Refine
Publication Type
- Article (3)
- Part of a Book (3)
- Contribution to a Periodical (3)
- Conference Proceeding (1)
- Sound (1)
Keywords
- Industrie 4.0 (7)
- Digitaler Schatten (4)
- Digitalisierung (3)
- Data Analytics (1)
- Data security (1)
- Digital Twin (1)
- Energieflexibilität (1)
- Fertigung (1)
- Geschäftsmodelle (1)
- Infrarotkamera (1)
Due to highly sophisticated, specialised models and data in production, digital twins, as defined as full digital representations, are neither computationally feasible nor useful. The complementary concept of digital shadows will provide cross-domain data access in real time by combining reduced engineering models and production data analytics.
Energie aus erneuerbaren Ressourcen ist nicht immer beliebig verfügbar. Je nach Jahreszeit und Witterung variiert beispielsweise die durch Solarparks oder Windkraftanlagen zur Verfügung gestellte Leistung. Durch den kontinuierlichen Ausbau der erneuerbaren Energien wird sich die Volatilität im Energiesystem in Zukunft immer stärker ausprägen. Die Industrie auf die sich ändernden Versorgungsstrukturen vorzubereiten und anzupassen ist eine große Herausforderung der nächsten Jahrzehnte. Unternehmen müssen zukünftig ihre Prozesse und Betriebsorganisation so gestalten können, dass sich der Energieverbrauch zumindest in Teilen flexibel an das volatile Energieangebot anpassen kann. Neben der Entwicklung von Technologien, Konzepten und Maßnahmen zur energetischen Flexibilisierung von industriellen Prozessen liegt ein zweiter Schwerpunkt zukünftiger Arbeiten auf der Entwicklung einer durchgängigen IT-Infrastruktur, mit der Unternehmen und Energieanbieter in Zukunft Informationen von der Produktionsmaschine bis zu den Energiemärkten bereitstellen und austauschen können. Dies führt zu einem Paradigmenwechsel im Betrieb industrieller Prozesse – weg vom kontinuierlichen und rein nachfragegetriebenen Energieverbrauch hin zum anpassbaren, energieflexiblen Betrieb industrieller Anlagen.
Moderne Produktions- und Verarbeitungsanlagen in der Stahlherstellung beinhalten eine Vielzahl von Sensoriken und digitalisierten Informationen. Prinzipiell stehen daher bereits während des Betriebes große Datenmengen entlang des gesamten Herstellungsprozess zur Verfügung. Diese Daten werden teilweise direkt für interne Regelungen der Maschinen oder für Qualitätskontrollen genutzt. Ein Großteil dieser Daten bleibt jedoch ungenutzt. Dies hat zwei Hauptgründe: Zum einen müssten sehr große Datenmengen gespeichert werden, zum anderen sind die erzeugten Daten sehr heterogen und ohne Vorverarbeitung und Kenntnis der physikalischen Wirkzusammenhänge von keinem direktem Nutzen. Der Verknüpfung von relevantem Wissen, Modellen und Daten über alle relevanten technischen Domänen hinweg bietet die Möglichkeit den OEE zu optimieren. Ein domänenübergreifender Datenzugriff ermöglicht neue Möglichkeiten für produzierende Unternehmen, insbesondere müssen mit Wissen aufbereitete Daten zusammen mit bedarfsgerecht reduzierten Modellen genutzt werden. Diese modellbasierte Datenanalyse stellt die Grundlage für einen optimalen Nutzen von Daten aus der Produktion dar.
Production technology is a highly interdisciplinary field of research. It comprises different production domains (cutting, welding, forming, assembly, etc.), industry-sectors, materials and scales. Moreover, production has strong interdependencies with other scientific disciplines such as product development, materials engineering, business economics, information and communication technology, social science and natural science. Integrative Production Technology aims to develop a deep technology spanning perception to offer products matching customer and societal demands at competitive prices and to quickly adapt to market and societal changes while assuring constant and predictable product properties. The Cluster of Excellence (CoE) “Integrative Production Technology for High-Wage Countries” has initiated this special issue to present some of the newest results in the field.
