Discover the Edge: Welche Rolle Edge Computing zukünftig im Industrial Internet of Things spielt

Das Industrial Internet of Things (IIoT) ist populär wie nie. Immer mehr Unternehmen und Organisationen setzen auf das IIoT und die damit verbundenen Potenziale. Damit diese ausgeschöpft werden können, werden unzählige Sensoren benötigt, die eine wahre Datenflut generieren. Doch was passiert, wenn das Netzwerk ausfällt? Und wie gelangen Geräte, die nicht immer über eine konstante Netzwerkverbindung verfügen, wie z.B. Tunnelbohrmaschinen, in das IIoT? Was geschieht in diesen Fällen mit den Sensordaten? Werden diese nicht mehr erfasst und stehen für Auswertungen schlicht nicht zur Verfügung? Eine Möglichkeit zur Lösung dieses Dilemmas liegt darin, die Datenverarbeitung vom Rechenzentrum an den Rand des Netzwerks zu legen: Welcome to the Edge! Die Daten werden in kleinen, spezialisierten und ressourcenschonenden Rechnersystemen – den Edge Devices – direkt am Ort der Entstehung verarbeitet und analysiert. Dies hat gleichzeitig den Vorteil, dass nur die wirklich relevanten Daten überhaupt den Weg ins Backend finden, sodass die zu übertragende Datenmenge zielgerichtet reduziert wird. Wie die International Data Corporation in einer Studie prognostiziert, sollen im Jahr 2022 bereits 40 Prozent der initialen IoT-Analysen an der Edge stattfinden.

Welche Vorteile Unternehmen im Edge Computing sehen

Generell wollen Unternehmen Rahmen des Industrial Internet of Things umfangreich Machinendaten sammeln, um die Produktion genauer steuern, Ausfallzeiten minimieren und die Qualität konstant auf dem gewünschten Niveau zu halten. Durch die Verknüpfung der Maschinendaten mit weiteren relevanten Informationen, beispielsweise aus dem WWS- oder ERP-System, können zudem übergreifende Prozessoptimierungen umgesetzt werden, die zum Beispiel Hilfe beim Management komplexer Logistik-Ketten oder der Umsetzung individueller Kundenanforderungen – Stichwort „Industrie 4.0“ – versprechen. Dabei auf Edge Computing zu setzen, hat für sie mehrere Vorteile, wie ich im Folgenden darlegen möchte.

So sind am Netzwerkrand leistungsstarke Edge Devices im Einsatz, die völlig autark funktionieren. Diese Edge Devices sind mit den zu überwachenden und zu steuernden Geräten unmittelbar verbunden. Daher sind die Edge Devices jederzeit in der Lage, Daten von Maschinen zu akkumulieren, zu analysieren und zu speichern. Vor diesem Hintergrund erweist es sich als völlig unproblematisch, wenn vom Backend aus zu irgendeinem Zeitpunkt die Netzwerkverbindung zu einem Gerät im IIoT ausfällt oder sie grundsätzlich nur zeitweise besteht. Letzteres ist etwa bei der Verwendung von Bohrrobotern oder bei der Errichtung von Offshore-Windparks denkbar. Die Edge Devices erledigen davon unbeeinträchtigt ihre Aufgabe und übermitteln die gesammelten Informationen, sobald es wieder eine Netzwerkverbindung gibt. Darüber hinaus filtern sie die Daten bereits vorab. Ziel ist es, ausschließlich Informationen mit Relevanz für weitere Analysen ins Backend zu schicken. Das spart nicht nur Bandbreite, sondern verkürzt auch die „Time to Value“ der Daten. Gleichzeitig ist es am Netzwerkrand möglich, dass die untereinander vernetzten Geräte miteinander kommunizieren. Mit der geeigneten Technologie ist es dann nicht mehr weit, dass die Geräte automatisiert gesteuert werden. Die ist etwa dann von Vorteil, wenn Maschinen voneinander abhängig sind. Wenn Maschine A offensichtlich fehlerhaft produziert, unterbricht Maschine B die Fertigung und meldet den Defekt von Maschine A. Zugleich ist es realisierbar, dass Maschine B auf Produktionsmittel von Maschine C ausweicht, um selbst weiterhin fehlerfrei zu funktionieren und nicht still zu stehen.

