Skip to main content

IoT-basiertes Prozessmanagement

Mobile Benutzerführung in der digitalen Fabrik

 

Der folgende Beitrag beschreibt einen Ansatz, der die "BigData"-Welt der Erfassung und Analyse von IoT- bzw. Sensordaten mit der Technologie des Prozessmanagements verbindet und die Aktivierung von Bediener-Aufgaben auf Basis benutzerdefinierter Bedingungen auf IoT-Objekten ermöglicht.

Einleitung und Motivation

Die durch die „Industrie 4.0“-Initiative geförderte Verschmelzung von Produktion und Informationstechnologie führt im zukünftigem Produktionsumfeld zu einer Allgegenwärtigkeit von rechnergestützten Informationsverarbeitungssystemen, die unter dem Begriff „Ubiquitous Computing“ zusammengefasst werden. In der Produktion wird darunter auch die Vernetzung von Produktionsmaschinen mit übergeordneten Informationssystemen verstanden, so dass sämtliche produktionsbeteiligten Objekte über eine mobile Infrastruktur untereinander kommunizieren und interagieren können [6]. Prozessrelevante Informationen lassen sich so in Echtzeit erfassen, wodurch Prozesse entlang der gesamten Wertschöpfungskette effizient gestaltet werden können [3].

Durch die Möglichkeiten, die mit der digitalen Transformation einhergehen, lässt sich die Produktionsplanung und -steuerung unterstützen. Dabei ermöglichen Prozessführungs-, Prozessüberwachungs-, sowie Analysedaten auf Basis von Internet of Things (IoT) Anwendungen eine umfassende Sicht auf Abläufe in der Produktion. Als ein mögliches Szenario wird ein Produktionsprozess betrachtet, der Material in einer Maschine bearbeitet. Für die Einhaltung der Produktqualität, welche durch Sensoren überwacht wird, sind manuelle Eingriffe und die ständige Bereitschaft von Bedienern erforderlich. Basierend auf Sensordaten und seiner Erfahrung muss der Bediener Entscheidungen treffen, um die Produktqualität durch seinen Eingriff sicher zu stellen. Ein solches Szenario wird besser beherrschbar, wenn digitale Produktions- und Maschinendaten zeitnah von menschlichen Bedienern zugegriffen und verarbeitet werden können. In der Kombination aus IoT-Anwendungen und Prozess- bzw. Produktionssteuerung ergeben sich sowohl Reaktionszeit- und Kosteneinsparungen für Unternehmen als auch Effizienz- und Qualitätssteigerungen, indem die gezielte Vergabe und Abwicklung von Arbeitsaufträgen durchgeführt und überwacht werden kann.

Der vorgestellte Ansatz (vgl. Abb. 1) verbindet die "BigData"-Welt der Erfassung und Analyse von IoT- bzw. Sensordaten [4] mit der Technologie des Prozessmanagements [1]. Dabei werden individuelle Arbeitsabläufe von Anlagenbedienern, d.h. Workflows bzw. Prozesse, in einer übersichtlichen Grafik mit Hilfe der Prozess-Standardnotation BPMN (Business Process Modeling and Notation) [5] modelliert. Ein Prozessmodell enthält also Aufgaben, sog. Tasks, die bestimmten Personen bzw. Gruppen von Personen zugeordnet sind. Durch die Anbindung jeglicher Art von Sensor- und Anlagendaten wird die selektive Aktivierung von Tasks auf Basis benutzerdefinierter Bedingungen ermöglicht. Der Ansatz ermöglicht somit die Verknüpfung von Sensoren und Steuerungen mit menschlichen Aufgaben. Modellierte Prozesse können über eine mobile Administrationsoberfläche gestartet und verwaltet werden. Der Status laufender Prozesse kann stets überwacht und nachvollzogen werden. Bereits abgeschlossene Prozesse können nachträglich analysiert und Flaschenhälse sichtbar gemacht werden. Bediener werden über aktuelle Aufgaben auf mobilen Endgeräten wie z.B. Smartwatches benachrichtigt. Hierdurch wird der Bediener bei seinen Tätigkeiten unterstützt ohne bei der Durchführung seiner Kernaufgaben durch zusätzlichen Aufwand abgelenkt zu werden.

