B S O I [ Industrial IoT und Edge Computing ] [ Industrial IoT und Edge Computing ] r e f o h n u a r F www.iosb.fraunhofer.de ISSN 1616-8240

Liebe Freunde des Fraunhofer IOSB, Deutschland hat gute Ausgangsbedingungen, um die Technologien und Lösungen des industriellen Internets der Dinge maßgeblich mitzugestalten. Unsere Fabriken und ihre Ausrüster sind seit jeher innovativ und wettbewerbsfähig. Die Pipeline an neuen Techno- logien ist prall gefüllt – einige davon stellen wir Ihnen in diesem Heft vor. Innovationen entstehen heute nicht mehr in kurzfristigen bilateralen Projekten, sondern in einem Netzwerk von Partnern, die langfristig zusammenarbeiten: Eine solche Partnerschaft ist diejenige mit der Friedhelm Loh Group. Unser Gastautor Dr. Sebastian Ritz erläutert, wie die gemeinsam entwickelte Edge-Computing-Lösung ONCITE zu einer sinnvollen Ergänzung oder Alternative zur Verarbeitung im Core oder in der Cloud wird. In der Fabrik der Zukunft wird das Thema Predictive Quality und der Zusammenhang zwischen Qualitätsmesswerten und Prozessparametern eine wichtige Rolle spielen. Ziel ist es, die Prozessparameter auf Basis der möglichst inline erfassten Messdaten automatisiert zu regeln. Julius Pfrommer stellt ein speziell dafür entwickeltes Vorgehensmodell vor, ein Ergebnis des Fraunhofer-Leitprojekts »Machine Learning for Production« (ML4P). Der Einsatz von Edge-Verarbeitung ist auch Inhalt des Beitrages von Georg Maier und Florian Pethig: sie beschreiben eine offene Plattform zur Virtualisierung von SPSen – ein erstes Ergebnis unseres neuen Technologieentwicklungsprogramms (TEP). Ein Dauerbrenner produktionsnaher Datenverarbeitung ist »Semantik und Interoperabilität«: Die Industrie 4.0-Verwaltungsschale (Asset Administration Shell – AAS) ist das Hilfsmittel zur standardisierten Beschreibung aller Objekte, die einen Wert für ein produzierendes Unter- nehmen darstellen, wie Thomas Usländer und Florian Pethig erläutern. AutomationML, eine der Beschreibungssprachen für Assets, nutzen wir seit vielen Jahren. Michael Baumann und Jan Blume beschreiben an einem Beispiel, wie BMW seine verschie- denen Engineering-Werkzeuge über AutomationML so miteinander verbindet, dass Daten zwischen den Tools verlustfrei ausgetauscht werden. In ersten Leuchtturm-Projekten ist das Paradigma der modularen, selbstorganisierenden Produktion umgesetzt: Universell einsetzbare und konfigurierbare Maschinen, selbstorgani- sierender Transport und Materialbereitstellung und dezentrale Kommunikation sind dafür erforderliche Technologien. Eine Fertigungssteuerung nach dem Schwarm-Prinzip und zugehörige Algorithmen sind weitere Merkmale, die Julius Pfrommer und Olaf Sauer beschreiben. Mit dem Aufkommen von Manufacturing-as-a-Service-Konzepten werden sich Kapazitäts- marktplätze wie unser Smart Factory Web weiter durchsetzen. Ljiljana Stojanovic und Friedrich Volz zeigen, wie Werkzeuge des International Data Spaces (IDS) genutzt werden, um Informationen zwischen Partnern eines Fabriknetzwerkes sicher auszutauschen – bis hin zu automatisierten Verhandlungsmechanismen zwischen mehreren Smart Factories. Um mit der zunehmenden Digitalisierung in der Fabrik der Zukunft umzugehen, werden neue Interaktionskonzepte und intuitive Mensch-Technik-Interaktion für industrielle Anwen- dungen immer wichtiger. Ein Beispiel dafür ist QSelect, das Qualitätsprüfer zum vollstän- digen digitalen Fehlermanagement einsetzen können, wie Gerrit Holzbach beschreibt. Prof. Dr.-Ing. habil. Jürgen Beyerer Dr.-Ing. Olaf Sauer 3 visIT Industrial IoT und Edge Computing Editorial Prof. Dr.-Ing. habil. Jürgen Beyerer Institutsleiter Dr.-Ing. Olaf Sauer Geschäftsfeldkoordinator Automatisierung und Digitalisierung

