Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Filters
Reset filters

Settings
Now showing 1 - 6 of 6
No Thumbnail Available
Publication

Bridging the Gap Between IDS and Industry 4.0 - Lessons Learned and Recommendations for the Future

2024 , Alexopoulos, Kosmas , Bakopoulos, Emmanouil , Larrinaga Barrenechea, Felix , Castellvi, Silvia , Firouzi, Farshad , Luca, Gabriele de , Maló, Pedro , Marguglio, Angelo , Meléndez, Francisco , Meyer, Tom , Orio, Giovanni di , Pethig, Florian , Ruíz, Jesús , Treichel, Tagline , Usländer, Thomas , Volz, Friedrich , Watson, Kym , Stojanovic, Ljiljana

The Plattform Industrie 4.0 (PI4.0) and the International Data Spaces Association (IDSA) are two independent, parallel initiatives with clear focuses. While PI4.0 addresses communication and interaction between networked assets in a smart factory and/or supply chain across an asset or product lifecycle, IDSA is about a secure, sovereign system of data sharing in which all stakeholders can realize the full value of their data. Since data sharing between companies requires both interoperability and data sovereignty, the question emerges regarding the feasibility and rationality of integrating the expertise of PI4.0 and IDSA. The IDS-Industrial Community (IDS-I) is an extension of IDSA whose goal is to strengthen the cooperation between IDSA and PI4.0. Two fields of expertise could be combined: The Platform's know-how in the area of Industrie 4.0 (I4.0) and the IDSA's expertise in the areas of data sharing ecosystems and data sovereignty. In order to realize this vision, many aspects have to be taken into account, as there are discrepancies on multiple levels. Specifically, at the reference architecture level, we have the RAMI4.0 model on the PI4.0 side and the IDS Reference Architecture Model (IDS-RAM) on the IDSA side. While the existing I4.0 and IDS specifications are incompatible e.g. in terms of models (i.e., the AAS metamodel and the IDS information model) and APIs, there is also the issue of interoperability between I4.0 and IDS solutions. This position paper aims to bridge the gap between IDS and PI4.0 by not only analyzing how their existing concepts, tools, etc. have been "connected" in different contexts. Rather, this position paper makes recommendations on how different technologies could be combined in a generic way, independent of the concrete implementation of IDS and/or I4.0 relevant technology components. This paper could be used by both the IDS and I4.0 communities to further improve their specifications, which are still under development. The lessons learned and feedback from the initial joint use of technology components from both areas could provide concrete guidance on necessary improvements that could further strengthen or extend the specifications. Furthermore, it could help to promote the IDS architecture and specifications in the industrial production and smart manufacturing community and extend typical PI4.0 use cases to include data sovereignty by incorporating IDS aspects.

View
No Thumbnail Available
Publication

Information Model for Capabilities, Skills & Services

2022-11-08 , Diedrich, Christian , Belyaev, Alexander , Bock, Jürgen , Grimm, Stephan , Hermann, Jesko , Klausmann, Tobias , Köcher, Aljosha , Meixner, Kristof , Peschke, Jörn , Schleipen, Miriam , Schmitt, Siwara , Schnebel, Boris , Volkmann, Magnus , Watson, Kym , Winter, Michael

Das Diskussionspapier stellt ein neues Informationsmodell zu Fähigkeiten, Fertigkeiten und Dienstleistungen (engl. Capabilities, Skills and Service Model (CSS-Modell)) vor. Es schafft ein Verständnis dafür, wie diese drei Elemente optimal für neue Produktionskonzepte (z. B. Shared Production) und als Basis für künftige Standardisierungsaktivitäten genutzt werden können. Sie erhalten in dem Diskussionspapier der Arbeitsgruppe „Semantik und Interaktion von I4.0-Komponenten“ der Plattform Industrie 4.0 tiefe Einblicke in das Modell, seine Funktionsweise, sein Potenzial und die Herausforderungen, die damit für „Smart Production“ einhergehen. Smart Production bedeutet vor allem Anpassung, Effizienz und Flexibilität. Um diesen Anforderungen gerecht zu werden, bedarf es einer maschinenlesbaren Beschreibung von Fertigungsfunktionen. Diese Beschreibung muss auf einem klar definierten Modell basieren. Das Capabilities Skills and Service Model (CSS-Modell) leistet einen signifikanten Beitrag, diesen Herausforderungen zu begegnen. Das Modell kombiniert die industriellen Anforderungen mit den ersten Praxiserfahrungen, dem aktuellen Status der Industrieforschung und der möglichen technologischen Implementierung.

