Industrie 4.0: Symposium an der RFH Köln

Copyright by Brockhaus GmbH, alle Rechte reserviert, unautorisierte Vervielfältigung untersagt
Industrie 4.0
Software-Lösungen im
Maschinen- und Anlagenbau
Symposium „Industrie 4.0 konkret“
an der Rheinische Fachhochschule Köln

2
Who am I?
Dipl.-Kfm. Matthias Bohnen
✔ Geschäftsführender Gesellschafter Brockhaus GmbH,
Heidelberg und Brockhaus Consulting GmbH, Wiesbaden
✔ Software Architekt und/oder Entwicklungsleiter bei
versch. MES Projekten im Maschinenbau
✔ Mitglied des Industrie 4.0
Innovationsteams der cellent AG
✔ Lehrbeauftragter im Software Engineering an versch.
Hochschulen
(auch der Rheinischen Fachhochschule Köln )

Industrie 4.0
Die vierte industrielle Revolution
Daten sind das Öl des 21. Jahrhunderts. Im Unterschied zu Öl gehen Daten
auch nicht aus, sondern werden immer mehr. Wichtig ist es, nicht nur eine
Menge Daten zu haben, sondern diese richtig aufbereitet und visualisiert zu
bekommen.
--- Stefan Ferber, Robert Bosch AG
Die Vision wäre, aus meiner Sicht, viel mehr über die aktuelle Realität im
Shopfloor zu wissen und damit eine bessere und aktuellere
Entscheidungsgrundlage für alle Produktions-Akteure zu schaffen
--- Dieter Spath, Fraunhofer IAO

Industrie 4.0
Die vierte industrielle Revolution
Der Fokus im im Maschinenbau muss sich von der Hardware zur
Invormationsverarbeitung verschieben … nennen wir es Software
--- Prof. Dr. Detlef Zühlke / DFKI (Saarbrücken)

Das Beispielszenario
Ebenen der vertikalen Integration: ERP, MES, Shopfloor und die
ISA 95

Ausgangssituation
Folgende Randbedingungen waren in allen Projekten
(kundenseitig sowie prototypisch / evaluierend) zu beachten:
✔ Keine Lizenzkosten, ausschließliche Verwendung von Open Source
Technologien.
✔ Geringe Kosten durch Hardware (es handelte sich u.a. um
Prototypen, die auf Technologiemessen
ausgewählten Kunden gezeigt wurden).
✔ Hohe Integration in den bestehenden
kundenseitigen Technologiestack
(hier Java EE 6 und JBoss).

Das Beispielszenario
schematisierte Taktfertigung
Siematic S7
Station BStation A
Lichtschranke
Förder-
einrichtung

Anwendungsszenarien

Anwendungsszenarien
Folgende Szenarien waren Gegenstand verschiedener Projekte
im Kundenumfeld
✔ Überwachung und Steuerung der Produktion mittels mobiler
Endgeräte
✔ Speicherung und Auswertung von
Sensordaten aus der Produktion
✔ Verfolgung von Produktions-
aufträgen im Produktionsprozess

Szenario I
Überwachung und Steuerung
der Produktion mittels
mobiler Endgeräte

Mobile Endgeräte
Bedeutung
Damit der Mensch mit
der Produktionssteuerung
oder der Maschine inter-
agieren kann, muss
die mobile Assistenz zu-
nehmen.
Bei einer Fehlermeldung
einer Maschine kann sich
das ›iProductionPad‹ vor Ort
vernetzen und den Fehlerspeicher auslesen und interpretieren.
Das ›iProductionPad‹ kann Temperaturen oder Frequenzen der Maschine
messen, Anweisungen geben und deren Zustand sehr schnell analysieren und
diagnostizieren.
--- Prof. Dr. Gunter Reinhard, TUM

Mobile Endgeräte
Integration mobiler Endgeräte: Steuerung
✔ Ablösung kostenintensiver Touch-Panels beim Endkunden
(Reduktion um 80%)
✔ Arbeitserleichterung bei Einrichtung und Wartung
✔ OPC DA bzw. proprietäre Eigenentwicklung des Kunden zur
Maschinenkommunikation
➢ Im Fall OPC DA utgard / eclipseSCADA Clients
➢ Interne Weiterentwicklung mit OPC UA, hier
prosys (100% Java) auf der Server und
Client-Seite

Mobile Endgeräte
Siematic S7
Integrationsbus
Bluetooth
Beacon
Lokalisierung basierend auf RSSI

Mobile Endgeräte
✔ Die Umsetzung beim Kunden ...
https://vimeo.com/107448682

Integration mobiler Endgeräte: Überwachung
✔ Ablösung kostenintensiver Touch-Panels beim Endkunden
(Reduktion um 80%)
✔ Arbeitserleichterung bei Einrichtung und Wartung
➢ Zzgl. zu OPC / OPC UA auch MQTT
➢ Open Source MQTT Broker HiveMQ
➢ Open Source MQTT Client eclipse Paho
Mobile Endgeräte

