Industrie 4.0

1 - Grußwort, Vorwort des Herausgebers Und Inhaltsverzeichnis [Seite 8]
2 - Digitale Revolutionund digitaler Wandel [Seite 24]
2.1 - I Plattform Industrie 4.0 [Seite 26]
2.1.1 - 1 Digitale Transformation «Made in Germany»:Plattform Industrie 4.0 unterstützt Unternehmenauf dem Weg zur vernetzten Produktion [Seite 27]
2.1.2 - 2 Gemeinsam den Wandel gestalten:Die Produktion von morgen [Seite 28]
2.1.2.1 - 2.1 Auftragsgesteuerte Produktion [Seite 28]
2.1.2.2 - 2.2 Wandlungsfähige Fabrik [Seite 29]
2.1.2.3 - 2.3 Selbstorganisierende, adaptive Logistik [Seite 31]
2.1.2.4 - 2.4 Value Based Services [Seite 33]
2.1.2.5 - 2.5 Transparenz und Wandlungsfähigkeit ausgelieferter Produkte [Seite 35]
2.1.3 - 3 Anwenderunterstützung in der Produktion [Seite 37]
2.1.3.1 - 3.1 Smarte Produktentwicklung für die smarte Produktion [Seite 39]
2.1.3.2 - 3.2 Innovative Produktentwicklung [Seite 40]
2.1.3.3 - 3.3 Kreislaufwirtschaft [Seite 43]
2.1.4 - 4 Handlungsbedarfe und Arbeitsgruppen [Seite 45]
2.1.5 - 5 Mitwirkung und Beteiligungsmöglichkeiten [Seite 48]
2.2 - II Das Ökosystem des IndustrialInternet [Seite 50]
2.3 - III Die digital vernetzte Zukunftdes Maschinen- und Anlagenbaus [Seite 54]
2.3.1 - 1 Technologische Evolution als Voraussetzung für Industrie 4.0 [Seite 55]
2.3.2 - 2 Bedürfnisse kleiner und mittelständischerUnternehmen (KMU) im Maschinenbau [Seite 55]
3 - Smart Factories /Vernetzte Adaptive Produktion [Seite 58]
3.1 - I Interoperabilität fürIndustrie 4.0 mit OPC Unified Architecture [Seite 60]
3.1.1 - 1 Service-orientierte Architektur OPC UA [Seite 61]
3.1.2 - 2 Welche Daten und Dienste liefert ein Gerät odereine Maschine? [Seite 62]
3.1.2.1 - 2.1 Transport, Security, Zugriffsrechte [Seite 63]
3.1.2.2 - 2.2 Modellierung [Seite 63]
3.1.2.3 - 2.3 Keine Differenzierung mit OPC UA? [Seite 63]
3.1.2.4 - 2.4 Dienste [Seite 64]
3.1.2.5 - 2.5 Betriebssystem und Realtime [Seite 64]
3.1.2.6 - 2.6 Skalierbarkeit [Seite 65]
3.1.2.7 - 2.7 Adaptierung [Seite 66]
3.1.3 - 3 Praktische Anwendungen von OPC UA [Seite 66]
3.1.3.1 - 3.1 Anwendung vertikal: Energie-Monitoring und Big Data [Seite 66]
3.1.3.2 - 3.2 Anwendung horizontal: M2M in der Wasserwirtschaft [Seite 67]
3.1.3.3 - 3.3 Anwendung vertikal: IoT-Plattform [Seite 68]
3.1.4 - 4 Roadmap und Ausblick auf Weiterentwicklungen [Seite 69]
3.1.4.1 - 4.1 Trend: Informationsmodelle [Seite 69]
3.1.4.2 - 4.2 Trend: Service-orientierte Architektur (SoA) [Seite 69]
3.1.4.3 - 4.3 Trend: OPC UA im Chip [Seite 70]
3.1.4.4 - 4.4 Trend: OPC UA mit TSN [Seite 70]
3.1.5 - 5 Zusammenfassung [Seite 70]
3.2 - II Deterministische Machine-to-Machine-Kommunikation im Umfeld Industrie 4.0 [Seite 72]
