Handbuch Industrie 4.0

Der Beitrag grenzt zunächst das Feld der Sensorik für die industrielle Automation ab und gibt einen Überblick über die heute in der Fertigungs- und Prozessindustrie üblichen Sensoren und deren Innovationsschritte während der vorangegangenen Perioden der industriellen Entwicklung. Anschließend werden die Anforderungen an die Sensorik für die vierte industrielle Revolution anhand der Prinzipien von Referenzarchitektur RAMI 4.0Referenzarchitektur RAMI 4.0 und VerwaltungsschaleVerwaltungsschale dargestellt. In einzelnen Unterkapiteln wird dann die Umsetzung dieser Anforderungen anhand einer Reihe von Beispielen neuer digitaler Kommunikation und neuer Sensorprinzipien dargestellt.

Die Preise für die Nutzung von Industrierobotern sinken. Dazu tragen auch die Entwicklungen im Bereich der Mensch-Roboter-KooperationMensch-Roboter-Kooperation bei, durch die der Bedarf an starren Schutzeinrichtungen beim Robotereinsatz sinkt. In zukünftigen, flexiblen Produktionssystemen werden Roboter dementsprechend immer häufiger zum Einsatz kommen. Gleichzeitig steigt die Anzahl der Roboterhersteller und der verfügbaren Modelle. Anwender müssen dementsprechend häufiger mit verschiedenartigen Systemen arbeiten. Im Rahmen der zunehmenden Vernetzung von Geräten steigt die Anzahl und Heterogenität der bei der Integration zu berücksichtigenden Schnittstellen. Aus diesen Gründen wird gefordert, die Programmierung und Integration der Systeme zu vereinfachen; auch, da diese zunehmend für wechselnde Aufgaben und in wechselnden Umgebungen eingesetzt werden. In diesem Beitrag wird anhand von aktuellen Beispielen aus Forschung und industrieller Anwendung dargestellt, in welchen Bereichen diese Forderungen bereits umgesetzt sind und wo noch Handlungsbedarf besteht.

Intelligente Fabriken sind das Ziel von Forschungsinitiativen wie Industrie 4.0 oder Industrial Internet. Aktuell werden vor allem Teilaspekte solcher Gesamtsysteme erforscht, z. B. Vernetzung, Energieoptimierung oder Selbstdiagnose. In diesem Artikel wird insbesondere das „Plug & Produce“ als Ausprägung einer Selbstkonfiguration zukünftiger Automatisierungssysteme betrachtet, wobei ein Schwerpunkt auf der automatischen Konfiguration des echtzeitfähigen Kommunikationssystems liegt.

Aktuelle Forschungsarbeiten beschäftigen sich mit der digitalen Transformation von Sonderladungsträgern zu cyber-physischen Systemen. Dieser Beitrag zeigt auf, welche innovativen produkt- und datenbasierten Dienstleistungen (z. B. Tracking, Monitoring) mithilfe von modularen, intelligenten und vernetzten Behältern möglich sind. Darüber hinaus wird eine IoT-Architektur für die Umsetzung dieses Dienstleistungsangebots innerhalb einer klassischen Supply-Chain vorgestellt. Mithilfe dieser Dienstleistungen kann die Transparenz des Behälterkreislaufs erhöht und die Supply-Chain optimiert werden.

Der Ausruf von Industrie 4.0 im Jahre 2011 hat hohe Erwartungen an die Steigerung von Produktivität und Wertschöpfung geweckt – diese sind bis heute nicht im erwarteten revolutionären Maße erfüllt worden. Eine oftmals schwierige quantitative Nutzenbewertung und die entsprechend zurückhaltende Investitionsbereitschaft haben eine oft nicht ausreichend umfangreiche Einführung und Durchdringung von Industrie 4.0 zur Folge. Mit dem Internet of Production stellt dieser Beitrag eine holistische Referenzinfrastruktur vor, die durch die Befähigung zu domänenübergreifender Kollaboration eine Steigerung des Wertschöpfungsanteils verspricht. Zur Implementierung des Internet of Production spielen neben der technischen Infrastruktur eine umfassende Vernetzung der Produktlebenszyklen sowie der Aufbau von anwendungsspezifischen und hinreichend akkuraten Digitalen Schatten eine entscheidende Rolle. Um die Produktivität bereits auf dem Weg hin zum Internet of Production schrittweise sichtbar steigern zu können, diskutiert der Beitrag eine besonders nutzenorientierte Sicht auf Industrie 4.0 und stellt hierfür unter anderem den Produktivitätsbaukasten 4.0 vor. Anhand des Beispiels Subskription als neues Geschäftsmodell wird dargestellt, wie Wertschöpfungssteigerungen und Nutzensteigerungen domänenübergreifend erfolgen können. Eine Skalierung der Produktivitätsbausteine erfolgt schließlich in einem Production System 4.0 und wird anhand fünf erfolgreicher Use-Cases aus dem Umfeld des Campus der RWTH Aachen zur schrittweisen Implementierung vorgestellt.

Kundenindividuelle Produktanforderungen resultieren seit Jahren in einer kontinuierlich steigenden Variantenvielfalt. Moderne Produktionsumgebungen sind dabei oftmals nach den Prinzipien der Lean Production organisiert, um diesen Herausforderungen zu begegnen. Hierbei wird ohne vermeidbaren IT-Einsatz Verschwendung möglichst vermieden und Effizienz gesteigert. Hierdurch ergeben sich aber nicht selten auch Medienbrüche in der Produktion. Dieser Beitrag stellt neue Potenziale zur Produktionsoptimierung durch den Einsatz von Industrie 4.0 anhand von Umsetzungen in einer Schaufensterfabrik dar.

Mit dem Ziel die Flexibilität und Wandelbarkeit von Produktionssystemen zu verbessern und sie damit den neuen wirtschaftlichen und technischen Herausforderungen anzupassen strebt die Industrie 4.0 Initiative die Integration neuer Methoden und Techniken der Informationsverarbeitung in die Automatisierungstechnik an. Dies kann nicht ohne Auswirkungen auf die an Entwurf und Nutzung von Produktionssystemen beteiligten Menschen bleiben.Doch was sind diese Auswirkungen? Dieser Beitrag versucht die Auswirkungen auf der Basis der Untersuchung der in der Industrie 4.0 adressierten Cyber Physical Production Systems sowie eines Modells des Lebenszyklus von Produktionssystemen einige Beispiel für die Auswirkungen der Industrie 4.0 auf den Menschen zu verdeutlichen und entsprechende Schlussfolgerungen für Bildung und Forschung zu ziehen.

