vis IT fraunhofer iosb Smart Data in der Produktion BigData in der Produktion Das schlummernde Potenzial Diagnose in der Smart Factory

Transkript

1 fraunhofer iosb [ ] Smart Data in der Produktion BigData in der Produktion Das schlummernde Potenzial Diagnose in der Smart Factory Fehlerlokalisierung anlagenweiter Störungen Arbeitsgruppe aus Automation ML und OPC-Foundation IT-Sicherheitslabor für die industrielle Produktion ISSN

2 Impressum inhalt Liebe Freunde des IOSB, Editorial in diesem Heft nehmen wir das Leitthema»BigData«, speziell aus dem Blickwinkel von Fertigung, Montage und Logistik unter die Lupe. In der IKT wird BigData als eines der Megathe- Herausgeber Prof. Dr.-Ing. habil. Jürgen Beyerer Redaktion Sibylle Wirth Layout und graphische Bearbeitung Christine Spalek, Ellen Simon Druck E&B engelhardt und bauer Karlsruhe Anschrift der Redaktion Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB Fraunhoferstr Karlsruhe Telefon Fax presse@iosb.fraunhofer.de Fraunhofer IOSB Karlsruhe 2014 ein Institut der Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. München 15. Jahrgang ISSN Essay essay: Smart Data in der Produktion Olaf Sauer Interview BigData in der Produktion große einsatzmöglichkeiten und große Visionen Oliver Niggemann, Carolin Schönknecht Themen Das schlummernde Potenzial Jürgen Moßgraber Diagnose in der Smart factory exakte Datenerfassung für die hilscher gesellschaft für Systemautomation mbh Holger Pfrommer, Florian Pethig men diskutiert, und wir gehen in diesem Heft der Frage nach, welcher konkrete Nutzen sich daraus für die produzierende Industrie ableiten lässt. Einfach nur Daten zu sammeln reicht nicht, es muss letztlich darum gehen, Produktivitätspotentiale für die Industrie zu erschließen oder mehr Umsatz durch neue, datengetriebene Geschäftsmodelle zu generieren. Einige neue Möglichkeiten der Datengewinnung und -auswertung sind im Essay zusammengefasst. Cyber Physische Systeme und ihre Vernetzung bieten große Chancen dies unterstreicht Prof. Oliver Niggemann anhand von Beispielen aus Entwicklungs- und Industrieprojekten im Interview. Allerdings gibt es durchaus noch Forschungsbedarf auch dies wird in dem Interview deutlich. Das Fraunhofer-Anwendungszentrum Industrial Automation, seine Einbindung in das gerade im Ausbau befindliche Centrum für Industrial IT (CIIT) und die verteilte Modellfabrik in Lemgo, Karlsruhe und Ilmenau bieten ideale Forschungs- und Arbeitsbedingungen. Dass Datenaufnahme und -analyse allein nicht ausreichen, um Erkenntnisse über Zusammenhänge in der Produktion zu gewinnen, zeigt das Beispiel unseres Auswertesystems ProVis. PAULA. Dieses Systems läuft seit vielen Jahren erfolgreich in den Mercedes-Benz Werken Bremen und Wörth für die Mitarbeiter in der Produktion und auch das Management ist es eine gewinnbringende Fundgrube für produktionsbezogene Kennzahlen und Zustandsdaten einzelner Produktionsanlagen und kompletter Linien. Zusätzlich zu den oben erwähnten Verfahren zur intelligenten Analyse der gewonnenen Daten arbeiten wir gemeinsam mit Industriepartnern an weiteren Methoden und Komponenten: So haben wir gemeinsam mit der Fa. Hilscher universelle und echtzeitfähige Datenlogger entwickelt, die in der Lage sind, analoge und digitale Prozessinformationen aus einem heterogen vernetzten Automatisierungssystem zeitgenau zu erfassen. Eine der Herausforderungen ist es dabei, mehrere heterogene Netzwerke, z.b. PROFIBUS, PROFINET, EtherCAT, DeviceNET, etc., gleichzeitig zu beobachten. Prof. Dr.-ing. habil. Jürgen Beyerer Bildquellen Titel, : 12 MEV indigo Werbefotografie Manfred Zentsch : Daimler ag, BaSf ag Alle anderen Abbildungen: fraunhofer iosb Nachdruck, auch auszugsweise, nur mit vollständiger Quellenangabe und nach Rücksprache mit der Redaktion. Belegexemplare werden erbeten fehlerlokalisierung anlagenweiter Störungen in vernetzten verfahrenstechnischen anlagen Christian Kühnert gemeinsame arbeitsgruppe aus automationml und opcfoundation entwickelt companion Standard für industrie 4.0 Miriam Schleipen it-sicherheitslabor für die industrielle Produktion Birger Krägelin Ergänzend zu unseren selbstlernenden Verfahren, die die Modellierung komplexer Anlagen erleichtern, hat das IOSB ein Verfahren entwickelt, mit dem sich die möglichen Ursachen für Anomalien schneller als bislang finden lassen. Dass offene und industrietaugliche Standards erforderlich sind, um Daten zu sammeln, wird im Bericht über die gemeinsame Arbeitsgruppe von AutomationML e.v. und OPC Foundation erläutert. Aus der Kombination von Know-how über Cyber Security und Automatisierung entsteht am IOSB das IT-Sicherheitslabor für die Produktion. Auf die Möglichkeiten, die sich damit für Unternehmen ergeben, die sicher (»secure«) in der Industrie 4.0 arbeiten wollen, bieten wir einen ersten Ausblick. Karlsruhe, im Juli 2014 Prof. Dr.-Ing. habil. Jürgen Beyerer 2 3