und mit durch KI identifizierten relevanten Mustern, Aussagen über den jeweiligen Zustand und daraus abgeleitet den War- tungsbedarf zu treffen. Die German Edge Cloud ist maßgeblich an GAIA-X beteiligt, einem Projekt, bei dem sich Experten von führenden Cloud-, Hard- und Software-Unternehmen mit ihren Er- fahrungen und Sichtweisen ergänzen. Erklärtes Ziel dabei ist es, Entscheidungs- freiheit und Mitbestimmungsrecht – auch Datensouveränität genannt – herzustellen. Es geht also darum, neue Datenwertschöp- fungsketten über bestehende und neue Angebote und Dienstleister zu generieren. Dies bedeutet die Weiterentwicklung der bis heute etablierten Geschäftsmodelle. Dieses Wettrennen gilt es für Europa zu gewinnen. GAIA-X ist eine Ausprägung des neuen Wirtschaftszeitalters. Und deshalb ist es Verantwortung und Begeisterung zugleich, sich als Unternehmen gemeinsam mit Fraunhofer dazu Gedanken machen zu dürfen. Für die deutsche Industrie ist es wichtig, die Chancen zu begreifen, die IIoT- Technologien abseits von Optimierung und Kosteneinsparungen mit sich bringen. Dafür sollten sie Industrial IoT als Businessthema begreifen, das neue Geschäftsmodelle er- möglicht. So kann die deutsche Wirtschaft ihren Vorsprung in der Welt verteidigen und ausbauen. [1] IDC: Industrial IoT in Deutschland 2019/20. vis IT 5 Industrial IoT und Edge Computing Für diese Szenarien ist Edge Computing eine sinnvolle Ergänzung oder Alternative zur Verarbeitung im Core oder in der Cloud. Beispielsweise setzten Ende 2018 branchen- übergreifend zwölf Prozent der befragten Unternehmen Edge Computing ein, in Deutschland liegen sie laut der aktuellen Studie mit 24 Prozent deutlich darüber. Die Industrie hierzulande zeigt damit, dass ihr die »Time-to-Value« der Daten sehr wichtig ist, die durch die Verlagerung der Daten- analyse an den Ort der Datenerzeugung verkürzt wird. Die dadurch deutlich schnel- leren Transaktionen bis hin zur Echtzeitver- arbeitung sind daher auch größter Treiber für mehr als ein Drittel der Unternehmen. Ein weiterer Pluspunkt für Edge Computing: Die zum Teil großen Datenmengen müssen das Unternehmen nicht verlassen, was Kosten bei einer alternativen Analyse in der Cloud spart oder Kapazitäten für andere Analysen im eigenen Data Center freigibt. Die German Edge Cloud, eine Neugründung innerhalb der Friedhelm Loh Group, hat mehreren Kunden bereits eine intelligente Edge, die GEC Edge ITaaS-Plattform, ein- gerichtet. Diese sammelt direkt auf dem Shopfloor die Datenpunkte aller Maschinen, SPSen und MES-Systemen – also aus diver- sen Schweißautomaten, Transportbändern, fahrerlosen Transportfahrzeugen oder sonstigen Produktionsanlagen. Aus den Daten werden übersichtliche Dash- boards im Sinne einer End-to-End-Visuali- sierung der Prozesse generiert. Damit kön- nen Anwender auf einen Blick Engpässe, Fehler oder andere Anomalien im Prozess erkennen und beseitigen. Diese Daten- basis ist die Grundlage für Lösungsansätze aus maschinellem Lernen und Künstlicher Intelligenz. So werden an den Produktions- anlagen Geräusch-, Temperatur- und Vibra- tionssensorik-Daten akquiriert, um damit