Mobile Endgeräte
Integration mobiler Endgeräte:
Steuerung & Überwachung (LeanVISU)
Siematic S7
Integrationsbus
OPCMQTT
Factory Publication
Pattern
(IBM)

Integration mobiler Endgeräte: Quick-Info
✔ Nach Steuerung und Überwachung weitere ad-hoc Informationen
➢ zu aktuellem Maschinenzustand (grafisch visualisiert)
➢ Technische Dokumentation
✔ Erweiterung des Integrationsframeworks um
➢ Datei- Schnittstellen (Java NIO2), Web Services (REST / SOAP), JMS,
RMI, MQTT, OPC, …
➢ Daten-Konvertierung (JSON/XML),
Speicherung (relational, Big Data)
➢ Push-Notification zu Web-Clients
➢ Flexible Konfiguration mittels Spring DI
➢ Alternativen wie ESB oder Apache Camel
wurden in Betracht gezogen
Mobile Endgeräte

Integrationsbus
Mobile Endgeräte
Integration mobiler Endgeräte:
Überwachung (Quick Info) und technische Information
Siematic S7
OPCMQTT

Szenario II
Speicherung und Auswertung
von Sensordaten

Warum?
Auswertung der Daten hinsichtlich:
✔ MES KPIs wie im VDMA Einheitsblatt 66412 beschrieben:
➢ Verfügbarkeit, Effektivität
➢ Produktqualität insbes. i. Verbindung mit Tracking & Tracing
✔ (Predictive) Maintenance:
➢ Überwachung der Maschinenzustände und belastungs-
abhängiger Wartungsintervalle
➢ Verarbeitung komplexer Ereignisse
➢ Mustererkennung in den Daten zwecks Voraussage
von Störungen und Defekten
(aber: die Programmierung der Daten zu
mathematischen Modellen ist harte Arbeit)

Das Problem
Time Series Data und relationale Datenbanken
passen nicht (gut) zusammen:
✔ Datenmenge und Geschwindigkeit des
Auftretens sind enorm
✔ Daten sind ggf. verteilt
✔ Datenmodell ist extrem simpel, keine
Notwendigkeit für referentielle Integrität, Relationen usw.
Sensor ID
Zeitstempel
Wert
Zeitstempel
Wert
100 ms 'Taktung': 26.298.000 Werte pro Monat
1 min 'Taktung': 43.830 Werte pro Monat
1h 'Taktung': 740 Werte pro Monat

Data Acquisition
Speicherung von Sensordaten
Siematic S7
Integrationsbus
Amazon EC2
lokal LAN
Cloud
OPCMQTT
Cassandra is really good for time-series data
because you can write one column for each period
in your series and then query across a range of time
using sub-string matching.
This is best done using columns for each period
rather than rows, as you get huge IO efficiency
wins from loading only a single row per query.
– MyDrive Telemetry
(15 billion records on average)

Sind die Daten einmal gespeichert ...
… will man sie auch verarbeiten (s.o.)
✔ Ohne relationale Datenbank auch kein SQL, Apache Cassandra
bietet SQL-like CQL
✔ Daten sind ggf. verteilt
✔ Performance, Performance, Performance

Data Acquisition
Auswertung von Sensordaten: Qualität und Trends
Integrationsbus
Amazon EC2
Lokal LAN
Cloud
OPCMQTT

… will man sie auch verarbeiten (s.o.)
✔ Complex Event Processing und Event-driven Architecture
➢ Daten werden zum Zeitpunkt ihres Entstehens und nicht nach ihrer
Speicherung verarbeitet
➢ Das System reagiert (asynchron) auf Ereignisse

26
Master Thesis: Industry 4.0, CEP and Big Data
Joint Master Thesis in the field of Complex Event Processing and Big Data Storages
in production lines within the automotive industries
The master thesis of Steffen Templin was done
in collaboration of Dürr Systems, University of
Siegen and Brockhaus Group.
• Real-time analysis of complex events from
several streams / sensors in production
processes
• Storing large amounts of sensor data in
NoSQL datastores
• Prototypical implementation using
OpenSource technologies (WSO2 CEP /
ESB, MongoDB)
Consulting/ Development
Training / Coaching
Research / Academia



Szenario II
Verfolgung von Produktionsaufträgen
im Produktionsprozess

… will man sie auch verarbeiten (s.o.), dazu gehört auch
✔ produkt- / auftragsbezug der Sensordaten zwecks:
➢ Qualitätsüberwachung,
➢ Nachkalkulation,
➢ …
✔ Tracking & Tracing der Produktionsaufträge
✔ Hardware:
NFC mit Raspberry Pi (50 EUR/St.)
oder Mobile mit NFC Reader/Writer

Tracking und Tracing
Überwachung des Produktstatus mittels NFC
Siematic S7
MES
Integrationsbus
Detailed
Scheduling
Resource
Management
Tracking
Dispatching
Definition
Management
Data
Collection
Execution
Analysis

Resümee

Resümee
Zusammengefasst:
✔ Software-Technologien sind alle vorhanden und einsatzfähig
✔ Eintrittsschwelle ist (eigentlich)
gering