Ziel dieses Beitrags ist den Nachweis zu erbringen, dass mit bestehender Technologie und mit vertretbarem Aufwand eine neue Qualität in die Steuerung und Überwachung von Produktionsprozessen gebracht werden kann. Hierbei wird auf Standard-Technologien aus dem Bereichen Prozessmodellierung und -ausführung, mobilen Geräten und Sensortechnik gesetzt. Der Beitrag demonstriert den Aufbau eines effektiven und effizienten Gesamtsystems im Produktionsbereich und soll aufgrund seiner kostengünstigen Umsetzung die Anwendung der oben genannten Technologien sowohl in kleinen, mittleren als auch großen Unternehmen motivieren.

Gemeinsame Sprache und Cockpit

Eine Verknüpfung von Industrie 4.0-Konzepten und Prozessmanagement ermöglicht es, Mitarbeiter bei ihren operationalen Aufgaben zu unterstützen. Es wird dafür gesorgt, dass Daten in Echtzeit zusammenlaufen und in eine interpretierbare Darstellung übersetzt werden. Diese abstrahiert zum einen von den vielen, proprietären Darstellungen von Maschinen- und Sensordaten und ist daher von der gesamten Belegschaft eines Produktionsbetriebs leicht zu verstehen und zu interpretieren. Die Darstellung der aktuellen Produktionsdaten erfolgt in unserem Anwendungsfall auf Smartwatches. Prozessbeteiligte erkennen auf dem Display ihrer Smartwatch, welche Aufgaben anstehen, wie beispielsweise Wartungsarbeiten, Materialnachlieferung oder Behebung einer Maschinenstörung. Das Prozessmanagement-System löst Aufgaben aus und teilt sie dem geeigneten Mitarbeiter zu, unabhängig davon, wo sich Maschinenbediener, Wartungs- oder Servicemitarbeiter gerade – innerhalb der Produktionshalle – aufhalten. So wissen sie stets über den Status aller Anlagen und ihrer Aufgaben Bescheid. Dies verkürzt die Reaktionszeiten der Mitarbeiter und reduziert Maschinenstillstände aufgrund verspäteter Reaktionen des Bedienerpersonals.

 

Schritt für Schritt zur IoT-basierten Ablauforganisation

Im ersten Schritt werden Produktionsprozesse, Arbeitsabläufe von beteiligten Bedienern sowie notwendige Daten und Informationen aus Maschinen, Steuerungen und Sensoren in einer standardisierten, graphischen Spezifikationssprache für Abläufe (z.B. BPMN) [5] modelliert und digitalisiert. Auf Basis einer Prozess-Automatisierungskomponente können die resultierenden Prozessmodelle schließlich ausgeführt werden und konkrete Aufgaben an Mitarbeiter auf Basis aktueller Anlagen- und Sensordaten verteilt werden. Die mobile Zuteilung von Aufgaben an Mitarbeiter setzt das Vorhandensein einer mobilen, verteilten Netzwerkinfrastruktur voraus, d.h. beispielsweise in Form einer drahtlosen Client-Server Architektur. Auf diese Weise können gerade notwendige Aufgaben vom Planungssystem, z.B. via WLAN an diverse mobile Geräte (z.B. Smartwatches) gesendet werden, welche jeweils bestimmten Anlagenbedienern zugewiesen sind.

Überschreitet beispielsweise der aktuelle Wert eines Temperatursensors eine bestimmte Warngrenze, wird – wie vorher im Prozessmodell definiert sein muss – eine bestimmte Arbeitsaufgabe aktiviert und an die mobilen Geräte von Mitarbeitern einer bestimmten, vordefinierten Bedienergruppe gesendet. Das System sorgt automatisch dafür, dass Mitarbeiter mit der passenden Qualifikation den Arbeitsauftrag erhalten. Damit die unterschiedlichen Aufgaben zielgerichtet zugewiesen werden können, muss ein Unternehmen Mitarbeiter bestimmten Gruppen auf Basis von Qualifikationen oder Schichtgruppen zuteilen.

Einbeziehung der Bediener

Mitarbeiter werden auf diese Weise mittels haptischer, akustischer oder visueller Signale auf dem dedizierten mobilen Gerät auf neue Aufgaben hingewiesen, die sie annehmen oder ablehnen können. Ist eine konkrete Aufgabe von einem Mitarbeiter angenommen, wird diese alle anderen Mitarbeiter der Gruppe entzogen. Falls ein Mitarbeiter eine angenommene Aufgabe nicht mehr erfüllen kann, kann er diese auch eigenständig wieder für alle zuvor festgelegten Mitarbeitergruppen freigeben und entsprechend selbst wieder neue Aufgaben empfangen. Auf diese Weise lassen sich alle Arbeiter mit mobilen Geräten gruppenspezifisch kontaktieren, um Aufgaben und Arbeitsanweisungen zu verteilen.

