Skript

radikale und tiefgreifende Veränderungen in wirtschaftlichen Beziehungen und technologischem Zustand

1. Mechanical production

   -> Dampf, Wasser

   -> Erfindung der Dampfmaschine

2. Mass production

   -> Elektrizität

   -> erstes Fließband

3. Digital

   -> IT, Elektronik

4. Cyber-physical systems

   -> physisch + digital + biologisch

   -> Vernetzung

• ab 1760

• Erfindung der Dampfmaschine

  -> Webstühle, Textilindustrie

  -> Stahlherstellung

• neue Transportmittel nötig

• va GB profitiert

• Ende 19. Jhd

• Bedarf an “mobiler” Energie

  -> Dampfmaschinen sind teuer und stationär

  -> nicht für kleinere Betriebe, nicht transportierbar

• Elektrizität

  -> Erfindung des Telefons -> Kommunikation

  -> Massenproduktion Chemie

  -> billigere Stahlproduktion -> Schiffsbau

• va USA und D profitieren

  -> Siemens, AEG

  -> Henry Ford

• ab 1960er

• Computer oder Digitale Revolution

• IT stärkt Wirtschaftswachstum

  -> USA: Apple, IBM, Microsoft

  -> Japan: Sony, Panasonic

• technische Bedingungen ändern sich branchenübergreifend

• wirtschaftliche Beziehungen ändern sich

• die Art, Geld zu verdienen, ändert sich komplett

• Verbreitung mit der Zeit

  -> nicht alle Länder und Industrien sind zur gleichen Zeit betroffen

• horizontale und vertikale Integration

• Internet der Dinge

• Cloud-Systeme

• Autonome Roboter

• Additive Fertigung

• Simulation

• Cybersecurity

• Big Data und Analytics (in der Produktion)

1. Computerisierung

2. Konnektivität

3. Sichtbarkeit

   -> Was passiert?

4. Transparenz

   -> Warum passiert etwas?

   -> Verständnis

5. Vorhersagefähigkeit

   -> Was wird passieren?

   -> Vorbereitet sein

6. Anpassungsfähigkeit

   -> Wie kann eine automatisierte Reaktion erreicht werden?

   -> Selbstoptimierung

• Begriff: 2011 auf Hannover Fair von der deutschen Regierung

• Konzept unterstützt durch große Konzerne

  • Bosch

  • Siemens

  • SAP

  • BMW

  • hp

  • FESTO

  • …

• aktuell: oft getrennt -> Sicherheit

  -> gehen ineinander über

• IT

  -> Bsp: CRM (Customer-Relationship-Management), ERP (Enterprise-Ressource-Planning), E-Mail

• OT

  -> technische Seite, Maschinen

  -> Ziel: Stabilität

  -> Bsp: SCADA, PLC, HMIs

1. Enterprise Level (ERP)

   -> IT

2. Management Level (MES)

   -> Verknüpfung IT + OT

3. Supervision Level (SCADA, Mensch-Maschine-Interaktion)

   -> OT

4. Control Level (PLC, PAC, Steuerung)

5. Field Level (Sensoren, Geräte)

Enterprise Ressource Planning

• Vertrieb, CRM

• Finanzen

• Human Resources

• Produktion

• Ressourcenplanung, Lieferkettenmanagement

• Inventar

• Einkauf

• Services

Manufacturing Execution System (Fertigungssteuerungssystem)

• Lieferung

• Inventar

• Ressourcen-Management

• Nachverfolgung

• Rezepte, Pläne

• Equipment Interfacing

• Arbeitsanweisungen

• SPC

• Reporting

Customer-Relationship-Management

• Analyse

• Dokumentation

• Kundengewinnung

• Kundenloyalität

• Datenbank

• Kommunikation

• PR

• Kundenservice

Supervisory control and data acquisition

• Prozessüberwachung

• Verbindet den Bediener mit dem “Field Level” (Sensoren)

• zw PLC (Steuerung) und HMI (human-machine-interface)

Zulieferer <-> Hersteller <-> Kunde

Firmenintern

• Industrial Internet of Things

• miteinander verbundene Geräte, die Daten sammeln und austauschen

• wichtige Faktoren

  • Internetanbindung

  • mobile Adaptierung

  • kostengünstige Sensoren

  • “Moore’s Law” in der CPU-Entwicklung

Backend Layer (Cloud, Speicher, Big Data) <-> Konnektivität (5G, Internet, Wi-Fi) <-> Frontend Layer (IoT Devices, Edge Analytics)

• keine Pyramide mehr

• alles ist miteinander verbunden

• Produkte <-> Flexible Fertigung <-> Connected World

• On-demand self-service

  -> Anwender kann ohne Eingreifen des Anbieters dynamisch auf Ressourcen zugreifen