Der Beitrag beschäftigt sich mit dem Einfluss cyber-physischer Systeme (CPS) auf die zunehmend durch Industrie 4.0 geprägte Arbeitswelt. Hierbei werden Herausforderungen und Potenziale, die durch den demografischen Wandel sowie die Einbindung von Geringqualifizierten entstehen, illustriert und diskutiert. Der Fokus des Beitrags liegt auf den Einsatzmöglichkeiten von mobilen Systemen, mit dem Schwerpunkt Wearable Computing-Lösungen, in den Bereichen Produktion und Logistik. Diese sollen die Beschäftigten im Rahmen eines Ambient Assisted Working-Ansatzes unterstützen.Besondere Berücksichtigung finden in diesem Rahmen Ergebnisse der am BIBA im Auftrag des BMBF durchgeführten Studie „EUNA – Empirische Untersuchung aktueller und zukünftiger Nutzungsgrade mobiler Computersysteme zur Unterstützung älterer Arbeitnehmer in Produktion und Logistik“. Die im Rahmen des Projektes durch Workshops und Experteninterviews mit Herstellern und potenziellen Anwendern in Produktion und Logistik herausgearbeiteten Anforderungen und Einsatzmöglichkeiten werden unter Einbeziehung weiterer Quellen und für den Stand der Technik beschrieben. Basierend auf den in verschiedenen weiteren Projekten gesammelten Erfahrungen werden schließlich Chancen und Risiken des Einsatzes von mobilen Systemen zusammenfassend dargestellt.

Durch Automatisierungs- und Modularisierungsstrategien steigern Cyber-Physische Produktionssysteme, Effektivität, Effizienz sowie Flexibilität und Adaptivität in der Produktion. Eine erhöhte Komplexität der Systeme ist die Folge. Aufgrund dieser Komplexitätssteigerung, sich häufig wandelnden Prozess- und Systemeigenschaften sowie einer zunehmenden Intransparenz der hochautomatisierten (Teil-)Systeme, reichen die aktuellen Kompetenzen der Operateure nicht mehr aus. Dennoch müssen sie in der Lage sein, kritische Situationen, in Kooperation mit dem technischen System erfolgreich zu bewältigen. Um diese Kooperation zu ermöglichen, ist ein förderliches Systemdesign notwendig, das auf den Menschen und seine Kompetenzen zugeschnitten ist. Ein solches Conducive Design verfolgt das Ziel, Operateure zu befähigen, angemessene Einschätzungen und Handlungen zu generieren und nahtlos in das CPPS einzufügen.Dieser Artikel widmet sich der Analyse von Herausforderungen und Möglichkeiten der Berücksichtigung der Wirkungsweise einer Mensch-Maschine-Kooperation bei der Entwicklung und im Einsatz von CPPS in der Landwirtschaft und der Prozessindustrie. Dazu werden im ersten Abschnitt die Rolle von Modularisierungs- und Automatisierungsstrategien in diesen Domänen vergleichend beschrieben. Im zweiten Abschnitt werden Eigenschaften von CPPS, Anforderungen an modulare Plattformen sowie die Rolle des Menschen in diesen Systemen erläutert. Die Betrachtung der unterschiedlichen Ausprägungen dieser Strategien wird im dritten Abschnitt zeigen, dass Conducive Design unabhängig davon ein notwendiger Faktor für das Lösen der Herausforderungen ist. Im vierten Abschnitt werden daraus Konsequenzen für die Gestaltung der Mensch-Maschine-Interaktion abgeleitet. Abschließend werden die Ergebnisse zusammengefasst und die Anforderungen an das Conducive Design von CPPS hervorgehoben.Gegenstand sind die Forschungsaktivitäten im Graduiertenkolleg 2323 Conducive Design of CPPS der Technischen Universität Dresden.

In Produktionsanlagen der Prozessindustrie ist eine Vielzahl an Messumformern installiert, deren Diagnosedaten meist ungenutzt bleiben. Die von der NAMUR propagierten NOANOA Automatisierungsarchitektur und InformationsmodelleInformationsmodell sorgen dafür, dass diese Daten rückwirkungsfrei, ohne die Kernautomatisierung zu beeinträchtigen für weiterführende Analysen in on premise oder Cloud Lösungen bereitgestellt werden können. Damit öffnen sich für Green- und Brownfieldanlagen gleichermaßen Chancen, die digitale Transformation umzusetzen und die Potentiale im Bereich der Prozessoptimierung vollumfänglich zu nutzen, z. B. im Rahmen der vorausschauenden Wartungsplanung. NOA schafft Offenheit: Lange Lebenszyklen von Anlagen, etablierte Automatisierungsstrukturen und die Implementierung innovativer Anwendungen und Servicekonzepte im Sinne der Industrie 4.0Industrie 4.0 schließen sich durch die Verfügbarkeit des zweiten Kommunikationskanals und kostengünstiger IoT-Sensorik für Monitoring + Optimization Aufgaben nun nicht mehr aus.

Die Fabrik der Zukunft verwandelt sich aufgrund der fortschreitenden Digitalisierung in ein System aus virtuellen und physischen Bestandteilen. Eine Kapselung dieser Systemelemente in klar abgegrenzte Komponenten – sowohl für Hardware als auch für Software – bildet eine notwendige Grundlage zur Weiterentwicklung der Automatisierungspyramide. In diesem Beitrag wird ein modulares Entwurfsmusters für solche Komponenten mit Fokus auf der Prozessführung vorgestellt und in den Kontext von Cyber-Physischen-Produktionssystemen (CPPS) eingeordnet. Anschließend wird das Szenario der Hersteller- und Technologie-übergreifenden Interoperabilität sowie das zentrale Szenario der Wandelbarkeit im Sinne von unvorhergesehenen Änderungen in einem komponentenbasierten CPPS beschrieben.

The development of smart working environments is becoming a necessity in industry. Within the European project INCLUSIVE, we have developed an adaptive automation middleware (MW) characterized by a modular architecture that allows for scalability and easy connectivity with proprietary interfaces. This was reached using IoT-technologies to enable the management and control of diverse automation devices and software applications. The MW is based on a Digital Twin that represents relevant information about products. Furthermore, it provides an efficient environment for user-adapted HMIs, allowing diverse users to control industrial machines. As a result, a modular and flexible MW has been created.

