Ihr Weg zum smarten Shopfloor: Datengetriebene Mehrwertdienste schnell, effizient und ohne Mehraufwand einführen (I4.0AutoServ)

Das Erheben und Aufbereiten von Maschinen- und Produktionsdaten wird für Unternehmen immer bedeutender. Denn durch die Aufbereitung von Daten bekommen sie die Möglichkeit, Wartungs- und individuelle Serviceangebote abzuleiten. Somit kann ein Maschinenbau-Unternehmen nicht nur seine Maschine bereitstellen, sondern beispielsweise auch einen Service anbieten, der die Maschine mit Hilfe von Daten kundenindividuell konfiguriert. Für das Sammeln, Analysieren und Aufbereiten der Daten sind IT-Plattformen notwendig, die teilweise auf einzelne Maschinen oder Komponenten zugeschnitten werden müssen. Das allerdings stellt vor allem kleine und mittlere Unternehmen (KMU) aufgrund der hohen Komplexität und des benötigten Fachwissens vor große Realisierungshürden.

Ziel des Projektes Industrie 4.0-Ökosystem für den automatisierten Einsatz von datengetriebenen Services (I4.0AutoServ) ist die vollständige Standardisierung und Automatisierung dieser Schritte in einem Industrie 4.0-Ökosystem. Diese One-Stop-Shop-Solution bietet Unternehmen die Möglichkeit, datengetriebene Services für ihre Produkte oder Produktionen eigenständig zu entwerfen und kontinuierlich weiterzuentwickeln, ohne sich Gedanken um den zugrundeliegenden technologischen Rahmen machen zu müssen. Ganz im Gegenteil können Unternehmen direkt mit der Entwicklung wertschöpfender Services beginnen, um ihre konventionellen Wertschöpfungsprozesse mit digitalen Wertschöpfungen zukunftssicher zu ergänzen.

Die Herausforderungen der Digitalisierung in KMUs sowie in größeren, oft föderal strukturierten Unternehmen sind umfangreich und vielschichtig. Ein wesentlicher Grund für das Scheitern von Digitalisierungsprojekten liegt in dem Mangel an notwendigen Kompetenzen und angemessenen (Software-) Werkzeugen. Dies führt dazu, dass viele ambitionierte Digitalisierungsprojekte entweder nicht vollständig implementiert werden oder aufgrund ihrer hohen Kosten im Vergleich zum erzielten Nutzen nicht weiterverfolgt werden. Untersuchungen zeigen, dass etwa die Hälfte der industriellen Unternehmen zwar eine umfassende Strategie zur Umsetzung von Digitalisierungsprojekten besitzt, jedoch nur 8% dieser Unternehmen die Strategien vollständig implementieren. Um diese Lage zu verbessern, müssen verschiedene Handlungsfelder systematisch adressiert und bearbeitet werden:

Handlungsfeld 1: Erstellen von verlässlichen datengetriebenen Diensten

Viele Unternehmen verfügen über tiefgreifendes Fachwissen in ihren jeweiligen Produktionsprozessen, das sie nutzen zur Gewährleistung der Produktqualität über mehrere Produktionsstufen hinweg. Jedoch fehlt es häufig an den erforderlichen softwaretechnischen Fähigkeiten, um datengetriebene Mehrwertdienste (Data-Driven Services, DDS) effektiv zu entwickeln. Diese Fähigkeiten umfassen oft fortschrittliche Kenntnisse im Bereich des maschinellen Lernens, die meist nicht zu den Kernkompetenzen zählen. Besonders in KMUs wird der Mangel an qualifiziertem Fachpersonal spürbar, was die Entwicklung und Skalierung von innovativen, datengetriebenen DDS behindert. Darüber hinaus ist das Verständnis dafür, wie solche DDS zur Optimierung der Geschäftsprozesse und zur Steigerung der Wettbewerbsfähigkeit beitragen können, oft unzureichend entwickelt.

Handlungsfeld 2: Ausführen von datengetriebenen Diensten auf unterschiedlichen technologischen Ebenen

Das Deployment von DDS stellt eine komplexe Herausforderung dar, insbesondere in Bezug auf die nahtlose Integration dieser Services in verschiedene Technologieebenen wie operative Technologie (OT), Edge Cloud und Public Clouds. Jedes Deployment-Szenario bringt eigene Herausforderungen mit sich, besonders im Hinblick auf die Gewährleistung niedriger Latenzzeiten und die Handhabung großer Datenmengen. Eine strategische Planung und ein tiefes Verständnis der technologischen Möglichkeiten und Grenzen jeder Plattform sind unerlässlich, um die Kosten und die Energieeffizienz des Datentransports und der Datenverarbeitung zu optimieren. Außerdem können die vorhandenen Hardware-Ressourcen nur durch ein durchdachtes Deployment effektiv genutzt und die betrieblichen Abläufe verbessert werden.