Das Internet of Things entfaltet erst durch die Überwindung von bestehenden Produkt- und Industriegrenzen sein volles ökonomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht für die Vision eines übergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase – über bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erläutert und Lösungsansätze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenhängen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Domänenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows“ vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse über den Materialzustand eines Werkstücks gewonnen werden können. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkstücks bzw. Rohmaterials anzupassen.
Following the recent Internet of Things-induced
trends on digitization in general, industrial applications will further evolve as well. With a focus on the domains of manufacturing
and production, the Internet of Production pursues the vision of
a digitized, globally interconnected, yet secure environment by
establishing a distributed knowledge base.
Background. As part of our collaborative research of advancing
the scope of industrial applications through cybersecurity and
privacy, we identified a set of common challenges and pitfalls
that surface in such applied interdisciplinary collaborations.
Aim. Our goal with this paper is to support researchers in
the emerging field of cybersecurity in industrial settings by
formalizing our experiences as reference for other research
efforts, in industry and academia alike.
Method. Based on our experience, we derived a process cycle of
performing such interdisciplinary research, from the initial idea
to the eventual dissemination and paper writing. This presented
methodology strives to successfully bootstrap further research
and to encourage further work in this emerging area.
Results. Apart from our newly proposed process cycle, we report
on our experiences and conduct a case study applying this
methodology, raising awareness for challenges in cybersecurity
research for industrial applications. We further detail the interplay between our process cycle and the data lifecycle in
applied research data management. Finally, we augment our
discussion with an industrial as well as an academic view on
this research area and highlight that both areas still have
to overcome significant challenges to sustainably and securely
advance industrial applications.
Conclusions. With our proposed process cycle for interdisciplinary research in the intersection of cybersecurity and industrial application, we provide a foundation for further research.
We look forward to promising research initiatives, projects, and
directions that emerge based on our methodological work.
Der Begriff Internet of Things hat sich weltweit als Bezeichnung für die horizontale internetbasierte Vernetzung von Cyber-Physical Systems durchgesetzt. Das IoT ermöglicht dabei die Nutzung von Felddaten (z. B. Kundenverhalten) zur Realisierung von neuartigen digitalen Geschäftsmodellen. In den meisten Anwendungsfällen sind dabei große Mengen an Felddaten vorhanden, welche durch eine relativ kleine Anzahl von Parametern beschrieben werden. Die Übertragung des IoT-Ansatzes auf die Produktion wird – insbesondere in Deutschland – mit dem Begriff Industrie 4.0 bezeichnet. Das volle Potenzial dieses Ansatzes kann derzeit jedoch nicht vollständig genutzt werden, da der Zugang zu Daten aus der Produktion aus verschiedenen Gründen nicht möglich ist und die Daten aufgrund der komplexen physikalischen Wirkzusammenhänge sehr heterogen sind. Dies führt insbesondere in der Datenanalyse zu gänzlich neuen Herausforderungen.
Die Digitalisierung verspricht Unternehmen, die Wandlungsfähigkeit
und Produktivität bestehender Fertigungssysteme zu fördern. Durch
die Komplexität cyber-physischer Produktionssysteme liegen Produktionsdaten jedoch heterogen, unstrukturiert und isoliert vor. Die für
eine konkrete Aufgabe oder Fragestellung benötigten Daten werden
durch Digitale Schatten zielgerichtet verknüpft, abstrahiert und aggregiert, sodass eine wissensbasierte und echtzeitfähige Entscheidungsfindung in der Produktion möglich wird.
Nachhaltig, menschzentriert und resilient – so beschreibt die Europäische Kommission in einem ihrer Dossiers die nächste industrielle Revolution unter dem Stichwort Industrie 5.0. Vor zehn Jahren wurde auf der Hannover Messe 2011 die Vision Industrie 4.0 präsentiert. Kernelemente von Industrie 4.0 sind eine Referenzarchitektur (RAMI 4.0) zur Vernetzung zunehmend autonomer IoT-Geräte sowie Cyber-Physical Production Systems (CPPS), bei denen hochaufgelöste Simulationen („Digital Twins“) dabei helfen, physische Produktionssysteme zu überwachen, deren Verhalten vorherzusagen und zu regeln. Darüber hinaus sollen personalisierte und kontextspezifische „intelligente Agenten“ und dazugehörige Organisationsformen neue Formen der Arbeit schaffen.