3.2.1 - 1 Die Bedeutung einer durchgängigen Industrie-4.0-Architektur [Seite 72]
3.2.2 - 2 Die Big-Bounce-Theorie - Zentralisierung vs.Dezentralisierung von Rechenleistung [Seite 73]
3.2.3 - 3 Interoperabilität - Warum nur genau ein M2M-Kommunikationsstandardso wichtig ist [Seite 74]
3.2.3.1 - 3.1 Service-orientierte Architektur im Internet der Dinge [Seite 75]
3.2.3.2 - 3.2 Semantische Servicebeschreibungen und Informationsmodelle [Seite 77]
3.2.4 - 4 Echtzeit - ein häufig missverstandener Begriff [Seite 79]
3.2.5 - 5 Echtzeit-Anwendungen von OPC UA [Seite 81]
3.2.5.1 - 5.1 Die Publisher/Subscriber-Architektur von OPC UA [Seite 83]
3.2.5.2 - 5.2 Deterministische Echtzeit durch Time SensitiveNetworking (TSN) [Seite 84]
3.2.5.3 - 5.3 Werden durch OPC UA TSN herkömmliche Feldbusseüberflüssig? [Seite 88]
3.3 - III Lösungsbausteine fürherstellerunabhängige, standardisierte Schnittstellenin der Produktion [Seite 90]
3.3.1 - 1 Einführung [Seite 90]
3.3.2 - 2 Maschinen- und Anlagenbau: Rückgrat und Herausforderung in Einem [Seite 91]
3.3.2.1 - 2.1 Ausgangssituation in der Fabrik [Seite 92]
3.3.2.2 - 2.2 Selbstbeschreibung von Maschinen und Anlagen [Seite 93]
3.3.2.3 - 2.3 Selbstbeschreibung von Maschinenkomponenten [Seite 95]
3.3.3 - 3 Werkzeuge und Standards [Seite 97]
3.3.3.1 - 3.1 AutomationMLT [Seite 98]
3.3.3.2 - 3.2 OPC UA [Seite 98]
3.3.3.3 - 3.3 Industrielle IoT-Adapter [Seite 98]
3.3.4 - 4 Anwendungsfelder für produzierende Unternehmen [Seite 100]
3.3.4.1 - 4.1 Neue Geschäftsmodelle für Maschinen-/Anlagenbauer und Komponentenlieferanten [Seite 100]
3.3.4.2 - 4.2 Laufzeitdaten erfassen, speichern und auswerten [Seite 100]
3.3.4.3 - 4.3 Neue Architekturen produktionsnaher IT-Systeme [Seite 102]
3.3.5 - 5 Modularer Lösungsansatz [Seite 104]
3.3.5.1 - 5.1 Ausgangspunkt der Arbeiten [Seite 104]
3.3.5.2 - 5.2 Entwicklungspfad [Seite 106]
3.3.6 - 6 Zusammenfassung und Handlungsbedarf [Seite 108]
4 - Smart Products /InnovativeProduktentwicklung [Seite 110]
4.1 - I Referenzarchitektur alsGrundlage für neue Produktezur Cloud-basierten Kommunikation [Seite 112]
4.1.1 - 1 Was zeichnet die Kommunikation bei Industrie 4.0 aus? [Seite 113]
4.1.2 - 2 Warum brauchen wir eine Referenzarchitektur für Industrie 4.0? [Seite 114]
4.1.3 - 3 SOA - die Grundlage der Kommunikation für Industrie 4.0 [Seite 116]
4.1.4 - 4 Produktionshierarchie und deren Abbildung auf RAMI 4.0 [Seite 117]
4.1.5 - 5 Durchgängiges Engineering über den Produktlebenszyklus [Seite 118]
4.1.6 - 6 RAMI-4.0-Layer-Struktur [Seite 119]
4.1.7 - 7 Die Industrie-4.0-Komponente [Seite 120]
4.1.8 - 8 Struktur der Verwaltungsschale [Seite 123]
4.1.9 - 9 Anwendung von RAMI am Beispiel [Seite 123]
