Offene Big-Data-Plattform für Industrie 4.0
Anforderungen, Architektur, Anwendung
DOI:
https://doi.org/10.17560/atp.v61i3.2377Schlagworte:
Big Data, Industrie 4.0, Datenintegration, Datenmanagement, DatenanalyseAbstract
Durch zunehmend preiswertere Geräte, günstige Internettechnologien, hochleistungsfähige mobile Geräte sowie Low-Cost-Sensoren hat sich die Menge von vernetzten Geräten drastisch erhöht und wächst weiter. Diese Geräte generieren enorme Datenmengen, die in Echtzeit überall im Unternehmen oder sogar unternehmensübergreifend verfügbar sein sollen. Die Nutzung großer Datenmengen in neuen Geschäftsmodellen und zur Optimierung von Produkten und Produktion wird auch als vierte industrielle Revolution (Industrie 4.0) bezeichnet [1]. Große Datenmengen in Echtzeit global im Unternehmen verfügbar zu machen ist eine Anforderung für die sich herkömmliche IT-Systeme und Tools für industrielle Datensammlung, -transport, -speicherung und -analyse nur bedingt eignen. Dieser Beitrag stellt eine
offene Big-Data-Plattform auf Basis aktueller Technologien, Umsetzungen und Konzepten wie der OPC Unified Architecture (OPC UA), der Industrie-4.0-Verwaltungsschale, Apache Kafka und verteilten Datenanalyseframeworks wie Apache Spark vor.
Literaturhinweise
Kaufmann, T. (2015). Geschäftsmodelle in Industrie 4.0 und dem Internet der Dinge: der Weg vom Anspruch in die Wirklichkeit. Springer-Verlag.
Pethig, F., Niggemann, O., & Walter, A. (2017, July). Towards Industrie 4.0 compliant configuration of condition monitoring services. In Industrial Informatics (INDIN), 2017 IEEE 15th International Conference on (pp. 271-276). IEEE.
Monostori, L. (2014). Cyber-physical production systems: Roots, expectations and R&D challenges. Procedia Cirp, 17, 9-13.
InsideBIGDATA. (2019). Guide to The Intelligent Use of Big Data on an Industrial Scale. Abgerufen von: https://insidebigdata.com/white-paper/guide-big-data-industrial-scale/
Bitkom e. V. (2018). Big Data steht bei sechs von zehn Unternehmen an erster Stelle. Abgerufen von: https://www.bitkom.org/Presse/Presseinformation/Big-Data-steht-bei-sechs-von-zehn-Unternehmen-an-erster-Stelle.html,11.06.2018
Schriegel, S., & Jasperneite, J. (2007, October). Investigation of industrial environmental influences on clock sources and their effect on the synchronization accuracy of IEEE 1588. In Precision Clock Synchronization for Measurement, Control and Communication, 2007. ISPCS 2007. IEEE International Symposium on (pp. 50-55). IEEE.
VDI/VDE Gesellschaft Mess- und Automatisierungstechnik, Zentralverband Elektrotechnik- und Elektronikindustrie e. V. (2015). Statusreport – Referenzarchitekturmodell Industrie 4.0 (RAMI4.0). Abgerufen von: https://www.vdi.de/fileadmin/user_upload/VDI-GMA_Statusreport_Referenzarchitekturmodell-Industrie40.pdf
Bundesministierum für Wirtschaft und Energie (BMWi). (2016). Struktur der verwaltungsschale. Fortentwicklung des Referenzmodells für die Industrie 4.0-Komponente. Abgerufen von: https://www.plattform-i40.de/I40/Redaktion/DE/Downloads/Publikation/struktur-der-verwaltungsschale.pdf?__blob=publicationFile&v=8
Apache Avro. (2012)., Welcome to Apache Avro. Abgerufen von: https://avro.apache.org/
Influxdata Inc. (2019). InfluxDB is the Time Series Database in the TICK Stack . Abgerufen von: https://www.influxdata.com/time-series-platform/influxdb/,
Kiran, M., Murphy, P., Monga, I., Dugan, J., & Baveja, S. S. (2015, October). Lambda architecture for cost-effective batch and speed big data processing. In Big Data (Big Data), 2015 IEEE International Conference on (pp. 2785-2792). IEEE. doi: 10.1109/BigData.2015.7364082
Apache Software Foundation. (2017). Kafka 2.1 Documentation. Abgerufen von: https://kafka.apache.org/documentation/,
Grafana Labs. (2019). Grafana. Abgerufen von: https://grafana.com
Wu, X., Zhu, X., Wu, G. Q., & Ding, W. (2014). Data mining with big data. IEEE transactions on knowledge and data engineering, 26(1), 97-107.
Obitko, M., & Jirkovský, V. (2015, September). Big data semantics in industry 4.0. In International conference on industrial applications of holonic and multi-agent systems (pp. 217-229). Springer, Cham.
Verband Deutscher Maschinen- und Anlagenbau e. V., Fraunhofer IOSB-INA (2017). Industrie 4.0. Kommunikation mit OPC UA: Leitfaden zur Einführung in den Mittelstand. Abgerufen von: https://industrie40.vdma.org/documents/4214230/16617345/1492669959563_2017_Leitfaden_OPC_UA_LR.pdf/f4ddb36f-72b5-43fc-953a-ca24d2f50840
Draht, R. (2010). Datenaustausch in der Anlagenplanung mit AutomationML: Integration von CAEX, PLCopen XML und COLLADA. Springer-Verlag Berlin Heidelberg.
Fraunhofer Institutsteil Industrial Automation (IOSB-INA). (o.J.). SmartFactoryOWL. Abgerufen von: https://www.smartfactory-owl.de/index.php/de/referenzen
Shearer, C. (2000). The CRISP-DM: The new blueprint for Data Mining. Journal of Data Warehousing, 5(4).
Downloads
Veröffentlicht
Ausgabe
Rubrik
Lizenz
Die Zeitschrift und alle in ihr enthaltenen Beiträge und Abbildungen sind urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Bearbeitung in elektronischen Systemen. Auch die Rechte der Wiedergabe durch Vortrag, Funk- und Fernsehsendung, im Magnettonverfahren oder ähnlichem Wege bleiben vorbehalten.