|
Grußwort, Vorwort des Herausgebers Und Inhaltsverzeichnis |
8 |
|
|
Digitale Revolutionund digitaler Wandel |
24 |
|
|
I Plattform Industrie 4.0 |
26 |
|
|
1 Digitale Transformation «Made in Germany»:Plattform Industrie 4.0 unterstützt Unternehmenauf dem Weg zur vernetzten Produktion |
27 |
|
|
2 Gemeinsam den Wandel gestalten:Die Produktion von morgen |
28 |
|
|
2.1 Auftragsgesteuerte Produktion |
28 |
|
|
2.2 Wandlungsfähige Fabrik |
29 |
|
|
2.3 Selbstorganisierende, adaptive Logistik |
31 |
|
|
2.4 Value Based Services |
33 |
|
|
2.5 Transparenz und Wandlungsfähigkeit ausgelieferter Produkte |
35 |
|
|
3 Anwenderunterstützung in der Produktion |
37 |
|
|
3.1 Smarte Produktentwicklung für die smarte Produktion |
39 |
|
|
3.2 Innovative Produktentwicklung |
40 |
|
|
3.3 Kreislaufwirtschaft |
43 |
|
|
4 Handlungsbedarfe und Arbeitsgruppen |
45 |
|
|
5 Mitwirkung und Beteiligungsmöglichkeiten |
48 |
|
|
II Das Ökosystem des IndustrialInternet |
50 |
|
|
III Die digital vernetzte Zukunftdes Maschinen- und Anlagenbaus |
54 |
|
|
1 Technologische Evolution als Voraussetzung für Industrie 4.0 |
55 |
|
|
2 Bedürfnisse kleiner und mittelständischerUnternehmen (KMU) im Maschinenbau |
55 |
|
|
Smart Factories /Vernetzte Adaptive Produktion |
58 |
|
|
I Interoperabilität fürIndustrie 4.0 mit OPC Unified Architecture |
60 |
|
|
1 Service-orientierte Architektur OPC UA |
61 |
|
|
2 Welche Daten und Dienste liefert ein Gerät odereine Maschine? |
62 |
|
|
2.1 Transport, Security, Zugriffsrechte |
63 |
|
|
2.2 Modellierung |
63 |
|
|
2.3 Keine Differenzierung mit OPC UA? |
63 |
|
|
2.4 Dienste |
64 |
|
|
2.5 Betriebssystem und Realtime |
64 |
|
|
2.6 Skalierbarkeit |
65 |
|
|
2.7 Adaptierung |
66 |
|
|
3 Praktische Anwendungen von OPC UA |
66 |
|
|
3.1 Anwendung vertikal: Energie-Monitoring und Big Data |
66 |
|
|
3.2 Anwendung horizontal: M2M in der Wasserwirtschaft |
67 |
|
|
3.3 Anwendung vertikal: IoT-Plattform |
68 |
|
|
4 Roadmap und Ausblick auf Weiterentwicklungen |
69 |
|
|
4.1 Trend: Informationsmodelle |
69 |
|
|
4.2 Trend: Service-orientierte Architektur (SoA) |
69 |
|
|
4.3 Trend: OPC UA im Chip |
70 |
|
|
4.4 Trend: OPC UA mit TSN |
70 |
|
|
5 Zusammenfassung |
70 |
|
|
II Deterministische Machine-to-Machine-Kommunikation im Umfeld Industrie 4.0 |
72 |
|
|
1 Die Bedeutung einer durchgängigen Industrie-4.0-Architektur |
72 |
|
|
2 Die Big-Bounce-Theorie – Zentralisierung vs.Dezentralisierung von Rechenleistung |
73 |
|
|
3 Interoperabilität – Warum nur genau ein M2M-Kommunikationsstandardso wichtig ist |
74 |
|
|
3.1 Service-orientierte Architektur im Internet der Dinge |
75 |
|
|
3.2 Semantische Servicebeschreibungen und Informationsmodelle |
77 |
|
|
4 Echtzeit – ein häufig missverstandener Begriff |
79 |
|
|