Handlungsfeld 3: Automatisierte Datenbereitstellung mit interoperabler Schnittstelle für datenbasierte Services

Nach der Implementierung der datengetriebenen Dienste ist eine zuverlässige, automatisierte und interoperable Datenbereitstellung essenziell. Diese muss die DDS kontinuierlich mit den benötigten Daten versorgen, um eine optimale Funktionalität und Effizienz zu gewährleisten. Die Entwicklung von automatisierten, flexiblen und interoperablen Schnittstellen, welche eine kosteneffiziente und fehlerarme Datenverfügbarkeit garantieren, ist entscheidend. Solche Systeme müssen den manuellen Aufwand minimieren, Fehlerquellen reduzieren und eine hohe Verarbeitungsgeschwindigkeit sicherstellen, so dass die datengetriebenen DDS maximalen Nutzen bringen.

Handlungsfeld 4: Matching der datengetriebenen Dienste, Shopfloor-Assets und Computing Resources

Ein System, das automatisch erkennt, welche Shopfloor-Assets von vorhandenen oder neu entwickelten DDS profitieren können, wäre eine erhebliche Bereicherung für jedes produzierende Unternehmen. Ein solches System sollte jedes Asset mit einem interoperablen Digitalen Zwilling ausstatten, der detaillierte Informationen über die spezifischen Fähigkeiten, den Datenbedarf und den Datenausstoß jedes Assets bereitstellt. Dies ermöglicht eine präzise Abstimmung der DDS und Shopfloor-Assets, optimiert die Nutzung der Computing Resources und führt zu einer signifikanten Effizienzsteigerung in der Produktion.

Die effektive Adressierung dieser Handlungsfelder ist entscheidend, um die Digitalisierung in Unternehmen erfolgreich voranzutreiben und um innovative, digitale Technologien in die existierenden Geschäftsprozesse zu integrieren. Dadurch können Unternehmen nicht nur ihre Produktionskosten senken, sondern auch ihre Marktposition stärken und neue Geschäftsmöglichkeiten erschließen.

Ziel des Projektes ist es folglich, für Unternehmen nachhaltig, schnell und damit kostengünstig DDS zu verwirklichen. Wie beschrieben, stellt eine ganzheitliche Umsetzung einer datenbasierten Auswertung insbesondere für KMU aufgrund der hohen Komplexität und der Expertise in unterschiedlichen Fachrichtungen eine enorme Hürde dar. Daher liegt der innovative Kern des Projekts in der Reduzierung der Komplexität der einzelnen Aspekte und in der Zusammenführung in einem digitalen Ökosystem, welches als Gesamtpaket anwendbar ist (One-Stop-Shop Solution) und skalierbare digitale Lösungen ermöglicht. Der Anwender wird dabei entweder durch Automatisierung entlastet oder bei manuellen Eingriffsmöglichkeiten vom System informiert und entsprechend der möglichen Optionen assistiert. Dies ermöglicht es Unternehmen eigenverantwortlich und nachhaltig die Entwicklung von digitalen Services selbst zu steuern. Für die technische Realisierung der Erstellung und der Bereitstellung der Services macht es keinen Unterschied, ob ein Komponentenhersteller bzw. Maschinenbauer Services für seine Produkte bereitstellt oder ein fertigendes Unternehmen für die Überwachung oder Optimierung der eigenen Fertigung.

Der Abschlussbericht (siehe oben: Dokumente) fasst die zentralen Projektergebnisse von I4.0AutoServ entlang der End-to-End-Kette zusammen. Ausgangspunkt ist eine Usage View, die Rollen, Entitäten und Workflows des Ökosystems präzisiert. Darauf aufbauend sichern standardisierte Verwaltungsschalen (AAS) und Teilmodelle die Interoperabilität. Für Handlungsfeld 1 wurde eine DDS-Toolbox entwickelt, die die Low-Code-Erzeugung wiederverwendbarer Modelle für Condition Monitoring und Predictive Maintenance ermöglicht. Handlungsfeld 2 adressierte ein automatisiertes Deployment auf OT-, Edge- und Cloud-Ebene. Handlungsfeld 3 lieferte eine I4.0-konforme Datenplattform mit Konnektoren, Orchestrierung und zeitsynchronem Pre-Processing. Den Kern von Handlungsfeld 4 bildet der AAS-basierte Matching-Service, der Shopfloor-Assets, datengetriebene Services und Compute-Ressourcen automatisch zusammenführt. Eine GUI bündelt alle Bausteine und macht Auswahl, Konfiguration, Ausführung und Monitoring durchgängig bedienbar; die Wirksamkeit wurde anhand pilothafter Anwendungen belegt.