| Grußwort, Vorwort des Herausgebers Und Inhaltsverzeichnis | 8 |
| Digitale Revolutionund digitaler Wandel | 24 |
| I Plattform Industrie 4.0 | 26 |
| 1 Digitale Transformation «Made in Germany»:Plattform Industrie 4.0 unterstützt Unternehmenauf dem Weg zur vernetzten Produktion | 27 |
| 2 Gemeinsam den Wandel gestalten:Die Produktion von morgen | 28 |
| 2.1 Auftragsgesteuerte Produktion | 28 |
| 2.2 Wandlungsfähige Fabrik | 29 |
| 2.3 Selbstorganisierende, adaptive Logistik | 31 |
| 2.4 Value Based Services | 33 |
| 2.5 Transparenz und Wandlungsfähigkeit ausgelieferter Produkte | 35 |
| 3 Anwenderunterstützung in der Produktion | 37 |
| 3.1 Smarte Produktentwicklung für die smarte Produktion | 39 |
| 3.2 Innovative Produktentwicklung | 40 |
| 3.3 Kreislaufwirtschaft | 43 |
| 4 Handlungsbedarfe und Arbeitsgruppen | 45 |
| 5 Mitwirkung und Beteiligungsmöglichkeiten | 48 |
| II Das Ökosystem des IndustrialInternet | 50 |
| III Die digital vernetzte Zukunftdes Maschinen- und Anlagenbaus | 54 |
| 1 Technologische Evolution als Voraussetzung für Industrie 4.0 | 55 |
| 2 Bedürfnisse kleiner und mittelständischerUnternehmen (KMU) im Maschinenbau | 55 |
| Smart Factories /Vernetzte Adaptive Produktion | 58 |
| I Interoperabilität fürIndustrie 4.0 mit OPC Unified Architecture | 60 |
| 1 Service-orientierte Architektur OPC UA | 61 |
| 2 Welche Daten und Dienste liefert ein Gerät odereine Maschine? | 62 |
| 2.1 Transport, Security, Zugriffsrechte | 63 |
| 2.2 Modellierung | 63 |
| 2.3 Keine Differenzierung mit OPC UA? | 63 |
| 2.4 Dienste | 64 |
| 2.5 Betriebssystem und Realtime | 64 |
| 2.6 Skalierbarkeit | 65 |
| 2.7 Adaptierung | 66 |
| 3 Praktische Anwendungen von OPC UA | 66 |
| 3.1 Anwendung vertikal: Energie-Monitoring und Big Data | 66 |
| 3.2 Anwendung horizontal: M2M in der Wasserwirtschaft | 67 |
| 3.3 Anwendung vertikal: IoT-Plattform | 68 |
| 4 Roadmap und Ausblick auf Weiterentwicklungen | 69 |
| 4.1 Trend: Informationsmodelle | 69 |
| 4.2 Trend: Service-orientierte Architektur (SoA) | 69 |
| 4.3 Trend: OPC UA im Chip | 70 |
| 4.4 Trend: OPC UA mit TSN | 70 |
| 5 Zusammenfassung | 70 |
| II Deterministische Machine-to-Machine-Kommunikation im Umfeld Industrie 4.0 | 72 |
| 1 Die Bedeutung einer durchgängigen Industrie-4.0-Architektur | 72 |
| 2 Die Big-Bounce-Theorie – Zentralisierung vs.Dezentralisierung von Rechenleistung | 73 |
| 3 Interoperabilität – Warum nur genau ein M2M-Kommunikationsstandardso wichtig ist | 74 |
| 3.1 Service-orientierte Architektur im Internet der Dinge | 75 |
| 3.2 Semantische Servicebeschreibungen und Informationsmodelle | 77 |
| 4 Echtzeit – ein häufig missverstandener Begriff | 79 |
| 5 Echtzeit-Anwendungen von OPC UA | 81 |
| 5.1 Die Publisher/Subscriber-Architektur von OPC UA | 83 |
| 5.2 Deterministische Echtzeit durch Time SensitiveNetworking (TSN) | 84 |
| 5.3 Werden durch OPC UA TSN herkömmliche Feldbusseüberflüssig? | 88 |
| III Lösungsbausteine fürherstellerunabhängige, standardisierte Schnittstellenin der Produktion | 90 |
| 1 Einführung | 90 |
| 2 Maschinen- und Anlagenbau: Rückgrat und Herausforderung in Einem | 91 |
| 2.1 Ausgangssituation in der Fabrik | 92 |
| 2.2 Selbstbeschreibung von Maschinen und Anlagen | 93 |
| 2.3 Selbstbeschreibung von Maschinenkomponenten | 95 |
| 3 Werkzeuge und Standards | 97 |
| 3.1 AutomationML™ | 98 |
