Wettbewerbsfähigkeit der Werkzeugmaschinenbranche stärken

Forschungsprojekt MINERVA: Technologien aus dem Datenschutz schützen sensible Maschinendaten

Pressemitteilung /

© Fraunhofer AISEC
Forschungsprojekt MINERVA: Sichere kollaborative Verwertung von Maschinendaten mithilfe von Privacy Enhancing Technologies
Die fortschreitende Digitalisierung und Vernetzung lassen immer mehr Daten in der Werkzeugmaschinenbranche anfallen. Um ihr Potential für datengetriebene Innovationen zu nutzen, müssen sie unternehmensübergreifend aggregiert und ausgewertet werden. Das Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC (Verbundkoordinator) entwickelt im Forschungsprojekt »Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy Enhancing Technologies« (MINERVA) gemeinsam mit Partnern Technologien für eine Dateninfrastruktur, die mit Technologien aus dem Datenschutz die Sicherheit sensibler Maschinendaten gewährleistet. Zum Forschungsverbund gehören das Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb) der Technischen Universität München, die Hufschmied Zerspanungssysteme GmbH und die Siemens AG.
 
Die fortschreitende 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 aber auch die Sorge, mit der Bereitstellung von Daten geistiges Eigentum (Intellectual Property) abfließen zu sehen und damit Wettbewerbsnachteile zu erleiden. Aus diesem Grund findet bisher kaum Datenaustausch zwischen den Unternehmen statt, der Voraussetzung für datengetriebene Innovationen ist (Bitkom, 10. Mai 2023,  Unternehmen wollen Daten nutzen, aber nicht teilen).

 

Machine-Learning-Modelle für vorausschauende Zustandsüberwachung

Im Forschungsvorhaben »Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy Enhancing Technologies« (MINERVA) stellen die Partner mit Hilfe von Technologien aus dem Datenschutz (»Privacy Enhancing Technologies«) die Souveränität der Maschinenbetreiber über die Maschinendaten sicher und schützen so deren geistiges Eigentum. Mittels anonymisierter Daten trainieren die Partner geeignete Machine-Learning-Modelle für die vorausschauende Zustandsüberwachung von Werkzeugmaschinen, die dann auch ohne die Preisgabe sensibler Daten funktionieren.

»Wir zeigen interdisziplinär für die Werkzeugmaschinenbranche, dass durch die geeignete Auswahl und Nutzung von Technologien zur Förderung des Datenschutzes die Chancen die Risiken des Datenaustausches deutlich übersteigen können, nicht zuletzt, weil wir dazu eine zusätzliche Sicherheitsstufe einbauen«, erläutert Bartol Filipovic, MINERVA-Projektleiter und Abteilungsleiter »Product Protection and Industrial Security« am Fraunhofer AISEC.

 

Schutz sensibler Daten

»Privacy Enhancing Technologies« kommen bislang beim Schutz personenbezogener Daten zum Einsatz, um zum Beispiel 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 Filipovic den Mehrwert des Forschungsansatzes. Neben »Differential Privacy« gehören auch »Trusted Execution Environments« zur Realisierung eines geschützten, attestierten Bereichs in der Cloud oder »Federated Learning«, bei dem nicht die Daten selbst, sondern lediglich die bereits in der Edge trainierten ML-Modelle in die Cloud wandern, zu den Technologien aus dem Datenschutz, die in MINERVA zum Einsatz kommen.

MINERVA wird gefördert vom Bundesministerium für Bildung und Forschung BMBF im Rahmen der Bekanntmachung »IoT-Sicherheit in Smart Home, Produktion und sensiblen Infrastrukturen«. Das Projektvolumen beträgt 2,47 Mio. €, wovon 70% durch das BMBF getragen werden. Die Laufzeit ist von Mai 2023 bis April 2026.

 

Weiterführende Informationen