• broad network acces

  -> über ein Netzwerk erreichbar

• Resource Pooling

  -> Ressourcen des Anbieters stehen den Anwendern in einem Pool zur Verfügung

• Rapid elasticity

  -> Ressourcen können schnell und individuell angepasst in Anspruch genommen werden

• Measured service

  -> System kontrolliert und optimiert die Nutzung der Ressourcen anhand von Messungen

• Computing, das nahe am physischen Standort der Nutzende oder der Datenquelle stattfindet

• Prozesskontrolle in Echtzeit

• Vorverarbeitung der Daten vor der Cloud

• Cloud greift, wenn Verarbeitung nur in Cloud möglich oder wenn kurzzeitig höhere Rechenleistung nötig ist

Virtual Reality

-> wirkliche Welt wird ausgeblendet

-> virtuelle Welt

Augmented Reality

-> echte Realität wird um virtuelle Elemente ergänzt

-> erste Anwendung 2. WK, Militär

• Instandhaltung

• Montage

• Collaborative Operations

• Training

• Polymere

  -> ABS, PLA, Photopolymer Resin

• Metall

  -> Alu, Stahl, Titan

• Keramik

  -> Porzellan, Glas

• patentiert 1986

• photosensitives, flüssiges Polymer in Verbindung mit einem UV-Laser

• kontinuierliche Vernetzung

• Kombination aus subtraktiver und additiver Fertigung

• Folie mit HMA wird mit Laser cutter ausgeschnitten und immer wieder verklebt

• Papier, Kunststoff, Metall

Selective Laser Sintering

• Pulver: Polymer, Metall, Keramik, Glas

• nicht-gesintertes Pulver kann zT wiederverwendet werden

• geringe Schichtdicke

• kaum Nachbearbeitung, gute Oberflächeneigenschaften

Fused Deposition Molding

• 3D-Druck, Extrusion, Schichten

• Schichten sichtbar

• Kunststoff, Metall, Keramik

• Pulver: Polymer, Sand, Metall, Keramik

• Auftrag eines Bindemittels zwischen den einzelnen Schichten -> vgl Klebstoff

• anschließendes Sintern

Laser schmilzt Oberfläche auf, Pulver wird hinzugegeben und verschmilzt mit Werkstück

auch für Reparaturen geeignet

dynamische virtuelle Kopie eines physischen Assets, eines Prozesses, eines Systems oder einer Umgebung, die genauso aussieht und sich genauso verhält wie ihr reales Gegenstück

• Component Twin

• Asset Twin (Maschine)

  -> Motor

• System/Unit Twin

  -> vgl. Stadt

  -> Kombination aller Produktionseinheiten

• Process Twin

  -> vgl. Kraftwerk

  -> gesamter Fertigungsprozess

1. Digital Model

   -> manuelle Datenbewegung zw. physischem Objekt und digitalem Objekt

2. Digital Shadow

   -> automatische Datenbewegung vom physischem Objekt zum digitalen Objekt

   -> manuelle Datenbewegung vom digitalen Objekt zum physischen Objekt

3. Digital Twin

   -> automatische Datenbewegung zw. physischem Objekt und digitalem Objekt

virtuelles Abbild von relevanten Daten in der Produktion, Entwicklung und angrenzenden Bereichen

• Malware

  • Adware

  • Spyware

  • Ransomware (Bsp WannaCry: Verschlüsselung der Daten und Erpressung)

  • Trojaner

  • Worm

• Man in the Middle Attacks

• DDoS (Distributed Denial of Service)

• Passwort-Attacken

• Drive-by Download Attacks

• Phishing

• mittelalterliche Stadt

• Stadtmauer mit kleiner Anzahl an kontrollieren Zugängen

• Wachtürme

• wichtige Bereiche sind einzeln abgesichert

• beschränkter Zugang zu Firmengebäuden

• Firewalls -> beschränken Datenverkehr

• Systemscans auf Anomalien

• Netzwerksegmentation -> wichtige Bereiche

IT

• Finanzieller Impact

• Störung des Tagesgeschäfts, Verlust sensibler Daten, Imageschaden

• +++ Vertraulichkeit, ++ Integrität, + Verfügbarkeit

OT

• Phyischer Impact

• Tod und Verletzungen, Schäden, Umweltschäden

• + Vertraulichkeit, ++ Integrität, +++ Verfügbarkeit

1. Aufklärung: Datensammlung

2. Bewaffnen: Erstellung bösartiger Payload (Nutzdaten), Schwächen ausnutzen

3. Liefern: Payload absenden, Phishing

4. Ausnutzen: System komprimittieren

5. Installieren: Schadsoftware installieren, Hintertüren öffnen

6. C2: command-and-control-infrastructure

7. Aktion: Ziel erreicht

-> Ketten brechen um Attacke zu stoppen!

