Skip to main content
SpringerLink
Log in

Konzepte zur Datenverarbeitung in Referenzarchitekturen für Industrie 4.0

Konsequenzen bei der Umsetzung einer IT-Architektur

  • Schwerpunktbeitrag
  • Published:
Datenbank-Spektrum Aims and scope Submit manuscript

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.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Notes

  1. https://github.com/acplt/openaas.

  2. Supervisory Control and Data Acquisition

  3. Speicherprogrammierbare Steuerung

  4. OPC Unified Architecture

  5. Manufacturing Execution System

  6. https://www.eclass.eu/en/standard.html.

  7. http://dmg.org/pmml/v4-3/GeneralStructure.html.

  8. http://dmg.org/pfa/index.html.

  9. http://storm.apache.org.

  10. http://spark.apache.org/streaming/.

  11. http://flink.apache.org.

  12. http://cassandra.apache.org.

  13. http://hbase.apache.org.

  14. http://impala.apache.org.

  15. http://hive.apache.org.

  16. http://www.mongodb.com.

  17. http://www.elastic.co.

  18. http://github.com/nathanmarz/elephantdb/.

Literatur

  1. Adolphs P et al (2015) Referenzarchitekturmodell Industrie 4.0 (RAMI 4.0). VDI/VDE/ZVEI, Düsseldorf

    Google Scholar 

  2. Adolphs P et al (2016) Struktur der Verwaltungsschale: Fortentwicklung des Referenzmodells für die Industrie 4.0-Komponente. BMWi, Berlin

    Google Scholar 

  3. Anderson N et al (2017) The industrial Internet of things volume T3: analytics framework

    Google Scholar 

  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, Berlin

    Google Scholar 

  5. Bitkom (2015) Umsetzungsstrategie Industrie 4.0: Ergebnisbericht der Plattform Industrie 4.0

    Google Scholar 

  6. BMWi (2016) Weiterentwicklung des Interaktionsmodells für Industrie 4.0-Komponenten

    Google Scholar 

  7. Chen CP, Zhang CY (2014) Data-intensive applications, challenges, techniques and technologies: a survey on big data. Inf Sci (Ny) 275(Supplement C):314–347

    Article  Google Scholar 

  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. Diedrich C et al (2017) Interaktionsmodell für Industrie 4.0 Komponenten. AT Automatisierungstech 65(1):5–18

    Article  Google Scholar 

  10. DIN – Deutsches Institut für Normung e V (2016) Referenzarchitekturmodell Industrie 4.0 (RAMI4.0)

    Google Scholar 

  11. DIN Deutsches Institut für Normung e V (2017) RM-SA – Referenzmodell für Industrie 4.0 Servicearchitekturen – Grundkonzepte einer interaktionsbasierten Architektur

    Google Scholar 

  12. Dönicke N et al (2017) Security der Verwaltungsschale. BMWi, Berlin

    Google Scholar 

  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: 23.01.2018

    Google Scholar 

  14. Gölzer P (2017) Big Data in Industrie 4.0 – Eine strukturierte Aufarbeitung von Anforderungen, Anwendungsfällen und deren Umsetzung. PhD thesis, FAU Erlangen-Nürnberg

  15. Heidel R, Hoffmeister M, Hankel M, Döbrich U (2017) Industrie 4.0 Basiswissen RAMI4.0: Referenzarchitekturmodell mit Industrie4.0-Komponente. Beuth Verlag, Berlin

    Google Scholar 

  16. Hoffmeister M (2015) Industrie 4.0: Die Industrie 4.0-Komponente. ZVEI, Frankfurt am Main

    Google Scholar 

  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 York

    Google Scholar 

  18. Joshi R, Didier P, Jimenez J, Carey T (2017) The industrial internet of things volume G5: connectivity framework

    Google Scholar 

  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., München

    Google Scholar 

  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: 23.01.2018

    Google Scholar 

  21. Kreps J (2014) Questioning the lambda architecture. https://www.oreilly.com/ideas/questioning-the-lambda-architecture. Zugegriffen: 23.01.2018

    Google Scholar 

  22. Lin SW et al (2015) Industrial internet reference architecture. Industrial Internet Consortium, Needham

    Google Scholar 

  23. Lin SW et al (2017) The industrial internet of things volume G1: reference architecture – V 1.8

    Google Scholar 

  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. Marz N (2013) Big data: principles and best practices of scalable realtime data systems. O’Reilly Media, Sebastopol

    Google Scholar 

  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)

    Article  Google Scholar 

  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 1147–1158

    Google Scholar 

  28. Schrecker S et al (2016) Industrial internet of things volume G4: security framework

    Google Scholar 

  29. Tanner MA, Wong WH (1987) The calculation of posterior distributions by data augmentation. J Am Stat Assoc 82(398):528–540

    Article  MathSciNet  MATH  Google Scholar 

  30. VDI, VDE (2015) Industrie 4.0 – Technical Assets: Grundlegende Begriffe, Konzepte, Lebenszyklen und Verwaltung

    Google Scholar 

  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 113–117

    Google Scholar 

  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 405–409

    Google Scholar 

Download references

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.

Author information

Authors and Affiliations

  1. Graduate School advanced Manufacturing Engineering, Nobelstraße 12, 70569, Stuttgart, Deutschland

    Christian Weber & Peter Reimann

  2. Universität Stuttgart – IPVS, Universitätsstraße 38, 70569, Stuttgart, Deutschland

    Matthias Wieland

Authors
  1. Christian Weber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Matthias Wieland
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Peter Reimann
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Christian Weber.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Weber, C., Wieland, M. & Reimann, P. Konzepte zur Datenverarbeitung in Referenzarchitekturen für Industrie 4.0. Datenbank Spektrum 18, 39–50 (2018). https://doi.org/10.1007/s13222-018-0275-z

Download citation

  • Received:

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s13222-018-0275-z

Schlüsselwörter

Search

Navigation