoren und intelligenten Sensoren
Aktoren und SensorenSysteme mit definiertem und beschränktem funktionsumfang
Auto ID (Passiv)Eindeutige Identifikation, Informationsverarbeitung über zentrale Systemsteuerung
Datenerfassung und -verarbeitung
Assistenzsysteme Dezentralisierung und Serviceorientierung
Selbstorganisation und Autonomie
Vernetzung und Integration
Stufe 1 Stufe 2 Stufe 4 Stufe 5Stufe 3
feldebene
Steuerungsebene
Prozessleitebene
Betriebsleitebene
Unternehmensleitebene
echtzeit- kritisch
cPS-basierte AutomationAutomatisierungspyramide
12
Handlungsfelder
liegenden Ebenenmüssen nichtmehr streng hierarchisch strukturiert
sein.Vielmehrentsteht einNetz aus verschiedenen Elementen,
dieFunktionalitätenbereitstellenundalsGesamtheitdasAutomatisie-
rungssystemdarstellen(s.Abbildung3.1.2[16]undAbbildung3.2.2).
Über plattformenalsTeilderCPSkönnenDienstleistungenundAn-
wendungenzurVerfügunggestelltsowieMenschenundSystemever-
netztwerden.AufbauendaufdendurchdieCPSzurVerfügunggestell-
ten Daten, können über Plattformen beispielsweiseDatenanalysen
als Dienste angebotenwerden,dieeineOptimierung entlang der
Wertschöpfungskette erlauben.NebensolchenAnwendungen(oder
auch Diensten), die als unkritisch im Hinblick auf ihre Echtzeitanfor-
derungeinzustufensind, istes inZukunftauchdenkbar,echtzeitkriti-
scheAnwendungen,wieetwadieMaschinensteuerung eines Be-
arbeitungszentrums als Dienst über eine plattform ablaufen
zulassen.DurchdieVerlagerungderRechenkapazitätenineinesolche
PlattformkanndiezurVerfügungstehendeRechenleistung zielge-
richtetundsituationsabhängigskaliertwerden[18,19,20].
3.1.2 potenziale
Deutschland istweltweit führender Fabrikausrüster [19] undbehaup-
tet sich als Produktionsstandort gegenüber Niedriglohnländern durch
Facharbeiter, Flexibilität, Qualität und Stabilität [21]. Dieser
Wettbewerbsvorsprung muss durch die Einführung neuartiger und
innovativer produktionsverfahren gesichertwerden [22].CppS
sindfürDeutschlandeineChance,dieindustrielle produktion in
Deutschland zu halten undweiterauszubauen,indemneueMarkt-
anforderungen hinsichtlich personalisierung und Nachhaltig-
keiterfülltwerden[23].
Neben den beschriebenen wirtschaftlichen Potenzialen ergeben sich
möglicheQualitätsverbesserungen durch CpS inderProduktion.
Intelligente WerkzeugmaschineninKombinationmiteinemintel-
ligenten produktkönnendasQualitätsergebniseinesProzesses
entscheidendverbessern.SokönnenproduktspezifischeParametrierun-
gendesnc-CodeszuBeginneinesBearbeitungsvorgangsdurchgeführt
werden,dadasProdukt inder Lage ist, seinenaktuellenZustandan
dieWerkzeugmaschine zu kommunizieren.Weiterhin ist es durch die
ständigeErfassungderUmweltbedingungenmittelsSensorenmöglich,
Anpassungen während des technologischen Prozesses vorzunehmen.
SolcheAnpassungenkönnenz.B.durch»Rattern«beiderFräsbearbei-
tungnotwendigwerden[14,24].
Auch Flexibilitätspotenziale können durch die Realisierung von
CPPSerschlossenwerden.Soisteinesituative produktionssteue-
rungdurchdiegenaue Kenntnis derproduktionsauslastungund
desFertigungszustandesdereinzelnenProduktemöglich[14,25].
DieswiederumermöglichtkürzereDurchlaufzeitenundeinepräzise
Termineinhaltung.
Kundeninnovierte produkte können Impulse fürneuartige ge-
schäftsmodellegeben.SoentstehenProdukteinnerhalbvonkurzle-
bigen, hochdynamischen Netzwerkenmitunterschiedlichsten
Stakeholdern.JedochfindetindieserZusammensetzungeineKoope-
rationeinzelnerStakeholdernur füreinekurzeZeitspanne statt [12].
Davon ausgehend können CPPS auch als Impulsgeber für neue
Technologien dienen.DurchdieBereitstellungderDatenundDienste
entstehenneueAnforderungenbspw.andieKryptografie,umeinerzen-
tralenAnforderungderIT-Securitygerechtzuwerden[19].
3.1.3 Stand der Technik und Forschungsbedarfe
Cyber-physischeSystemesindzentrale Befähigereinervernetzten
produktion.DurchdiedarausresultierendenCPPSkönnenProdukti-
onsnetzwerkeflexiblerundproduktivergestaltetwerden.Eingebettete
SystemeeröffnendieMöglichkeitderKommunikationüberSystemgren-
zenhinwegmitSubsystemenundanderenCPS.UmdieseFunktionalitä-
tenzugewährleisten,müssendieCPSmitdiversen Kommunikati-
onsschnittstellenausgestattetwerden[10,11].
Abbildung3.1.4zeigtvierEntwicklungsstufenaufdemWegzu intelli-
gentvernetztenSystemen.Angefangenmitpassiven Elementenwie
QR-CodesoderderVerwendungvonRFID,diederIdentifikationvon
Bauteilendienen,werdenalszweite StufederEntwicklungAktoren
und Sensorendefiniert,diezurSteuerungundMessungbenutzt
werdenkönnen.Aufderdritten Stufe stehenSysteme,dieaus in-
telligent vernetzten Komponentenbestehen.Diehöchste Stufe
stellenschließlichCPSdar,dieüberdie lokale intelligente Daten-
verarbeitunghinausauchdieFähigkeitbesitzen,mitanderenCPS
übergeordnete Systeme zu bilden, deren Eigenschaften über die
Summeder Eigenschaften der untergeordneten Systeme hinaus geht
(Systems of Systems).
Aktuelle Entwicklungen in Industrie und Forschung
ImFolgendenwerdendreibereitsumgesetzteCPSbeschrieben,davon
einSystemimMontagebereichundzweiSystemeimFertigungsbereich.
Anwendungsbeispiel 1: CpS-Fahrerloses Transportsystem
AmFraunhofer IpAwurdeinZusammenarbeitmitIndustriepartnern
ein CppS für die Intralogistik entwickelt. Die Transportsysteme
kommunizierenübereinecloudbasierte plattform(vfk/Kapitel3.2)
und pflegen dort auf Basis ihrer Sensorinformationen dendigitalen
SchattendesIntralogistikumfelds.Diesoentstandenedigitale Karte
13
cPS ftS
cPS Werkstück
cPS Werkstück
cPS Werkstück
cPS Werkstück
cPS Behälter
cPS Behälter
5g
3
cPS Drehmaschine
2
cPS Spannzeug cPS Werkzeug
cPS Behälter
cPS Werkstück
5gcPS Qualitätsprüfung
cPS Behälter
Cyber-physisches Produktionssystem (CppS)
Intelligentes cPS-Werkstück kennt eigene Historie und aktuellen Zustand
1
System im System: Kapselung von cPS zu cPS-Subsystemen
2
ftS kennt und kommuniziert mit cPS-Behältern und smarten Zwischen-produkten
3
cPS Werkstück
cPS Werkstück
1
Informations- infrastruktur
Datenanalyse
5g
Handlungsfelder
derFabrikwirdaufplattformebenegenutzt,umeinenNavigations-
dienstzurLokalisierungundSteuerungderTransportsysteme
zuetablieren.DerNavigationsdienstermöglichtsomit,vergleichbarmit
demSoftwaredienst»GoogleMaps«,diefahrerlosenTransportsysteme
(FTS) effizient durch dasFertigungsumfeld zunavigieren. Zu-
demkannderphysische Teil der FTS imSinneeinesClient sehr
leichtgewichtiggestaltetwerden,daallerechenintensiven Dienste
zentral in der Clouderfolgen.ZudemerlaubtdieArchitektur des
CppS Transportleistung als Dienstanzubieten,d.h.derAnbieter
vonFTSverkauftzukünftignichtmehrdasphysischeSystem,sondern
transportiertesVolumen.
Anwendungsbeispiel 2: CpS-Spannzeug
Innerhalb des Forschungsprojektes CyproS wurde ein CpS-
Spannzeugentwickelt.DiesesSpannzeugmitintegrierter Sensorik
regelt dieangelegte Spannkraft und verhindert dadurchSpann-
kraftverlusteimBetrieb.DieSensorikschaffteineprodukt-Maschi-
ne-Kommunikation. Durch den Einsatz von RFID-Technologie
und die Anbindung an ein zentralesMES-System über einenOpC-
UA-Server, erfolgt die vertikale und horizontale Integration
mehrerer CPS zu einem Cyber-physischen Produktionssystem. Dieses
SystembefindetsichinderLernfabrik für vernetzte produktion
amFraunhofer-Institut für gießerei-, Composite- und Verar-
beitungstechnikinAugsburg[14].
Anwendungsbeispiel 3: CpS-Werkzeug
Innerhalbdesprojektes BazModwurdedieEntwicklungvonCpS-
Werkzeugen erforscht. Durch den Einsatz vonElektronik in den
Werkzeugen kannderZustand des WerkzeugesüberSensoren
gemessenwerden.DieseDatenkönnengenutztwerden,umeinewerk-
zeugangepasste Maschinenparametrierung, z.B. der Drehzahl
oder des Vorschubs, durchzuführen. Weiterhin können Erkenntnisse
überdieWerkzeugbelastungunddenZustand des Werkzeuges
gewonnenwerden.DieseErkenntnissekönneninvalide prognosen
überführtwerdenundbietenArbeitsplanerneineEntscheidungsun-
terstützung.DiesesWissenstellteineVoraussetzungderteilauto-
nomen Werkzeugplanungdar.DadurchkannMaterialbruchfrühzei-
tigerkanntundvermiedenwerden.EinenSchrittweitergehenCpS mit
Abb.3.1.3 Cyber-physischesProduktionssystem(CPPS)
14
System in SystemIntegration von autonomen und dezentralen eingebetteten Systemen (z. B. cPS)
Intelligent vernetzte KomponentenSysteme bestehen aus diversen Aktoren und intelligenten Sensoren
Aktoren und SensorenSysteme mit definiertem und beschränktem funktionsumfang
Auto ID (Passiv)Eindeutige Identifikation, Informationsverarbeitung über zentrale Systemsteuerung
Datenerfassung und -verarbeitung
Assistenzsysteme Dezentralisierung und Serviceorientierung
Selbstorganisation und Autonomie
Vernetzung und Integration
Stufe 1 Stufe 2 Stufe 4 Stufe 5Stufe 3
feldebene
Steuerungsebene
Prozessleitebene
Betriebsleitebene
Unternehmensleitebene
echtzeit- kritisch
cPS-basierte AutomationAutomatisierungspyramide
Handlungsfelder
autonomen Aktoren. Diese imWerkzeug integrierten Aktoren
könnengenutztwerden,umVibrationenundVerschleißzukom-
pensieren. Dieswiederum führt zu einer längeren Lebensdauer
vonWerkzeugenundMaschinen.DieKommunikation zwischenWerk-
zeugundMaschinensteuerungwurdedurchim Werkzeug integrier-
te Micro-Controller abgebildet.AlsKommunikationsschnittstel-
len diente nebenSerial peripheral Interface (SpI), Controller
Area Network (CAN) undUniversal Serial Bus (USB) auch die
drahtlose Kommunikation über Bluetooth [14].
Damitlassensichfrühzeitig RückschlüsseaufdenMaschinenzu-
standundmöglicheAbweichungen im produktionsplanziehen.
DiesoindieProduktionsplanungund-steuerungüberführtenErkennt-
nisse führen zugeringeren Stillständen undStörungen imFer-
tigungsbetrieb. Intelligente Werkzeuge eröffnen durch Sensoren,
Aktoren und Kommunikationsschnittstellen valide Zustandsinformatio-
nenwährenddesBetriebs.EskönnenneueGeschäftsmodelleunddurch
Vernetzung von CpS unterschiedlicher Hersteller über eine
plattformvölligneueBusiness Ecosystemsentstehen[13,14,24].
Forschungsbedarfe
DieriesigeMengeanautomatischgeneriertenDaten,diedurchdiehohe
Anzahl an Sensoren und Aktoren erzeugt werden, müssen in Echt-
zeit verarbeitetwerden.Dieswiederumbedarfeinerhohen Rechen-
leistungundfortschrittlicher Daten-Analyse-Techniken(siehe
Kap.3.4).Umdie durchgängige EchtzeitfähigkeitderCPPSsicher-
zustellen,sindmöglichsteinheitliche Kommunikationsprotokolle
wieeininternationaler Industrial-Ethernet-Standard,basierend
aufTCp/ Ip notwendig.Umdas Potenzial unternehmensübergreifen-
derCPPSauszuschöpfen,sinddarüberhinaus international gültige
protokolleundKommunikationsstandardsnötig.Fernermüssen
automatisierte Entscheidungenüberdie Informationsweitergabe
entwickelt werden, um die hohe Informationstransparenz auch
demProduktionsnetzwerkzurVerfügungzustellenundsodiePotenziale
imBereichderProduktionsplanungund-steuerungauszuschöpfen[14].
Sicherheit (Security und Safety)
Risiken und Sicherheitsaspekte müssen bei der Einführung von
hochvernetztenundautomatischkommunizierendenSystemenberück-
sichtigtwerden.Diesestellenkritische ErfolgsfaktorenfürdieRea-
lisierungvonCPPSdar.InsbesonderedieDaten-, Informations-und
Kommunikationssicherheit bedarf besonderer Betrachtung. Maß-
nahmenwie das Einrichten vonFirewalls, redundanten Ausfall-
systemen und dynamischer Selbstüberwachungmüssen imHinblick
aufCPPSweiterentwickeltwerden[27].
DieVernetzung der produktionssysteme machtUnternehmenvon
außenangreifbar.UmdiesenRisikenunddenBefürchtungenderUnter-
nehmenzubegegnen,bedarfeseinersicheren Infrastruktur [16].
ErsteAnsätzefüreineunternehmensübergreifendePlattformbietetder
Industrial Data Space der Fraunhofer-gesellschaft[28].
Randbedingungen und grenzen
Um den Erfolg von Cyber-physischen Produktionssystemen sicherzu-
stellen, ist eine intensive interdisziplinäre Zusammenarbeit in
denBereichenderInformatik, Automatisierungs-undprodukti-
onstechniksowiederRatvonSicherheits-undRechtsexperten
essentiell.DabeidürfenCPPSnichtnuralstechnischeSystemebetrach-
Abb. 3.1.4 EntwicklungsstufenaufdemWegzuintelligentvernetztenSystemen(inAnlehnungan[26])
System in SystemIntegration von autonomen und dezentralen eingebetteten Systemen (z. B. cPS)
Intelligent vernetzte KomponentenSysteme bestehen aus diversen Aktoren und intelligenten Sensoren
Aktoren und SensorenSysteme mit definiertem und beschränktem funktionsumfang
Auto ID (Passiv)Eindeutige Identifikation, Informationsverarbeitung über zentrale Systemsteuerung
Datenerfassung und -verarbeitung
Assistenzsysteme Dezentralisierung und Serviceorientierung
Selbstorganisation und Autonomie
Vernetzung und Integration
Stufe 1 Stufe 2 Stufe 4 Stufe 5Stufe 3
feldebene
Steuerungsebene
Prozessleitebene
Betriebsleitebene
Unternehmensleitebene
echtzeit- kritisch
cPS-basierte AutomationAutomatisierungspyramide
15
System in SystemIntegration von autonomen und dezentralen eingebetteten Systemen (z. B. cPS)
Intelligent vernetzte KomponentenSysteme bestehen aus diversen Aktoren und intelligenten Sensoren
Aktoren und SensorenSysteme mit definiertem und beschränktem funktionsumfang
Auto ID (Passiv)Eindeutige Identifikation, Informationsverarbeitung über zentrale Systemsteuerung
Datenerfassung und -verarbeitung
Assistenzsysteme Dezentralisierung und Serviceorientierung
Selbstorganisation und Autonomie
Vernetzung und Integration
Stufe 1 Stufe 2 Stufe 4 Stufe 5Stufe 3
feldebene
Steuerungsebene
Prozessleitebene
Betriebsleitebene
Unternehmensleitebene
echtzeit- kritisch
cPS-basierte AutomationAutomatisierungspyramide
Handlungsfelder
tetwerden.VielmehrmüssenIndustrieunternehmenundProduktions-
standortealssozio-technisches Systemabgebildetundinsgesamt
weiterentwickeltwerden[29,30].
3.1.4 Migrationspfade für den Anwender
WährendderRealisierungvonCyber-physischenProduktionssystemen
ergebenbeiNeuplanungen(Greenfield)undUmplanungen(Brownfield)
sichunterschiedlicheHerausforderungen.BeiNeuplanungenkannvon
Beginn an eine dezentrale Kommunikationsstruktur entwickelt
werdenundeineentsprechendeAuswahlderAnlagen-undSteuerungs-
technik erfolgen. Sollen bestehende zentral gesteuerte produk-
tionssysteme in CPPS überführt werden, muss dieAutomatisie-
rungspyramidedagegenschrittweise aufgelöstwerden.Gerade
bei der Vernetzung von bestehenden IT-Systemenmit SPS-Lösungen
müssengeeignete Schnittstellengefundenwerden.DieVorteile
einer dezentralen Kommunikationsstruktur werden aber erst
sichtbar,wenneinegewisseAnzahlCPSmiteinanderkommuniziertund
sichselbstregelnde prozesseeinstellenkönnen[23,16].
FürdieWeiterentwicklungeinerbestehendenProduktionzueinemCPPS
musseinegeeigneteRoadmap zur Umsetzungentwickeltwerden.
AlsEinstiegdafürexistiertvonForschungsinstituten,Unternehmensver-
bändenundBeratungsunternehmeneingroßesAngebotanLeitfäden,
wie z.B.derVDMA-Leitfaden Industrie 4.0. Orientierungshilfe
zur Einführung in den MittelstandvonAnderl,Fleischer(vgl.An-
hang)odersogenannteIndustrie4.0-Quick-Checks.Dorterfolgtinkur-
zerZeiteineersteBewertungdesaktuellen Reifegradseinespro-
duktionssystems hinsichtlich Industrie4.0. Für die Bewertung des
Produktionssystems kann einStufenmodell in Anlehnung an Abbil-
dung3.1.5angewendetwerden.FindetineinemBereichdesProdukti-
onssystemslediglicheineDatenerfassungstatt,wirddieserBereich
miteinerniedrigeren Stufebewertet.
Einvernetztes System wird dagegen bereitsmit einermittleren
Stufebewertet.WirddieseVernetzungimSinneeinesCPPSfürselbst-
regelnde prozesse verwendet, dieautonom agieren, so erfolgt
eineBewertung aufmit derhöchsten Stufe.Wird dieseAbstufung
aufunterschiedlicheBereicheeinesProduktionssystemsangewandt,ist
eine differenzierte Bewertungmöglich. Abhängig von Einstufung und
unternehmensspezifischenRahmenbedingungen,kanneineindividuelle
Roadmap entwickelt werden, die das Unternehmen in angemessener
ForminRichtungeinervernetzten produktionführt.
Hierbeimussbeachtetwerden,dassnichtalletechnisch realisier-
baren Maßnahmen als universelle Empfehlung für alle Un-
ternehmen abgegeben werden können. Abhängig von verfügba-
ren Ressourcen, vorhandener QualifikationundErwartungen
an eine vernetzte produktion,müssenMaßnahmen individuell
identifiziertwerden[22,23,32].
BeiderEinführungvonCPPSsindnebeneinertechnologischenRoad-
mapauchpsychologisch-organisatorische Aspektezubeachten.
Durch den Einsatz neuer Technologien ändert sich auch dasAufga-
benspektrum der Mitarbeiter.Dezentralorganisierte,selbstregeln-
deProzesseeinesCPPSkönnendazu führen,dass sichderUmfang
manueller Arbeitsaufgaben verringert bzw.Aufgabeninhalte
neu zu definierensind.SollenProduktionsanlagenmitWerkstücken
und Behältern kommunizieren, muss eine engere Zusammenar-
Abb.3.1.5 StufenaufdemWegzuIndustrie4.0(inAnlehnungan[26])
System in SystemIntegration von autonomen und dezentralen eingebetteten Systemen (z. B. cPS)
Intelligent vernetzte KomponentenSysteme bestehen aus diversen Aktoren und intelligenten Sensoren
Aktoren und SensorenSysteme mit definiertem und beschränktem funktionsumfang
Auto ID (Passiv)Eindeutige Identifikation, Informationsverarbeitung über zentrale Systemsteuerung
Datenerfassung und -verarbeitung
Assistenzsysteme Dezentralisierung und Serviceorientierung
Selbstorganisation und Autonomie
Vernetzung und Integration
Stufe 1 Stufe 2 Stufe 4 Stufe 5Stufe 3
feldebene
Steuerungsebene
Prozessleitebene
Betriebsleitebene
Unternehmensleitebene
echtzeit- kritisch
cPS-basierte AutomationAutomatisierungspyramide
16
Handlungsfelder
beit zwischen produktion und Logistikerfolgen.UmMitarbeiter
für veränderte Aufgaben zu gewinnen, sollte bei der Einführung von
CPPSauchaufMethodendesChange Managements zurückgegriffen
werden.DieMigrationzueinemCPPSsolltevonMitarbeiternnichtals
Bedrohungempfundenwerden,sondernalsChancezurErweiterung
der eigenen Qualifikationenerkanntwerden[22].
Anhandder technologischenRoadmapsollteauchderBedarfder zu-
künftigenimUnternehmenbenötigtenQualifikationenbestimmtwerden.
BesondersderBedarf an IT-FachkräftenwirddurchdieEinführung
vonCPPSzunehmen.DamiteinAbgleichmitdenmomentanvorhanden
Qualifikationen im Unternehmen stattfinden kann, ist Transparenz
über bestehende Qualifikationen erforderlich. Die Analyse des
Qualifikationsbedarfssollverhindern,dassnachderEinführungvonCPS
inderProduktioneineAbhängigkeit von externen Dienstleistern
besteht und Unternehmen mit dem technologischen Fortschritt
überfordert sind.Ummangelnde Qualifikationen imUnterneh-
menzuverhindernoderzubeseitigen,mussdiepersonalentwick-
lungmitindieMigrationsstrategieeingebundenwerden.Einerseits
müssenfürbestehendeMitarbeitergeeigneteQualifikationsmaßnahmen
entwickeltwerden.AndererseitsmüssenauchdieAnforderungenan
zukünftige MitarbeiterunddasAngebot an Ausbildungsberu-
fenüberprüftwerden[22,33].
3.1.5 Bezüge/ Schnittstellen zu den anderen
Handlungsfeldern
Cloud-plattformen sind zentrale Elemente Cyber-physischer
produktionsarchitekturen(s.Kap.3.2).EinZugriffaufBetriebs-
und Maschinendatenkannunternehmensinterngenutztwerden,um
neue Arbeitszeitmodelle einzuführen. Die Notwendigkeit für eine
physische Anwesenheit der Mitarbeiter sinkt.Cloud-Lösungen
ermöglichenauchneueSoftwareservices(auchsog.Mikroservices),
indemeinedigitaleAnbindungandieProduktionermöglichtwird.Bei-
spielsweisekönnendemKundenmöglicheProduktionskostenundLie-
ferterminedirektimOnline-Bestellvorganggenanntwerden.NebenDa-
tenspeicherungund-zugriffkönnenCloud-Lösungenauchdazudienen,
einentemporärenBedarfanhoherRechenkapazitätoderananspruchs-
volleAuswertungenvongroßenDatenmengenzudecken[19].
DurchdieVernetzunginCPPSistesmöglich,aufdieenormenDaten-
mengen, die beispielsweise durch Sensorsysteme erzeugt werden, in
Echtzeit zuzugreifen. Zustandsbeschreibende Daten des Produktions-
systems,aufdieinEchtzeitzugegriffenwerdenkann,werdenauchals
Digitaler Schatten(s.Kap3.3)bezeichnet.ZurAnalysebietensich
Big-Data-Methodenan,mitdenendieDatenausderProduktionmit
weiteren,auchunstrukturiertenDatenverknüpftundinterpretiertwer-
denkönnen.Anwendungsbereicheliegenbeispielsweiseindervoraus-
schauendenInstandhaltung[34].
