IoT – Best Practices

Unternehmensberatungen, Marktforschungsinstitute und Technologie-Evangelisten haben sich in den letzten Jahren mit positiven Prognosen zum enormen Geschäftspotenzial im Internet der Dinge (aus dem Englischen Internet of Things, IoT) gegenseitig übertroffen. In der Tat eröffnen vernetzte IoT-Lösungen neue Geschäftspotenziale und sind derzeit im Begriff ganze Branchen zu disruptieren. Jedoch zeigen neuste empirische Forschungsergebnisse und bisherige Erfahrungen, dass Unternehmen diese Chancen viel langsamer realisieren als erwartet. Selbst IoT-Pioniere wie General Electric sind mit ihren ambitionierten Digitalisierungsinitiativen vorerst gescheitert und sehen sich gezwungen, ihre kommunizierten IoT-Pläne deutlich anzupassen. In Anbetracht dieses Digitalisierungs-Paradox, mit hohen Investitionskosten und niedrigen Erträgen, suchen Unternehmen heute mehr denn je nach neuen Möglichkeiten, die über bekannte Produkt- und Dienstleistungsinnovationen hinausgehen. Der vorliegende Grundlagenbeitrag widmet sich den Fragen, wie das IoT die zentralen Geschäftsmodellelemente von Unternehmen beeinflusst und wie das Digitalisierungs-Paradox überwunden werden kann. Darüber hinaus reflektiert der Beitrag erfolgsversprechende Vorgehensweisen auf dem langen Weg zur Profitabilität im Internet der Dinge.

Im Zeitalter digitaler Technologien beschränkt sich der Wettbewerb zwischen Industrieunternehmen nicht mehr nur auf klassische Produkt- und Serviceinnovationen. Vielmehr gewinnen neue digitale Geschäftsmodelle auf Basis des Industrial Internet-of-Things (IIoT) an Bedeutung, welche die Vernetzung physischer Produkte und die damit einhergehende Gewinnung und Verwertung relevanter Nutzungs- und Umweltdaten ermöglicht. Neue datenbasierte Geschäftsmodelle, wie zum Beispiel Pay-per-Use-Modelle oder Plattformen, entstehen. Da insbesondere im IIoT-Kontext ein umfassendes und praxisrelevantes Verständnis zu den damit einhergehenden Möglichkeiten der Geschäftsmodellentwicklung fehlt, beschäftigt sich dieser Beitrag mit IIoT-basierten Geschäftsmodellinnovationen im Industrie-Kontext. Zunächst werden sechs IIoT-basierte Geschäftsmodell-Archetypen vorgestellt, die im Rahmen des öffentlich geförderten Konsortialforschungsprojekts „Transparenz in Produktionsprozessen“ (TRiP) mit sechs Industrieunternehmen aus verschiedenen Branchen identifiziert und evaluiert wurden. Auf Basis von zehn interdisziplinären Geschäftsmodellworkshops mit den Konsortialunternehmen werden zudem praxisrelevante Erkenntnisse über die Transformation vom Status Quo Geschäftsmodell hin zum IIoT-basierten Geschäftsmodell diskutiert und abgeleitet. Der Beitrag bietet Praktikern einen strukturierten Überblick zu den Möglichkeiten und Auswirkungen IIoT-basierter Geschäftsmodellinnovation sowie Ansatzpunkte für den Wandel hin zu IIoT-basierten Geschäftsmodellen.