• Resources

• Information systems

• Culture

• Oranisational structure

Fähigkeit, Daten auf kritische Art und Weise zu sammeln, zu managern, zu bewerten und anzuwenden

• Datensammlung

• Datenmanagement

• Datenevaluation

• Datenanwendung

Data: Temperatur, Luftdruck

Knowlege: Zusammenhänge

? -> Insight: Wetterbericht

Wisdom: Vorhersagen

codierte Informationen

• Spalten

• Zeilen

• Zellen

1. Problem

2. Datensammlung

3. Analyse

4. Kommunikation

5. Aktion und Reflektion

Problem, Projekt

• Warum ist das Problem wichtig?

• Wann ist das Projekt abgeschlossen? Bis wann müssen Ergebnisse vorliegen?

• Wen beeinflusst das Problem?

• Was, wenn wir nicht die richtigen Daten haben?

• Was, wenn uns die Ergebnisse nicht gefallen?

Daten

• Wer hat die Daten gesammelt und wie?

• Sind die Daten repräsentativ?

• Welche Daten sehe ich nicht?

Statischer Vergleich

-> Säulen, Balken

Verteilung

-> Histogram, Scatterplot, Boxplot

Zusammensetzung

-> Kreisdiagramm, kummulierte Säulen, Treemap

Veränderung über Zeit

-> Säulen, Liniendiagramm

1. Beschreibende Analyse: Was passiert?

2. Diagnostische Analyse: Warum passiert etwas?

3. Vorhersagende Analyse: Was wird passieren?

4. Präskriptive Analyse: Wie kann man es passieren lassen? (Vorhersage und Handlungsempfehlung)

Daten können mit konventionellen Tools nicht mehr verarbeitet werden

6Vs

• Volumen (Volume)

• Geschwindigkeit (Velocity)

• Variation (Variety)

• Wertigkeit (Value)

• Richtigkeit (Veracity)

• Sichtbarkeit (Visibility)

Fähigkeit einer Maschine/eines Computers Daten zu analysieren und Probleme zu lösen

(… menschliche Fähigkeiten zu imitieren: Logisches Denken, Lernen, …)

Technologien und Algorithmen, die es einem System ermöglichen Muster zu identifizieren, Entscheidungen zu treffen und sich selbst durch Erfahrungen und Daten zu verbessern

Strong AI: versucht menschlichen Intellekt zu imitieren oder zu übertreffen

Weak AI: lösen spezifischer Anwendungsprobleme mit Methoden aus der Mathematik und Informatik

AI:

-> Computer treffen logische Entscheidungen

Machine Learning (Maschinelles Lernen):

-> Computer treffen Entscheidungen ohne genau darauf programmiert zu sein

-> Fähigkeit zu lernen

Deep Learning:

-> Computer treffen Entscheidungen ohne vorgegebene Kriterien

-> basiert auf neuronalem Netzwerk

-> input -> input layer -> hidden layer (Verknüpfungen, “deep”) -> output layer -> output

• Spracherkennung (deep learning): Google assistant, Siri, Alexa

• Bilderkennung

  -> Facebook: automatisches Freunde-taggen

  -> Auto: Verkehrszeichenerkennung

• Textklassifizierung: E-Mail Spamfilter

• Produktionsempfehlungen: Netflix, Amazon

• Chatbots

Cross-Validation

• Teil der Daten wird im Training zurückgehalten

• nach dem Training: Test mit unbekannten Daten, die trotzdem überprüfbar sind

Übertraining vermeiden

-> Trend soll durch alle Punkte gehen, schlechte Prognose

• Clustering

• Dimensionality Reduction:

  -> zu großer Datensatz

  -> Reduzieren ohne Informationsverlust

• Data Engineer

  -> Infrastruktur, Daten sammeln und vorverarbeiten

• Data Analyst

  -> Business- und Datenverständnis, um zu berichten was passiert

• AI Researcher

  -> baut neue Algorithmen, spezielle Lösungen

• Data Scientist

  -> Businessverständnis, baut Optionen und trainiert

• Machine Learning Engineer

  -> Optimieren und instandhalten von Modellen in der Produktion

Garbage in - Garbage out

• klar und spezifisch

• prägnant

• korrekte Grammatik und Rechtschreibung

• Beispiele

• Wissensgrenze Sept. 2021

• Training-data-bias

• falsche, aber plausibel klingende Antworten

• sensibel für Eingabeformulierungen

• Erraten der Userintention statt Nachfragen

• nicht alle unrechtmäßigen Anfragen werden abgelehnt

-> nicht für akurate Ergebnisse

-> kann die Antwortqualität überprüft werden?

-> Input sensibler Daten?

-> Copyright auf Ergebnis?