Trotz der fortschreitenden Möglichkeiten zur Automatisierung durch
CPPSsindvollautomatischeLösungennicht in jedem Fall erstre-
benswert.UmhoheAnforderungenwiezumBeispielbeipersonali-
sierten produktenerfüllenzukönnen,istdiemenschlicheFlexibilität
nachwievorunverzichtbar.UmdenMenschenbeiseinenAufgabenzu
unterstützen,könnenjedochheutezahlreicheAssistenzsystemeeinge-
setztwerden.
physische Assistenzsysteme, wie dieMensch-Roboter-Kolla-
boration,könnengenutztwerden,umdieMenschenvonhohenkör-
perlichen Belastungen zu befreien. Kognitive Assistenzsysteme
dienendermentalen Entlastung,könnendenMenschenvonRouti-
neaufgabenbefreienundihmhelfen,Fehlerzuvermeiden[21].
3.2 Cloud- und dienstebasierte produktionsplattformen
3.2.1 Definition und Entwicklung
DasPrinzipdesCloud-Computing gehtzurückaufersteAnsätzeder
Verteilung von Rechenleistung und -prozessen sowie auf das
verteilte Speichern von DateninvernetztenComputersystemenin
den1990erJahren.DieVernetzungvonComputersystemeninderCloud
ermöglichteineflexible BereitstellungvonIT-Ressourcen.Hierzu
wurdenvomNationalInstituteofStandardsandTechnology(NIST)[35]
sogenannteServicemodelledefiniert,mitdenendieLeistungvonRech-
nersystemendynamischbereitgestelltundgenutztwerdenkann.Dabei
wirdunterschiedenzwischenderreinenBereitstellungderComputer-
hardwarealssogenannteInfrastructure as a Service(IaaS),der
Bereitstellung von Rechnerplattformen, auf denen Nutzer eigene
Softwareprogrammierenundausführenkönnen(platform as a Ser-
vice–paaS)sowiederdiensteorientiertenBereitstellungvonAnwen-
dungsprogrammen,diebeiBedarfgenutztwerdenkönnen(Software
as a Service – SaaS).
InsbesonderedieNutzungvonCloud-TechnologienzurverteiltenSpei-
cherungvonDatenhatdurchdieVerbreitungsozialerNetzwerkestark
an Bedeutung gewonnen. Das hier zugrunde liegende Modell einer
public Cloud ist jedoch zur Speicherung und Verarbeitung geheim-
haltungsbedürftigerDaten,wie sie improduktionstechnischenUmfeld
häufigentstehen,nurbedingtgeeignet.Cloud-Systemekönnenjedoch
auchsointegriertwerden,dassdieIT-Infrastrukturenundo.g.Dienste
lediglichinnerhalbeinerOrganisation/einesUnternehmensnutzbarund
nachaußenhinabgeschottetsind(private Cloud).
17
Handlungsfelder
Eine Mischform bildet die sogenannte Community Cloud, bei der
IT-Infrastrukturen und Dienste einer Private Cloud einem begrenz-
ten örtlich verteilten Nutzerkreis verfügbargemachtwerden.Die
Community Cloudscheintam ehesten geeignet,dieBedarfeeiner
zunehmendvernetztenunddigitalisiertenProduktionmitgleichzeitigho-
henAnforderungenanIntegrität, AuthentizitätundDatenschutz
zuerfüllen.
3.2.2 potenziale
Anwendungspotenziale cloudbasierter Produktionsplattformen liegen
insbesonderedort,woeinehohe Vernetzung von DatenundRech-
nersystemen gefordert ist oder bereits vorliegt und Systeme sowie
Nutzerhohen Mobilitätsanforderungengenügenmüssen.Imfol-
gendenAbschnittwerdeneinigeBeispieleangeführt.
Kollaborative Entwicklungsprozesse
• Nutzunggemeinsamer Entwicklungsplattformen(paaS)
undsichererörtlichverteilterBereitstellungvonDatenfüreinen
begrenztenNutzerkreis(CommunityCloud)
• VereinfachungderSystempflege und Wartung
• SchöpfungvonEinspar-undEffizienzpotenzialendurchpay-per-
use-LizenzenanStellestatischerArbeitsplatz-o.Gruppenlizenzen
• SicherungderKonsistenzverteiltgenutzterDatenundEntwick-
lungsumgebungen
• ErhöhungdesVernetzungsgradesunddamitpotenziellErhö-
hungder Effizienz der Entwicklungsprozesse
• VereinfachteAnalysevonDaten aus prototypenbau, produk-
tionsanlaufundBetriebsdatenzurschnellerenReaktionauf
FehlerundReklamationenundzumprojektübergreifenden
Wissensmanagement
Steuerungsprozesse
• FlexibleBereitstellung von RechenleistungzurSteuerung
von Maschinen und Anlagenüberserverbasierte
RechnerstrukturenundMehrkern-Rechnerarchitekturen.
Z.B.komplexe geometrieberechnungen/ 5-Achsen-
Interpolation oderSensordatenverarbeitung/In-Prozess-und
Qualitätskontrolle
• VereinfachteVerkettung von Maschinen und Anlagen durch
KommunikationübergemeinsameCloud-SpeicherbereicheanStelle
heterogenerKommunikationsstrukturen
• Retrofitting von AltanlagenmitneuerSteuerungstechnologie
• ZunehmendeAuflösung der Hardwareabhängigkeitvon
SteuerungsfunktionendurchVirtualisierung.Einbindungvon
Altanlagen(Legacy-Systemen),derenBetriebssystemebzgl.
IT-Sicherheitsfunktionennichtmehrunterstütztwerden
• Vereinfachte Betriebsdatenerfassung über
standardisierteSchnittstellen
• BereitstellungvonAutomatisierungsfunktionen
»as a Service«
Fertigungstechnologie
• SichereVerwaltung von Technologieparametern
• EffizienteReplikationidentischerFertigungsprozesse
Inbetriebnahme, Betrieb, Instandhaltung und Wartung
• Erfassungvon Leistungsparametern von Maschinen und
AnlagenineinerPrivateCloudoderCommunityCloud
• Korrelation der DatenvonTeilsystemenvonMaschinenund
Anlagen;dadurchentstehtPotenzialzurIdentifikation von
Beziehungen (Korrelationen)undAbhängigkeiten(Kausa-
litäten)zwischenTeilprozessen,beispielsweisezurOptimierung
des EnergieeinsatzesoderderWartungszyklen
• EffizienteUnterstützungvonWartungs- und Inbetriebnahme-
arbeitendurchApp-basierte VideotelefoniemitFachpersonal
perSmartphoneoderSmartGlasses
• Effizientestandortübergreifende Bereitstellung von Wissen
zurDatenanalyseundMustererkennung von qualitätsrele-
vanten prozessdaten
• Effizientere DatenakquisitionmittesApp-basierter CAQ-
WerkzeugeperSmartphone,TabletoderSmartWearables
Neue geschäftsmodelle
• EngereKundenbindungdurcheigene Dienste-plattformen,
EinbindungeigenerProdukteaufPlattformenandererAnbieter
(Beispiele:vfk,Axoom,Mind-SphereoderauchBoschIoT)
Wertschöpfungspotenziale cloudbasierter Produktionsplattformen
könnensowohldirektdurchdieNutzungvonCloudtechnologieninder
Produktionerschlossenwerdenalsauch indirektdurchdieLeistungen
zurIntegrationundzumBetriebdercloudbasiertenProduktionsplattfor-
men.Abbildung3.2.1gibthierzueineÜbersicht.
Direkte Wertschöpfungspotenziale für den Betreiber cloudba-
sierterProduktionsplattformenergebensichjedochinsbesonderedurch
Mehrwertdienste,diehieraufaufsetzen:
• Auftragsverwaltung/AnpassungvonProduktionsplänen
• ProgrammierungvonMaschinenundAnlagen
• IntelligenteDatenanalyseundZustandsvorhersage
• MobileBereitstellungvonDaten
• VisualisierungvonKomponenten,SystemenundDaten
• Reporting
18
Handlungsfelder
3.2.3 Stand der Technik
SpezialisierteCloud-Plattformen,diemitihrenStrukturenundDiensten
speziellProzesseundAbläufeinderProduktionunterstützen,sindnoch
inderEntwicklung.Etablierte Unternehmen aus der ITundAu-
tomatisierungstechnik, aber auchStart-up-Unternehmen ent-
wickelnodererweiternPlattformenundDienstefürdieOptimierung
von produktionsabläufen [36,37]. Die Schwerpunkte dieser Ent-
wicklungen liegenzumeist imBereichvonProzessendesEnterprise
Resource planning (ERp) wie Auftragsverwaltung, Ressour-
cenmanagement, Steuerung der Logistik oder demBerichts-
wesen. Zunehmend werden auch Potenziale der cloudbasierten
Datengewinnung fürdieübergreifendeDatenanalyseundVisu-
alisierungerschlossenundentsprechendeLösungenangeboten[38].
Der limitierende Faktor für die Anwendung in der Fertigung liegt
heutejedochindenSchnittstellenzwischenProduktionsanlagenund
Cloud-Infrastrukturen. Verschiedene Entwicklungsaktivitäten befas-
sen sichderzeitmit dieserHerausforderung [39,40,41,42].Ein sich
durchsetzendes Protokoll für die Kommunikation zwischenMaschinen
untereinander und mit betrieblichen IT-Systemen ist OpC-UA. Die
plattform- und herstellerübergreifende Implementierung des OPC-UA
StandardsmitderMöglichkeitzursemantischen Beschreibung von
InformationenbietetauchdieEinbindungvonDatenausderCloud.Es
stehenServer-Client- und publisher-Subscriber-Architekturen
in textbasierter undbinärer Kodierung zur Verfügung. Die Ab-
sicherung des Datentransports durch öffentliche Netze erfolgt durch
inOPC-UA integrierteaktuelleMethodenderVerschlüsselung, Au-
thentifizierung,AutorisierungundIntegritätsprüfung [43].
IML-Cloud
LogisticsMall,eineEntwicklungdesFraunhofer IMLundFraunhofer
ISST imRahmen des Fraunhofer Innovationsclusters»Cloud Com-
puting für Logistik«,isteinzentralerHandelsplatzfüreinzelneLo-
gistik-IT-Dienstebishinzukomplexen Logistikanwendungen
und kompletten Logistikprozessen, die als Produkte angeboten
werden.UnternehmenkönnenihrebenötigtenLogistikdienstleistungen
bedarfsbezogen zusammenstellenund inder LogisticsMall betreiben.
Softwarehersteller bieten innerhalb der Mall nicht komplette Module,
sonderneinzelne,nurwenige Funktionen umfassendeBausteinean.
AnwenderkönnengezieltdieFunktionen mieten,diezurUnterstüt-
zung ihrer Prozesse notwendig sind.Der Erwerb einer Softwarelizenz
istnichtmehrnotwendig,sonderneswirdeinDienste-Abonnement
abgerechnet[44].
VoraussetzungfürdieIntegrationsfähigkeitderinderLogisticsMallzu-
sammengestelltenIT-ServicesfürdenspäterenBetriebisteingemein-
samer Standard,derdiezwischendenIT-Servicesauszutauschenden
Informationensyntaktischundsemantischdefiniert[45].
3.2.4 Forschungsaktivitäten und -bedarfe
DiePotenzialecloud-undserviceorientierterIT-Strukturengehenüber
den derzeitigen Stand der Technik weit hinaus. DieAuflösung der
Automatisierungspyramide(vgl.Abb.3.2.2)führtvoneinerhierar-
chischenInformations-undKommunikationsstrukturhinzueinerhoch-
vernetztenStruktur,mitderdieklassischeTrennungvonderFeldebene
überZellen-undLeitebenebishinzurEbenederFabrik-undUnterneh-
menssteuerungweitgehendüberwundenwird.
Direkte Wertschöpfungsanteile n Produktentwicklung
digitale Absicherung (cAx, Digital factory)
n Produktionsplanung (ERP) n Materialfluss/Logistik n fertigungssteuerung (MES/ScADA) n Datenerfassung (MDE/BDE) n Maschinensteuerung/Regelung
(cnc, Rc, SPS) n Qualitätskontrolle/Datenanalyse n facility Management
IT-Produkte: Tools und Applikationen n Mobile computing n Smart Devices n HMI und App
n cloud Lösungen n Social Media n Big Data
IT-Dienstleistungen n consulting n Entwicklung n Engineering n Installation n Betrieb/Hosting n Anpassung
Indirekte Wertschöpfungsanteile n It-Administration n It-Hosting n Bereitstellung It-Infrastruktur
(computing, Kommunikation) n Software-„orchestrierung“ n It-Sicherheit
Maschine
Zellenebene
Leitebene
fabriksteuerung
Unternehmensplanung
CnC
SpS
SCada
mES
ErP
SCada ErP
vnC mES
vrC SpS vrC
ERP Enterprise Resource Planning, MES Manufacturing Execution System, ScADA Supervisory control and Data Acquisition, SPS Speicherprogrammier-bare Steuerung, cnc computerized numerical control, Vnc Virtual numerical control, VRc Virtual Robot controller
BV Bildverarbeitung, PR Pattern Recognition, AR Augumented Reality, SIM Simulation, VIS Visualisierung, aaS … as a Service, IPo Interpolator, KIn Kinematikmodell, Rc Robot control
Kamerabild
Video-Strom
objekterkennung
Bewegungstracking
Mustererkennung
Simulation
Visualisierung
complex Sensor
Processing
araaS n Zelle beobachten n Markererkennung n Bahnplanung n 3D-Simulation n Bewegung ausführen
rCaaS n Zielpunkte festlegen n Bahn planen n Bewegung ausführen
Picasso-Server
VM 1
bvpr
VM 2
SimviS
VM 3
ipokin
Visualisierung QEMU-KVM
cPU 1 cPU 2 cPU 3
tubit Ec2(Amazon)
Azure (Microsoft)
Rc2
AR 1
AR 2
AR 4
Motion control
Benutzerprogramm
Bewegungsanweisung
Interpolator
Koordinatentransformation
fehlerinterpolator
Lageregelung
Geschwindigkeitsregelung
Stromregelung
Rc1
Rc2
AR 3
Rc3AR5
AR 2 AR 4 AR 3
Rc2
Abb.3.2.1 DirekteundindirekteWertschöpfungsanteileinderNutzungcloudbasierterProduktionsplattformen
19
Handlungsfelder
MitderVernetzungderSystemeergebensichneuePotenziale,dieFunk-
tionenderAutomatisierung,insbesonderederSteuerungundRegelung,
aberauchderDatenerfassungundkomplexenDatenanalyse,effizienter
verfügbar zu machen. Der Effizienzgewinn resultiert insbesondere
aus der Fähigkeit cloudbasierter Produktionssysteme, benötigte In-
formationen, Methoden undAlgorithmen konsistent auf dem
jeweils neuesten Stand allen Teilsystemen verfügbar zumachen. Ein
weiteresPotenzialresultiertausderMöglichkeit,Speicher- und Re-
chenleistungflexibelandenBedarfderproduktionstechnischenTeil-
systeme anzupassen.Diese»Elastizität« der Cloudwird als in der
ursprünglichenCloud-DefinitiondesNIST[46]als»Rapid Elasticity«
bezeichnet.
ImRahmenverschiedenerlaufenderForschungsprojektewerdendiese
Potenziale für die produktionstechnische Anwendung erschlossen, die
hierkurzgeschildertwerden.
Cloudbasierte Steuerungsplattformen
DasZieldesvomBundesministeriumfürBildungundForschunggeför-
derten ForschungsprojektspICASSO – Industrielle Cloudbasier-
te Steuerungsplattform für eine produktion mit Cyber-phy-
sischen Systemen [47] ist die Erschließung von Effizienzgewinnen
durch eineflexible Bereitstellung von Steuerungstechnik für
Cyber-physische Systeme inderindustriellenProduktion.Dievor-
handene,monolithischeSteuerungstechnikwirdaufgebrochen,modula-
risiertunddurchMechanismendesCloud-Computing,wiezentralerDa-
tenverarbeitungundserviceorientierten Softwarearchitekturen,
erweitert(vgl.Abb.3.2.3).
DieZielediesesProjektessteheninengemZusammenhangmitHeraus-
forderungen,dieallgemeinfürdieErschließungderPotenzialecloudba-
sierterProduktionssystemezulösensind.
Echtzeitfähigkeit von Cloud-plattformen in der produktion
DieIntegrationundVernetzungvonProduktionssystemeninderCloud
stößtaktuellinsbesonderedortanihreGrenzen,woharte Echtzeitan-
forderungen existieren.DiesezeigensichspeziellbeidigitalenRegel-
kreisen,beispielsweisederRegelung von Lage und geschwindig-
keit mitRegeltaktenvonunter einer Millisekundebeigleichzeitig
gefordertergeringer LatenzundZeitschwankung(Jitter).
Die derzeitigen Betriebssystem- und Kommunikationsstrukturen von
Cloud-PlattformensindbishernichtaufderartigeAnforderungenausge-
richtet.Daherwirdimo.g.ProjektpICASSOauchdieEchtzeitfähigkeit
vonCloud-Plattformen imHinblickaufSteuerungssystemeuntersucht.
ImpulsesinddarüberhinausmitderEinführungdernächstenMobil-
funkgeneration(5G)zuerwarten.
Schnittstellen zwischen Cloud und produktionssystem
Neuere Produktionsanlagen verfügen zumeist mit ihren Steuerungen
überSchnittstellen,dieeineeinfache VernetzungmitanderenRech-
nersystemen über Ethernet-basierte Kommunikationsstruktu-
renerlauben.BeiälterenMaschinenundAnlagenstelltsichdiesjedoch
häufigandersdar.DasZieldesebenfallsdurchdasBMBFgeförderten
ForschungsprojektsRetroNet – Retrofitting von Maschinen und
Anlagen für die Vernetzung mit Industrie 4.0 Technologie
[48] ist daher die Entwicklung von Komponenten undMethoden, die
Direkte Wertschöpfungsanteile n Produktentwicklung
digitale Absicherung (cAx, Digital factory)
n Produktionsplanung (ERP) n Materialfluss/Logistik n fertigungssteuerung (MES/ScADA) n Datenerfassung (MDE/BDE) n Maschinensteuerung/Regelung
(cnc, Rc, SPS) n Qualitätskontrolle/Datenanalyse n facility Management
IT-Produkte: Tools und Applikationen n Mobile computing n Smart Devices n HMI und App
n cloud Lösungen n Social Media n Big Data
IT-Dienstleistungen n consulting n Entwicklung n Engineering n Installation n Betrieb/Hosting n Anpassung
Indirekte Wertschöpfungsanteile n It-Administration n It-Hosting n Bereitstellung It-Infrastruktur
(computing, Kommunikation) n Software-„orchestrierung“ n It-Sicherheit
Maschine
Zellenebene
Leitebene
fabriksteuerung
Unternehmensplanung
CnC
SpS
SCada
mES
ErP
SCada ErP
vnC mES
vrC SpS vrC
ERP Enterprise Resource Planning, MES Manufacturing Execution System, ScADA Supervisory control and Data Acquisition, SPS Speicherprogrammier-bare Steuerung, cnc computerized numerical control, Vnc Virtual numerical control, VRc Virtual Robot controller
BV Bildverarbeitung, PR Pattern Recognition, AR Augumented Reality, SIM Simulation, VIS Visualisierung, aaS … as a Service, IPo Interpolator, KIn Kinematikmodell, Rc Robot control
Kamerabild
Video-Strom
objekterkennung
Bewegungstracking
Mustererkennung
Simulation
Visualisierung
complex Sensor
Processing
araaS n Zelle beobachten n Markererkennung n Bahnplanung n 3D-Simulation n Bewegung ausführen
rCaaS n Zielpunkte festlegen n Bahn planen n Bewegung ausführen
Picasso-Server
VM 1
bvpr
VM 2
SimviS
VM 3
ipokin
Visualisierung QEMU-KVM
cPU 1 cPU 2 cPU 3
tubit Ec2(Amazon)
Azure (Microsoft)
Rc2
AR 1
AR 2
AR 4
Motion control
Benutzerprogramm
Bewegungsanweisung
Interpolator
Koordinatentransformation
fehlerinterpolator
Lageregelung
Geschwindigkeitsregelung
Stromregelung
Rc1
Rc2
AR 3
Rc3AR5
AR 2 AR 4 AR 3
Rc2
Direkte Wertschöpfungsanteile n Produktentwicklung
digitale Absicherung (cAx, Digital factory)
n Produktionsplanung (ERP) n Materialfluss/Logistik n fertigungssteuerung (MES/ScADA) n Datenerfassung (MDE/BDE) n Maschinensteuerung/Regelung
(cnc, Rc, SPS) n Qualitätskontrolle/Datenanalyse n facility Management
IT-Produkte: Tools und Applikationen n Mobile computing n Smart Devices n HMI und App
n cloud Lösungen n Social Media n Big Data
IT-Dienstleistungen n consulting n Entwicklung n Engineering n Installation n Betrieb/Hosting n Anpassung
Indirekte Wertschöpfungsanteile n It-Administration n It-Hosting n Bereitstellung It-Infrastruktur
(computing, Kommunikation) n Software-„orchestrierung“ n It-Sicherheit
Maschine
Zellenebene
Leitebene
fabriksteuerung
Unternehmensplanung
CnC
SpS
SCada
mES
ErP
SCada ErP
vnC mES
vrC SpS vrC
ERP Enterprise Resource Planning, MES Manufacturing Execution System, ScADA Supervisory control and Data Acquisition, SPS Speicherprogrammier-bare Steuerung, cnc computerized numerical control, Vnc Virtual numerical control, VRc Virtual Robot controller
BV Bildverarbeitung, PR Pattern Recognition, AR Augumented Reality, SIM Simulation, VIS Visualisierung, aaS … as a Service, IPo Interpolator, KIn Kinematikmodell, Rc Robot control
Kamerabild
Video-Strom
objekterkennung
Bewegungstracking
Mustererkennung
Simulation
Visualisierung
complex Sensor
Processing
araaS n Zelle beobachten n Markererkennung n Bahnplanung n 3D-Simulation n Bewegung ausführen
rCaaS n Zielpunkte festlegen n Bahn planen n Bewegung ausführen
Picasso-Server
VM 1
bvpr
VM 2
SimviS
VM 3
ipokin
Visualisierung QEMU-KVM
cPU 1 cPU 2 cPU 3
tubit Ec2(Amazon)
Azure (Microsoft)
Rc2
AR 1
AR 2
AR 4
Motion control
Benutzerprogramm
Bewegungsanweisung
Interpolator
Koordinatentransformation
fehlerinterpolator
Lageregelung
Geschwindigkeitsregelung
Stromregelung
Rc1
Rc2
AR 3
Rc3AR5
AR 2 AR 4 AR 3
Rc2
Abb.3.2.2 AuflösungderAutomatisierungspyramide
20
dieKommunikationsfähigkeitundVernetzungdesvorhandenen,imUn-
ternehmenüberJahregewachsenenMaschinen-undAnlagenbestands
ermöglichen.DieIntegrationinCyber-physischeSystemeerfolgthierbei
auf der Basis einer Verbindungs-(Konnektoren-)Technologie,
die als Bindeglied zwischen der einzelnen Maschine und der Cyber-
physischenArchitektur(Hard-undSoftware)fungiert.Impulsefürdie
VerbindungzwischenCloudundProduktionssystemensinddarüberhi-
nausvonEntwicklungenimBereichOPC-UAzuerwarten,diezueiner
Vereinheitlichung der Schnittstellen aufsoftwaretechnischer
Ebeneführen.
Dienstebasierte Bereitstellung von
Automatisierungsfunktionen
EinwesentlichesElementcloudbasierterProduktionsplattformenistdie
Entkopplung der bereitgestellten Funktionen und Dienste
von spezifischer Hardware.DiesführtperspektivischzuKostenvor-
teilen,dafürdieBereitstellungderbisherinderAutomatisierungspyra-
midehierarchischgeordnetenFunktionennunmehrflexibel skalier-
undaustauschbare Rechnerstrukturen genutztwerden können,
dieüberCloudmechanismeneinediensteorientierteNutzung imSinne
Infrastructure as a Service, platform as a Service oder Soft-
ware as a Serviceerlauben.Serviceorientierte Softwarearchi-
tekturen (SOA) bilden eine Basis für die softwaretechnische
Strukturierung automatisierungstechnischer Funktionen in
derCloud,dieeserlauben,auchkomplexeFunktionalitätauseinfache-
renDienstenzu»orchestrieren«.EinBeispiel istdie Integrationkom-
plexerFunktionenzurBildverarbeitungundMustererkennungaufBasis
grundlegenderDienstezumBildeinzugoderzurBildvorverarbeitungfür
dieoptischeQualitätskontrolle. Insbesonderekomplexeautomatisierte
Funktionen,die–wiedieoptische Qualitätskontrolle–potenziell
vonderFähigkeitdesmaschinellen Lernensprofitieren,könnenin
cloudbasierten Produktionsplattformen effizient integriert werden, da
über die Cloudmit Methoden desmaschinellen Lernens und der
Mustererkennung inderProduktiongesammeltes»visuelleWissen
derFabrik«effizientauchanderenautomatisiertenProzessenverfügbar
gemachtwerdenkann.DieAbbildung3.2.4zeigtprototypischeReali-
sierungendienstebasierter Automatisierungsfunktionenfürdie
Bewegungssteuerung von Maschinen [49], derBildverarbei-
tung undMustererkennung sowiederAugmented Reality, die
derzeitimRahmenvonForschungsarbeitenzucloudbasiertenProdukti-
onsplattformenuntersuchtwerden[50].DasZielistdieEntwicklungei-
nerRahmenarchitekturzurcloud-unddienstebasiertenAutomatisierung
imSinneeinesAutomation as a Service.
