Projekt „KOSMoS“

Kollaborative Smart-Contracting-Plattform für digitale Wertschöpfungsnetze

Projekt „KOSMoS“

Die derzeit übliche Datenerfassung und -analyse von Produktionsanlagen im Bereich des Industrial Internet of Things (IIoT) ermöglicht es Unternehmen, detaillierte Informationen über ihre eigenen Prozesse und Produkte zu sammeln. Die gewonnenen Informationen können dann zur Optimierung der firmeninternen Produktion verwendet werden. Das Projekt KOSMoS, das durch das Bundesministerium für Bildung und Forschung gefördert wird, hat das Ziel, produzierende Unternehmen miteinander zu verbinden und damit ein sicheres, digitales Wertschöpfungsnetz über die Unternehmensgrenzen hinweg zu schaffen. Im Konsortium der neun Projektpartner ist inovex der Experte für Data Management und Analytics.

Data Science & Machine Learning

Für die Industrie als Anwender von Datenanalysen und Machine Learning bietet KOSMoS die Möglichkeit, die eigene Produktion effizienter, flexibler, schneller und damit konkurrenzfähiger zu gestalten. Maschinelles Lernen basiert auf Mustererkennung und erzeugt anhand wiederkehrender Merkmale und Beziehungen eigenständig neues Wissen aus Erfahrungswerten und Historien. Durch die Analyse der gesammelten Kunden-, Log- und Sensordaten können neue Angebote und datenbasierte Geschäftsmodelle etabliert werden, wie beispielsweise transparente Wartungskonzepte, dynamisches Leasing oder ein Qualitätsnachweis ausgelieferter Produkte. Vorteile können sich beispielsweise durch einen geringeren und effektiveren Wartungsaufwand, eine effizientere nutzungsbasierte Leasingrate oder einen optimierten Produktionsprozess bemerkbar machen. inovex bearbeitet im KOSMoS-Projekt insbesondere diese analytischen Fragestellungen.

IIoT: Vernetzte Maschinen für eine intelligente Produktion

Die Vernetzung von Maschinen, intelligenten Computern und anderen Geräten im industriellen Umfeld führt zu einer immer größer werdenden Menge an produktionsrelevanten Daten, die erhoben, verarbeitet und verfügbar gemacht werden können. Für einen funktionierenden Austausch zwischen den verschiedenen Plattformen sind neben den eingesetzten Sensoren und Smart Devices auch standardisierte Protokolle wie OPC UA und MQTT von großer Bedeutung. Die generierten Daten liegen häufig zwar sehr hochfrequent, hochdimensional und im Sinne von Big Data vor, jedoch existieren in der Regel nur wenige Data Samples. Um auf den erhobenen Daten intelligente Prozesse wie Fehlerüberwachung oder Predictive Maintenance aufzubauen und hierdurch die Vision einer intelligenten Produktion zu verwirklichen, sind spezielle Methoden und Algorithmen gefragt. Sowohl im Data Engineering als auch in der Algorithmik bringt inovex seine Kompetenz ins KOSMoS-Projekt ein.

Predictive Maintenance: Optimale Maschinennutzung

Eine der Kernkompetenzen des IIoT ist Predictive Maintenance (zu Deutsch: „Vorausschauende Wartung“). Predictive Maintenance ist als Erweiterung des klassischen Ansatzes zu verstehen, Wartungen innerhalb festgelegter Intervalle durchzuführen. Dabei werden die durch das IIoT erhobenen Daten mit entsprechenden Data-Science- und Machine-Learning-Ansätzen automatisiert analysiert und entsprechende Handlungsanweisungen und -empfehlungen ausgegeben. Die intelligente Planung von Wartungen ermöglicht es den Unternehmen, nicht nur ungewollte Produktionsstillstände zu vermeiden, sondern auch die Maschinen in ihrem optimalen Leistungszustand zu betreiben. Im KOSMoS-Projekt unterstützt inovex die Anwendungspartner dabei, für ihre konkreten Anwendungsfälle analytische Lösungsansätze zu finden und umzusetzen.

