Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus Strategien und Workflows für die harmonisierte Integration von ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
192 Full Paper Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus − Strategien und Workflows für die harmonisierte Integration von raumzeitlichen Datenbeständen im Kontext Industrie 4.0 Current State Information for 4D for Industrial Campuses – Strategies and Workflows for Harmonized Spatio-temporal Data Integration in the Context of Industrie 4.0 Manfred Mittlböck1, Caroline Atzl1, Bernd Lackner2, Michael Andorfer1, Gerald Griesebner2 1RSA FG Research Studio iSPACE · manfred.mittlboeck@researchstudio.at 2UniversitätSalzburg Zusammenfassung: Dieser Beitrag zeigt erste Ergebnisse eines generalisierten Workflows für die har- monisierte Datenintegration und -transformation von Gebäude- und Umweltdaten im Kontext eines smarten Industriecampus. Die vorgestellten Strategien zielen darauf ab, die ‚Situational Awareness‘ – das Wissen um die aktuelle Lage in Industriearealen – zu verbessern. Dies mit dem Ziel, neue Mög- lichkeiten von Industrie 4.0 mit der aktuellen Zustandsinformation zu erweitern. Dabei spielt die Zu- sammenführung, Verknüpfung und nachhaltige Organisation der gesamten Industrieanlagenumgebung in einer 4D-Geodateninfrastruktur (GDI) – z. B. Gebäude und Hallen, Assets und deren IoT-Sensoren – eine wesentliche Rolle. In diesem Beitrag werden erste Resultate des WISS 2025 Forschungsprojektes ‚aWHERE-ness:lab‘ für die Konzeptualisierung, Modellierung und Kommunikation einer 4D-Indu- striecampus-GDI vorgestellt. Schlüsselwörter: GIS-Workflow, 4D-GDIs, VR, UAV, BIM Abstract: This article presents first results of a generalized workflow for harmonized data integration and transformation of building and environmental data in the context of a smart industrial campus. The strategies presented aim to improve the ‘situational awareness’ (the knowledge of the current situation in industrial sites). This with the aim of enhancing new Industrie 4.0 opportunities with current state information. In this context, the merging, linking and sustainable organization of the entire industrial campus into a 4D spatial data infrastructure (SDI) – e. g. buildings and halls, assets and their IoT- sensors – plays an essential role. In this article, we present first results of the WISS 2025 research project ‘aWHEREness:lab’ for the conceptualization, modeling and communication of a 4D industrial campus SDI. Keywords: GIS-workflow, 4D-SDIs, VR, UAV, BIM 1 Einleitung Mit dem wachsenden Interesse an der virtuellen und möglichst realistischen Abbildung von Ausschnitten unserer Realität steigt auch der Bedarf an harmonisierten und standardisierten Modellen und generalisierten Transformations- sowie Integrations-Workflows für den Auf- bau und Betrieb von Geodateninfrastrukturen (GDIs) in smarten 3D- und 4D-Umgebungen (z. B. Smart City, Smart Factory). Herausforderungen sind dabei u. a. die Überführung und AGIT ‒ Journal für Angewandte Geoinformatik, 7-2021, S. 192-204. © Wichmann Verlag, VDE VERLAG GMBH · Berlin · Offenbach. ISBN 978-3-87907-707-6, ISSN 2364-9283, eISSN 2509-713X, doi:10.14627/537707021. Dieser Beitrag ist ein Open-Access-Beitrag, der unter den Bedingungen und unter den Auflagen der Creative Commons Attribution Lizenz verbreitet wird (http://creativecommons.org/licenses/by-nd/4.0/).
