Offene Big-Data-Plattform für Industrie 4.0

Anforderungen, Architektur, Anwendung

  • Jan Nicolas Weskamp Fraunhofer IOSB-INA
  • Bal Krishna Poudel Fraunhofer IOSB-INA
  • Khaled Al-Gumaei Fraunhofer IOSB-INA
  • Florian Pethig

Abstract

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.

References

  1. [1]  Kaufmann, T. (2015). Geschäftsmodelle in Industrie 4.0 und dem Internet der Dinge: der Weg vom Anspruch in die Wirklichkeit. Springer-Verlag.
  2. 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.
  3. Monostori, L. (2014). Cyber-physical production systems: Roots, expectations and R&D challenges. Procedia Cirp, 17, 9-13.
  4. 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/
  5. 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
  6. 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.
  7. 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
  8. 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
  9. Apache Avro. (2012)., Welcome to Apache Avro. Abgerufen von: https://avro.apache.org/
  10. Influxdata Inc. (2019). InfluxDB is the Time Series Database in the TICK Stack . Abgerufen von: https://www.influxdata.com/time-series-platform/influxdb/,
  11. 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
  12. Apache Software Foundation. (2017). Kafka 2.1 Documentation. Abgerufen von: https://kafka.apache.org/documentation/,
  13. Grafana Labs. (2019). Grafana. Abgerufen von: https://grafana.com
  14. 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.
  15. 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.
  16. 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
  17. [17] Draht, R. (2010). Datenaustausch in der Anlagenplanung mit AutomationML: Integration von CAEX, PLCopen XML und COLLADA. Springer-Verlag Berlin Heidelberg.
  18. Fraunhofer Institutsteil Industrial Automation (IOSB-INA). (o.J.). SmartFactoryOWL. Abgerufen von: https://www.smartfactory-owl.de/index.php/de/referenzen
  19. Shearer, C. (2000). The CRISP-DM: The new blueprint for Data Mining. Journal of Data Warehousing, 5(4).
Veröffentlicht
2019-03-19
Zitieren
WESKAMP, Jan Nicolas et al. Offene Big-Data-Plattform für Industrie 4.0. atp magazin, [S.l.], v. 61, n. 3, p. 96-105, märz 2019. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/2377>. Date accessed: 23 apr. 2019. doi: https://doi.org/10.17560/atp.v61i3.2377.
Rubrik
Hauptbeitrag / Peer-Review