In diesem Kapitel wird eines der Basiskonzepte von Industrie 4.0 vorgestellt, die VerwaltungsschaleVerwaltungsschaleAsset Administration ShellVerwaltungsschaleAdministration ShellVerwaltungsschale. Die Verwaltungsschale schafft die für Industrie 4.0 notwendige herstellerübergreifende InteroperabilitätInteroperabilität und stellt die digitalen Informationen für intelligente und nicht-intelligente Assets bereit. Sie bildet insbesondere den kompletten LebenszyklusLebenszyklus der repräsentierten Produkte, Geräte, Maschinen und Anlagen ab und schafft dadurch durchgängige WertschöpfungskettenWertschöpfungskette. Als digitale Repräsentationdigitale Repräsentation bildet die Verwaltungsschale die Basis für autonome Systemeautonome Systeme und Anwendungen der Künstlichen IntelligenzKünstliche Intelligenz im Rahmen der Industrie 4.0. Die Verwaltungsschale kann auch als Umsetzung des Digitalen Zwillingsdigitaler Zwilling für Industrie 4.0 betrachtet werden.

Industrie 4.0-Komponenten sind wesentliche Bausteine aus denen Industrie 4.0 Systeme bestehen. Sie bilden die Strukturelemente, die von den sich immer mehr flexibilisierenden Wertschöpfungsketten in der Produktion verwendet werden. Auch die I40-Komponenten müssen eine hohe Anpassungsfähigkeit aufweisen, die nicht mehr manuell sondern auch automatisiert aktiviert werden kann. Automatisierungsgeräte (AT-Geräte) sind die Systemkomponenten, die die Bindeglieder zwischen den Maschinen und Anlage und den Anwendungen der Produktion bilden. Streng hierarchische Leitsysteme werden für verschiedene Anwendungen aufgelöst und flachere Strukturen werden Eingang finden. Dazu müssen die AT-Geräte in die I40-Komponenten integriert werden. In diesem Beitrag wird gezeigt, welches Potential die bereits vorhandenen Gerätebeschreibungstechnologien und damit die installierte Basis dafür bietet.

Der Grad an Interaktion und Kooperation zwischen informationstechnisch gekoppelten Maschinen- und Anlagenkomponenten steigt ständig. Während Menschen vage Informationen teilweise richtig interpretieren können, weil sie Erfahrungen und Wissen einbringen, können Maschinen nur richtig agieren, wenn die Informationen eindeutig sind. Deshalb wird die semantisch eindeutige Beschreibung von Informationsmodellen immer wichtiger. Ein vielversprechender Ansatz um Semantik eindeutig und auch maschinenlesbar zu beschreiben ist, Merkmale zur Beschreibung der Eigenschaften von Komponenten zu verwenden. Diese Merkmale können mit einem Informationsmodell unterlegt werden, welches maschinell auswertbar ist. Wird dieser Ansatz in Engineering-Werkzeugen umgesetzt, so kann die Durchgängigkeit von Informationen im Lebenszyklus technischer Systeme wesentlich erhöht werden. Die methodischen Grundlagen und das prinzipielle Vorgehen werden in diesem Beitrag vorgestellt.

Viele Unternehmen und Institute beschäftigen sich aktuell mit dem Begriff Industrie 4.0 und seiner genauen Auslegung. Daraus resultierend existieren viele verschiedene Vorstellungen darüber, was unter dem Begriff genau zu verstehen ist. Die Vernetzung von bisher getrennt betrachteten Geräten, Komponenten, Anlagen oder gesamten Unternehmen unter der Nutzung von Internettechnologien ermöglicht neue, automatisierte Ansätze zur Datenintegration und Datenauswertung. Der vorliegende Beitrag beschreibt Szenarien und Technologien, anhand derer die Potenziale von Industrie 4.0 aufgezeigt werden sollen.

Die Anforderungen hinsichtlich der Flexibilität steigen durch die Herstellung komplexer, auf den Endkunden individualisierter Produkte (Mass Customization). Das Kapitel zeigt die Verknüpfung von Unternehmen mit verschiedenen Kernkompetenzen im Rahmen von Industrie 4.0. Eine Agentenplattform dient als Basis für die Zusammenarbeit verschiedener Unternehmen an einem gemeinsamen Produkt sowie dessen Transport durch mobile Roboter in einem gemeinsamen Produktionsnetzwerk. Die Aspekte der modellbasierten Entwicklung des Demonstrators sowie sein Verhalten unter realitätsnahen Einsatzbedingungen ergeben wichtige Faktoren für die Weiterentwicklung der Referenzarchitektur sowie die Portierung dieser in andere Domänen.

Softwarearchitekturen sind mit Blick auf die Komplexität von Softwaresystemen ein zentraler Ansatzpunkt, um die Entwicklung, spätere Erweiterungen und die Wartung durchführen zu können. Daher wird in diesem Beitrag wird eine service-orientierte Architekturservice-orientierte Architektur (SOA) vorgestellt, die dezentrale Logistikmodule in Form von dezentralen Intralogistiksystemen organisiert, sodass Werkstücke auf ihrem individuellen Weg durch das Produktionssystem gesteuert werden können. Dabei bieten einzelne Logistikmodule ihre Transportfähigkeiten in Form von sogenannten Services an. Der individuelle Transport wird durch die Koordinierung der Logistikmodule in einer service-orientierten Architekturermöglicht. Um die Koordinierung zu ermöglichen, wird hierfür ein schlankes und dadurch echtzeitfähiges, busunabhängiges, Kommunikations-Protokoll beschrieben.

Durch zunehmende Digitalisierung stehen immer größere Mengen an Daten aus Produktionssystemen zur Analyse bereit. Jedoch bereitet die Integration dieser Daten derzeit noch Probleme. Innovative Smart Data Architekturen versuchen die Lücke zwischen klassischer Automatisierungstechnik und der IT-Welt der Datenanalyse zu schließen. Diese können durch den Einsatz von Middlewares realisiert werden. Dieser Beitrag fasst industriellen Anforderungen an Middlewares und zur Verfügung stehende Technologien zusammen. Anschließend werden eine generische Systemarchitektur und zwei Anwendungen vorgestellt.