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 193 Zusammenführung von Daten mit unterschiedlichen Formaten und Standards der verschie- denen Anwendungsdomänen, deren Inhalte es für eine Gesamtbeurteilung der ‚aktuellen Lage‘ zusammenzuführen gilt. Auch in 2021 stehen Data Engineers und Datenanalysten vor der Herausforderung technisch proprietärer Datensilos (Gartner, 2021) und nicht harmoni- sierter Datenspezifikationen sowie deren Metadaten. Auch für den Bereich des Managements komplexer Industrieareale werden mit der Digitali- sierung aktuelle Informationen und realitätsgetreue Lagebilder des Produktionsumfeldes als wesentliche Rahmengrundlagen für Smart Factories erkannt (Mittal et al., 2019). Die Abbil- dung von Industriearealen sowie der darin stattfindenden dynamischen Prozesse ist für die ‚Situational Awareness‘ wesentlich. Die digitale Abbildung in Form von 3D-/4D-Webkarten, Dashboards und Virtual-Reality-(VR-)/Augmented-Reality-(AR-)Umgebungen unterstützt dabei die Entscheidungsfindung, trägt zur Optimierung von Prozessen bei und zeigt den ak- tuellen Status und die Position von Assets im Innen- und Außenbereich. Dazu gilt es, die unterschiedlichen Datenbestände und IoT-Datenströme mittels generalisierter Modelle in wiederverwendbaren Extract-Transfer-Load-(ETL)-Workflows mit generalisierten Daten- spezifikationen (z. B. für Gebäude und Hallen) zu harmonisieren und nachfolgend über stan- dardisierte Schnittstellen für die plattform- und domänenübergreifende Verwendung bereit- zustellen. Zur nachhaltigen Organisation und Führung von verorteten Sensormessdatenströ- men in 3D eignen sich aus unserer Sicht raumzeitliche GDIs, welche neben den technischen auch die organisatorischen Aspekte in den Unternehmen mitberücksichtigen. Das WISS 2025 Forschungsprojekt ‚aWHEREness:lab‘ setzt sich daher zum Ziel, die As- pekte der Informationsintegration zu analysieren, um wiederkehrende Herausforderungen zu identifizieren und nachfolgend daraus generalisierte Erkenntnisse und Workflows für die nachhaltige Integration und Führung von raum-zeitlichen Datenbeständen für Smart Factory Sites abzuleiten. Das Projekt fokussiert mit einer inkrementellen Innovationsstrategie auf die kontinuierliche Verbesserung eines smarten Lageverständnisses für Produktionsareale und leistet damit einen Beitrag zur Unterstützung der digitalen Transformation von Industrie- und Wirtschaftsunternehmen mit Geoinformation. Dieser Beitrag zielt auf die Fragestellung: Wie können generalisierte Modelle und deren tech- nische Workflows für eine standardisierte und harmonisierte Integration und Kommunika- tion von unterschiedlichen Industriedaten konzipiert werden? Dazu präsentieren wir erste Ergebnisse einer generalisierten Modell- und Workflowentwicklungen für die digitale Abbil- dung eines Industriecampus und deren Kommunikation in einer 4D Experience Map und VR- Umgebung. 2 Stand der Technik Ein wesentlicher Faktor der Transformation in digitale Prozesse für Industriecampus, die in vielen Belangen den Anforderungen hinsichtlich Digitalisierung (z. B. der Steigerung von Effizienz und Nachhaltigkeit) von kleinen Städten gleichen, ist das bessere Verständnis des aktuellen Zustands. ‚Situation[al] Awareness‘ oder ‚Lagebewusstsein‘ ist laut Endsley (1995) die „Wahrnehmung der Elemente in der Umgebung in Raum und Zeit, das Verstehen ihrer Bedeutung und die Projektion ihres Status in der nahen Zukunft“. Dazu gilt es zuerst die Elemente der ‚Umgebung‘ am Industriecampus (z. B. Hallen, Gebäude, Anlagen und Infra- struktur) sowie IoT-Sensormessdatenströme (z. B. Positions- und Zustandsdaten von mobi-
194 AGIT – Journal für Angewandte Geoinformatik · 7-2021 len und stationären Anlagen-Assets) zu sammeln. Mehrdimensionale 3D-/4D-GDIs bieten dazu Lösungen für die nachhaltige Organisation und Führung von unterschiedlichen Daten- beständen. GDIs verknüpfen inhaltliche, organisatorische und technische Aspekte miteinan- der und unterstützen die (domänenübergreifende) Datenorganisation (Rajabifard & Willi- amson, 2002). Für die nachhaltige und harmonisierte Integration von verschiedenen, bisher nur bedingt raumzeitlich verorteten, Industriedaten in raumzeitliche 4D-GDIs wurden spezi- fische Konzepte und Workflows entwickelt. Wesentliches Augenmerk liegt dabei auf bebauten Arealen und damit im speziellen auf der Integration und Harmonisierung der Geländeaufnahmen und spezifischer Gebäudemodelle (je nach Funktion) als wesentliche Komponenten des virtuellen Abbildes eines Industriecam- pus. In den vergangenen Jahren hat dabei die Nutzung von unbemannten Luftfahrzeugen (uLfz)/Drohnen, zunehmend an Bedeutung für wiederkehrende Geländeaufnahmen gewon- nen (Merkert & Bushell, 2020). Die Anwendungsbereiche von zivilen, nicht militärischen Drohnen sind weit gestreut und reichen von einfacher Datenakquise über Monitoring und Inspektion hin zu komplexen Thematiken wie Transport und Logistik (Merkert & Bushell, 2020). Einer der Gründe für die gestiegene Bedeutung der uLfz ist der Umstand, dass Droh- nen zur Datenaufnahme und zur zyklischen Datennachführung in exponierten Bereichen be- stens geeignet sind (Ren et al., 2019). Dies gilt auch für Aufnahmen von Daten zu Industrie- standorten (Ren et al., 2019). Mit der Kombination von Drohnen und digitaler Photogramm- metrie lassen sich aus Luftbildern hochauflösende und hochpräzise 3D-Modelle von Gebäu- dehüllen erstellen (Piech & Ruzyczka, 2019). Die abgeleitete räumliche Struktur der aufge- nommenen Szenen können als 3D-Mesh-Daten z. B. nach OGC I3S (Reed & Belayneh, 2017) dargestellt werden (siehe Kap. 3). Für die Modellierung von Gebäuden wird seit Beginn der 1990er-Jahre sukzessive Building Information Modelling (BIM) in 2D und 3D eingeführt. Der hierzu verwendete Standard ist buildingSMART Industry Foundation Classes (IFC; ISO/TC 184/SC 4, 2013), welcher mit seinen mehr als 900 Klassen sehr komplex ist. Da in Österreich die meisten Gebäude (ca. 75 %) vor 1990 gebaut wurden und BIM in ersten Projekten seit den 2000ern verwendet wird, besitzen die meisten bestehenden Gebäude selten eine Dokumentation mit BIM/IFC (Volk, Stengel, & Schultmann, 2014). Die meisten Gebäudedokumentationen sind als 2D-CAD- Pläne, digitale PDF, in analoger Form oder gar nicht verfügbar. Sind die Daten in 3D verfüg- bar, so liegen diese häufig organisiert in proprietären Formaten (z. B. *.rvt, *.pln) vor und können mittels ETL Workflows in standardisierte IFC transformiert werden. Im Kontext von Industrie 4.0 werden im Rahmen der Digitalisierung mit IoT (Internet of Things) auf einem Industriecampus zusätzlich auch verschiedene physische Objekte (z. B. Sensoren, Fahrzeuge, Maschinen) vernetzt, um Zustandsinformationen, wie z. B. Tempera- tur, Luftfeuchte, räumliche Position, Energieverbrauch, Zustand oder Status, zu sammeln bzw. Daten auszutauschen und zu verknüpfen. Das Konzept von IoT unterstützt als Netzwerk von ‚Smart Objects‘ dabei, die Grenze zwischen der realen Welt und deren virtuellen Abbil- dern mehr und mehr aufzulösen (Gartner, 2017). Beispielsweise sind für das Asset-Tracking speziell Sensoren von Relevanz, mit welchen es möglich ist, die Position von diesen dyna- mischen Assets im Außen- wie auch im Innenbereich live zu überwachen. Dabei haben die Sensoren für die Lokation im Außenbereich Module zum Empfang globaler Navigationssa- tellitensysteme (GNSS) verbaut bzw. um Kosten/Energie zu sparen erfolgt die Positionierung aufgrund einer groben Mobilfunk-Triangulation (kann bis zu 100 m+ abweichen). Bevor die einzelnen Daten für eine ‚situational awareness‘ verwertet werden können, gilt es eine mehr-
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 195 dimensionale Zusammenschau der unterschiedlichen GIS-Daten und verorteten IoT-Mess- datenströmen für einen gesamten Industriecampus zu erstellen. Laut Schabus und Scholz (2015) eignet sich jedes Geoinformationssystem (GIS) dazu, um die Fragen zu beantworten „Was ist passiert?“, „Wo ist das Phänomen aufgetreten?“ und „Wann ist das Phänomen auf- getreten?“. Möglichkeiten zur interaktiven Präsentation von realen räumlichen Phänomenen sind u. a. 3D-Webkarten und VR/AR-Anwendungen. Die Verfügbarkeit von entsprechender Hardware am Markt verdeutlicht den Trend zu VR/AR als allgemeines Kommunikationsmedium (Pwc, 2019). Für die Datenintegration in VR/AR-Welten dienen u. a. 4D-GDI-Inhalte als Grund- lage für die Visualisierungen. VR/AR ist außerhalb des Gaming-Sektors angekommen und findet auch in Wirtschaft und Industrie immer mehr Anwendung (Wilbers, 2016). Ein prak- tisches Einsatzgebiet für VR/AR-Anwendungen sind beispielsweise sicherheitskritische Inf- rastrukturen, wo eine kontextbasierte Einblendung von wichtigen Informationen in die reale Umgebung wertvolle Zeit zum Suchen dieser Informationen sparen kann. In diesem Beitrag werden dazu erste Ansätze für eine VR-Anwendung im Kontext der Industrie 4.0 als proto- typischer Workflow und Demonstrator vorgestellt. Zusammengefasst lässt sich ein allgemeiner Trend in Richtung Digitalisierung und 3D-/4D- Darstellungen erkennen. Gerade im Kontext der Industrie 4.0 ist die Integration der zeitlichen Dimension unabdingbar, da hier die Verbesserung der gesamten ‚Situational Awareness‘ am Industriecampus ein anzustrebendes Ziel ist. Viele Industriecampus haben bereits unzählige stationäre und mobile Sensoren am Gelände und auf Assets montiert. Diese IoT-Datenströme werden aber oftmals nicht vollständig oder nicht übergreifend genutzt bzw. oftmals auch nicht miteinander verknüpft. Unterschiedliche Standards und standardisierte Schnittstellen bilden dabei die Grundlage für eine harmonisierte Zusammenführung der unterschiedlichen Industriedatenbestände (z. B. Gebäude, Assets, IoT-Sensoren) in eine 4D-GDI mithilfe von (semi-)automatisierten technischen Workflows. Dabei bieten neben detaillierten Indoormo- dellen von Gebäuden auch Drohnenaufnahmen des Industriegeländes vielversprechende und sehr detaillierte Visualisierungsmöglichkeiten für die Umgebung im Außenbereich. Nur durch nachhaltige Workflows für GDIs können unterschiedliche Industriedaten für interak- tive und digitale 3D-/4D-Abbildungen und -Anwendungen aufbereitet, zusammengeführt und organisiert werden. 3 Methodik und Workflow In diesem Kapitel präsentieren wir dem generalisierten Workflow für unsere Umsetzung ei- nes virtuellen 4D-Industriecampus (Abb. 1). Zusätzlich zu den Prozessen werden die verar- beiteten Daten und ihre Datencontainer bzw. Server visualisiert. Dabei haben sich im Zuge des aWHEREness:lab -Projektes für die ersten Integrationen drei wesentliche Datenkatego- rien herauskristallisiert: detaillierte Indoorgebäudemodelle am Industriegelände in LoD4 (Level of Detail 4), s. g. Integrated Mesh Scene Layer für die Darstellung der Umgebung und des Areals aus Drohnenbefliegungen sowie IoT-Echtzeitsensormessdaten für Asset-Tracking und Bereitstellung aktueller Zustandsinformation. Diese Inhalte bilden zwar nicht alle not- wendigen Datenbestände eines virtuellen 4D-Industriecampus ab, aber als Vertreter ihrer Ka- tegorie fokussieren wir uns in diesem Beitrag auf die Strategien und Workflows zur Über- führung und Integration dieser.
