MINERVA – Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy-enhancing-Technologies

Die fortschreitende Digitalisierung in der Werkzeugmaschinenbranche ermöglicht die Erfassung immer größerer Datenmengen. Um dieses Potenzial für datengetriebene Innovationen nutzen zu können, müssen die Daten unternehmensübergreifend gesammelt und ausgewertet werden. Das iwb arbeitet gemeinsam mit dem Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC (Verbundkoordinator), der Hufschmied Zerspanungssysteme GmbH und der Siemens AG am Forschungsprojekt „Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy-enhancing-Technologies (MINERVA)“. In dem Projekt werden neue Technologien für eine Dateninfrastruktur untersucht und entwickelt, die die Sicherheit sensibler Maschinendaten durch moderne Datenschutztechnologien gewährleisten.

Motivation

Die fortschreitende Digitalisierung und Vernetzung in der Produktion bietet auch der Werkzeugmaschinenbranche die Chance auf Innovationssprünge, indem fertigungsrelevante Daten unternehmensübergreifend gesammelt und ausgewertet werden. Diese Daten enthalten jedoch intellektuelles Eigentum der Unternehmen, wodurch bei Offenlegung der Daten für diese Unternehmen Wettbewerbsnachteile entstehen können. Aus diesem Grund werden Werkzeugmaschinendaten bisher kaum zwischen Unternehmen ausgetauscht, wodurch Innovationen aus dem Bereich Big Data derzeit kaum auf die Werkzeugmaschinenbranche übertragen werden können.

Forschungsziel

Der Einsatz von Technologien zur Verbesserung des Datenschutzes (engl.: privacy enhancing technologies, PET) soll es Maschinenbetreibern ermöglichen, ihre Maschinendaten mit den Maschinenherstellern zu teilen, ohne in diesem Zuge ihr intellektuelles Eigentum offenzulegen. Der Maschinenhersteller sammelt daraufhin die Maschinendaten der Maschinenbetreiber. Mit dieser erheblich vergrößerten Datengrundlage kann der Maschinenhersteller generalisierte Machine-Learning-Modelle trainieren und diese dem Maschinenbetreiber anbieten. Das Hauptziel des Teil-Forschungsprojekts des iwb ist ein Modell zur Erkennung von Werkzeugverschleiß, welches zentralisiert mithilfe anonymisierter Werkzeugmaschinendaten trainiert werden kann und den Ist-Werkzeugzustand bestimmt.

Lösungsweg und Teilziele

Im ersten Schritt des Forschungsprojekts werden federführend durch das iwb geeignete Machine-Learning-Modelle ausgewählt. Der Fokus liegt hierbei auf der Zustandsüberwachung von Fräswerkzeugen, welche den kontinuierlichen Verschleiß der Werkzeuge in Abhängigkeit von Maschinendaten und externen Sensordaten vorhersagen. Parallel hierzu wird systematisch eine Kritikalitätsdefinition für Maschinendaten erstellt. Diese erlaubt es Maschinenbetreibern, verschiedene Datenkategorien, wie beispielsweise den Spindelmotorstrom oder Werkstückgeometrien, unterschiedlich kritisch zu bewerten. Abhängig von dieser Kritikalitätsbewertung werden die Daten mit verschieden starken PETs geschützt, sodass das intellektuelle Eigentum der Maschinenbetreiber geschützt bleibt, jedoch der Informationsgehalt der Daten größtmöglich erhalten bleibt. Im Konsortium werden für den Anwendungsfall geeignete PETs ermittelt; diese umfassen unter anderem Differential-Privacy-Algorithmen, Trusted-Execution-Umgebungen sowie Federated-Learning-Strategien.

Neben der Auswahl und Weiterentwicklung der Zustandsüberwachungsalgorithmen und der PETs werden durch das Konsortium außerdem die notwendige Softwareinfrastruktur zur Erfassung und systematischen Speicherung der Maschinendaten, die maschinenherstellerseitige Aggregation und Auswertung der Daten sowie der letztendliche Einsatz der Zustandsüberwachung an den Maschinen umgesetzt. Die Software wird hierbei in die Umgebung des Siemens Xcelerator (ehemals: MindSphere) integriert, um somit eine für Maschinenbetreiber aufwandsarme Integration des Systems zu ermöglichen. Das Gesamtsystem wird durch den Einsatz an Werkzeugmaschinen am iwb und beim Forschungspartner Hufschmied validiert.

Nutzen

Mithilfe der im Forschungsprojekt MINERVA entwickelten und validierten Verfahren können Maschinenbetreiber die Effizienz und Effektivität ihrer Produktionsanlagen durch den Einsatz von Machine-Learning-Modellen verbessern. Maschinenhersteller können Verbesserungspotenziale in ihren Produkten systematisch identifizieren. Durch den erstmalig systematischen Einsatz von PETs wird die Souveränität der Maschinenbetreiber über ihre Maschinendaten sichergestellt und ihr intellektuelles Eigentum geschützt. Dennoch wird es den Maschinenbetreibern ermöglicht, von den Vorteilen datengetriebener Machine-Learning-Verfahren zu profitieren.

Dank

MINERVA wird vom Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms „IoT-Sicherheit in Smart Home, Produktion und sensiblen Infrastrukturen“ unter dem Förderkennzeichen 16KIS1805 gefördert. Wir danken dem BMBF für die Förderung und der VDI/VDE Innovation + Technik GmbH für die Betreuung sowie für die gute und vertrauensvolle Zusammenarbeit.