Modern manufacturing systems are becoming increasingly complex due to an increasing demand for flexible and, at the same time, efficient production. In order to efficiently integrate older and limited employees into the production process, a good introduction to the systems is necessary. This chapter presents an adaptive virtual training system to improve the skills of diverse user groups of industrial manufacturing systems. The skills of the user are measured and used to adapt the interface of the machine or provide appropriate teaching methods. This chapter discusses and motivates the components and explains the benefits of the system.

Die Digitalisierung eröffnet neue Möglichkeiten in der datengetriebenen Modellierung komplexer Produktionsprozesse. Besonders effizient können Daten aus Produktionsprozessen eingesetzt werden, wenn die Informationen und Daten des gesamten Lebenszyklus einer Anlage betrachtet werden und somit ein ganzheitliches digitales Abbild entsteht. Eine Voraussetzung hierzu ist, dass Informationen und Daten auch über Unternehmensgrenzen hinweg geteilt werden. Dieser Beitrag zeigt zwei AnwendungsszenarienAnwendungsszenarien, eines aus dem Condition MonitoringCondition Monitoring und eines aus dem Quality MonitoringQuality Monitoring, bei denen das Teilen von Daten einen essenziellen Vorteil erbracht hat.

Der Anforderung von Industrie 4.0 nach flexiblen Software-Architekturen für eine digitale Vernetzung kann durch Multiagenten-Systeme begegnet werden, die Integration autonomer Problemlösung erfordert aber kognitive Software-Architekturen, die über regelbasierte Systeme hinausgehen. BDI-Agenten sind durch ihre Ziel- und Kontext-Orientierung ein Lösungsansatz, da sie mit verschiedenen Stufen kognitiver Komplexität zur Bearbeitung von Aufgaben eingesetzt werden können. Ihre Kommunikation kann durch serviceorientierter Architekturen gewährleistet werden, wodurch auch die Anbindung an andere IT-Systeme erfolgen kann. Steuerungskonzepte für eine Supply Chain, ein Transportsystem und ein Produktionssystem demonstrieren den Einsatz von BDI-Agenten. Daraus wird eine Klassifikation von Agenten für industrielle Anwendungen abgeleitet. Abschließend wird eine ganzheitliche Industrie 4.0-Architektur durch das Framework Arrowhead, die Verwaltungsschale und BDI-Agenten beschrieben.

Industrie 4.0 basiert auf den drei Säulen Vertikale Integration, Horizontale Integration und Produktlebenszyklus-Management. Die Implementierung von Systemen zur Realisierung dieser Säulen erfordert eine Architektur, welche die Interoperabilität verteilter Komponenten und deren digitale Repräsentation ermöglicht. Als Middleware werden die Serviceorientierten Architekturen OPC UA, Arrowhead und JADEX/JADEX untersucht. Agenten-Technologie wird verwendet, um eine Active Component-Shell als Realisierung der Verwaltungsschale zu implementieren. Dadurch soll die Middleware von Prozessen und Hardware entkoppelt werden und ein modularer Aufbau der Architektur gewährleistet werden.

Vorgestellt wird die im Rahmen des von Horizon 2020/ECSEL JU geförderten Projekts Productive4.0 erarbeitete Digital Reference. Sie basiert auf einer OntologieOntologie mit einer Vielzahl von Klassen und Eigenschaften zur Abbildung von Halbleiterprodukten, Lieferketten der Halbleiterherstellung und Prozessketten, die Halbleiter beinhalten. Konzipiert ist die Digital Reference als lingua franca, die als Plattform dient, um einen konsistenten Wissensaustausch über Abteilungs-, Domänen- oder Unternehmensgrenzen hinweg zu ermöglichen. Die Ontologie entspricht einer Beschreibungssprache, die sämtliche Teilnehmer befähigt, sich miteinander autonom auf eintretende Szenarien einstellen zu können. Sie beinhaltet neben einer Abbildung der Produkte, Anlagen und sämtlicher an der Wertschöpfung beteiligter Unternehmensprozesse auch deren Relationen. Die Digital Reference findet ihre Anwendung in einer Vielzahl von Einsatzgebieten im Kontext eines Halbleiterherstellers mit seinen Zulieferern und Kunden. Hierzu zählen Verbesserungen bei der auch überbetrieblichen gemeinsamen Nutzung, Aufbereitung und Bereitstellung von Informationen, der Extraktion impliziten Wissens sowie der Prüfung integrierter Modelle. Im Speziellen wird auf die Prinzipien der zugrunde liegenden Semantic WebSemantic Web Technologien eingegangen sowie Chancen und Risiken erörtert. Ein besonderes Augenmerk soll auf einer integrierbaren Subontologie der Digital Reference liegen, welche das Automatisierungsgerüst ArrowheadArrowhead Framework beschreibt. Es wird detailliert auf die zugrunde liegenden Paradigmen des ArrowheadArrowhead Framework Frameworks eingegangen und beschrieben, wie es als Ontologie umgesetzt Nutzen stiftet.

Es wird erwartet, dass datengetriebene Methoden künstlicher IntelligenzMethoden künstlicher IntelligenzKI im Kontext IndustrieIndustrie 4.0 die Zukunft industrieller Fertigung prägen werden. Obwohl das Thema in der Forschung sehr präsent ist, bleibt der Umfang der tatsächlichen Nutzung dieser Methoden unklar. Dieser Beitrag analysiert daher von 2013 bis 2018 veröffentlichte wissenschaftliche Artikel, um statistische Daten über den Einsatz von Methoden künstlicher IntelligenzMethoden künstlicher IntelligenzKI in der Industrie zu gewinnen. Besonderes Augenmerk wird dabei auf die Trainings- und Evaluations-Datentypen, die Verbreitung in verschiedenen Industriezweigen, die betrachteten AnwendungsfälleAnwendungsfälle sowie die geografische Herkunft dieser Artikel gelegt. Die resultierenden Erkenntnisse werden in praxisnahe Hinweise für Entscheider destilliert.

Zunehmender Wettbewerbsdruck und der demografische Wandel erfordern die immer weitreichendere Digitalisierung von prozesstechnischen Anlagen. Vor allem die Fernsteuerung und -überwachung (Remote Operation) von Anlagen aus zentralen Leitwarten ist von großem Interesse. Durch verbesserte Sensorik und datengetriebene Verfahren lassen sich manuelle Tätigkeiten zunehmend automatisieren und erlauben eine Fernüberwachung, -diagnose oder sogar (zeitweise) -steuerung von Anlagen. So ist zum Beispiel die Überwachung auf äußere Leckagen ein typischer Anwendungsfall der Fernüberwachung und somit wichtiger Bestandteil der Remote Operation.