L FÜR DIE ANWENDUNG VON R PRODUKTION Im Beispiel wird die optimale Anpassung von Prozessparametern (Ofentemperatur) an schwankende Eigenschaften in den Ein- gangsmaterialien betrachtet. Dazu werden auf der linken Seite des Pipeline-Diagramms die notwendigen Daten erhoben. Dies sind die Qualitätsmessungen aus dem Labor, die kontinuierlich erhobene Ofentemperatur und die aktuellen Materialeigenschaften, welche aus einer zentralen Datenbank abge- rufen werden. Die Datenströme sind farblich entsprechend der Häufigkeit der Übertra- gung markiert. Die Datenbank wird genutzt, um unabhängig erhobene Daten zusammen- zuführen und gemeinsam zu betrachten. Stehen ausreichend historische Daten zur Verfügung, so wird mit ML-Verfahren ein datengetriebenes Vorhersagemodell für die Produktqualität erstellt. Dieses Modell fin- det Verwendung in einem weiteren Modul zur Optimierung der Ofentemperatur unter Kenntnis der derzeitigen Materialeigen- schaften. Die Ergebnisse der Optimierung werden visualisiert und vom Prozessbedie- ner am Ofen eingestellt. Einige Schritte in der Verarbeitungskette können manuell ausgeführt werden. Dies ist durch ein Personen-Icon gekennzeichnet. Entschei- dungen mit Auswirkung auf den Prozess sind durch einen Stern markiert. Die Phasen des ML4P-Vorgehensmodells sind wie folgt: Phase 1: Zielsetzung und Lösungsansatz In der ersten Phase des Vorgehensmodells werden die Wirkzusammenhänge in einem Team aus ML- und Prozessexperten gemein- sam analysiert und auf der Basis definierter Projektziele ein ML-basierter Lösungsansatz, technische Maßnahmen zur Zielerreichung und eine erste Kosten/Nutzen-Schätzung abgeleitet. Das ML-Pipeline-Diagramm wird hier initial definiert: Es dient dem Aufbau eines gemeinsamen Prozessverständnisses und der Einflussmöglichkeiten neuer ML- Komponenten. Phase 2: Proof of Concept Der Proof of Concept (PoC) ist eine Nach- weisführung, ob und mit welchen Ansätzen die gesteckten Ziele erreicht werden können. Dafür werden notwendige exemplarische Daten aus dem Prozess erhoben und vorver- arbeitet, Modelle trainiert und der Einfluss auf Entscheidungen und die Projektziele abgeschätzt. In einem iterativen Vorgehen werden im PoC der Lösungsansatz und Hypothesen aus Phase 1 überarbeitet und verfeinert. Phase 3: Systemspezifikation Der PoC wird den Anforderungen im Pro- duktionsalltag noch nicht genügen und kann noch manuelle Schritte in der Daten- aufnahme und -verarbeitung enthalten. In Phase 3 wird darum ein System für den dauerhaften Einsatz in der Fertigung spezi- fiziert. Die Spezifikation enthält ein detail- liertes Betriebskonzept und verweist auf konkrete Technologien und Schnittstellen, insbesondere zur Maschine-Maschine- und Mensch-Maschine-Kommunikation. Die Systemspezifikation dient auch einer klaren Abschätzung direkter technischer und orga- nisatorischer sowie möglicher induzierter Kosten für die Umsetzung und den Betrieb im Verhältnis zum erwarteten Nutzen als Basis für eine ggf. auch gestaffelte Investi- tionsentscheidung. Phase 4: Umsetzung, Integration