3 Essay Essay: Smart Data in der Pro duktion zu immer umfassender instrumentierten Prozessen. Damit stehen zunächst mehr Daten zur Verfügung, was z.b. durch steigende Abtastraten der Sensorsysteme noch verstärkt wird. Des Weiteren steigt der Kommunikationsbedarf durch die zunehmende horizontale und vertikale Vernetzung und damit die verfügbare Datenmenge massiv an. Dr.-Ing. Olaf Sauer Geschäftsfeld Automatisierung Fraunhofer IOSB Karlsruhe Telefon Die Zukunft der Industrie 4.0 hat in den deutschen Werkshallen längst begonnen: Eingebettete Systeme kommunizieren über das Internet miteinander (Cyber-Physische Systeme), vernetzen sich selbständig und senden Daten über ihren Zustand zu einem beliebigen, dafür autorisierten Partner. Anwendungsfälle in der Produktion leicht ableiten: Diese CPS stecken heute in jeder Produktionsanlage, in jeder Maschine und in absehbarer Zeit auch in den meisten Maschinenkomponenten wie Sensoren und Aktoren. Neue Endgeräte wie Smart Phones, Datenbrillen oder Anwendungen in der Cloud verschmelzen virtuelle und reale Welt unmittelbar. Vernetzt werden diese Komponenten dann, wenn es technisch machbar ist und vor allem wirtschaftlicher Nutzen daraus erwächst. Softwaresysteme können das Verhalten von Produktionsanlagen diagnostizieren, das Normalverhalten abstrahieren und so später Abweichungen wie Verschleiß oder Fehler erkennen, Praxistaugliche Anwendungsfälle erforderlich Grundlage, um die sich bietenden Potenziale auszuschöpfen, sind Daten über die Fertigungs-, Montage- und Logistikprozesse, die von Sensoren und Aktoren erfasst werden. Durch die zunehmende Verfügbarkeit»intelligenter«Feldgeräte vollzieht sich ein Trend Dass die Daten, die von den CPS gesammelt werden, bei intelligenter Aufbereitung und Auswertung Nutzen bringen, lässt sich aufgrund typischer 4 Sensor- und Aktordaten von Produktionsanlagen können genutzt werden, um einen technischen Prozess automatisch auf Optimierungspotenzial bzgl. Ressourcenverbrauch wie Wasser oder Energie hin zu untersuchen, Mit neuen Diagnose- und Prognoseverfahren können aus den Daten Informationen über den Zustand der Anlagen und ihrer Komponenten, über sich schleichend verändernde Prozessparameter oder drohende Komponentenausfälle, abgeleitet werden. Auch Qualitätseinbußen oder das Eindringen von ungebetenen Angreifern in das Produktionsnetz lassen sich damit erkennen. So vermeiden Unternehmen letztlich Maschinenstillstände und verbessern ihre Anlagenverfügbarkeit. von den großen IKT-Anbietern diskutiert werden. Technische Systeme erfordern allerdings aus mehreren Gründen andere Lösungsansätze und Algorithmen als die»klassischen«anwendungsgebiete von Data-Mining: Fertigungstechnische Prozesse sind zeit- und zustandsbehaftete Systeme. Aktuelle Datenanalysemethoden berücksichtigen dies kaum; stattdessen wird oft versucht, den betrachteten Prozess derart zu reduzieren, dass die Zeitabhängigkeit vernachlässigt werden kann. BigData allein reicht nicht Das Verhalten technischer Systeme basiert letztendlich auf physikalischen Zusammenhängen. Verfahren des Data-Mining müssen daher um physikalische Modelle erweitert werden. Der dafür passende Detaillierungsgrad der Modellierung muss so gewählt werden, dass diese für das Data-Mining geeignet ist. Die Auswertung einer hohen Anzahl von Prozessgrößen besitzt einige Ähnlichkeit mit Data-Mining bzw. mit Schlagworten wie BigData, die momentan Technische Prozesse sind meist hybrider Natur ihr Verhalten zeichnet sich durch einen Mix von diskreten und kontinuierlichen Prozessgrößen aus. Aktuelle Data-Mining-Verfahren sind für hybride Systeme oft ungeeignet. Technische Systeme sind meist multimodal, ihr Verhalten ist durch die Abfolge von stark unterschiedlichen sogenannten»modes«geprägt. Data-Mining-Verfahren müssen dies explizit berücksichtigen, was aktuell jedoch nicht der Fall ist. Technische Systeme verlangen zumeist eine Reaktion nahe der Echtzeit, d.h. die Datenanalyse muss Echtzeit-Anforderungen genügen. Allein die Auswertung der Daten und vielleicht auch ihre schicke Aufbereitung in Form von aussagekräftigen Diagrammen bringen allein noch zu wenig Nutzen. Datenbasierte Geschäftsmodelle müssen erarbeitet und mit LeadKunden erprobt werden, so dass echte Innovationen in der Produktion von morgen entstehen. durch automatische Abstraktion der Prozessdaten sowie die maschinelle Interpretation und Hervorhebung relevanter Daten kann der Anlagenbediener durch geeignete AssistenzSysteme in Zukunft entlastet werden. 5

