Industrial IoT - Aller Anfang ist Cloud

23.04.2021 | Data-Science-Team

In den letzten Jahren waren Produktions- und Fertigungsdaten eines der wichtigsten Forschungsthemen im Bereich Data Science und künstliche Intelligenz. Mit dem Siegesszug von Industrie 4.0, dem Anstieg des Datenvolumens im industriellen Bereich sowie durch die Fortschritte beim maschinellen Lernen und künstlicher Intelligenz traten immer neue Anwendungsfälle zutage.

 

Das industrielle Internet of Things (IIoT) ermöglicht hierbei das Analysieren von Maschinen- und Produktionsdaten, um ein besseres Verständnis über den Herstellungsprozess, den Maschinenstatus und die Produktionskapazitäten zu erlangen. Dies erfolgt über Maschine-zu-Maschine- und andere industrielle Kommunikationskanälen sowie unter der Zuhilfenahme von Cloud- und Edge-Computing-Technologien.

Ein weites Feld für Spezialisten

IIoT oder auch IoT stellt somit nicht nur eine Technologie, sondern gleich ein ganzes Technologiefeld dar. Aus diesem Grund bedarf dieses Feld neben ingenieurswissenschaftlichen Disziplinen, die sich vorwiegend mit den Maschinen und der Sensorik beschäftigten, auch Experten in weiteren Kommunikationstechnologien. Diese befassen sich dann vor allem mit dem Auslesen der Daten aus den Sensoren und der Übertragung im gesamten IIoT-System.

 

Mit der Verarbeitung der Daten, dem Datenmanagement und den Anwendungen von künstlicher Intelligenz und Vorhersagemodellen beschäftigt sich als dritter Bereich vorwiegend die Informatik. Obwohl technologisch trennbar, ist die Rollenverteilung zwischen den Disziplinen in der Praxis nicht so trennscharf. Zudem ragen aktuelle Entwicklungen im Bereich der Steuerungstechnik sehr stark in originäre Bereiche der Informatik hinein. Dies liegt vor allem an der Leistungsfähigkeit der Steuerungen, die in den letzten Jahren schnell zugenommen hat und noch weiter zunehmen wird.

Wachstumsmarkt mit Hindernissen

Das Interesse an IIoT-Technologien im industriellen Sektor ist hoch. Studien zeigen einen rasanten Zuwachs von Anwendungsfällen und neu generierten Geschäftsmodellen im Bezug auf IIoT von jährlich ca. 24% seit 2018 (Dahlqvist, Fredrik et al., 2019). Hinzu kommt ein sehr starkes monetäres Wachstum von IIoT von jährlich 48% im Zeitraum von 2018 bis 2023 (Dahlqvist, Fredrik et al., 2019). Trotz dieser beachtlichen Zunahme an Relevanz dieser Technologie deuten einige Studien auf eine zunehmende Zurückhaltung hin, was die Einführung von IIoT durch IT-Führungskräfte angeht.

 

Woran liegt das? Unserer Erfahrung nach zumeist nicht an der Fehleinschätzung des Potenzials oder der Bedeutung, sondern eher an der zuvor stark unterschätzten Komplexität der Integration von IIoT-Lösungen in bestehende IT-Systemlandschaften und Produktionsprozesse. Des Weiteren fehlt oftmals in den ersten Pilotprojekten ein klares Ziel oder ein konkreter monetär belegbarer Nutzen dieser Anwendungsfälle.

Mit „Plug & Play“ gegen Komplexität

Ein Ansatz, um die Komplexität zu verringern, sind die in Zukunft verstärkt im Markt auftretenden standardisierten (I)IoT-Geräte in Form von „Plug&Play“-Lösungen. Diese versuchen die Schnittstellen, die Konfiguration und die Integration in bestehende Systeme zu beschleunigen und zu vereinfachen. Insbesondere im Hardwarebereich sind solche Produkte bereits verfügbar, so z.B. das kürzlich vorgestellte Azure Percept.