4.1.10 - 10 Das RAMI-4.0-Architekturmodell im internationalen Kontext [Seite 127]
4.2 - II Unterwegs lernen zu laufen: Smarte Produkte und Lösungen explorativ und agil entwickeln [Seite 130]
4.2.1 - 1 Industrie 4.0: Revolution und Evolution zugleich [Seite 130]
4.2.1.1 - 1.1 Das Neue im Alten erkennen [Seite 131]
4.2.1.2 - 1.2 In die Zukunft vortasten [Seite 131]
4.2.2 - 2 Schnell Erfahrungen sammeln [Seite 132]
4.2.2.1 - 2.1 Anwender: Kleine Veränderungen können große Effekte erzielen [Seite 132]
4.2.2.2 - 2.2 Regelkreis zwischen Entwicklern und Anwendern [Seite 133]
4.2.2.3 - 2.3 Sieben Merkmale für Industrie-4.0-Lösungen [Seite 134]
4.2.2.4 - 2.4 Prozessmodell zur Umsetzung von Industrie 4.0 [Seite 136]
4.2.3 - 3 Entwicklung von smarten Produkten [Seite 138]
4.2.3.1 - 3.1 Smarte Produkte: Herstellerübergreifende Definitionenals Basis [Seite 138]
4.2.3.2 - 3.2 RAMI 4.0 - Der Modellaufbau [Seite 139]
4.2.3.3 - 3.3 Produktkriterien für Industrie-4.0-Produkte als Mindesteigenschaften [Seite 140]
4.2.3.4 - 3.4 Auswirkungen auf die Produktentwicklung [Seite 141]
4.2.4 - 4 Neue Prozesse für smarte Produkte -Agile Entwicklungsmethoden [Seite 146]
4.2.4.1 - 4.1 Auf variable Ziele hin entwickeln [Seite 146]
4.2.5 - 5 Beispiele für Industrie-4.0-fähige Produkteund Lösungen [Seite 147]
4.2.5.1 - 5.1 IoT Gateway [Seite 147]
4.2.5.2 - 5.2 Kommunikationsplattform Beispiel ActiveCockpit [Seite 147]
4.2.5.3 - 5.3 Vom Condition Monitoring zur prädiktiven Wartung [Seite 149]
5 - Smart Services / Neue Geschäftsmodelle [Seite 152]
5.1 - I Neue Ufer für traditionelles Geschäft: Geschäftsmodell-Architekturen für Industrie 4.0 [Seite 154]
5.1.1 - 1 Treiber neuer Geschäftsmodelle - Warum es unabwendbar ist [Seite 154]
5.1.2 - 2 Neue Geschäftsmodelle - datengetrieben, in Echtzeit, plattformbasiert [Seite 155]
5.1.2.1 - 2.1 Datengetriebene Geschäftsmodelle [Seite 157]
5.1.2.2 - 2.2 Echtzeitbasierte Geschäftsmodelle [Seite 162]
5.1.2.3 - 2.3 Plattformbasierte Ökosystem-Geschäftsmodelle -«Vier gewinnt» [Seite 164]
5.1.2.4 - 2.4 Der Mensch, die Technologie, das Recht [Seite 169]
5.1.3 - 3 Enabler neuer Geschäftsmodelle - Digitale Business Transformation erforderlich [Seite 170]
5.2 - II Erfolgreiche IoT-Geschäftsmodelleinder Industrie [Seite 174]
5.2.1 - 1 Geschäftsmodelldefinition [Seite 174]
5.2.2 - 2 Auswirkungen des IoT auf Geschäftsmodelle [Seite 175]
5.2.2.1 - 2.1 Angebots- und Marktpositionierung: Bislang vor allem bestehende Kundengruppen im Fokus [Seite 175]
5.2.2.2 - 2.2 Wertschöpfungskette: Vom Produkt zum Service [Seite 177]
5.2.2.3 - 2.3 Erlösmodell: Vom einmaligen zum nutzungs und zeitabhängigen Erlös [Seite 181]
5.2.2.4 - 3 Beispiele für erfolgreiche IoT-Geschäftsmodelle [Seite 185]