Ziel der Lösung ist dabei ein hoher Grad an Benutzerorientierung, d.h. das System und Prozessmodelle lassen sich von Mitarbeitern selbst weiterentwickeln. Viele frei erhältliche BPMN-Modellierungsplattformen (z.B. BPMN-IO) erlauben es Facharbeitern, selbst Modellierung und Anpassung von Prozessen vorzunehmen. Dies ermöglicht es, Maschinenanbindung und Ablaufsteuerung gemeinsam mit Mitarbeitern umzusetzen und stetig zu verbessern.

Integrierte Architektur für IoT-basiertes Prozessmanagement

In etablierten Ansätzen und Systemen wird die integrierte Nutzung von IoT-Technologie für die systemgestützte Prozessausführung insbesondere durch das Fehlen einer gemeinsamen Architektur eingeschränkt, welche die Kommunikation zwischen beiden Bereichen standardisiert und steuert. Zur Überbrückung dieser konzeptuellen Lücken wird ein Ansatz für IoT-Anwendungen zur Unterstützung mobiler Ablauforganisationen in der Produktion vorschlagen, der IoT-Technologien für das Prozessmanagement nutzt [7]. Dazu wird eine integrierte Architektur für ein IoT-fähiges Prozessmanagement vorgestellt, welche die folgenden Teilaspekte umfasst:

 

  • Anbindung von IoT-Daten an laufende Prozesse bzw. Prozessmodelle - Zu erfassende und anzubindende Daten aus Sensoren und Steuerungen der Produktionsanlage müssen konfiguriert werden. Relevante Daten müssen in entsprechenden Prozessmodellen referenziert werden.
  • Aktivierung von Aufgaben auf Basis aktueller IoT-Daten - Mit Hilfe einer Prozess-Engine werden Prozessmodelle ausgeführt und Daten in Echtzeit ausgewertet. Auf Basis frei definierbarer Bedingungen auf diesen Daten in Prozessmodellen werden menschliche Aufgaben aktiviert.
  • Mobile Bereitstellung von Aufgaben an Bediener - Diese Aufgaben werden unmittelbar an verantwortliches Bedienpersonal gesendet, unabhängig von deren Position an der Anlage.

 

Anbindung von IoT-Daten an Prozessmanagement-Systeme

Im ersten Schritt werden aktuelle Daten von IoT-Objekten an das Prozessmanagement-System gesendet. Hierbei ist zu berücksichtigen, dass bestimmte IoT-Daten nicht an alle laufenden Prozesse (Prozessinstanzen) gesendet werden, sondern nur an diejenigen, welche auch eine bestimmte IoT-Variable referenzieren. Aus diesem Grund muss eine Abbildung zwischen IoT-Variablen und verwendeten Prozessmodellen etabliert werden. Betrachten wir hierzu Abb. 2. Eine Menge an Prozessmodellen P  wird durch das Prozessmanagement-System ausgeführt, wobei jedes Modell pi  eine Menge an IoT-Variablen Dpi  referenziert. Jede Variable v ϵDp  besitzt hierbei einen eindeutigen Identifikator. Die grundlegende Annahme ist hierbei, dass jede benötigte Variable vi  dabei über den gleichen Identifikator im entsprechenden Prozessmodell referenziert werden kann. Nachdem eine derartige semantische Abbildung zwischen Daten und Modell definiert worden ist, werden jeweils aktuellste Werte der referenzierten Variablen an das Prozessmanagement-System gesendet. Die technische Umsetzung der Anbindung von Daten an laufende Prozesse wird dabei von der IoT-Infrastruktur übernommen. Zu beachten ist hierbei, dass die Abstraktionslücke zwischen teilweise hochfrequenten IoT- und Sensordaten und der Welt der menschlichen Aufgaben eines Geschäftsprozesses überbrückt werden muss. In Abb. 2 ist dies schematisch durch die Angabe von verschiedenen Sende-Zykluszeiten gelöst: Während IoT-Daten potentiell mehrfach pro Sekunde abgetastet und gespeichert werden (cycle timeIoT ), werden aktuelle Werte nur jede Sekunde oder nach dem Auslösen bestimmter Bedingungen (cycle timeBPMS ) (Stichwort Complex Event Processing [2]) an die Prozess-Engine gesendet.

