Vor der großen Flut – Wie industrielles IoT, Industrie 4.0 und ein industrieübergreifender „Datenraum“ das Datenmanagement fordern

article in English

 

Die anschwellende Digitalisierungswelle setzt Unternehmen unter drastischen Veränderungsdruck. Unter Spannung stehen die Werteversprechen und Positionierungen, die Menschen und ihre Fähigkeiten, die Unternehmensprozesse und nicht zuletzt die Technologien. Die Digitalisierung macht natürlich auch vor der produzierenden Industrie nicht halt: Das industrielle IoT steht in den Startblöcken und wird die gegenwärtigen Maschinen-zu-Maschinen-Anwendungen drastisch weiterentwickeln. Kennzeichnend für IoT ist zunächst eine weitaus engere Kommunikation zwischen Maschinen, einzelnen Maschinenteilen und Geschäftsfeldern eines Unternehmens. Allerdings einschneidender sind die Konsequenzen für die Vernetzung zwischen Unternehmen – nicht nur entlang der vorhandenen Wertschöpfungsketten, sondern gerade auch durch Einbezug völlig anderer, heute z. T. gar nicht im Blickfeld stehender Branchen und Unternehmen. Die Automobilindustrie ist ein naheliegendes Beispiel für eine sich ausfächernde Vernetzung. Autos werden sich mit anderen Autos auf der Straße austauschen. Schon heute werde Daten zum Hersteller gesendet und eine automatische Kommunikation mit Werkstätten, Versicherungsunternehmen, Wetterdaten-Anbietern oder Systemen zur Steuerung des Verkehrsflusses ist technisch grundsätzlich Problem. Letztlich eröffnet der internetbasierte Austausch von Daten völlig neue Möglichkeiten für innovative Geschäftsideen.

Die Botschaft an CEOs ist kristall-klar: Eine digitale Neuerfindung der Unternehmen hat absolute Priorität. Folgt man McKinsey&Company, so sind allerdings mehr als 70 % aller digitalen Transformationsprozesse ein Fehlschlag oder zumindest deutlich entfernt vom Zielkorridor. Hierfür lassen sich viele Gründe anführen, jedoch gilt für erfolgreiche Arbeit die alte Handwerkerregel: Wer exzellente Ergebnisse möchte, muss sich exzellenter Werkzeuge bedienen. Gemünzt auf IoT-Projekte verlangt dies von Entscheidern, sich modernster Standards, Software-Werkzeuge und Entwicklungsframeworks zu bedienen. Nur dann lassen sich in der IoT-Transformation schnelle, flexible und zukunftsfähige Resultate erzielen.

Von M2M zu IoT

Schon heute werden im Produktionsprozess vielfältige Daten erzeugt und gespeichert. Quellen sind Steuereinheiten (SPS) oder Manufacturing Execution Systems (MES); Senken sind unterschiedliche Datenbanken, z. B. für die Prozessoptimierung oder die Qualitätsauditierung. Mit OPC, MQTT und anderen Protokollen stehen Standards für die herstellerunabhängige Kommunikation in der Automatisierungstechnik zur Verfügung. Allerdings führen mehr als 150 verschiedene Technologien und Systeme noch zu erheblichen Inkompatibilitäten – einer der Gründe, warum viel zu wenige der verfügbaren Daten nutzbar gemacht werden.

IoT hingegen ist sensor-getriebenes Internet und geht weit über M2M-Anwendungen hinaus. Mit IoT-Technologien lassen sich grundsätzlich alle Komponenten eines Produktionsprozesses miteinander verbinden und die IoT-Daten haben das Zeug zu einem Grundstoff für völlig neue Geschäftsmodelle.