4 Interview BigData in der Produktion grosse Einsatzmöglichkeiten und grosse Visionen dem Datenvolumen von 383 Milliarden DVDs oder einem DVD-Stapel, der die 1,2-fache Distanz zwischen Erde und Mond erreicht. Wie lassen sich diese enormen Datenmengen nutzen? In der Produktion will man die anfallenden Daten z. B. für das Condition Monitoring, also das Überprüfen von Anlagen, für Predictive Maintenance, für die Wartungsoptimierung und zur Erkennung von Optimierungsbedarf (z. B. Energiebedarf) nutzen. Prof. Dr. rer. nat. Oliver Niggemann Anwendungszentrum Industrial Automation (INA) Fraunhofer IOSB Lemgo Telefon Professor Oliver Niggemann, stellvertretender Leiter des Fraunhofer-Anwendungszentrums Industrial Automation in Lemgo und Experte im Bereich der kognitiven Verfahren in der Produktion erklärt, was BigData ist, wie mit großen Datenmengen umgegangen wird und wie BigData die Forschungswelt in den nächsten Jahren beeinflussen wird. B.A. Carolin Schönknecht Presse und Öffentlichkeitsarbeit Anwendungszentrum Industrial Automation (INA) Fraunhofer IOSB Lemgo Telefon Seit der Prägung des Begriffs Industrie 4.0 ist auch immer häufiger von»bigdata«die Rede. In welcher Beziehung stehen diese beiden Begriffe zueinander? Oliver Niggemann: Industrie 4.0 und BigData sind heute eng miteinander verknüpft. Industrie 4.0 steht dabei für die Nutzung einer neuen, ausgeprägten Vernetzung. In der automatisierten Welt werden Maschinen verbunden und tauschen sich kontinuierlich aus. Sensor- und Aktor-Daten werden ebenso wie KPIs und betriebswirtschaftliche 6 Daten kontinuierlich erfasst Ziel ist das Internet der Dinge. Diese Daten sollen im Industrie 4.0-Kontext für die Selbstkonfiguration, Selbstdiagnose und Selbstoptimierung von Produktionsanlagen genutzt werden, um den Menschen bei der zunehmend komplexen Arbeit zu unterstützen. Auch bei BigData geht es um die Nutzung großer Datenmengen für Mehrwertdienste. Ursprünglich kommt der Begriff jedoch aus dem klassischen ITBereich. Jetzt hat die produzierende Branche BigData für sich entdeckt. In welchen Dimensionen kann man sich die großen in der Produktion anfallenden Datenmengen vorstellen? In unserer Modellfabrik in Lemgo erfassen wir beispielsweile ca. 23 Tbyte pro Jahr. Weltweit wurden nach einer Analyse des Fraunhofer IAIS im vergangenen Jahr rund 1,8 Zettabyte an Daten produziert. Das entspricht in etwa Gibt es hier schon erste Forschungsergebnisse? In Lemgo arbeiten wir in einigen Projekten, die sich mit der Analyse und Nutzung dieser Daten befassen. In einem Projekt mit einem Getränkehersteller messen und optimieren wir beispielsweise den Energieverbrauch in der Verpackungsabteilung des Unternehmens. Dafür haben wir eine Softwarelösung entwickelt, die selbstständig ein Modell der Anlage lernt. Während des täglichen Betriebs läuft dieses Modell mit und erkennt Abweichungen vom gelernten Normalverhalten. So kann uns die Anlage selbstständig Anomalien mitteilen. scherinnen und Forscher beispielsweise an der Entwicklung von Optimierungsverfahren für intralogistische Anwendungen. Ziel ist eine automatische Optimierung des Energieverbrauchs von Transportvorgängen wie man sie in Hochregallagern findet. Darüber hinaus gibt es auch die Möglichkeit, mit Hilfe von BigData Anlagen zeitlich zu optimieren. Im Mittelpunkt stehen immer die Unterstützung des Menschen und eine Steigerung der Effizienz. Das Feld BigData ist also sehr weit und kann von den verschiedensten Richtungen angegangen werden. Gibt es Ihrer Meinung nach noch eine zentrale Herausforderung, der sich die Forschung in den nächsten Jahren widmen muss? Heutige selbstlernende, datengetriebene Modelle von Anlagen, die zur Selbstdiagnose und Selbstoptimierung eingesetzt werden, sind nicht prädiktiv. Das heißt, sie können die Auswirkungen ihres Handels nicht vorhersagen und sie können sich nicht optimieren, indem sie potentiell bessere Konfigurationen im Sinne von»was wäre wenn...«überlegungen durchspielen. Im Sinne von ISO ist Energie ein zentrales Thema, spielt das auch eine Rolle? Ja, natürlich. Die Optimierung des Energiebedarfs ist aktuell ein wichtiger Bereich und wird von der Industrie häufig angefragt. In einem Innovationsprojekt des Spitzenclusters»Intelligente Technische Systeme OstWestfalenLippe -it s OWL«arbeiten die Lemgoer For- In Lemgo haben wir aus diesem Grund den Software-Werkzeugkasten proknows entwickelt. Mit Hilfe der Algorithmen aus der Toolbox sind wir in der Lage, schon heute Modelle des Anlagenverhaltens automatisch auf Basis diskreter und kontinuierlicher Daten zu lernen. Diese zeigen uns das Anlagenverhalten und ermöglichen eine Selbstoptimierung der Anlage sowie Vorhersagen. In verschiedenen Projekten kommen die proknows Lösungen nun zum Einsatz. Die Forschung in diesem Bereich geht aber noch weiter und wird uns sicherlich noch einige Zeit begleiten. 7