Getrieben durch Technologietrends wie das Internet der Dinge und günstigere Sensorik zielen Industrieunternehmen zunehmend darauf ab, aus den eigenen Daten und Analyseverfahren neue, innovative Produkte und Dienstleistungen zu schaffen. Durch den Einsatz von vernetzen Geräten und entsprechender Software entstehen häufig individuelle IoT-Lösungen mit denen sich Unternehmen im Markt differenzieren wollen. Doch wo liegen die Kernunterschiede zwischen verschiedenen IoT-Lösungen und welches Innovationspotenzial geht mit ihnen einher? Auch die Literatur gibt wenig Aufschluss über diese Frage. Basierend auf der Untersuchung 18 bereits existierender Reifegradmodelle sowie 5 Experteninterviews identifizieren wir vier Schlüsseldimensionen, (1) Datenquelle, (2) Datenziel, (3) Datenanalyse und (4) Datenbasierte Transformation, die mit ihren vier Ausprägungen das Innovationspotenzial verschiedener Enterprise IoT-Lösungen beschreiben. Auf Basis dieser Ergebnisse leiten wir ein Innovationsstufenmodell ab, das Unternehmen dabei hilft das Innovationspotenzial Ihrer IoT-Lösung zu erkennen und weitere Ausbaustufen aufzeigt. Im Anschluss demonstrieren wir die Anwendung des Modells, indem wir es zur Klassifizierung von zwei IoT-Lösungen aus Industrieunternehmen benutzen. Dabei schließen wir einerseits die konzeptionelle Lücke mit einem Modell, das Aussagen über den Einfluss von IoT auf Unternehmensinnovation macht, und bieten der Praxis ein konkretes Werkzeug, um Managementaufgaben im Zusammenhang mit der Entwicklung neuer und innovativer Produkte und Dienstleistungen zu unterstützen.

Die digitale Transformation von Unternehmen des Maschinenbaus hat in den letzten Jahren zunehmend an Aufmerksamkeit gewonnen. Insbesondere die Entwicklung und Nutzung digitaler Technologien eröffnet Unternehmen neue Möglichkeiten zur Verbesserung ihrer internen Prozesse. Jedoch werden aufgrund des Fehlens eines ganzheitlichen digitalen Transformationsansatzes Digitalisierungsprojekte in der Praxis oftmals von einzelnen Fachbereichen initiiert und unabhängig voneinander vorangetrieben. Bestrebungen können somit weder ganzheitlich koordiniert noch können prozessübergreifende Effekte hinreichend berücksichtigt werden. Vor allem die kundenorientierte Betrachtung der gesamten Prozesskette – von der Kundenanfrage bis zur Installation – bietet ungenutztes Potenzial, Unternehmen erfolgreich und ganzheitlich zu digitalisieren. Obwohl in der akademischen Literatur eine Vielzahl von Vorgehensmodellen zur Bewertung und Priorisierung von Projekten im IT-Umfeld beschrieben ist, stoßen diese Vorgehensmodelle in der Praxis, insbesondere bei der Bewertung und Priorisierung von Projekten entlang der gesamten Prozesskette, an ihre Grenzen. Vor diesem Hintergrund stellt dieser Beitrag ein neuartiges Vorgehensmodell vor, das Unternehmen bei der Bewertung und Priorisierung von Digitalisierungsprojekten entlang der gesamten Prozesskette unterstützt. Der entwickelte Ansatz wurde dabei in enger Zusammenarbeit mit einem Unternehmen aus der Branche Maschinen- und Anlagenbau, der TRUMPF GmbH + Co. KG, validiert und die Ergebnisse mit Experten unterschiedlicher Bereiche des Unternehmens verifiziert.

Das Internet der Dinge treibt die Digitalisierung in vielen Lebensbereichen und vor allem in der Industrie stark voran. Dabei ergeben sich eine Vielzahl von neuen und verbesserten Anwendungsszenarien und Geschäftsmodellen. Getrieben durch die (theoretisch) unbegrenzten Möglichkeiten der Umsetzung, müssen besonders in der Planung zentrale Sachverhalte vorab evaluiert und bewertet werden, um in Bereichen wie Sicherheit, Betriebsfähigkeit, Skalierung, Wirtschaftlichkeit sowie Geschäftsmodell eine bestmögliche Qualität zu erreichen. Wir geben einen Überblick über die Bedeutung und Zusammenhänge dieser verschiedenen Aspekte und zeigen an einem internationalen (I)IoT-Projekt konkrete Fallstricke und die getroffenen Gegenmaßnahmen auf, um darauf basierend eine Empfehlung an Best Practices abzugeben, um neu zu beginnende (I)IoT-Projekte zukünftig zielgerichtet planen zu können.

