Im Kontext der Industrie 4.0 gewinnen Daten zunehmend an Bedeutung. Dabei beobachten wir, dass Produktionsdaten sich in der Wahrnehmung vom reinen Nice-To-Have hin zu einem essentiellen geschäftskritischen Asset entwickeln. Daher haben wir euch in diesem Beitrag die wichtigsten Punkte, die ihr bei Datenmanagementprojekten im Kontext Industrie 4.0 beachten solltet, zusammengestellt.
Sofort loslegen? Lade hier das Whitepaper mit den ersten drei Schritten herunter:
Daten- und Prozessmodellierung
Eine Anforderung, die das Datenmanagement massiv vereinfacht und die Basis für die Realisierung von Industrie 4.0 darstellt, ist die Modellierung der anfallenden Daten und der darunterliegenden Prozesse. Um nachhaltig eine adaptive und lernende Produktion zu realisieren muss man in die Lage kommen die erfassten Daten und deren Zusammenhänge mit einer tiefgehenden Semantik zu versehen. Erst durch diese Semantik wird es möglich, viele der weitergehenden Anforderungen zu erfüllen.
Das Konzept der Verwaltungsschale ermöglicht es dabei jedem einzelnen Asset eigene Informationen zu tragen und weiterzugeben. Weiterhin können über wohldefinierte Dienste, die über die Verwaltungsschale angeboten werden, Aktionen ausgeführt und Daten manipuliert werden. Durch die Plattform Industrie 4.0 wurden bereits ein Informationsmodell sowie ein Satz von APIs für den Datenaustausch definiert. In der Zusammenfassung der Verwaltungsschale im Detail ist der aktuelle Stand der Normung dargelegt. Derzeit ausstehend ist noch die Festlegung wie der Austausch der Informationen zwischen den einzelnen Verwaltungsschalen realisiert werden soll.
Für die Realisierung der Modellbildung, auch unter Berücksichtigung der Verwaltungsschalen, kann das von uns entwickelte und kostenfrei verfügbare iFBSPro verwendet werden. Durch die flexible Erweiterbarkeit und das etablierte Datenmodell können damit auch zukünftige Anforderungen realisiert werden.
Datenbesitz (Data Governance)
Eine wichtige und dennoch oft übersehene Komponente des Datenmanagements ist die Frage, wer der Besitzer der erhobenen Daten ist und wer (unternehmensintern und -extern) Zugriff auf die Daten erlangen soll.
Idealerweise werden die Besitzrechte der Daten rollenbasiert verwaltet. Dazu sollte von Beginn des Projektes an schon sichergestellt werden, dass eine hinreichende Granularität der Zugriffskontrolle gewährleistet werden kann. Für die Verwaltung der Datenzugriffsrechte sollten auch etablierte und in aller Regel bereits im Unternehmen verfügbare Technologien, wie Active Directory (AD), LDAP oder OAuth 2.0 vewendet werden. Weiterhin erleichtert die bereits besprochene Modellierung der Daten die Vergabe von Rechten, da diese an Modelleigenschaften und Modellelemente gekoppelt werden kann.
Neben dem Datenzugriff ist es ebenfalls wichtig festzulegen, wer für die Korrektheit und eine funktionierende Erfassung von Daten verantwortlich ist. Diesen Personen sollte es ebenfalls ermöglicht werden die Ihnen zugewiesenen Datenquellen proaktiv überwachen zu können.
Datensicherheit
Einer der kritischsten Aspekte des Datenmanagements ist die Sicherheit von Daten. Dies umfasst dabei nicht nur die mittlerweile weitestgehend ins Bewusstsein vorgedrungene Sicherheit im Sinne des Schutzes von vertraulichen Informationen, sondern insbesondere im Bereich der Produktion und von Prozessen geht es vermehrt um funktionale Sicherheit und den Schutz vor Manipulationen. Im Speziellen hochvernetzte und autonome Systeme wie sie die Konzepte der Industrie 4.0 vorsehen müssen effektiv und nachhaltig vor äußerer Manipulation geschützt werden.