 

Referenzieren von IoT-Variablen in Prozessmodellen

Basierend auf der etalierten Echtzeit-Verbindung von IoT-Objekten und eines Prozessmanagement-Systems können IoT-Variablen auf verschiedene Weisen in Prozessmodellen referenziert werden. Hierbei nehmen wir an, dass sämtliche Prozessmodelle konform zur Modellierungssprache BPMN abgebildet sind. In einem Prozessmodell wird spezifiziert, welche (menschlichen) Aktivitäten in welcher Reihenfolge ausgeführt werden. Damit das Prozessmanagement-System Aktivitäten auf Basis der aktuellen Werte von IoT-Variablen aktivieren oder beenden kann, muss das Modell bestimmte Information beinhalten. Dieser Schritt erfordert es daher, gegebene Prozessmodelle von Arbeitsabläufen zu erweitern. Dabei können IoT-Variablen lediglich lesend referenziert werden (passiv, informierend) als auch aktiv geschrieben werden (aktiv, interagierend).

Passive Referenzierung

Die Sprache BPMN enthält verschiedene Konstrukte, die eine Referenzieren von IoT-Variablen in Prozessmodellen erlauben. Die folgenden Sprachelemente eignen sich gut zur exemplarischen Erläuterung der Integrationskonzepte:

  • IoT-basierte Conditional Events: Trigger Events können angewendet werden, um Aufgaben oder ganze Prozesse zu aktivieren, wenn eine bestimmte Bedingung auf den aktuellen Werten von IoT-Variablen erfüllt ist. Beim sog. Intermediate Conditional Catch Event wird die Ausführung an einem bestimmten Punkt angehalten bis eine bestimmte Bedingung erfüllt ist. Anschließend wird der Prozess mit der nächsten Aufgabe fortgesetzt. Boundary Events können dazu verwendet werden, Aufgaben abzubrechen bzw. zu entziehen, wenn referenzierte IoT-Variablen eine hinterlegte Bedingung erfüllen. Ein Conditional Start Event starten gesamte Prozesse, z.B. das Auffüllen eines Teilelagers, auf Basis der Werte von verknüpften IoT-Werten.
  • IoT-basierte Entscheidungspunkte: In BPMN werden sog. datenbasierte Gateways dazu verwendet, um Entscheidungen zu modellieren. Hier können IoT-Variablen eingesetzt, um den weiteren Verlauf im Prozess zu bestimmen.
  • IoT-basierte Schleifen: Auch zur Abbildung von sich wiederholenden Aktionen können IoT-Variablen als ereignisbasierte Trigger eingesetzt werden.

Aktive Interaktion

Zur vollständigen bidirektionalen Integration von IoT-Objekten und Prozessmanagement ist es notwendig, auch eine aktive Interaktion, d.h. einen schreibenden Zugriff auf IoT-Objekte zu ermöglichen. Auch hierfür bietet der BPMN-Standard einige Konzepte, die zur Kommunikation verwendet werden können. Service Tasks werden verwendet, um (Web-)Services oder allgemein Programmcode aufzurufen und sind daher die Lösung zur Abbildung von automatisierbaren Aufgaben. Existierende Prozessmanagement-Systeme enthalten häufig bereits implementierte Konnektoren zu etablierten Web-Protokollen wie HTTP. In vielen Fällen bieten IoT-Objekte bereits HTTP-Schnittstellen an, wodurch eine direkte Schnittstelle aus dem Prozessmanagement-System heraus möglich ist. Aber auch in Fällen, in denen IoT-Objekte nur über Fremdprotokolle angesteuert werden können, ist eine Integration über Kopplungssysteme, die meist frei erhältlich sind, möglich.

