Suchen

Vernetzte Produktion

IoT-Basics: Neue Geschäftsmodelle auf Datenbasis

Seite: 2/2

Firmen zum Thema

Im Gegensatz zu kontinuierlichen oder Batch-Prozessen sind in der Stückgutfertigung diskrete Ereignisse der Anlage, z.B. Schaltzustände, wichtig für die Überwachung. Durch die zunehmende Automatisierung der Fertigungsprozesse und den verstärkten Einsatz von Sensoren fallen in immer kürzeren Zeitabschnitten immer größere Datenmengen an. Diese überfordern aber den Benutzer und werden daher nur unzureichend genutzt.

So werden heute nur rund 7 % der Daten zur Analyse komplexer Zusammenhänge und Trends sowie zur Optimierung von Prozessabläufen und kostenrelevanten Entscheidungen verwendet. Wesentlicher Grund, dass die vorhandenen Prozessdaten nur unzureichend für zielgerichtete schnelle Entscheidungen in allen Unternehmensbereichen genutzt werden, ist der Mangel an intelligenten Analysewerkzeugen. Diese abstrahieren die Daten und unterstützen die Benutzer dabei, sie zur Anlagenüberwachung und -optimierung zu nutzen. Kernidee ist der Einsatz von Methoden aus Data-Mining und Statistik.

Auch für diese Industriezweige ist es ein gängiger Ansatz, Modelle des Verhaltens der Anlagen aus den Daten zu lernen, statt sie manuell zu erstellen, z.B. mit Hilfe hybrider, zeitbehafteter Automaten. Diese haben sich für verschiedene Branchen der Fertigungsindustrie zum Lernen der Zustände und zur Modellierung des Verhaltens von Maschinen und Anlagen als geeignet und robust erwiesen. Die Zustände des Automaten modellieren grundsätzliche Systemzustände («Modes»), in denen der Prozessverlauf dann mittels klassischer Ansätze, z.B. Kalman-Filter, Neuronale Netze, gelernt wird. Kennzeichnend ist dabei, dass alle Zustände, Zustandsübergänge und Übergangsfunktionen erlernt werden.

Neue Architekturen produktionsnaher IT-Systeme

Es zeichnet sich ab, dass sich die bisherigen Ebenen der bekannten Automatisierungspyramide auflösen [III.19] und ein neues Informationsmodell für die Industrie 4.0 erforderlich wird. Für die Auflösung der Automatisierungspyramide sind unter anderem folgende Basistechnologien verantwortlich:

  • Cyber-Physical-Systems und Eingebettete Systeme: Allgemein gesprochen, bedeuten diese Technologien die konsequente Durchdringung aller Ebenen der bisherigen Automatisierungspyramide mit Internet-Technologien und dazugehörigen Standards. Dies umfasst einerseits die eingesetzten Kommunikationstechnologien, z.B. TCP/IP, bis auf die Ebene der einzelnen Sensoren und Aktoren, was durch die Standardisierung von IPv6 und weltweit eindeutige Bezeichner für Ressourcen, z.B. Uniform Resource Identifier (URI) des WWW, ermöglicht wurde. Immer intelligentere Geräte mit eigenen Kapazitäten zur Kommunikation und Datenverarbeitung sorgen dafür, dass einige MES-Funktionen, z.B. die Berechnung von Kennzahlen, auf die Geräteebene verlagert werden können. IP-Fähigkeiten auf Eingebetteten Systemen machen einfache Geräte nun zu Knoten im Internet, die sich selbst vernetzen und mit anderen Teilnehmern kommunizieren und Daten austauschen.
  • Big Data und Hauptspeicherdatenbanken: Auf der bisherigen ERP-Ebene existieren Bestrebungen, direkt auf Online-Daten aus Fertigungsprozessen zuzugreifen, diese zu verarbeiten und daraus geschäftsrelevante Informationen zu generieren [III.20]. In-Memory-Datenbanken leisten dieser Entwicklung insofern Vorschub, als dass sie die geforderte Geschwindigkeit zur Verarbeitung großer Datenmengen bieten.
  • IP-basierte Kommunikation: Echtzeit-Ethernet als industrielle Kommunikation ermöglicht die Fortsetzung des in den Bürobereichen ohnehin verwendeten Ethernet bis in die Feldebene und schafft damit erstmals eine durchgängige physikalische Kommunikationsstruktur. Echtzeit-Ethernet ist damit ein Befähiger für flexiblen und durchgängigen Datenaustausch. Vor dem Start der Kommunikation benötigt jeder Ethernet-basierte Teilnehmer nur noch eine eindeutige MAC-/IP-Adresse.