Mit der zunehmenden Verbreitung und Bedeutung des Internet der Dinge nimmt auch die Bedeutung von IoT-Software-Plattformen als zentraler Bestandteil von IoT-Systemen zu. Aufgrund des geschätzten Marktpotenzials von 15 Milliarden Euro im Jahr 2020 konkurrieren derzeit über 450 Anbieter miteinander. Da IoT-Software-Plattformen komplexe Lösungen darstellen und unterschiedliche Plattformen unterschiedliche Funktionalitäten aufweisen, führt diese Vielfalt zu einem intransparenten Markt. Folglich stehen Unternehmen, die eine IoT-Anwendung unter Weiternutzung ihrer bestehenden IT-Infrastruktur umsetzen wollen, vor der Herausforderung, die für diesen unternehmensspezifischen Anwendungsfall am besten geeignete IoT-Software-Plattform aus einer Vielzahl von Kandidaten auszuwählen. Dabei stellt die Funktionalität einer IoT-Software-Plattform ein wesentliches Bewertungs- und Auswahlkriterium dar. Allerdings müssen Praktiker zahlreiche Unterlagen mit heterogenen Beschreibungen auf unterschiedlichen Abstraktionsniveaus aus verschiedenen Quellen wie offiziellen Webseiten, Produktbroschüren, Datenblättern, Entwicklerdokumentationen und Marktstudien zeitaufwändig zusammentragen und auswerten, um die Funktionalität der verschiedenen am Markt angebotenen IoT-Software-Plattformen zu verstehen und vergleichen zu können. Vor diesem Hintergrund leitet der vorliegende Beitrag die Funktionalität einer vollständigen IoT-Software-Plattform mit Hilfe einer qualitativen Inhaltsanalyse aus verfügbaren Unterlagen der wichtigsten am Markt verfügbaren Plattformen ab und beschreibt diese in Form einer Taxonomie und darauf aufbauenden Referenzarchitektur. Auf dieser Basis sind Praktiker in der Lage, die Funktionalität der am Markt verfügbaren IoT-Software-Plattformen schnell zu verstehen und untereinander zu vergleichen.

Das Internet of Things (IoT) ist ein wichtiger Baustein bei der Digitalen Transformation von Unternehmen und ein stark wachsender Markt. In dem Zeitraum von 2015–2025 wird laut einer Studie von IHS Technology eine Verfünffachung auf 75 Mrd. IoT-fähige Geräte erwartet. McKinsey beziffert den entsprechenden Markt für 2025 auf 11 Billionen US-$. Schon heute gibt es eine Vielzahl von Anbietern und Plattformen, die mit jeweils unterschiedlichen Kernkompetenzen einen Einstieg in das Themenfeld IoT bieten. Um Unternehmen spezifische Lösungen für deren konkrete Anwendungs- und Geschäftsprozesse zu bieten, gilt es die verschiedenen Plattformen mehrwertbringend zu verknüpfen und so ein integriertes Gesamtsystem bereitzustellen. Eine vielversprechende Lösung für diese Problemstellung bietet die Cloud to Cloud Integration zwischen den verschiedenen Anbietern und Plattformen.

Um das Thema Cloud to Cloud Integration im IoT Umfeld genauer zu beleuchten, arbeitet dieser Artikel zunächst die aktuelle Situation auf dem Markt der IoT Plattformen auf. Diese Analyse, ergänzt um Experteninterviews, bildet die Basis der Anforderungen und Eigenschaften einer erfolgreichen Integration. Davon ausgehend beschreibt dieser Artikel erst ein Soll-Konzept und darauffolgend einen technischen Realisierungsansatz. Die ermittelten Anforderungen und Eigenschaften sowie das erarbeitete Konzept und die Architektur werden dann hinsichtlich des wirtschaftlichen Nutzens und Herausforderungen für Betreiber und Kunden einer solchen Integration diskutiert. Abgeschlossen wird der Artikel durch eine Zusammenfassung der Ergebnisse und einen kurzen Ausblick, welcher auch neu aufgekommene Standards umfasst.