5 Themen Das schlummernde PotEnzial KONTAKT Dipl.-inform. Jürgen Moßgraber informationsmanagement und leittechnik (ilt) fraunhofer iosb Karlsruhe telefon in den Datenbanken produktionsnaher it-systeme steckt der Schlüssel für künftige unternehmenserfolge. Werden Betriebsdaten wie Störungen, Stillstände, Stückzahlen oder taktinformationen aus fertigungs- und Montageprozessen sinnvoll aufbereitet, bieten sie vielfältige Quellen zur Verbesserung betrieblicher Strukturen und zur effizienten gestaltung der Produktion. In Unternehmen mit vielen Standorten oder organisatorisch eigenständigen Geschäftseinheiten sind die von den jeweiligen Leitsystemen archivierten Daten jedoch nur wenigen Personen zugänglich. Zusätzlich wird die zielgerichtete Suche nach den tatsächlich für eine Aufgabenstellung hilfreichen Daten durch die Größe der Datenarchive sowie die Komplexität und Dynamik der Anlagenkonfiguration erschwert. Die Datenmengen resultieren aus vielen Einzelmeldungen von Produktionsanlagen und deren Speicherung über den Produktlebenszyklus. Anwender in Produktion und Management benötigen qualitativ hochwertige Informationen auf Knopfdruck, die möglichst zu aussagekräftigen Kennzahlen verdichtet sind. anforderungen Durch die enormen Datenmengen sind die technischen Anforderungen an ein unternehmensweites Auswertesystem mit entsprechenden»manufacturing Intelligence«-Logiken entsprechend hoch. Für den Input der Leitsysteme beispielsweise müssen große Datenmengen in Millisekunden aufgezeichnet werden. Auch die Generierung und Ausgabe von Auswertungstabellen oder -diagrammen an Hunderte von Nutzern zur gleichen Zeit erfordert ein auf höchste Leistung ausgerichtetes System. Außerdem muss gewährleistet sein, dass das System an die Bedürfnisse des Kunden angepasst werden kann und dass sich der Zugang zum System für jeden Nutzer, vom Management bis zum Mitarbeiter, individuell konfigurieren lässt. Die Begriffswelt des Kunden muss auf das System übertragbar sein, so dass die Nutzer die ihnen geläufigen Begriffe wiederfinden. So wird sichergestellt, dass schnell und ohne lange Einarbeitungszeit mit dem Programm gearbeitet werden kann. ProViS.Paula Ein erfolgreich realisiertes Anlagen- Informationssystem des Fraunhofer IOSB ist das, strikt auf Web-Technologien basierende Auswertesystem Pro- Vis.Paula. Dieses System erlaubt den Benutzern, aggregierte Informationen über eine fein granular konfigurierbare Oberfläche abzurufen. Jeder Anwender erhält die für ihn passende Sicht auf den Produktionsprozess vom Werker bis zum Management. Man erhält einen schnellen Überblick über aktuelle und geschätzte Veränderungen der Stückzahlen und die damit verbundenen Störungen im Produktionsprozess. Weiterhin werden Key Performance Indicators (KPIs) effizient berechnet und ermöglichen eine Bewertung des Betriebs über die Zeit. Als Basis und Entwicklungsplattform für ProVis.Paula wird das Produkt WebGenesis des Fraunhofer IOSB Beispiel einer Auswertung mehrere Schichten mit Stückzahlen und Störungen. eingesetzt. Dies hat den Vorteil, dass bestehende Komponenten wiederverwendet werden können, und das System auch als innerbetriebliches Informationssystem genutzt werden kann. Im Praxisbetrieb eines internationalen Automobilherstellers greifen mehr als 1000 Nutzer über internetfähige PCs auf den Manufacturing Intelligence- Server zu. Die Anbindung erfolgt über Standardschnittstellen; die Software ist vollständig in Java implementiert, so dass die Wahl von Betriebssystem und Datenbank dem Kunden freisteht. aktuelle forschung Durch aktuelle Forschungsthemen wie z.b. Industrie 4.0, Internet der Dinge (IoT) und BigData ergeben sich nicht nur neue Anforderungen an die IT- Landschaft eines Produktionsbetriebes durch Datengewinnung aus Cyber-Physischen Systemen, sondern es eröffnen sich auch völlig neue Möglichkeiten der Analyse von