 

Analyse von Prozessen

Als weiteren Schritt können auftragsrelevante Daten und bereits ausgeführte Prozesse in Form von digitalen Ereignisprotokollen weiterverarbeitet und analysiert werden (Stichwort: Process Mining [10]). Zu den Analyseergebnissen zählen beispielsweise durchschnittliche Bearbeitungszeiten der jeweiligen Arbeitsaufträge und -abfolgen, von der Annahme des Auftrags bis zur Rückmeldung seiner Beendigung. Daraus bekommt die Prozessplanung und -steuerung genauere Informationen und damit eine bessere Transparenz hinsichtlich firmeninterner Produktionsprozesse und -aufgaben. Hierzu werden alle bereits abgeschlossenen und auch laufenden Prozesse angezeigt und deren minimale, maximale und durchschnittliche Laufzeiten angegeben. In jeden Prozess kann man „einzoomen“ und minimale, maximale und durchschnittliche Laufzeiten der untergeordneten Aktivitäten einsehen. Außerdem können umfangreiche Anfragen an das Ereignisprotokoll gestellt und prozessspezifische KPIs berechnet werden.

Technische Umsetzung der bidirektionalen Kommunikation

Der beschriebene Ansatz wird auf Basis einer Vierschicht-Architektur umgesetzt, die in Abb. 3 dargestellt ist [8]. Diese Architektur besteht aus den folgenden Ebenen: (i) Daten-Quellen, d.h. beliebige Sensoren und Anlagensteuerungen; (ii) Daten- und Kommunikationsinfrastruktur; (iii) Prozessmanagement-System; und (iv) Daten-Senken, d.h. mobilen Geräten von Bedienern bzw. wiederum IoT-Objekten wie z.B. Robotern oder anderen Aktoren. Die Kommunikationen über Ebenengrenzen hinweg erfolgt auf Basis von Standard-Kommunikationsprotokollen wie dem Message Queue Telemetry Transport (MQTT)-Protokoll, dem HTTP-Protokoll oder dem Constrained Application Protocol (CoAP). Zur generischen Anbindung von beliebigen IoT-Objekten wird die frei zugängliche Node RED Plattform von IBM verwendet, welche als Vermittlungs- und Kopplungsinstanz die Kommunikation zwischen zahlreichen IoT-Protokollen und Datenquellen wie TCP-kompatiblen Sensoren und dem ansatzspezifischen Kommunikationsprotokoll MQTT übernimmt. Wie in Abb. 3 dargestellt, werden auf diese Weise beliebige Datenvariablen vx  aus Sensoren auf jeweils ein MQTT-Topic (/data/vx ) abgebildet, welche in der Dateninfrastruktur verarbeitet werden. Dies ermöglicht eine vollständige Unabhängigkeit des Systems von der anzubindenden IoT-Infrastruktur. Die aufgezeichneten Daten werden in einer NoSQL Datenbank (z.B. Apache Cassandra) gespeichert. Anhand der definierten Abbildung von IoT-Variablen zu Prozessvariablen, d.h. Variablen, die in Prozessmodellen referenziert werden, werden aktuelle Datenwerte zyklisch an ein angebundenes Prozessmanagement-System gesendet. Das IoT/Prozess-Kommunikationsmodul sendet dabei aktuelle Daten nur an diejenigen Prozessinstanzen, deren Prozessmodelle eine bestimmte Variable referenzieren. Auf Basis der aktuell vorliegenden IoT-Daten berechnet die Prozess-Engine neue Aufgaben, welche schließlich an Bediener verteilt werden. Für die Ausführung der BPMN-Prozessmodelle wird das frei verfügbare Prozessmanagement-System Camunda eingesetzt [???REF]. Camunda bietet eine HTTP/Rest-basierte Kommunikationsschnittstelle, die verwendet wird, um (i) aktuelle Daten an das System zu senden (PUT ) und um (ii) aktivierte Tasks an Bediener und andere Objekte bzw. Systeme zu verteilen (GET  und POST ). Die mobile Benutzer-Schnittstelle wird als Android-basierte Smartwatch-Applikation umgesetzt, welche es Bedienern erlaubt, Aufgaben zu starten oder zu beenden und neue Prozesse zu initiieren. Die Zuordnung einer Smartwatch zu einem bestimmten Bediener erfolgt dabei über einen unveränderlichen Geräte-Identifikator, der in der Administrationsoberfläche bei dem jeweiligen Benutzer gespeichert wird. Ein zentrales Kommunikationsmodul übernimmt schließlich die Abbildung der HTTP-Befehle auf MQTT-Topics, welche von der Smartwatch-Applikation verarbeitet werden können. Im Fall von aktiven Interaktionen mit dem IoT-Umfeld werden BPMN Service Tasks eingesetzt, welche mittels eines von Camunda implementieren HTTP-Konnektors entweder direkt über das Protokoll mit IoT-Objekten kommunizieren und Variableninhalte übergeben können, oder indirekt wiederum über die Node RED-Plattform. Muss beispielsweise nach Abschluss einer manuellen Aufgabe ein Roboter zu einer bestimmten Position gerufen werden, so wird diese als Parameter eines HTTP-Aufrufs vom Prozess-System an die Node RED-Plattform übertragen. Hier kann die Position aus dem Aufruf, d.h. als URL-Parameter oder dem POST-Body, ausgelesen werden und der entsprechende Befehl an den Roboter in einem unterstützen Protokoll abgesetzt werden. Auf diese Weise wird von der vorgeschlagenen Lösung die vollständige bidirektionale Kommunikation zwischen IoT-Objekten (z.B. Sensoren, Smartwatches und Roboter) und Prozessmanagement-Systemen realisiert.