Die hohe Anzahl genutzter smarter Geräte führt zu deren Verbreitung und engen Integration im Alltag. Mit der Erweiterung von Alltagsgegenständen um Netzwerkkonnektivität, dem Internet der Dinge (Internet of Things, IoT), ist ein neuer Trend beobachtbar. Das Internet der Dinge bietet zahlreiche Einsatzgebiete und katalysiert die Verschmelzung von physischer und digitaler Welt. Dadurch lassen sich insbesondere Kommunikation und Interaktion zwischen Individuen, Gegenständen und Unternehmen verbessern. In der Industrie muss zur Integration und Potenzialnutzung des Internets der Dinge der Kontext gewissenhaft analysiert werden. Plant ein Unternehmen eine Transformation hin zu Industrie 4.0, so muss es Abhängigkeiten zu Produktionsanlagen und Anwendungssystemen berücksichtigen. Motiviert durch Effizienzpotenziale haben große Unternehmen bereits mit der Transformation begonnen. In kleinen und mittleren Unternehmen (KMU) wird die Umstellung hingegen nicht selten zurückhaltender betrachtet. Jedoch bietet sich auch für KMU großes Kostenreduktions- und Prozessverbesserungspotenzial. Diese Problemstellung adressiert das von der Bayerischen Forschungsstiftung geförderte Forschungsprojekt „SmarDes@Work – Smart Devices in der Produktion“. Ziel war es, handelsübliche smarte Geräte einfach in die Produktionsprozesse von KMU zu integrieren. Im Rahmen des Forschungsprojekts erarbeitete ein Konsortium aus Wissenschaftlern, Produktionsbetrieben und Softwareherstellern eine Startlösung für Industrie 4.0 in KMU. In diesem Beitrag werden die zentralen Erkenntnisse vorgestellt und Handlungsempfehlungen abgeleitet.

Die Automobilindustrie befindet sich seit Jahren in einem gravierenden Veränderungsprozess. Steigende Variantenzahlen, kürzere Produktlebenszyklen, zunehmende regulatorische Vorgaben und der Kundenwunsch nach individuellen Fahrzeugen führen zu immer weiteren Anpassungen in der Fertigung der jeweiligen Unternehmen. Dieser Trend wird durch neue Antriebsarten weiter verstärkt. Bestehende Planungs- und Fertigungsansätze kommen somit immer stärker an ihre Grenzen. Modulare Ansätze, die starre Fertigungsstrukturen auflösen, versprechen hier erhebliche Produktivitätsgewinne bei gleichzeitiger Erhöhung praktische der Flexibilität und Wandlungsfähigkeit. Im Folgenden wird die produktive Umsetzung eines derartigen Ansatzes für die Komponentenfertigung in der Automobilindustrie vorgestellt.

Ein Kernbereich der von digitalen Informationen entscheidend profitieren kann ist die Instandhaltung von Maschinen. Sie dient der Gewährleistung eines reibungslosen Fertigungsablaufs. Mithilfe von Verfahren der Datenanalyse sollen hierfür künftig Maschinenzustandsdaten ausgewertet werden. Fraglich bleibt die aktuelle Beschaffenheit von Fertigungsanlagen im deutschen, produzierenden Mittelstand. Wie eine Umfrage zeigt, stammen Zustandsdaten noch immer überwiegend von Lichtschranken, Positionierungstastern und Motorspannungen. Binäre Datenwerte erschweren datenbasierte Auswertungsverfahren jedoch. Der Beitrag nimmt sich der Problemstellung an. Gemeinsam mit Partnern aus der Industrie wurde ein schrittweiser Entwicklungsansatz erarbeitet, wie trotz dieser Datenrestriktion eine umfassende Unterstützung möglich wird. Die Umsetzung basiert auf Techniken aus den Bereichen Process Mining und erklärbare künstliche Intelligenz. Ein Demonstrator evaluiert die Praxistauglichkeit.

Die Chancen, die sich durch die zielgerichtete Auswertung und Verwendung von Sensordaten für den Maschinen- und Anlagenbau ergeben, sind immens. Große Anlagen weisen hunderte oder gar tausende von verbauten Sensoren auf, die in kurzen Zeitabständen Daten über aktuelle Zustände einzelner Maschinenkomponenten sowie der Produktionsprozesse erzeugen. Die Produktion von Wellpappe, die als vielseitiges Verpackungsmaterial für Endkunden- und Industrieprodukte weltweit zum Einsatz kommt, stellt hierbei ein besonders anschauliches Beispiel dar. Die Entwicklung digitaler Dienstleistungen wie die vorausschauende Wartung (sog. „Predictive Maintenance“) basieren auf Daten, die an der Anlage erzeugt werden. Ein im Produktionsprozess von Wellpappe kritisches Bauteil stellt das bei der Verklebung der Wellpapp-Schichten verwendete Anpressband dar. Die neueste Generation von Wellpappenanlagen wird zu diesem Zweck mit spezieller Sensorik ausgestattet, die laufend Daten zum Zustand des Bandes liefern. Mit diesen Daten lassen sich mit Hilfe modellbasierter maschineller Lernverfahren Prognosen zur Lebensdauer treffen und damit Automatisierungspotenziale bei nachfolgenden Geschäftsprozessen ausschöpfen. Ziel ist die Minimierung der Produktions- und Qualitätsverluste sowie die Automatisierung der Ersatzteilprozesse. Der Beitrag skizziert die Vorgehensweise und Ergebnisse des zugehörigen Projekts und gibt einen Ausblick auf zukünftige Entwicklungen.