Monolithische MES-Systeme werden zu Service-orientierten Architekturen

Die bisher eher monolithisch anmutenden MES-Systeme wandeln sich hin zu Service-orientierten Architekturen. Neue Anbieter produktionsnaher IT-Systeme am Markt entwickeln ihre Werkzeuge direkt nach dem Paradigma der Serviceorientierung. Dabei lassen sich grob die folgenden Architekturkomponenten unterscheiden:

  • Apps: Dies sind Applikationen mit eigener Benutzeroberfläche, aber keiner oder nur sehr eingeschränkter eigener Datenhaltung, die auf einem mobilen Endgerät genutzt werden können. Beispiele für produktionsnahe Apps sind KPI-Apps zur Visualisierung von Kennzahlen wie Verfügbarkeit oder OEE oder Gantt-Chart-Apps zur Visualisierung von Auftragsreihenfolgen als Ergebnis einer Fertigungsfeinplanung.
  • MES-Services: Unter einem Service verstehen wir im Folgenden eine Einheit mit einer konkreten Funktion und eindeutigen Ein- und Ausgangsparametern. Einzelne Funktionen können als Services bereitgestellt werden oder Services fassen mehrere Funktionen zusammen. Auch existieren immer mehr MES-nahe Funktionen, die Maschinenbauer speziell für den Fertigungsprozess ihrer Maschine bereitstellen, z.B. zur Optimierung von Draht- oder Rohrbiegeprozessen [III.21], zur Generierung von ERP-Daten auf Basis von PLM-Daten [III.22] usw.
  • Manufacturing Service Bus: Über diesen Bus kommunizieren die Services untereinander. Dieser Service-Bus ist eine der Kernkomponenten der zukünftigen Service-orientierten Architektur und dient als Integrationsebene,um das Zusammenspiel der Services zu realisieren. Auch in den heutigen MES-Systemen existieren diese Komponenten schon, allerdings zugeschnitten auf den jeweiligen Hersteller. Service-Busse, mit denen sich MES-Services unterschiedlicher Software-Anbieter ohne manuelle Programmiereingriffe verbinden können, existieren heute nur in Ansätzen.
  • Integrationsservices: Diese Services oder Konnektoren auf Basis der oben beschriebenen Selbstbeschreibung werden zwingend benötigt, um die Verbindung zwischen MES-Services und den Maschinen, Anlagen und anderen Einrichtungen der Fabrik zu schaffen. Diese Konnektoren befähigen Maschinen und Anlagen, sich mit den übergeordneten IT-Systemen zu verbinden und aus den Laufzeitdaten neue Erkenntnisse zu gewinnen, z.B. über den Zustand von Komponenten und Maschinen. Die oben beschriebene Kommunikation auf Basis von OPC UA mit semantischem Mapping zur automatischen Anbindung von Maschinensteuerungen an den Manufacturing Service Bus ist ein Beispiel für einen solchen Integrationsservice [III.23].

Dr.-Ing. Olaf Sauer studierte Wirtschaftsingenieurwesen an der Universität Karlsruhe. Nach beruflichen Stationen am Fraunhofer IPK, bei Bombardier Transportation und in der METROPLAN-Gruppe leitete er von 2004 bis 2012 den Geschäftsbereich Leitsysteme am Fraunhofer IOSB, wo er jetzt Stellvertreter des Institutsleiters ist. Er ist Lehrbeauftragter am Karlsruher Institut für Technologie (KIT) und an der Universität Kassel, Vorsitzender des Fachbereichs Informationstechnik des VDI sowie Mitglied des Vorstandes der Wirtschaftsstiftung Südwest.

