IOTA亚琛工业实验室（IILA）成立于2018年4月，是亚琛工业大学机床和生产工程实验室WZL与大学分拆Senseering GmbH的联合项目。IILA是一个社区驱动的实验室，为学生，讲师，行业代表和爱好者提供人工智能，机器经济，机器对机器通信，分布式总账技术（主要是IOTA）和工业物联网的研究。

IOTA亚琛工业实验室从IOTA生态系统基金获得了50,000美元的资金。它为讲师和学生提供了与人工智能，机器对机器通信，机器经济和基于分布式分类帐的技术的行业代表联系的机会。该实验室目前由德国亚琛工业大学资助。

WZL x GCX x IOTA Web前端的当前状态

让我们首先看看亚琛WZL与grandcentrix GmbH（GCX）合作的发展情况。最近在测试的概念验证（PoC）中完成了支付过程，我们可能会显示它的视频。该概念证明的主题是来自Feintool AG的XFT 2500型工业精冲机。该PoC的目标是实时从机器控制中提取精细空白组件的生产数据，通过缠结保证数据的持久性，并通过基于Web的前端检索完整性证明。前端访问为缠结网络提供了完全可用性，从而可以检查每个工件数据集的数据完整性。现在，按照按使用付费模式生成的每个部分都接受了IOTA的微支付，将前端转换为概念数据市场。

支付系统的范围（WZL x GCX x IOTA Web-Front-end）

该范围包括以下几个关键点：

用户每次付款只能购买一个零件数据集

付款将仅通过IOTA进行

我们使用localstorage在浏览器中保存成功的事务

当用户关闭浏览器时，将保留购买的数据集

数据库存储发票和付款地址的收据，但这些信息也可在Tangle网络中获得。

用户付款将通过Trinity钱包QR码完成

在这里，我们展示了WZL x GCX x IOTA支付流程的最终PoC。它显示了完成过程。

但现在，让我们概述IOTA在工业供应链中可以做些什么。

IOTA制造业用例概述。

IOTA如何融入WZL的生产互联网愿景或第四次工业革命？将DLT作为第四次工业革命的一部分，将人工智能方法整合到网络物理系统中是否合乎逻辑？到目前为止，IOTA是最适合数据交易货币化的选择，或者当P2P网络能够作为数字身份，不可变数据和记录系统运行时，它是最合适的选择。可以将IOTA理论化为握手协议，并将其作为机器对机器事务主干的不可变分类帐。

业务层

然而，DLT是否适合企业或用例的问题并非易事。根据普华永道会计师事务所的研究，必须满足六个特征才能使DLT有意义地整合。

如果符合以下条件，那么DLT很有可能帮助您的业务：

多个参与者需要共同信息的视图，因此，他们共享共同的数据集

多个参与者采取需要记录的操作并更改数据，因此需要分散的更新策略

参与者需要相信所记录的行为是有效的，因此，他们需要某种数据验证平台

取消中央机关记录管理员，有可能降低成本（例如费用）和复杂性（例如多次对账）

参与者需要按时行动，他们在时间紧迫的任务中工作，因此，减少延误有商业利益（例如降低结算风险，增加流动性）

由不同参与者创建的交易相互依赖

用例层

根据普华永道的特点，我们可以定义各种用例，所有用例都具有独特的优势。如果我们将PwC特性与IOTA提供的技术堆栈相结合：身份，平台，记录系统。

除了那些技术堆栈，人们还在寻找需要共享通用数据集的业务案例，这些数据集也一起更新，其条目必须经过验证，这样可以增加参与者的互动，从而加速业务发展以及简化流程。因此，在制造业中产生了许多好处，例如：资产共享，M2M通信，数据市场，分布式制造，供应链跟踪，数字产品存储器，备件验证，质量文档。

示例：供应链

物品的原始凭证可以帮助确定物品未被更改或伪造，复制，被盗。原产地证书有助于将作品分配给知名艺术家，并且记录的历史记录可以验证所有权证明。在制造业供应链中，目前上游和下游缺乏信任和透明度。但是，DLT共享的数字双胞胎可以确保数据完整性并实现安全的审计跟踪。因此，数字双胞胎是具有独特不可变身份的真实过程，产品，机器或服务的数字模型。

示例：富士通的概念证明

富士通建立了一个有两个目标的供应链。一方面，机器人接受并传递了组件审计跟踪，即只有以所谓顺序通过所有制造步骤的真实组件。

这确保了来自任何地方的真实性证明以及出处和数据访问的证据。另一方面，通过在MAM流中不可变地存储传感器数据来建立可审计机器人生命周期，用于每个机器人的整个生命周期以及记录数据的货币化。

在亚琛的WZL与IOTA进行精细划分

具体来说，亚琛工业大学的WZL目前正致力于精冲机的应用。在精冲击中，首先金属是从金属板卷上开始的。然后，将开卷材料送入矫直系统，在该矫直系统中将片材弄平。然后，精冲压机加工扁平材料。从扁平材料中切出最多四个零件一秒钟。Fineblanking非常适合批量生产安全关键部件，例如制动器。目标是所有部分都相同。然而，情况并非如此，因为材料，工艺甚至周围区域的不确定性导致不同的模具辊和清洁切割。但是，由于所有部件最后都必须相同，因此需要昂贵的后处理步骤，理想情况下要避免这些步骤。工程师试图在某些工艺参数的公式中描述这些关系，但它们包含必须通过实验确定的常数。因此，该方法是从过程中捕获尽可能多的数据，并首次将基于物理和数据驱动的方法结合在精细划分中。

数据直接从机器读取，从附加的自连力传感器，图像和视频输入，材料特性传感器（片材永远不均匀）或声学，振动，温度传感器。这导致数据速率高达10 Gbit / s（理论值），其中WZL希望在第一步中尽可能多地保存数据。他们的机器中有一台具有充足电量和内存的服务器，因此他们可以存储这些数据，然后使用机器学习方法对其进行操作。目的是找到各个测量序列与隐藏在常数公式中的扰动参数之间的新相关性。然后，愿景看到了一种自治的“自主”机器，它将自己控制为“自动驾驶”并优化过程。

原文:点击进入

如果你喜欢我的这篇文章或者我之前发表的文章，我很高兴能得到一点捐助；-)：

IOTA:PGGB9HOSLZQOPPVTGONEYLMJQWFAOLTZJVHEDR9XKSWCRJRUEZZOJYRRKNDBVNKADUXK9UZRKRAWEIFYWECAA9BTIW