Der wirtschaftliche Erfolg von Unternehmen hängt maßgeblich von einer intakten und zuverlässigen Supply Chain ab. Es hat sich in der nahen Vergangenheit gezeigt, dass der Logistikmarkt heutzutage nach einem höheren Kundenfokus, mehr Individualisierung und Transparenz strebt. Gleichzeitig sind Unternehmen in der Logistikbranche mit einem Kosten- und Margendruck konfrontiert, wie es in kaum einer anderen Branche üblich ist. Track & Trace-Verfahren sind schon seit langer Zeit ein relevantes Thema im Supply Chain Management. Die Vorteile durch Lokalisation und Verfolgbarkeit liegen auf der Hand: Transparenz, Kontrolle und verbesserte Prognosen. Bisherige Ansätze fokussieren vor allem die eventbasierte, ortsgebundene Erfassung von Ressourcen via Sensorik, wie z. B. RFID. In diesem Beitrag wird ein neuer Ansatz dargelegt, mit dem über RFID vollautomatisiert Ladungsträger lokalisiert werden können, ohne dass diese Ladungsträger bestimmte Erfassungsbereiche passieren müssen.

Im Rahmen der Digitalisierung nehmen smarte Produkte und die darauf aufbauenden intelligenten Dienstleistungen einen immer größeren Platz sowohl im betrieblichen Kontext als auch im Endkundenbereich ein. Auslöser hierfür stellt vor allem die leistungsfähigere und kostengünstigere Hardware dar, welche es Unternehmen ermöglicht, zunehmend Produkte mit intelligenten und vernetzten Komponenten auszustatten. Diese smarten Produkte bieten Unternehmen und Kunden völlig neue Möglichkeiten zur Interaktion, bieten neue Mehrwerte und beeinflussen die unternehmerische Wertschöpfung an sich. Ziel dieses Beitrages ist es, einen Einstieg in das Themenfeld der smarten Produkte und Dienstleistungen zu geben und aufzuzeigen, welche Möglichkeiten diese für den Endnutzer und für Unternehmen eröffnen.

Die derzeit in Wissenschaft und Praxis geführte Debatte um nachhaltige und nutzenstiftende IoT-basierte Geschäftsmodelle fokussiert häufig ausschließlich die technisch-physischen Komponenten des Leistungssystems. Ihrer Natur und dem Kundenbedürfnis entsprechend bestehen diese Leistungsbündel jedoch aus zwei Teilen: (Vernetzten) Produkten und (digitalen) Dienstleistungen, welche nur integriert Mehrwerte für Anbieter und Kunden stiften. Die Ausstattung von Sachgütern mit Sensorik und deren Vernetzung auf physischer Ebene sind dabei elementar, die reine Möglichkeit zur Aufnahme der Datensätze ist jedoch nicht direkt nutzenstiftend. Dies wird erst durch die Auswertung der Daten mittels geeigneter Analyseverfahren und dem daraus abgeleiteten Umgang mit der Situation erreicht, wie es derzeit unter dem Begriff „Predictive Maintenance“ häufig als Beispiel angeführt wird. Die Abbildung und Entwicklung solcher integrierten Angebote bringt aufgrund der zu integrierenden Disziplinen und der Vielzahl an unterschiedlichen Elementen umfangreiche Herausforderungen mit sich, für die bisher keine hinreichenden Integrationsansätze bestehen. Der vorliegende Beitrag adressiert die fehlende Verknüpfung der beiden Teile und konzipiert dafür einen auf Graphen beruhenden Ansatz zur Zusammenführung von vernetzten Produkten und Dienstleistungen und zeigt die Funktionsfähigkeit mit Hilfe eines Prototyps auf. Dieser erlaubt die Überführung von Produkten und Dienstleistungsprozessen in Graph-basierte Datenbanken und ermöglicht eine direkte Verknüpfung der Elemente, um integrierte Produkt-Dienstleistungs-Systeme ausführbar darzustellen. Im Ergebnis werden Handlungsstrategien für die integrierte Entwicklung nachhaltiger IoT-basierter Geschäftsmodelle vorgestellt und die Dimensionen einer Ausrichtung von Entwicklungs- und Integrationsaktivitäten aufgezeigt.

