000K utf8 1100 2023$c2023-12-15 1500 ger 2050 urn:nbn:de:hbz:465-20231215-093943-0 2051 10.17185/duepublico/81315 3000 Rosenberger, Julia 4000 Data stream optimization with dynamic allocation of resources in the industry [Rosenberger, Julia] 4000 Datenflussoptimierung mit dynamischer Allokation von Ressourcen in der Industrie [Rosenberger, Julia] 4060 xx, 200 Seiten 4209 Daten sind die Basis für neue Geschäftsmodelle und Technologien wie beispielsweise der vorausschauenden Instandhaltung von industriellen Anlagen. Die Erfassung und Verarbeitung von Daten, insbesondere von Datenflüssen in einem Netzwerk, hat deshalb entscheidenden Einfluss auf den Erfolg der Industrie 4.0. Zur Verringerung von Latenzen sowie Kosten und aus Aspekten der Datensicherheit wird die Verlagerung der Datenanalyse an den Ort der Datenerfassung untersucht. Daraus ergeben sich besondere Herausforderungen hinsichtlich limitierter Rechen- und Kommunikationsressourcen, der dezentralen Struktur mit einer Vielzahl heterogener Teilnehmer sowie der Anforderung an hohe Verarbeitungsgeschwindigkeiten. Es ist sicherzustellen, dass relevante Informationen zeitnah verfügbar sind und der Verlust dieser vermieden wird. Zur Lösung der genannten Optimierungsbedarfe werden in der vorliegenden Arbeit drei Ansätze identifiziert und jeweils die Potentiale neuer Technologien untersucht. Der erste Ansatz umfasst die frühzeitige Extraktion relevanter Informationen und Reduktion der Datenmenge unter Einsatz von Anomalieerkennung und Datenkompression. Der zweite Ansatz zielt auf die Schaffung einer Vertrauensbasis zur Absicherung von Daten mittels Distributed Ledger Technologie. Das dritte Potential wird in dem optimierten Nutzen der vorhandenen limitierten Ressourcen gesehen. Aufgrund der dezentralen Struktur des industriellen Internet der Dinge basiert der Lösungsansatz auf intelligenten Multi-Agenten-Systemen. Die Evaluation der einzelnen Bestandteile sowie deren Zusammenspiel in einem Gesamtsystem bestätigt, dass alle ausgearbeiteten Methoden aufgrund ihrer hohen Effizienz nahe der Datenerfassung ausführbar sind, Informationen frühzeitig bereitgestellt werden und Datenverlusten aufgrund von Ressourcenengpässen entgegengewirkt wird. Die Datenflussoptimierungen legen die Grundlage für zukünftige Systeme zur verteilten Verarbeitung von Datenflüssen am Netzwerkrand und sind ein relevanter Treiber für die Industrie 4.0, da sie ermöglichen, bestehende Begrenzungen hinsichtlich der verfügbaren Ressourcen zu überwinden und die Datensicherheit auf dem geforderten Niveau zu gewährleisten. 4209 The collection and processing of data, especially streaming data, has a decisive influence on the success of Industry 4.0. They are the basis for new business models and technologies such as condition monitoring or predictive maintenance of industrial plants. To achieve this, it must be ensured that relevant information is available in a timely manner and that the loss of this information is avoided. While the amount of data and the demand for data analysis are increasing, the available resources, especially computing capacity, memory and bandwidth, are still limited. In this work, essential optimization potentials in streaming data in Industry 4.0 are identified and investigated. In particular, the early extraction of relevant information and the reduction of the amount of data as well as the protection of data are to be mentioned. Specifically, the use of methods of anomaly detection, data compression and distributed ledger technology is examined for this purpose. Furthermore, great potential is seen in optimizing the utilization of limited resources. Due to the decentralized structure of the Industrial Internet of Things, the focus for this is on intelligent multi-agent systems. The evaluation of the individual components proposed in this thesis and their interaction in an overall system shows that the elaborated methods of data processing can be performed closer to the data acquisition due to their high efficiency and thus, information can be provided at an early stage. In addition, the distributed ledger technology IOTA selected in the context of this thesis is evaluated on the basis of two use cases and its applicability on industrial edge devices is confirmed. Furthermore, the optimization of usage of limited resources by multi-agent reinforcement learning systems can significantly enhance the possibility of edge computing in IIoT and prevents data loss due to resource bottlenecks. The results illustrate that data stream optimization is an important driver for Industry 4.0, as it helps to overcome existing limitations in terms of resources and data safety. 4950 https://doi.org/10.17185/duepublico/81315$xR$3Volltext$534 4950 https://nbn-resolving.org/urn:nbn:de:hbz:465-20231215-093943-0$xR$3Volltext$534 4961 https://duepublico2.uni-due.de/receive/duepublico_mods_00081315 5051 004 5051 600 5051 620 5051 670 5550 Anomalieerkennung 5550 Bestärkendes Lernen <Künstliche Intelligenz> 5550 Datenflussanalyse 5550 Datenkompression 5550 Distributed Ledger Technologie 5550 Edge computing 5550 Industrie 4.0 5550 Maschinelles Lernen 5550 Ressourcenallokation 5550 Smart Factory 5550 Virtuelle Inbetriebnahme