View
No Thumbnail Available
Publication

Manufacturing-X: Die Branche der Fabrikausrüster

2023 , Sauer, Olaf , Haller, Marc Leon , Wagner-Sardesai, Saskia , Henke, Jürgen , Schmelting, Jürgen , Meyer, Tom , Kujath, Marc , Seidel, Holger , Kuhn, Thomas , Schnicke, Frank , Harst, Simon , Wenzel, Ken , ten Hompel, Michael , Henke, Michael , Clausen, Uwe , Ihlenfeldt, Steffen

Die deutsche Ausrüsterindustrie beliefert weltweit Fabriken mit Produktionslinien, Maschinen, Komponenten, Automatisierungstechnik und produktionsnaher Software. Über viele Jahre waren die Auftragsbücher voll und die Entwicklungs- und Produktionskapazitäten ausgelastet. Die Frage ist: wird das auch in der Zukunft so sein und: wie können die deutschen Ausrüster ihre Wettbewerbsfähigkeit erhalten oder sogar noch verbessern? Welche Rolle spielt dabei die Digitalisierung? Viele Ausrüster haben in den Jahren seit dem Start von „Industrie 4.0“ zaghafte Schritte in die Digitalisierung gemacht, mehr oder weniger erfolgreich; viele proprietäre Lösungen blieben weit hinter den Erwartungen zurück. Entsprechend zurückhaltend sind die Unternehmen nun bei den nächsten Schritten. Damit bleiben sie aber in Bezug auf die Digitalisierung und den mit ihr verbundenen Möglichkeiten für zusätzliche datenbasierte Dienstleistungen rund um Maschinen und Komponenten zurück und verpassen möglicherweise wichtige Innovationschancen. Qualitativ hochwertige Maschinen, Anlagen und Komponenten zu entwickeln, herzustellen und zu liefern wird in Zukunft für den Geschäftserfolg der deutschen Ausrüster nicht mehr ausreichen – sie müssen dringend in datenbasierte Dienste investieren, denn die Kunden von morgen werden diese erwarten. Um die Kräfte bei der Software- und Diensteentwicklung zu bündeln, schlagen die Autoren mehrerer Fraunhofer-Institute die Beteiligung der Ausrüster an industriellen Datenräumen vor: dabei teilen sich die beteiligten Unternehmen die Aufwände zur Entwicklung der ‚Basisdienste‘ und konzentrieren sich vielmehr darauf, Business-Applikationen mit tatsächlichem Kundennutzen zu schaffen. Gleichzeitig gewährleisten Datenräume die Datensouveränität, d.h. die Kontrolle der jeweiligen Dateneigentümer über Daten und deren Nutzung, die sie im Datenraum zur Verfügung stellen, bleibt erhalten. In der hier vorgelegten Studie beschreiben die Autoren zunächst die Branche der Fabrikausrüster und deren Teilbranchen. Basierend auf einer Auswertung aktueller Studien zu Innovationskraft und Digitalisierung der Ausrüsterbranche arbeiten sie heraus, dass es für die Fabrikausrüster höchste Zeit ist, ihr Produktportfolio um digitale Lösungen zu erweitern. Nur so können die Unternehmen den zukünftigen Herausforderungen Stand halten, z.B. Reduzierung der Abhängigkeiten von wenigen Vorleistungslieferanten, verbesserte Resilienz von Lieferketten, Anforderungen an Nachhaltigkeit und Kreislaufwirtschaft oder dem heute schon spürbaren Fachkräftemangel. Aufbauend auf der Faktenlage und den daraus resultierenden Trends formulieren die Autoren dann thesenartig relevante Entwicklungspfade für die Ausrüsterbranche mit konkreten Vorschlägen bis hin zu neuen Möglichkeiten, Ergebnisse aus F&E-Projekten durch gezielten Einsatz digitalen Wissenstransfers für ausrüstende Unternehmen zu nutzen. Mit der hier vorgelegten Studie stellt der Leitmarkt ‚Anlagenund Maschinenbau‘ der Fraunhofer-Gesellschaft unter Beweis, dass die Fraunhofer Institute über ein umfangreiches Angebot für Fabrikausrüster verfügen, um den Weg in die digitale Zukunft der Branche zielgerichtet, innovativ und investitionssicher zu beschreiten.

View
No Thumbnail Available
Publication

Generative Machine Learning for Resource-Aware 5G and IoT Systems

2021 , Piatkowski, Nico , Mueller-Roemer, Johannes Sebastian , Hasse, Peter , Bachorek, Adam , Werner, Tim , Birnstill, Pascal , Morgenstern, Andreas , Stobbe, Lutz

Extrapolations predict that the sheer number of Internet-of-Things (IoT) devices will exceed 40 billion in the next five years. Hand-crafting specialized energy models and monitoring sub-systems for each type of device is error prone, costly, and sometimes infeasible. In order to detect abnormal or faulty behavior as well as inefficient resource usage autonomously, it is of tremendous importance to endow upcoming IoT and 5G devices with sufficient intelligence to deduce an energy model from their own resource usage data. Such models can in-turn be applied to predict upcoming resource consumption and to detect system behavior that deviates from normal states. To this end, we investigate a special class of undirected probabilistic graphical model, the so-called integer Markov random fields (IntMRF). On the one hand, this model learns a full generative probability distribution over all possible states of the system-allowing us to predict system states and to measure the probability of observed states. On the other hand, IntMRFs are themselves designed to consume as less resources as possible-e.g., faithful modelling of systems with an exponentially large number of states, by using only 8-bit unsigned integer arithmetic and less than 16KB memory. We explain how IntMRFs can be applied to model the resource consumption and the system behavior of an IoT device and a 5G core network component, both under various workloads. Our results suggest, that the machine learning model can represent important characteristics of our two test systems and deliver reasonable predictions of the power consumption.