Eine Herausforderung für produzierende Unternehmen in der Entwicklung intelligenter Produkte besteht darin, dass die Zielstellung, die mit einem intelligenten Produkt verfolgt wird, nicht expliziert ist. Zudem ist oftmals nicht spezifiziert, in welchem Anwendungsfall ein intelligentes Produkt agieren soll. Produzierende Unternehmen benötigen Unterstützung, um eine zielorientierte und folglich wirtschaftliche Melioration existierender Produkte zu gewährleisten. Ebendiese Melioration wird im Kontext von intelligenten Produkten als Smartifizierung bezeichnet und stellt damit einen Entwicklungsprozess dar, der ein bestehendes Produkt als Ausgangssituation im Sinne einer Anpassungskonstruktion expliziert. Die originäre Produktfunktion wird folglich nicht verändert, sondern das Produkt um digitale Funktionen und Dienstleistungen erweitert. Der Artikel befasst sich daher erstens mit der Beschreibung generischer Ziele für den Einsatz intelligenter Produkte im Maschinenbau. Eine Zusammenstellung und Erläuterung solcher Ziele unterstützt Unternehmen, eine Präzisierung der Zielfestlegung in der Initiierungsphase eines Smartifizierungsprojekts durchzuführen. Zweitens wird unter Anwendung der Ziel-Mittel-Beziehung ein Anwendungsfall intelligenter Produkte beschrieben. Abschließend werden beide Aspekte in einer Methode zusammengefasst, wie mittels Ziel- und Anwendungsfallbetrachtung Anforderungen abgeleitet und wie diese Elemente in Vorgehensmodelle der Produktentwicklung eingebettet werden können. Exemplarisch wird anhand einer Stanzmaschine aufgezeigt wie die Methode und die sich daraus ableitenden Ergebnisse im Smartifizierungsprozess zur Entwicklung einer intelligenten Stanzmaschine eingesetzt werden.

Im Zuge neuer, digitaler Geschäftsstrategien untersuchen Unternehmen zunehmend, wie Daten und Analyseverfahren eingesetzt werden können, um ihre Produkte durch innovative Dienstleistungsfeatures anzureichern. Diese analysebasierten Dienstleistungen zur Erweiterung der Produkte um smarte Komponenten sind jedoch noch weitestgehend unerforscht und Unternehmen mangelt es an adäquater Unterstützung bei der Konzeption und Entwicklung derartiger Dienstleistungen. Basierend auf der Untersuchung 26 bereits am Markt existierender analysebasierter Dienstleistungen zur Erweiterung von Produkten um smarte Komponenten identifizieren wir in diesem Beitrag fünf zentrale Schlüsselfaktoren, (1) Datengenerierung, (2) Datenherkunft, (3) Datenziel, (4) Analyseverfahren und (5) Kundenrolle, und allgemeine Ausprägungscharakteristiken, die diese Dienstleistungen beschreiben. Wir nutzen diese Ergebnisse zur Erstellung eines einfachen, leicht handhabbaren, methodischen Werkzeugs, das Unternehmen bei der Konzeption und Gestaltung analysebasierter Dienstleistungen unterstützt. Anschließend demonstrieren wir die Anwendung dieses Werkzeugs, indem wir es zur Klassifizierung zwei verschiedener analysebasierter Dienstleistungen heranziehen. Die hier vorgestellten Ergebnisse sind folglich in zweierlei Hinsicht von Relevanz. Erstens ergänzen sie das existierende Wissen über diese neuartigen Dienstleistungen und legen damit den Grundstein für einen weiteren Konzipierungsprozess. Zweitens bieten wir einen konkreten Wissenstransfer unserer Ergebnisse in die Praxis, indem Unternehmen eine erste methodische Hilfestellung bei der Entwicklung neuer analysebasierter Dienstleistungen erhalten.