und Inbetriebnahme In der vierten Phase wird aus der Systemspe- zifikation ggf. schrittweise ein lauffähiges System für den kontinuierlichen Produkti- onsbetrieb umgesetzt. Diese Phase muss nicht unbedingt von den ML-Experten aus Phase 1 bis 3 (mit-)umgesetzt werden – unter der Voraussetzung, dass die System- spezifikation ausreichend detailliert für eine Vergabe an weitere Dienstleister oder Ent- wicklungsgruppen ist oder auch das Unter- nehmen selbst die Qualifizierung seiner Belegschaft ausbaut. Phase 5: Übergabe Nach der erfolgreichen Inbetriebnahme des ML-befähigten Produktionsprozesses erfolgt die Übergabe an den Anlagenbetreiber. Diesem soll die Phase ermöglichen, den Produktionsprozess autonom betreiben zu können und regelmäßig anfallende War- tungs- und Anpassungsarbeiten weitgehend selbsttätig vorzunehmen. Die Übergabe sollte durch Qualifizierungsmaßnahmen mit Blick auf die neuen ML-Komponenten im Produktionsprozess begleitet werden. Phase 6: Betrieb Nach einer initialen Entwicklung und An- wendung von ML-basierter Prozessoptimie- rung stehen die Unternehmen vor neuen Herausforderungen, diese Lösungen dauer- haft im Betrieb zu etablieren. Grund ist die ständige Fortentwicklung der Fertigungs- prozesse, z. B. durch neue Produktvarianten und Edukte, Verschleiß und Wartung sowie strukturelle Änderungen an den Anlagen, aber auch nun fest eingebundener ML- Komponenten. Hierfür wird ein Prozess der kontinuierlichen Überwachung der Modell- validität mit Modellupdates – auch durch Dritte – verfolgt und durch entsprechende Werkzeuge unterstützt. Das ML4P-Vorgehensmodell wird im Projekt am Beispiel von drei realen Produktionspro- zessen – vom Umformprozess bis zur Her- stellung von Membranfiltern – entwickelt und validiert. Und auch die ersten Indus- trieprojekte am Fraunhofer IOSB setzen das ML4P-Vorgehensmodell erfolgreich ein. Für industrielle Kunden ergeben sich eine Reihe von Vorteilen: eine gute Planbarkeit und Transparenz in Bezug auf Projektfortschritt und zu erwartende Kosten, die Skalierung auf große heterogene Teams und eine hohe Effizienz in der Entwicklung durch den Einsatz zugeschnittener Werkzeuge für das Vorgehensmodell. vis IT 7 Industrial IoT und Edge Computing

Speicherprogrammierbaren Steuerungen (SPS, Englisch: PLC) – VirtualPLC. CrossTEP basiert auf Kubernetes (K8S) zur Orchest- rierung von Docker-Containern auf den ver- teilten Knoten eines Clusters. Die Docker- Container beinhalten Applikationen, in diesem Anwendungsfall IEC 61131-Laufzeit- umgebungen für die Maschinensteuerung. Die Laufzeitumgebungen werden mittels OPC UA und TSN deterministisch an Maschi- nen bzw. dort vorhandene Peripheriegeräte angebunden. Darüber hinaus ist die Archi- tektur der CrossTEP darauf ausgelegt, auf einfache Weise maschinelle Lernverfahren anzuwenden und web-basierte Dashboards anzubinden. Diese Applikationen können direkt aus dem Prozessabbild der virtuali- sierten Steuerung gespeist werden und somit Mehrwerte generieren, z. B. in Form einer Anomalieerkennung. Es existieren noch offene Forschungsfragen: Zum einen im Bereich der Echtzeitverarbei- tung, in welchem sich die Frage nach einer geeigneten Balance zwischen geteilten und exklusiven Rechen- und Speicherressourcen stellt. Zum anderen im Bereich der Interope- rabilität, bei