Anwendung in Industrie

Die vorgestellten Konzepte werden unter anderem in einer Produktionsanlage für Wellpappe umgesetzt. Aufgrund zunehmender Automatisierung und Betriebspersonalreduktion wird eine derartige Produktionsstraße durch immer weniger Personal abgedeckt. Interaktionen mit der bis zu 140 m langen Anlage erfordern deshalb längere Wege zu Bedienterminals und führen zu verzögerten Informationsfluss. Die verlängerten Reaktionszeiten sind häufig Auslöser erhöhter Ausschussmengen.

Sämtliche Produktionsabläufe und notwendige Tätigkeiten von Bedienern werden vorab in Form von BPMN-Prozessmodellen abgebildet. Die modellierten Prozesse referenzieren dabei zahlreiche verschiedene Sensorvariablen in Form von bedingten Ereignissen (Intermediate Conditional Catch Events), wodurch bei bestimmten Sensorwerten neue manuelle Aufgaben ausgelöst werden oder laufende Aufgaben abgebrochen (Boundary Events) werden. Ein exemplarischer Auszug aus den modellierten Prozessen ist in Abb. 4 dargestellt. Das Modell enthält sowohl menschliche Aufgaben als auch IoT-basierte Ereignisse und Entscheidungspunkte, welche die Abarbeitung des Prozesses während der Ausführung steuern. Bei der Umsetzung des Konzepts wurde ein Rollenmodell implementiert, in dem jeder Bediener, den von ihm zu überwachenden Bereich der Anlage definiert. Im Fall des abgebildeten Verklebungsprozesses („Splice“) erhalten Bediener im Bereich in dem die Papierrollen in die Anlage eingespeist werden, durch die kontinuierliche Überwachung Aufgaben zum nächsten anstehenden Rollenwechsel oder über auftretende Defekte in der Wellpappenbahn. Um Bediener in Echtzeit auf anstehende Aufgaben hinzuweisen, wurde das gesamte Personal mit Smartwatches (siehe Abb. 5) ausgestattet und entsprechenden Gruppen entsprechend des jeweiligen Tätigkeitsbereiches zugeteilt. Neben aktuell verfügbaren Aufgaben werden auch diverse relevante Kontextinformationen auf der Smartwatch angezeigt. So stehen beispielsweise dem Bediener im Trockenende – das ist der Bereich in dem fertige Wellpappenstapel die Anlage verlassen – Kontrollelemente zur Verfügung, die über die Restlaufzeit des Produktionsauftrages, den nächsten Stapelaustransport oder die Produktionsgeschwindigkeit informieren. Anwender im Nassende – der Bereich, in dem die Papierrollen in die Anlage eingespeist werden – erhalten durch die kontinuierliche Überwachung detaillierte Informationen zum nächsten anstehenden Rollenwechsel oder über auftretende Defekte in der Wellpappenbahn. Durch die beschriebene Umsetzung konnten Wege- und Reaktionszeiten signifikant verkürzt, damit Ausschuss reduziert und die Qualität gesteigert werden. Auch auf die Anzahl der Anlagenstillstände wirkte sich der Ansatz positiv aus. Diese konnten deutlich früher erkannt und proaktiv behoben werden. somit konnte eine nachhaltige Steigerung der Gesamtanlageneffektivität erzielt werden.