Blockchain: Gegenseitiges Vertrauen schaffen

Ein zusammenhängendes Wertschöpfungsnetz, in dem kooperierende Firmen firmenübergreifend Produktions- und Prozessdaten austauschen, kann Mehrwerte für jeden beteiligten Partner erzeugen, sofern ausreichend Vertrauen besteht. Eine Blockchain ist ein Datenspeicher, der nicht nur von einer Firma verwaltet wird, sondern gleichzeitig dezentral und transparent bei allen Geschäftspartnern vorliegt und somit aus technischer Sicht ein Netz verteilter, voneinander unabhängiger Server darstellt. Die Verkettung der Datensätze, sowie die Einigung aller Netzwerkknoten über einen sogenannten Konsensus-Algorithmus bezüglich der Korrektheit von Zuständen verhindert eine nachträgliche Umkehrbarkeit und Manipulation der Daten.

Innerhalb der Blockchain lassen sich sogenannte „Smart Contracts“ implementieren. Diese stoßen – ausgelöst durch einen Daten-Schwellwert oder eine andere Aktion – einen Prozess an, der auf Basis manipulationssicher gespeicherter Daten automatisiert weitere Prozesse innerhalb einer Wertschöpfungskette ermöglicht. Auf diese Art und Weise können Verträge abgebildet, abgewickelt, überprüft und gleichzeitig Transaktionskosten gesenkt sowie Vertragssicherheiten gesteigert werden.

Machine Learning im produktiven Einsatz

Aufgrund der Vielzahl unterschiedlicher Komponenten, insbesondere Machine Learning Libraries und Tools, existieren selbst unter Tech-Giganten unterschiedliche Meinungen darüber, welche die besten Ansätze für Pipelines im produktiven Einsatz sind. Im Rahmen von KOSMoS forscht inovex an Architektur-Konzepten, mit denen sich modulare Datenverarbeitungs- und Machine-Learning-Komponenten sicher und zuverlässig nicht nur in der Cloud, sondern auch „at the edge“ oder „in the fog“, also deutlich näher am „Hallenboden“ betrieben werden können. Dabei wird ebenfalls untersucht, an welchen Stellen im Datenmanagement-Prozess die Blockchain wie auch Smart Contracts sinnvoll eingesetzt werden können.

Projektpartner

ASYS Automatisierungssysteme GmbH, Dornstadt

ASYS Automatisierungssysteme GmbH, Dornstadt

Schwerpunkt: Wartungskonzepte; Produktbegleitender Qualitätsnachweis

Zur ASYS Website
Datarella GmbH, München

Datarella GmbH, München

Schwerpunkt: Entwicklung von Blockchain und Smart Contracts

Zur Datarella Website
Frankfurt School Blockchain Center, Frankfurt

Frankfurt School Blockchain Center, Frankfurt

Schwerpunkt: Blockchain Entwicklung; Unternehmensübergreifende Geschäftsmodelle

Zur Frankfurt School Website
Institut für Cloud Computing und IT-Sicherheit, Furtwangen

Institut für Cloud Computing und IT-Sicherheit, Furtwangen

Schwerpunkt: Datenschutz / Security bei Erfassung von Produktionsdaten

Zur HFU Website
inovex GmbH, Karlsruhe

inovex GmbH, Karlsruhe

Schwerpunkt: Analyseservices für erfasste Daten; Predictive-Maintenance-Lösung

Zur Startseite
Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW), Stuttgart

Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW), Stuttgart

Schwerpunkt: Prozessmodellierung; Verknüpfung digitaler + physischer Komponenten

Zur ISW Stuttgart Website
Ondics GmbH, Esslingen

Ondics GmbH, Esslingen

Schwerpunkt: Edge-Lösungen für Kommunikation zwischen Shopfloor und Blockchain

Zur Ondics Website
Alfred H. Schütte GmbH & CO. KG, Köln

Alfred H. Schütte GmbH & CO. KG, Köln

Schwerpunkt: Unternehmensübergreifende, transparente Wartungskonzepte

Zur Alfred H. Schütte Website
Schwäbische Werkzeugmaschinen GmbH, Schramberg

Schwäbische Werkzeugmaschinen GmbH, Schramberg

Schwerpunkt: Revisionssichere Abrechnungsmodelle durch dynamisches Leasing

Zur Schwäbischen Werkzeugmaschinen Website

Förderung

Bundesministerium für Bildung und Forschung

Die Projektarbeit wird vom Bundesministerium für Bildung und Forschung im Rahmen des Forschungsprogramms „Innovationen für die Produktion, Dienstleistung und Arbeit von morgen“ in der Fördermaßnahme „Industrie 4.0 – Kollaborationen in dynamischen Wertschöpfungsnetzwerken“ (lnKoWe) über eine Dauer von 36 Monaten gefördert.