Quellen/Literatur

[III.12] SCHLEIPEN, MIRIAM; LÜDER, ARNDT; SAUER, OLAF, et al.: Requirements and concept for Plug-and-Work. at – Automatisierungstechnik, Band 63 (2015), Nr. 10, S. 790–820.

[III.13] Statusreport: Digitale Chancen und Bedrohungen – Geschäftsmodelle für Industrie 4.0. Düsseldorf: VDI e.V., Mai 2016.

[III.14] GILANI, SYED SHERAZ; WINDMANN, STEFAN; PETHIG, FLORIAN, et al.: The Importance of Model-Learning for the Analysis of the Energy Consumption of Production Plant. In: 2013 8th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Cagliari, Italy, September 2013.

[III.15] VODENCAREVIC, ASMIR; KLEINE BÜNING, HANS.; NIGGEMANN, OLIVER, et al.: Identifying Behavior Models for Process Plants. In: 2011 16th IEEE Conference on Emerging Technologies and Factory Automation (ETFA 2011). Toulouse, France, September 2011, S. 937–944. Quellenverzeichnis 361

[III.16] TACK, TIM; MAIER, ALEXANDER; NIGGEMANN, OLIVER: Visuelle Anomalie – Erkennung in Produktionsanlagen. In: VDI Kongress AUTOMATION. Baden Baden, Juni 2013.

[III.17] LINDEN, ALEXANDER: Big Data: Alles Hype! Oder Nicht? Gartner45 Webinar vom 28.11.2013.

[III.18] HAPPACHER, MEINHARD: Wie schnell zieht TSN in der Fabrik ein? Computer-automation.de, http://www.computer-automation.de/feldebene/vernetzung/artikel/135165/ (abgerufen am 09.05.2017).

[III.19] VOGEL-HEUSER, BIRGIT; KEGEL, GUNTHER; BENDER, KLAUS, et al.: Global Information Architecture for Industrial Automation. In: atp edition. Automatisierungstechnische Praxis. Band 51 (2009), Nr. 1-2, S. 108–115.

[III.20] GRUND, MARTIN: HYRISE – A Main Memory Hybrid Database Storage Engine. Dissertation an der Universität Potsdam, Mathematisch-Naturwissenschaftliche Fakultät, 2012.

[III.21] WEIGMANN, UWE-PETER: Automatische Optimierung von Biegeprozessen zur Qualitäts- und Leistungssteigerung unter Verwendung von Cyber-Physical-Systems. Tagungsunterlagen zur 5. VDIFachtagung Industrie 4.0. Düsseldorf: VDI e.V., 2016.

[III.22] Ihr Marktplatz für Factory on Demand. Heidelberg: Heidelberger Druckmaschinen AG. heidelberg.com/de/View2Connect (abgerufen am 09.05.2017).

[III.23] ENSTE, UDO; MAHNKE,WOLFGANG: OPC Unified Architecture – Die nächste Stufe der Interoperabilität. In at – Automatisierungstechnik, Band 59 (2011), Heft 7, S. 397-404.

Fachbuch „Industrie 4.0: Potenziale erkennen und umsetzen“ Dieser Beitrag stammt aus den dem Fachbuch „Industrie 4.0: Potenziale erkennen und umsetzen“ von Thomas Schulz (Hrsg.) Das Buch bietet dem Professional einen praxisorientierten und umfassenden Einblick in die Digitalisierung der Fertigung und der Produktion. Das Buch „Industrie 4.0“ kann hier versandkostenfrei oder als eBook bestellt werden.

Weiterführende Inhalte zu "Business modell"

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45101609)

Pixabay; inray Industriesoftware GmbH; Nataliya Hora from Fotolia; Connyun; gemeinfrei; Vogel Communications Group; Pexels; ; Verfasser; gemeinfrei (geralt / pixabay); Anna-Lena Hillenbrand; Siemens Healthineers; Palo Alto Networks