Die Potenziale datengetriebener Methoden können nur ausgeschöpft werden, wenn die zugrunde liegenden Daten die geforderte Qualität aufweisen und damit die gelernten Modelle und Methoden valide sind. Um in zukünftigen Anwendungen von datengetriebenen Methoden in cyber-physischen Produktionssystemen die systematische Prüfung der Datenqualität zu fördern, werden in diesem Beitrag die Dimensionen von Datenqualität diskutiert. Zudem werden konkrete Beispiele für die Dimensionen erwartbarer Informationsgehalt und Glaubwürdigkeit gegeben.

Viele Aspekte von Industrie 4.0 werden erst durch das Internet der Dinge ermöglicht. Daten über Produktionsleistung und -qualität, Betriebszustand etc. können in Echtzeit überwacht, aber auch in die Planung und Steuerung der Produktion einbezogen werden. Die Szenarien zur Nutzung dieser Daten unterscheiden sich in ihrem Integrationsgrad. Jedenfalls sind Big-Data-Technologien notwendig, um den vollen Nutzen aus den Daten zu gewinnen. Ein solcher Nutzen besteht in der Kopplung der Datenanalyseergebnisse aus dem Internet der Dinge, speziell real-time Analytics, mit den Geschäftsprozessen.

Die Mehrheit der Projekte zur Überwachung und Diagnose Cyber-Physischer Systeme (CPS) beruht heute auf von Experten erstellten Modellen. Diese Modelle sind jedoch nur selten verfügbar, sind oft unvollständig, schwer zu überprüfen und zu warten. Datengetriebene Ansätze sind eine viel versprechende Alternative: Diese nutzen die großen Datenmengen die heutzutage in CPS gesammelt werden. Algorithmen verwenden die Daten, um die zur Überwachung notwendigen Modelle automatisch zu lernen. Dabei sind mehrere Herausforderungen zu bewältigen, wie zum Beispiel die Echtzeit-Datenerfassung und Speicherung, DatenanalyseDatenanalyse, Mensch-Maschine Schnittstellen, Feedback- und Steuerungsmechanismen. In diesem Beitrag wird eine kognitive Referenzarchitekturkognitive Referenzarchitektur vorgeschlagen, um diese Herausforderungen in Zukunft einfacher zu lösen. Anhand dieser Referenzarchitektur wird eine Schlüsselfrage diskutiert: Der Übergang von subsymbolische Informationen wie sie für das maschinelle Lernenmaschinelle Lernen typisch sind und symbolischen Informationen, welche von Menschen einfacher verstanden werden, d. h. die Frage der Konzeptualisierung. Anwendungsfälle aus unterschiedlichen Branchen werden schematisch dargestellt und untermauern die Richtigkeit und den Nutzen der Architektur.

Die unternehmensübergreifende integrierte Aggregation, Analyse und Auswertung großer Datenmengen verursacht vielfältige neue Rechtprobleme. Der Beitrag zeigt am Beispiel der Prozessindustrie, wie diese durch Vertragsgestaltung zwischen den Partnern gelöst werden können. Zuvor werden grundlegende Fragen der rechtlichen Einordnung von Smart Data und der Verfügungsbefugnis über sie geklärt. Als ein Ergebnis werden wesentliche Inhalte der vertraglichen Absprachen als Empfehlungen zusammengestellt.

Die vierte industrielle Revolution und die hiermit einhergehenden Bestrebungen zur Digitalisierung führen zu einer Änderung des Marktverhaltens. Durch die Spezialisierung von Produkten auf kleinere Marktgruppen bei gleichzeitiger Verkürzung der Produktlebenszyklen ist die Flexibilisierung des Produktionsprozesses von großer Bedeutung. Die Modularisierung verfahrenstechnische Produktionsanlagen wird hierbei als eine erfolgversprechende Möglichkeit zur Bewältigung dieser Anforderungen in der verfahrenstechnischen Industrie angesehen. Die geforderte Flexibilisierung von Produktionskapazitäten kann durch eine modulare und damit verfahrenstechnisch leicht anpassbare Anlagenarchitektur realisiert werden.

Die Maschinen und Anlagen des Maschinen- und Anlagenbaus, speziell auch die Maschinen- und Anlagen des Verpackungsmaschinenbaus,Verpackungsmaschinenbau sind einerseits durch eine hohe ProduktkomplexitätProduktkomplexität, die sich u. a. durch die komplexe Verfahrenstechnik und die vielfältigen kinematischen Bewegungsvorgänge ergeben, andererseits durch die marketinggetriebenen Entwicklungen der Konsumgüterproduzenten. Dieser Produktkomplexität, aus Sicht der Hersteller handelt es sich um eine externe VarianzVarianz, ist durch eine geeignete modulare Gestaltung der Maschinen und Anlagen zu begegnen. Ziel ist es weiterhin alle Anforderung des Marktes mit dem Portfolio abdecken zu können und in den Märkten zu wachsen, ohne ein zu starkes Anwachsen der Produkt- und Prozess- und Organisationskomplexität innerhalb des Unternehmens zu erzeugen.Der Begriff Smart Factory ist sicher nicht scharf abgegrenzt und wird in verschiedene Branchen teilweise sehr unterschiedlich verwendet. Im Maschinen- und Anlagenbau, welcher vor allem Produktionsanlagen für eine große Produktpalette herstellt, geht es darum die Fabriken der Kunden „smarter“ zu gestalten mit Automatisierungstechnik, Konnektivität und geeigneten Datenauswertungen für z. B. vorbeugende Instandhaltung.Basierend auf der Automatisierungstechnik sind die Maschinen und Anlagen mit sinnvollen Vernetzungen aus dem Industrie 4.0 Baukasten ergänzbar. Die in der Vergangenheit überwiegend mechanisch geprägten ProduktstrukturenProduktstrukturen sind sinnvoll durch mechatronische Architekturen zu ersetzen und zu ergänzen. Hierzu gehört eine modulare Gestaltung der elektronischen Hardware, wie auch der Softwaremodule. Diese sind maschinennah mit teilweise proprietären Softwarewerkzeugen (SPS) realisiert und werden zunehmend durch Softwaremodule in Hochsprachen ergänzt.Anhand von realisierten Beispielen werden die modernen Verfahren der Vernetzung und der Drahtlosverbindungen aufgezeigt. Hiermit sind innovative Formen der Mensch-Maschine-Kommunikation möglich. Aufgrund der zunehmenden Komplexität der Maschinen- und Anlagen und der vergleichsweise langen Nutzungsphase (10–30 Jahre), sowie der unterschiedlichen Lebenszyklen von mechanischen, elektronischen und Softwareelementen, ist eine methodische modulare Entwicklungsmethodik unabdingbar geworden.Im Weiteren geht es auch darum, das eigene Unternehmen als Smart Factory auszugestalten indem eine lückenlose digitale Informationsweitergabe vom Vertrieb, über Entwicklung und Konstruktion bis hin zur eigenen Produktion und Lieferkette realisiert wird. Hier leisten die entsprechenden IT-Werkzeuge wie Konfigurationssysteme, Produktdatenmanagementsysteme und Enterprise Ressource Planning (ERP) Systeme einen wertvollen Beitrag. Vor allem die mechatronische Produktentwicklung ist in einem geeigneten Produktentwicklungsprozess (PEP) und mit einer innerbetrieblichen medienbruchfreien IT-LandschaftIT-Landschaft abzubilden.