View
No Thumbnail Available
Publication

Deutsche Normungsroadmap Künstliche Intelligenz

2022-12-09 , Adler, Rasmus , Bunte, Andreas , Burton, Simon , Großmann, Jürgen , Jaschke, Alexander , Kleen, Philip , Lorenz, Jeanette Miriam , Ma, Jackie , Markert, Karla , Meeß, Henri , Meyer, Olga , Neuhüttler, Jens , Philipp, Patrick , Poretschkin, Maximilian , Rennoch, Axel , Roscher, Karsten , Sperl, Philip , Usländer, Thomas , Weicken, Eva , Wrobel, Stefan , Zidowitz, Stephan , Ziehn, Jens , Kläs, Michael , Cheng, Chih-Hong , Heinrich, Jana , Knoblauch, Dorian , Heidrich, Jens , Görge, Rebekka , Kolomiichuk, Sergii , Lämmel, Philipp , Plinge, Axel , Rauh, Lukas , Tcholtchev, Nikolay Vassilev , Wahlster, Wolfgang , Winterhalter, Christoph

Im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz haben DIN und DKE im Januar 2022 die Arbeiten an der zweiten Ausgabe der Deutschen Normungsroadmap Künstliche Intelligenz gestartet. In einem breiten Beteiligungsprozess und unter Mitwirkung von mehr als 570 Fachleuten aus Wirtschaft, Wissenschaft, öffentlicher Hand und Zivilgesellschaft wurde damit der strategische Fahrplan für die KI-Normung weiterentwickelt. Koordiniert und begleitet wurden diese Arbeiten von einer hochrangigen Koordinierungsgruppe für KI-Normung und -Konformität. Mit der Normungsroadmap wird eine Maßnahme der KI-Strategie der Bundesregierung umgesetzt und damit ein wesentlicher Beitrag zur "KI - Made in Germany" geleistet. Die Normung ist Teil der KI-Strategie und ein strategisches Instrument zur Stärkung der Innovations- und Wettbewerbsfähigkeit der deutschen und europäischen Wirtschaft. Nicht zuletzt deshalb spielt sie im geplanten europäischen Rechtsrahmen für KI, dem Artificial Intelligence Act, eine besondere Rolle. Die vorliegende Normungsroadmap KI zeigt die Erfordernisse in der Normung auf, formuliert konkrete Empfehlungen und schafft so die Basis, um frühzeitig Normungsarbeiten auf nationaler, insbesondere aber auch auf europäischer und internationaler Ebene, anzustoßen. Damit zahlt sie maßgeblich auf den Artificial Intelligence Act der Europäischen Kommission ein und unterstützt dessen Umsetzung.

View
No Thumbnail Available
Publication

IDS Reference Architecture Model. Industrial Data Space. Version 2.0

2018 , Otto, Boris , Lohmann, Steffen , Steinbuss, Sebastian , Teuscher, Andreas , Auer, Soeren , Boehmer, Martin , Bohn, Juergen , Brost, Gerd , Cirullies, Jan , Ciureanu, Constantin , Corsi, Eva , Danielsen, Soeren , Eitel, Andreas , Ernst, Thilo , Geisler, Sandra , Gelhaar, Joshua , Gude, Roland , Haas, Christian , Heiles, Juergen , Hierro, Juanjo , Hoernle, Joachim , Huber, Manuel , Jung, Christian , Juerjens, Jan , Kasprzik, Anna , Ketterl, Markus , Koetzsch, Judith , Koehler, Jacob , Lange, Christoph , Langer, Dorothea , Langkau, Joerg , Lis, Dominik , Loeffler, Sven , Loewen, Ulrich , Mader, Christian , Menz, Nadja , Mueller, Andreas , Mueller, Bernhard , Nagel, Lars , Nagel, Ralf , Nieminen, Harri , Reitelbach, Thomas , Resetko, Aleksei , Pakkala, Daniel , Patzer, Florian , Pettenpohl, Heinrich , Pietzsch, Rene , Pullmann, Jaroslav , Punter, Matthijs , Quix, Christoph , Rohrmus, Dominik , Romer, Lena , Sandloehken, Joerg , Schoewe, Patrick , Schulz, Daniel , Schuette, Julian , Schweichhart, Karsten , Sol, Egbert-Jan , Sorowka, Peter , Spiegelberg, Gernot , Spiekermann, Markus , Spohn, Christian , Stoehr, Gerrit , Thess, Michael , Tramp, Sebastian , Wappler, Mona , Weiergraeber, Ann-Christin , Wenzel, Sven , Wolff, Oliver , Woerner, Heike

View