Verzeichnisdienste
Eineeffiziente Orchestrierung dienstebasierter Funktionalität
der Automatisierungspyramide auf cloudbasierten Produktionsplattfor-
mensetztvoraus,dassdieverfügbarenDiensteundihreSchnittstellen
für den Anwender transparent sind. Hierzu bedarf es zukünftig einer
Verzeichnisdienststruktur imSinnevon»gelbe Seiten für In-
dustrie 4.0« [51],mitderMehrwertdienstefürcloudbasierteProduk-
tionsplattformen,insbesondereindenfolgendenAnwendungsbereichen
flexibelverwaltetundverzahntwerdenkönnen:
• Auftragsverwaltung/Betriebsdatenerfassung,
Handlungsfelder
Abb.3.2.3 BasismodellcloudbasierterSteuerungssysteme/ForschungsprojektpICASSO
1. Virtualisierung
2. Echtzeitfähige Abbildung auf mehrrechner-
systemen
3. Integration von Cloud-
mechanismen
vnC if
mES vrC vrC app
app
app
Maschine
Roboter
Smartphone
MES Manufacturing Execution System, VRc Virtual Robot controller, Vnc Virtual numerical control, If Interface, APP Application
Direkte Wertschöpfungsanteile n Produktentwicklung
digitale Absicherung (cAx, Digital factory)
n Produktionsplanung (ERP) n Materialfluss/Logistik n fertigungssteuerung (MES/ScADA) n Datenerfassung (MDE/BDE) n Maschinensteuerung/Regelung
(cnc, Rc, SPS) n Qualitätskontrolle/Datenanalyse n facility Management
IT-Produkte: Tools und Applikationen n Mobile computing n Smart Devices n HMI und App
n cloud Lösungen n Social Media n Big Data
IT-Dienstleistungen n consulting n Entwicklung n Engineering n Installation n Betrieb/Hosting n Anpassung
Indirekte Wertschöpfungsanteile n It-Administration n It-Hosting n Bereitstellung It-Infrastruktur
(computing, Kommunikation) n Software-„orchestrierung“ n It-Sicherheit
Maschine
Zellenebene
Leitebene
fabriksteuerung
Unternehmensplanung
CnC
SpS
SCada
mES
ErP
SCada ErP
vnC mES
vrC SpS vrC
ERP Enterprise Resource Planning, MES Manufacturing Execution System, ScADA Supervisory control and Data Acquisition, SPS Speicherprogrammier-bare Steuerung, cnc computerized numerical control, Vnc Virtual numerical control, VRc Virtual Robot controller
BV Bildverarbeitung, PR Pattern Recognition, AR Augumented Reality, SIM Simulation, VIS Visualisierung, aaS … as a Service, IPo Interpolator, KIn Kinematikmodell, Rc Robot control
Kamerabild
Video-Strom
objekterkennung
Bewegungstracking
Mustererkennung
Simulation
Visualisierung
complex Sensor
Processing
araaS n Zelle beobachten n Markererkennung n Bahnplanung n 3D-Simulation n Bewegung ausführen
rCaaS n Zielpunkte festlegen n Bahn planen n Bewegung ausführen
Picasso-Server
VM 1
bvpr
VM 2
SimviS
VM 3
ipokin
Visualisierung QEMU-KVM
cPU 1 cPU 2 cPU 3
tubit Ec2(Amazon)
Azure (Microsoft)
Rc2
AR 1
AR 2
AR 4
Motion control
Benutzerprogramm
Bewegungsanweisung
Interpolator
Koordinatentransformation
fehlerinterpolator
Lageregelung
Geschwindigkeitsregelung
Stromregelung
Rc1
Rc2
AR 3
Rc3AR5
AR 2 AR 4 AR 3
Rc2
21
• ConditionMonitoring
• Geometrieberechnungen/Kollisionskontrolle
• komplexeSensordatenverarbeitung
• Qualitätsprüfung
• Energieeffizienzoptimierung
• Verkettung/SynchronisationmitPeripherie
• Simulation
• Prozess-undGeometrievisualisierungsowie
• Datenaustausch/SynchronisationmitMaterialflussprozessen/über-
geordnetenSteuerungen.
IT-Sicherheit
DasVirtual Fort Knox (VFK)desFraunhofer IpAvereintdieAs-
pekteeinerpaaS-, SaaS-undIoT-plattform,umEntwicklernund
Kundeneinegemeinsame technologische Basisbzw.plattform
zu bieten. Dasvfk ist eine föderative cloudgestützte IT-platt-
form, die produzierenden Unternehmen produktionsbasierte IT-
Servicesbietet.HochautomatisierteIntegrationsfunktionalitäten
ermöglichenesderPlattform,sichere, flexibleund individuelle IT-
Lösungen in kurzer Zeit undmit geringem Aufwand bereitzustellen
und Produktionsmittel schnell und aufwandsarm über sog. Integrati-
onsservicesanzubinden.EndkundenkönnendieServicesbzw.Funkti-
onalitäten auswählen, die sie benötigenund sie flexibel kombinieren,
umdieoptimaleLösungzusammenzustellen.Diesverringertsowohldie
Implementierungs-, Integrations- als auch die Betriebskos-
tenbeträchtlich.NeueSoftwarefunktionalitätenfürEndkundenkönnen
schnellerumgesetztundbereitgestelltwerden[52].
ZurLösungderInteroperabilitäts-undSchnittstellenkompatibi-
litäts-problematikträgtderManufacturing Service Bus (MSB)
bei: eine Integrationsplattform, die auf einer serviceorientierten
ArchitekturbasiertundeineflexibleVerknüpfungunterschiedlichster
produktionsbasierterIT-ServiceserlaubtundsomitKernkomponente
von CppSist[53,54].
Handlungsfelder
Abb.3.2.4 DienstebasierteBereitstellungvonFunktionenzurBewegungssteuerungundBildverarbeitunginderCloudimLabormaßstab
Direkte Wertschöpfungsanteile n Produktentwicklung
digitale Absicherung (cAx, Digital factory)
n Produktionsplanung (ERP) n Materialfluss/Logistik n fertigungssteuerung (MES/ScADA) n Datenerfassung (MDE/BDE) n Maschinensteuerung/Regelung
(cnc, Rc, SPS) n Qualitätskontrolle/Datenanalyse n facility Management
IT-Produkte: Tools und Applikationen n Mobile computing n Smart Devices n HMI und App
n cloud Lösungen n Social Media n Big Data
IT-Dienstleistungen n consulting n Entwicklung n Engineering n Installation n Betrieb/Hosting n Anpassung
Indirekte Wertschöpfungsanteile n It-Administration n It-Hosting n Bereitstellung It-Infrastruktur
(computing, Kommunikation) n Software-„orchestrierung“ n It-Sicherheit
Maschine
Zellenebene
Leitebene
fabriksteuerung
Unternehmensplanung
CnC
SpS
SCada
mES
ErP
SCada ErP
vnC mES
vrC SpS vrC
ERP Enterprise Resource Planning, MES Manufacturing Execution System, ScADA Supervisory control and Data Acquisition, SPS Speicherprogrammier-bare Steuerung, cnc computerized numerical control, Vnc Virtual numerical control, VRc Virtual Robot controller
BV Bildverarbeitung, PR Pattern Recognition, AR Augumented Reality, SIM Simulation, VIS Visualisierung, aaS … as a Service, IPo Interpolator, KIn Kinematikmodell, Rc Robot control
Kamerabild
Video-Strom
objekterkennung
Bewegungstracking
Mustererkennung
Simulation
Visualisierung
complex Sensor
Processing
araaS n Zelle beobachten n Markererkennung n Bahnplanung n 3D-Simulation n Bewegung ausführen
rCaaS n Zielpunkte festlegen n Bahn planen n Bewegung ausführen
Picasso-Server
VM 1
bvpr
VM 2
SimviS
VM 3
ipokin
Visualisierung QEMU-KVM
cPU 1 cPU 2 cPU 3
tubit Ec2(Amazon)
Azure (Microsoft)
Rc2
AR 1
AR 2
AR 4
Motion control
Benutzerprogramm
Bewegungsanweisung
Interpolator
Koordinatentransformation
fehlerinterpolator
Lageregelung
Geschwindigkeitsregelung
Stromregelung
Rc1
Rc2
AR 3
Rc3AR5
AR 2 AR 4 AR 3
Rc2
22
Handlungsfelder
Vendor driven, customer driven, community driven
TreiberfürPlattformeninBusiness Ecosystems könnendieAnbie-
ter von produkten und Dienstleistungen (vendors), die Käufer
(customer) oder die gemeinschaft (community) umdasProdukt
herum sein. Erste Beispiele zeigen, wie verschiedene Plattformtypen
entstehenundwassiebewirkenkönnen.
DieLandwirtschaftisteinerderfortschrittlichsten Sektorenhin-
sichtlichderWertschöpfungindigitalvernetztenUnternehmensverbün-
den,densogenanntenEcosystems.DerLandmaschinenhersteller
ClaashatdurchdieGründungseinerTochterfirmaFarmnet 365[55]
eineSchlüsselrolle inderBrancheübernommen.Über einePlattform,
aufderDatenderLandmaschinen,Wetterdaten,Erntedatenundvieles
mehr gespeichertwerden, generierenApps durch dieAuswertung
der Daten einenMehrwertfürdenLandwirt.Sokannbeispielsweise
dieDüngemittelausbringungaufBasishistorischerErntedatenoptimiert
oderdieRoutederLandmaschinebeiabsehbarerVerschlechterungdes
Wetters schneller abgefahrenwerden. Entscheidend für den Kunden-
nutzenistdieVerfügbarkeit aller Services über eine plattform,
daderKundekeinInteressedaranhat,sichinmehrerenPlattformenfür
die jeweiligenAufgabenanzumeldenund seineDaten an verschiede-
nenStellenabzulegen.DeshalbkönntedieInitiierungderPlattformals
Anbieter-getrieben (vendordriven)angesehenwerdenunddieAnfor-
derungandieLieferantenderLandwirte,diesePlattformzunutzen,als
Kunden-getrieben(customerdriven).
ImFallevonFarmnet365zahltderLandwirtmonatlichfürdenZugriff
aufdiePlattformundderenServicesundhinterlegtseineaktuellenDa-
ten,dieüberSensoreninseinenGerätenerfasstwerden,inderCloud.
DiesewerdenvonverschiedenenApps verwendet,umeinenMehr-
wertzugenerieren.DieAppswerdenvondenPartnernaufderPlatt-
formzurVerfügunggestelltundkönnenperDownloadaufdiemo-
bilen EndgerätederLandwirteübertragenwerden.ZudenPartnern
gehören andere Landmaschinenhersteller wie Horsch, Wetterdienste
vonVersicherungenwiederAllianzoderSaat-bzw.Düngemittelherstel-
lerwiedieAmazonen-Werke.
»Community driven«istdasobenbeschriebeneVirtual Fort Knox
des Fraunhofer IpA [56], während etwa die produktionsplatt-
form Axoom »vendor driven«,alsovoneinemAnbieter(indiesem
FallTrumpf)gesteuertwird.
3.2.5 Migrationspfade für den Anwender
Der Übergang von herkömmlichen Strukturen der Informations- und
Kommunikationstechnik inderProduktion,wiesiebisher inderAuto-
matisierungspyramideabgebildet sind, zu cloudbasiertenProduktions-
plattformenlässtsichinmehrerenSchrittenvollziehen.Einwesentlicher
Schritt ist zunächst die Entkopplung der informationstechni-
schen Funktionalität von spezifischer Hardware.
Abbildung3.2.5zeigteinStufenmodellamBeispieleinercloudbasierten
Steuerung.ZunächstwerdenaufStufe 1 die Steuerungsfunktio-
nen modularisiert undmitSchnittstellenversehen,dieeinehard-
wareunabhängige Kommunikation untereinander ermöglichen.
DieVirtualisierungerfolgtdurchdirekte IntegrationderModule indie
LaufzeitumgebungeinersogenanntenVirtuellenMaschine,diestandar-
disierteRechenhardwareemuliertundeineportierbareBetriebssystem-
basis bereitstellt. Als zweiter Schritt folgt dann dieAuslagerung
der virtualisierten Funktionen auf Serverstrukturen oder Cloud-
Plattformen.Auf derdritten Stufe folgt dieNutzung der Cloud-
Mechanismen wie bedarfsgerechte Skalierung und Anbindung von
Mehrwertdiensten.
3.2.6 Bezüge/ Schnittstellen zu den anderen
Handlungsfeldern
Cyber-physische Systemebildenmit ihrerFähigkeit zur Erfas-
sung und dezentralen Verarbeitung von Daten an Maschinen
undAnlagendieBasisfürdiedezentraleGewinnungproduktionstechni-
scherDaten dicht am prozess.Cloud-PlattformenstellenMechanis-
menzurverteiltenDatenhaltungsowiezurBereitstellungvonRechen-
leistungundDienstenbereit.CPShingegenstellendieSchnittstellezur
Außenweltdar.
FürdieErfassungdesdigitalen SchattensfürProzessebildenCloud-
PlattformendieGrundlagezurstrukturierten Zusammenführung
vonDatenauseinergroßen Anzahl verteilter Quellen.Einewe-
sentlicheAnforderungfürdieZukunftbestehtdarin,Quellen mit un-
terschiedlichen Datenraten, beispielsweise horizontal aufgrund
verschiedener Sensorprinzipien oder vertikal aufgrund unter-
schiedlicher Zeitanforderungen der Prozesse auf unterschiedli-
Abb.3.2.5 StufenmodellzurNutzungvonCloud-Mechanismen
1. Virtualisierung
2. Echtzeitfähige Abbildung auf mehrrechner-
systemen
3. Integration von Cloud-
mechanismen
vnC if
mES vrC vrC app
app
app
Maschine
Roboter
Smartphone
MES Manufacturing Execution System, VRc Virtual Robot controller, Vnc Virtual numerical control, If Interface, APP Application
23
Handlungsfelder
chenEbenenderbisherigenAutomatisierungspyramideechtzeitfähig
zu synchronisieren.
Echtzeitfähige Cloud-plattformenbenötigendaherMechanismen,
umdensogenanntendigitalenSchattenvonProzessensowohlzeitsyn-
chronerfassenwieauchreproduzierenzukönnen.Hierbeispielen
dieimFokusvonForschungundEntwicklungstehendenTime Sensi-
tive Networking Systems(TNS)zurzeitsynchronen Netzwerk-
übertragungeinebesondereRolle.
DieRechenleistungen,diezurNutzungdermitdemdigitalenSchat-
tengewonnenenDaten–beispielsweiseinderkomplexen prozess-
simulation, Mustererkennung und prädiktion – benötigt wer-
den, stehen heute an den dezentralen Maschinensteuerungen nicht
zur Verfügung. Cloud-Plattformen bilden somit die Grundlage für die
dienstebasierte Bereitstellung von mächtiger Rechen- und
Speicherleistungfürkomplexe MethodenundAlgorithmenwie
beispielsweisefürdasmaschinelle LernenmitsogenanntenConvo-
lutional Neural NetworksundDeep Learning Verfahren.Cloud-
Plattformensinddamitzukünftigunabdingbar,umdie injüngsterZeit
zubeobachtendenFortschritteimBereichData Analytics improduk-
tionstechnischenUmfeldnutzenzukönnen.
3.3 Digitaler Schatten
3.3.1 Definition und Entwicklung
Der Digitale SchattenalseinHandlungsfeldvonIndustrie4.0istdas
»hinreichend genaue« Abbild der prozesse »in der produk-
tion, der Entwicklung und angrenzenden Bereichen mit dem
Zweck, eine echtzeitfähige Auswertungsbasis aller relevan-
ten Daten« zuschaffen.ImEinzelnengehörtdazudieBeschreibung
dernotwendigen Datenformate,derDatenauswahlundderDa-
tengranularitätsstufe.
ZurErzeugungdesDigitalenSchattensmusszunächstdieDatengrund-
lageaus verschiedenenDatenquellen, bspw.derProduktionoderder
Entwicklung,geschaffenwerden,bevordieseDatengefiltert,verdich-
tetundweiter verarbeitetwerden.DerDigitale Schatten erfordert
zunächsteineumfassende Datenaufnahme zudefinierenderPro-
duktionsdaten in ihrem jeweiligen Kontext. Die Produktionsdaten
setzensichausverschiedenenQuellen zusammen.Parallelmusseine
Fehlerdetektion sicherstellen, dass nur fehlerfreie Datensätze
erzeugtundgespeichertwerden.EbensomussbeiderSpeicherungder
DatensätzeeineeindeutigeDatenrückverfolgbarkeitsichergestellt
werden,umeinevalide Auswertungsbasis zu schaffen.DerDigi-
taleSchattenstelltinAnalogiezumFlugschreiberinderLuftfahrteinen
produktionsschreiberdar,derAuskunftüberdenvergangenenund
aktuellenZustandermöglichtundsomitauchdieBasisfürdieprogno-
se zukünftiger Zuständedarstellt.
NebendemBegriffdesDigitalenSchattensistderBegriffdesDigita-
len Zwillingsverbreitet.DerDigitaleSchattenüberführtzunächstden
realen produktionsprozess in die virtuelle Welt. Der Digitale
ZwillingkanndaraufaufbauenddurcheinprozessmodellundSi-
mulationeinmöglichst identisches Abbild der Realitätliefern.
GegenstanddiesesWGP-StandpunktsistjedochnurderDigitaleSchat-
ten.ImFolgendenwirddernotwendigeForschungsbedarfimThemen-
felddesDigitalenSchattensaufgezeigt,deneszubearbeitengilt.Zu-
künftigmussforschungsseitigbeantwortetwerden,wasdiehinreichend
genauensowierelevantenDatensind.
Zeitliche Einordnung
Die Entwicklung und der Gedanke des Digitalen Schattens haben im
KontextvonIndustrie4.0durchbessere technologische Möglich-
keiten der VernetzungundVerarbeitungvonDatenneueBedeu-
tung gewonnen.Dennoch ist die Bestrebung, einvirtuelles Abbild
derProduktionzuschaffen,kein neues phänomen.MitBeginnvon
Arbeitsteilung und räumlicher Trennung desOrts der Datenerfassung
undderDatenbereitstellungwurdedieErhebungvonDaten relevant.
Die historische Entwicklung der Datenerfassung und -bereit-
stellung istinAbbildung3.3.1zusammengefasst.
ImanalogenZeitalterwarendieDauerderDatenerfassungundauchder
Datenbereitstellungabhängigvonderräumlichen DistanzvonDa-
tenerfassungsortundDatenbereitstellungsort.Derdominieren-
deFaktorwarendieTransportzeitunddiemanuellen Aufwände
beiderKopievonDaten.Imdigitalen Zeitalterdermonolithischen
SystemewurdedurchdieMöglichkeitderdigitalenDatenerfassungund
Verarbeitung auf großrechnerndieZeitspannezwischenDatener-
fassungund-bereitstellungstarkverkürzt.Durchdieab1990entstan-
denenAnfängedercloudbasierten Datenspeicherungund-ver-
arbeitungwurde diese Zeitdauer erneut stark reduziert. So können
imdigitalenZeitaltermit vernetzenSystemenDatenausunterschied-
lichstenQuellenwie Maschinendatenerfassungssysteme (MDE)
AuftragsdatenoderSocial-Media-Informationendezentralver-
arbeitetundeingesehenwerden.Der Mehrwert für Unternehmen
bestehtdabeiabernichtperseimEinsatzvonInformations-undKom-
munikationstechnik(IKT),sonderninderensinnvollerNutzung[58].
DieAbbildungvonDaten,bestehendausderErfassungundderBereit-
stellung, unterliegt somit den technischenMöglichkeiten der Zeit. Im
Zeitalter der DigitalisierungermöglichentechnischeInnovationen
1. Virtualisierung
2. Echtzeitfähige Abbildung auf mehrrechner-
systemen
3. Integration von Cloud-
mechanismen
vnC if
mES vrC vrC app
app
app
Maschine
Roboter
Smartphone
MES Manufacturing Execution System, VRc Virtual Robot controller, Vnc Virtual numerical control, If Interface, APP Application
24
Handlungsfelder
vielfältige und mächtige Anwendungen. Es zeigen sich drei Kern-
aspekte zurBeschreibungderVorteile der Digitalisierung:
• DieInformationsverfügbarkeitbeschreibtdieMöglichkeit,Zu-
gangzudenerhobenenDatenzuerhalten.Hierbeikannzwischen
ortsgebundenerundortsungebundener Verfügbarkeit
unterschiedenwerden.Ortsgebundene Informationensind
lokal gespeichertundkönnenvonextern nicht abgerufen
werden.Ortsungebundene Informationenliegenz.B.inder
Cloudvorundkönnenvonüberall eingesehenwerden.Zudem
wirdzwischenderZugriffsmöglichkeitdifferenziert:Zugrifffür
mehrereNutzerzurgleichenZeitoderausschließlicherZugriffdurch
einenNutzerzueinemZeitpunkt.
• DieInformationsreliabilitätbeschreibtdieVerlässlichkeit
einer Information.Bspw.könnenüberPrüfsummenund
VerschlüsselungenManipulationundÜbertragungsfehler
ausgeschlossenwerden.Überdieprotokollierung von User-
Login, SignierungundZertifikatekanndieQuelle der Daten
sichergestelltwerden.DieVerwendungvonSensorikermöglicht
diepersonenunabhängige, konstante Datenaufnahmeund
schafftdamitobjektive Daten.
• DieInformationsschnelligkeitwirktsichsowohlbeiderErfas-
sungalsauchderWeitergabevonDatenaus.Funkanbindung
undBreitbandverbindungenermöglichendie simultane,
echtzeitnahe ErfassungeinerVielzahl von Sensoren und
Eingaben.Großrechner,vernetzteServerfarmenoderRechnerleis-
tungausderCloudermöglichenhoheVerarbeitungsgeschwin-
digkeiten;SmartphonesundmobileGeräteermöglichendie
echtzeitnahe Informationsbereitstellung.
DieAnwendungs-undWertschöpfungspotenziale,diesichausdenNeu-
erungendurchErhebungdesDigitalenSchattensergeben,werdenim
Folgendenaufgezeigt.
3.3.2 potenziale
GetriebendurchdasZukunftsprojektIndustrie4.0,kommtderErfassung
undAuswertunggenerierterDateneinebedeutendeRollezu.DieDaten-
Abb.3.3.1 ZeitlicheEinordnungdesDigitalenSchattens©DFKI[57]
Monate
tage
Stunden
Minuten
Minuten
Stunden
tage
Monate
Analoges Zeitalter Digitales Zeitalter
Zettabyte
Exabyte
terabyte
GigabyteMegabyte
monolithische Systeme Vernetzte Systeme
Zeit
Zeit für die Datenbereitstellung
Zeit für die Datenerfassung
Datenvolumen
1805 vollmechanisierter Webstuhl
1930 telefax
1950 Erste vollelektronische Großrechner
1968 Arpanet & Internet
1990 Multitenant-Architekturen
physical
cyber
Digitaler Schatten
Data Analytics
Des
crip
tive
Dia
gnos
tic
Pred
ictiv
e
Pres
crip
tive
messbar machen & Vernetzen
Digitalisierung der Produktion
Analysieren & Prognostizieren
Spiegelung von cyber- und physischer Welt
Produktion anpassen
Simulationsgestützte optimierung
25
Handlungsfelder
aufnahmeund-verarbeitungumfasstdabeidieErhebungundAuswer-
tungvonDatenzuprozessen, Qualitätsmerkmalen, produkten
undBeschäftigtensowiederenUmfeld.DabeiwirdkonkretdasZiel
derprozess-undQualitätsverbesserungverfolgt.Speziellindem
BereichderProduktion,diesichsteigendenQualitätsanforderungenund
einererhöhten Komplexitätsowieeinemhohen Kostendruckge-
genübersieht,bringtdieErfassungundAnalysevonProzessdateneinen
großen Mehrwert.ErstdurchdieNutzung des Digitalen Schat-
tens wirdderproduktionsprozess transparenterundUrsachen
für Abweichungenkönnenleichteridentifiziertwerden.Hierbeibildet
derDigitaleSchattendieBasisfürMethodenundModellederDaten-
auswertungund-analyse(vgl.Abbildung3.3.2).