Im Rahmen von Industrie 4.0 steigen die Anforderungen an Flexibilität und Autonomie von Maschinen- und Anlagen sowie ihrer Bestandteile stetig an. Um diesen Anforderungen bei gleichbleibender SoftwarequalitätSoftwarequalität gerecht zu werden, ohne dabei die Entwicklungszeit von Steuerungssoftware zu erhöhen, ist die Verwendung modularer, wiederverwendbarer Softwaremodule ein wirksamer Hebel, denn ein modulares Design von Steuerungssoftware erhöht zum einen durch die Kapselung der Daten und klare Trennung der implementierten Funktionalitäten die Verständlichkeit von Steuerungssoftware. Zum anderen ermöglicht das modulare Design durch klar definierte Schnittstellen den Austausch einzelner Softwareteile bzw. die Interaktion autonomer Systeme nach Prinzipien wie Plug & ProducePlug & Produce.In diesem Beitrag werden zunächst die Kriterien modularer Software eingeführt und in den Kontext der gewählten SoftwarearchitekturSoftwarearchitektur gesetzt, welche sich oftmals an den Architekturrichtlinien der betrachteten Anwendungsdomäne orientiert. Zudem werden aktuelle Ansätze aus der Forschung zur quantitativen Bewertung der Reife von modularen Steuerungssoftwareteilen, wie z. B. Bibliotheksmodulen, präsentiert. Die metrikbasierte Berechnung der Reife ermöglicht eine objektive Aussage, welche zum einen als Grundlage für die Freigabe von Bibliotheksmodulen verwendet werden kann, darüber hinaus aber auch beispielsweise zur Testfallpriorisierung nutzbar ist. Zusätzlich unterstützen Metriken die Identifikation schwer verständlicher oder suboptimal umgesetzter Softwareteile, was anhand einer mit Industriesoftware evaluierten Metrik für Funktionsbausteinsprache (eine graphische Programmiersprache, definiert in der Norm IEC 61131-3) gezeigt wird. Basierend auf diesen Grundlagen, wird ein Anwendungsbeispiel aus der Domäne der Intralogistik beschrieben, um mithilfe von Codeanalyse und unter Verwendung von Softwaremetriken den Transfer von historisch gewachsener Legacy Software hin zu modularer Software als Basis für autonome Systemeautonome Systeme zu schaffen. Im Rahmen der Codeanalyse von Legacy Software können hierbei durch die Analyse von Modulschnittstellen und von direktem sowie indirektem Datenaustausch in der Software Potenziale aufgezeigt werden, um die ModularitätModularität der analysierten Software zu erhöhen und diese geplant wiederzuverwenden. Hierbei spielt auch die Betrachtung verschiedener Varianten der analysierten Steuerungssoftware eine große Rolle, da beispielsweise bekannte Varianten eines Bibliotheksmoduls soweit wie möglich im geplanten Wiederverwendungskonzept berücksichtig werden müssen. Der Beitrag schließt mit einer kurzen Zusammenfassung ab.

Das, was technisch und ziemlich futuristisch begann, entwickelte sich zu einer zeitkritischen technologischen und gesellschaftlichen Realität.Sehr schwer zu vermitteln war die Nutzung des Wortes ‚Revolution‘ und zwar die vierte davon!In der Tat können wir bis heute eine ‚evolutionäre Revolution‘ beobachten, die Grundsätze unserer Modelle aus der Vergangenheit umwirft!Die ‚Dinge‘ sollen nun die Layers, die Domänen, die Boxes und die Clusters verlassen und sich direkt vernetzen. Keine ‚PyramidePyramide‘ kann abbilden, was hier realisiert werden soll.Das Netz und seine ‚Dinge‘, wozu auch der Mensch gehört, werden intelligent, kommunizieren direkt miteinander und kennen keine Grenzen mehr. Die Intelligenz, die man so selbstverständlich nur den Menschen zugerechnet hat, bekommt eine künstliche Form „KI“, die inzwischen überall eine Anwendung findet! Das Volk unterhält sich inzwischen mit ChatGPT und zwar nicht nur über SW-Codes, sondern auch über die Kochrezepte. Dabei fragt man sich, wie wir dieses Ding nun gendern müssen (der, die, das).Der Systemtheoretiker und Soziologe Niklas LuhmannNiklas Luhmann hätte es mit seiner SystemtheorieSystemtheorie: ‚SystemSystem=System-UmweltUmwelt‘ schwer, Umwelt zu definieren, wenn wir nun die Grenzen verschieben!The Internet of Things bedeutet, die Welt und ihre zugehörigen Dinge als EINS zu sehen und zu behandeln, und das nicht nur in der Technik. InterdisziplinaritätInterdisziplinarität ist der Schlüssel hierzu.