196 AGIT – Journal für Angewandte Geoinformatik · 7-2021 Abb. 1: Workflow zur Umsetzung eines 4D-Industriecampus Die Arbeiten für ‚4D Awareness für Industrie Campus‘ wurde mit der Gebäudeintegration in eine Geodatenbank (ArcGIS Geodatabase) begonnen (siehe Kap. 3.2). Das vom Industrie- partner bereitgestellte IFC Gebäudemodell wurde georeferenziert, transformiert und in einem dafür konzipierten Datenmodell als 3D-Multipatches zur optimierten Verwertung im 4D- GDI-Datencontainer gespeichert. Das Datenmodell wurde so gestaltet, dass mit automatisier- ten ETL-Workflows die Daten als standardisiertes CityGML bereitstehen. Neben der Gebäu- deintegration werden für die Situational Awareness auch hochaufgelöste Drohnenaufnahmen des Betriebsareals integriert (siehe Kap. 3.1). Die Verspeicherung dieser Daten erfolgt als filebasierter OGC Indexed 3D Scene Layer (I3S) in den 4D-GDI-Container. Die IoT-Mess- daten der auf Assets montierten Sensoren (in unserem Use Case sind das z. B. Telemetrie- und Positionsdaten der Radlader am Produktionsareal) werden über spezifische Web-Service APIs in einen ‚Push‘ basierten near real-time Datenstrom überführt, inhaltlich erweitert und als an OGC O&M (Observation & Measuremtns) angelehnten JSON Encoding integriert und als verorteter Live-Datenstrom bereitgestellt. Die so organisierten Datenbestände (Gebäude- daten, Ortho & Mesh Umgebungsdaten und IoT-Daten) werden als standardisierte OGC Web Services (OGC WFS & WMS) als auch über spezifische APIs (z. B. ArcGIS API for Ja- vaScript) publiziert und nachfolgend in einen 4D-Web-Experience Prototyp integriert (siehe Kap. 3.3). Die 3D-Gebäudedaten werden über einen ETL-Workflow mit Safe FME 1 ver- gleichbar zum CityGML-Workflow in eine UNREAL ENGINE 2 Szene mit Datasmith 3 trans- formiert und nachfolgend gemeinsam mit weiteren Umgebungsdaten in einer VR-Umgebung visualisiert (siehe Kap. 3.4). 1www.safe.com 2 www.unrealengine.com 3 www.unrealengine.com/en-US/datasmith
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 197 3.1 Umgebungsaufnahmen mit Drohnen Für die exemplarische Modellierung des Werksgeländes wurden mit einer Drohne Luftbilder aufgenommen und anschließend daraus mittels digitaler Photogrammetrie 3D-Modelle er- rechnet. Der schrittweise Ablauf zur Erstellung der hochauflösenden und hochpräzisen 3D- Meshes wird in Abb. 2 dargestellt. Die verwendete DJI Phantom 4 Pro Drohne wurde wäh- rend des Fluges von einer Autopilot Software entlang eines vorab programmierten Flugpla- nes geführt, womit eine effiziente und vor allem lückenlose Aufnahme aller Oberflächen im Untersuchungsgebiet gewährleistet wurde. Der erstellte Flugplan definiert sämtliche für den Flug relevanten Parameter, wie Bodenauflösung der Luftbilder, Flughöhe und Geschwindig- keit sowie die Bildüberlappung in und quer zur Flugrichtung. Aufgrund der komplexen ver- tikalen Geometrie der Fertigungshallen wurden zusätzlich zu den Nadiraufnahmen auch Schrägbildaufnahmen sämtlicher Gebäudefronten aufgenommen. Dadurch konnten die an- sonsten problematischen vertikalen Flächen besonders gut mit aufgezeichnet werden. Um die errechneten 3D-Modelle in ihre präzise geographische Lage überführen zu können, wurden im Untersuchungsgebiet regelmäßig verteilte Kontrollpunkte (GCP) mit einem hoch präzisen GNSS-Empfänger eingemessen. Die Lagegenauigkeit beträgt für alle aufgenommen Punkte zwischen einem und drei Zentimeter. Basierend auf den aufgenommenen Luftbildern wurde mit der Software Agisoft Metashape 4 für das gesamte Werksgelände ein 3D-Modell errechnet. Die Bodenauflösung der aufgenom- menen Nadirbilder liegt unter einem Zentimeter. Für den Modellierungsprozess wurde die horizontale Auflösung für die berechneten 3D-Daten auf einen Zentimeter festgelegt, was für die Anforderungen an den Datenbestand für dieses Projekt als zukunftsweisend betrachtet wird. Um die Darstellung auf die Untersuchungsgebiete zu fokussieren, wurden alle nicht benötigten Oberflächen aus dem Modell entfernt. Nachfolgend wurde eine lückenlose Drei- ecksvermaschung berechne, die Vermaschung für die 3D-Webdarstellung optimiert, hoch- auflösend texturiert und als OGC I3S Integrated Mesh Scene Layer Package für den 4D-GDI- Container bereitgestellt. Abb. 2: Workflow für die Drohnenaufnahme 3.2 3D-Modellierung von Industrieanlagengebäuden Für die spätere Visualisierung der Gebäude des Industriegeländes (siehe Kap. 3.4) war es notwendig, diese in einer Geodatenbank zu organisieren. Der Ausgangsdatensatz für das Ge- bäude lag im standardisierten IFC-Format vor und wurde für die Verarbeitung in GIS über einen ETL-Prozess in ein für Gebäude verallgemeinertes Geodatenbankmodell transformiert. 4 www.agisoft.com