Die digitale Transformation von Geschäftsmodellen entlang visionärer Anwendungsszenarien, wie der Industrie 4.0 und Smart Services, erlauben Branchen wie dem Maschinen- und Anlagenbau das Heben neuer Wertschöpfungspotenziale. Dabei bildet die Evolution von physischen Produkten, ausgehend von rein mechanischen, über mechatronischen, bis hin zu cyber-physischen Gütern eine wesentliche funktionale Grundlage. Um die vielfach aufgegriffene Vision einer kundenindividuellen Lösungsorientierung umsetzen zu können, werden so Smarte Produkte erforderlich, die durch eine hohe technische Komplexität gekennzeichnet sind und die zur Leistungserbringung erforderliche Flexibilität insbesondere auf digitaler, informationstechnischer Ebene abbilden. Während die formulierten Differenzierungspotenziale auf den ersten Blick einleuchten, bleibt bislang die Frage unbeantwortet, an welchen Stellen die „digitale Flexibilität“ von Smarten Produkten auch auf physischer Ebene in die Anpassung der Produktkonstruktion eingehen muss und mit welchen Seiteneffekten dabei zu rechnen ist. So erfolgt bspw. die Anpassung der Leistungsfähigkeit einer Mietmaschine entlang eines flexiblen Tarifmodells nicht nur auf rein informationeller Ebene, sondern muss bis in die konfigurationsunab-hängige Auslegung des zugrunde liegenden Produkts reichen. Im Ergebnis schlägt sich das gehobene Wertschöpfungspotenzial in steigenden Produktionskosten und einer erhöhten Komplexität nieder, die die flächendeckende Anwendung in Frage stellt. Der Beitrag adressiert die physischen Erfordernisse, die dem digitalen Potenzial von Smarten Produkten gegenüberstehen. Hierzu werden anhand eines Fallbeispiels die Potenziale derartiger Produkte und daraus entstehender Leistungssysteme aus informationstechnischer Sicht beschrieben und deren Auswirkungen auf die zugrunde liegende Konstruktion aus ingenieurwissenschaftlicher Sicht analysiert. Im Ergebnis stellt der Beitrag praxisbezogene Handlungsstrategien zu Entwicklung und Einsatz von smarten Produkten vor und erklärt, wie und in welchen Fällen die erfolgreiche Hebung von Wertschöpfungspotenzialen gelingen kann.

Die Metropolregion Rhein-Ruhr ist vom Strukturwandel stark betroffen. Es benötigt neue Impulse, um Regionen wie diese wirtschaftlich zu unterstützen und zusammenzuführen.

Ein solcher Impuls ist eine zentrale Datenplattform, in der nicht nur einzelne Kommunen, sondern die gesamte Metropolregion vernetzt werden. Als digitale Infrastruktur sind solche Plattformen die Basis von datenbasierten Anwendungsfällen und helfen so, eine vernetzte Region zu bilden. Eine Untersuchung des Status Quo in Bezug auf digitale Plattformen und die Datenbereitstellung aus den Kommunen ergibt, dass noch Handlungsbedarf besteht.

Der vorliegende Artikel stellt daher eine Architektur für eine Datenplattform auf Basis des International Data Space und des Orion-LD Context Brokers vor. Er zeigt außerdem auf, wie durch die Einbindung von Unternehmen ein skalierbares Ökosystem geschaffen werden kann. Anhand von konkreten Beispielen wird erklärt, wie die Umsetzung der Architektur erläutert.