AufBasisdesDigitalenSchattenskönnenineinemerstenSchrittFragen
hinsichtlichvergangenerEreignissebeantwortetwerden(»Warum ist
was passiert?«).Mittels Verfahren derdeskriptiven Datenana-
lyselassensichRückschlüsseaufvergangeneEreignisseziehen.Inei-
nemweiterenSchritt(Diagnostic Analytics)werdendieDatensätze
durch Datenexploration auf Korrelationen und Beziehungen
untersucht.HierbeistehtdieFrage»Was passiert?« imVordergrund.
Die dritte Stufe (predictive Analytics) erstellt durch statistische
ModelleundMethodenPrognosenundbeantwortetsomitdieFrage,
»Was wird mit welcher Wahrscheinlichkeit passieren?«Inder
viertenStufewerdenanhandvonOptimierungsalgorithmenundSi-
mulationsansätzen Handlungsempfehlungenabgeleitet(»Was
sollte getan werden?«) [59]. Konkret auf den Fertigungsprozess
bezogen, bildet die Datenerfassung die Basis für Data Analytics und
unterstütztsomitdieFehler-undUrsachenanalyse.BeiAuftreteneines
FehlerskannanhanddesDigitalenSchattensz.B.ermitteltwerden,was
passiertistundwarumeineAbweichungvomSoll-Prozessstattgefunden
hat.DesWeiterenkanndurchdieAuswertungderDatenvorhergesagt
werden,was imweiterenProzessverlaufpassierenwird.Hieraus lässt
sicheineHandlungsempfehlungableitenunddieEntscheidungsfindung
wirdunterstützt.Sokönnenz.B.imSinneder Feedbackward-Chain
zukünftigeFehlervermiedenwerden,dieFeedforward-Chainermöglicht
darüberhinausdie»Rettung«einesBauteilsdurchpotenzielleParame-
teranpassungnachfolgenderFertigungsschritte.
InanderenBranchenwurdedaswirtschaftlichePotenzialderDatener-
fassungbereitserkanntundgenutzt.Soz.B. inderVerkehrsbranche:
DasSiemens Mobility Data Service Center befasst sichmitder
Datenanalyse von Zügen.Ausjährlichbiszu200 Milliarden Da-
tenpunkten,dievon100 Triebzügenproduziertwerden,lässtsich
derVerschleiß oder Ausfall bestimmter Komponentenvorher-
sagen.DatenüberdieBeschaffenheitderSchienen,dieSteigung,das
Gefälle unddasWetterwerdenwährenddesBetriebs registriert.Der
WartungsprozesskannsooptimiertunddemKundeneineffizien-
ter Einsatz der Fahrzeugegarantiertwerden[60].Monate
tage
Stunden
Minuten
Minuten
Stunden
tage
Monate
Analoges Zeitalter Digitales Zeitalter
Zettabyte
Exabyte
terabyte
GigabyteMegabyte
monolithische Systeme Vernetzte Systeme
Zeit
Zeit für die Datenbereitstellung
Zeit für die Datenerfassung
Datenvolumen
1805 vollmechanisierter Webstuhl
1930 telefax
1950 Erste vollelektronische Großrechner
1968 Arpanet & Internet
1990 Multitenant-Architekturen
physical
cyber
Digitaler Schatten
Data Analytics
Des
crip
tive
Dia
gnos
tic
Pred
ictiv
e
Pres
crip
tive
messbar machen & Vernetzen
Digitalisierung der Produktion
Analysieren & Prognostizieren
Spiegelung von cyber- und physischer Welt
Produktion anpassen
Simulationsgestützte optimierung
Abb.3.3.2 StufenderDatenauswertungund-analyse
Monate
tage
Stunden
Minuten
Minuten
Stunden
tage
Monate
Analoges Zeitalter Digitales Zeitalter
Zettabyte
Exabyte
terabyte
GigabyteMegabyte
monolithische Systeme Vernetzte Systeme
Zeit
Zeit für die Datenbereitstellung
Zeit für die Datenerfassung
Datenvolumen
1805 vollmechanisierter Webstuhl
1930 telefax
1950 Erste vollelektronische Großrechner
1968 Arpanet & Internet
1990 Multitenant-Architekturen
physical
cyber
Digitaler Schatten
Data Analytics
Des
crip
tive
Dia
gnos
tic
Pred
ictiv
e
Pres
crip
tive
messbar machen & Vernetzen
Digitalisierung der Produktion
Analysieren & Prognostizieren
Spiegelung von cyber- und physischer Welt
Produktion anpassen
Simulationsgestützte optimierung
26
3.3.3 Stand der Technik und Forschungsbedarfe
UmdenaktuellenStandderTechnikdarzustellen,wirddasHandlungs-
felddesDigitalenSchattensinvier zu bearbeitende Forschungs-
felder gegliedert.DasersteForschungsfeld istdieDefinition einer
Datenstruktur, welche alle benötigten Daten und deren Ausprä-
gungenbeschreibenmuss.Daraufaufbauend istdieAufnahme der
Daten zu definieren. Durchmultimodale undmultisensorische
Datenaufnahme kann das zuvor entwickelte Datenmodell mit den
relevantenDatengefülltwerden.ImWeiterenstelltdieSensorfusion
sicher,dassdiegeneriertenDatenzueinereinheitlichenDatenbasisver-
knüpftwerden.AbschließendermöglichtderKonsistenz- und plau-
sibilitätscheck,dassnurfehlerfreieundeindeutigeDatengespeichert
werdenundindenDigitalenSchattenaufgenommenwerden.
Datenstruktur/ Datenmodell
DieNutzungvongroßenDatenmengengiltalseinederTriebkräftefür
dievierteindustrielleRevolution(Industrie4.0).DieMöglichkeit,große
und inhomogene DatenmengenzuerfassenundpraktischinEcht-
zeit zu verarbeiten, ist die Grundlage für dieweitergehendeNut-
zung.Bspw.könnendurchAnalysehistorischerDatenRückschlüsseund
Interpretationshilfengeschaffenwerden(bspw.durchComplex Event
processing [61]), um Prognosen zukünftiger Ereignisse zu ermögli-
chen, bspw. überdeduktives Schlussfolgern [62] oder einpat-
tern-Match-Verfahren[63,64].BasisfürMethodenausdemBereich
derDataAnalytics istdieErfassungderDaten inderProduktion.Der
DigitaleSchattenmussdashinreichendgenaueAbbildallerProzesseauf
BasisderrelevantenDateninEntwicklung,ProduktionundBetriebwer-
denu.a.mitdemZweck,eineechtzeitfähige Auswertungsbasis
zu schaffen. In Abhängigkeit des Betrachtungsbereichs müssen hier
erst die relevantenDaten identifiziertwerden und in entsprechenden
Datenformaten und -strukturen abgebildet werden (vgl.Sachmerk-
malsleiste, Header). So können für verschiedeneObjektklassen
(z.B.Maschinen,Transportmittel,Transportträger,Produkte)diemaxi-
malenSachmerkmalsleistenabgeleitetwerdenundunternehmensspezi-
fischangepasstwerden.DerdigitaleSchattenbildeteinenProzessoder
eine Prozesskette zwar vollständig ab, jedoch ist hierfür nicht immer
einesehrfeineDatengranularitätnotwendig[65].Beispielsweiseinter-
essiertineinemerstenAnalyseschrittzumAuftragsfortschrittnichtjede
einzelneEinstellungderWerkzeugmaschine.
Im Fokus zukünftiger Forschungstätigkeiten stehen Untersuchungen
bezüglichderEntwicklungvollständigerDatenstrukturenundUntersu-
chungenhinsichtlichderInformationsgranularität.Dennfürkom-
plexe InterpretationvonDaten ist immerauchdasnotwendige
Kontextwissen(bspw.Fachwissen,Prozesskenntnisetc.)erforderlich
[66].HierfüristdieZusammenführungderStärkendesMaschinen-und
AnlagenbausalsIntegratormitdenKompetenzenderAutomationund
derIKT-Wirtschaftnotwendig.DiesoentstehendenMethoden,Ansätze
undBest-Practice-Realisierungenmüssen in den vielschichtigenWert-
schöpfungsnetzwerkenverbreitetwerdenundsollenhierzueineminter-
disziplinärenWissens-undTechnologietransferführen.
Herausforderungen
DievollständigeErfassungderbetrieblichenDatenfindetderzeitnoch
nicht in allenUnternehmen statt [67]. Eine zentraleHerausforderung
bestehtdarin,zunächstdienotwendigenDatenstrukturenzudefinieren.
DerEinsatzvonTechnologienzurDatenerfassungundvonSystemenzur
Datenauswertungbedeuteteine initiale InvestitionvonUnternehmen,
diesichspäterdurcheffizientereProzessebezahltmachen.
Multimodale Datenaufnahme
AktuelleStudienbelegen,dassdiemanuelle Aufnahme von Bewe-
gungsdateninUnternehmenimmernochweitverbreitetist[68,69].
ErsteAnsätzezurvollständigautomatisiertenAufnahmeaufdemShop-
floor mithilfe von Sensortechnologien sind vorwiegend aufRFID
beschränkt.InanderenAnwendungsfeldernwieFahrerassistenzsys-
teme (vgl.Abb.3.3.3),autonomes Fahren undRobotikwirddie
multimodale Datenerfassung,eineDatenaufnahmeübermehrere
Quellen, bereits erfolgreich angewendet, um kontinuierlich ein hoch
verlässlichesund realitätsgetreues AbbildderUmweltzuerstellen
unddiesesalsprimäre Entscheidungsbasis zunutzen[70,71].Bei-
spielsweisegreifenFahrerassistenzsysteme auf gpS, integrierte
AbstandssensorenundKamerasystemezurück,umkontinuierlich
dieUmgebungzuerfassenundbeibestimmtenEreignissendieFahr-
zeugführung zubeeinflussenund somit dieSicherheit des Fahrers zu
gewährleisten[72,73].
Diemultimodale Aufnahmeundanschließende Fusionvonre-
dundantenDatenhatgegenübereinzelnenSensorenerheblicheVorteile,
wiez.B.dieSicherstellung
• verlässlicherDaten
• genauerDaten
• vollständigerDaten
• schnellerfassterDatenund
• günstigerzeugterDaten[75,76].
Dies ist dadurch möglich, dass Sensornetzwerke die Vorteile ein-
zelnerSensortechnologienvereinenkönnen[77].DieRFID-Techno-
logie etwa hat sich aufgrund ihrerFehlerwahrscheinlichkeit auf
demShopfloornicht als einzelne Technologie durchgesetzt [78,
79].AndieserStelle ist dieDatenfusionmitdenDatenandererSen-
sortechnologienwieIndoor gpS, Laser-undBildverarbeitungs-
Handlungsfelder
27
systeme notwendig, um Unzulänglichkeiten einzelner Sensortechno-
logien auszugleichen und somit hoch verlässliche Daten zu erzeugen
[80].EbensoverhältessichmitdergenauigkeitundSchnelligkeit
dererfasstenDaten,dieüberSensornetzwerkeerheblichgesteigert
werdenkönnen.UnabhängigvonderSensortechnologiekönnenstets
Übertragungsfehler beim Datenaustausch entstehen, weswegen eine
redundante DatenaufnahmeundanschließendeDatenfusiondie
Vollständigkeitgewährleistet.
SensorfusionkannzudemdieKostensenken,damithilfederDatenfu-
sion nicht in eine einzelne hochwertige Sensortechnologien investiert
werdenmuss,sonderndieIntegrationmehrerereinfacherSensorendie
gleicheInformationmitdergleichenVerlässlichkeiterzeugenkann[81].
DieKombinationmehrererniedrigaufgelöstermobilerKamerasysteme
kannbeispielsweisemobileObjektebesserdetektierenalseineeinzelne
hochaufgelöstestatischeKamera[82].
Herausforderungen
DiewesentlicheHerausforderungspeziellbeidermultimodalen Da-
tenaufnahmeinderProduktionistdieoptimaleGestaltungundNut-
zung des Sensornetzwerksmit dem Ziel, ein verlässliches Abbild der
Produktion zu generieren [83,84]. Dabei bestimmt die Gestalt eines
Sensornetzwerks,abhängigvonderArt,derMenge sowiedemOrt
derSensortechnologien,dieNutzungsmöglichkeitenundsomitdieVer-
lässlichkeitdesDigitalenSchattens.MultimodaleDatenaufnahmekann
• unterschiedlicheDaten
• mitunterschiedlichenGranularitätsstufenund
• inunterschiedlichenFrequenzenerfassenundsomit
unterschiedlichstarke Redundanzenerzeugen.Währendmitgra-
nularitätdieAuflösungsgenauigkeit von Daten gemeintist,be-
deutetdieFrequenzdieHäufigkeitgleicherDatenwerte.DerOrteines
FertigungsauftragskannbeispielsweiseentwederlediglichamEndeder
jeweiligenSchichtrückgemeldetwerdenoderimSekundentakt[85].Re-
dundanzbedeutetindiesemKontextdieErfassunggleicherDatenwerte
zumgleichenZeitpunkt.
Multimodale Datenfusion
MultisensorischeFusioninnerhalbvonSensornetzwerkenbedeu-
tetdieKombinationvonSensordatenunterschiedlicherHerkunfthinzu
einemeinzigen Darstellungsformat(vgl.Abb.3.3.4).DieseTechnik
dermultimodalen DatenfusionwirdbereitsheuteineinigenFeldern
derTechnikeingesetzt.ExemplarischseiendieVerfolgungvonPersonen
inderUmgebungeinesFahrzeugs[86]oderdieErhöhungderPräzision
undZuverlässigkeitinderNavigationstechnikzurPositionsbestimmung
[87]angeführt. n QUELLE: vecteezy. com
Radar Sensor
Laser Sensor
Radar Sensor
Lidar Sensor
Radar Sensor
Lidar Sensor
Radar Sensor
Laser Sensor
Laser Sensor
System
Sensor-auswahl
GlobalesModell
Datentrans-formation
fusion
Sensoren …1 2 3
fusion
niedrig
Hoch
Umfeld
Aggr
egat
ions
leve
l
Abb.3.3.3 MultimodaleDatenaufnahmeamBeispielvomFahrerassistenzsystem[74],Auto:vectezzy.com
Handlungsfelder
28
Handlungsfelder
DieSensorfusionumfasstdieErfassung von Rohdaten auf einem
niedrigen Aggregationslevel und endet bei der Erstellung eines
globalen aussagefähigen Modells.
ZurGewährleistungeinereinfachenundgünstigenÄnderungbzw.Er-
weiterungderSensorausstattungempfiehltsichbeiderEinrichtungei-
nesSensor-Monitorings,z.B.zurInstandhaltungeinerAnlage,die
VerwendungeinesmodularenSystems[89].Diesistnotwendig,umauf
nachträglicheErkenntnisseundÄnderungenandemzuproduzierenden
Gutreagierenzukönnen.
Ein der Sensorfusion ähnlicher, teilweise synonym benutzter Begriff
istderdes»Soft Sensors«.KerngedankeistdasErsetzen physi-
scher Sensorendurchsogenannte»Software Sensoren«,diedie
gesuchten Daten aus anderen Größen ableiten. Soft Sensorswerden
häufiginzweiUntertypenklassifiziert:
• datenbasierendeSoftSensors
• modellbasierende SoftSensors
Modellbasierende Soft Sensors wertenDatenaufBasiseinesMo-
dellsaus,welchesaufGrundlagephysikalischerZusammenhängeentwi-
ckeltwurde,wohingegendatenbasierende Soft Sensorsempirisch
aufGrundlagevonhistorischenDatenZusammenhängevonEingangs-
größenermitteln[90].VorteilesinddiegünstigenAnschaffungs- und
Wartungskosten, die Möglichkeiten der einfachen Vernetzung
unddieRobustheit [91, 92, 93].
Herausforderungen
Die größte Herausforderung stellt die Anpassung der Algorithmen an
sichänderndeUmgebungsbedingungendar[94].Darüberhinausfüh-
rendieaufgezeichnetenredundantenDatenauchzueinemdeutlichen
Anstieg des Datenvolumens [95]undzurMehrdeutigkeit.Daraus
resultierteinegestiegene KomplexitätindessenFolgesichdieFra-
genachderRelevanz einzelner Datenstellt.
Konsistenz-/ plausibilitätscheck
Die Produktion, Entwicklung und die angrenzenden Bereiche stützen
ihreAnalysenaufDaten.DamitdiesezurichtigenSchlussfolgerungen
führen, müssen die Daten in einer konsistenten, korrekten und voll-
ständigenFormvorliegen.Ersteinehohe Qualität der Daten macht
diese gebrauchstauglich für die Produktionsplanung, -steuerung
und-überwachung[96,97].Nureinevalide Datenbasisermöglicht
AussagenüberdieProduktionseffizienz,denAuftragsfortschritt
oderkurzfristige produktionsanpassungen.
EinvaliderDatensatzliegtdannvor,wenndieDatenkonsistent,korrekt
undvollständigvorliegen[98,99].MangelndeDatenqualitätistdabeiauf
unterschiedlicheUrsachenzurückzuführen,wieunvollständigemanuelle
RückmeldungenausderFertigung,falscheDatenaggregationbzw.Da-
tenfusion,unkoordinierteAbweichungenvongeplantenAufgabenoder
FehlmeldungenintegrierterMaschinensensoren[100].ImerstenSchritt
wirddurchImplementierungvonIntegritätsregeln inDatenbanken
undeinedurchgängigeDefinitionvonDatenqualitätsprozessen in
der Organisation ein Konsistenzcheck durchgeführt (vgl.Abb.3.3.5).
DennochkanneineunzureichendeDatenqualitätdadurchnichtvollstän-
digverhindertwerden[101].ImzweitenSchrittmusseinplausibili-
tätscheckdieinhaltliche Korrektheit derDatenprüfen.
BestehendeAnsätzezurReduzierungvonDatenfehlernundInkonsisten-
zenindenDatenbankenkönneneingeteiltwerdenindieImplemen-
tierung organisatorischer prozesse,welchedieGenerierungvon
konsistenten, korrektenundvollständigen DatenzumZielhat,
undinAlgorithmen,diefalscheDateninverschiedenenIT-Systemen
erkennenundabfangen.
Da organisatorische Prozesse stark auf die Disziplin der Mitarbeiter
setzen, sindmenschliche Fehler unvermeidlich.Algorithmenhingegen
zielen mit der Implementierung von Regeln und hoch entwi-
ckelter Logiknurauf IT-SystemeundDatenbankenab.Zumeinen
bestehtderAnsatz inderWeiterentwicklungderBedingungen fürdie
DateneinspeisungindieDatabase Management Systems (DBMS).
Dadurchwirdbei Eingabe,Bearbeitungund LöschungvonDatenauf
semantische Korrektheitgeachtet.AnspruchsvollereIntegritäts-
n QUELLE: vecteezy. com
Radar Sensor
Laser Sensor
Radar Sensor
Lidar Sensor
Radar Sensor
Lidar Sensor
Radar Sensor
Laser Sensor
Laser Sensor
System
Sensor-auswahl
GlobalesModell
Datentrans-formation
fusion
Sensoren …1 2 3
fusion
niedrig
Hoch
Umfeld
Aggr
egat
ions
leve
l
Abb.3.3.4 MultisensorischeIntegrationundFusionimSystem[88]
29
Handlungsfelder
bedingungenhabenhingegendenNachteil,dasssichänderndeUm-
ständezueinerErweiterungdeszulässigenBereichsvonWertenführen
können,diedannmanuelleingestelltwerdenmüssen[103,104].
Data-Mining- (DM-)Methoden zum anderen zielen auf die Berei-
nigung von bestehenden Datensätzen ab.Während DM-Methoden in
anderenBereichen,wiedemFinanzsektor, imMarketingoder imVer-
sicherungswesenweit verbreitet sindunddort ihre Leistungsfähigkeit
nachgewiesenhaben,zeigensicherstderzeitAnsätzezurAnwendung
in Fertigung und Produktion [105,106]. Das Vorgehen bei der DM-
Methode besteht zunächst in der Analyse und Bewertung der beste-
hendenDaten.DabeiwerdenbestimmteDatenpunkteaufKonsistenz
(z.B.widersprüchlicheStart-undEndzeitenvonProzessen),Korrekt-
heit (z.B. zunehmendeMengenangabebeiFertigungsprozessen)und
Vollständigkeit (fehlende Daten) überprüft. Darüber hinaus wird
einTestaufstochastische Abhängigkeitdurchgeführt,damiteine
vomFehler selbst oder anderen Einflüssen unabhängigeBerichtigung
derDatenstattfindenkann.NachderAnalyseundBewertungwerden
generische Algorithmen(z.B.DecisionTree,kNN)aufdieDatensät-
zeangewandtum(Quer-)VerbindungenundTrendszuerkennen.
DannwerdendiefehlerbehaftetenDatenpunkteberichtigt.
Herausforderungen
DasZielmusseinganzheitlicherAnsatzzurReduzierungvoninkonsis-
tenten,falschenundunvollständigenDatensein.DieHerausforderung
bestehtinLösungenzurReduzierungvonDatenfehlernundderenInte-
grationindenRegelkreisderProduktion,umdieDatenfehlerrechtzeitig
zuidentifizierenundzubeheben.
3.3.4 Migrationspfade für den Anwender
DieMigrationdesUnternehmenszurErzeugungdesDigitalenSchattens
kann inneun Schritten stattfinden, die sequenziell zu durchlau-
fen sind und sichanalog der vier Forschungsfelder aus Kapitel
3.3.3gliedern lassen: 1.Datenstruktur/ Datenmodell erstellen;
2. Multimodale Datenaufnahme;3.Multimodale Datenfusion;
4. Konsistenz-/ plausibilitätscheck. In Abb.3.3.6 sind die neun
Schritte des Migrationspfades dargestellt, deren Nummerierung den
NummernderForschungsfelderfolgt.Sogehörenbspw.dieSchritte1a
und 1b zum Forschungsfeld Datenstruktur/Datenmodell. Der Migrati-
onspfadstartetmitderDefinition des Ziels desDigitalenSchattens
undführtbiszurImplementierungundkontinuierlichen Daten-
erhebung (inkl. der Verdichtung, Prozessierung sowie Aufbereitung
undBereitstellungderDatenander richtigenStelle).DaderDigitale
SchattenabhängigvondemgegebenenProduktionsumfeldzugestalten
ist,findetderMigrationspfadzirkulär stattund istbeiVeränderungen
desUmfeldsneuzudurchlaufen.
ImFolgendenwerdendieeinzelnenSchrittedetaillierterläutert:
1a. Zieldefinition
Bevor Schritte hinsichtlich derDatenerhebung unternommenwerden,
istzudefinieren,welcheZieleundZweckederDigitaleSchattenerfüllen
soll.DanachrichtetsichdieAuswahlderbenötigtenObjektesowieder
benötigtenFelder der Sachmerkmalsleiste.BeispielederVerwen-
dungeinesDigitalenSchattenssinddieProduktionssteuerung,dieMa-
schinensteuerungoderdieEnergieeffizienzplanung.
1b. Analyse Datenbedarf
BasierendaufderZieldefinitionfindetimzweitenSchrittdieAnalyseder
benötigtenDatenstatt.Hierfüristzudefinieren,anwelchenDatenpunk-
ten Informationenaufzunehmensind.Diese sindbezüglichderbenö-
tigtengranularitätundFrequenzzuspezifizieren.DesWeiterenist
festzulegen,wodieDatengespeichertwerdenundwelches(einheitli-
che)Datenformatbenötigtwird.
2a. Abgleich Datenbedarf – vorhandene Daten
Hieristzuprüfen,welcheDatenbereitsvorhandensindundwelcheneu
aufgenommenwerdenmüssen.DievorhandenenundbenötigtenDaten
Produktion
Rohdaten Auftrittshäufi gkeit
Basisdaten
neueRohdaten
Datenbereinigung durch Löschung
fehlerhafter Daten
Datenbereinigung durch Implementierung von
Integritätsregeln
Erzeugen von fehlern in
Abhängigkeit der Auftrittshäufi gkeit
fehler löschen
cognitive
Prescriptive
Predictiv
e
Descriptive
MB
GB
tB
PB
Data Base
Production It
Sensor value
Video Mobile Repor
Pull
Batch
Periodic
(near) Real tim
e
trustworthiness
AuthenticitySourceAvailability
Data Value data veracity
Data Volume
data variety
Data Velocity
cognit
ive
Prescr
iptive
Predic
tive
Descrip
tive
MB
GB
tB
PB
Pull
Batch
Periodic
(near) Real tim
e
trustworthiness
AuthenticitySourceAvailability
Data Base
Production
Sensor value
Video Mobile Repor
Database
Production It
Sensor value
Video Mobile Report
Abb.3.3.5 KonsistenzundPlausibilitätscheckinderProduktion[102]
30
sindbezüglichihresUmfangsundderbenötigten Formzuhinterfra-
gen.Sinddiesenichtzielkonform,sindauchdieseDatenpunkteinden
folgendenSchrittenneuauszugestalten.