5 Echtzeit-Anwendungen von OPC UA |
81 |
|
|
5.1 Die Publisher/Subscriber-Architektur von OPC UA |
83 |
|
|
5.2 Deterministische Echtzeit durch Time SensitiveNetworking (TSN) |
84 |
|
|
5.3 Werden durch OPC UA TSN herkömmliche Feldbusseüberflüssig? |
88 |
|
|
III Lösungsbausteine fürherstellerunabhängige, standardisierte Schnittstellenin der Produktion |
90 |
|
|
1 Einführung |
90 |
|
|
2 Maschinen- und Anlagenbau: Rückgrat und Herausforderung in Einem |
91 |
|
|
2.1 Ausgangssituation in der Fabrik |
92 |
|
|
2.2 Selbstbeschreibung von Maschinen und Anlagen |
93 |
|
|
2.3 Selbstbeschreibung von Maschinenkomponenten |
95 |
|
|
3 Werkzeuge und Standards |
97 |
|
|
3.1 AutomationML™ |
98 |
|
|
3.2 OPC UA |
98 |
|
|
3.3 Industrielle IoT-Adapter |
98 |
|
|
4 Anwendungsfelder für produzierende Unternehmen |
100 |
|
|
4.1 Neue Geschäftsmodelle für Maschinen-/Anlagenbauer und Komponentenlieferanten |
100 |
|
|
4.2 Laufzeitdaten erfassen, speichern und auswerten |
100 |
|
|
4.3 Neue Architekturen produktionsnaher IT-Systeme |
102 |
|
|
5 Modularer Lösungsansatz |
104 |
|
|
5.1 Ausgangspunkt der Arbeiten |
104 |
|
|
5.2 Entwicklungspfad |
106 |
|
|
6 Zusammenfassung und Handlungsbedarf |
108 |
|
|
Smart Products /InnovativeProduktentwicklung |
110 |
|
|
I Referenzarchitektur alsGrundlage für neue Produktezur Cloud-basierten Kommunikation |
112 |
|
|
1 Was zeichnet die Kommunikation bei Industrie 4.0 aus? |
113 |
|
|
2 Warum brauchen wir eine Referenzarchitektur für Industrie 4.0? |
114 |
|
|
3 SOA – die Grundlage der Kommunikation für Industrie 4.0 |
116 |
|
|
4 Produktionshierarchie und deren Abbildung auf RAMI 4.0 |
117 |
|
|
5 Durchgängiges Engineering über den Produktlebenszyklus |
118 |
|
|
6 RAMI-4.0-Layer-Struktur |
119 |
|
|
7 Die Industrie-4.0-Komponente |
120 |
|
|
8 Struktur der Verwaltungsschale |
123 |
|
|
9 Anwendung von RAMI am Beispiel |
123 |
|
|
10 Das RAMI-4.0-Architekturmodell im internationalen Kontext |
127 |
|
|
II Unterwegs lernen zu laufen: Smarte Produkte und Lösungen explorativ und agil entwickeln |
130 |
|
|
1 Industrie 4.0: Revolution und Evolution zugleich |
130 |
|
|
1.1 Das Neue im Alten erkennen |
131 |
|
|
1.2 In die Zukunft vortasten |
131 |
|
|
2 Schnell Erfahrungen sammeln |
132 |
|
|
2.1 Anwender: Kleine Veränderungen können große Effekte erzielen |
132 |
|
|
2.2 Regelkreis zwischen Entwicklern und Anwendern |
133 |
|
|
2.3 Sieben Merkmale für Industrie-4.0-Lösungen |
134 |
|
|
2.4 Prozessmodell zur Umsetzung von Industrie 4.0 |
136 |
|
|
3 Entwicklung von smarten Produkten |
138 |
|
|
3.1 Smarte Produkte: Herstellerübergreifende Definitionenals Basis |
138 |
|
|
3.2 RAMI 4.0 – Der Modellaufbau |
139 |
|
|
3.3 Produktkriterien für Industrie-4.0-Produkte als Mindesteigenschaften |
140 |
|
|
