Projekt „KOSMoS“
Kollaborative Smart-Contracting-Plattform für digitale Wertschöpfungsnetze

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
Förderung

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!
+49 (0)721 619 021-0E-Mail schreiben

Ich freue mich auf Ihre Nachricht!
Stefan Igel
Führungsteam Data Management & Analytics
inovex Leistungen
E-Health
Qualität, Sicherheit und Vertrauen sind die wichtigsten Standpfeiler digitaler Produkte im modernen Gesundheitssystem. Mit unserer Hilfe entstehen E-Health-Lösungen, die zuverlässig und zugänglich sind und die höchsten Anforderungen erfüllen.
Mehr leseninovex Leistungen
Service-Meister
Im Rahmen des Service-Meister-Projektes arbeiten wir als Teil eines Konsortiums, das aus 15 Unternehmen, Verbänden und Hochschulen besteht, an einer KI-basierten Service-Plattform für den deutschen Mittelstand.
Mehr leseninovex Blog
C. Becker | 10.08.2020
Federated Learning: A Guide to Collaborative Training with Decentralized Sensitive Data – Part 1
Nowadays, access to high-quality real-world data has a major impact on the success of data-driven projects, as the quality of a Machine Learning solution strongly depends on the available training data. [...]
Blog-Artikel leseninovex Blog
Michael Schneider | 04.08.2020
TimescaleDB vs. influxDB: Zeitreihendatenbanken für das IIoT
In diesem Artikel diskutieren wir unsere Erfahrungen mit den zwei populären Open-Source-Zeitreihen-Datenbanken TimescaleDB und InfluxDB. [...]
Blog-Artikel leseninovex Blog
M. Mohr, T. Bux | 11.05.2020
Blockchain-Lösungen für den produktionstechnischen Mittelstand
Die Digitalisierung findet Einzug in den deutschen produktionstechnischen Mittelstand. Bisherige Ansätze beschränken sich auf Optimierungen firmeninterner Prozesse. Der nächste Schritt ist die Nutzung dieser Ansätze, um firmenübergreifende Geschäftsmodelle zu realisieren. Noch gibt es jedoch einige Herausforderungen, die diesen Schritt behindern. Im vorliegenden Artikel werden diese Herausforderungen durchleuchtet und ein Lösungsansatz wird präsentiert. [...]
Blog-Artikel leseninovex 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 Paperinovex 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 Thesisinovex 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 leseninovex 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