Industrie 4.0 und die Konsequenzen für Forschung und Lehre

Präsentation zum Thema: "Industrie 4.0 und die Konsequenzen für Forschung und Lehre"—  Präsentation transkript:

1 Industrie 4.0 und die Konsequenzen für Forschung und Lehre
Prof. Dr.-Ing. Peter Liggesmeyer Lehrstuhl Software Dependability, Technische Universität Kaiserslautern Geschäftsführender Direktor, Fraunhofer-Institut für Experimentelles Software Engineering Präsident Gesellschaft für Informatik

2 Gliederung Industrie 4.0 Die neuen Systeme: Smart Ecosystems
Herausforderungen zu Smart Ecosystems und deren Konsequenzen für Forschung und Lehre Schlussfolgerungen

3 Von der Manufaktur zu Industrie 4.0
Effizienz, Geschwindigkeit, Maschineneinsatz Industrie 2.0: Massenproduktion, Vereinheitlichte, preiswerte Produkte, Fließbandfertigung Manufaktur: Teure individuelle Einzelstücke für wenige Wohlhabende, kaum Maschineneinsatz Industrie 3.0: Produktvarianten bis Einzelstücke, CNC-Ferti- gung, hohe Qualität Industrie 4.0: Individuelle Einzelstücke für Jeden zu geringen Kosten, autonome, selbstorganisierende Fertigung geplanter Verlust: -249 T€

4 Industrie 4.0 Vor Industrie 4.0: Industrie 4.0: Hohe Stückzahlen
Takt und Band Produktionsplanung vor Produktionsbeginn Weitgehend statische Struktur der Produktion Industrie 4.0: Massenindividualisierte Produkte Flexibilität und Selbstoptimierung Adaptionsfähigkeit (z.B. bei Maschinenausfällen) Datengetrieben Vorab planen und dann möglichst oft unverändert wiederholen Während der laufenden Produktion autonom planen, umplanen, adaptieren und optimieren

5 Die neuen Systeme: Smart Ecosystems
special Auf dieser Folie wird der Integrationstrend dargestellt (und Begriffe eingeordnet)! 1. IS/ES  Teil-Integration! 2. Smart Eco Systems! (e.g., Industrie 4.0. Smart Farming, Smart Health, Smart Energy Mgt, …) 3. Bedeutung von Daten und deren intelligenter Nutzung wächst!!! - Informationssysteme beschreiben im Allgemeinen die technischen und organisatorischen Abläufe zur Informationsgewinnung und -verarbeitung. Informationssysteme sind meist Systeme zur Unterstützung bzw. Automatisierung von Geschäftsprozessen. - „„Eingebettete Systeme sind Systeme zur produktintegrierten Kontrolle, Überwachung und/ oder Regelung eines technischen Prozesses mittels Sensoren und Aktuatoren. Das System ist hier direkt in den technischen Kontext integriert. - „„Mobile Systeme bestehen aus mindestens einer Anwendung, die auf einem oder mehreren mobilen Endgeräten zum Einsatz kommt. Von mobilen Geschäftssystemen (oder -anwendungen) spricht man, wenn dabei Geschäftsprozesse unterstützt werden. - Emergente Unternehmenssoftwaresysteme sind integrierte Informationssysteme, die durch Kombination und Veränderung von Komponenten unterschiedlicher Hersteller nach dem Emergenzprinzip entstehen (d.h., nicht zwangsläufig vorgeplant sein müssen). „- Cyber-Physical Systems (CPS) beschreiben die enge Integration von eingebetteten Systemen über dedizierte Kommunikationsinfrastrukturen wie dem Internet. Mithilfe von Sensorik erfolgt eine Repräsentation der physikalischen Welt durch digitale Objekte. - Smart Ecosystem: Als Erweiterung zum klassischen Software Ecosystem integriert das Smart Ecosystem dazu nicht-triviale Informationssysteme zur Erreichung von Unternehmenszielen und nicht-triviale eingebettete Systeme zur Erfüllung von technischen Zielen. Sie wirken dabei als eine Einheit, die dynamisch kontextabhängige Informationen nutzt, um gemeinsame übergeordnete Ziele zu erreichen (die kein Einzelsystem alleine erreichen könnte). Im Forschungsbereich »Smart Ecosystems« bereiten wir die Zukunft des Software Engineerings vor. Data Analytics