Dazu ist es unbedingt erforderlich die Kommunikation der einzelnen Komponenten untereinander zu verschlüsseln und die Authentizität der einzelnen Teilnehmer zu verifizieren. Moderne Technologien wie OPC-UA setzen hier bereits an und bieten die Möglichkeit die Authentizität der einzelnen Teilnehmer beispielsweise anhand von Zertifikaten zu verifizieren.
Verfügbarkeit
Durch die steigende Relevanz der Produktionsdaten wird auch deren Verfügbarkeit eine zunehmend kritische Komponente. Hier empfiehlt es sich zum einen, wie bereits im vorhergehenden Abschnitt beschrieben, eine gezielte Strategie für die Verwaltung der Verantwortlichkeiten zu verfolgen. Darüber hinaus ist eine Überwachung der Datenquellen sowie der Datenkonsistenz dringend zu empfehlen.
Für die meisten Anwendungen in der Produktionstechnik ist es sogar empfehlenswert die Erfassung und Verarbeitung von Daten redundant zu gestalten. Redundanz ist oft mit einer Verteilung der einzelnen Komponenten und der Lasten verbunden. Daraus erwachsen Herausforderungen, die bei klassischen Einzelsystemen keine Rolle spielen wie beispielsweise Laufzeiten und Koordinationsaufwände. Hier ist ein großes Maß an Erfahrung bei der Umsetzung von Vorteil, um auch nachhaltig die Verfügbarkeit hoch zu halten.
Skalierbarkeit
Durch die zunehmende Menge gewonnener und auswertbarer Produktionsdaten ist es wichtig die Skalierung der gewählten Lösungen im Blick zu behalten. Hierbei stößt man bei zentralisierten Systemen schnell an Grenzen, da diese immer nur eine begrenzte Anzahl von parallelen Verarbeitungsvorgängen bedienen können. An dieser Stelle erwächst schnell der Bedarf an einer dezentralen Lösung mit multiplen Rechnern, welche parallel eine Aufgabe bearbeiten können.
Bei geschickter Wahl der Systeme kann so auch durch ein Rebalancing der einzelnen Verarbeitungsstränge eine verbesserte Robustheit erlangt werden. Somit stehen Skalierbarkeit und Verfügbarkeit in einem engen Wechselspiel.
Agilität
Ein letzter, sehr wichtiger Faktor des Datenmanagements ist die Agilität der Datenverarbeitung. Wenn man seine Produktionsdaten als Asset begreift ist es von elementarer Bedeutung dieses Asset so zu nutzen, dass aus diesem in möglichst kurzer Zeit auch ein Return-On-Investment generiert werden kann. Dies impliziert, dass die Rekonfiguration von Datenerfassungs- und Datenverarbeitungssystemen schnell und unkompliziert möglich sein muss. Dabei darf aber unter keinen Umständen die Verarbeitung der bereits etablierten Daten gestört oder beeinträchtigt werden. Hierbei hilft eine solide Plattform für die Rangierung von Daten, die auch von Mitarbeitern ohne informationstechnischen Hintergrund bedient werden können.
Zusammenfassung
Die Herausforderungen im Datenmanagement im Kontext von Industrie 4.0 sind vielschichtig und erfordern umfassende Erfahrungen im Bereich der Informationstechnik und der Automatisierungstechnik. Durch die zunehmende Vernetzung der Komponenten werden jedoch Anwendungsfälle möglich, die nie zuvor dagewesene Einsichten und Produktivitätsgewinne ermöglichen.
Hat euch der Artikel neugierig gemacht? Wie auch ihr euer Datenmanagement für die Zukunft ausrichtet, finden wir gerne mit euch gemeinsam in einem kostenlosen Beratungsgespräch heraus.
Du weißt nicht wie du starten sollst? Lade das Whitepaper: "Datenmanagement in der Industrie - Die ersten drei Schritte" herunter:
Der Beitrag hat euch Lust gemacht sofort loszulegen? Dann ladet euch das Whitepaper mit den ersten drei konkreten Umsetzungsschritten herunter und startet direkt durch!
Dieser Artikel wurde im Rahmen der Blogparade #TheAIFactory des Blogs ingenieurversteher.de veröffentlicht.