Interoperabilität als Schlüssel zum Erfolg

Damit Edge Computing gelingt, kommt es – wie grundsätzlich im Internet der Dinge – auf eine reibungslose Kommunikation zwischen den beteiligten Geräten und Rechnersystemen an. Dies ist keine triviale Anforderung, denn die Sensoren der Geräte arbeiten in der Regel mit jeweils unterschiedlichen und teils exotischen Protokollen. Vor allem ältere Maschinen sind in dieser Hinsicht häufig nur schwer in ein Netzwerk einzubinden, wenn sie denn überhaupt netzwerkfähig sind. Erschwerend kommt hinzu, dass Sensoren durch ihre Hersteller üblicherweise eine jeweils eigene Verschlüsselung erhalten, um unbefugte Zugriffe zu verhindern. Es ist deshalb notwendig, für Interoperabilität zu sorgen. Das heißt, Edge Devices müssen polyglott sein, also möglichst viele Kommunikationsprotokolle und -standards unterstützen. Nur so schaffen sie es, verlustfrei alle Daten auszulesen.

Datenplattform zur Orchestrierung

Damit ist es aber noch nicht getan, denn die Daten müssen nun noch verarbeitet werden – und zwar am Ort ihres Entstehens, dem Rand des Netzwerks. Die Lösung dieser Aufgabe übernehmen moderne Datenplattformen, die trotz ihrer enormen Leistungsfähigkeit schlank genug sind, um direkt auf einem Edge Device eingesetzt werden zu können. Bei der Auswahl der Plattform ist zu beachten, dass sie weitreichende Interoperabilitätsfunktionen mitbringt, beliebig skalierbar ist und sparsam im Umgang mit den zur Verfügung stehenden Rechenressourcen, damit auch auf einem Edge Device die für Echtzeit-Anwendungen benötigte Performance zur Verfügung steht. InterSystems IRIS erfüllt dieses Anforderungsprofil in besonderem Maße und macht es möglich, auch auf einem Edge Device große Mengen an Daten aus unterschiedlichen Quellen zu akkumulieren, zu analysieren und zu speichern.

Zudem beinhaltet InterSystems IRIS wertvolle KI- und ML-Werkzeuge, die als Basis für innovative KI-Lösungen in Edge Devices dienen können, und ist mit zahlreichen sicherheitsrelevanten Funktionalitäten ausgestattet.

Aleksandar Kovačević

Aleksandar Kovačević ist ein Machine Learning Enthusiast, der die versteckten Superkräfte von Daten zum Vorschein bringt.

Als Sales Engineer bei InterSystems ist er mit der Aufgabe betraut, Kunden und Interessenten darüber zu informieren, was InterSystems Produkte so besonders macht. Hierbei kann er auf seine weitreichende technische Expertise zurückgreifen, die unter anderem umfassende Kenntnisse in Elektroingenieurwesen und Kommunikationstechnik sowie Software-Entwicklung und Big Data Analysen beinhaltet. Diese Fähigkeiten gründen auf zwölf Jahren Erfahrung als Wissenschaftler, Entwickler und Berater, wobei er sich in jüngerer Zeit vornehmlich mit dem Themenbereich Machine Learning auseinandergesetzt hat. Seinen überwiegend aus dem Finanzdienstleistungssektor stammenden Kunden konnte er dadurch helfen, das volle Potenzial von Machine Learning für die Optimierung von alltäglichen Geschäftsprozessen auszuschöpfen.

Kommentar verfassen

*