Anlagen im Industrie 4.0 Umfeld erfordern den Austausch von Engineering-Modellen und Engineering-Daten über Fachbereichsgrenzen hinweg. Der Einsatz heterogener Software-Werkzeuglandschaften bestimmt jedoch häufig den Engineering-Prozess automatisierter Systeme. In der Kombination von standardisierten Datenformaten wie AutomationML und geeigneten Datenaustausch- und Verwaltungsplattformen für Engineering-Modelle und Daten lassen sich sowohl Engineering-Prozesse verbessern als auch Anlagemodelle über den gesamten Lebenszyklus effizient erstellen und pflegen. Häufig bilden Modelle jedoch nur einzelne Teilaspekte einer Anlage ab und erschweren somit einerseits eine ganzheitliche Sicht auf die Anlage und andererseits die Analyse von übergreifenden Faktoren, wie etwa Konfigurationen, die von unterschiedlichen Fachbereichen bereitgestellt und genutzt werden. Integrationsplattformen und Konzepte, wie etwa der Produkt-Prozess-Ressourcen-Ansatz (PPR) ermöglichen eine ganzheitliche Sicht auf die Anlage aus unterschiedlichen Sichtweisen und können einen effizienten Datenaustausch über Fachbereichsgrenzen hinweg ermöglichen. Dieses Kapitel diskutiert Bedarfe, Herausforderungen und Lösungsansätze sowie Stärken und Einschränkungen von gängigen Ansätzen für effizienten Datenaustausch im heterogenen Engineering-Umfeld anhand von Forschungsfragen und Anwendungsfällen. Wesentliches Ziel der Forschung und Entwicklung ist das Herstellen einer effizienten Datenlogistik in einem heterogenen Engineering-Umfeld. Dadurch ergeben sich Möglichkeiten für eine verbesserte Beobachtung und Orchestrierung von Engineering-Prozessen.

Die Welt der Produktionssysteme ist an einem Wendepunkt. Die wachsende Bedeutung der Kundenwünsche und die wachsende Geschwindigkeit des technischen Fortschritts haben Produktionssysteminhaber dazu gebracht, die Flexibilität von Produktionssystemen hinsichtlich Produktportfolio und Ressourcennutzung auszuweiten (Terkaj et al. 2009). Jedoch ist diese Flexibilitätserweiterung nicht kostenlos zu haben. Neue Vorgehensweisen und Methoden des Entwurfes und der Nutzung von Produktionssystemen haben sich als notwendig erwiesen, wie sie in der Industrie 4.0 Initiative anvisiert werden (Kagermann et al.; Jasperneite 2012).Industrie 4.0 fordert eine verstärkte Integration in verschiedensten Richtungen bezogen auf die Struktur und Entwurf/Erstellung/Nutzung von Produktionssystemen. So empfiehlt es eine verstärkte Integration der verschiedenen Lebenszyklusphasen eines Produktionssystems, stärkere Integration der verschiedenen Ebenen der Automatisierungspyramide von der Feldebene bis zur Unternehmenssteuerung und die Integration entlang der Entwurfskette des Produktionssystems, d. h. die Abfolge von Aktivitäten, die von Ingenieuren mit entsprechenden Entwurfswerkzeugen auszuführen sind (Biffl et al. 2017).Die zunehmende Flexibilität der Produktionssysteme erzwingt eine höhere Frequenz an Entwurfsaktivitäten (Neubau und Umbau). Deshalb nimmt die Bedeutung des Entwurfs im Lebenszyklus des Produktionssystems zu, dessen Anteile an Lebenszyklus und Kosten des Produktionssystems steigen. Die Integration von Ingenieuraktivitäten und ihre beteiligten Werkzeuge entlang der Entwurfskette sollen ein Mittel sein, Zeit und Kosten des Entwurfs durch die Vermeidung von unnötigen Wiederholungen von Entwurfsaktivitäten zu sparen, eine Zunahme an Kontinuität der Entwurfswerkzeugketten sicherzustellen und eine Verbesserung der Zusammenarbeit unter den Ingenieuren (um nur einige erwartete Einflüsse zu nennen) zu erreichen (Biffl et al. 2017).Eine Mittel, die Integration von Entwurfsaktivitäten und Werkzeugen entlang der Entwurfsketten des Produktionssystems zu ermöglichen und außerdem die Verwendung von Entwurfsdaten innerhalb der Nutzungsphase eines Produktionssystems möglich zu machen, ist ein geeignetes Datenaustauschformat. Folgend der Industrie 4.0 Roadmap (DIN/DKE 2018) muss ein solches Datenformat entwickelt werden. In diesem Paper wird das Datenaustauschformat AutomationML betrachtet. Um eine Bewertung der Anwendbarkeit von AutomationML im Industrie 4.0 Kontext zu ermöglichen, soll der Umfang der Darstellbarkeit von Entwurfsdaten mit AutomationML detailliert untersucht werden.

Die Zusammenarbeit von Fachexperten in einem heterogenen Entwicklungsumfeld im Industrie 4.0 Umfeld bringt neben dem verstärkten Bedarf an effizientem Datenaustausch weitere Herausforderungen aber auch neue Möglichkeiten an fachbereichsübergreifenden Maßnahmen der Qualitätssicherung zur Verbesserung der Projekt-, Prozess- und Produktqualität mit sich. Engineering-Modelle stellen dabei meist die Grundlage der einzelnen Fachbereiche dar und müssen effizient aufeinander abgestimmt werden. Durch modellunterstützte Qualitätssicherung und automatisierte Tests können Fehler, fachbereichsübergreifend effizient erkannt und durch beteiligte Ingenieure behoben werden. Dieses Kapitel beschreibt Bedarfe an Methoden zur fachbereichsübergreifenden Qualitätssicherung sowohl für Ingenieure als auch für Projekt- und Qualitätsmanager und stellt Konzepte und Lösungsansätze anhand exemplarischer Industrieprototypen dar: Fachinspektionen durch Experten ermöglichen die gezielte Untersuchung von Änderungen in Engineering-Modellen oder die Überprüfung generierter Modelle. Testansätze erlauben die Überprüfung der Durchgängigkeit von Signalinformationen (End-to-End Test). Ein Testautomatisierungsframework unterstützt die flexible und semi-automatische Testplanung und Testdurchführung auf Systemebene. Im Rahmen der Projektbeobachtung können kritische Projekt- oder Prozessparameter überwacht werden. Die Grundlage für diese Lösungsansätze bilden Mechanismen zum effizienten und qualitätsgesicherten Datenaustausch basierend auf integrierten Datenmodellen oder effizienten Datenaustauschplattformen, die etwa auf AutomationML aufgebaut werden können. Basierend auf diesen integrierten Datenmodellen können diese Ansätze helfen, um Fehler und Inkonsistenzen in Planungsdaten unterschiedlicher Fachbereiche schneller und effizienter zu finden und einen besseren Überblick über den aktuellen Projektstatus zu erhalten.