Produktionsprozessen und somit eine effizientere und flexiblere Gestaltung der Produktion. Das Fraunhofer IOSB forscht hierbei am Beispiel von ProVis.Paula u.a. an generischen Schnittstellen zur Aufnahme von heterogenen und großen Datenbeständen. Durch die Verfügbarkeit von detaillierteren und umfassenderen Daten können bessere Ergebnisse für die Ursachenanalyse und somit die Optimierung erreicht werden. Durch die Modularität und Unterstützung aktueller Standards des Systems ist eine Integration in die Systemlandschaft auch kleiner und mittelständischer Unternehmen (KMU) mit einem guten Kosten-Nutzen-Verhältnis möglich. literatur: [1] Sauer, O.: Integriertes Leit- und Auswertesystem für Rohbau, Lackierung und Montage. atp Automatisierungstechnische Praxis, 48 (2006) Heft 10, S [2] Sauer, O.: Informationstechnik in der Fabrik der Zukunft Fabrik 4.0. Zeitschrift für wirtschaftlichen Fabrikbetrieb ZWF 12/2011, S [3] Frey, C.; Heizmann, M.; Jasperneite, J.; Niggemann, O.; Sauer, O.; Schleipen, M.; Usländer, T.; Voit, M.: IKT in der Fabrik der Zukunft - Beitrag der Industriellen Informations- und Kommunikationstechnik zu Industrie 4.0. atp edition, vol. 56, Nr. 04, S , [4] Moßgraber, J.: Web-basierte Auswertesysteme für die industrielle Produktion. In: Beyerer, J.; Sauer, O. (Hrsg.): Karlsruher Leittechnisches Kolloquium 2006, Stuttgart: Fraunhofer IRB-Verlag 2006, S

6 Themen Diagnose in der Smart Factory - Exakte Datenerfassung für die Hilscher Gesellschaft für Systemautomation mbh praktische Erfahrung des IOSB-INA hat gezeigt, dass eine asynchrone, aggregierte oder mit einem Jitter behaftete Datenerfassung für das Lernen von hybriden Automaten ungeeignet ist. Sie verringert die Genauigkeit der Anomalieerkennung und kann zu Fehldiagnosen führen. Holger Pfrommer Hilscher Gesellschaft für Systemautomation mbh Telefon Abb. 1: netscope ermöglicht eine hochgenaue, dezentrale Datenerfassung. Die Selbstdiagnose von Maschinen, Anlagen und ganzen Fabriken stellt eine zentrale Anforderung der Industrie 4.0 dar. Die Inbetriebnahme von Anlagen soll beschleunigt, der Energieverbrauch reduziert und Stillstandzeiten vermieden werden. Ziel ist es, den Menschen während der gesamten Lebenszeit einer Maschine durch ein Assistenzsystem zu unterstützen. B.Sc. Florian Pethig Anwendungszentrum Industrial Automation (INA) Fraunhofer IOSB Lemgo Aktuelle Forschungsbemühungen zur Industrie 4.0 fokussieren daher die Realisierung möglichst genauer Verhaltensmodelle von Prozessen. Mit Hilfe dieser Modelle kann das Normalverhalten einer Anlage abgebildet werden. Vergleicht man die Daten dann im alltäglichen Betrieb, können Abweichungen, sogenannte Anomalien, schnell erkannt werden. Telefon florian.pethig@iosb-ina.fraunhofer.de Mit den»hybriden Automaten«wurde für diese Aufgabenstellung durch das 10 Fraunhofer-Anwendungszentrum Industrial Automation (IOSB-INA) in Lemgo eine Lösung entwickelt. Hybride Automaten erkennen selbstständig Zustände, inklusive kontinuierlicher Variablen sowie vor allem zeitliche Einschränkungen. Sie eignen sich damit ideal, um fertigungstechnische Prozesse beispielsweise auch mit dem zugehörigen Energieverbrauch zu modellieren. Wurden bislang zwei Modelle für diskrete und kontinuierliche Signale manuell mittels Expertenwissen modelliert, so ist es durch die neu entwickelten Verfahren des maschinellen Lernens nun möglich, ein kombiniertes Anlagenmodell automatisch zu generieren. Exakte Datenerfassung Um jedoch ein Produktionssystem mittels hybrider Automaten effizient modellieren zu können, müssen sehr exakte Daten direkt von den Echtzeitsystemen verwendet werden. Die Gemeinsam mit der Hilscher Gesellschaft für Systemautomation mbh wurde deshalb die Herausforderung der exakten Datenerfassung adressiert. Basis für das gemeinsame Projekt bildete die Problemstellung, dass klassische Condition Monitoring Systeme mit den neuen Anforderungen überfordert sind. Sie greifen meist auf Sensordaten wie zum Beispiel physikalische Schwingungen oder Spannungswerte zurück, welche mittels externer Messtechniken erfasst werden. Eine neue, ergänzende Datenquelle war somit das erforderliche Ziel des Projektes. Die neue Datenquelle sollte dabei den Automatisierungsprozess selbst, also die tatsächlich in der Steuerung verarbeiteten und generierten Daten, als Analysegrundlage bereithalten. In dem gemeinsamen Projekt wurde hierzu vom IOSB-INA ein Assistenzsystem entwickelt, welches das neue Produkt netscope als Zugangspunkt zum Netzwerk nutzt. Die in netscope erfassten