Fazit und Ausblick

Der vorgestellte Ansatz verbindet die Erfassung und Analyse von IoT- bzw. Sensordaten mit der Technologie des Prozessmanagements. Dabei wird bewusst auf Standardtechnologie aus den jeweiligen Bereichen gebaut. Es wird deutlich, dass die vorgestellte Integration auf Basis bereits existierender Konzepte und technischen Lösungen möglich ist und nicht notwendigerweise neue Konzepte geschaffen werden müssen. Die Standard-Prozessmodellierungssprache BPMN bietet adäquate Modellierungskonstrukte zur Abbildung und Referenzierung von IoT-Objekten und der damit verbundenen Echtzeitdaten. Existierende Prozessmanagement-Systeme wie Camunda implementieren mit einer HTTP-Schnittstelle bereits ein adäquates Protokoll zur Umsetzung der bidirektionalen Kommunikation zwischen IoT- und Prozess-Welt.

Dennoch gibt es Verbesserungspotentiale, die zur effizienteren und sichereren Kommunikation umgesetzt werden können. Wünschenswerte wäre beispielsweise eine IoT-/Prozess-Kommunikation über das schlanke MQTT-Protokoll, um im Fall von größeren Anwendungsfällen mit vielen Benutzern und IoT-Objekten den auftretenden Datenverkehr zu minimieren. Auch eine Erweiterung hinsichtlich sicherer und verschlüsselter IoT-Kommunikation durch die Verwendung von Secure MQTT [9] wäre dabei denkbar.

Literatur

  1. Dumas, M., La Rosa, M., Mendling, J., Reijers, H. A. (2013). Fundamentals of business process management (Vol. 1, p. 2). Heidelberg: Springer.
  2. Eckert, M., Bry, F. Informatik Spektrum (2009) 32: 163. doi.org/10.1007/s00287-009-0329-6
  3. Günthner W.; Wölfle, M.; Fischer, R.: Wearable Computing und RFID in Produktion und Logistik – Ansätze zur bereichsübergreifenden Nutzung digitaler Informationen. Logistics Journal: Nicht referierte Veröffentlichungen, 2011.
  4. Meroni, G., Baresi, L., Montali, M., Plebani, P. (2018). Multi-party business process compliance monitoring through IoT-enabled artifacts. Information Systems, 73, 61-78.
  5. Object Management Group (OMG), BPMN Spezifikation (2011). Version 2.0. Final Adopted Specification.
  6. Schönig, S.; Jablonski, S.; Ermer, A.; Aires Silva, A. P.: Digital Connected Production: Wearable Manufacturing Information Systems, In: Debruyne, C.; Panetto, H.; Weichhart, G.; Bollen, P.; Ciuciu, I.; Vidal, M.; Meersman, R.(ed.): On the Move to Meaningful Internet Systems: OTM 2017 Workshops - Rhodes, Greece: Springer (Lecture Notes in Computer Science; 10697), S. 56-65. 2017.
  7. Schönig, S., Ackermann, L., Jablonski, S., Ermer, A.: An Integrated Architecture for IoT-Aware Business Process Execution, In: Gulden, J., Reinhartz-Berger, I., Schmidt, R., Guerreiro, S., Guédria, W., Bera, P. (Eds.) Enterprise, Business-Process and Information Systems Modeling: 19-34, 2018.
  8. Schönig S., Aires A.P., Ermer A., Jablonski S. (2018) Workflow Support in Wearable Production Information Systems. In: Mendling J., Mouratidis H. (eds) Information Systems in the Big Data Era. CAiSE 2018. Lecture Notes in Business Information Processing, vol 317. Springer, Cham
  9. Singh, M., Rajan, M. A., Shivraj, V. L., Balamuralidhar, P. (2015). Secure MQTT for Internet of Things (IoT). In Communication systems and network technologies (CSNT), 2015 fifth international conference on (pp. 746-751). IEEE.
  10. Van der Aalst, W. M. (2016). Process mining: data science in action. Springer.

 

Autoren und Copyright

Stefan Schönig 
Stefan Jablonski
Lehrstuhl für Datenbanken und Informationssysteme,Universität Bayreuth,Universitätsstraße 30, 95447 Bayreuth
E-Mail

Andreas Ermer
Maxsyma GmbH & Co. KG,Neustädter Straße 9, 92685 Flo

© Springer-Verlag Berlin Heidelberg 2019