Auf Suche nach dem IoT-Know-How

Um moderne Sensoren und IoT-Technologien zu implementieren, bedarf es eines speziellen Know-hows. Auf der Hardware-Seite geht es um zunehmend intelligentere Sensoren, Mikrocontroller-Spezifikationen oder Gateway-Boards. In Bezug auf Software sind neue Architekturen, Frameworks und Algorithmen erforderlich, um die sensor-getriebene Datenflut kanalisieren und nutzbar machen zu können. Die Herausforderungen sind hier sowohl quantitativer wie qualitativer Natur. Für die Quantität gilt: Es ist häufig nicht möglich oder nicht sinnvoll, den beispiellose Datenstrom, der von den Sensoren erzeugt wird, mit den herkömmlichen IT-Instrumentarien (SQL-Datenbanken, klassischen Mehr-Schichten-Architekturen u. ä.) zu speichern, zu bearbeiten, zusammenzuführen oder für Analysen aufzubereiten. Der Einsatz klassischer Werkzeuge ist damit ein weiterer Grund, warum ein großer Teil der von Sensoren erzeugten Daten ungenutzt bleibt. Die qualitative Herausforderung hingegen bezieht sich auf eine “verständliche” Interpretation der Daten über Geräte, Nutzer und Anwendungsfelder hinweg. Nur dann, wenn semantische Eindeutigkeit hergestellt ist, wird der Austausch von Daten zwischen Systemen verschiedener Hersteller und Anwendungsgebiete werthaltig. Für einen solchen Austausch sind Meta-Daten essentiell, da sie relevante Kontextinformation hinzufügen. Je nach Anwendungsfall handelt es sich um Seriennummern, Informationen zur Informationsintensität, Standort, Zugriffsrecht auf die erzeugten Daten, Einschränkungen, Angaben zur Genauigkeit der Daten, Kalibrierung – um nur einige Merkmale zu nennen.

Die Modellierung und Administrierung dieser quantitativen und qualitativen IoT-Herausforderungen ist alles andere als einfach. Um einen beständigen Strom an Daten zu erfassen, anzureichern, zu bereinigen und in spezielle Datensysteme für Auswertungen auszuleiten, sind leistungsstarke, „geeigte“ Softwaretechnologien unerläßlich. Es geht hierbei um Big-Data-Speicher and Werkzeuge die helfen, das Rauschen in Datenströmen von den werthaltigen Informationen zu trennen. Unternehmen müssen sich strategisch mit Datenbussen, real-zeit Dateneinspeisung (Ingestion), Datenintegration und Datenbereinigung beschäftigen. IoT ist demnach einzubetten in eine belastbare, zukunftssichere Strategie für die Dateninfrastruktur. Am Ende des Tages geht es für den CEO um die Identifizierung und das Management seiner wertvollen Daten, die ihm neue, tiefe Einblicke in die Produktionslinien erlauben und die Zusammenarbeit mit externen Partnern fördern.

Das Zusammenführen der digitalen mit der physikalischen Welt ist ein Abenteuer, eine Reise in weitgehend unbekanntes Territorium. Unternehmen haben keine Wahl: Sie müssen mit der Reise sofort beginnen, mit Technologien experimentieren und aus Fehlern lernen. Und jeder Unternehmenslenker ist gut beraten, sich in IoT-Projekten der besten Umsetzungskonzepte und Werkzeuge zu bedienen.

Im zweiten Teil dieses Beitrages beschreiben wir zwei ambitionierte deutsche Konzepte für ein industrielles IoT: Industrie 4.0 und den Industrial Data Space (IDS) – und betrachten die Implikationen, die sich hieraus für ein zukunftsweisendes Datenmanagement ergeben. Unter dem Begriff Industrie 4.0 wird eine Referenzarchitektur für die internetbasierte Automation zur Verfügung gestellt. Das IDS-Projekt stellt einen Rahmen dar für einen sicheren und die digitale Souveränität gewährleistenden Austausch von Daten zwischen beliebigen Unternehmen.

References:

Internet of Things: Connecting the Digital to the Physical World

Zeeshan Javeed: Sensors, Environment, and Internet of Things (IoT)

About the Author – Dr. Norbert Jesse

QuinScape GmbH

Jesse is co-founder and managing partner of QuinScape GmbH. QuinScape is a leading IT service provider for Talend, Jaspersoft/Spotfire, Kony and Intrexx. With today 120 employees QuinScape is partner of large corporations and internationally operating SMEs.

Jesse studied Social Sciences with emphasis on economics and statistics at Ruhr-Universität Bochum. He received his Ph.D. with a work on analytics for multi-dimensional spatial data.

Jesse has been organizer and co-organizer of numerous international conferences (Fuzzy Days, FIRA World Congresses, CIRAS, Enterprise 2.0 etc.). He is lecturer at TU Vienna and Visiting Professor at University of Business and Technology, Pristina. Furthermore, Jesse is author or co-author of more than 55 conference papers and co-editor of 6 books.

Share

Leave a comment

Neuen Kommentar schreiben

More information?