2b. Technologieauswahl
FürjedendefiniertenDatenpunktistentsprechenddermultimodalen
Datenaufnahme zuentscheiden,überwelcheTechnologiediebenö-
tigtenDaten aufgenommenwerden können.Auswahlkriterien können
sein:granularität, Frequenz, Datenformat, Schnittstellenzwi-
schenDatenaufnahme-Technologie,DatenlieferantundDatenspei-
cher, räumliche gegebenheiten, produkteigenschaften und
Eigenschaften des produktionsprozesses(z.B.Härtevorgänge).
SindmehrereTechnologienmöglich,soisteinkonsistentes gesamt-
konzeptzubevorzugen.
2c. Überprüfung vorhandener Technologien
DiebereitsimplementiertenTechnologiensind,sofernvorhanden,eben-
fallshinsichtlichihrerEignungundderEingliederungineinkonsis-
tentes gesamtkonzeptzuüberprüfen.
3a. Ausgestaltung Technologien
BevordasausgewählteTechnologiekonzeptumgesetztundeingeführt
werdenkann,mussdieoperativeAusgestaltungvorgenommenwerden.
HierzugehörtdieKlärungfolgenderFragestellungen:
• Anbringungsartund-ort vonSendernundEmpfängern
(z.B.aufdemProduktselbst,amLadungsträger,anderDecke,an
Säulen,imHallenboden)
• WiederverwertbarkeitvonSensorikanProdukten
• ZusammenführungvonProduktnummer/Auftragsnummermit
Datenerfassungsobjekt(z.B.Sensor-ID)
• Verknüpfung der Technologiedaten mitdemStatusdeszu
digitalisierendenObjekts(z.B.geografischerOrtxbedeuteteine
Übergangszeit,daderOrteineBereitstellungsflächeist)
• Fusion multimodaler DatendurchVernetzungundAusarbei-
tungderZusammenhänge
DieseFragenkönnennurunternehmensspezifischundanwendungsspe-
zifischgeklärtwerden,dasowohlProdukt,Produktionsprozessalsauch
ProduktionsumgebunghohenEinflusshaben.
3b. Implementierung
BeiderUmsetzungdesentwickeltenGesamtkonzeptszurErhebungdes
digitalenSchattensistdaraufzuachten,dassderlaufendeProduktions-
betrieb nicht beeinträchtigt wird. Daher muss vorab einoperativer
Implementierungsplan erstellt werden, welcher die zeitliche und
inhaltlicheAufschlüsselungdervorzunehmendenAktivitätenumfasst.
Handlungsfelder
Abb.3.3.6 MigrationspfadzumDigitalenSchatten
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
31
4a. Initial-Testphase
NachdemneueTechnologien implementiertwurden, ist zuprüfen,ob
diesedievorabdefiniertenDatenkorrekt liefernundspeichern.Hier-
fürkanneinerseitseineredundante DatenerhebungundderVer-
gleich beider Datensätzeverwendetwerden.Andererseitsisteine
manuelle Begleitung von Aufträgen/Maschinen/Transportmitteln
möglich,umdieRealitätdirektmitdenerhobenenDatenvergleichen
zukönnen.ZurReduktion des AufwandsistjenachZieldesDigita-
lenSchattenseinegeeignete Stichprobezudefinieren.
4b. Datenerhebung und -überprüfung
Nach erfolgreich durchlaufener Testphase wird das Konzept kontinu-
ierlichindenproduktivbetriebüberführt.Diesbedeutetdiekonti-
nuierliche Erhebung von DatenandendefiniertenDatenpunkten
sowiederenSpeicherunggemäßVorgaben.InregelmäßigenAbständen
(in Abhängigkeit derVolatilität des produktionsumfelds) ist zu
überprüfen,obdieDatennochdenAnforderungenentsprechen.Ände-
rungendesProduktionsumfeldskönnenbeispielsweisesein:
• veränderteoderneueArbeitspläne
• veränderteProduktionsstrukturwieWerkstattfertigungoder
Linienfertigung
• veränderteSteuerungslogik
WirdeineDiskrepanzzwischenDatenbedarfunddenerhobenenDaten
festgestellt,soistderMigrationspfaderneutzudurchlaufen,beginnend
beiderZieldefinition.
3.3.5 Bezüge/ Schnittstellen zu den anderen
Handlungsfeldern
DerDigitaleSchattenbildeteinerseitsdieGrundlagefürdasHandlungs-
feld Analytics (Big Data) und Cyber-physische Systeme und
nutztandererseits InhaltedesHandlungsfeldscloud- und dienste-
basierte produktionsplattformen.
BigData kanngenutztwerden, umdenDigitalenSchatten imersten
Schrittzuvalidieren.DurcheineAnalysederDatenkanneinKonsis-
tenzscheckdurchgeführtwerden.Weiterhinermöglichtdiedetaillierte
AnalysedieBeantwortunggezielterFragestellungen,wozuderDigitale
Schattengenutztwird.Hierbeikannessichbspw.umdieProduktions-
steuerunghandeln.DieAnalysedesDigitalenSchattens zeigt, obdie
Produktionssteuerung verbessert werden kann bzw. muss. Weiterhin
könnte eine Auswertung hinsichtlich der logistischen Zielerrei-
chungdurchgeführtwerden.WirdeineAbweichungidentifiziert,muss
zumeinendieVerarbeitung, zumanderenmüssendie aufgenommen
DatendesdigitalenSchattensüberprüftwerden.
FürCppS istderDigitaleSchattenebenfallseineVorstufe aufdem
Wegzuintelligenten vernetzen Objekten.DieSensorenderCPS
sindSendereinzelnerInformationen,diediesehäufignurvorverarbei-
ten.DieAnalyseundSteuerungfolgenaufBasisdesdigitalenSchattens
weiterhinzentral.
Cloudbasierte TechnologiendagegensindeinEnablerfürdenDi-
gitalenSchatten.DiezuspeicherndenDatenkönneninderCloudhin-
terlegtwerden.
3.4 Analytik
DieVernetzung der Wertschöpfung bis hin zuoffenen Wert-
schöpfungssystemen führt zu einem Sprung von komplizier-
ten Zusammenhängen zu komplexen Zusammenhängen
(Abb.3.4.1).WährendkomplizierteZusammenhängebeschreibbarsind
und über die klassische analytisch-systemtechnische Vorge-
hensweise,nämlichdieSuchenachKausalitäten,verstandenwer-
denkönnen,sindkomplexeSystemeinderRegelnicht analytisch
bestimmbar.Somitkönnensieauchnichtsystematischundeffizientan
Handlungsfelder
Abb.3.4.1 DerUmgangmitBigDataerforderteinenPerspektivenwechsel©FraunhoferIPA
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
32
dasjeweilsangestrebteglobale Optimumherangeführtwerden.Die
FragenachdemWarumwird immer schwieriger, ihreBeantwortung
dauert langeoderwirdgarunmöglich.Es ist somit sinnvoll, zurOp-
timierung komplexer Wertschöpfungssysteme nichtmehrnur
alleinnachderKausalität, sondernauchnachderKorrelation zu
fragen.EswirdstattnachdemWarumnachdemWasgefragt.Wirsu-
chenalsoMusterundZusammenhänge,diezuAnsätzenzurErrei-
chungeinesgewünschtenZustandsbzw.ErgebnisseseinerWertschöp-
fung führen. SinddieseMuster erkannt, können sie zunächstohne
Kenntnis der tatsächlichen UrsachenfürdasSystemverhaltenzur
OptimierungdesSystemsgenutztwerden.Erfahrungs- und Anwen-
dungswissenwerdensoteilweise entwertetunddurchAnalytik-
wissenersetzt.Dieskönntezueinerfundamentalen Veränderung
von ingenieurmäßigen VorgehenbishinzueinerVeränderung
der Wissenschaftsmethodik führen. Das heißt, derZugang zu
unddasplanvolle Nutzen von MassendatenmitHilfespezifischer
MethodenundAlgorithmenwirdzurelementaren Basis zukünfti-
ger Engineering-prozesse.
Die moderne produktionsumgebungliefertheuteschoneineViel-
zahl an Daten. Sie kommen von denMaschinen undAnlagen, von
denProduktionsprozessenaberauchausdenklassischenIT-Systemen
der Produktion, wie beispielsweise Manufacturing Execution Systems
(MES)oderdenEnterpriseResourcePlanningSystems (ERP).Derzeit
wird allerdings nur einkleiner Teil der verfügbaren Daten zur
Weiterverarbeitung genutzt,dasiehäufignichtdirektzugänglich
sindoderinInsellösungengespeichertundnurüberSystem- und
Medientransformationsprozessegenutztwerdenkönnen.DieWei-
terverarbeitungder tatsächlichgenutztenDatenbeschränktsichdann
häufig auf dieAufbereitung der Daten für den nächsten Prozess
oder übergeordnete Führungsprozesse. Aufgrund der fehlenden Inte-
grationundVernetzungderverschiedenenDatenquellenerfolgtkeine
Auswertung der Daten und deren Zusammenhänge über die unter-
schiedlichenDatenquellenhinweg.ZukünftigwerdenmitKonzeptenund
Technologienwiedemdigitalen SchattenundCyber-physischen
SystemennochmehrDatenimProduktionsumfeldgeneriert,dieüber
Cloud-StrukturenvernetztwerdenundInformationenüberProduk-
tionsprozesse,MaterialflüsseoderSystemzuständeechtzeitnahzurVer-
fügungstellen.
DieMasse dieser Daten soll nun helfenTransparenz über die
VorgängeinderProduktionzuerhalten,indemwirmöglichstvieledie-
serDatenmiteinandervernetzen,umMuster zu erkennen.Wegen
derMenge der Daten,derVielzahl unterschiedlichster Daten-
quellenunddamitauchderDatenformatesowiedergeschwindig-
keit,mitderdieseDatengeliefertundausgewertetwerdenmüssenist
einepassendeFormderDatenanalysenotwendig.Siewird indiesem
Handlungsfeld unter dem Begriff Analytik vorgestellt und diskutiert.
Dabei wird Analytik hier als die gesamtheit aller Verfahren
und Methoden gesehen, die aus den verfügbaren Daten des
produktionsumfelds möglichst automatisch Muster innerhalb
der Daten erkennen, um dadurch Zusammenhänge zwischen
den zugrunde liegenden prozessen ableiten zu können.
Aus diesen Erkenntnissen lassen sich dann Handlungsempfehlungen
sowohlfürdenMenschenalsauchfürdieMaschinenableiten,umdie
Geschehnisse innerhalb der Produktion besser zu verstehen und op-
timieren zu können. Die Analytikmit ihren Verfahren,Methoden und
TechnologienzurVerarbeitungvielfältigerDatentypenausunterschied-
lichenDatenquellenstehtimZentrumvonBig-Data-Anwendungen.
SiebildetdenKerndieserAnwendungen.
3.4.1 Definition und Entwicklung
DieNotwendigkeitzurEinführungvonBig-Data-Ansätzenresultiert
hauptsächlichdaraus,dassnichtnurinderProduktion,sondernauchin
sehrvielenanderenBereichendes täglichenLebensdieverfügbare
Datenmenge rasant anwächstundimmermehrDatenausimmer
mehrunterschiedlichen Datenquellen zurVerfügungstehen.Ur-
sache dieser Entwicklung ist, dass zum einen immermehr physische
ObjektezurKommunikationbefähigtundmiteinandervernetztwerden
(Internet der Dinge)undzumanderenauch immermehrFunktio-
nalitätendieserphysischenObjektedigital in FormvonDiensten, so-
genanntenServices,abgebildetwerden(Internet der Dienste). Des
Weiteren werden zunehmend mehr Prozessabläufe wie zum Beispiel
Auftragsabwicklungsprozesse in Informationssystemen digital abgebil-
detunddieErgebnissedigitalisiertabgespeichert.Gleichzeitigwerden
dieInformations-undKommunikationselektronikwiebeispielsweisedi-
gitaleBilderzeugungund -verarbeitungodermobileEndgeräte immer
günstigerund leistungsfähigerundsorgen ihrerseits füreinezu-
nehmendeDatenproduktion.DieEntwicklunginderInformationstech-
nologie stellt ebenfalls immer leistungsfähigere und kostengünstigere
DatenspeicherzurVerfügung.WenndieMengedersoproduziertenund
bereitgestelltenDatenmit klassischenVerfahrenund IT-Architekturen
nichtmehrsinnvollverarbeitetwerdenkann,sprichtmanvonBig Data.
BigDatawirdineinem5-V-Modell beschrieben(sieheAbb.3.4.2).Da-
beibezeichnetVolumedasrasantansteigendeDatenvolumen,dassich
ausdermassenhaftenProduktionvonDateninallenLebensbereichen
ergibt.VelocitystehtfürdiezunehmendeGeschwindigkeit,inderdie
Datengeneriertwerdenaberauchverarbeitetwerdenmüssen.Variety
stehtfürdieVielzahlanunterschiedlichenDatenquellenundDatenfor-
maten,ausdenendieDatenstammen,beziehungsweise indenendie
Handlungsfelder
33
Daten erzeugt und abgespeichert werden. Neben diesen klassischen
dreivsfindenimZusammenhangmitBigDatazunehmendmehrzwei
weiterevsBeachtung.DasistzumeinenVeracity,dasfürdieZuver-
lässigkeitderDatenstehtundaufderanderenSeiteValue,dasfürdie
WerthaltigkeitderDatensteht.
Diesefünfvsdes5-v-ModellslassensichauchinderProduktionnach-
vollziehen. Beispielsweise können mithilfe von Condition-Monito-
ring-Verfahren inMaschinenundAnlagenentlangvonProduktions-
prozessen Systemzustände beobachtet und in nahezu Echtzeit über
Vernetzungsstrukturen, wie beispielsweise Cloud-Technologien, von
weltweit verteiltenStandortenunmittelbar zentral fürdieAuswertung
zur Verfügung gestellt werden. Dabei kommen die in der Produktion
anfallenden Daten aus den unterschiedlichsten Datenquellen,
wieSensorenundAktorenvonMaschinen,aberauchausklassischen
produktions-IT-Systemen, wie etwaMES undQualitätssiche-
rungssystemen,undwerdeninZukunftverstärktüberCyber-phy-
sische produktionssystemeunddemdigitalen Schattengene-
riertwerden.DieAnalytiknimmtsichdieserDatenanundwertetsie
einerseitshinsichtlichverborgener ZusammenhängeundMuster,
z.B.mittelsData Clusteringaus(descriptive),aberauchumVor-
hersagenundAnnahmenfürdieZukunfttreffen(predictive)und
Handlungsanleitungenableitenzukönnen(prescriptive).
DerUmgangmitDaten,auchmit vielenDaten, ist fürUnternehmen,
auch inderProduktion,nichtunbedingtneu.BisherwurdedieseDa-
tenanalyse vor allem mit Methoden und Verfahren durchgeführt die
unterBusiness Intelligence(BI)subsummiertwurden.Dabeigrei-
fenBI-Systemevorallemaufstrukturierteund inderRegelgut
dokumentierte Daten aus den operativen IT-Systemen eines
Unternehmens zurück, wie beispielsweise Customer Relationship
Management(CRM)oderEnterprise Resource planning(ERp),
dieinrelationalen Datenbankengehaltenwerden.
WasheutigeAnwendungenfürBig Data Analyticsvon»traditionel-
len«Business-Intelligence-Anwendungenunterscheidet,istnichtnurdie
EinbindungsehrunterschiedlicherauchunstrukturierterDatenausun-
konventionellen Datenquellen,wiebeispielsweiseSocial-Media-
Beiträge,sondernessindauchdieunterschiedlichenFragen,diedie
beidenMethoden jeweilszubeantwortenversuchen.WährendBIseit
jeheraufdieVerwendungeineseinheitlichenSets von Metrikenfo-
kussiert,umdieLeistungeinesUnternehmensinderVergangenheitzu
Handlungsfelder
Produktion
Rohdaten Auftrittshäufi gkeit
Basisdaten
neueRohdaten
Datenbereinigung durch Löschung
fehlerhafter Daten
Datenbereinigung durch Implementierung von
Integritätsregeln
Erzeugen von fehlern in
Abhängigkeit der Auftrittshäufi gkeit
fehler löschen
cognitive
Prescriptive
Predictiv
e
Descriptive
MB
GB
tB
PB
Data Base
Production It
Sensor value
Video Mobile Repor
Pull
Batch
Periodic
(near) Real tim
e
trustworthiness
AuthenticitySourceAvailability
Data Value data veracity
Data Volume
data variety
Data Velocity
cognit
ive
Prescr
iptive
Predic
tive
Descrip
tive
MB
GB
tB
PB
Pull
Batch
Periodic
(near) Real tim
e
trustworthiness
AuthenticitySourceAvailability
Data Base
Production
Sensor value
Video Mobile Repor
Database
Production It
Sensor value
Video Mobile Report
Abb.3.4.2 5-v-ModellderProduktion,nach:InformatikSpektrum[107]
34
messen[108],konzentrierensichBig-Data-Anwendungenaufdas
Aufspüren, ErkennenundVorhersagen von Mustern.Oder,wie
Dharesformuliert:»BigDatamakesitfeasibleforamachinetoaskand
validateinterestingquestionshumansmightnotconsider«[109].
3.4.2 potenziale
LautderStudie The Digital Universe of Opportunitiesvon2014
[110] wird das weltweite Datenvolumen von 4,4 Zettabyte (4,4
1021Byte)in 2013 auf44 Zettabyte in 2020anwachsen,wobeiin
denkommendenJahrenvorallemdasInternet der Dinge (IoT)zu
diesemDatenwachstumbeitragenwird.
Diese Entwicklung hält gerade auch in die Produktion Einzug, indem
mehrundmehrObjekte,wieMaschinen,Komponenten,Sensorenoder
Werkzeuge,mitsoftwarebasierten Funktionalitäten inFormso-
genannterServicesausgestattetundmiteinandervernetztwerden.Im
RahmendieserVernetzungentstehenenormeDatenmengen,dieinVer-
bindungmitgeeigneterAnalytikeinenwertvollen Rohstoffundda-
mitWettbewerbsvorteildarstellen.DieserRohstoffbildetschließlich
dieGrundlage füreineoptimierte Entscheidungsunterstützung
innahezuallenBereichendesproduzierendenUnternehmens.DiePo-
tenziale, die sich aus der Förderung dieses Rohstoffes ergeben, sind
mannigfaltig.Einigedavonsollenhierbeispielhaftaufgeführtwerden.
ProduktionsprozessewerdenmitderzunehmendenVernetzungvonMa-
schinen und Anlagen immer komplexer. Die gestiegenen Anforderun-
gendesMarktes, etwahinsichtlich kundenindividueller Produkte oder
Nachverfolgbarkeit von Bearbeitungsständen (Tracking) in-
nerhalbderSupplyChainoderderRückverfolgung von produkt-
fehlern(Tracing)verstärkendiesenTrend.DiesystematischeErfas-
sungumfangreicherDatenausverschiedenen Betriebskontexten
inVerbindungmitkontextbasierten Auswertungenführtdazu,die
Transparenz innerhalbderProzessezuerhöhenunddamitdiean-
steigende Komplexitätbesserzubewirtschaften.
InnerhalbderInstandhaltungführendatenbasierte Vorhersagemo-
dellehinsichtlichdeszur Verfügung stehenden Abnutzungsvor-
rateseinzelnerKomponentenoderAnlagendazu,dassWartungspläne
erstellt werden können, die sich am tatsächlichen Verschleißzu-
standderüberwachtenKomponentenorientieren. InVerbindungmit
derAuswertungvonAuftragseingängenundBearbeitungsständenkön-
nenzusätzlichnochweiterekritischeFaktorenfüreineoptimierte In-
standhaltungsstrategie berücksichtigtwerden, um einemöglichst
hoheVerfügbarkeitderProduktionsressourcenzugewährleisten(busi-
ness continuity).
Diegesamtanlageneffektivität,englischOverall Equipment Ef-
fectiveness (OEE), isteinewesentlicheKennzahl inderProduktion,
dieAuskunftüberVerfügbarkeit,LeistungundQualitätvonMaschinen
undAnlagengibt.Komplexeundverkettete Anlagenwerdenhäu-
figunterdemursprünglichenPlan-OEEbetrieben,dadieProzessabläufe
undsomitdieUrsachen für AbweichungeninnerhalbdieserAnlagen
nurschwer nachzuverfolgensind.DieAnalysesämtlicherverfügba-
rerDaten,ggf.generiertdurchzusätzlicheSensorik,kannzurAbleitung
vonBetriebsmusterngenutztwerden,diezubesondershohenoder
auchniedrigenOEEWertenführen.MitHilfedieserDatenauswertungen
könnendannbeispielsweisekritische KomponentenoderMuster
fürproblematische Systemzustände erkannt bzw. prognostiziert
undMaßnahmenfürdieErhöhungderOEEabgeleitetwerden.
ÄhnlichesgiltfürdieFähigkeit von produktionsprozessen.Auch
hier können mit geeigneten Sensoren und Prüfeinrichtungen an den
Ein-undAusgängendereinzelnenProzessequalitätsrelevanteDatener-
fasstwerden.MitderAuswertungdieserPrüfdatenkönnendievor-oder
nachgelagertenProzessparameterbeiBedarfangepasstwerden,umdie
Prozessergebnissedauerhaft indenvorgegebenenSpezifikationsgren-
zen zu halten. Somit könnenQualitätsregelkreise prozessüber-
greifend in nahezu Echtzeitbetriebenwerden,wasunmittelbarzu
einerVerringerung der Ausschussquoteführt.
Daten aus den Produktionssystemen und den Produktionsprozessen
können gesammelt und analysiert sowie mit Daten über das Nut-
zungsverhalten der Betreiber korreliertwerden.Daraus ergeben
sich neueMöglichkeiten fürdatengetriebene geschäftsmodelle,
die imKerndenNutzen für Kunden indenMittelpunktstellenund
diesenmit sog.MehrwertdienstenaufBasisvonSoftwarediensten
erzielen.SokönnenetwaServicedienstleistungenrundumdieVer-
fügbarkeitderverkauftenProduktemitoptimierten,kundenindividu-
ellenWartungsintervallenangebotenwerden,diedentatsächlichen
Abnutzungsvorratberücksichtigen.DurchdieAnalysederArtundWei-
se,wiederAnwenderüberdenProduktlebenszyklusmitdemProdukt
umgeht,könnenErkenntnissegewonnenwerden,diewiederumindie
Produktentwicklung einfließen, um die Produkte auf die tatsächlichen
BedürfnissederKundenanzupassen.AuchkönnendieseErkenntnisse
imVertriebsprozessgenutztwerden,umdemKundenProdukteanzubie-
ten,dieoptimalaufseineBedürfnisseabgestimmtsind.
3.4.3 Stand der Technik
DerStandderTechnikbeiderAnalytikimProduktionsumfeldwirdan-
handvonsechs SchrittenentlangdesAblaufeseinesprototypischen
Projektes im Bereich derdatengestützten produktionsoptimie-
Handlungsfelder
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
35
Handlungsfelder
rung dargestellt (Abb.3.4.3). Dabei werden im ersten Teil dieses
Kapitels die beiden Schritte Festlegung undAnbindung der Da-
tenquellenunddanndiebeidenSchritteVorverarbeitungundAus-
wertungderDatenjeweilsineinemAbschnittzusammenbehandelt.
Ausgehend von dieser Vorgehensweise und der Darstellung aktueller
AnwendungsbereicheimProduktionsumfeld,werdenimfolgendenFor-
schungsbedarfeabgeleitetundaufgezeigt.
Big Data im produktionsbereich
Analytik-Projekte beginnen mit der Auswahl und Festlegung der
Datenquellen,dierelevantfürdieAuswertungseinkönnten.Ausge-
hendvoneinerzuvordurchgeführtenInformationsbedarfsanalyse,
werdendienotwendigenDatenpunkteermitteltund,daraufaufbauend,
dieDatenquellen festgelegt, welche diese Daten bereitstellen kön-
nen.DieseDatenquellensindimUmfeldderProduktionaufdereinen
Seite die eher traditionellen Systeme der produktions-IT wie
beispielsweiseEnterpriseResourcePlanning(ERP),CustomerRelation-
shipManagement(CRM)oderManufacturingExecutionSystems(MES),
aberauchdieSteuerungenderMaschinenundAnlagensowiediedaran
angeschlossenenSensoren.ZukünftigwerdendieseDatenquellenauf-
grundderneuen Architekturen der Cyber-physischen Systeme
nochreichhaltiger,zudemkönnenmitHilfedesInternets der Dinge
zusätzlichemeistunstrukturierte Datenhinzugewonnenwerden.