5.2.2.4.1 - 3.1 IoT im Maschinen- und Anlagenbau [Seite 185]
5.2.2.4.2 - 3.2 IoT in der Energiebranche [Seite 187]
5.2.2.4.3 - 3.3 Weitere IoT-Geschäftsmodelle anderer Anbieter [Seite 188]
5.2.2.5 - 4 Fazit und Ausblick [Seite 188]
6 - DigitaleAnwendungen /Datenverarbeitung in der Industrie [Seite 190]
6.1 - I Big Data - Vom Hype zum realen Nutzen in der industriellen Anwendung [Seite 192]
6.1.1 - 1 Megatrend Big Data [Seite 192]
6.1.1.1 - 1.1 Ab wann reden wir von Big Data? [Seite 192]
6.1.1.2 - 1.2 Wie wird Big Data heute eingesetzt? [Seite 193]
6.1.1.3 - 1.3 Kosten / Nutzen und Smart Data [Seite 193]
6.1.1.4 - 1.4 Erfolgreiche Killerapplikationen [Seite 194]
6.1.1.5 - 1.5 Wer hat's erfunden? [Seite 195]
6.1.1.6 - 1.6 Big Data und Cloud-Computing [Seite 195]
6.1.1.7 - 1.7 Big Data ist Teamsport [Seite 196]
6.1.2 - 2 Big Data in der industriellen Anwendung [Seite 196]
6.1.2.1 - 2.1 Identifikation der wesentlichen Einflussfaktoren hilft Prozesse zu optimieren [Seite 196]
6.1.2.2 - 2.2 Aufzeichnung des Nutzungsverhaltens verbessert Produkte [Seite 197]
6.1.2.3 - 2.3 Datensammeln macht viele servicebasierteGeschäftsmodelle erst möglich und erfolgreich [Seite 197]
6.1.2.4 - 2.4 Lieferketten werden optimiert und stabilisiert [Seite 198]
6.1.2.5 - 2.5 Smarte Apps ersetzen den Experten vor Ort [Seite 198]
6.1.2.6 - 2.6 Vorausschauende Wartung durch Predictive Analytics [Seite 199]
6.1.2.7 - 2.7 Assistenzsysteme erleichtern Produktion und Wartung [Seite 199]
6.1.2.8 - 2.8 Big Data erkennt Security-Risiken [Seite 199]
6.1.3 - 3 Die Technologie-Basis von Big Data [Seite 200]
6.1.3.1 - 3.1 Einteilung in Technologiekategorien [Seite 200]
6.1.3.2 - 3.2 Cluster-Computing auf Commodity-Hardware macht Big Data erschwinglich [Seite 201]
6.1.3.3 - 3.3 Das MapReduce-Verfahren - einfach, aber wirkungsvoll [Seite 201]
6.1.3.4 - 3.4 Die Apache-Hadoop-Architektur [Seite 202]
6.1.3.5 - 3.5 NoSQL-Datenbanken als Alternative zu RDBMS [Seite 206]
6.1.3.6 - 3.6 In-Memory-Datenbanken [Seite 207]
6.1.3.7 - 3.7 Streaming und Complex-Event-Processing analysieren Datenströme in Echtzeit [Seite 207]
6.1.3.8 - 3.8 Machine Learning erlaubt Zukunftsprognosen [Seite 207]
6.1.3.9 - 3.9 Programmiersprachen für Data Scientists [Seite 208]
6.1.3.10 - 3.10 Interaktive Werkzeuge für Data Scientistsund Power-User [Seite 209]
6.1.3.11 - 3.11 Data Lakes machen das klassische Data WarehouseBig-Data-fähig [Seite 209]
6.1.4 - 4 Big Data und das Internet der Dinge [Seite 210]
6.1.4.1 - 4.1 Das Internet der Dinge und Industrial-Internet-Systeme [Seite 210]
6.1.4.2 - 4.2 IoT-Referenzarchitekturen [Seite 211]
6.1.4.3 - 4.3 Fog Computing bringt die Intelligenz vor Ort [Seite 212]
