Industrie 4.0 war in den letzten zehn Jahren für viele Unternehmen eine Erfolgsgeschichte, nicht zuletzt aufgrund der nach wie vor wachsenden Anzahl gewinnbringender Anwendungen. Vor allem in der Brownfield-Produktion mit Bestandsmaschinen stellt die Umsetzung von Industrie 4.0 aufgrund heterogener Anlagen- und Datenstrukturen jedoch häufig eine große Herausforderung für Unternehmen dar. Die kommunikationstechnische Anbindung von Bestandsmaschinen sowie die Identifikation und Zuordnung von Signalen zu Industrie 4.0-Anwendungen ist für Anwender häufig ein manueller und zeitaufwändiger Prozess. Im Rahmen dieser Dissertation werden Ansätze für die automatisierte Bereitstellung von Maschinensteuerungsdaten in Brownfield-Produktionssystemen entwickelt. Ziel des entwickelten Systems sind die automatisierte Extraktion von Daten aus Schnittstellen von Bestandsmaschinen sowie die Identifikation und Zuordnung angestrebter Signale für Industrie 4.0-Anwendungen aus den extrahierten Datensätzen. Dafür werden zunächst auf Basis von Open Source-Bausteinen Konnektoren für den Datenaustausch mit im Brownfield existierenden Steuerungssystemen und Kommunikationsprotokollen erarbeitet. Im darauffolgenden Schritt werden Konzepte zur automatisierten Signalidentifikation auf Basis von analytischen sowie Machine Learning-Ansätzen entwickelt. Das von beiden Ansätzen abgeleitete hybride Lösungsystem wird darauf aufbauend zusammen mit den erarbeiteten Konnektoren in ein Assistenzsystem integriert. Teil des Assistenzsystems ist ein geführter Modus, der den Anwender von der Auswahl der Datenquelle bis zur Ausgabe der Signalzuordnung durch den Bereitstellungsprozess leitet. Der Ansatz wird abschließend an ausgewählten Demonstratoren hinsichtlich seiner Funktionalität und Übertragbarkeit validiert.

Anwendungen im Bereich Industrie 4.0 bieten in der Produktion zahlreiche Vorteile wie beispielsweise Steigerungen bei der Gesamtanlageneffektivität (OEE), ihre Umsetzung stellt für Unternehmen aber vor allem im Brownfield eine in vielen Fällen große Herausforderung dar. Die kommunikationstechnische Anbindung der Bestandsmaschinen mit der Identifikation und Zuordnung von Signalen zu Informationsmodellen ist für Anwender häufig ein manueller und zeitaufwändiger Prozess. Ziel der Dissertation war daher die Entwicklung eines Assistenzsystems, das Anwendern die automatisierte Bereitstellung von Maschinensteuerungsdaten erlaubt. Das Zielsystem umfasst dabei die automatisierte Extraktion von Daten aus unterschiedlichen Schnittstellen von Bestandsmaschinen sowie die aufbauende Identifikation und Zuordnung angestrebter Signale wie Motorströme und Lagewerte für Industrie 4.0-Anwendungen. Der Fokus des Zielsystems wurde aufgrund der breiten Anwendbarkeit in verschiedensten Maschinen und Anlagen auf Vorschubachsen gelegt, bezüglich des Signalraums auf Positionen, Verfahrgeschwindigkeiten, Motorströme und weitere Komponenteninformationen. Die Entwicklung teilte sich dann in die drei zentralen Module der Datenextraktion, der Identifikationsmethoden und des Assistenzsystems. Für die Datenextraktion wurden auf Basis von Open Source-Bibliotheken Kommunikationsmodule umgesetzt und für die Identifikationsmethoden unterschiedliche Ansätze zur Signalidentifikation konzeptioniert, evaluiert und systematisch eine Identifikationsstrategie abgeleitet. Im abschließenden Assistenzsystem wurde eine intuitive Benutzeroberfläche entwickelt, die die beiden vorhergehenden Teile nutzbar integriert, sowie die Funktionalität und Übertragbarkeit an vier Demonstrationsanlagen validiert. Diese umfassen zwei Fräsmaschinen, eine Honmaschine sowie einen KUKA-Industrieroboter. Im Rahmen der Arbeit ist ein Assistenzsystem entstanden, über das Anwender Daten aus Maschinen über zahlreiche Schnittstellen auslesen können. Diese umfassen sowohl moderne Kommunikationsprotokolle wie OPC UA als auch den direkten SPS-Zugriff via TCP / IP. Auch die Verarbeitung bereits aufgenommener Zeitreihendaten ist möglich, beispielsweise als CSV-Datei. Die Identifikation der Signale aus den Daten erfolgt durch einen dreistufigen hybriden Aufbau, der sowohl analytische Regelbasen als auch Maschinelles Lernen integriert und damit Signale zuordenbar macht. Die Ergebnisse der Validierung zeigen die Übertragbarkeit und Generalisierbarkeit des Systems auf andere Anlagen. Diese bezieht sich auf alle Systemstufen, der Filterung trivialer Signale, der ML-basierten Klassifikation von Positions- und nicht-Positionssignalen sowie der dritten Stufe, der regelbasierten Zuordnung aller Signale bei marginalen Anpassungsbedarfen in Regelbasen zur weiteren Generalisierung über die untersuchten Demonstrationsanlagen hinaus.