Die Speicherung und Analyse der in der Produktion gesammelten Daten sind Grundvoraussetzungen für die intelligente Fabrik. Eine Momentaufnahme zeigt, dass sich die Digitalisierung der deutschen Industrie derzeit in verschiedenen Stadien der Umsetzung befindet.

Die Plattform Industrie 4.0, eine gemeinsame Initiative der Bundesministerien für Wirtschaft (BMWi) und Forschung (BMBF), dokumentiert aktuell über 200 Anwendungsbeispiele von Unternehmen aller Größen, die diese Umstellung bereits begonnen oder für den angestrebten Bereich voll umgesetzt haben.

Starthilfen für Industrie-4.0-Projekte

?Big Data und Industrie 4.0 ist ein Thema der Vernetzung, das schafft zum einen Transparenz, macht aber auch angreifbar. Daher findet immer eine Abwägung zwischen potenziellem Risiko und Nutzen statt. Es gilt, diese potenziellen Einfallstore und deren Risiken zu erkennen und sie auf organisatorischer wie technischer Ebene zu minimieren?, erklärt Dr.-Ing. Dominic Gorecky, wissenschaftlicher Koordinator der Technologie-Initiative SmartFactoryKL, die Sicherheitsbedenken bei der digitalen Erweiterung der Fabrikwelt adressiert.

SmartFactoryKL versteht sich als Schnittstelle zwischen Forschung und Anwendung mit Bildungsauftrag und hat zusammen mit Industriepartnern eine modulare Industrie-4.0-Demonstrationsanlage [PDF] entwickelt, um das gegenwärtig technisch Machbare einer vernetzten Produktionslinie zu zeigen. IBM liefert dabei die Verbindungen der IT-Systeme in Form des IBM Integration Bus und bietet durch einen einheitlichen Produktionsleitstand auf Basis von BI-Lösungen wie IBM Cognos die Auswertung und Visualisierung der gespeicherten Sensor- und Maschinendaten.

Industrie-4.0-Startpaket

IBM verspricht Kunden mit dem Industrie 4.0 StarterPack eine vertikale Integration der Maschinen und IT-Systeme auf allen Hierarchieebenen. Der Data Historian ermöglicht effiziente Speicherung und Zugriff auf historische Maschinendaten über IBM Informix, eine spezialisierte SQL-Datenbank mit integrierter und optimierter Zeitreihendaten-Auswertung. Skalierbare Predictive Analytics Tools wie der SPSS Modeler erlauben dann die gesammelten Daten mit intelligenten Algorithmen in konkrete Strategien umzuwandeln.

?Wir sehen den Bedarf, Kunden pragmatisch bei Pilotprojekten im Bereich Industrie 4.0 zu unterstützen und sie mit entsprechender Beratung sowie Hilfestellung bei Projektideen und Testprojekten zu begleiten. Durch offene Standards können wir dabei in nahezu allen Fällen auf bestehender Infrastruktur aufsetzen. Für Firmen, die sich als Folgeschritt global aufstellen wollen, gibt es zusätzliche Erweiterungsmöglichkeiten über unser Cloud-Portfolio. Die Technologien sind also vollständig skalierbar, wachsen mit den Anforderungen im Unternehmen mit?, erläutert Hans-Joachim Köppen, Technical Leader IoT und Industrie 4.0 DACH, IBM.

Hadoop im Industriesektor

Die Datenspeicherungstechnik Hadoop hat sich inzwischen als ein interessantes Tool für Big-Data-Lösungen etabliert, denn auch im Industrieumfeld müssen unstrukturierte Datenmengen kosteneffektiv und skalierbar gespeichert und verarbeitet werden. IBM nutzt Hadoop meist im Verbund mit Spark und eigenen Anwendungen.

?Im Automotive-Sektor sehen wir eine drastisch beschleunigte Annahme von Hadoop. Dieser Prozess setzt sich mittlerweile die Supply-Chain entlang auch in mittelständischen Zulieferer-Betrieben wie etwa Getriebeherstellern fort?, erklärt Andy Leaver, VP International Operations beim reinen Open-Source-Anbieter Hortonworks, dessen Hadoop-Plattform HDP bei KFZ-Herstellern wie Daimler und Jaguar/Landrover zum Einsatz kommt. Supply-Chain-Management ist eines der häufigsten Einsatzgebiete, das bisher im gesamten produzierenden Gewerbe genutzt wird und etwa durch Sensoren und RFID-Etiketten unnötige Materiallieferungen vermeiden soll.

Weitere Anwendungsbeispiele beinhalten:

• Adaptive Wartungspläne (Predictive Maintenance), um Ausfälle und Leerlaufzeiten zu minimieren,
• forensische Analyse fehlerhafter Produkte durch Abgleich mit den hinterlegten Maschinendaten zum Herstellungszeitpunkt und die
• Steigerung des Outputvolumens durch Prozessoptimierung innerhalb der Produktion.

click