198 AGIT – Journal für Angewandte Geoinformatik · 7-2021 Für den Import wurde das von ArcGIS bereitgestellte Werkzeug ‚Quick Import‘ (ArcGIS Interoperability Extension) gewählt, um den IFC-Ausgangsdatensatz in die Geodatenbank (Multipatch) zu überführen. IFC bieten damit bei sorgsamer Modellierung eine sehr gute technisch standardisierte und semantische Überführung von Datenbeständen aus der Gebäu- demodellierung (BIM) in die GIS-Domäne. Für die Kommunikation der Ergebnisse in einer ‚Live-Zusammenschau‘ wird im folgenden Kapitel die Kommunikation der Industriecampus GDI-Inhalte vorgestellt. 3.3 Methodische Umsetzung der 4D Experience Map Der Workflow in Abbildung 3 zeigt die IoT-Datenintegration für eine ‚4D Experience Map‘. Dieser beinhaltet die generalisierten Verarbeitungsschritte und verweist auf die verwendete Software zur kontinuierlichen Integration von IoT-Datenströmen. Für den Prototyp wurden Teltonika Sensoren auf den Assets (Radladern) montiert, welche die Positions- und Zu- standsinformationen dieser Radlader via GPRS an einen Server übertragen. Abb. 3: Workflow zur Datenintegration in eine 4D Experience Map Die Abfrage dieser IoT-Sensormesswerte vom Server erfolgt in einem Intervall von 5 Minu- ten über einen, mit dem open-source Tool Node-RED 5 erstellten, Integrationsworkflow. Node-RED bietet einen Web-Editor, mit dem sich Prozesse und Abläufe einfach – über einer Palette an vordefinierten ‚Nodes‘ – verknüpfen und implementieren lassen. Die angefragten Daten werden in diesem Node-RED-Workflow für die Harmonisierung um spezifische Me- tadaten erweitert und in ein, an die ISO 19156 angelehntes, strukturiertes JSON-Format über- führt. Diese JSON-Daten werden mit der World Wide Web Consortium (W3C) Secure Web- Socket (WSS) API nachfolgend an den ArcGIS GeoEvent Server gesendet und in ein ArcGIS Stream Service überführt. Dieser Service unterstützt die Echtzeitdatenverarbeitung, d. h. wenn sich ein Client auf einen Stream Service verbindet, erhält dieser automatisch die neuen Daten ohne eine Abfrage zu tätigen (‚Push‘) (Esri, 2021b). Die prototypische 4D Experience Map wurde mit dem ArcGIS Experience Builder 6 erstellt. Mit dieser App lassen sich unter Verwendung flexibler Layouts, Inhalte und Werkzeuge in- teraktive 2D- und 3D-Webkartenanwendungen in Response Web Design Art erstellen (Esri, 2021a). Die Basis für jede Experience Map bildet eine 3D-Webszene (Esri, 2021c). In dieser Webszene werden alle benötigten Inhalte integriert und symbolisiert. Das OGC-I3S-Format zielt dabei auf das schnelle Streaming und die Verteilung von großen Mengen von 3D-Inhal- ten ab (Andrews, 2019). Zusätzlich zu den Gebäudedaten als Scene Layer werden für die 4D 5 https://nodered.org 6 https://experience.arcgis.com
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 199 Experience Map auch die IoT-Sensordaten der Radlader als Livedaten in die zugrunde lie- gende Webszene integriert (‚Live-Zusammenschau‘). Um auch mit großen Mengen an Sen- soren und deren generierten Daten in (naher) Echtzeit umgehen zu können, bedarf es an ro- busten Kommunikationslösungen und Infrastrukturen. Hier wurde für die ersten Prototypi- sierungen ein s. g. Stream Layer verwendet, welcher sich besonders für die Darstellung auch von größeren Mengen an Livedaten eignet. Aktuell wurde dies für eine größere Anzahl an Radlader-Trackingdaten und Telemetriedaten getestet. Die Grenzen der gleichzeitigen Men- ge an Stream Layer Daten werden im Projekt aktuell noch evaluiert. Der finale Demonstrator der 4D Experience Map zum Monitoring der Radlader-Assets auf dem Werkareal wird in Kapitel 4.1 vorgestellt. 