Produkt
IoT Data Hub
Eine offene und erweiterbare Datenplattform für Unternehmen, die Maschinendaten schnell nutzbar machen und später kontrolliert für Analyse, Anwendungen und KI ausbauen wollen.
Kontakt aufnehmenTypische Auslöser
Wann Unternehmen den IoT Data Hub brauchen
Der IoT Data Hub ist dann sinnvoll, wenn Maschinendaten schnell nutzbar sein sollen, ohne für Dashboards, Analyse, Anwendungen und KI mehrere getrennte Dateninseln aufzubauen.
Typische Auslöser sind verteilte Maschinendaten, hoher Integrationsaufwand zwischen OT und IT oder der Wunsch, mit wenigen Datenquellen schnell erste Sichtbarkeit zu schaffen.
Die Plattform bildet dafür ein gemeinsames Fundament für MDE, Dashboards, Analysefunktionen, eigene Anwendungen und integrierte KI-Funktionen.
Konnektivität
Maschinendaten erfassen und anbinden
Die Plattform verbindet Steuerungen, Sensoren, Gateways und Shopfloor-Systeme über konkrete Industrieprotokolle und wiederverwendbare Integrationsmuster.
- Konkrete Protokolle wie Siemens S7, OPC UA, MQTT, Modbus
- Anbindung von SPS, Sensorik, Historian-Systemen und Fachquellen
- Wiederverwendbare Templates für Maschinen-, Linien- und Standortrollouts
Datenmanagement
Daten modellieren, verwalten und bereitstellen
Rohdaten werden in ein konsistentes Datenmodell überführt und mit Asset Management sowie semantischer Beschreibung für Dashboards, Analyse und KI strukturiert.
- Asset Management für Standorte, Bereiche, Labels und Maschinentypen
- Konsistente Strukturierung und Bereitstellung industrieller Daten über ein gemeinsames Datenmodell
- Semantisches Metadatenmodell für Datenströme, Messwerte, Messeinheiten, Datentypen und Semantik
Live-Datenanalyse und historische Datenanalyse
Auf derselben Plattformbasis lassen sich laufende Datenströme, Historie und KI-Funktionen ohne zusätzliche Datenhaltung gemeinsam nutzen.
Operative Signale, Regeln und aktuelle Zustände auswerten
Pipelines, Regeln und Events verarbeiten laufende Maschinendaten unmittelbar und machen aktuelle Zustände für Shopfloor, Leitstand und technische Überwachung nutzbar.
- Streaming-Pipelines für laufende Maschinendaten und Ereignisse
- Charts und Dashboards für aktuelle Kennzahlen und Zustände
- Grundlage für Alarme, Trigger und operative Reaktionen
Verläufe, Historie und KI-gestützte Auswertungen verbinden
Auf derselben Datenbasis lassen sich historische Daten, Trends und Fachkontexte mit Dashboards und AI Notebooks für tiefergehende Auswertungen verbinden, während AI Pipelines laufende Datenströme und betreibbare Analyselogik ergänzen.
- Zeitreihen, Historie und Kontextdaten gemeinsam auswerten
- AI Notebooks für Exploration, Modellierung und gespeicherte Daten
- AI Pipelines für laufende Datenströme und betreibbare Analyselogik
Applikationsschicht
Eigene Anwendungen und Module aufbauen
Auf derselben Datenbasis lassen sich Dashboards, Analyseanwendungen, Workflows oder eigene Erweiterungen betreiben, ohne eine zweite Plattform einzuführen.
- APIs und SDKs für unternehmensspezifische Anwendungen
- Rollen, Rechte und Governance für produktive Umgebungen
- Offene Erweiterbarkeit für Analytics-, Dashboard- und KI-Module
Architekturbausteine
Die Plattform kombiniert Datenanbindung, Datenmodell, Nutzungsschicht und Betriebsaspekte in einem zusammenhängenden Stack.
Datenanbindung
Siemens S7, OPC UA, MQTT, REST, BeckhoffKonkrete Industrieprotokolle und Standardschnittstellen für Steuerungen, Gateways, Historian-Systeme und Fachquellen.
Connector-TemplatesWiederverwendbare Konfigurationen für Maschinentypen, Linien und standortübergreifende Rollouts.
Edge-Komponente im OT-NetzwerkDatenerfassung und Vorverarbeitung nahe an der Anlage mit kontrollierter Kommunikation zur zentralen oder Cloud-Instanz.
Verarbeitung und Persistenz
Streaming und EreignisverarbeitungLive-Daten für Regeln, Monitoring, Pipelines und Weiterverarbeitung.
Zeitreihen- und HistorienhaltungGrundlage für Trends, Vergleiche, Dashboards und historische Analysen.
Pipelines und VorverarbeitungTransformation, Anreicherung und Weitergabe von Daten für operative und analytische Workflows.
Datenmodell und Nutzung
Asset Management und DatenstrukturStandorte, Bereiche, Labels, Maschinentypen und Signale in einer konsistenten Struktur für fachlich nutzbare industrielle Daten.