Bei der Festlegung der notwendigen Datenquellen werden unter Be-
rücksichtigungderErgebnisseausderInformationsbedarfsanalyseso-
genannteEngpasskomponenten innerhalbderAnlagenidentifiziert
undaufdieFähigkeithinüberprüft,geeigneteDatenfürdieAnalysebe-
reitzustellen.DesWeiterenwirdüberprüft,obfürdieAnalysefehlende
Datenpunkteausbestehender Sensorik,vorhandenenDatensilos
oderauszusätzlich einzubringender Sensorikgewonnenwerden
müssen.DabeikannauchaufMethodenderDatenfusionzurückge-
griffenwerden,beiderlückenhafteDatensätzezusammengeführtund
vervollständigtwerden.
DieAnbindungdieserDatenquellenausdemProduktionsumfeldandie
IT-SystemefürdieDatenanalyseerfolgtdabeibeispielsweiseüberOPC-
UA oder aber direkt über Ip-Kommunikation auf Basis etablierter
Internetprotokolle.
IT-Architekturen und Datenbereitstellung
Sobald die Datenquellen an die IT-Infrastruktur angebunden sind,
könnendieDatenausgelesenunddenAnalysesystemenbereitgestellt
werden. Hierbei kommen im Wesentlichen zwei unterschiedliche IT-
Architekturenfürdieverlustfreie SicherungderDatenzumTragen.
Bei einerdezentralenDatenhaltungwerdendieDaten jeweils lokal
anverschiedenenStellenvorgehalten.Esentstehtsomiteineverteilte
Datenarchitektur.
Umgang mit komplizierten Zusammenhängen Umgang mit komplexen Zusammenhängen
Komplizierte Zusammenhänge werden systematisch analysiert. (Kausalität)
Komplexe Zusammenhänge werden nicht mehr auf Ihre Ursache hin untersucht (Korrelation ersetzt Kausalität).
Dabei wird das komplizierte Geflecht in überschaubare Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht.
Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden).
Stichprobenanalyse, deduktives Vorgehen Vollständiges Datenbild wird untersucht, induktives Vorgehen
frage nach dem „Warum“ frage nach dem „Was“
1a. Zieldefinition
1b. Analyse Datenbedarf
2a. Abgleich Datenbedarf – vorhandene Daten
2b. technologieauswahl
2c. Überprüfung vorhandener technologien
3a. Ausgestaltung technologien
3b. Implementierung
4a. Initial-testphase
4b. Datenerhebung u. Überprüfung
migrationspfad zum
Digitalen Schatten
Bereitstellung der Daten
Vorverarbeitung der Daten
Auswertung der Daten
Herleitung der Entscheidungsgrundlage
festlegung notwendiger Datenquellen
Anbindung an Datenquelle
big data
Abb.3.4.3 SchritteeinesProjekteszurdatengestütztenProduktionsoptimierung,©FraunhoferIPA
36
Beieinerzentralen DatenhaltungwerdenalleDatenaneinerStelle
zentralzusammengeführtundvorgehalten.DasKonzeptderdezentra-
len DatenhaltungnaheanderderDatenquelleoderander(temporä-
ren)VerarbeitungderDatenwirdauchalsFog Computingbezeichnet.
Diezentrale DatenhaltunghingegengreiftmehraufKonzeptedes
Cloud Computing zurück, umwirtschaftliche und skalierbare
InfrastrukturenfürdieschnelleVerarbeitungsehrgroßerDatenmen-
gen bereitstellen zu können. Immermehr setzen sich auchhybride
Modelle durch, bei denen erste Auswertungen und Aggregationen
naheandenDatenquellendurchgeführtwerden(Fog)unddieaggre-
giertenDatenundAuswertungendannaneinezentraleStelle(Cloud)
fürdieweitereVerarbeitungunddiedauerhafteSicherunghistorischer
Datenreihenübermitteltwerden.
Für die dauerhafte Speicherung der Daten stehen relationa-
le Datenbankmanagementsysteme zur Verfügung, in denen die
DatenmitHilfe von relationalenDatenmodellen in Tabellenstrukturen
abgespeichertwerden, aber auchneuere Datenbanksystemewie
noSQL-DatenbankenindenendieDatenbeispielsweisedokumente-
norientiert, ingraphen-Datenbankenoder inKey-Value-Daten-
bankenabgespeichertwerden.
Fürdie sehr schnelleVerarbeitungsehrgroßerDatenmengenkönnen
auchIn-Memory-Datenbankeneingesetztwerden,die imGegen-
satz zu klassischen Datenbankmanagementsystemen die Daten nicht
aufderFestplattesichern,sondernimArbeitsspeicherderIT-Systeme
verarbeiten, der wesentlichkürzere Zugriffszeiten bietet. Für die
echtzeitnahe Auswertung derDaten kannauchauf Systemewie
beispielsweiseHadoop zurückgegriffen werden, die sowohl dieDa-
tenhaltungalsauchdieDatenverarbeitung in hohem Maße pa-
rallel ausführen.
Vorverarbeitung und Auswertung der Daten
BeidenDatenausdemProduktionsumfeldwirdzwischenstrukturier-
ten(meistbasierendaufeinemDatenmodell)undunstrukturierten
Daten (z.B.Bilder,Videos,Textdateien)unterschieden.Sie stammen
aus unterschiedlichen Datenquellen. Dies führt zu unterschiedlichen
Datenstrukturen, selbst dann,wenn beispielsweise gleiche Parameter
wie z.B. die Temperatur über Sensoren gemessen werden, die von
unterschiedlichen Herstellern stammen oder auf unterschiedliche Art
undWeise angebunden wurden. Dieseunterschiedlichen Daten-
strukturenmüssenintegriertundvereinheitlichtwerden,sowohlauf
dersyntaktischenalsauchaufdersemantischenEbene.Fürdiese
Datenintegrationstehenetablierte Integrationstechnologien,
wiebeispielsweiseESB(Enterprise-Service-Bus)oderETL-platt-
formen (Extract-Transform-Load), zur Verfügung, diewiederum
auf unterschiedliche Datenquellen, wie beispielsweise Datenbanken
oderDateienüberStandardschnittstellenwieSQL(ODBC, JDBC), xML,
SOApoderRESTzugreifenkönnen[111].
Wenn die zu integrierenden Daten aus einem dynamischen Umfeld
stammen,wie es klassischerWeisebei Produktionsprozessender Fall
ist, werden nicht nur statische Daten verarbeitet, sondern auch zeit-
lichaufeinanderfolgendeEreignisseausheterogenen Datenquellen
entlang der Produktionsprozesse berücksichtigt. Für das Auslesen,
Verdichten und Korrelieren solcher Daten kommen Technologi-
enausdemBereichStreamingoderComplex Event processing
(CEp)zumEinsatz.
NachdemdieDatensyntaktisch harmonisiertwurden,werdensie
auch auf der semantischen Ebene harmonisiert und in einem
zentralen Datenpoolabgelegt,wosienunfürdieweitereVerarbei-
tungzurVerfügungstehen.Hierfindetnundieanalytische Verar-
beitungderDatenstatt,diedenKernvonBig-Data-Anwendungendar-
stelltunddieGrundlagefürdieGewinnungneuerErkenntnissefürdie
Unternehmensprozessebildet.FürdieAnalysederDatenstehenjenach
Datentyp und Anwendungsfall unterschiedliche Analyseverfahren, wie
beispielsweiseText AnalyticsoderVideoand Audio Analytics,zur
Verfügung.FürdasProduktionsumfeldsindfolgendeAnalyseverfahren
besondersrelevant:
• predictive AnalyticserkenntTrendsundMusterinDatensät-
zenmitderenHilfeModelleaufBasisbedingter Wahrschein-
lichkeitenfürdieVorhersageabgeleitetwerdenkönnen
• Data Miningalsautomatisiertes Verfahren zum Erkennen
und Extrahieren von MusternundZusammenhängeninsehr
großenDatenbeständen
• Machine LearningbeschreibtMethoden,indenenComputer-
programmeselbständigneuesWissenerwerbenauchmitHilfevon
AnsätzenKünstlicher Intelligenz(KI)
Herleitung der Entscheidungsgrundlagen
NachdemdurchdieAnalytikMusterindenDatensätzenerkanntwur-
denundsichSystemverhaltenfürdieZukunftprognostizierenlassen,
gilt es nun,Handlungsanleitungen für die Verbesserung der Pro-
duktionsprozesseabzuleiten.HierzukönnenaufBasisvonModellbil-
dungen Entscheidungsgrundlagen geschaffen werden, die über
die Analyseergebnisse derDatenbestände aus der Vergangenheit ab-
gesichertsind.
Da es sich zumBeispiel bei demEinsatz vonpredictive Analytics
umeineniterativen prozesshandelt,beidemdieaktuellenDaten-
beständeimmerwiederneuausgewertetwerden,werdendieModelle
Handlungsfelder
37
vollständiger(descriptive)unddamitauchstabilerundfolglichauch
dieVorhersagen(predictive)genauer,womitsichauchdieHandlungs-
anleitungen(prescriptive)alszuverlässigererweisen.
3.4.4 Forschungsbedarfe
AuchwenndieVerfahrenundMethodenausdemBereichderAnaly-
tik schon sehr fortgeschritten sind,bleibendochnochoffenePunkte,
insbesondereimProduktionsumfeld,dieesvonderwissenschaftlichen
Seitezuadressierengilt,umderIndustrieanwendungsnaheLösungen
bietenzukönnen.DiefolgendenAbschnittezeigendiewesentlichenund
offensichtlichstendieserForschungsbedarfeauf.
IKT-Architekturen
MitderEinführungunddemBetriebvonBig-Data-Lösungenkommt
den IKT-Technologienunddendamit aufgebautenArchitekturkon-
zepteneinezentraleRollezu.Diesgiltinsbesonderedann,wenneine
AnalysederDatenüberdiegesamteWertschöpfungsketteeinesProduk-
teshinweggewünschtist.WennbeispielsweiseRückschlüsseausdem
Verhalten eines produktesoderdesBenutzerverhaltenswäh-
renddesBetriebsaufdasEngineeringoderdieProduktionabzuleiten
sind,müssenDatenaussehrunterschiedlichenSystemenzusammen-
geführtwerden,dieunterUmständenauchaufganzunterschiedlichen
Plattformen(auchCloud-Plattformen)vonunterschiedlichenPlattform-
BetreibernzurVerfügunggestelltwerden.Dasvirtuelle Zusammen-
führendieserverteilten Daten und Services,dieauchAnalyse-
funktionalitätenanbietenkönnen,übermehrereService-Plattformen
hinweg, stellt großeHerausforderungen insbesondere andieThemen
IntegrationundInteroperabilität.
Auchauf lokalerEbenegiltes,produktionsgerechteLösungen,Stan-
dardsundReferenzarchitekturenzufinden,dieeineVerarbeitung
und Analyse von sehr großenDatenmengen in Echtzeit ermöglichen.
Insbesonderebeider Installationvonsehrgroßendrahtlosen Sen-
sornetzwerken oder bei der Einführung vondurchgängigen und
weitreichenden Installationen des digitalen Schattens erge-
bensichaufderSeitederKommunikationstechnologiengroßeHeraus-
forderungen,umdieMassederanfallendenDatenauchinEchtzeitan
die auszuwertendenSystememöglichstunterbrechungs- und feh-
lerfreizuübertragen.
HierfehlenderzeitinsbesondereimindustriellenUmfeld,indemhohe
Interferenzen durch andere Funkquellen anfallen können, noch
Lösungsansätze für eine ausreichendeDatenübertragung sehr großer
Datenmengen,dienichtnureineentsprechende Bandbreite,son-
dernauchgarantierte Antwortzeitenanbieten.Dasgiltsowohlfür
Architekturkonzepte,dieaufCloud-Strukturenzurückgreifen,als
auchfürArchitekturen,dieimRahmendesFog-Computingeinen
TeilderDatenhaltungundDatenverarbeitung inderNähederDaten-
quellendurchführen.
Big-Data-Analytics
Der Bereich Analytik, Kern der Big-Data-Anwendungen, sowie die
prognose von VerhaltensmusternunddieAbleitung von Hand-
lungsanweisungenbauenimWesentlichenaufdieBildungvonMo-
dellen,diedieRealitätmöglichstgenauabbildensollen.MitHilfedieser
ModellekönnenAbweichung oder Verhaltensmustererkanntund
damitprognosengetroffenwerden.ImProduktionsumfeldgibtesal-
lerdingsnursehrwenigeModelle,diefürdieAnalytikimKontextgro-
ßerDatenmengenangewendetwerdenkönnen.Sokannbeispielsweise
kaumeinMaschinenherstellereinkundenspezifisches Verschleiß-
modellfürseinegelieferteMaschinebereitstellenundbehilftsichstatt-
dessenmitStandardwartungsplänen.AlgorithmenausdemBereich
desMachine LearningundderKünstlichen Intelligenzkönnen
inZukunfthelfen,solcheindividuellenMaschinen-undVerschleiß-
modelleaufzubauenunddazubeitragen,dassgenauereVorhersagen
zuAbnutzungsvorräten, Standzeitenoderprozessparametern
getroffenwerdenkönnen.
BesondersinderProduktionentstehenDatenausdynamischenProzes-
sen.HiermüssenMethodenundVerfahrenzurVerfügungstehen,die
einedatenbasierte Überwachung undSteuerungdieserProzesse
zulassenunddabeiauch,sehrgroßeDatenmengeninEchtzeitverarbei-
tenundauswertenkönnen.IndiesemUmfeldhabensichDistributed
Stream Computing platforms (DSCp) und Verfahren desCom-
plex Event processing (CEp)etabliert,dieallerdingsauchwiederfür
dieAuswertungenaufModellezurückgreifenmüssen.Insbesondereim
BereichderProduktionstechnologiengilteshiervorallem,möglicheEin-
satzszenarienfürdieseTechnologienzudefinierenundAnwendungsfälle
fürdieseEinsatzszenarienauszugestaltenundumzusetzen.
Bei der Daten-Integration gilt es, neben der syntaktischen Inter-
operabilitätderDatenaucheinesemantische Interoperabilität
herzustellen. Dabei wird auf die inhaltliche Bedeutung der einzelnen
Informationsobjekteeingegangen,uminhaltlicheZusammenhängeaus
denunterschiedlichenDatenmodellenderDatenquellenabzuleiten.Sta-
tische und anwendergetriebeneVerfahren für diesesMappinggibt es
bereits,dieHerausforderungbestehtjetztinderBereitstellung von
dynamischen Mapping-Verfahren, die aufAussagenlogik und
semantischen Technologien, aber auch aufMachine Learning
undKünstlicher Intelligenzaufbauen.Dasgiltinsbesonderedann,
wenn Big-Data-Services über Plattformen hinweg orchestriertwerden
oderaufunterschiedlicheDatenquellenparallelzugreifensollen.
Handlungsfelder
38
Der Aufbereitung derAnalyseergebnisse (Visualization) im Pro-
duktionsumfeldkommteinebesondereBedeutungzu,dahierdiege-
wonnenenInformationenalsEntscheidungsgrundlageandenAnwender
gebracht werden. Abhängig vom Konsumenten dieser Informationen
und seiner aktuellen Aufgabenstellung,werden ganz unterschiedliche
Anforderungen an eine zielgerichtete und handlungsorientier-
te Informationsaufbereitung gestellt. Insbesondere imKontext
der Assistenzsysteme,diedenAnwenderbeiderErledigungseiner
Aufgabenunterstützensollen, sindbenutzerfreundlicheundkon-
textabhängige Informations- und Interaktionsformate not-
wendig,aberauchinneuenMensch-Maschine-Schnittstellen,wie
beispielsweisederMensch-Roboter-Kooperation.
IT-Sicherheit
DasThemaSicherheitisteinwesentliches Element inderVerarbei-
tungvongroßenDatenmengen.Nichtrichtigbehandelt,stelltdieSicher-
heit, oder besser gesagt die gefühlte Unsicherheit, einerhebliches
Hindernis für dieEinführung von Lösungen für diedatengetriebene
Produktionsoptimierungdar.ImKontextderProduktionwirdSicherheit
aufzweiEbenengesehen,diesichmitdenenglischenBegriffenSafe-
tyundSecuritygutunterscheidenlassen.UnterdemBegriffSafety
werdenalleAktivitäten zusammengefasst, diedafür sorgen,dassder
BetriebvonProduktionsanlagensicherimHinblickaufdieUnversehrt-
heit von Menschen und produktionsressourcen ist.Security
hingegenadressiertdenBereichder Daten- und Betriebssicherheit
von IT-Systemen.
ImBereich Safety sind imKontext von Big-Data-Auswertungen unter
anderem Latenzzeiten zu berücksichtigen, wenn die Handlungs-
empfehlungen unmittelbar auf das Produktionsequipment angewandt
werdensollen.AberauchgeeigneteIdentifikationsmechanismen
sindwichtig, insbesondere imBereichderMaschine-zu-Maschine-
Kommunikation(M2M).
ImBereich Securitymuss unter anderem sichergestelltwerden, dass
personenbezogene Datenentsprechenddengültigen Vorschrif-
ten behandelt werden. Auch die Sicherstellung der Richtigkeit
und Zuverlässigkeit der verwendeten Daten muss immer ge-
währleistetsein,undzwarbeginnendamOrtderDatengenerierung–
zumBeispiel einem Sensor – über die Verarbeitung und Analyse der
DateninderCloud,bishinzurVisualisierungderHandlungsempfehlung.
GleichzeitigmussauchdurchMaßnahmenimBereichderSecurityeine
ausreichendeAusfallsicherheit gewährleistet sein, die dafür sorgt,
dassangeforderteDatenundServicesauchtatsächlichzurVerfügung
stehen.
Neben diesen operativen Fragen hinsichtlich der IT-Sicherheit gilt es
auch,rechtliche AspektederDatenerhebungundDatenauswertung
zu klären.Hier stellt sich unter anderemdie Frage,wemdie von ei-
nerMaschineodereinemProduktgeneriertenDatengehören.Gehören
siedemHerstelleroderdemBetreiber,demKundenderProdukteoder
eventuell dem Entwickler der datenverarbeitenden Dienste oder dem
BetreiberderPlattform,aufdemdieDatengespeichertwerden?Istdie-
se Frage geklärt,muss auch noch geprüftwerden,werwasmit den
DatenunddenAnalyseergebnissenmachendarfundwerdie Verant-
wortung für die Richtigkeit dieser Datenträgt.
3.4.5 Migrationspfade für den Anwender
DerWeghinzueinerdatenbasiertenProduktionbestehtimIdealfallaus
dersukzessivenEinführungindenSchrittenDigitalisierung, Vernet-
zung, Sammlung, Auswertung, Modellbildung(descriptiveana-
lytics),Vorhersage(predictiveanalytics)undHandlungsableitung
(prescriptiveanalytics)sowiezukünftigauchderEinführungKünstli-
cher Intelligenz(cognitive analytics).
DieDigitalisierungführtdazu,dassmehrundmehrphysischeObjektein
dieLageversetztwerdenzukommunizieren,undDatenübersichundihre
Prozessepreiszugeben(Cyber-physische Systeme).DieBasishier-
fürbildetunteranderemdieGesetzmäßigkeitausMoore’s Law [112],
diebesagt,dasssichdieLeistungfürProzessorenetwaalle18Mona-
teverdoppelt,waszuleistungsfähigerenundgleichzeitigkleinerenund
damitauchkostengünstigerenRecheneinheitenführt.ÜberdieVernet-
zungdieserkommunizierendenphysischenObjektewirdentsprechend
Metcalfe’s LaweinMehrwertgestiftet.DemnachwächstderNutzen
Handlungsfelder
39
eines Kommunikationssystems im Quadrat zur Anzahl der möglichen
VerbindungenzwischendenTeilnehmern.Dadurch,dassmöglichstviele
ObjekteeinerProduktionineinemNetzwerkzusammengeführtwerden,
entsteht ein ganzheitliches Abbild der Produktionsumgebung nahezu
inEchtzeit(DigitalerSchatten).DiesovernetztenDatenausdemPro-
duktionsumfeldwerden jetztangeeigneterStelle(sieheAbschnitt IT-
ArchitekturenundDatenbereitstellung)gesichert,aufbereitetundden
Interessenten zur Verfügung gestellt. Mit Hilfe von Modellen können
nunMuster undVerhaltensweisen extrahiertwerden, aus denen
sich dann im nächsten Schrittprognosen für die Zukunft treffen
lassen,diemitderZeit immerstabilerundzuverlässigerwerden.Aus
diesenVorhersagenlassensichHandlungsanleitungenableiten,diezu
einerdatengetriebenen produktionsoptimierung führen. Führt
mandiesenGedankenzuEnde,könnendieseHandlungsempfehlungen
auchautonom von Maschinenoderprogrammsteuerungenaus-
geführtwerden,womitdieEndausbaustufe der Smarten Fabrik
erreichtwäre.
3.4.6 Bezüge/ Schnittstellen zu den anderen
Handlungsfeldern
DasHandlungsfeldAnalytikstehtindirektemBezugzudenanderen
drei Handlungsfeldern,diehierdargestelltwurden.
Cyber-physische produktionssystemeundDigitaler Schatten
sindimKontextderAnalytikDatenquellenundbildendieProduktion
aufBasiserfassterSystem-, prozess-undUmgebungsvariablen
inEchtzeitab.Cyber-physischeSystemekönnendabeiaberauchindie
Rolle desInformationskonsumentenwechseln undauf diekon-
textbasierten HandlungsanleitungenüberentsprechendeAktorik
reagieren.Cloud-plattformensindeinwichtiges Infrastruktur-
elementbeidersystemübergreifenden Auswertung vonDaten,
daaufihnendieDatengut skalierbarverarbeitet,analysiertundbe-
reitgestelltwerdenkönnen.
Handlungsempfehlungen
4 Handlungsempfehlungen
ImfolgendenKapitelwerdenHandlungsempfehlungenfürWirtschaft,
politikundWissenschaftausSicht der produktionstechnikfor-
muliert.BasisderEmpfehlungensinddieAusführungenausdemdritten
Kapitel zu den Themen Cyber-physische Systeme, Cloud- und
dienstebasierte produktionsplattformen, Digitaler Schatten
sowieAnalytik.
4.1 Handlungsempfehlungen für die Wirtschaft
Systematische Reflektion der bestehenden Geschäftsmodel-
le unter Beachtung der neuen und sich zukünftig entwickeln-
den technologischen Möglichkeiten in den beschriebenen
vier Handlungsfeldern
Unternehmen,undhierinsbesonderekleine und mittelständische
Unternehmen,müssensichdeutlichmehrmitgeschäftsmodellin-
novationen,getriebendurchdiedigitaleTransformation,beschäftigen.
Hierzuistesnotwendig,daseigene geschäftsmodellvollumfänglich
zu verstehen und strukturiert neue Geschäftsmodelle zu entwickeln,
diedurchdiebeschriebenentechnologischenPotenzialesowiediege-
sellschaftlichenVeränderungenwirtschaftlichrelevantwerdenkönnen.
Hierzuisteinaktives Ideen- und Talentmanagementnotwendig,
auchüberKooperationen mit Forschungseinrichtungen.
Entwicklung und schnelle Erprobung von digital veredelten
existierenden geschäftsmodellen und innovativen neuen
ggf. disruptiven geschäftsmodellen durch Nutzung informa-
tionsbasierter Mehrwertdienste auf Basis neuer Wertschöp-
fungsmodelle
DieBasisneuerGeschäftsmodellebildetderechtzeitnahe Zugang zu
DatenunddieNutzungdieserDatenzurErzeugung neuer Dienste
mitklarem NutzenprofilfürdenKunden.Hierzuistesnotwendig,die
kundenrelevanten DatenundderenEinflussaufdiezuoptimieren-
denZielgrößen,Prozesse,funktionalenEinheitenundHierarchieebenen
zuverstehen,umdiekundenseitigen Wertschöpfungspotenziale
auf Basis vonMehrwertdiensten in BereichenwieCondition Moni-
toring, prozess- und Anlagensimulation, Optimierung, Sys-
temintegration, Maschinen- und Anlagenprogrammierung
wirtschaftlichnutzbarmachen zu können.Hilfreich ist dabei dieAna-
lysevonFelddaten und Nutzungsdaten (SocialMedia) sowiedie
FilterungrelevanterInformationenundderenRückführungindiePro-
duktionsplanungund-entwicklung.ImVordergrundmussdieschnel-
le Erprobung soentstehenderMehrwertdienstestehen.Deshalbsind
gemeinsammitausgewähltenLead-KundensowienotwendigenKo-
40
Handlungsempfehlungen
operationspartnern»proofs of Concept« (Poc) durchzuführen,die
ausreichendeErkenntnisseüberdieUmsatzbarkeitneuer geschäfts-
sowie Wertschöpfungsmodelleliefern.