3.4 Datenbereitstellung über VR mit Integration in die UNREAL Engine Neben der 4D Experience Map ist eine zweite neue wichtige Darstellung für die ‚Situational Awareness‘ die der ‚1st Person Perspective‘, bekannt z. B. aus Videospielen. Für diese Dar- stellung wurden die Inhalte der Geodatenbank mit einem ETL-Modell (Safe FME) aus der Geodatenbank in die Gaming Engine UNREAL überführt (Abb.4). Zusätzlich wurden ab- strahierte Gebäude (LoD1) der Umgebung aus dem Gebäudedatensatz 7 des Landes Salzburg verwendet, auf ihre Höhen extrudiert und mit dem Datasmith Writer in eine UNREAL-Szene überführt. Für die Darstellung des Industriegeländes wurde das Geländemodell mit einer Auflösung von fünf Metern integriert, transformiert und abschließend als Surface Mesh in die UNREAL-Datasmith-Szene überführt. Abb. 4: ETL-Workflow zur VR-Integration in die Unreal Engine Im ersten Schritt erfolgte die Integration des 3D-Modells der Industrieanlage mit einem Geo- database Reader in den FME-Workflow. Nachfolgend wurden für die Darstellung auch die Gebäude aus der Geodatenbank in Meshes überführt. Die verschiedenen Meshes werden dann zu 3D-Objekten verbunden, von Geometriefehlern bereinigt und mit dem Datasmith Writer in eine Unreal Szene überführt. Um die Darstellung des Geländes in der Unreal Engine 7 OGD Gelände- und Oberflächenmodellen (5 m) des Landes Salzburg.
200 AGIT – Journal für Angewandte Geoinformatik · 7-2021 mit einer Landschaftsinformation zu ergänzen, erfolgte zusätzlich die Einbindung eines Orthofotos als Überlagerung des Gelände-Meshes. Diese wurde ebenfalls als Unreal Scene gespeichert. 4 Ergebnisse Zur Evaluierung der entwickelten Workflows wurden zwei Demonstratoren für die Kommu- nikation der Projektergebnisse entwickelt. Die Daten wurden einerseits in eine 4D Experi- ence Map (siehe Kap. 3.1) und andererseits in eine VR-Umgebung (siehe Kap. 3.3) integriert. Damit konnte gezeigt werden, dass harmonisierte Datenbestände mit entsprechenden Trans- formationsmodellen und -workflows für unterschiedliche Anwendungsszenarien in unter- schiedlichen Umgebungen integriert werden können. 4.1 4D Experience Map Die Visualisierung von 4D-GDI-Inhalten im Kontext von Industriecampus erfordert neue Designstrategien. Die in Kapitel 3 beschriebenen Methoden und Workflows zur harmonisier- ten Datenintegration bzw. Transformation bilden dabei die Grundlagen für die Visualisierung dieser Daten. Für die Validierung des Ansatzes wurde im aWHEREness:lab Projekt eine pro- totypische 4D Experience Map konzipiert (Abb. 5). Die zur Verfügung stehenden heterogen Datenbestände wurden dafür inhaltlich harmonisiert und als standardisierte Web Services bereitgestellt und beispielhaft in der 4D Experience Map für die Verbesserung der ‚Situatio- nal Awareness‘ zusammengeführt. Abb. 5: 4D Experience Map Demonstrator
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 201 Für die Darstellung detaillierter Gebäudestrukturen bedarf es dabei zusätzlicher Funktionen, z. B. zum Wechseln der unterschiedlichen Ansichten für Outdoor und Indoor. Die Umge- bungsinformationen (Drohnendaten) können zum einen als 3D-Meshes integriert werden, zum anderen können räumlich (1 cm) und zeitlich (nach Bedarf) hochauflösende Orthopho- tos abgeleitet werden. Die Live-Positionsdaten und Telemetriedaten der Radlader-Assets werden auf der Karte mit realitischen 3D-Symbolen dargestellt und ihr Zustand automatisiert aktualisiert. Interaktive Filterlisten und Abfragen (z. B. Identify) ermöglichen eine weitere Detaillierung der Inhalte. Mit diesem Demonstrator konnten wir erfolgreich die Workflow- basierte und damit automatisierbare Integration von Datenbeständen der Anwendungsdomä- nen AEC/BIM, GIS und IoT in einen 4D-GDI-Container für die Unterstützung der ‘Situatio- nal Awareness’ in Industriecampus aufzeigen. 