Semantisches MetadatenmodellDatenströme, Messwerte, Messeinheiten, Datentypen und Semantik nachvollziehbar beschreiben und verwalten.
APIs, Dashboards und DatenexplorationBereitstellung für Engineering, Produktion, Qualität und eigene Anwendungen auf derselben Plattformbasis.
Betrieb und Erweiterung
On-Prem, Cloud und HybridAnpassbar an bestehende Infrastrukturvorgaben und verteilte Deployment-Szenarien.
Rollen, Rechte, GovernanceSteuerung produktiver Nutzung über Teams, Standorte, Mandanten und Verantwortlichkeiten.
Open-Source-Basis und ErweiterbarkeitAusbau mit eigenen Modulen, Services, Dashboards, Analysefunktionen und KI-Komponenten.
Betriebsmodelle und Deployment
Der IoT Data Hub kann als integrierte Lösung für einen schnellen Einstieg oder als verteilte Architektur mit Governance- und Sicherheitsanforderungen betrieben werden.
Datenerfassung und Vorverarbeitung direkt im OT-Netzwerk
Eine Edge-Komponente kann nah an Maschinen, Steuerungen oder Zellen betrieben werden, Daten lokal erfassen und mit der zentralen oder Cloud-Instanz kontrolliert synchronisieren.
- Geeignet für Netze mit eingeschränkter Konnektivität oder Segmentierung
- Vorverarbeitung, Puffern und sichere Übergabe an zentrale Instanzen
- Saubere Trennung zwischen OT-nahem Betrieb und zentraler Governance
Integrierte MDE- und Analyseplattform für einen schnellen Einstieg
Für kleine und mittlere Unternehmen kann der IoT Data Hub als vergleichsweise einfache, integrierte Lösung für Maschinendatenerfassung, Dashboards und erste Analysen eingesetzt werden.
- Weniger Integrationsaufwand durch eine gemeinsame Plattform
- Schneller Start mit Konnektivität, Charts und Dashboards
- Schrittweiser Ausbau in Richtung Analyse und KI möglich
Governance, Sicherheit und verteiltes Deployment für große Organisationen
Für größere Unternehmen unterstützt die Plattform standortübergreifende Architekturen mit Rollen, Verantwortlichkeiten, verteilten Instanzen und kontrollierter Bereitstellung von Daten und Anwendungen.
- Governance über Standorte, Bereiche und Teams
- Sicherheits- und Betriebsmodelle für zentrale, hybride und verteilte Szenarien
- Gemeinsame technische Grundlage für lokale und zentrale Datenräume
Schneller Einstieg, späterer Ausbau bei Bedarf
Der IoT Data Hub lässt sich mit wenigen Datenquellen starten. Weitere Standorte, Anwendungen oder KI-Funktionen können später auf derselben Grundlage ergänzt werden.
01Start
Erste Datenquellen schnell anbinden
Zu Beginn werden die relevanten Maschinen, Steuerungen oder Sensorquellen angebunden, damit erste Live-Daten ohne langen Vorlauf sichtbar werden.
02Sichtbarkeit
Daten strukturieren und erste Sichten aufbauen
Anschließend werden Assets, Signale und Fachkontexte strukturiert und erste Dashboards, Charts oder analytische Sichten auf derselben Datenbasis bereitgestellt.
03Nutzen
Erste Analysen und Anwendungen produktiv nutzen
Schon nach kurzer Zeit lassen sich erste Analysen, Regeln oder anwendungsspezifische Module produktiv einsetzen und im Betrieb bewerten.
04Ausbau
Bei Bedarf schrittweise erweitern
Wenn weitere Linien, Standorte, Fachanwendungen oder KI-Module hinzukommen, lässt sich die Plattform auf derselben Grundlage kontrolliert ausbauen.
AI Notebooks und AI Pipelines
Integrierte KI-Funktionen im IoT Data Hub
AI Notebooks und AI Pipelines gehören zum IoT Data Hub und nutzen dieselbe Daten-, Integrations- und Betriebsbasis wie Konnektivität, Dashboards und Anwendungen. Dadurch entstehen keine getrennten Dateninseln zwischen Plattformbetrieb, Analyse und KI.
KI-Funktionen auf derselben Grundlage
Die KI-Funktionen bauen direkt auf dem vorhandenen Datenmodell, den Konnektoren und den Betriebsmechanismen des IoT Data Hub auf.
AI Notebooks
AI Notebooks sind als integrierte Arbeitsumgebung Teil des IoT Data Hub und helfen dabei, gespeicherte Maschinendaten per Sprache und erklärbarem Python-Code sicher auszuwerten und als Visualisierungen, Tabellen oder weiterführende Analysen aufzubereiten.
AI Pipelines
AI Pipelines sind in die Plattform integriert und definieren Analysen, Überwachungen und Datenharmonisierungen auf laufenden Maschinendaten. Die erzeugte Logik wird auf derselben Daten- und Betriebsbasis ausführbar und betreibbar.
Demo
Bytefabrik live erleben
Vereinbaren Sie eine Demo, um Plattform, Analyse und KI-Funktionen anhand Ihrer Fragestellungen kennenzulernen.