der eine Hauptaufgabe in der Integration von existierenden IT-, OT- und Industrie 4.0-Standards besteht. EVALUIERUNG ANHAND DES SCHÜTT- GUTSORTIERSYSTEMS TABLESORT Bei dem in Abbildung 2 dargestellten Pro- dukt »TableSort« des Fraunhofer IOSB han- delt es sich um die Miniaturausgabe einer Schüttgutsortier-Anlage in Tischgröße. Der Sortiermechanismus des »TableSort« funktioniert über Bilderfassung und -ver- arbeitung sowie der echtzeitkritischen Ansteuerung pneumatischer Düsen. In der SmartFactoryOWL wird ein »Table- Sort« von einer CrossTEP-Applikation auf dem in Abbildung 1 dargestellten Edge- Cluster gesteuert. Darüber hinaus läuft auf der CrossTEP ein Industrie 4.0-konformer Digitaler Zwilling des »TableSort«, der in Form der Verwaltungsschale auf Basis der OPC UA Companion Specification »I4AAS1« implementiert wurde. Der Digitale Zwilling ermöglicht die automatische Dateninte- gration in das in Abbildung 2 dargestellte Web-basierte Dashboard sowie eine eben- falls auf der CrossTEP ausgeführte Appli- kation zur Anomalieerkennung. ZUSAMMENFASSUNG Mit der CrossTEP bietet das Fraunhofer IOSB eine flexible und erweiterbare Edge-Platt- form für Echtzeitsteuerung und –optimie- rung sowie die Entwicklung und den Betrieb Industrie 4.0-konformer digitaler Zwillinge an. CrossTEP kombiniert dabei offene Edge- Cloud-IT mit aktuellsten OT- und Industrie 4.0-Standards wie der Verwaltungsschale, OPC UA und TSN. So können Einsparpoten- tiale realisiert und neue Produktionslinien einfach in »On-Demand« Services einge- bunden werden. Abbildung 2: Fraunhofer IOSB »TableSort« mit Dashboard-Applikation aus der CrossTEP. ration/i4aas/ 1 https://opcfoundation.org/markets-collabo- vis IT 9 Industrial IoT und Edge Computing

L – KONZEPT, TECHNOLOGIE UND Plattform Industrie 4.0/Hrsg. BITKOM, VDMA, ZVEI:Umsetzungsstrategie Industrie 4.0 – Ergebnisbericht, Berlin, April 2015. serviceorientierten Architektur zu betreiben und über https/REST oder die OPC Unified Architecture (OPC UA, IEC 62541) anzu- sprechen. Hierzu leitet das Fraunhofer IOSB- INA die Joint Working Group »I4AAS«, die die entsprechende OPC UA »Companion Specification« gemeinsam mit OPC Founda- tion, ZVEI und VDMA erarbeitet. Außerdem ist eine Abbildung der AAS auf das seman- tische Framework RDF in Arbeit. INFRASTRUKTUR Das AAS-Konzept alleine ist nicht ausreich- end für Engineering und Betrieb interope- rabler digitaler Zwillinge in einem Industrie 4.0-System. Ebenso wie das Internet zur komfortablen Nutzung Verzeichnis- und Suchdienste benötigt, so erfordert auch ein Industrie 4.0-System Infrastrukturdienste. An vorderster Stelle steht hier eine verbind- liche Registrierung von AAS-Instanzen, um Kommunikationsendpunkte zu vergeben und Teilmodelle nach bestimmten Suchkri- terien auffindbar zu machen. Hierfür kann z. B. die IOSB-INA Lösung »Knowledge Browser« eingesetzt werden, die vorhan- dene AAS mittels Big Data Technologie indexiert und durchsuchbar macht. Im Pro- jekt »Technische Infrastruktur für Digitale Zwillinge (TeDZ)« erprobt das IOSB-INA mögliche Lösungen und bringt diese in die Industrie 4.0-Spezifikationen ein. Somit kann die Software- und Automatisierungs- industrie beginnen, die AAS-Konzepte nach und nach in ihre Produkte zu integrieren. Im IIC Testbed Smart Factory Web erprobt das IOSB, wie das AAS-Konzept und die I4AAS-Schnittstelle in einen Marktplatz für die industrielle Produktion integriert werden kann. Zudem wird das Zusammenspiel der AAS mit den Konzepten der International Data Spaces (IDS) zur Datennutzungskon- trolle untersucht, insbesondere beim Daten- austausch zwischen Lieferanten in einer Lieferkette. 