Daten können nun mittels LabVIEW über einen mitgelieferten Gerätetreiber ausgelesen werden. Und so funktioniert es: Die Datenerfassung und -analyse beginnt bereits auf der Feldebene innerhalb einer Automatisierungszelle. Hier werden die transportierten Prozessdaten mit einer netscope Karte unmittelbar hinter der Steuerung direkt vom Automatisierungsnetzwerk erfasst. Der Abgriff auf dem Netzwerk geschieht Abb. 2: netscope von Hilscher, eine Hardware für die exakte Aufzeichnung von Prozessdaten unter LabVIEW. absolut passiv, die netscope Karte nimmt nicht aktiv an der Kommunikation teil, sondern schneidet lediglich den vorbeifließenden Ethernet-Verkehr mit und extrahiert daraus selbständig alle übermittelten Prozessdaten - sowohl in Ausgangs- als auch Eingangsrichtung. Dank der Passivität muss die netscope Karte nicht im Engineering der Anlage berücksichtigt werden. Dadurch können auch bestehende Anlagen einfach nachgerüstet werden. Die erfassten Prozessdaten können mit netscope und LabVIEW schon in der jeweiligen Automatisierungszelle analysiert werden. So kann die korrekte und optimale Funktion der einzelnen Zelle garantiert werden. Literatur: [1] Pethig, F.; Kroll, B.; Niggemann, O.; Maier, A.; Tack, T.; Maag, M.: A Generic Synchronized Data Acquisition Solution for Distributed Automation Systems. In: 17th IEEE International Conference on Emerging Technologies & Factory Automation (ETFA), Kraków, Poland, Sep [2] Pethig, F.; Niggemann, O.: A Prccess Data Acquisition Architecture for Distributed Industrial Networks. In: Embedded World Conference 2012, März 2012, Nürnberg [3] Pethig, F.; Pfrommer, H.: Diagnose in der Smart Factory. In: Computer&Automation, 1/2014, Lemgo, Germany, Jan 2014 [4] Faltinski, S.; Flatt, H.; Pethig, Florian; Kroll, B.; Vodencarevicc, A.; Maier, A.; Niggemann, O.: Detecting Anomalous Energy Consumptions in Distributed Manufacturing Systems. In: IEEE 10th International Conference on Industrial Informatics, 2012, Beijing, China [5] Gilani, S.-S.; Windmann, S.; Pethig, F.; Kroll, B.; Niggemann, O.: The Importance of Model-Learning for the Analysis of the Energy Consumption of Production Plant. In: 18th IEEE International Conference on Emerging Technologies & Factory Automation (ETFA), Cagliari, Italy, Sep

7 Themen Fehlerlokalisierung anlagen weiter Störungen in vernetzten verfahrenstechni schen Anlagen Erfolgreicher Test im Labor: Automatisiertes Erkennen kausaler Zusammenhänge in Messdaten: Abb. 1: Moderne Industrieanlage: Durch die Vernetzung einzelner Anlagenteile kann ein Fehler zu prozessweiten Störungen führen. Die tatsächliche Fehlerursache ist dann schwer zu lokalisieren. Moderne verfahrenstechnische Anlagen besitzen in der Regel eine große Anzahl an Prozessgrößen und zeichnen sich durch eine wachsende Vernetzung einzelner Anlagenteile aus. Diese Vernetzung führt allerdings dazu, dass ein Fehler in einem zentralen Anlagenteil unter Umständen zu einer Alarmflut führt, da die eingetretene Störung durch den Prozess propagiert. Dr.-Ing. Christian Kühnert Mess-, Regelungs- und Diagnosesysteme (MRD) Fraunhofer IOSB Karlsruhe Telefon Bei abnormalem Prozessverhalten erhalten Anlagenführer dann eine Vielzahl von Alarmen angezeigt, bei denen es sich größtenteils um unwichtige Folgefehler handelt. Die tatsächliche Fehlerursache wird hierdurch verschleiert. Anlagenführer müssen dann die wichtigsten Alarme selektieren, um die tatsächliche Ursache der Störung detektieren zu können. Die Analyse der auftretenden Alarmflut kostet allerdings wertvolle Zeit und wichtige Entscheidungen müssen unter einem erhöhten Stresslevel getroffen werden, um einen 12 potentiellen Schaden von der Anlage abzuwenden. Daher ist ein Alarmmanagement von Nutzen, welches dem Anlagenführer hilft, die Prozessgrößen zu detektieren, welche sich am nächsten an der Störungsursache befinden. Die Aufmerksamkeit kann so auf diese Größen gerichtet und die Fehlerursache effizient lokalisiert werden. Prioritätsliste für die Lokalisierung des Fehlers erstellt. Prozessgrößen, welche in der Prioritätsliste weit oben stehen, kommen dann als mögliche Fehlerursache in Betracht und werden dem Anlagenführer mit erhöhter Priorität angezeigt. Hierdurch ist es dem Anlagenführer möglich, schnell notwendige Gegenmaßnahmen einzuleiten und somit einen Produktionsausfall oder möglichen Schaden von der Anlage abzuwenden. Im Gegensatz zu analytischen Ansätzen ist kein A-Priori-Wissen über die Anlagenstruktur notwendig und das Verfahren kann mit geringem Aufwand in den Betrieb