 

 

Wie können wir Sie unterstützen?

Nehmen Sie mit uns Kontakt auf – einfach per Telefon oder E-Mail.

Wir freuen uns auf Ihre Nachricht!


Stefan Igel

Ich freue mich auf Ihre Nachricht!

Stefan Igel

Head of Big Data Solutions

inovex Publikationen

S. Jäger (inovex), H.-P. Zorn (inovex), S. Igel (inovex), C. Zirpins (KIT) | 2018

Parallelized Training of Deep NN – Comparison of Current Concepts and Frameworks

Horizontal scalability is a major facilitator of recent advances in deep learning. Common deep learning frameworks offer different approaches for scaling the training process. We operationalize the execution of distributed training using Kubernetes and helm templates. This way we lay ground for a systematic comparison of deep learning frameworks. For two of them, TensorFlow and MXNet we examine their properties with regard to throughput, scalability and practical ease of use.

Zum Paper

inovex Theses

Marcel Hofmann | 20.05.2019

Developing a Streaming-based Architecture for Demand Prediction of Taxi Trips in the Presence of Concept Drift

Machine learning models are omnipresent for predictions on data streams. One challenge of deployed models is the change of data over time – a phenomenon called concept drift. If not considered in the entire process, from model design to deployment, a concept drift can lead to significant mispredictions. In this thesis the effects of concept drift in regression tasks are explored. [...]

Zur Master Thesis

inovex Vorträge

S. Igel, H.-P. Zorn | 26.09.2018

Data Science und Machine Learning im Kubernetes-Ökosystem

Auf der data2day 2018 gaben Stefan Igel und Hans-Peter Zorn einen Überblick über die Anforderungen an Data-Science-Plattformen und zeigten, wie eine Architektur mit Kubernetes aussehen kann.

Zum Vortrag

inovex Blog

Constantin Mense | 13.09.2018

Time Series Forecasting with Machine Learning Models

In this blog article we explain an exemplary process of how time series forecasting tasks can be solved with machine learning models, starting with the problem modeling and ending with visualizing the results by embedding the models in a web app for demonstration purposes. [...]

Blog-Artikel lesen

inovex Blog

M. Bischoff, J. Scheuermann, C. Kiesl, J. Hatzky | 13.06.2019

The Edge is Near: An Introduction to Edge Computing!

Edge Computing has been a growing topic for the past few years. In this article we’ll give you an overview over Edge Computing, discuss its advantages, explain a sample architecture as well as the classes of use cases it can be applied to. [...]

Blog-Artikel lesen

inovex Blog

Alexander Koehler | 08.01.2019

Grafana Loki: Scalable and Flexible Logfile Management

Right now there are three popular platforms to build a scalable and flexibel logfile management solution on-premise: splunk, elastic stack and graylog. Most customers tend to build on top of the elastic stack as its core software components are open source and therefore accessible without licensing costs. Addionally, elastic provides lots of features to build a good solution. [...]

Blog-Artikel lesen

inovex Theses

David Schmidt | 2018

Evaluation von Data Science Workflow Engines für Kubernetes

In seiner Bachelor Thetis evaluiert inovexler David Schmidt aktuelle Workow Engines für DataScience-Prozesse auf der Kubernetes Plattform.

Zur Bachelor Thesis

inovex Theses

Sebastian Jäger | 2018

Horizontales Skalieren von Deep Learning Frameworks

In dieser Arbeit evaluiert inovexler Sebastian Jäger experimentell generische Deep Learning Frameworks für die Programmiersprache Python auf deren horizontale Skalierbarkeit beim Training von Neuronalen Netzen.

Zur Bachelor Thesis

inovex Blog

M. Kurovski I 29.10.2018

From Exploration to Production—Bridging the Deployment Gap for Deep Learning

Blog-Artikel lesen