Advertisement

Datenbank-Spektrum

, Volume 18, Issue 1, pp 39–50 | Cite as

Konzepte zur Datenverarbeitung in Referenzarchitekturen für Industrie 4.0

Konsequenzen bei der Umsetzung einer IT-Architektur
  • Christian Weber
  • Matthias Wieland
  • Peter Reimann
Schwerpunktbeitrag
  • 796 Downloads

Zusammenfassung

Für produzierende Unternehmen stellt die effiziente Verarbeitung großer Datenmengen eine Herausforderung dar. Die Auswahl der richtigen Architekturkonzepte für IT-Lösungen zur Datenverarbeitung spielt dabei eine wichtige Rolle. Um die IT an den Herausforderungen von Industrie 4.0 auszurichten, stehen Unternehmen verschiedene Referenzarchitekturen internationaler Gremien zur Verfügung. Die Hauptbeiträge dieses Artikels haben das Ziel, (i) einen Überblick über die wichtigsten Referenzarchitekturen für Industrie 4.0 (I4.0) zu geben und (ii) diese unter dem Aspekt der Datenverarbeitung zu untersuchen. Dazu werden die Referenzarchitekturen anhand von Datenverarbeitungsanforderungen für I4.0 betrachtet. Die Untersuchung zeigt, dass die I4.0-Referenzarchitekturen jeweils einen Teilbereich der Anforderungen abdecken und sich die Konzepte gegenseitig ergänzen. (iii) Darauf aufbauend werden aus den Datenverarbeitungsanforderungen technische Konsequenzen abgeleitet und Architekturkonzepte für die Realisierung einer IT-Architektur für die Datenverarbeitung vorgestellt. Dadurch wird es IT-Architekten ermöglicht, einen Vergleich der Referenzarchitekturen hinsichtlich projektbezogener Anforderungen an die Datenverarbeitung vorzunehmen sowie geeignete Architekturentscheidungen zu treffen.

Schlüsselwörter

Industrie 4.0 Referenzarchitektur Datenverarbeitung RAMI4.0 IIRA 

Notes

Danksagung

Diese Arbeit wurde teilweise von der DFG im Rahmen der Graduate School of Excellence Advanced Manufacturing Engineering (GSaME), sowie teilweise durch das BMWi-Projekt IC4F (01MA17008G) gefördert.