Resümee
Die subjektive Wahrnehmung:
➢ Thema ist von großen
allgemeinem Interesse, jeder
sortiert sich
➢ Maschinenbau in seiner Breite
i.d. Umsetzung eher zögerlich,
einige Vorreiter existieren
➢ Mindshift oftmals auf Management-
ebene nicht erfolgt
(1% mehr Effizienz ist besser als
30% mehr Serviceumsatz)
➢ Kleine Unternehmen oder Branchen-
riesen (SAP, Siemens, T-Systems, …)
der ITK Industrie dominieren die
SW-Seite, der Mittelstand zögert
häufig noch.
Die Software wird fortan einen
immer größeren Teil der Wertschöpfung
vereinnahmen und Kundengelder
abgreifen -
auf diesem Terrain haben hiesige
Maschinenverehrer bislang wenig
vorzuweisen.
Wenn Geld ausgegeben wird, dann
häufig für die falschen Dinge. Rund 650
Millionen Euro wollen die wichtigsten
zwölf Branchen der deutschen
Wirtschaft im kommenden Jahr
in 4.0-IT investieren, davon allerdings
nur 80 Millionen in die Produktion
von Software - Voraussetzung für ein
Überleben in der neuen Industrieära.
--- Manager Magazin

Referenzprojekte

Windmill Park
3. ANOMALY
PREDICTION AND
DETECTION
2. MODELLING
e.g. temperature
1. CLUSTERING, e.x.
based on wind turbine
performance
Groups of wind
turbines with
similar
performance
Temperature modeling and prediction
based on SCADA dataset, under normal
operating conditions.
 e.g. Generator/Gearbox: bearings
temperature
Wind farm anomaly detection based on
those temperatures related to the failure:
 e.g: bearing temperature monitoring
Too high % of deviation on
temperature X regarding
baseline (the farm, the model).
Dangerous for the Generator
performance.Client: INGETEAM
Analyzing current sensor values for modeling and predictive maintenance

Machine tool
Motorize internal signal (like electric consumption) for predict fails in heads and
lineal guides.

36
MES System for Automotive Supplier
Architectural lead on ISA 95 compliant MES System realized with Java EE
The existing solution came to an end in
terms of maintainability and technologies.
The customer asked for a modern solution
catering all needs.
• Training internal teams
• Defining the a new architecture
• Implementation lead
• Staffing of development teams
Implemented for:
• Honda / Ohio
• Volkswagen / Wolfsburg
• Ford / China, Thailand, Turkey and India
Training / Coaching
Research / Academia



37
MES System for Film-stretching industry
Architectural lead on ISA 95 compliant MES System realized with Java EE and Big Data
The existing solution was build by different
vendors and not according to modern
requirements.
The new solution should be re-build based
upon standards like ISA 95 and latest
technologies.
• Training of internal teams
• Defining the a new architecture
• Implementation lead of
distributed teams in
Germany and Romania
• Staffing of development
teams
Training / Coaching
Research / Academia



38
Software Architecture: Review
Architectural review of the application related to planning the production of
the powertrain components of a car manufacturer in Germany
The existing solution was older than 16 years,
maintenance and improvement were almost
impossible due to technical debts.
• Evaluating the existing architecture
• Identification of problematic hot spots
• Defining an optimization strategy
• Developing the new reference architecture
Training / Coaching
Research / Academia



39
eConvey: Operating and supervising conveyors
Implementing a new, mobile solution for operating and supervising
conveyors in the automotive sector (mass production)
The existing solution was operated by 250+
touch screens, the mobile solution was
developed to replace several of these.
Based upon direct OPC interaction the
solution allows:
• to operate the conveyors
(< 5 ms latency),
• to localize the operator (Bluetooth LE),
• to vizualize the current state of the
conveyor(s) by means of a VISU
• to retrieve additional information
by QR-Codes
Training / Coaching
Research / Academia



40
Master Thesis: Industry 4.0, CEP and Big Data
Joint Master Thesis in the field of Complex Event Processing and Big Data Storages
in production lines within the automotive industries
The master thesis of Steffen Templin was done
in collaboration of Dürr Systems, University of
Siegen and Brockhaus Group.
• Real-time analysis of complex events from
several streams / sensors in production
processes
• Storing large amounts of sensor data in
NoSQL datastores
• Prototypical implementation using
OpenSource technologies (WSO2 CEP /
ESB, MongoDB)
Training / Coaching
Research / Academia



41
Contact information:
Brockhaus Consulting GmbH
Gustav Stresemann Ring 1
D - 65189 Wiesbaden
Germany
Fon: +49-611-97774-332
Fax: +49-611-97774-432
Web: www.brockhaus-gruppe.de
Mail: office@brockhaus-gruppe.de

Industrie 4.0: Symposium an der RFH Köln

Weitere ähnliche Inhalte

Andere mochten auch

Ähnlich wie Industrie 4.0: Symposium an der RFH Köln

Mehr von Brockhaus Consulting GmbH

Industrie 4.0: Symposium an der RFH Köln