| 3.2 OPC UA | 98 |
| 3.3 Industrielle IoT-Adapter | 98 |
| 4 Anwendungsfelder für produzierende Unternehmen | 100 |
| 4.1 Neue Geschäftsmodelle für Maschinen-/Anlagenbauer und Komponentenlieferanten | 100 |
| 4.2 Laufzeitdaten erfassen, speichern und auswerten | 100 |
| 4.3 Neue Architekturen produktionsnaher IT-Systeme | 102 |
| 5 Modularer Lösungsansatz | 104 |
| 5.1 Ausgangspunkt der Arbeiten | 104 |
| 5.2 Entwicklungspfad | 106 |
| 6 Zusammenfassung und Handlungsbedarf | 108 |
| Smart Products /InnovativeProduktentwicklung | 110 |
| I Referenzarchitektur alsGrundlage für neue Produktezur Cloud-basierten Kommunikation | 112 |
| 1 Was zeichnet die Kommunikation bei Industrie 4.0 aus? | 113 |
| 2 Warum brauchen wir eine Referenzarchitektur für Industrie 4.0? | 114 |
| 3 SOA – die Grundlage der Kommunikation für Industrie 4.0 | 116 |
| 4 Produktionshierarchie und deren Abbildung auf RAMI 4.0 | 117 |
| 5 Durchgängiges Engineering über den Produktlebenszyklus | 118 |
| 6 RAMI-4.0-Layer-Struktur | 119 |
| 7 Die Industrie-4.0-Komponente | 120 |
| 8 Struktur der Verwaltungsschale | 123 |
| 9 Anwendung von RAMI am Beispiel | 123 |
| 10 Das RAMI-4.0-Architekturmodell im internationalen Kontext | 127 |
| II Unterwegs lernen zu laufen: Smarte Produkte und Lösungen explorativ und agil entwickeln | 130 |
| 1 Industrie 4.0: Revolution und Evolution zugleich | 130 |
| 1.1 Das Neue im Alten erkennen | 131 |
| 1.2 In die Zukunft vortasten | 131 |
| 2 Schnell Erfahrungen sammeln | 132 |
| 2.1 Anwender: Kleine Veränderungen können große Effekte erzielen | 132 |
| 2.2 Regelkreis zwischen Entwicklern und Anwendern | 133 |
| 2.3 Sieben Merkmale für Industrie-4.0-Lösungen | 134 |
| 2.4 Prozessmodell zur Umsetzung von Industrie 4.0 | 136 |
| 3 Entwicklung von smarten Produkten | 138 |
| 3.1 Smarte Produkte: Herstellerübergreifende Definitionenals Basis | 138 |
| 3.2 RAMI 4.0 – Der Modellaufbau | 139 |
| 3.3 Produktkriterien für Industrie-4.0-Produkte als Mindesteigenschaften | 140 |
| 3.4 Auswirkungen auf die Produktentwicklung | 141 |
| 4 Neue Prozesse für smarte Produkte –Agile Entwicklungsmethoden | 146 |
| 4.1 Auf variable Ziele hin entwickeln | 146 |
| 5 Beispiele für Industrie-4.0-fähige Produkteund Lösungen | 147 |
| 5.1 IoT Gateway | 147 |
| 5.2 Kommunikationsplattform Beispiel ActiveCockpit | 147 |
| 5.3 Vom Condition Monitoring zur prädiktiven Wartung | 149 |
| Smart Services / Neue Geschäftsmodelle | 152 |
| I Neue Ufer für traditionelles Geschäft: Geschäftsmodell-Architekturen für Industrie 4.0 | 154 |
| 1 Treiber neuer Geschäftsmodelle – Warum es unabwendbar ist | 154 |
| 2 Neue Geschäftsmodelle – datengetrieben, in Echtzeit, plattformbasiert | 155 |
| 2.1 Datengetriebene Geschäftsmodelle | 157 |
| 2.2 Echtzeitbasierte Geschäftsmodelle | 162 |
| 2.3 Plattformbasierte Ökosystem-Geschäftsmodelle –«Vier gewinnt» | 164 |
| 2.4 Der Mensch, die Technologie, das Recht | 169 |
| 3 Enabler neuer Geschäftsmodelle – Digitale Business Transformation erforderlich | 170 |
| II Erfolgreiche IoT-Geschäftsmodelleinder Industrie | 174 |
| 1 Geschäftsmodelldefinition | 174 |
| 2 Auswirkungen des IoT auf Geschäftsmodelle | 175 |
| 2.1 Angebots- und Marktpositionierung: Bislang vor allem bestehende Kundengruppen im Fokus | 175 |
| 2.2 Wertschöpfungskette: Vom Produkt zum Service | 177 |