des Prozesses eingefügt werden. Das entwickelte Konzept für ein intelligentes Alarmmanagement wurde erfolgreich anhand mehrerer Fehler an einem Laborprozess untersucht [2]. Beispielhafte Störungen, bei denen die Fehlerursache erkannt wurde, waren das Klemmen eines Ventils, Störungen in der Förderrate einer Pumpe oder das Zusetzen eines Zuleitungsrohres. In allen Fällen war es möglich, die Fehlerursache zu lokalisieren und den Störungspropagationspfad zurückzurechnen. Des Weiteren wurde das entwickelte Verfahren erfolgreich prototypisch an einem rheologischen Industrieprozess getestet. Abbildung 2 zeigt hier den rekonstruierten Störungspropagationspfad der Anlage, über den sich die letztendliche Störungsursache identifizieren lässt. Abb. 2: Rekonstruierter Störungspropagationspfad eines Industrieprozesses. ϑa ist der Wurzelknoten und stellt somit die Fehlerursache dar (Bildquelle IOSB). Literatur [1] Kühnert, C.; Gröll, L.; Heizmann, M.; Mikut, R.: Methoden zur datengetriebenen Formulierung und Visualisierung von Kausalhypothesen, AT-Automatisierungstechnik, 2012 [2] Kühnert, C.: Data-driven Methods for Fault Localization in Process Technology, Dissertation, KIT Scientific Publishing, ISBN: , 2013 Am Fraunhofer IOSB wurde hierzu ein intelligentes Alarmmanagement entwickelt, welches datengetrieben anlagenweite Störungen analysiert und diejenigen Prozessgrößen selektiert, welche sich in der Nähe der Fehlerursache befinden. Der hierbei verfolgte Ansatz nutzt Zeitverschiebungen in den Messdaten aus, welche in der Anlage beispielweise durch Prozessdynamiken oder in Form von Totzeiten auftreten. Durch den Einsatz spezieller entwickelter Verfahren [1] lassen sich bei einer anlagenweiten Störung zunächst vorhandene kausale Zusammenhänge in den Messdaten erkennen. Im nächsten Schritt wird der Propagationspfad der Störung zurückgerechnet und eine Zur Fehlerlokalisierung in vernetzten Anlagen scheiden klassische Diagnoseverfahren, welche auf der analytischen Modellierung der physikalischen Zusammenhänge basieren, allerdings häufig aus. Der hohe Entwicklungsaufwand ist in den meisten Fällen unrentabel. Als Alternative zu den analytischen Modellen können aber datengetriebene Methoden eingesetzt werden, welche in der Lage sind, kausale Zusammenhänge in Messdaten zu erkennen. Hierüber kann der»fehlerpropagationspfad«zurückgerechnet und die tatsächliche Fehlerursache erkannt werden. 13

8 Themen Gemeinsame Arbeitsgruppe Des AutomationML e.v. und Der OPC Foundation IT-Sicherheitslabor für die industrielle Produktion Aus einer Videosequenz (Ausschnitt links oben) wurde eine Tiefenkarte berechnet (rechts), die als Grundlage für eine Oberflächenmodellierung mit Flächensplines (links unten) dient. KONTAKT Dr. Miriam Schleipen Informationsmanagement und Leittechnik (ILT) Fraunhofer IOSB Karlsruhe Telefon Standardisierung ist eine der Hauptherausforderungen, um Industrie 4.0 umzusetzen. Dies geht unter anderem aus einer Tendenzbefragung von BITKOM, VDMA und ZVEI zu Industrie 4.0 hervor. Aus Sicht des IOSB ist es sinnvoll, dabei auf offene und bereits heute verfügbare Standards zu setzen, damit auch kleine und mittelständische Unternehmen Standards sofort nutzen können. Darum hat das IOSB gemeinsam mit den beiden Organisationen AutomationML e.v. und der OPC Foundation eine Arbeitsgruppe ins Leben gerufen, die einen möglichen Industrie 4.0-Standard beschreibt: Eine wesentliche Anforderung an die IKT-Architektur in der Industrie 4.0 ist die Fähigkeit, sich an Änderungen anzupassen sei es, dass neue Anlagen oder Produktionsprozesse in das System eingebracht werden oder bestehende Produktionssysteme verändert werden, z.b. weil eine Produktvariante zusätzlich gefertigt werden soll. Dabei ist die zentrale Idee, dass Mechanismen der Selbstbeschreibung in Bezug auf Funktionalität, Identifizierung, Selbstaufbau der Kommunikation und geregeltem Datenaustausch genutzt werden, wenn neue Komponenten, Maschinen oder Anlagen in ein Produktionssystem eingebracht werden oder sich softwarerelevante Änderungen in der Produktion ergeben. Ein Beispiel ist die Kommunikation und Operationalisierung des reinen Engineering-Beschreibungsformats AutomationML durch die Integration in ein OPC UA Informationsmodell. Dadurch können OPC UA Server-Adressraum- modelle basierend auf AutomationML aufgebaut werden und die Semantik, die in AutomationML beschrieben wird, in OPC UA im laufenden Betrieb genutzt werden. Ein weiteres Beispiel ist die Beschreibung von OPC UA-Systemkonfigurationen innerhalb