3.4 Auswirkungen auf die Produktentwicklung |
141 |
|
|
4 Neue Prozesse für smarte Produkte –Agile Entwicklungsmethoden |
146 |
|
|
4.1 Auf variable Ziele hin entwickeln |
146 |
|
|
5 Beispiele für Industrie-4.0-fähige Produkteund Lösungen |
147 |
|
|
5.1 IoT Gateway |
147 |
|
|
5.2 Kommunikationsplattform Beispiel ActiveCockpit |
147 |
|
|
5.3 Vom Condition Monitoring zur prädiktiven Wartung |
149 |
|
|
Smart Services / Neue Geschäftsmodelle |
152 |
|
|
I Neue Ufer für traditionelles Geschäft: Geschäftsmodell-Architekturen für Industrie 4.0 |
154 |
|
|
1 Treiber neuer Geschäftsmodelle – Warum es unabwendbar ist |
154 |
|
|
2 Neue Geschäftsmodelle – datengetrieben, in Echtzeit, plattformbasiert |
155 |
|
|
2.1 Datengetriebene Geschäftsmodelle |
157 |
|
|
2.2 Echtzeitbasierte Geschäftsmodelle |
162 |
|
|
2.3 Plattformbasierte Ökosystem-Geschäftsmodelle –«Vier gewinnt» |
164 |
|
|
2.4 Der Mensch, die Technologie, das Recht |
169 |
|
|
3 Enabler neuer Geschäftsmodelle – Digitale Business Transformation erforderlich |
170 |
|
|
II Erfolgreiche IoT-Geschäftsmodelleinder Industrie |
174 |
|
|
1 Geschäftsmodelldefinition |
174 |
|
|
2 Auswirkungen des IoT auf Geschäftsmodelle |
175 |
|
|
2.1 Angebots- und Marktpositionierung: Bislang vor allem bestehende Kundengruppen im Fokus |
175 |
|
|
2.2 Wertschöpfungskette: Vom Produkt zum Service |
177 |
|
|
2.3 Erlösmodell: Vom einmaligen zum nutzungs und zeitabhängigen Erlös |
181 |
|
|
3 Beispiele für erfolgreiche IoT-Geschäftsmodelle |
185 |
|
|
3.1 IoT im Maschinen- und Anlagenbau |
185 |
|
|
3.2 IoT in der Energiebranche |
187 |
|
|
3.3 Weitere IoT-Geschäftsmodelle anderer Anbieter |
188 |
|
|
4 Fazit und Ausblick |
188 |
|
|
DigitaleAnwendungen /Datenverarbeitung in der Industrie |
190 |
|
|
I Big Data – Vom Hype zum realen Nutzen in der industriellen Anwendung |
192 |
|
|
1 Megatrend Big Data |
192 |
|
|
1.1 Ab wann reden wir von Big Data? |
192 |
|
|
1.2 Wie wird Big Data heute eingesetzt? |
193 |
|
|
1.3 Kosten / Nutzen und Smart Data |
193 |
|
|
1.4 Erfolgreiche Killerapplikationen |
194 |
|
|
1.5 Wer hat’s erfunden? |
195 |
|
|
1.6 Big Data und Cloud-Computing |
195 |
|
|
1.7 Big Data ist Teamsport |
196 |
|
|
2 Big Data in der industriellen Anwendung |
196 |
|
|
2.1 Identifikation der wesentlichen Einflussfaktoren hilft Prozesse zu optimieren |
196 |
|
|
2.2 Aufzeichnung des Nutzungsverhaltens verbessert Produkte |
197 |
|
|
2.3 Datensammeln macht viele servicebasierteGeschäftsmodelle erst möglich und erfolgreich |
197 |
|
|
2.4 Lieferketten werden optimiert und stabilisiert |
198 |
|
|
2.5 Smarte Apps ersetzen den Experten vor Ort |
198 |
|
|
2.6 Vorausschauende Wartung durch Predictive Analytics |
199 |
|
|
2.7 Assistenzsysteme erleichtern Produktion und Wartung |
199 |
|
|
2.8 Big Data erkennt Security-Risiken |