1 Details of the Asset Administration Shell – Part 1 – The exchange of information between partners in the value chain of Industrie 4.0 (Version 2.0), Plattform Industrie 4.0 und ZVEI, November 2019. https://www.plattform-i40.de/PI40/Redaktion/ DE/Downloads/Publikation/Details-of-the-Asset- Administration-Shell-Part1.html 11 vis IT Industrial IoT und Edge Computing

Abb. 2: Beispiel einer Engineering-Kette beim Anlagenentwurf. Modell einer Anlage erstellt – mit Hilfe der Konzepte, die der AML-Standard für den Austausch von spezifischen Informationen definiert. Dabei ist es von großer Bedeu- tung, dass die bereits vorhandenen Spezi- fikationen des AML-Vereins wie die Basis- konzepte (Rollen-Klassen, Interface-Klassen etc.) sowie die darauf basierenden Regeln zur Modellierung von z. B. Materialflüssen, Kommunikation, Konfiguration von Auto- matisierungsprojekten etc., durchgängig und einheitlich verwendet werden. Mittels AML sollen die toolspezifischen Teil- modelle verkettet werden, wodurch bessere Interoperabilität zwischen den Tools und den Partnern im Engineering Prozess auch über Unternehmensgrenzen hinweg ermög- licht wird (siehe Abbildung 3). Durch die Verkettung der Teilmodelle entsteht gewis- sermaßen ein »Gesamtmodell« für das An- lagenengineering. Jede Ingenieur-Disziplin kann dabei nur den für sie relevanten Teil sehen und bearbeiten. Dadurch kann die Datensicherheit verbessert werden, was insbesondere in großen Projekten mit un- terschiedlichen Engineering-Partnern von Bedeutung ist. Hinzu kommt, dass Ände- rungen und Konflikte leichter erkannt und kommuniziert werden können. Dies setzt voraus, dass alle AML-Objekte, die tool- übergreifend bearbeitet und verfeinert werden, eindeutig identifizierbar sind. Darauf baut das Änderungsmanagement auf: Es kommuniziert in einem Tool durch- geführte Änderungen an andere Tools, für die diese Änderungen relevant sind. Die korrekte Verarbeitung aller Änderungen Abb. 3: Engineering-Plattform zum konsistenten Austausch von AML-Files zwischen den eingesetzten Engineering Tools bei BMW. wird über das Versionsmanagement verwal- tet. Hier werden auch Inkonsistenzen auf Objektebene zwischen den eingesetzten Tools aufgezeigt. ERGEBNIS Für BMW wurde ein »gesamtes« Anlagen- modell entwickelt, das über AML Konzepte die verschiedenen Engineering Disziplinen koppelt. Im Allgemeinen kann hiermit die unternehmensübergreifende Zusammenar- beit zwischen den verschiedenen Engineer- ing Partnern erleichtert werden. Die Ergeb- nisse dieses Projekts werden einerseits zur Weiterentwicklung des AutomationML Standards in den AML-Verein eingebracht. Andererseits werden Schnittstellenspezifika- tionen zur Weiterentwicklung der verschie- denen Tools direkt mit den Tool-Herstellern diskutiert. Prinzipiell sind die Ergebnisse dieses Projekts nicht nur für die Automobil- industrie, sondern auch für andere Branchen mit komplexen automatisierten Produkti- onsanlagen von großem Nutzen. Projektpartner BMW AG, Werk Regensburg Martin Langosch Produktionssystem, Digitalisierung Test und Inbetriebnahme, VIBN Telefon +49 941 770 6891 martin.langosch@bmw.de http://www.bmwgroup.com/ 13 vis IT Industrial IoT und Edge Computing