6 Herausforderungen zu Smart Ecosystems
Diversität Integrierte Entwicklungs- methoden Big Data Datennutzungs- Kontrolle Selbst-Adaption Zertifizierung zur Laufzeit Neue Technologien KI in kristischen Anwendungen Autonomie Selbstdiagnose Garantierte Qualität offener Systeme Sicherheit 2 Minutes Complexity: Integration von ES/IS/MS/Cloud Diversity: Engineering methods, processes, technologies, tools, and system lifecycles Uncertainty: Unbekannter Kontext und Verfügbarkeit von Diensten zur Laufzeit Openness: Ermöglichen einer Zusammenarbeit on-demand und Nutzen von Diensten von Drittanbietern

7 Fast Evalution on Requirements and Architecture Level
Herausforderung: Integrierte Entwicklungsmethoden Modell- und simulationsbasierte Entwicklung Fast Evalution on Requirements and Architecture Level Virtual Engineering auf Basis gekoppelter Simulatoren Das System als Netzwerk gekoppelter Simulatoren und realer Artefakte Funktionales Verhalten Integration unterschiedlicher Abstraktionsniveaus: z.B. UML, Java, C, C++, SystemC, Simulink, … Integration weiterer simulatoren und realer Systembestandteile (z.B. Programmcode) Automatischer Test: Systemweite Zusicherungen (assertions) und Back-to-Back-Test Wie lehrt man disziplinenübergreifende Entwicklungsmethoden? Discrete Time Domain Checker  C/C++ Code

8 Herausforderung: Umfassende Sicherheit
Security und Safety Reifendruckwarnsystem konnte von außen per Funk so beeinflusst werden, dass falsche Drücke und fehlerhafte Warnungen angezeigt wurden Warum gibt es so wenig Forschung zu Analyseverfahren, die Security und Safety adressieren? Wann werden diese in Form von Standards verfügbar sein? Wie wird das gelehrt? Security and Privacy Vulnerabilities of In-Car Wireless Networks: A Tire Pressure Monitoring System Case Study. Rouf et al. USENIX Security 2010

9 Forschungsherausforderung: Neue Technologien: Bildverstehen
Welche Lösungen gibt es für dieses Problem? Wie kann das in die Lehre einfließen?

10 Herausforderung: Big Data
… 23% of the information in the digital universe .. would be useful for Big Data ... only 3% of the potentially useful data is tagged, and even less is analyzed. (IDC Report: The Digital Universe in 2020…, 2012) Es ist davon auszugehen, dass das weltweite Datenvolumen in den nächsten Jahren schneller wachsen wird als die Kapazitäten zur Datenverarbeitung, die sich seit einigen Jahrzehnten entsprechend dem Mooreschen Gesetz etwa alle 18 Monate verdoppeln. (BITKOM Studie „Big Data im Praxiseinsatz…, 2012) Brauchen wir den „Data Scientist“? Gibt es wieder mehr Lehre zu effizienten Algorithmen?

11 Herausforderung: Datennutzungskontrolle
Daten- Zugriffsschutz Sicherheit Privatheit Kein Nutzen durch Daten Big Data Datenbasierte Geschäftsmodelle Nutzen durch Daten Keine Sicherheit Keine Privatheit Wie gehen wir mit dem Spannungsfeld zwischen Datenzugriffsschutz und Big Data um? Daten- Nutzungskontrolle Sicherheit Privatheit Zweckgebundene Bereitstellung von Daten Technische Überwachung der Zweckbindung Nutzen durch Daten

12 Schlussfolgerungen Es muss etwas passieren. Aber was?
Die traditionellen Fakultätsgrenzen passen nicht zur Lehre disziplinenübergreifender Methoden Anwendungsorientierte Masterstudiengänge (z.B. CVT an der TU KL) erfordern Kompetenzen, die in „klassischen“ Studiengängen nicht ausreichend vermittelt werden Die Tendenz zur Einrichtung spezieller Studiengänge passt nicht zum geforderten querschnittlichen Qualifikationsprofil Zu vielen Herausforderungen gibt es noch keine akzeptablen Lösungen. Daher können diese nicht gelehrt werden Die geforderte Breite des Wissens ist in der gewünschten Tiefe kaum im Rahmen der aktuellen Studiendauern vermittelbar Es muss etwas passieren. Aber was? Vielleicht die Einrichtung einer neuen Leitdisziplin, die anders geschnitten ist: „Autonomik“