| 2.3 Erlösmodell: Vom einmaligen zum nutzungs und zeitabhängigen Erlös | 181 |
| 3 Beispiele für erfolgreiche IoT-Geschäftsmodelle | 185 |
| 3.1 IoT im Maschinen- und Anlagenbau | 185 |
| 3.2 IoT in der Energiebranche | 187 |
| 3.3 Weitere IoT-Geschäftsmodelle anderer Anbieter | 188 |
| 4 Fazit und Ausblick | 188 |
| DigitaleAnwendungen /Datenverarbeitung in der Industrie | 190 |
| I Big Data – Vom Hype zum realen Nutzen in der industriellen Anwendung | 192 |
| 1 Megatrend Big Data | 192 |
| 1.1 Ab wann reden wir von Big Data? | 192 |
| 1.2 Wie wird Big Data heute eingesetzt? | 193 |
| 1.3 Kosten / Nutzen und Smart Data | 193 |
| 1.4 Erfolgreiche Killerapplikationen | 194 |
| 1.5 Wer hat’s erfunden? | 195 |
| 1.6 Big Data und Cloud-Computing | 195 |
| 1.7 Big Data ist Teamsport | 196 |
| 2 Big Data in der industriellen Anwendung | 196 |
| 2.1 Identifikation der wesentlichen Einflussfaktoren hilft Prozesse zu optimieren | 196 |
| 2.2 Aufzeichnung des Nutzungsverhaltens verbessert Produkte | 197 |
| 2.3 Datensammeln macht viele servicebasierteGeschäftsmodelle erst möglich und erfolgreich | 197 |
| 2.4 Lieferketten werden optimiert und stabilisiert | 198 |
| 2.5 Smarte Apps ersetzen den Experten vor Ort | 198 |
| 2.6 Vorausschauende Wartung durch Predictive Analytics | 199 |
| 2.7 Assistenzsysteme erleichtern Produktion und Wartung | 199 |
| 2.8 Big Data erkennt Security-Risiken | 199 |
| 3 Die Technologie-Basis von Big Data | 200 |
| 3.1 Einteilung in Technologiekategorien | 200 |
| 3.2 Cluster-Computing auf Commodity-Hardware macht Big Data erschwinglich | 201 |
| 3.3 Das MapReduce-Verfahren – einfach, aber wirkungsvoll | 201 |
| 3.4 Die Apache-Hadoop-Architektur | 202 |
| 3.5 NoSQL-Datenbanken als Alternative zu RDBMS | 206 |
| 3.6 In-Memory-Datenbanken | 207 |
| 3.7 Streaming und Complex-Event-Processing analysieren Datenströme in Echtzeit | 207 |
| 3.8 Machine Learning erlaubt Zukunftsprognosen | 207 |
| 3.9 Programmiersprachen für Data Scientists | 208 |
| 3.10 Interaktive Werkzeuge für Data Scientistsund Power-User | 209 |
| 3.11 Data Lakes machen das klassische Data WarehouseBig-Data-fähig | 209 |
| 4 Big Data und das Internet der Dinge | 210 |
| 4.1 Das Internet der Dinge und Industrial-Internet-Systeme | 210 |
| 4.2 IoT-Referenzarchitekturen | 211 |
| 4.3 Fog Computing bringt die Intelligenz vor Ort | 212 |
| 4.4 Die SPS als IoT-Controller | 213 |
| 4.5 IoT-Plattformen als Cloud-basierte Lösungsbaukästen | 213 |
| 5 Zusammenfassung und Ausblick | 215 |
| II Machine Analytics – Wie aus Daten Werte für Industrie 4.0 entstehen | 218 |
| 1 Die Bedeutung von Big Data Analytics fürIndustrie 4.0 | 218 |
| 2 Die Verarbeitungskette der Datenanalyse | 220 |
| 2.1 Datenerfassung | 220 |
| 2.2 Datenvorverarbeitung | 221 |
| 2.3 Datenanalyse | 223 |
| 2.4 Ergebnisdarstellung und -bewertung | 227 |
| 3 Herangehensweise und Personen für erfolgreiche Datenanalysen | 228 |
| 3.1 Der USU-Smart-Data-Prozess | 228 |
| 3.2 Die Rolle des Menschen in der Datenanalyse | 230 |
| 4 Beispielhafte Umsetzung | 233 |
| 4.1 Architekturbeispiel für skalierbare Datenanalyse | 233 |
| 4.2 Anwendungsbeispiele | 235 |
| 5 Ausblick und Zusammenfassung | 239 |
| 5.1 Deep Learning: Überholen uns die Maschinen? | 239 |
| 5.2 Zusammenfassung | 240 |
| III Industrial Analytics – Dateneinfach und verständlich vermitteln und Perspektiven ableiten | 242 |