Erst wenn das letzte Werkstück eines Loses bearbeitet ist, werden alle Teile des Loses zur nächsten Verrichtung transportiert. Die Feinplanung erfolgt meist im Nachgang zu einer MRP II-Planung (Manufacturing Res- source Planning), deren Ergebnisse termi- nierte Fertigungsaufträge sind. Kurzfristige Reaktionen auf Änderungen in der Ferti- gung sind in der Feinplanung heute kaum möglich. Der Grad der Autonomie ist gering, da die Fertigung den durch einen Feinpla- nungsalgorithmus automatisch berechneten oder durch einen Disponenten manuell angepassten Plan ausführen muss. Mit dem Aufkommen der »Lean Production« in den 1990er Jahren setzte sich das Prinzip der Pull-Steuerung vielfach in Fertigungs- betrieben durch. Sein charakteristisches Kennzeichen ist, dass nur gefertigt wird, wenn ein echter Kundenbedarf vorliegt. Losgrößen werden auf Tageslose herunter- gebrochen. Die produzierende Stelle erhält ein Signal, welche Teile in welcher Menge zu welchem Zeitpunkt bei der verbrauchen- den Stelle benötigt werden. Dieses Prinzip wird auch als KANBAN-Prinzip bezeichnet. In der Forschung existieren seit einiger Zeit Arbeiten zur Modularisierung und Flexibili- sierung von Fertigungsstrukturen. Kernidee ist es, statt spezialisierter Produktionsein- richtungen, die teilweise eine eigene Infra- struktur erfordern, z. B. Einschienenhänge- bahnen und Schubpalettenförderer, eher universell nutzbare Maschinen und Anlagen zu installieren und auf Spezialeinbauten im Hallenboden oder in einer Fördertechnik- ebene zu verzichten. Die universell nutzba- ren Produktionsanlagen werden vielmehr für eine bestimmte Aufgabe konfiguriert und können bei Bedarf schnell für neue oder geänderte Aufgaben umkonfiguriert werden. Dies erfordert natürlich wand- lungsfähige »Hardware«, z. B. Roboter und Manipulatoren, vor allem aber auch geeig- neter Software, Steuerungs- und Kommu- nikationstechnik. Dieses Prinzip ist von ein- zelnen Linien auf ganze Fertigungsstätten übertragbar. Eines der bekanntesten Bei- spiele ist die mehrfach ausgezeichnete Fabrik von SEW Eurodrive in Graben-Neudorf, in der das komplette Layout und selbst bis- lang als nicht teilbar geltende Ressourcen wie Lackieranlagen modularisiert wurden. Am Fraunhofer IOSB ist die für eine Selbst- organisation erforderliche Kommunikati- onstechnik und Algorithmik heute schon vorhanden: Die verfügbaren Werkzeuge ermöglichen das Prinzip der Selbstorgani- sation durch verteilte Planung. Basis ist ein Modellierungsansatz, der nahtlos von der detaillierten Abbildung physikalischer Pro- zesse bis hin zu Lieferbeziehungen zwischen Unternehmen skaliert. Für zu modellierende Szenarien nutzen wir einen Algorithmus zur Optimierung sequentieller Entscheidungen. Der Algorithmus verbindet Techniken für die kombinatorische und die kontinuierliche Optimierung: Je nach Szenario kann der Algorithmus kombinatorische Fertigungs- feinplanung (Scheduling) vornehmen oder weltweite Lieferbeziehungen unter Einbe- zug von Unsicherheiten und Risiken opti- mieren. Auch verteilte Entscheidungen