Literatur

  1. 1.
    Adolphs P et al (2015) Referenzarchitekturmodell Industrie 4.0 (RAMI 4.0). VDI/VDE/ZVEI, DüsseldorfGoogle Scholar
  2. 2.
    Adolphs P et al (2016) Struktur der Verwaltungsschale: Fortentwicklung des Referenzmodells für die Industrie 4.0-Komponente. BMWi, BerlinGoogle Scholar
  3. 3.
    Anderson N et al (2017) The industrial Internet of things volume T3: analytics frameworkGoogle Scholar
  4. 4.
    Bedenbender H et al (2017) Beziehungen zwischen I4.0-Komponenten – Verbundkomponenten und intelligente Produktion: Fortentwicklung des Referenzmodells für die Industrie 4.0-Komponente SG Modelle und Standards. BMWi, BerlinGoogle Scholar
  5. 5.
    Bitkom (2015) Umsetzungsstrategie Industrie 4.0: Ergebnisbericht der Plattform Industrie 4.0Google Scholar
  6. 6.
    BMWi (2016) Weiterentwicklung des Interaktionsmodells für Industrie 4.0-KomponentenGoogle Scholar
  7. 7.
    Chen CP, Zhang CY (2014) Data-intensive applications, challenges, techniques and technologies: a survey on big data. Inf Sci (Ny) 275(Supplement C):314–347CrossRefGoogle Scholar
  8. 8.
    Diedrich C, Bieliaiev A, Bock J, Gössling A, Hänisch R, Koziolek H, Kraft A (2016) Grammatik für Industrie 4.0-Komponenten. Conference Proceedings VDE-Kongress 2016 „Internet der Dinge“Google Scholar
  9. 9.
    Diedrich C et al (2017) Interaktionsmodell für Industrie 4.0 Komponenten. AT Automatisierungstech 65(1):5–18CrossRefGoogle Scholar
  10. 10.
    DIN – Deutsches Institut für Normung e V (2016) Referenzarchitekturmodell Industrie 4.0 (RAMI4.0)Google Scholar
  11. 11.
    DIN Deutsches Institut für Normung e V (2017) RM-SA – Referenzmodell für Industrie 4.0 Servicearchitekturen – Grundkonzepte einer interaktionsbasierten ArchitekturGoogle Scholar
  12. 12.
    Dönicke N et al (2017) Security der Verwaltungsschale. BMWi, BerlinGoogle Scholar
  13. 13.
    Gartner (2011) Gartner says solving ‘big data’ challenge involves more than just managing volumes of data. https://www.gartner.com/newsroom/id/1731916. Zugegriffen: 23.01.2018Google Scholar
  14. 14.
    Gölzer P (2017) Big Data in Industrie 4.0 – Eine strukturierte Aufarbeitung von Anforderungen, Anwendungsfällen und deren Umsetzung. PhD thesis, FAU Erlangen-NürnbergGoogle Scholar
  15. 15.
    Heidel R, Hoffmeister M, Hankel M, Döbrich U (2017) Industrie 4.0 Basiswissen RAMI4.0: Referenzarchitekturmodell mit Industrie4.0-Komponente. Beuth Verlag, BerlinGoogle Scholar
  16. 16.
    Hoffmeister M (2015) Industrie 4.0: Die Industrie 4.0-Komponente. ZVEI, Frankfurt am MainGoogle Scholar
  17. 17.
    Jamshidi M (Hrsg) (2011) System of systems engineering: innovations for the twenty-first century, 1. Aufl. Wiley series in systems engineering and management, Bd. 1. John Wiley & Sons, New YorkGoogle Scholar
  18. 18.
    Joshi R, Didier P, Jimenez J, Carey T (2017) The industrial internet of things volume G5: connectivity frameworkGoogle Scholar
  19. 19.
    Kagermann H, Wahlster W, Helbig J (2013) Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0: Deutschlands Zukunft als Produktionsstandort sichern. Abschlussbericht des Arbeitskreises Industrie 4.0. acatech – Deutsche Akademie der Technikwissenschaften e. V., MünchenGoogle Scholar
  20. 20.
    Kellermans D (2017) Data Lake vs. Data Warehouse: Was ist der Unterschied? https://automic.com/de/blog/data-lake-vs-data-warehouse-was-ist-der-unterschied. Zugegriffen: 23.01.2018Google Scholar
  21. 21.
    Kreps J (2014) Questioning the lambda architecture. https://www.oreilly.com/ideas/questioning-the-lambda-architecture. Zugegriffen: 23.01.2018Google Scholar
  22. 22.
    Lin SW et al (2015) Industrial internet reference architecture. Industrial Internet Consortium, NeedhamGoogle Scholar
  23. 23.
    Lin SW et al (2017) The industrial internet of things volume G1: reference architecture – V 1.8Google Scholar
  24. 24.
    OASIS (2006) Reference Model for Service Oriented Architecture 1.0. http://docs.oasisopen.org/soa-rm/v1.0/soa-rm.pdf. Zugegriffen: 23.01.2018
  25. 25.
    Marz N (2013) Big data: principles and best practices of scalable realtime data systems. O’Reilly Media, SebastopolGoogle Scholar
  26. 26.
    Miloslavskaya N, Tolstoy A (2016) Big data, fast data and data lake concepts. Procedia Comput Sci 88(Supplement C):300–305 (7th Annual International Conference on Biologically Inspired Cognitive Architectures, BICA 2016, held July 16 to July 19, 2016 in New York City, NY, USA)CrossRefGoogle Scholar
  27. 27.
    Mishne G, Dalton J, Li Z, Sharma A, Lin J (2013) Fast data in the era of big data: Twitter’s real-time related query suggestion architecture. Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data, ACM, New York. SIGMOD ’13, S 1147–1158Google Scholar
  28. 28.
    Schrecker S et al (2016) Industrial internet of things volume G4: security frameworkGoogle Scholar
  29. 29.
    Tanner MA, Wong WH (1987) The calculation of posterior distributions by data augmentation. J Am Stat Assoc 82(398):528–540MathSciNetCrossRefzbMATHGoogle Scholar
  30. 30.
    VDI, VDE (2015) Industrie 4.0 – Technical Assets: Grundlegende Begriffe, Konzepte, Lebenszyklen und VerwaltungGoogle Scholar
  31. 31.
    Weber C, Königsberger J (2017a) Industrie 4.0: Aktuelle Entwicklungen für Analytics: Teil 1: Analytics und Datenmanagement in Industrie 4.0-Referenzarchitekturen. In: wt-online. Springer, Berlin, Heidelberg, S 113–117Google Scholar
  32. 32.
    Weber C, Königsberger J (2017b) Industrie 4.0: Aktuelle Entwicklungen für Analytics: Teil 2: Vergleich und Bewertung von Industrie 4.0-Referenzarchitekturen. In: wt-online. Springer, Berlin, Heidelberg, S 405–409Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Graduate School advanced Manufacturing EngineeringStuttgartDeutschland
  2. 2.Universität Stuttgart – IPVSStuttgartDeutschland

Personalised recommendations