Systematische Übertragung der cyber-physischen System-
architekturen auf das eigene produktportfolio sowie auf die
eingesetzten produktionsmittel
Im Zuge der Digitalisierung findet eine Transformation der Produkte
hin zuCyber-physischen Architekturen statt. Unternehmen soll-
ten diese Transformation alsChance für die Entwicklung neuer
Funktionalitäten, die bessere Einbindung ihrer Kunden und
Lieferanten sowie für den Ausbau lebenzyklusbegleitender
Mehrwertdiensteverstehen.HierzusinddienotwendigenSysteme,
KooperationenundKompetenzenimSinneeinesserviceorientierten
Wertschöpfungssystemsaufzubauen.DiePotenzialezurEntkopp-
lung von spezifischen Hardwareplattformen durch Einbettung
standardisierter Technologien, wie z.B. PC-basierte Steuerungen (so-
genannte Soft-SPS) sind zu nutzen. Auch die Möglichkeiten, die sich
durchdieVirtualisierung hardwareabhängiger it-Funktionali-
tätsowiedurchdieNutzungvonplattform- und Software-as-a-
Service-Modellen ergeben,sindgezieltindieArchitekturdereigenen
Produkte zu integrieren.HierzumüssenunternehmenseigeneKompe-
tenzendurchstrategische Allokation von RessourcenimBereich
derbeschriebenenHandlungsfelderaufgebautwerden.Unteranderem
müssen UnternehmenMitarbeiter integrieren, die sogenannteHoch-
sprachen in der Informatikbeherrschen.ZudemistderWille zu
Kooperationen unter Umständen auch mit den Wettbewerbern zu
formulieren, um schnell und in signifikanter Größe inplattformba-
sierte Wertschöpfungsmodelle erfolgreich einsteigen zu können.
DenkbarsindhierZusammenschlüsseauchvonKMUzubranchenspe-
zifischen Plattformen,umdenSoftware-Plattformengroßer,häufig
ausdenUSAstammenderUnternehmensinnvollzubegegnen.
Datenorientierte Erschließung und Erweiterung des domä-
nenspezifischen Prozesswissens in allen relevanten Ge-
schäftsprozessen produzierender Unternehmen
VieleUnternehmenhabenbereits Zugang zu einer großenMenge an
DatenausihrenKerngeschäftsprozessen,wieEntwicklung, pro-
duktionoderauchVertriebundService.HäufigwerdendieDaten
zwarerfasstundarchiviert,seltenjedochimSinnederAnalytikzurOp-
timierung der geschäftsprozessegenutzt.DiesystematischeEr-
schließung IKT-basierter Effizienz- und Innovationspotenziale
fürKerngeschäftsprozesseproduzierenderUnternehmenmussmehrBe-
deutungzugemessenwerden.HierzusindLeistungsgrenzenbisher
verwendeterIKT-SystemeinsbesondereinderProduktionneuzube-
werten.DieNutzenpotenzialeneuerTechnologiendesIKT-Bereichswie
z.B. Cloud-Architekturen, Drahtloskommunikation und Data
AnalyticssowieMachine LearningsindfüreigeneProduktionspro-
zessesystematischundergebnisoffenzuanalysieren.
Unternehmenskulturelle und technische Erschließung von
IT-Sicherheit (Security/ Safety) als Vorteil im globalen Wett-
bewerb
IT-SicherheitwirdvonvielenUnternehmenzuRechtalshohes Ri-
siko derdigitalenTransformationinderWirtschaftangesehen.DieBe-
deutungvonIT-Sicherheitistbereitsheutesehrhochundsolltedeshalb
nichtalsBegründungfürunternehmerische Zurückhaltung oder
Tatenlosigkeitherangezogenwerden.Vielmehrkannausdeutscher
Perspektive die IT-Sicherheit zumAufbau vonWettbewerbsvor-
teilen genutztwerden.IT-SicherheitistinDeutschlandeinhohesund
gesetzlichstarkverankertesGut.Dieaktive,auchglobale Vermark-
tung von IT-Sicherheit als Mehrwertdienst sollte deshalb im
VordergrundderDiskussionumDatenschutz stehen.Hierzu sindent-
sprechendetechnischeKompetenzen–zumindestBewertungskom-
petenzen –aufzubauen,undesisteineSensibilisierungdereigenen
MitarbeiterbishinzurVerankerung der IT-Sicherheitsthemenin
der Unternehmenskulturvoranzutreiben.
Umsetzung der digitalen Unternehmenstransformation mit-
tels umfassender Road Maps unter Beachtung erfolgreicher
Veränderungsansätze soziotechnischer Organisationen
Integration schafft Identifikation.DeshalbsindmöglichstalleMit-
arbeiter indieagile Entwicklung und Realisierungderdigitalen
TransformationeinesUnternehmenszubeteiligen.Agilitätbedeutethier
geschwindigkeit und Flexibilität in der Stoßrichtung der einge-
schlagenenEntwicklung.Basishierfüristeinegemeinsame Erkennt-
nisebenebeidenMitarbeitern,dieeserlaubt,schnelleSchritteinden
Markt sowie bei der Optimierung der Geschäftsprozesse zu machen.
HierbeisolltenalleEntwicklungenamKundennutzenundderErfül-
lung vonKundenbedürfnissen orientiert sein.MethodenundKon-
zeptewieDesign Thinking, Minimum Viable product, Open x
sowiexaaSkönnenindiesemFeldsehrhilfreichsein.
DieschnelleUmsetzungvonproofs of Concept sowiederAufbau
von Anwendungsszenarien(sogenannteUse-Cases)solltehierim
Vordergrundstehen.GemeinsammitMitarbeiternmöglichstallerHier-
41
Handlungsempfehlungen
archieebenundBereichesolltenersteErfahrungengesammeltwerden,
umsukzessiveeineumfassendeBewertungs-, Entwicklungs- so-
wie Realisierungskompetenz aufzubauen, die die Basis für eine
erfolgreicheMigration in plattformbasierte geschäftsmodelle
sowieentsprechendegeschäftsprozesseermöglicht.
4.2 Handlungsempfehlungen für die politik
Umfassender und schneller Ausbau der IKT-Infrastruktur als
erfolgreiche Basis für die digitale Transformation der deut-
schen Wirtschaft
Sämtlicheindustriellen Revolutionenbenötigtenihrespezifische
Infrastruktur,umgesellschaftlicheFortschritteundWohlstands-
gewinnezuermöglichen.EbensowieStraßen- und Schienennet-
ze nochunabdingbarsind fürdieLogistik physischer güter,und
ebenso wie die zuverlässige und skalierbare Energieversorgung,
insbesonderedurchentsprechendeStromnetze,Grundvoraussetzung
istfürdenwirtschaftlichen BetriebvonProduktionsstättenundvie-
lerihrerProdukte,istdieleistungsfähige IKT-Infrastruktureines
Wirtschaftsraumsabsolutnotwendig,umdessendigitaleTransformation
erfolgreich zu ermöglichen. Erhebliche staatliche wie private In-
vestitionenindenAusbauvonschnellenkabelgebundenensowie
kabellosen Breitbandnetzen als Basis für das taktile Internet
sindhierfüralternativlos.
Flexibilisierung des deutschen Innovationssystems, um die
geschwindigkeit von Innovationsprozessen massiv zu stei-
gern und neue Verwertungsakteure zu gewinnen
Die Digitalisierung und Vernetzung beschleunigt die Markt-
durchdringungundverkürztgleichzeitigdieproduktlebenszyklen
vielerProdukteundDienstleistungen.Diesbedeutet,dassdieLeistung
desdeutschenInnovationssystemszunehmenmuss,umdiePositi-
onderdeutschenWirtschaft imglobalen Wettbewerbzuerhalten
odergarauszubauen.
UmeinerseitsdiegeschwindigkeitundanderseitsdieAgilitätdes
Innovationssystemszuerhöhen,sindneueFormenderZusammen-
arbeitzwischenPolitik,WirtschaftundForschungzuetablieren,dieeine
höhere Interdisziplinarität, Bündelung von Forschungsres-
sourcen sowieeineverbesserte Nutzenorientierungermöglicht.
KonzeptewieIndustry on Campus,Aufhebungderhäufigkünstli-
chen Trennungvongrundlagen- und anwendungsorientierter
Forschung unddiegemeinsame Nutzung vonForschungsres-
sourcen sowie die Stärkung von gründungsaktivitäten, auch
durchsteuerliche Vergünstigungen,müssenhierBerücksichtigung
finden.
FürdieProduktionsforschungstehthierzusätzlich der Zugang zu
realen produktionsdatenimVordergrund,ummittelsAnalytikum-
fassendeErkenntnisgewinne aberauchschnelleRückkopplungen
indieindustrielle Anwendungzuermöglichen.
gezielter Ausbau von Spitzenforschung sowie Förderung der
Lehre zur Kompetenzvermittlung im Ingenieurwesen in den
vier Handlungsfeldern Cyber-physische Systeme, Cloud- und
dienstebasierte produktionsplattformen, Digitaler Schatten
sowie Analytik
Spitzenforschung bedeutet, schnell relevante Ergebnisse zur
Verwertung in der Industrie zu erzeugen. Hierzu sind die Vor-
aussetzungenzuschaffen.Eineveröffentlichungsorientierte Be-
wertung von Forschungsqualität ist hier nur eingeschränkt
hilfreich undsolltedurcheineImpact-Orientierung imSinneder
Bewertung wirtschaftlicher Relevanzergänztwerden.
DeutscheUnternehmenbenötigenzusätzliche Fachkräftemitstar-
kem disziplinärem Profil in den MINT-Bereichen, aber auch
hoher systemischer Kompetenz.Hierzu sindspezifische Maß-
nahmen einzuleiten,dieunteranderemsehrgut imAbschlussbe-
richt der Expertenkommission Ingenieurwissenschaften@
BW2025 desLandesBaden-Württemberg[113]dargestelltsind.
Schaffung der notwendigen rechtlichen Rahmenbedingun-
gen und Förderung von kleinen und mittleren Unternehmen
sowie Einbindung aller relevanten Stakeholder
DieAktivierung undSensibilisierung der gesellschaft für die
digitaleTransformationderdeutschenIndustrieisteinSchlüssel zum
Erfolg.
Einenicht aufgeklärte gesellschaftsorgtunterUmständenfürdie
falschen Rahmenbedingungen.Deshalbsindmöglichstalle rele-
vanten Anspruchsgruppenindiepolitischen Diskussions- und
Entscheidungsprozesse mit einzubinden. Die nationale platt-
form Industrie 4.0 ist hier einwichtigesElement.Nebendenge-
werkschaften, die bereits einhohes Maß an Interesse zeigen,
sinddieKMUnochweiterzu fordernundzu fördern.Dieaktuellen
AnsätzereichenbeiWeitemnochnichtaus,um eine umfassende
Aktivierung des deutschen Mittelstandszuerreichen.Auchder
deutsche wie europäische Rechtsrahmen muss überprüft und
42
Handlungsempfehlungen
ggf.ergänztwerden.EuropäischeInitiativenwie»single digital mar-
ket« [114] sindsehrzubegrüßenundmöglichstschnellinnationales
Rechtzuüberführen.
4.3 Handlungsempfehlungen für die Wissenschaft
DerKommissionsberichtIngenieurwissenschaften@BW2025des
LandesBaden-Württemberg[113]hatsichsehrausführlichmitdennot-
wendigenVeränderungen der Ingenieurwissenschaftenausein-
andergesetzt,dieinsbesonderedurchdieDigitalisierungundVernetzung
getriebensind.DendortentwickeltenHandlungsempfehlungenist
kaumnochetwashinzuzufügen.DennochsindfolgendeForschungs-
themenausSichtderWgpvonbesonderer Bedeutung:
• IndividualisierungderArbeitsmitteldurchNutzungvonIndustrie4.0
• IntelligenteNutzungvonIndustrie4.0zurFehlervermeidung
• Verbesserteproduktionssteuerung und -planungdurch
Industrie4.0
• VeränderungenderArbeitsweltundderbenötigten Kompe-
tenzprofile durchIndustrie4.0
• Umsetzungs-undEinführungsstufen
• EffizienzsteigerungderProduktiondurchinnovative ganzheitli-
che produktionssysteme
• Verbesserungdergerätesicherheit(Hard- und Software)
• AnalytikzurSelbstoptimierungvonProduktionsprozessenund
-systemen
• EntwicklungdomänenspezifischerIT-Sicherheitskonzepte
• EntwicklungvonKommunikationsstandardsundautomati-
sierten EntscheidungenüberdieInformationsweitergabe
• Entwicklungvollständiger DatenstrukturenundUntersuchun-
genhinsichtlichderInformationsgranularität
• Entwicklungbenutzerfreundlicherundkontextabhängiger
Informations-undInteraktionsformate
• EntwicklungeinerRahmenarchitekturzurcloud- und
dienstebasierten AutomatisierungimSinnevon»Automati-
on as a Service«
• (Weitereundbessere)Lösungen, StandardsundReferenzar-
chitekturen(RAMIisteinAnfang)[114],zurVerarbeitungund
AnalysevonsehrgroßenDatenmengeninEchtzeitmitgarantier-
ten Antwortzeitenundgeringer Latenz
• VerbesserungderEchtzeitfähigkeitvonCloudplattformenim
HinblickaufSteuerungssysteme
• multimodale Datenaufnahmeundvirtuelle Fusionverteilter
DatenundServicesmitAnalysefunktionalitätenübermehrere
Serviceplattformenhinweg
• Entwicklungsmarter AlgorithmenausdemBereichdesMachi-
ne LearningundderKünstlichen Intelligenz,dieindividuelle
Maschinen- und Verschleißmodelleaufbauen,zurgenaue-
ren VorhersagederAbnutzungsvorräte, Standzeiten oder
prozessparameter
• ErforschungvonMöglichkeitenzurlokalenunddezentralen
AnalyseundOptimierung
• Bereitstellungvondynamischen Mapping-Verfahren,dieauf
Aussagenlogikundsemantischen Technologien,aberauch
aufMachine LearningundKünstlicher Intelligenzaufbauen
• DefinierenvonEinsatzszenarienundAnwendungsfällen
fürdieUmsetzungsowieUntersuchungvonpotenziellen
Einführungsstrategien
43
Referenzen
5 Referenzen
[1] Slama.D.etal.:EnterpriseInternetofThings.
Internet:http://enterprise-iot.org/.Zuletztaufgerufenam19.5.2016
[2] ProjektträgerKarlsruhe(Hrsg.):BMBF-ProjektINBENZHAP.
Internet:http://www.produktionsforschung.de/verbundprojekte/vp/
index.htm?VP_ID=3865.Zuletztaufgerufenam19.5.2016
[3] GroupeSpecialeMobile(GSM)(Hrsg:)Internet:www.gsma.com/.
Zuletztaufgerufenam19.5.2016
[4] LocalMotors(Hrsg.):Internet:https://localmotors.com/.
Zuletztaufgerufenam19.5.2016
[5]Vogel-Heuser,B.;Diedrich,c.;Broy,M.:AnforderungenanCPS
ausSichtderAutomatisierungstechnik.At–Automatisierungstechnik
61(2013)10,S.669–676
[6] Monostori,L.;Kadar,B.;Bauernhansl,T.;Kondoh,S.;Kumara,S.;
Reinhart,G.;Sauer,O.;Schuh,G.;Sihn,W.;Ueda,k.:Cyber-physical
systemsinmanufacturing.In:CIRPAnnalsManufacturingTechnology
65(2016)2
[7] LeeE.:CyberPhysicalSystems:DesignChallenges.2008.
In:11thIEEEInternationalSymposiumonObjectandComponent-
OrientedReal-TimeDistributedComputing(ISORC)S.363–369
[8]Broy,M.(Hrsg.):CyberPhysicalSystems–Innovationdurchsoft-
wareintensiveeingebetteteSysteme.Berlin:Springer-Verlag2010
[9] NationalInstituteofStandardsandTechnology:StrategicR&D
Opportunitiesfür21stCenturyCyber-PhysicalSystems–Connecting
computerandinformationsystemswiththephysicalworld.Internet:
http://www.nist.gov/el/upload/12-Cyber-Physical-Systems020113_final.
pdf.NationalInstituteforStandardsandTechnology,Gaithersburg.
Zuletztaufgerufenam17.5.2016
[10] Rajkumar,R.;Lee,I.;Sha,L.;Stankovic,J.:Cyber-Physical
Systems:TheNextComputingRevolution.ProceedingsoftheDesign
AutomationConference2010,Anaheim2010.Internet:https://www.
cs.virginia.edu/~stankovic/psfiles/Rajkumar-DAC2010-Final.pdf.
Zulatztaufgerufenam10.6.2016
[11] acatech(Hrsg.):Cyber-PhysicalSystems–Innovationsmotorfür
Mobilität,Gesundheit,EnergieundProduktion.Berlin:Springer-Verlag
2011,S.13–19
[12] Geisberger,E.;Broy,M.:agendaCPS:IntegrierteForschungs-
agendaCPS.Berlin:Springer-Verlag2012,S.19–28
[13] Bergerc.;HeesA.;BraunreutherS.;ReinhartG.:Characteriza-
tionofCyber-PhysicalSensorSystems.Proceedingsofthe48thCIRP
ConferenceonManufacturingSystems2016,S.638–643
[14] ReinhartG.;Scholz-Reiter,B.;WahlsterW.;WittensteinM.;Zühlke
D.:IntelligenteVernetzunginderFabrik.Stuttgart:Fraunhofer-Verlag
2015,S.638–643
[15]Monostori,L.:Cyber-physicalproductionsystems:Roots,ex-
pectationsandR&Dchallenges.2014.Proceedingsofthe47thCIRP
ConferenceonManufacturingSystems2014,S.9–13
[16] VDI/VDE-GesellschaftfürMess-undAutomatisierungstechnik
(Hrsg.):Cyber-PhysicalSystems:ChancenundNutzenausSichtder
Automation.Internet:https://www.vdi.de/uploads/media/Stellungnah-
me_Cyber-Physical_Systems.pdf.VDI/VDE,2013.Zuletztaufgerufen
am11.3.2016
[17] Reinhart,G.etal.:Cyber-physischeProduktionssysteme.wtWerk-
stattstechnikonline103(2013)5,S.84–89.Internet:www.werkstatts-
technik.de.Düsseldorf:Springer-VDI-Verlag
[18]Lanza,G.;Haefner,B.;Kraemer,A.:Optimizationofselective
assemblyandadaptivemanufacturingbymeansofcyber-physical
system-basedmatching.In:CIRPAnnals–ManufacturingTechnology
64(2015)1
[19] Kagermann,h.;Wahlster,W.;Helbig,J.:Umsetzungsempfehlun-
genfürdasZukunftsprojektIndustrie4.0.Hrsg.Acatech.Frankfurt
amMain:April2013,S.22–29.Internet:https://www.bmbf.de/files/
Umsetzungsempfehlungen_Industrie4_0.pdf.Zuletztaufgerufenam
12.3.2016
[20] Verl,A.;Lechler,A.;Schlechtendahl,J.:Glocalizedcyberphysical
productionsystems.ProductionEngineering–ResearchandDevelop-
ment6(2012),S.643–649
[21] Spath,D.;Ganschar,O.;Gerlach,S.;Hämmerle,M.;Krause,T.;
Schlund,S.:ProduktionsarbeitderZukunft–Industrie4.0.Studiedes
Fraunhofer-InstitutsfürArbeitswirtschaftundOrganisationIAOStutt-
gart:Fraunhofer-Verlag2013.Internet:http://www.iao.fraunhofer.de/
lang-de/images/iao-news/produktionsarbeit-der-zukunft.pdf
[22] BundesministeriumfürBildungundForschung:Zukunftsbild
»Industrie4.0«.Internet:https://www.bmbf.de/pub/Zukunftsbild_In-
dustrie_40.pdf.BundesministeriumfürBildungundForschung,Berlin.
Stand:2012.Zuletztaufgerufenam11.3.2016
[23] Bauernhansl,T.;tenHompel,M.;VogelheuserB.(Hrsg.):
Industrie4.0inProduktion,AutomatisierungundLogistik.
Wiesbaden:Springer-Vieweg-Verlag2014
[24] Schmid,M.;Berger,S.;Rinck,P.;Fischbach,c.:
Smarterstattschneller.ZWF–Zeitschriftfürwirtschaftlichen
Fabrikbetrieb109(2014)7-8,S.546–548
[25]Reinhart,G.;Geiger,f.:Knowledge-BasedMachineScheduling
underConsiderationofUncertaintiesinMasterData.ProductionEngi-
neeringResearchandDevelopment10(2016)2,S.197–207
[26] Bauernhansl,T.:Fromthefractalfactorytothecyber-physical
productionsystem.Internet:http://download.steinbeis-europa.
de/2013-10-29-30_CPS/30102013-CPS-bauernhansl.pdf.Fraunhofer
IPA,Brüssel.Stand:2013.Zuletztaufgerufenam14.3.2016
44
[27] Kowalewski,S.;Rumpe,B.;Stollenwerk,A.:Cyber-Physical
Systems–eineHerausforderungfürdieAutomatisierungstechnik?
Internet:http://www.se-rwth.de/publications/Cyber-Physical-Systems-
eine-Herausforderung-an-die-Automatisierungstechnik.pdf.
Zuletztaufgerufen12.3.2016
[28]Fraunhofer-Gesellschaft(Hrsg.:)IndustrialDataSpace.Internet:
http://www.fraunhofer.de/de/forschung/fraunhofer-initiativen/industri-
al-data-space.html#.Zuletztaufgerufen12.3.2016
[29] Schiemenz,B.;Schönert,O.:EntscheidungundProduktion.
München:Oldenbourg-Wissenschaftsverlag2005,S.11
[30] Gausemeier,J.;Plass,C.:ZukunftsorientierteUnternehmens-
gestaltung:Strategien,GeschäftsprozesseundIT-Systemefürdie
Produktionvonmorgen.München:Carl-Hanser-Verlag2014,S.7–10
[31] Bischoff,J.(Hrsg.):ErschließenderPotenzialederAnwendung
von»Industrie4.0«imMittelstand.Internet:http://www.zenit.de/
fileadmin/Downloads/Studie_im_Auftrag_des_BMWi_Industrie_4.0_
2015_agiplan_fraunhofer_iml_zenit_Langfassung.pdf.agiplanGmbH,
MühlheimanderRuhr.Stand:2015.Zuletztaufgerufenam14.3.2016
[32]Schenk,M.;Flechtner,E.;Kujath,M.;Häberer,S.:Industrie4.0-
Checkup.Industrie4.0Management31(2015)3,S.21–25
[33] Botthoff,A.;HartmannE.(Hrsg.):ZukunftderArbeitinIndust-
rie4.0.Wiesbaden:Springer-Vieweg-Verlag2015
[34] Dorschel,J.:PraxishandbuchBigData.Wiesbaden:Springer-
Gabler-Verlag2015
[35]Mell,P.;Grance,T.:TheNISTdefinitionofCloudComputing.
Publication800-145,NationalinstituteofStandandsandTechnology,
Gaithersburg2011.Internet:http://nvlpubs.nist.gov/nistpubs/Legacy/
SP/nistspecialpublication800-145.pdf.Zuletztaufgerufenam10.6.2016
[36] Mell,P.;Grance,T.:TheNISTDefinitionofCloudComputinga.a.O.
[37] SiemensAG(Hrsg.):SiemensCloudforIndustry.Internet:http://
siemens.com/cloud-for-industry.Zuletztaufgerufenam11.3.2016
[38]SiemensAG(Hrsg.):Opencloudplatformboostsdigitalservice
businessforindustrialcustomers.Internet:https://www.industry.
siemens.com/services/global/en/portfolio/plant-data-services/cloud-for-
industry/Documents/Press-release/PR2015100331DFEN.pdf.
Zuletztaufgerufenam11.3.2016
[39] Brecher,c.(Hrsg.);RWTHAachen,Werkzeugmaschinenlabor
-WZL;Fraunhofer-InstitutfürProduktionstechnologieIPT:Integrative
Produktion:Industrie4.0.Tagungsband:AachenerWerkzeugmaschi-
nenkolloquiumAWK,22.bis23.Mai2014.Aachen:Shaker-Verlag2014
[40] Vick,A.;Krüger,J.:»AdaptiveNachgiebigkeitsregelungmitcloud-
basiertenRobotersteuerungen,«inIndustrie4.0–InnovativeKonzepte
zurAutomatisierung,VDIFortschrittsberichte,Reihe2Fertigungstech-
nik,693,S.19–30,Düsseldorf:VDI-Verlag2015
Referenzen
[41] FraunhoferIPK(Hrsg.):»RetroNet–praxisnaheBrückeindie
Industrie4.0«,Internet:https://www.ipk.fraunhofer.de/fileadmin/
user_upload/IPK/publikationen/themenblaetter/aut_RetroNet_web.pdf.