von AutomationML-Modellen. So können die Konfigurationsdaten und Parameter, um eine OPC UA Kommunikation aufzubauen, systemunabhängig beschrieben und ausgetauscht werden. Hersteller von Automatisierungskomponenten werden so befähigt, Eigenschaften und Fähigkeiten als AutomationML-Objekte direkt auf ihren Komponenten zu speichern. Parallel zur physischen Integration stehen sie damit als OPC UA Informationsmodell direkt in der Steuerung zur Verfügung. Durch die physische und informelle Integration wird eine Zeitersparnis von rd. 20 Prozent bei Erstinbetriebnahme, Instandhaltungstätigkeiten und Änderungen der Produktion möglich. Noch höhere Potenziale lassen sich ausschöpfen, wenn Daten, die zur Konfiguration eines MES benötigt werden, aus den vorgelagerten Engineering-Systemen als AutomationML-Objekte direkt in OPC UA Informationsmodellen abgelegt werden. Teilnehmer der Arbeitsgruppe: Ascolab, CENIT, Beckhoff, FESTO, Siemens und Unified Automation sowie automatisierungsnahe Forschungseinrichtungen. Weitere Infos: Literatur [1] Kagermann, H.; Wahlster, W.; Helbig, J. (Hrsg.): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0 Abschlussbericht des Arbeitskreises Industrie 4.0. Sicherheit (Security) ist eines der erfolgskritischen Themen, das als Voraussetzung für funktionierende und umfassende Industrie 4.0- Lösungen bearbeitet und sichergestellt werden muss. Der Arbeitskreis Industrie 4.0 hat in seinen Handlungsempfehlungen die damit verbundenen Herausforderungen formuliert. Das Fraunhofer IOSB baut darum ein IT-Sicherheitslabor für Industrieanlagen mit einer typischen automatisierungstechnischen Infrastruktur auf: vom Feldgerät über SPSen bis zum MES- System in einer»private cloud«sind alle praxisrelevanten Komponenten in diesem Labor enthalten. Diese»Modellfabrik«wird an weitere Standorte des IOSB angebunden (Lemgo, Ilmenau), so dass auch standortübergreifende Lieferketten und deren Angreifbarkeit untersucht, demonstriert und behoben werden können. Das IT-Sicherheitslabor dient als Testumgebung, um Komponenten und deren Konfigurations- und Laufzeitdaten in der Fabrik der Zukunft umfassend zu schützen. Neben Beratung und Planung bietet das IOSB seinen Kunden spezifische Sicherheitsuntersuchungen sowie die Entwicklung neuer Sicherheitstechnologien für vernetzte Industrieanlagen an. Die Absicherung der sogenannten»cyber-physical-systems«und das»internet der Dinge«stehen dabei besonders im Fokus des IT-Sicherheitslabors. Schwerpunkt der Arbeiten der Sicherheits- und Automatisierungsexperten des IOSB liegen darin, Angriffstechniken zu analysieren, Schwachstellen in Produktionsnetzen zu ermitteln und Lösungen zur Darstellung des Sicherheitszustandes von Anlagen (Security Monitoring, Lagebilderstellung) zu entwickeln. Eine besondere Expertise liegt dabei im Einsatz von Cloud-Techniken und in der datenschutzkonformen Gestaltung von Sicherheits- und Überwachungsmaßnahmen. Ein eigenes Hochsicherheitslabor erlaubt dabei auch die Untersuchung von besonderen Angriffstechniken und entsprechend gefährlichen Schadprogrammen, sowie die Entwicklung neuer Methoden zur Identifikation von Schwachstellen (Penetration Tests, Vulnerability Tests). Das IT-Sicherheitslabor für Industrieanlagen des IOSB vernetzt sich auch international und arbeitet mit Experten aus Wissenschaft und Industrie eng zusammen. Dazu wird es eingebunden in die Hightech- Strategie der Bundesregierung und ist an Standardisierungsprozessen zur IT-Sicherheitstechnologie beteiligt. Das IOSB bringt hier auch seine Beteiligung an KASTEL ein, dem Kompetenzzentrum für Angewandte Sicherheits- TEchnoLogie, das eines von deutschlandweit drei Forschungszentren für Cybersicherheit ist. KONTAKT Dipl.-Inform. Birger Krägelin IT-Sicherheitsbeauftragter Fraunhofer IOSB Karlsruhe Telefon

9 Karlsruhe fraunhofer-institut für optronik, Systemtechnik und Bildauswertung iosb fraunhoferstraße Karlsruhe telefon fax info@iosb.fraunhofer.de ettlingen fraunhofer-institut für optronik, Systemtechnik und Bildauswertung iosb gutleuthausstr ettlingen telefon fax ilmenau fraunhofer iosb, institutsteil angewandte Systemtechnik ast am Vogelherd ilmenau telefon fax info@iosb-ast.fraunhofer.de lemgo fraunhofer iosb-ina anwendungszentrum industrial automation langenbruch lemgo telefon fax juergen.jasperneite@iosb-ina.fraunhofer.de Beijing representative for Production and information technologies unit 0610, landmark tower ii 8 north Dongsanhuan road chaoyang District Beijing, Pr china telefon fax muh@fraunhofer.com.cn