Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

• Praktische Erfahrung mit Relationalen Datenbanken (SQL).
• Praktische Kenntnisse in mindestens einer Programmiersprache.
• Erfahrung im Umgang mit Containertools (Docker, Podman)

Diese Lehrveranstaltung behandelt fortgeschrittene Themenbereiche des Managements persistenter Daten. Dabei liegt der Fokus speziell auf IIoT Zeitreihendaten die von autonomen Assets (Maschinen, Roboter) produziert werden. Dazu gehören unter anderem:

• Das Unified Namespace Konzept zur Verwaltung von Shopfloor Events
• Der Einsatz moderner Datentechnologien wie Redis, Kafka und Zeitseriendatenbanken
• Das Verständnis gängiger Protokolle im Industrie 4.0 Umfeld (MQTT, OPC-UA, MODBUS)
• Das Konzept von Continuous Aggregates um die Datenflut zu aggregieren ohne wertvolle Informationen zu verlieren
• Die Konzepte "Data Mesh" und "Data Product" um dem Anwender schnell und einfach alle relevanten Daten im richtigen Format liefern zu können
• Konzepte zur effektiven Visualisierung von Zeitseriendaten

Die fortschreitende Digitalisierung der Industrie und die damit entstehende Datenflut, erfordern neue, moderne Konzepte zur Strukturierung und Verwaltung dieser Daten. Es wird immer wieder der Satz "Daten sind das neue Gold" zitiert. Das kann allerdings nur dann stimmen, wenn die Daten zur richtigen Zeit, im richtigen Format und mit dem richtigen Kontext für eine Analyse zur Verfügung stehen.

Im Rahmen dieser Lehrveranstaltung werden die Studierenden lernen, wie man eine moderne Datenarchitektur aufbaut die allen Anforderungen von Industrie 4.0 gerecht wird. Sie werden lernen welche Komponenten dafür benötigt werden und wie sie diese Komponenten richtig einsetzen.

Fach- und Methodenkompetenz (F/M)

• Die Studierenden können die Herausforderungen im Zusammenhang mit Industrie 4.0 benennen und gängige Lösungsansätze beschreiben.
• Die Studierenden können den Begriff Unified Namespace (UNS) im Kontext von Industrie 4.0 definieren und erklären.
• Die Studierenden können ein UNS Namespace Konzept erstellen und implementieren
• Die Studierenden kennen die Funktionsweise eines MQTT Brokers und der unterschiedlichen Quality-of-Service Level
• Die Studierenden kennen die wichtigsten Datentypen und Befehle eines Redis Stores.
• Die Studierenden kennen die Funktionsweise einer Message Queue und verstehen wie diese verwendet werden kann um Anwendungen voneinander zu entkoppeln.
• Die Studierenden können die Konzepte "Data Mesh" und "Data Product" erklären und diese im Kontext von Industrie 4.0 einordnen.
• Die Studierenden verstehen die Funktionsweise einer Zeitseriendatenbank und wie sich diese von einer klassischen, relationalen Datenbank unterscheidet.
• Die Studierenden verstehen die Konzepte hinter Continuous Aggregates und sind in der Lage diese zu implementieren.
• Die Studierenden können einfache Grafana Dashboards zur Visualisierung der gesammelten Daten selbstständig erstellen und konfigurieren

Sozial- und kommunikative Kompetenzen (S/K) und Selbstkompetenzen (S)

• Die Studierenden können gestellte Aufgaben selbständig und fristgerecht lösen (Zuverlässigkeit).
• Die Studierenden können Informationen zusammenfassen und diese zielgruppengerecht präsentieren (Ausdrucksvermögen und Auftreten).
• Die Studierenden verstehen die Lösungen anderer und können konstruktive Verbesserungsvorschläge einbringen und mit Feedback umgehen (Kritikfähigkeit) sowie die eigenen Fähigkeiten und Grenzen reflektieren (Selbstreflexionsfähigkeit).
• Fähigkeit und Bereitschaft, sich neues Wissen selbstständig anzueignen und aus Erfolgen und Misserfolgen zu lernen (Lernkompetenz und -motivation).

Vorlesungen und Übungen mit individuellem Feedback.

Bewertung von Übungen 50%
Bewertung einer Präsentation zu einem ausgewählten Thema der Lehrveranstaltung 50%

Für eine positive Gesamtnote müssen in jedem Prüfungsteil mindestens 50% der Punkte erzielt werden.

Nicht zutreffend

Salcher, F., Finck, S., & Hellwig, M. (2024). A smart shop floor information system architecture based on the unified namespace. In 2024 IEEE International Conference on Engineering, Technology, and Innovation (ICE/ITMC) (pp. 1-9). IEEE.
Strengholt, P. (2023). Data management at scale. " O'Reilly Media, Inc.".
Hirsch, E., Hoher, S., & Huber, S. (2023). An OPC UA-based industrial Big Data architecture. arXiv. http://arxiv.org/abs/2306.01418
Kandasamy, J., Muduli, K., Meena, P. L., & Kommula, V. P. (Eds.). (2022). Smart manufacturing technologies for industry 4.0: integration, benefits, and operational activities. CRC Press.
Raj, A., Dwivedi, G., Sharma, A., Lopes de Sousa Jabbour, A. B., & Rajak, S. (2020). Barriers to the adoption of industry 4.0 technologies in the manufacturing sector: An inter-country comparative perspective. International Journal of Production Economics, 224, 107546. https://doi.org/10.1016/j.ijpe.2019.107546
Trunzer, E., Calà, A., Leitão, P., Gepp, M., Kinghorst, J., Lüder, A., Schauerte, H., Reifferscheid, M., & Vogel-Heuser, B. (2019). System architectures for Industrie 4.0 applications: Derivation of a generic architecture proposal. Production Engineering, 13(3–4), 247–257. https://doi.org/10.1007/s11740-019-00902-6
Xu, X., Lu, Y., Vogel-Heuser, B., & Wang, L. (2021). Industry 4.0 and Industry 5.0—Inception, conception and perception. Journal of Manufacturing Systems, 61, 530–535. https://doi.org/10.1016/j.jmsy.2021.10.006

Präsenzveranstaltung mit Anwesenheitspflicht