Zuletztaufgerufenam11.3.2016
[42] ProjektträgerKarlsruhe(Hrsg.):VerbundprojektRetroNet.Inter-
net:http://www.produktionsforschung.de/verbundprojekte/vp/index.
htm?VP_ID=4120.Zuletztaufgerufenam11.3.2016
[43] OPCFoundation(Hrsg.):UnifiedArchitecture–Wegbereiterder
4.industriellen(R)Evolution.Internet:https://www.iosb.fraunhofer.de/
servlet/is/21752/OPC-UA-Wegbereiter-der-I40.pdf?command=downloa
dContent&filename=OPC-UA-Wegbereiter-der-I40.pdf.
Zuletztaufgerufenam11.3.2016
[44] FraunhoferIML(Hrsg.):LogisticsMall,Fraunhofer-Gesellschaft.
Internet:http://www.iml.fraunhofer.de/de/themengebiete/intralogis-
tik_und_it_planung/forschungsaktivitaeten/forschungsprojekte/logis-
tics_mall.html.Zuletztaufgerufenam10.3.2016.
[45]TenHompel,M.(2014):LogisticsMall–MarkplatzfürLogistik-
dienstleistungen.In:Appelrath,h.,Kagermann,h.,Krcmar,h.(Hrsg.):
FuturBusinessClouds:EinBeitragzumZukunftsprojektInternetba-
sierteDienstefürdieWirtschaft.Acatech-Studie.München:Utz-Verlag
2014.S.52
[46] Mell,P.;Grance,T.:TheNISTDefinitionofCloudComputing.A.a.O
[47] ProjektpICASSO:IndustrielleCloudbASierteSteuerungsplattform
füreineProduktionmitCyber-physischenSystemen.Internet:http://
www.projekt-picasso.de/.Zuletztaufgerufenam11.3.2016
[48]ProjektträgerKarlsruhe(Hrsg.):VerbundprojektRetroNet.A.a.O
[49] Vick,A.;Vonasek,v.;Penicka,R.;Krüger,J.:Robotcontrolasa
service–Towardscloud-basedmotionplanningandcontrolforindus-
trialrobots.IEEE10thInternationalWorkshoponRobotMotionand
Control(RoMoCo),Poznan2015,S.33–39
[50]Guhl,J.;Vick,A.;Lambrecht,J.;Krüger,J.:Cloudsteuerungfür
Industrieroboter–Integrationsansätze.Industrie4.0Management
32(2016)2,S.7–10
[51]Kretschmer,f.;Lechler,A.:Teilnehmerverwaltungund-zuordnung
innerhalbeinercloudbasiertenSteuerungsplattform.In:Industrie4.0
–InnovativeKonzeptezurAutomatisierung,Fortschritt-BerichteVDI,
Reihe2,Nr.693,S.1–8,Düsseldorf:VDI-Verlag2015
[52]Holtewert,P.;Wutzke,R.;Seidelmann,J.;Bauernhansl,T.:
VirtualFortKnox.Federative,SecureandCloud-basedPlatformfor
Manufacturing.46thCIRPConferenceonManufacturingSystems2013.
ProcediaCIRP,Volume7(2013)S.527–532,Internet:http://dx.doi.
org/10.1016/j.procir.2013.06.027.Zuletztaufgerufenam10.3.2016
[53]Minguez,J.:DerManufacturingServiceBus;In:DigitaleProdukti-
on.Hrsg.:Westkämper,E.etal.Heidelberg:Springer-Verlag2013
45
Referenzen
[54]Minguez,J.;Lucke,D.;Jakob,M.;Constantinescu,c.;Mitschang,
B.;Westkämper,E.:IntroducingSOAintoproductionenvironments–
themanufacturingservicebus.43rd.CIRPInternationalConferenceon
ManufacturingSystems,Wien:NeuerWissenschaftler-Verlag2010
[55]FarmNet.Internet:https://www.365farmnet.com/.
Zuletztaufgerufenam10.3.2016
[56]VirtualFortKnox.Internet:https://www.virtualfortknox.de/.
Zuletztaufgerufenam10.3.2016
[57]DeutschesForschungszentrumfürkünstlicheIntelligenz(DFKI),
Kaiserslautern,Saarbrücken,Bremen,Berlin2011
[58]Krcmar,h.:Informationsmanagement.Berlin:Springer-Verlag
2010,S.12f.
[59]Stich,v.;Hering,n.:DatenundSoftwarealsentscheidender
WettbewerbsfaktorHerin.In:industrie4.0magazin–Zeitschriftfür
integrierteProduktionssysteme(2015),S.8–13
[60] Breuer,h.:VonBigDatazuSmartData–DatentreibenZügean.
Internet:http://www.siemens.com/innovation/de/home/pictures-of-
the-future/digitalisierung-und-software/from-big-data-to-smart-data-
heading-for-data-driven-rail-systems.html
Zuletztaufgerufenam8.1.2016
[61] Luckham,D. c.:Businesseventprocessing–Areal-timestrategy
guide.Hoboken:Wiley2011
[62] Anicic,D.;Rudolph,S.etal.:Real-TimeComplexEventReco-
gnitionandReasoning–ALogicProgrammingApproach.In:Applied
ArtificialIntelligence26(2012)1-2
[63] Cammert,M.;Heinz,c.etal.:StreamProcessinginProduction-
to-BusinessSoftware.In:Barga,R.S.;Zhou,x.(Hrsg.):ICDE06
Proceedings:22ndInternationalConferenceDataEngineering.Atlanta,
Georgia,IEEEComputerSociety,LosAlamitos2006
[64] Grauer,M.;Karadgi,S.etal:AnApproachforReal-TimeControlof
EnterpriseProcessesinManufacturingusingaRule-BasedSystem.In:
Schumann,M.;Kolbe,L.etal.:MultikonferenzWirtschaftsinformatik,
Göttingen:Universitätsverlag2010
[65]Schuh,G.;Blum,M.etal.:DerDigitaleSchatteninderAuf-
tragsabwicklung.ZWF–ZeitschriftfürwirtschaftlichenFabrikbetrieb
111(2016)1-2,S.48–51
[66] Probst,G.,Romhardt,k.:BausteinedesWissensmanagements
–EinpraxisorientierterAnsatz.In:Dr.Wieselhuber&Partner(Hrsg.):
HandbuchLernendeOrganisation–Unternehmens-undMitarbeiter-
potentialeerfolgreicherschließen,Wiesbaden:Gabler-Verlag1998,
S.46,undProbst,GilbertJ. B.;Raub,S.etal.:Wissenmanagen–
WieUnternehmenihrewertvollsteRessourceoptimalnutzen.
5.,überarb.Aufl.;Wiesbaden:Gabler-Verlag2006,S.22
[67] Schuh,G.;Nyhuis,P.etal.:ProduktionsdatenalsEnablerfür
Industrie4.0–StudiederproduktionstechnischenInstituteIFA, IPMT,
FraunhoferIWUundWZL.wtWerkstattstechnikonline105(2015)4,
S.200–203
[68]Olle,W.;ClaußD.:Industrie4.0brauchtdenMittelstand–Kurz-
studie,ChemnitzAutomotiveInstitute,2015
[69] WeskampM.;TamasA.etal.:EinsatzundNutzenpotentialevon
DataMininginProduktionsunternehmen.StudiedesFraunhofer-Insti-
tutsfürProduktionstechnikundAutomatisierungIPA2014
[70] OkudaR.;Kajiwaray.etal.:TechnicalTrendofADASandAuto-
nomousDriving.AsurveyoftechnicaltrendofADASandAutonomous
Driving,ProceedingsofTechnicalProgram,2014
[71] Berger,c.;Rumpe,B.:AutonomesFahren–Erkenntnisseaus
derDARPAUrbanChallenge(AutonomousDriving–Insightsfromthe
DARPAUrbanChallenge).München:Odenbourg-Verlag2008
[72] DarmsM.;Winner,h.:EineSystemarchitekturzurFusionvonUm-
felddaten.BeitragderTUDarmstadtaufderTagung»AktiveSicherheit
durchFahrerassistenz«München2004.Internet:http://www.fzd.tu-
darmstadt.de/media/fachgebiet_fzd/publikationen_3/2004/2004_darm-
swinner_aktivesicherheitdurchfas.pdf.Zuletztaufgerufen10.6.2016
[73] Tawari,S.etal.:Looking-InandLooking-OutVisionforUrbanIn-
telligentAssistance:EstimationofDriverAttentiveStateandDynamic
SurroundforSafeMergingandBraking,In:IEEEIntelligentVehicles
Symposium/IEEEIVetal.:IEEEIntelligentVehiclesSymposiumpro-
ceedings,2014-8-11June2014,Dearborn,Michigan,USA[postponed
from]YpsilantiMI, USA.Piscataway,NJ:IEEE,2014,S.117
[74] Roth,E.:GenerierungrealitätsnaherUmfeldsensordatenzumTest
vorausschauenderFahrerassistenzsysteme.Internet:http://www6.
in.tum.de/Main/ResearchVtdSensors.Zuletztaufgerufenam8.1.2016
[75]HallD.L.:AnIntroductionToMultisensorDataFusion,Procee-
dingsoftheIEEE85(1997)1,S.6–23
[76] Luo,R.C.;Kay,M.G.:Multisensorintegrationandfusioninintelli-
gentsystems.In:IEEETransactionsonSystems,ManandCybernetics,
19(1989)5,S.901–931
[77] Kumar,P.;Chhokar,S.:AnIntelligentSystemBasedOnSensorIn-
tegration&SensorFusion,InternationalJournalofAdvancedResearch
inComputerScienceandSoftwareEngineering2(2012)3,S.21–28
[78]Ehrnböck,M.:DieTechnologiederRadioFrequencyIdentification
–AnwendungderRFIDinderUnternehmenslogistik.
Hamburg:Diplomica-Verlag2014
[79] Bruns,R.;Dunkel,J.:Event-DrivenArchitecture–Softwarearchi-
tekturfürereignisgesteuerteGeschäftsprozesse.Berlin:Springer2010
[80]Köppe,E.:LokalisierungsichbewegenderObjekteinnerhalbund
außerhalbvonGebäuden.DissertationFreieUniversitätBerlin2014
46
[81]Luo,R.C.;KayM.G.:Multisensorintegrationandfusiona.a.O.
[82]Alahi,A.;Bierlaire,M.etal.:Robustreal-timepedestriansdetec-
tioninurbanenvironmentswithlow-resolutioncameras.Transportation
ResearchPartc:EmergingTechnologies,39(2014),S.113–128.S.125
[83]Haberjahn,M.:MultilevelDatenfusionkonkurrierenderSensoren
inderFahrzeugumfelderfassung.DissertationHumboldt-Universität
Berlin2013
[84] frey, c.:IKTinderFabrikderZukunft–EinDiskussionsbeitragzu
Industrie4.0.atpedition56(2014)4,S.42–53
[85]Schuh,G.;Nyhuis,P.etal.:ProduktionsdatenalsEnabler.A.a.O.
[86]Scheunert,U.etal.:Multi-Sensor-Daten-FusionzurPersonener-
kennungmitdemMerkmal-Modell.GIJahrestagung,TUChemnitz
2005.S.297-301.Internet:http://subs.emis.de/LNI/Proceedings/
Proceedings68/GI-Proceedings.68-62.pdf.
[87]Jo,k.;Chu,k.etal.:InteractingMultipleModelFilter-Based
SensorFusionofGPSWithIn-VehicleSensorsforReal-TimeVehicle
Positioning.IEEETransactionsonIntelligentTransportationSystems
13(2012)1,S.329–343
[88]Luo,R.C.;Kay,M. G.(1989):Multisensorintegrationandfusion.
A.a.O.,S.904
[89]Matyas,k.:TaschenbuchInstandhaltungslogistik.
München:Carl-Hanser-Verlag2010,S.124
[90] Yao,W.;Xionglin,L.:Adesignofsoftsensorbasedondatafusion
In:Hu,W.:InternationalConferenceonInformationEngineeringand
ComputerScience,2009–ICIECS2009;19–20Dec.2009,Wuhan,
China;proceedings.Piscataway,NJ:IEEE,2009,S.1
[91] Kadlec,P.;Gabrys,B.etal.:Data-drivenSoftSensorsinthe
processindustry.Computers&ChemicalEngineering,33(2009)4,
S.795–814
[92] Fortuna,L.:Softsensorsformonitoringandcontrolofindustrial
processes,London:Springer2007,S.2
[93] Kaneko,H.;Funatsu,K.:Maintenance-freesoftsensormodels
withtimedifferenceofprocessvariables.In:Chemometricsand
IntelligentLaboratorySystems,107(2011)2,S.312–317
[94] Yao,W.;Xionglin,L.:Adesignofsoftsensorbasedondata
fusion.A.a.O.
[95]Khaleghi,B.;Karray,F.etal.:MultisensorDataFusion:AData-
CentricReviewoftheStateoftheArtandOverviewofEmerging
Trends.InformationFusion14(2013)1,S.28–44.S.26
[96] Yeganeh,n. k.;Sadiq,S.etal.:Aframeworkfordataquality
awarequerysystems.InformationSystems,46(2014),S.24–44
[97] Hüner,k.;Schierning,A.etal.:Productdataqualityinsupply
chains.ThecaseofBeiersdorf.ElectronicMarkets,21(2011)2,
S.141–154
[98]Jarke,M.;Vassiliou,y.:Datawarehousequality–Areviewofthe
DWQproject.In:Strong,D.;Beverly,k.(Hrsg.):Proc.oftheConf.on
InformationQuality.Cambridge:MITUniversityPress1997
[99] Wang,R.Y.;Strong,D.:WhatDataQualityMeanstoDataConsu-
mers.Journ.ManagementInformationSystems,12(1996)4,S.5–33
[100] Schuh,G.;Potente,T.etal.:ApproachforReducingData
InconsistenciesinProductionControl.In:Zäh,M. f.(Hrsg.):Enabling
manufacturingcompetitivenessandeconomicsustainability–Pro-
ceedingsofthe5thInternationalConferenceonChangeable,Agile,
ReconfigurableandVirtualProduction(CARV2013),Munich,Germany,
October6th–9th,2013.Heidelberg:Springer-Verlag2013,S.347–51
[101] Schuh,G.;Potente,T.etal.:ImprovingDataIntegrityinProduc-
tionControl.In:ProcediaCIRP9(2013),S.44–48
[102] Schuh,G.;Thomas,c.etal.:AchievingHigherScheduling
AccuracyinProductionControlbyImplementingIntegrityRulesfor
ProductionFeedbackData.In:ProcediaCIRP19(2014),S.142–147
[103] Kemper,a.;Eickler,A.:Datenbanksysteme–EineEinführung,
6.aktualisierteunderw.Auflage;München:Oldenbourg-Verlag2006
[104] Schneider,M.:ImplementierungskonzeptefürDatenbanksyste-
me.Berlin:Springer-Verlag2003
[105]Bramer,M. A.:Principlesofdatamining.London:Springer2013
[106] Alpaydin,E.:Introductiontomachinelearning.
Cambridge:MITUniversityPress2014
[107] Klein,D.;Tran-Gia,P.;Hartmann,M.:BigData.BerlinHeidel-
berg:Springer-Verlag:InformatikSpektrum36(2013)3,S.219–223
[108]Davenport,T.H.:CompetingonAnalytics.HarvardBusiness
Review(2006)1
[109] Dhar,v.:DataScienceandPredictions,Communicationsofthe
ACM56(2013)12,S.64–73
[110] Turner,v.;Gantz,J.;Reinsel,D.;Minton,S.:TheDigitalUniverse
ofOpportunities:RichDataandtheIncreasingValueoftheInternet
ofThings,Whitepaper.Hrsg.IDC,Framingham,USA,2014.Internet:
http://www.emc.com/leadership/digital-universe/2014iview/index.htm.
Zuletztaufgerufenam10.3.2016
[111] BITKOM(Hrsg.):Big-Data-Technologien–WissenfürEnt-
scheider.Leitfaden.Berlin,2015.Internet:https://www.bitkom.org/
Publikationen/2014/Leitfaden/Big-Data-Technologien-Wissen-fuer-
Entscheider/140228-Big-Data-Technologien-Wissen-fuer-Entscheider.
pdf.Zuletztaufgerufenam10.3.2016
[112] Moore,G.:CrammingMoreComponentsontoIntegratedCir-
cuits,Electronics,S.114–117,April1965undProceedingsoftheIEEE
86(1998)1.Internet:https://www.cs.utexas.edu/~fussell/courses/
cs352h/papers/moore.pdf.Zuletztaufgerufenam10.3.2016
Referenzen
47
[113] MinisteriumfürWissenschaft,ForschungundKunstBaden-Würt-
temberg[Hrsg.]AbschlussberichtderExpertenkommissionIngenieur-
wissenschaften@BW2025,Internet:https://mwk.baden-wuerttemberg.
de/fileadmin/redaktion/m-mwk/intern/dateien/Anlagen_PM/2015/132_
PM_Anlage_Abschlussbericht_Expertenkommission_Ingenieurwissen-
schaften@BW2025_.pdf.Zuletztaufgerufen10.6.2016
[114] Oettinger,G.H. EUKommission(Hrsg.).:DigitalSingleMarket.
Bringingdownbarrierstounlockonlineopportunities.Internet:http://
ec.europa.eu/priorities/digital-single-market_en.Zuletztaufgerufenam
10.6.2016
[115] ZVEI(Hrsg.):DasReferenzarchitekturmodellRAMI4.0unddie
Industrie4.0-Komponente.Internet:http://www.zvei.org/Themen/
Industrie40/Seiten/Das-Referenzarchitekturmodell-RAMI-40-und-die-
Industrie-40-Komponente.aspx.Zuletztabgerufen1.6.2016
Anhang
Anhang
Aktuelle Studien zu Industrie 4.0 und
weiterführende Literatur
acatech(Hrsg.):Cyber-PhysicalSystems:Innovationendurchsoftwar-
eintensiveeingebetteteSysteme.Symposium,2.2.2010,München.–
Berlin,Heidelberg:Springer,2010.–141S.(acatechDISKUSSION)
acatechArbeitskreisSmartServiceWelt(Hrsg.):SmartServiceWelt.
UmsetzungsempfehlungenfürdasZukunftsprojektInternetbasierte
DienstefürdieWirtschaft.Berlin,2014
Anderl,Reiner;Fleischer,Jürgen:LeitfadenIndustrie4.0-Orien-
tierungshilfezurEinführungindenMittelstand.[Online-Edition:
http://industrie40.vdma.org]VDMAForumIndustrie4.0(Hrsg.)
Frankfurt2015ISBN978-3-8163-0677-1
Bauernhansl,Thomas(Hrsg.);tenHompel,Michael(Hrsg.);Vogel-
Heuser,Birgit(Hrsg.):Industrie4.0inProduktion,Automatisierungund
Logistik.Anwendung,Technologien,Migration.Wiesbaden:Springer
Vieweg,2014.ZweiteAuflage2016
Bauernhansl,Thomas;Lickefett,Michael(Hrsg.):Strukturstudie
»Industrie4.0fürBaden-Württemberg«.Baden-Württembergaufdem
WegzuIndustrie4.0.Stuttgart,2014
Bauernhansl,Thomas;Emmrich,Volkhard;Paulus-Rohmer,Dominik;
Döbele,Mathias;Schatz,Anja;Weskamp,Markus:Geschäftsmodell-
InnovationdurchIndustrie4.0:ChancenundRisikenfürdenMaschi-
nen-undAnlagenbau.–München:Wieselhuber&Partner,2015
Bischoff,Jürgen(Hrsg.):ErschließenderPotenzialederAnwendung
von»Industrie4.0«imMittelstand.ImAuftragdesBundesministeriums
fürWirtschaftundEnergie(BMWi),Mühlheim,2015
BundesministeriumfürBildungundForschung(Hrsg.):Zukunftsbild
Industrie4.0.Bonn,Berlin,2015
BundesministeriumfürWirtschaftundEnergie(Hrsg.):Industrie4.0.
Volks-undbetriebswirtschaftlicheFaktorenfürdenStandortDeutsch-
land.EineStudieimRahmenderBegleitforschungzumTechnologie-
programmAUTONOMIKfürIndustrie4.0.Berlin,2015
Capgemini(Hrsg.):BigandFastData:theriseofinsight-driven
businessinsightsatthepointofactionwillredefinecompetitiveness.
Stuttgart,2015
48
Anhang
FraunhoferIAO,Bitkom(Hrsg.):Industrie4.0–Volkswirtschaftliches
PotenzialfürDeutschland.Stuttgart,Berlin,2014
FraunhoferIPA,IHKRhein-Neckar,PfalzundDarmstadtRheinMainNe-
ckar(Hrsg.):Industrie4.0–ChancenundPerspektivenfürUnterneh-
menderMetropolregionRhein-Neckar.StudieimAuftragderIndustrie-
undHandelskammernRhein-Neckar,PfalzundDarmstadtRheinMain
NeckarerstelltdurchdasFraunhoferIPA.Stuttgart,2015
Frost&Sullivan(Hrsg.):Industrie4.0Business-Ökosystem–Definition
derneuenNormalität.Frankfurt,2015
IBMInstituteforBusinessValue;SaïdBusinessSchoolderUniversität
Oxford(Hrsg.):Analytics:BigDatainderPraxis.WieinnovativeUnter-
nehmenihreDatenbeständeeffektivnutzen.Armonk,NewYork,2012
InstitutfürArbeitsmarkt-undBerufsforschungderBundesagentur
fürArbeit(Hrsg.):Industrie4.0unddieFolgenfürArbeitsmarktund
Wirtschaft.IABForschungsbericht8/2015.Berlin,2015
KPMGAG,BitkomResearchGmbH(Hrsg.):Industrie4.0–Volkswirt-
schaftlichesPotenzialfürDeutschland.Amstelveen,Berlin,2015
McKinseyGlobalInstitute(Hrsg.):Bigdata:Thenextfrontierforinno-
vation,competition,andproductivity.NewYork,2011
McKinseyGlobalInstitute(Hrsg.):Crackingthedigitalcode.
NewYork,2015
McKinseyGlobalInstitute(Hrsg.):Disruptivetechnologies:Advances
thatwilltransformlife,business,andtheglobaleconomy.
NewYork.2013
ParametricTechnologyCorporation,OxfordEconomics(Hrsg.):
ManufacturingTransformation.Achievingcompetitiveadvantageina
changingglobalmarketplace.Needham,Mass.,Frankfurt,2014
PlattformIndustrie4.0(Hrsg.):UmsetzungsstrategieIndustrie4.0.
ErgebnisberichtderPlattformIndustrie4.0.Berlin,Frankfurt,2015
PlattformIndustrie4.0,Bitkom,VDMA,ZVE(Hrsg.):Umsetzungsemp-
fehlungenfürdasZukunftsprojektIndustrie4.0:DeutschlandsZukunft
alsProduktionsstandortsichern;AbschlussberichtdesArbeitskreises
Industrie4.0.Bauernhansl,Thomas;Hörcher,Günter;Seidelmann,
Joachim.Frankfurt,April2013.112S.
PlattformIndustrie4.0,BundesministeriumfürWirtschaftundEnergie
(Hrsg.):MemorandumderPlattformIndustrie4.0.Berlin,2015
PricewaterhouseCoopers(Hrsg.):Industrie4.0.ChancenundHeraus-
forderungenderviertenindustriellenRevolution.München,2014
RolandBergerStrategyConsultants(Hrsg.):Industry4.0.Thenew
industrialrevolution.HowEuropewillsucceed.München,2014
Schäfer,Andreas;Knapp,Melanie;May,Michael;Voß,Angelika.Fraun-
hoferIAIS(Hrsg.):BIGDATA–VorsprungdurchWissen.Innovations-
potenzialanalyse.St.Augustin,2012
Spath,Dieter;FraunhoferIAO(Hrsg.)ProduktionsarbeitderZukunft–
Industrie4.0.–Stuttgart:FraunhoferVerlag,2013.155S.
Tschöpe,Sebastian;Aronska,Kateryna;Nyhuis,Peter:Wasisteigent-
lichIndustrie4.0?EinequantitativeDatenbankanalyselieferteinenEin-
blick.ZWFZeitschriftfürwirtschaftlichenFabrikbetrieb100(2015)3,
S.145–149
VDMAImpulsStiftung,InstitutderdeutschenWirtschaftKölnConsult
GmbH,FIRe.V.anderRWTHAachen(Hrsg.):Industrie4.0-Readi-
ness.Aachen,Köln,Frankfurt,2015
Westkämper,Engelbertetal.(Hrsg.):DigitaleProduktion,Springer-
Vieweg,2013
WirtschaftsratDeutschland(Hrsg.):PositionspapierdesWirtschafts-
ratesIndustrie4.0.DieZukunftderdeutschenIndustriegestalten.
Berlin,2015