wgp-standpunkt industrie 4 · »wgp-standpunkt industrie 4.0« die wissenschaftliche gesellschaft...

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

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


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



Zusammenarbeit

refl ektion

Transaktion

Interaktion

Preskription

Kommunikation







Internet of Everything (Menschen, Dienste, Dinge)

telefon




WLAn, Bluetooth

Mobile Endgeräte

cloud-orientierung

App-orientierung


Vernetzungsgrad

Zentralrechner


cAD/cAM/cAxcAD

cncnc


ERPMRP II



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



Zusammenarbeit

refl ektion

Transaktion

Interaktion

Preskription

Kommunikation







Interest of Everything (Menschen, Dienste, Dinge)

telefon




WLAn, Bluetooth

Mobile Endgeräte

cloud-orientierung

App-orientierung


Vernetzungsgrad

Zentralrechner


cAD/cAM/cAxcAD

cncnc


ERPMRP II



MRP

Produktion

1970 1980 1990 2000 2010 2020

8


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


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.


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.)


Visuelle Umgebung

Eingebettete Systeme


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 %


Cyber-physisches System (CpS)

Kommunikation (Passiv, Aktiv, Drahtlos, etc.)

Eingebettete Systeme (Sensoren, Aktoren, etc.)


Visuelle Umgebung

Eingebettete Systeme


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










feldebene

Steuerungsebene

Prozessleitebene

Betriebsleitebene


echtzeit- kritisch


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])










feldebene

Steuerungsebene

Prozessleitebene

Betriebsleitebene


echtzeit- kritisch


15










feldebene

Steuerungsebene

Prozessleitebene

Betriebsleitebene


echtzeit- kritisch


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])










feldebene

Steuerungsebene

Prozessleitebene

Betriebsleitebene


echtzeit- kritisch


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


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










Maschine

Zellenebene

Leitebene

fabriksteuerung

Unternehmensplanung

CnC

SpS

SCada

mES

ErP

SCada ErP

vnC mES

vrC SpS vrC



Kamerabild

Video-Strom

objekterkennung

Bewegungstracking

Mustererkennung

Simulation

Visualisierung

complex Sensor

Processing



Picasso-Server

VM 1

bvpr

VM 2

SimviS

VM 3

ipokin


cPU 1 cPU 2 cPU 3

tubit Ec2(Amazon)

Azure (Microsoft)

Rc2

AR 1

AR 2

AR 4

Motion control

Benutzerprogramm

Bewegungsanweisung

Interpolator


fehlerinterpolator

Lageregelung


Stromregelung

Rc1

Rc2

AR 3

Rc3AR5

AR 2 AR 4 AR 3

Rc2










Maschine

Zellenebene

Leitebene

fabriksteuerung

Unternehmensplanung

CnC

SpS

SCada

mES

ErP

SCada ErP

vnC mES

vrC SpS vrC



Kamerabild

Video-Strom

objekterkennung

Bewegungstracking

Mustererkennung

Simulation

Visualisierung

complex Sensor

Processing



Picasso-Server

VM 1

bvpr

VM 2

SimviS

VM 3

ipokin


cPU 1 cPU 2 cPU 3

tubit Ec2(Amazon)

Azure (Microsoft)

Rc2

AR 1

AR 2

AR 4

Motion control

Benutzerprogramm

Bewegungsanweisung

Interpolator


fehlerinterpolator

Lageregelung


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










Maschine

Zellenebene

Leitebene

fabriksteuerung

Unternehmensplanung

CnC

SpS

SCada

mES

ErP

SCada ErP

vnC mES

vrC SpS vrC



Kamerabild

Video-Strom

objekterkennung

Bewegungstracking

Mustererkennung

Simulation

Visualisierung

complex Sensor

Processing



Picasso-Server

VM 1

bvpr

VM 2

SimviS

VM 3

ipokin


cPU 1 cPU 2 cPU 3

tubit Ec2(Amazon)

Azure (Microsoft)

Rc2

AR 1

AR 2

AR 4

Motion control

Benutzerprogramm

Bewegungsanweisung

Interpolator


fehlerinterpolator

Lageregelung


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










Maschine

Zellenebene

Leitebene

fabriksteuerung

Unternehmensplanung

CnC

SpS

SCada

mES

ErP

SCada ErP

vnC mES

vrC SpS vrC



Kamerabild

Video-Strom

objekterkennung

Bewegungstracking

Mustererkennung

Simulation

Visualisierung

complex Sensor

Processing



Picasso-Server

VM 1

bvpr

VM 2

SimviS

VM 3

ipokin


cPU 1 cPU 2 cPU 3

tubit Ec2(Amazon)

Azure (Microsoft)

Rc2

AR 1

AR 2

AR 4

Motion control

Benutzerprogramm

Bewegungsanweisung

Interpolator


fehlerinterpolator

Lageregelung


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.


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.


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


systemen


mechanismen

vnC if

mES vrC vrC app

app

app

Maschine

Roboter

Smartphone


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


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


systemen


mechanismen

vnC if

mES vrC vrC app

app

app

Maschine

Roboter

Smartphone


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


Zettabyte

Exabyte

terabyte

GigabyteMegabyte


Zeit



Datenvolumen


1930 telefax




physical

cyber

Digitaler Schatten

Data Analytics

Des

crip

tive

Dia

gnos

tic

Pred

ictiv

e

Pres

crip

tive





Produktion anpassen


Abb.3.3.2 StufenderDatenauswertungund-analyse

Monate

tage

Stunden

Minuten

Minuten

Stunden

tage

Monate


Zettabyte

Exabyte

terabyte

GigabyteMegabyte


Zeit



Datenvolumen


1930 telefax




physical

cyber

Digitaler Schatten

Data Analytics

Des

crip

tive

Dia

gnos

tic

Pred

ictiv

e

Pres

crip

tive





Produktion anpassen


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.


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


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



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








1a. Zieldefinition






3b. Implementierung



migrationspfad zum

Digitalen Schatten







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.


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








1a. Zieldefinition






3b. Implementierung



migrationspfad zum

Digitalen Schatten







big data








1a. Zieldefinition






3b. Implementierung



migrationspfad zum

Digitalen Schatten







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.


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


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


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








1a. Zieldefinition






3b. Implementierung



migrationspfad zum

Digitalen Schatten







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.








1a. Zieldefinition






3b. Implementierung



migrationspfad zum

Digitalen Schatten







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.


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.


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


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


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


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/.


[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.


[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.


[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.


[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.


[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/.


[56]VirtualFortKnox.Internet:https://www.virtualfortknox.de/.


[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


[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.


[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