4.2 1st Person Perspective VR-Applikation Das Ergebnis der Gebäudeintegration (siehe Kap. 3.4) wurde nach dem Import der Datasmith Scene im UNREAL Engine Editor visualisiert, bearbeitet und u. a. als ‚spielbare Applikation’ für Windows exportiert. Die Darstellung umfasst das Industrieareal in 3D sowie das umge- bende Gelände mit Texturen, extrahiert aus Orthophotos (Abb. 6). Das 3D-Modell der Halle besteht neben der äußeren Gebäudestruktur aus verschiedenen Innenräumen mit Säulen und Treppen. Das gesamte Areal ist in 1st Person Perspektive begehbar. Zusätzlich wurde im Produktionsgebäude ein interaktives 3D-Modell einer Fräse integriert, welche auf ‚ingame‘ Aktionen des Spielers (Mausklick) mit der Öffnung eines Dashboards reagiert und die aktu- ellen Zustandsinformationen der Sensoren der Fräse anzeigt. Abb. 6: Industriegebäude in ‚1st Person Perspecitve‘ in der UNREAL Engine 5 Diskussion Mit unserem Ansatz konnten wir aufzeigen, dass die Anwendung harmonisierter Datenspe- zifikationen und die Verwendung generalisierter automatisierbarer Workflows die Transfor- mation und eine nachhaltige Integration heterogener Daten und IoT-Datenströmen in raum-
202 AGIT – Journal für Angewandte Geoinformatik · 7-2021 zeitliche 4D GDIs wesentlich unterstützt und erweitert. Sie stellen damit einen wesentlichen Mehrwert für die nachhaltige Organisation und Führung von Datenbeständen der verschie- denen Anwendungsdomänen im Kontext von Industrie 4.0 dar. In diesem Beitrag haben wir dazu erste erfolgversprechende Modelle und Workflows aus dem WISS 2025 Forschungsprojekt aWHEREness:lab präsentiert. Im Zuge der hier beschrie- benen Validierungen sind wir auch auf einige Herausforderungen gestoßen, die für die über- greifende Verwertung der verschiedenen räumlichen Modelle bewältigt werden müssen, wie z. B. die möglichst automatisierte ‚Reparatur‘ von unvollständigen/fehlerhaften Geometrien bei Gebäudedaten. Die Validierung der entwickelten Workflows erfolgte anhand bestehender Daten eines Industrieunternehmens (Gebäudedaten als IFC, Asset-Tracking Sensordaten und ergänzende Daten aus Neuaufnahmen mittels Drohnen). Im Rahmen des Projektes wurden weitere Datenbestände auf Basis der generalisierten Workflows iterativ integriert und die Workflows laufend verfeinert. Für eine vollständige Repräsentation eines Werksgeländes fehlen aber weitere Datenbestände, wie Infrastrukturdaten oder Untergrunddaten, für welche die beschriebenen Modelle und Workflows noch validiert und gegebenenfalls angepasst wer- den müssen. Die Ergebnisse zeigen, dass erst mit der Verknüpfung der wesentlichen Daten- bestände und deren Kommunikation als gemeinsame ‚Live-Zusammenschau‘ die ‚Situational Awareness‘ am Industriecampus verbessert werden kann. Diese gemeinsame ‚Live-Zusam- menschau‘ unterstützt z. B. beim Tracking und Tracing von Assets, dem Überwachen von Zustandsinformationen (z. B. für Wartungsarbeiten) oder dem Monitoring & Control von Industrieprozessen. Mit dem konsequenten Einsatz harmonisierter Datenspezifikationen, (semi-)automatisierter Transformationsmodellen und generalisierter Workflows kann die Nachhaltigkeit der Informationsinhalte z. B. in 3D-/4D-Industrie-GDIs entscheidend gestärkt und in neuen Formen in 4D kommuniziert werden. Danksagung Die in diesem Beitrag präsentieren Inhalte wurden im Rahmen des WISS-2025-Projektes aWHEREness:lab − “Where” are my Insights − Unterstützung der digitalen Transformation mit Geoinformation erarbeitet. Besonderer Dank gilt unseren Industrie-Projektpartnern, für das laufende Feedback, die Möglichkeit der Datenaufnahmen des Industrieareals und der Be- reitstellung ihrer eigenen Datenbestände. Literatur Andrews, C. (2019). Advancing open 3D: New layer types and capability in I3S. Retrieved Jan 28, 2021, from https://www.esri.com/arcgis-blog/products/arcgis-pro/3d-gis/3d-new- layer-types-and-capability-with-i3s-1-6/. Esri (2020). ArcGIS Maps SDK for Unreal Engine. Retrieved Jan 29, 2021, from https://developers.arcgis.com/unreal-engine-sdk/. Esri (2021a). What is ArcGIS Experience Builder? Retrieved Jan 28, 2021, from https://doc.arcgis.com/en/experience-builder/get-started/what-is-arcgis-experience- builder.htm.