Industrie 4.0 bedeutet mehr Komplexitat – nicht zuletzt auch während des Engineerings automatisierter Produktionssysteme. Essenziell für den Erfolg von Industrie 4.0-Entwicklungsprojekten ist, dass Fehler während der Entwicklung frühzeitig erkannt und behoben werden. Solche Fehler manifestieren sich in vielen Fällen durch Inkonsistenzen in den Engineeringdaten, die oftmals sehr heterogener Natur sind. Zur Adressierung dieser Problematik analysiert dieses Kapitel die Herausforderung des Managements (d. h. der Erkennung und Behebung) von Inkonsistenzen in heterogenen Engineeringdaten und stellt einen Ansatz zur Diagnose von Inkonsistenzen vor.

Eine wesentliche Herausforderung von Industrie 4.0 ist die vertikale Integration der Produktionsebenen mit ihren eingebetteten Systemen. Manufacturing Execution SystemeManufacturing Execution Systeme (MES) spielen dabei ein zentrale Rolle, da sie das Bindeglied zwischen dem Enterprise Ressource Planning (ERP) System und der Produktionswelt darstellen.Die industrielle Produktion von Lebensmitteln erfolgt in komplexen Prozessen, in denen die Transparenz aller Prozessschritte zur Beherrschung von Qualität, Effizienz und Ressourcenverbrauch notwendig ist. MES-Lösungen helfen hier Prozesse und Anlagen zu überwachen, Fehler zu erkennen und zu analysieren und komplexe Auswertungen von aggregierten Daten durchzuführen.Dieser Beitrag beschreibt eine kostengünstige Vorgehensweise für die Vernetzung der Lebensmittelproduktion. Der Aufwand zur Implementierung und Rekonfiguration von MES-Lösungen soll dadurch reduziert werden.Dabei wird auf MES-Beschreibungsstandard – der MES-ML –und Datenstandards der Lebensmittelindustrie (Weihenstephaner Standards) aufgesetzt. Es wurden Beschreibungsmodelle für das automatische Generieren von MES-Funktionen entwickelt, die die Anlagenkonfiguration, die ablaufenden Prozesse und die MES-Funktionalität beschreiben. Die Modellierung erfolgt in einem eigens entwickelten Werkzeug. Dieser verarbeitet die Modellierung und beschreibt das ganzheitliche MES in einer standardisierten und offenen Schnittstelle. Aus der Spezifikation werden durch Codegeneratoren automatisch MES-Lösungen parametriert. Der Beitrag erläutert die Vorgehensweise anhand eines Beispiels aus der Lebensmittelindustrie.

OPC Unified Architecture (OPC UA)OPC Unified Architecture (OPC UA) ist ein Interoperabilitäts-Standard, der für einen durch Authentifizierung und Verschlüsselung sicheren, zuverlässigen, plattform-, sprach- und herstellerunabhängigen Informationsaustausch steht. Der Informationsaustausch beinhaltet Prozessdaten, Alarm- und Ereignissignale, historische Daten und Kommandos.OPC UA skaliert vom kleinsten Sensor (Umfang 10 kb) bis in die IT-Enterprise-Welt wie z. B. SAP und die Microsoft Azure Cloud. Als Norm IEC65421IEC65421 ist OPC UA aktuell die einzige IEC-standardisierte SOA-Technologie auf der deutschen DKEDKE-Normungsliste für die Umsetzung von Industrie 4.0.OPC UA ist gelistet in der „Reference Architectural Model Industrie4.0 (RAMI4.0)Reference Architectural Model Industrie4.0 (RAMI4.0)“. Das BSI untersucht aufgrund der Relevanz für die deutsche Industrie die Sicherheit von OPC UA.

In Anlehnung an Umsetzungsempfehlungen für Industrie 4.0 widmen wir uns in diesem Kapitel dem Handlungsfeld der modellbasierten horizontalen und vertikalen Integration. Wir zeigen, dass die Zusammenführung international etablierter Standards genutzt werden kann, um eine flexible Informationsarchitektur zu schaffen. Zu diesem Zweck präsentieren wir ein offenes Rahmenwerk von Standards für Industrie 4.0, das drei Aspekte umfasst. Der erste Aspekt berücksichtigt die Unterscheidung zwischen den unterschiedlichen Ebenen in einem Unternehmen, in Anlehnung an die klassische Automatisierungspyramide. Der zweite Aspekt unterscheidet zwischen den internen und den externen Aspekten der horizontalen und vertikalen Integration. Der dritte Aspekt differenziert zwischen konzeptuellen Domänenmodellen und deren informationstechnischer Umsetzung.

In nahezu allen Domänen eingebetteter Systeme sehen wir Trends hin zu immer stärkerer Vernetzung und höheren Automatisierungsgraden. Autonome, cyber-physische Systeme von Systemen sind das entsprechende Schlagwort. Autonome Produktionssysteme stellen sich selbstständig auf neue Prozesse, Produkte und Produktionsumgebungen ein. Sie entscheiden selbstständig wann ein Produkt wie produziert wird. Forschungsanlagen im Bereich der autonomen Produktion zeigen, wie sich Produktionsstraßen mittels mobiler, autonom fahrender Plattformen, auch physisch selbstständig neu konfigurieren können. Die Umsetzung solcher Systeme in realen Umgebungen erfordert die Bewältigung technischer und methodischer Herausforderungen, bevor das Potenzial autonomer Produktionssysteme voll ausgeschöpft werden kann. Eine zentrale Herausforderung ist dabei die Gewährleistung von Sicherheit. Etablierte Methoden und Standards gehen stets von der Grundannahme aus, dass ein System und seine Umgebung vollständig bekannt sind und analysiert werden können – was bei den betrachteten Systemen schlicht nicht der Fall ist. Ferner besteht ein starker Fokus auf funktionale Sicherheit, was bei automatisierten und autonomen Systemen zu kurz gegriffen ist. Entsprechend sind neuartige Ansätze zur Gewährleistung umfassender Sicherheit (im Sinne von SafetySafety und Security) nötig. In diesem Artikel diskutieren wir die diesbezüglichen Herausforderungen und zeigen Lösungsmöglichkeiten aus der Forschung auf.