Die Digitalisierung und Vernetzung in der Produktion im Zuge von Industrie 4.0 bietet auch der Werkzeugmaschinenbranche die Chance auf Innovationssprünge: So können die Betreiber von Dateninfrastrukturen kollaborativ trainierte Machine-Learning-Anwendungen anbieten, mit denen einerseits die Anwender die Effizienz und Effektivität ihrer Produktionsanlagen durch vorausschauende Zustandsüberwachung verbessern und andererseits die Maschinenhersteller Optimierungspotentiale in ihren Produkte systematisch identifizieren können. Voraussetzung dafür ist, dass fertigungsrelevante Daten unternehmensübergreifend aggregiert und ausgewertet werden. Demgegenüber steht oft die Sorge, mit der Bereitstellung von Daten geistiges Eigentum abfließen zu sehen und damit Wettbewerbsnachteile zu erleiden.
Lernen aus dem Datenschutz
Im Forschungsvorhaben ‚Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy Enhancing Technologies‘ (Minerva) wollen die Partner mit Hilfe von Datenschutz-Technologien (Privacy Enhancing Technologies) die Souveränität der Maschinenbetreiber über die Maschinendaten sicher stellen und schützen so deren geistiges Eigentum. Mittels anonymisierter Daten trainieren die Partner Machine-Learning-Modelle für die vorausschauende Zustandsüberwachung von Werkzeugmaschinen, die dann auch ohne die Preisgabe sensibler Daten funktionieren.
Schutz sensibler Daten
Privacy Enhancing Technologies kommen bislang beim Schutz personenbezogener Daten zum Einsatz, um etwa Patienteninformationen anonymisiert auswerten zu können (z.B. mit Differential Privacy). Die Prinzipien dieses Ansatzes übertragen die Projektpartner jetzt auf Daten aus der Werkzeugmaschinenbranche, um das geistige Eigentum der Datengebenden zu schützen. „Werden in der Cloud Machine-Learning-Algorithmen mit betreiberübergreifenden Daten trainiert, könnte dabei etwa nachvollzogen werden, was für ein Werkstück gefertigt wurde (Produktgeometrie), wie die Werkzeugmaschine ausgelastet war, wie viel Energie bei der Fertigung verbraucht und in welcher Geschwindigkeit gefertigt wurde. Das sind aus Anwendersicht sehr sensible Informationen, für deren Schutz wir in Minerva Lösungen entwickeln“, beschreibt Projektleiter Bartol Filipovic den Mehrwert des Forschungsansatzes. Auch ‚Trusted Execution Environments‘ und ‚Federated Learning‘ kommen in Minerva zum Einsatz. Das Projekt wird vom Bundesministerium für Bildung und Forschung gefördert. Fraunhofer AISEC