M. Mittlböck et al.: Bereitstellung aktueller Zustandsinformation in 4D für Industriecampus 203 Esri (2021b). Stream-Services. Retrieved Jan 28, 2021, from https://enterprise.arcgis.com/de/server/latest/publish-services/windows/stream- services.htm. Esri (2021c). Szenen-Services. Retrieved Jan 28, 2021, from https://enterprise.arcgis.com/de/server/10.4/publish-services/linux/scene-services.htm. Endsley, M. R. (1995). Measurement of Situation Awareness in Dynamic Systems. Human Factors, 37(1), 65−84. Retrieved Jan 28, 2021, from doi:10.1518/001872095779049499. Gartner (2017). Gartner Identifies Three Scale Accelerators to Drive Digital Transformation. Retrieved Jan 28, 2021, from: https://www.gartner.com/en/newsroom/press- releases/2017-10-02-gartner-identifies-three-scale-accelerators-to-drive-digital- transformation. Gartner (2021). Challenges data and analytics leaders face in 2021. Retrieved Jan 29, 2021 from: https://www.gartner.com/en/conferences/hub/data-analytics-conferences/insights/ challenges-data-analytics-leaders-face-in-2021. Github (2021). Scene Layers: Service and Package Standard. Retrieved Jan 28, 2021, from https://github.com/Esri/i3s-spec. Mittal, S., Khan, M., Romero, D., & Wuest, T. (2019). Smart Manufacturing: Characteristics, Technologies and Enabling Factors. Proceedings of the Institution of Mechanical Engi- neers Part B: Journal of Engineering Manufacture, 233(5), 1342−1361. Retrieved Jan 28, 2021, from doi:10.1177/0954405417736547. Merkert, R., & Bushell, J. (2020). Managing the drone revolution: A systematic literature review into the current use of airborne drones and future strategic directions for their effective control. Journal of Air Transport Management, 89. Retrieved Jan 28, 2021, from doi:10.1016/j.jairtraman.2020.101929. OGC (2012). OGC City Geography Markup Language (CityGML) Encoding Standard. Re- trieved: Jan 27, from https://portal.ogc.org/files/?artifact_id=47842. Piech, I., & Ruzyczka, A. (2019). Generating of Building Fascades Orthophotoplans with UAV and Terrestrial Photos. IOP Conference Series: Earth and Environmental Science, 221, 1-12. Retrieved Jan 28, 2021, from doi:10.1088/1755-1315/221/1/012074. Pwc (2019). Studie: Deutscher Virtual-Reality-Markt wächst über die Nische hinaus. Retrieved Jan 28, 2021, from https://www.pwc.de/de/technologie-medien-und- telekommunikation/studie-deutscher-virtual-reality-markt-waechst-ueber-die-nische- hinaus.html. Rajabifard, A., & Williamson, I. P. (2011). SDI Development and Capacity Building. Retrieved Jan 29, 2021, from https://www.researchgate.net/publication/228776510_SDI_Development_and_Capacity _Building/. Reed, C., & Belayneh, T. (2019). OGC Indexed 3d Scene Layer (I3S) and Scene Layer Pack- age Format Specification. Retrieved: Jan 27, from https://docs.opengeospatial.org/cs/17- 014r7/17-014r7.html. Ren, H., Zhao, Y., Xiao, W. et al. (2019). A review of UAV monitoring in mining areas: current status and future perspectives. International Journal of Coal Science & Technology, 6, 320–333. Retrieved Jan 28, 2021, from https://doi.org/10.1007/s40789-019-00264-5. Schabus, S., & Scholz, J. (2015). Geographic Information Science and technology as key approach to unveil the potential of Industry 4.0: How location and time can support smart manufacturing. Paper presented at the 2015 12th International Conference on Informatics in Control, Automation and Robotics (ICINCO).
204 AGIT – Journal für Angewandte Geoinformatik · 7-2021 Volk, R., Stengel, J., & Schultmann, F. (2014). Building Information Modeling (BIM) for existing buildings − Litera-ture review and future needs. Automation in Construction, 38, 109−127. doi:10.1016/j.autcon.2013.10.023. Wilbers, K. (2016). Industrie 4.0 Herausforderungen für die kaufmännische Bildung. Retrie- ved Jan 28, 2021, from https://opus4.kobv.de/opus4-fau/files/8640/Industrie%204.0%20- %20Herausforderungen%20f%C3%BCr%20die%20kaufm%C3%A4nnische%20Bildun g.pdf#page=10.
Sie können auch lesen