Das industrielle Internet der Dinge (IIoT) integriert Informations- und Kommunikationstechnologien in industrielle Prozesse und erweitert sie durch Echtzeit-Datenanalyse. Hierbei sind sensorbasierte Zeitreihen ein wesentlicher Typ von Daten, die in der industriellen Fertigung generiert werden. Sensorbasierte Zeitreihendaten werden in regelmäßigen Abständen generiert und enthalten zusätzlich zum Sensorwert einen Zeitstempel. Spezielle Zeitreihen-Datenbanken (eng.: Time Series Databases (TSDB)) sind dafür ausgelegt, Zeitreihendaten effizient zu speichern. Wenn TSDBs maschinennah, d. h. in der industriellen Edge, eingesetzt werden, sind Maschinendaten zur Überwachung zeitkritischer Prozesse aufgrund der niedrigen Latenz schnell verfügbar, was die erforderliche Zeit für die Datenverarbeitung reduziert. Andererseits können TSDBs auch in den Data Lakes als skalierbaren Datenplattformen zur Speicherung und Analyse von Rohdaten zum Einsatz kommen, um die langfristige Vorhaltung von Zeitreihendaten zu ermöglichen. Bisherige Untersuchungen zu TSDBs sind bei der Auswahl für den Einsatz in der industriellen Edge und im Data Lake nicht vorhanden. Die meisten verfügbaren Benchmarks von TSDBs sind performanceorientiert und berücksichtigen nicht die Randbedingungen einer industriellen Edge oder eines Data Lake. Wir adressieren diese Lücke und identifizieren funktionale Kriterien für den Einsatz von TSDBs in diesen beiden Umgebungen und bilden somit einen qualitativen Kriterienkatalog. Des Weiteren zeigen wir am Beispiel von InfluxDB, wie dieser Katalog verwendet werden kann, mit dem Ziel die systematische Auswahl einer passenden TSDB für den Einsatz in der Edge und im Data Lake zu unterstützen.

Immer mehr Dinge werden „smart“, d. h. sie haben eingebaute Rechen- und Netzkomponenten. Aufgrund der Vernetzung dieser smarten Dinge wird vom Internet der Dinge (Internet of Things, IoT) gesprochen. IoT-Geräte haben erweiterte Fähigkeiten. Emergente Effekte, bei denen die Gesamtfähigkeiten diejenigen der einzelnen Dinge übersteigen, führen zu einem breiteren Dienstspektrum für die Anwender, bringen jedoch auch neue Herausforderungen mit. Anwendern von IoT-Lösungen ist mitunter nicht bewusst, welcher Art von Datenverarbeitung sie zustimmen und welche Daten überhaupt erhoben werden. Die möglichen Bedrohungen und Angriffsvektoren sowie Datenschutzaspekte in IoT-Umgebungen werden nach der allgemeinen Einführung der IoT-Architektur dargelegt. Die Herausforderungen hinsichtlich Sicherheit und Datensouveränität werden strukturiert nach verschiedenen Ebenen der Vernetzung als sogenannte Emergenzebenen. Existierende Maßnahmen werden thematisiert, wie etwa die Einführung von technischen Richtlinien und Normen oder Zertifizierungsmöglichkeiten. Diese zielen darauf ab, verschiedene Ebenen der IoT-Architektur hinsichtlich Sicherheit und Datenschutz zu verbessern, vernachlässigen jedoch meist die Berücksichtigung von Emergenzeffekten. Dies sollen künftige Lösungsansätze, wie die Einführung von Datensouveränitätsklassen oder Musteranalyse mittels künstlicher Intelligenz, berücksichtigen.

Der Artikel gibt einen Überblick über Best-Practice-Standards zur Authentifizierung von IoT (Internet of Things) Zugängen. Es wird aufgezeigt, dass clientseitige Authentifizierung gegenüber einer herkömmlichen Authentifizierung und Blockchain-basierten Ansätzen das höchste Potenzial für sichere Prozessautomatisierung bei hoher Interaktionsfrequenz bietet.

Ein neuartiges Konzept des clientseitigen automatisierten Zugangsmanagements auf Basis von TLS (transport layer security), welches sich im Agriculture Segment seit über einem Jahr bewährt hat, wird vorgestellt. Gegenüber derzeitig eingesetzten Authentifizierungsverfahren bietet es den Vorteil höherer Sicherheit bei gleichzeitig automatisierter Anmeldung jeglicher Endgeräte auf dem IoT-Server. Aufgrund dieser Potenziale eignet sich der dargestellte Authentifizierungsstandard zukünftig als allgemeines branchenübergreifendes Zugangssystem für IoT-Anwendungen.