199 |
|
|
3 Die Technologie-Basis von Big Data |
200 |
|
|
3.1 Einteilung in Technologiekategorien |
200 |
|
|
3.2 Cluster-Computing auf Commodity-Hardware macht Big Data erschwinglich |
201 |
|
|
3.3 Das MapReduce-Verfahren – einfach, aber wirkungsvoll |
201 |
|
|
3.4 Die Apache-Hadoop-Architektur |
202 |
|
|
3.5 NoSQL-Datenbanken als Alternative zu RDBMS |
206 |
|
|
3.6 In-Memory-Datenbanken |
207 |
|
|
3.7 Streaming und Complex-Event-Processing analysieren Datenströme in Echtzeit |
207 |
|
|
3.8 Machine Learning erlaubt Zukunftsprognosen |
207 |
|
|
3.9 Programmiersprachen für Data Scientists |
208 |
|
|
3.10 Interaktive Werkzeuge für Data Scientistsund Power-User |
209 |
|
|
3.11 Data Lakes machen das klassische Data WarehouseBig-Data-fähig |
209 |
|
|
4 Big Data und das Internet der Dinge |
210 |
|
|
4.1 Das Internet der Dinge und Industrial-Internet-Systeme |
210 |
|
|
4.2 IoT-Referenzarchitekturen |
211 |
|
|
4.3 Fog Computing bringt die Intelligenz vor Ort |
212 |
|
|
4.4 Die SPS als IoT-Controller |
213 |
|
|
4.5 IoT-Plattformen als Cloud-basierte Lösungsbaukästen |
213 |
|
|
5 Zusammenfassung und Ausblick |
215 |
|
|
II Machine Analytics – Wie aus Daten Werte für Industrie 4.0 entstehen |
218 |
|
|
1 Die Bedeutung von Big Data Analytics fürIndustrie 4.0 |
218 |
|
|
2 Die Verarbeitungskette der Datenanalyse |
220 |
|
|
2.1 Datenerfassung |
220 |
|
|
2.2 Datenvorverarbeitung |
221 |
|
|
2.3 Datenanalyse |
223 |
|
|
2.4 Ergebnisdarstellung und -bewertung |
227 |
|
|
3 Herangehensweise und Personen für erfolgreiche Datenanalysen |
228 |
|
|
3.1 Der USU-Smart-Data-Prozess |
228 |
|
|
3.2 Die Rolle des Menschen in der Datenanalyse |
230 |
|
|
4 Beispielhafte Umsetzung |
233 |
|
|
4.1 Architekturbeispiel für skalierbare Datenanalyse |
233 |
|
|
4.2 Anwendungsbeispiele |
235 |
|
|
5 Ausblick und Zusammenfassung |
239 |
|
|
5.1 Deep Learning: Überholen uns die Maschinen? |
239 |
|
|
5.2 Zusammenfassung |
240 |
|
|
III Industrial Analytics – Dateneinfach und verständlich vermitteln und Perspektiven ableiten |
242 |
|
|
1 Maschinelles Lernen in der virtuellen SmartFactory |
244 |
|
|
1.1 Was ist maschinelles Lernen? |
244 |
|
|
1.2 Die virtuelle Smart Factory |
244 |
|
|
1.3 Klassifikation – Effizienzsteigerung in der Qualitätssicherung |
246 |
|
|
1.4 Ergebnisse richtig evaluieren und interpretieren |
249 |
|
|
1.5 Regression – Optimale Produktionsplanung und -steuerung |
252 |
|
|
1.6 Clustering – Ähnlichkeiten in Produktionsdaten aufdecken |
256 |
|
|
2 Anwendungsgebiete für Industrial Analytics |
257 |
|
|
2.1 Predictive Quality |
257 |
|
|
2.2 Predictive Maintenance |
258 |
|
|
2.3 Energy Analytics |
259 |
|
|
3 Zusammenfassung |
260 |
|
|
Rahmenbedingungen, Rechtsgrundlagen und Systemsicherheit |
262 |
|