sind möglich: Jeder teilnehmende Agent hat einen lokalen Handlungsraum, in dem er den Systemzustand beobachten und han- delnd eingreifen kann. Die Agenten handeln kooperativ. Sie sind also an der Maximie- rung des Gesamtnutzens über alle Agenten hinweg interessiert. Die verteilte Planung zur Nutzenmaximierung über unabhängige Agenten hinweg wird mittels des eigens entwickelten Verfahrens zur sogenannten Nutzenpropagation gelöst. Dieses ist an die erfolgreichen Prinzipien der »Belief Pro- pagation« Verfahren angelehnt [4]. In dem Zusammenhang bietet das Fraunhofer IOSB Beratungs-, Spezifikations- und konkrete Implementierungsleistungen für die selbst- organisierende Produktion an. Literatur [1] acatech (Hrsg.): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0 – Abschluss- bericht des Arbeitskreises Industrie 4.0, April 2013. [2] Sauer, O.; Sutschet, G.: Production Monito- ring linked to object identification and tracking – a step towards real time manufacturing in auto- motive plants. In: Teti, R. (Ed.): Proceedings of the 5th CIRP International Seminar on Intelligent Com- putation in Manufacturing Engineering, Ischia (Italy): 2006, pp. 321-326. [3] Bussmann, S.; Schild, K.: Self-Organizing Manufacturing Control: An Industrial Applica- tion of Agent Technology. In Proc. of the 4th Int. Conf. on Multi-agent Systems (IC-MAS'2000), Boston, MA, USA, 2000, pp. 87-94. [4] Pfrommer, J.: Distributed Planning for Self- Organizing Production Systems. Dissertation KIT, Juli 2019. 15 vis IT Industrial IoT und Edge Computing

Abbildung 1: Integration von IDS in Smart Factory Web. Abbildung 2: Anbindung von OPC UA-Verwaltungsschalen aus der Fabrik und Transfer durch IDS. 17 vis IT Industrial IoT und Edge Computing

besserung. Anwendende können dabei zwischen intuitiven Zeigegesten und einem Laserpointer als Eingabemethode wählen und Fehlerstellen auf einem Bauteil schnell, präzise und intuitiv markieren. Die Zeige- geste und somit der Ort der Fehlerstelle werden über eine günstige Kamera-Einheit erfasst, die oberhalb des zu prüfenden Bauteils angebracht ist. Ein Projektor zeigt dem Werkenden die dokumentierten Fehler unmittelbar über eine projizierte Markie- rung auf dem Bauteil an. Metadaten, wie die Art eines markierten Fehlers, werden über ein projiziertes Menü oder über ein Sprach-/Dialog-System eingegeben. Bereiche auf dem Bauteil, in denen gehäuft Produktionsfehler aufgetreten sind, können durch eine Beleuchtung mit dem Projektor hervorgehoben werden. Die Aufmerksam- keit des Anwendenden wird so auf die ent- sprechenden Regionen gelenkt, wodurch es zu weniger Fehlerschlupf kommt. In der Ausbesserungsphase kann diese Fehler- markierung durch die digitale Abbildung an einer anderen Station präzise reprodu- ziert und auf das Bauteil projiziert werden. Dadurch wird der Fehler in der Nachbesse- rung schnell wiedergefunden. Durch das Sprach-/Dialog-System können Anwenden- de sehr schnell Informationen zu einzelnen Fehlern und Handlungsanweisungen zur Ausbesserung eines Fehlers abfragen. Die Fertigstellung der Ausbesserung kann ebenfalls ohne viel Aufwand direkt am Bauteil bestätigt und im System vermerkt werden. QSelect erfasst per Kamera, wo der Anwender mit dem Laserpointer einen Fehler markiert. 19 vis IT Industrial IoT und Edge Computing