6.1.4.4 - 4.4 Die SPS als IoT-Controller [Seite 213]
6.1.4.5 - 4.5 IoT-Plattformen als Cloud-basierte Lösungsbaukästen [Seite 213]
6.1.5 - 5 Zusammenfassung und Ausblick [Seite 215]
6.2 - II Machine Analytics - Wie aus Daten Werte für Industrie 4.0 entstehen [Seite 218]
6.2.1 - 1 Die Bedeutung von Big Data Analytics fürIndustrie 4.0 [Seite 218]
6.2.2 - 2 Die Verarbeitungskette der Datenanalyse [Seite 220]
6.2.2.1 - 2.1 Datenerfassung [Seite 220]
6.2.2.2 - 2.2 Datenvorverarbeitung [Seite 221]
6.2.2.3 - 2.3 Datenanalyse [Seite 223]
6.2.2.4 - 2.4 Ergebnisdarstellung und -bewertung [Seite 227]
6.2.3 - 3 Herangehensweise und Personen für erfolgreiche Datenanalysen [Seite 228]
6.2.3.1 - 3.1 Der USU-Smart-Data-Prozess [Seite 228]
6.2.3.2 - 3.2 Die Rolle des Menschen in der Datenanalyse [Seite 230]
6.2.4 - 4 Beispielhafte Umsetzung [Seite 233]
6.2.4.1 - 4.1 Architekturbeispiel für skalierbare Datenanalyse [Seite 233]
6.2.4.2 - 4.2 Anwendungsbeispiele [Seite 235]
6.2.5 - 5 Ausblick und Zusammenfassung [Seite 239]
6.2.6 - 5.1 Deep Learning: Überholen uns die Maschinen? [Seite 239]
6.2.7 - 5.2 Zusammenfassung [Seite 240]
6.3 - III Industrial Analytics - Dateneinfach und verständlich vermitteln und Perspektiven ableiten [Seite 242]
6.3.1 - 1 Maschinelles Lernen in der virtuellen SmartFactory [Seite 244]
6.3.1.1 - 1.1 Was ist maschinelles Lernen? [Seite 244]
6.3.1.2 - 1.2 Die virtuelle Smart Factory [Seite 244]
6.3.1.3 - 1.3 Klassifikation - Effizienzsteigerung in der Qualitätssicherung [Seite 246]
6.3.1.4 - 1.4 Ergebnisse richtig evaluieren und interpretieren [Seite 249]
6.3.1.5 - 1.5 Regression - Optimale Produktionsplanung und -steuerung [Seite 252]
6.3.1.6 - 1.6 Clustering - Ähnlichkeiten in Produktionsdaten aufdecken [Seite 256]
6.3.2 - 2 Anwendungsgebiete für Industrial Analytics [Seite 257]
6.3.2.1 - 2.1 Predictive Quality [Seite 257]
6.3.2.2 - 2.2 Predictive Maintenance [Seite 258]
6.3.2.3 - 2.3 Energy Analytics [Seite 259]
6.3.3 - 3 Zusammenfassung [Seite 260]
7 - Rahmenbedingungen, Rechtsgrundlagen und Systemsicherheit [Seite 262]
7.1 - I Know-how-Schutz im Umfeld von Industrie 4.0 [Seite 264]
7.1.1 - 1 Einführung [Seite 264]
7.1.2 - 2 Rechtliche Rahmenbedingungen [Seite 265]
7.1.2.1 - 2.1 Welches Know-how ist geschützt? [Seite 265]
7.1.2.2 - 2.2 Geheimnisschutz oder Registrierung gewerblicherSchutzrechte? [Seite 265]
7.1.2.3 - 2.3 Änderungen aufgrund der Richtlinie zum Schutz von Geschäftsgeheimnissen [Seite 266]
7.1.3 - 3 Maßnahmen zum Schutz von geheimem Know-how im Rahmen digitaler Fertigungsprozesse [Seite 270]
7.1.3.1 - 3.1 Risikoanalyse [Seite 270]
7.1.3.2 - 3.2 Vertragliche Regelungen [Seite 271]
7.1.3.3 - 3.3 Maßnahmen auf dem Gebiet der IT-Sicherheit [Seite 276]