|
I Know-how-Schutz im Umfeld von Industrie 4.0 |
264 |
|
|
1 Einführung |
264 |
|
|
2 Rechtliche Rahmenbedingungen |
265 |
|
|
2.1 Welches Know-how ist geschützt? |
265 |
|
|
2.2 Geheimnisschutz oder Registrierung gewerblicherSchutzrechte? |
265 |
|
|
2.3 Änderungen aufgrund der Richtlinie zum Schutz von Geschäftsgeheimnissen |
266 |
|
|
3 Maßnahmen zum Schutz von geheimem Know-how im Rahmen digitaler Fertigungsprozesse |
270 |
|
|
3.1 Risikoanalyse |
270 |
|
|
3.2 Vertragliche Regelungen |
271 |
|
|
3.3 Maßnahmen auf dem Gebiet der IT-Sicherheit |
276 |
|
|
3.4 Organisatorische Maßnahmen |
280 |
|
|
4 Zusammenfassung |
283 |
|
|
II Datensicherheit bei Smart Services und Cloud-Sicherheit und Datenschutz im Cloud-Computing |
284 |
|
|
1 Einleitung |
284 |
|
|
2 Architektur |
285 |
|
|
2.1 Cloud-Service-Modelle |
285 |
|
|
2.2 Cloud-Deployment-Modell |
286 |
|
|
2.3 Smart-Service-Architekturen |
286 |
|
|
2.4 Service-orientierte Architekturen |
287 |
|
|
3 Rechtlicher Rahmen |
288 |
|
|
3.1 Allgemeines |
288 |
|
|
3.2 Datenschutz |
289 |
|
|
3.3 Informationssicherheit |
290 |
|
|
4 Datensicherheit |
292 |
|
|
4.1 Allgemeines |
292 |
|
|
4.2 Normen, Standards, Frameworks |
293 |
|
|
4.3 Gefährdungsszenarien |
297 |
|
|
5 Best Practice |
298 |
|
|
5.1 Datensicherheitsteam |
298 |
|
|
5.2 Sicherheit durch Harmonisierung |
299 |
|
|
5.3 Sicherheit durch Klarheit |
299 |
|
|
5.4 Resilienz by Design |
299 |
|
|
5.5 Domänenwissen |
300 |
|
|
6 Zertifizierung |
301 |
|
|
7 Auswahl und Kontrolle der Dienstleister |
302 |
|
|
8 Zusammenfassung |
305 |
|
|
III Informationssicherheit in Industriesteueranlagen |
306 |
|
|
1 Aktuelle Herausforderungen und Bedrohungen |
306 |
|
|
1.1 Das Vorgehen der Angreifer |
307 |
|
|
1.2 Typen von Angreifern und Angriffen |
311 |
|
|
1.3 Verwundbare Stellen |
313 |
|
|
2 Maßnahmen zur Erhöhung derInformationssicherheit |
314 |
|
|
2.1 Risikobewertung |
315 |
|
|
2.2 Schutzbedarfsfeststellung |
316 |
|
|
2.3 Bedrohungsanalyse |
317 |
|
|
2.4 Schwachstellenanalyse |
318 |
|
|
2.5 Kommunikationssicherheit |
320 |
|
|
2.6 Systemhärtung |
329 |
|
|
2.7 Organisatorische Sicherheitsmaßnahmen |
330 |
|
|
2.8 Kontinuierliches Managementder Informationssicherheit |
331 |
|
|
3 Ansätze zur Weiterentwicklung der Informationssicherheit in Industrie 4.0 |
332 |
|
|
3.1 Neue Herausforderungen an die Informationssicherheitdurch Industrie 4.0 |
332 |
|
|
3.2 Architekturansatz |
333 |
|
|
3.3 Sichere Identitäten |
334 |
|
|
3.4 Sichere unternehmensübergreifende Kommunikationfür Industrie 4.0 |
335 |
|
|
4 Zusammenfassung |
335 |
|
|
Resümee |
338 |
|
|
Entwicklung und Ausblick von Industrie 4.0 |
340 |
|
|
Schlusswort des Herausgebers |
342 |
|
|
Sponsored Content |
344 |
|
|
Abkürzungen und Stichwortverzeichnis |
352 |
|