| 1 Maschinelles Lernen in der virtuellen SmartFactory | 244 |
| 1.1 Was ist maschinelles Lernen? | 244 |
| 1.2 Die virtuelle Smart Factory | 244 |
| 1.3 Klassifikation – Effizienzsteigerung in der Qualitätssicherung | 246 |
| 1.4 Ergebnisse richtig evaluieren und interpretieren | 249 |
| 1.5 Regression – Optimale Produktionsplanung und -steuerung | 252 |
| 1.6 Clustering – Ähnlichkeiten in Produktionsdaten aufdecken | 256 |
| 2 Anwendungsgebiete für Industrial Analytics | 257 |
| 2.1 Predictive Quality | 257 |
| 2.2 Predictive Maintenance | 258 |
| 2.3 Energy Analytics | 259 |
| 3 Zusammenfassung | 260 |
| Rahmenbedingungen, Rechtsgrundlagen und Systemsicherheit | 262 |
| I Know-how-Schutz im Umfeld von Industrie 4.0 | 264 |
| 1 Einführung | 264 |
| 2 Rechtliche Rahmenbedingungen | 265 |
| 2.1 Welches Know-how ist geschützt? | 265 |
| 2.2 Geheimnisschutz oder Registrierung gewerblicherSchutzrechte? | 265 |
| 2.3 Änderungen aufgrund der Richtlinie zum Schutz von Geschäftsgeheimnissen | 266 |
| 3 Maßnahmen zum Schutz von geheimem Know-how im Rahmen digitaler Fertigungsprozesse | 270 |
| 3.1 Risikoanalyse | 270 |
| 3.2 Vertragliche Regelungen | 271 |
| 3.3 Maßnahmen auf dem Gebiet der IT-Sicherheit | 276 |
| 3.4 Organisatorische Maßnahmen | 280 |
| 4 Zusammenfassung | 283 |
| II Datensicherheit bei Smart Services und Cloud-Sicherheit und Datenschutz im Cloud-Computing | 284 |
| 1 Einleitung | 284 |
| 2 Architektur | 285 |
| 2.1 Cloud-Service-Modelle | 285 |
| 2.2 Cloud-Deployment-Modell | 286 |
| 2.3 Smart-Service-Architekturen | 286 |
| 2.4 Service-orientierte Architekturen | 287 |
| 3 Rechtlicher Rahmen | 288 |
| 3.1 Allgemeines | 288 |
| 3.2 Datenschutz | 289 |
| 3.3 Informationssicherheit | 290 |
| 4 Datensicherheit | 292 |
| 4.1 Allgemeines | 292 |
| 4.2 Normen, Standards, Frameworks | 293 |
| 4.3 Gefährdungsszenarien | 297 |
| 5 Best Practice | 298 |
| 5.1 Datensicherheitsteam | 298 |
| 5.2 Sicherheit durch Harmonisierung | 299 |
| 5.3 Sicherheit durch Klarheit | 299 |
| 5.4 Resilienz by Design | 299 |
| 5.5 Domänenwissen | 300 |
| 6 Zertifizierung | 301 |
| 7 Auswahl und Kontrolle der Dienstleister | 302 |
| 8 Zusammenfassung | 305 |
| III Informationssicherheit in Industriesteueranlagen | 306 |
| 1 Aktuelle Herausforderungen und Bedrohungen | 306 |
| 1.1 Das Vorgehen der Angreifer | 307 |
| 1.2 Typen von Angreifern und Angriffen | 311 |
| 1.3 Verwundbare Stellen | 313 |
| 2 Maßnahmen zur Erhöhung derInformationssicherheit | 314 |
| 2.1 Risikobewertung | 315 |
| 2.2 Schutzbedarfsfeststellung | 316 |
| 2.3 Bedrohungsanalyse | 317 |
| 2.4 Schwachstellenanalyse | 318 |
| 2.5 Kommunikationssicherheit | 320 |
| 2.6 Systemhärtung | 329 |
| 2.7 Organisatorische Sicherheitsmaßnahmen | 330 |
| 2.8 Kontinuierliches Managementder Informationssicherheit | 331 |
| 3 Ansätze zur Weiterentwicklung der Informationssicherheit in Industrie 4.0 | 332 |
| 3.1 Neue Herausforderungen an die Informationssicherheitdurch Industrie 4.0 | 332 |
| 3.2 Architekturansatz | 333 |
| 3.3 Sichere Identitäten | 334 |
| 3.4 Sichere unternehmensübergreifende Kommunikationfür Industrie 4.0 | 335 |
| 4 Zusammenfassung | 335 |
| Resümee | 338 |
| Entwicklung und Ausblick von Industrie 4.0 | 340 |
| Schlusswort des Herausgebers | 342 |
| Sponsored Content | 344 |
| Abkürzungen und Stichwortverzeichnis | 352 |
