In der Industrie 4.0 und dem Internet der Dinge (IoT) gewinnen M2M-Netzwerke zunehmend an Bedeutung, wobei die Sicherheit und Flexibilität der Kommunikationsprotokolle eine zentrale Rolle spielen. Traditionelle, zentralisierte Authentifizierungsmethoden wie Benutzername/Passwort oder Public-Key-Infrastructure (PKI) stoßen in dezentralisierten Umgebungen an ihre Grenzen. Dieser Beitrag untersucht die Ablösung dieser zentralisierten Authentifizierungsverfahren durch einen dezentralen Ansatz, der auf Self-Sovereign Identity (SSI) zur Authentifizierung und self-signed TLS-Zertifikaten zur Transportverschlüsselung setzt. Ziel dieser Arbeit ist es, die Integration dieser Technologien in das OPC UA-Protokoll zu analysieren, um die Sicherheit und Flexibilität von M2M-Netzwerken zu erhöhen und eine zukunftsfähige Lösung für die Authentifizierung und Kommunikation in Industrieanwendungen zu bieten.

Der Einsatz künstlicher Intelligenz (KI) in der industriellen Automatisierung verspricht enorme Vorteile: z.B. prädiktive Maintenance, Echtzeit-Analysen oder prozessoptimierende Steuerungen. Allerdings basiert KI auf stabile Modellen und ist daher auf qualitativ hochwertige, konsistente und synchronisierte Trainingsdaten angewiesen.

Aus Kosten- und Flexibilitätsgründen setzen sich in industriellen Umgebungen, insbesondere für nachgerüstete Retrofit-Lösungen immer mehr IIoT-Sensoren durch. Diese ressourcenbeschränkten Geräte erzeugen jedoch Datenströme mit uneinheitlicher Qualität, heterogenen Abtastraten und zeitlicher Asynchronität. Zusätzlich führen Verbindungsabbrüche aufgrund instabiler Funkverbindungen oder Energiesparmodi zu problematischen Datenlücken.

Für die standardisierte Verwaltung industrieller Daten bieten sich Digitale Zwillinge, insbesondere die Industrie 4.0-konforme Asset Administration Shell (AAS), an. Hier existieren verschiedene Submodels zur Beschreibung technischer und funktionaler Eigenschaften, jedoch fehlt es an standardisierten Beschreibungen der Datenqualität sowie der Kompensationsmechanismen für asynchrone oder lückenhafte Daten.

Dieses Papier schließt diese Lücke, indem es einen AAS-basierten Ansatz vorschlägt, um durch Metadaten-gesteuerte Kompensation heterogene Datenqualitäten und Konnektivitätslücken auszugleichen. Der Ansatz verwendet formale Asset Administration Shell-Submodel-Beschreibungen, um sowohl Datenqualitätsmetriken (z.B. Konfidenzwerte für interpolierte Datenpunkte, Abtastraten) als auch die angewendeten Kompensationsmechanismen (z.B. lineare/kubische Interpolation, trendbasierte Extrapolation) maschinenlesbar, transparent und nachvollziehbar abzubilden.

Der vorgeschlagene Ansatz ermöglicht eine robuste, resiliente Datenintegration von IIoT-Sensoren, und schafft die Grundlage für den zuverlässigen Einsatz von KI-Systemen in industriellen Umgebungen mit heterogener IIoT-Infrastruktur.

Time Sensitive Networking (TSN) sind eine Reihe für die industrielle Automation relevanter

Ethernet Bridging Standards. Das Profil IEC/IEEE 60802 TSN Profile for Industrial Automation

selektiert TSN Standards und stellt Anforderungen an die Hardware, Software und Konfiguration

von Feldgeräten. Teil dieser Anforderungen ist die Unterstützung von mehreren Zeitdomänen für das Zeitsynchronisationsprotokoll generalized Precision Time Protocol (gPTP). Unter Berücksichtigung der Unterstützung von mehreren Zeitdomänen wird in dieser Arbeit die PROFINET IRT-Spezifikation analysiert, um Hindernisse bei einer Portierung von gPTP auf PROFINET IRT-Feldgeräte nach IEC/IEEE 60802 zu identifizieren und Lösungskonzepte zu entwickeln. Eine bestehende gPTPImplementierung wird mit diesen Ansätzen modifiziert und auf einem PROFINET IRT-Feldgerät in Betrieb genommen. Abschließend hat eine Messung ergeben, dass die Anforderungen der IEC/IEEE 60802 bezüglich der maximalen zeitlichen Abweichung zwischen PTP Grandmaster und PTP End Instanz für die Domänen Working Clock und Global Time eingehalten werden.