7.1.3.4 - 3.4 Organisatorische Maßnahmen [Seite 280]
7.1.4 - 4 Zusammenfassung [Seite 283]
7.2 - II Datensicherheit bei Smart Services und Cloud-Sicherheit und Datenschutz im Cloud-Computing [Seite 284]
7.2.1 - 1 Einleitung [Seite 284]
7.2.2 - 2 Architektur [Seite 285]
7.2.2.1 - 2.1 Cloud-Service-Modelle [Seite 285]
7.2.2.2 - 2.2 Cloud-Deployment-Modell [Seite 286]
7.2.2.3 - 2.3 Smart-Service-Architekturen [Seite 286]
7.2.2.4 - 2.4 Service-orientierte Architekturen [Seite 287]
7.2.3 - 3 Rechtlicher Rahmen [Seite 288]
7.2.3.1 - 3.1 Allgemeines [Seite 288]
7.2.3.2 - 3.2 Datenschutz [Seite 289]
7.2.3.3 - 3.3 Informationssicherheit [Seite 290]
7.2.4 - 4 Datensicherheit [Seite 292]
7.2.4.1 - 4.1 Allgemeines [Seite 292]
7.2.4.2 - 4.2 Normen, Standards, Frameworks [Seite 293]
7.2.4.3 - 4.3 Gefährdungsszenarien [Seite 297]
7.2.5 - 5 Best Practice [Seite 298]
7.2.5.1 - 5.1 Datensicherheitsteam [Seite 298]
7.2.5.2 - 5.2 Sicherheit durch Harmonisierung [Seite 299]
7.2.5.3 - 5.3 Sicherheit durch Klarheit [Seite 299]
7.2.5.4 - 5.4 Resilienz by Design [Seite 299]
7.2.5.5 - 5.5 Domänenwissen [Seite 300]
7.2.6 - 6 Zertifizierung [Seite 301]
7.2.7 - 7 Auswahl und Kontrolle der Dienstleister [Seite 302]
7.2.8 - 8 Zusammenfassung [Seite 305]
7.3 - III Informationssicherheit in Industriesteueranlagen [Seite 306]
7.3.1 - 1 Aktuelle Herausforderungen und Bedrohungen [Seite 306]
7.3.1.1 - 1.1 Das Vorgehen der Angreifer [Seite 307]
7.3.1.2 - 1.2 Typen von Angreifern und Angriffen [Seite 311]
7.3.1.3 - 1.3 Verwundbare Stellen [Seite 313]
7.3.2 - 2 Maßnahmen zur Erhöhung derInformationssicherheit [Seite 314]
7.3.2.1 - 2.1 Risikobewertung [Seite 315]
7.3.2.2 - 2.2 Schutzbedarfsfeststellung [Seite 316]
7.3.2.3 - 2.3 Bedrohungsanalyse [Seite 317]
7.3.2.4 - 2.4 Schwachstellenanalyse [Seite 318]
7.3.2.5 - 2.5 Kommunikationssicherheit [Seite 320]
7.3.2.6 - 2.6 Systemhärtung [Seite 329]
7.3.2.7 - 2.7 Organisatorische Sicherheitsmaßnahmen [Seite 330]
7.3.2.8 - 2.8 Kontinuierliches Managementder Informationssicherheit [Seite 331]
7.3.3 - 3 Ansätze zur Weiterentwicklung der Informationssicherheit in Industrie 4.0 [Seite 332]
7.3.3.1 - 3.1 Neue Herausforderungen an die Informationssicherheitdurch Industrie 4.0 [Seite 332]
7.3.3.2 - 3.2 Architekturansatz [Seite 333]
7.3.3.3 - 3.3 Sichere Identitäten [Seite 334]
7.3.3.4 - 3.4 Sichere unternehmensübergreifende Kommunikationfür Industrie 4.0 [Seite 335]
7.3.4 - 4 Zusammenfassung [Seite 335]
8 - Resümee [Seite 338]
8.1 - Entwicklung und Ausblick von Industrie 4.0 [Seite 340]
8.2 - Schlusswort des Herausgebers [Seite 342]
9 - Sponsored Content [Seite 344]
10 - Abkürzungen und Stichwortverzeichnis [Seite 352]