Sichere kollaborative Verwertung von Maschinendaten mithil-fe von Privacy Enhancing Technologies
Die vierte industrielle Revolution (Industrie 4.0), also die Digitalisierung und Vernetzung von Produktionsumgebungen, führt zu einer stetigen Zunahme fertigungsrelevanter Daten. Diese Daten werden in der Werkzeugmaschinenbranche für Zustandsüberwachungs- und Predictive-Maintenance-Anwendungen teilweise bereits genutzt. Noch werden diese Anwendungen überwiegend lokal an einzelnen oder wenigen Maschinen eingesetzt. Um das volle Potenzial der Daten zu nutzen und eine breite Basis für datengetriebene Geschäftsmodelle zu schaffen, müssen die Daten unternehmensübergreifend aggregiert und ausgewertet werden. Dieser datengetriebenen Innovation steht allerdings die Sorge vieler Werkzeugmaschinenbetreiber entgegen, durch die Bereitstellung von Daten einen Wettbewerbsnachteil zu erleiden.
Das Vorhaben „Sichere kollaborative Verwertung von Maschinendaten mithilfe von Privacy Enhancing Technologies“ (MINERVA) will daher eine sichere und transparente Dateninfrastruktur erforschen und entwickeln, die zu Datenökosystemen wie GAIA-X kompatibel ist. Sie umfasst Edge- und Cloud-Komponenten, um die Daten lokal erfassen und verarbeiten sowie unternehmensübergreifend auswerten zu können. Die Souveränität der Maschinendaten, die in bestehenden Infrastrukturen nicht sichergestellt werden kann, soll bei MINERVA durch die Entwicklung und Anwendung von Technologien, die den Datenschutz verbessern („Privacy Enhancing Technologies“) als zusätzliche Sicherheitsstufe gewährleistet werden. Damit werden die Daten anonymisiert, bevor sie zu Analysezwecken an Dritte weitergegeben werden. Dies entspricht dem in der industriellen Sicherheit weit verbreiteten und durch etablierte Normen geförderten Ansatz der „Defense in Depth“, dem koordinierten Einsatz mehrerer Sicherheitsmaßnahmen. Für den in der Industrie hochrelevanten Anwendungsfall der Zustandsüberwachung von Werkzeugmaschinen sollen durch geeignete Machine-Learning-Algorithmen und mithilfe der anonymisierten Daten, Modelle in der Cloud trainiert werden. Anschließend werden diese Modelle zurück in die Produktionsumgebungen übertragen und dort dazu genutzt, die Maschinenzustände zu bewerten.
Mittelfristig werden die Industriepartner durch die unternehmensübergreifende Auswertung gesicherter bzw. anonymisierter Daten in die Lage versetzt, ihren Kundinnen und Kunden kollaborativ trainierte Machine-Learning-Anwendungen anzubieten, für deren Funktionsfähigkeit keine sensitiven Daten weitergegeben werden müssen. Langfristiges Ziel ist es, das Vertrauen der gesamten Werkzeugmaschinenbranche in datengetriebene Geschäftsmodelle zu stärken und daraus abgeleitete Anwendungen am Wettbewerbsstandort Deutschland zu etablieren. Dies stärkt die Innovationskraft der wichtigen Werkzeugmaschinen-Branche und trägt zur technologischen Souveränität Deutschlands und Europas bei.