Bei Azure Percept (siehe Abbildung 1) handelt es sich um eine von Azure vereinfachte Integration und UI zur schnellen Entwicklung und Durchführung von Artificial Intelligence (AI) auf der „Edge“. Hierbei ist Azure Percept direkt auf einem sogenannten „Edge-Device“ bereitgestellt. Ein Edge-Device ist ein kleiner, aber leistungsstarker Computer, der auf die Datenverarbeitung direkt vor Ort – also im Idealfall neben der Maschine – ausgelegt ist. Durch das Ausbleiben von Umwegen wird somit eine sehr schnelle Datenverarbeitung und Reaktionszeit ermöglicht. Da jedoch gerade Verfahren des maschinellen Lernens für die Trainingsphase mitunter sehr viel Rechenkapazität benötigen, ist das Edge-Device direkt mit der Azure Cloud verbunden (z.B. verschlüsselt über einen IoT-Hub). In der Azure Cloud stehen neben dem IoT-Hub eine Reihe weiterer Systeme zur Verfügung, die das Managen der Edge-Devices unterstützen (z.B. die Device Provisioning Services). Das Trainieren der rechenintensiven Modelle kann durch diese Verbindung beispielsweise in einem Azure Machine Learning Workspace stattfinden und das trainierte Modell im Anschluss an das Training auf dem Egde-Device ausgerollt werden. Im Fall von Azure Percept vereint das Azure-Percept-Studio viele Funktionen in einem Interface.

Abb. 1: Azure Percept

Des Weiteren bietet Microsoft in der Azure Cloud viele verschiedene Dienste an, die auch ohne "Plug&Play"-Lösungen die Implementierung sehr vereinfachen. In der in Abbildung 2 zu sehenden Azure IoT-Analytics-Referenzarchitektur erkennt man sehr gut, wie die Daten vom Physical Layer mit Sensoren über Edge Devices und Cloud Gateways in die Cloud kommen und dort in verschiedenen „Pfaden“ (je nach Use Case und Verarbeitungsgeschwindigkeit zutreffend) verarbeitet werden. Die Visualisierung der Ergebnisse erfolgt in Applikationen oder Dashboards. Zudem ist es möglich Workflows anzustoßen, die in der Cloud oder auf dem physikalischen Layer Aktionen auslösen.

 

Neben reinen IIoT-Anwendungsfällen lässt sich die IoT-Analytics-Referenzarchitektur auch sehr gut in eine Modern Data Warehouse-Plattform integrieren. Lesen Sie hierzu unseren Beitrag zum Thema Modern Data Warehouse.

Abb. 2: Azure IoT-Referenzarchitektur

Mit Fischertechnik zum IIot-Case

Um den Einstieg in diese komplexe, aber spannende Technologie zu erleichtern, lohnt es sich, mit kleinen Projekten zu starten, die ein klares Ziel verfolgen und einen abschätzbaren Return of Invest besitzen. So kann schon früh das Potenzial und der Nutzen der IIoT-Technologien bewiesen werden, um diesen Anwendungsfall dann geplant zu skalieren. Hierzu haben wir in einem weiteren Beitrag ein Reifegradmodell vorgestellt, das Ihnen bei der Auswahl des richtigen Anwendungsfalls behilflich sein kann. Es gibt noch einen weiteren, einfachen und zugleich spielerischen Zugang zu diesem wichtigen Thema: Um das Potenzial von IIot-Anwendungsfällen und den direkten Nutzen gut zu veranschaulichen und zu beweisen, greifen wir bei pmOne oftmals auf ein Factory-Modell von Fischertechnik zurück (Abbildung 3). In diesem Factory Modell, das wir Ihnen in einem unserer nächsten Blogbeiträge vorstellen, erleben Sie den kompletten Datenfluss: Angefangen bei den Sensoren über die Datenvisualisierung hin zu den Data-Science-Applikationen. Wenn Sie mehr zum Thema Data Science in der Produktion erfahren möchten, empfehlen wir Ihnen den Beitrag zur Anomalieerkennung.

Abb. 3: Fischertechnik Factory Modell

Erste Ideen?

Sie planen ein IoT-Projekt und sind auf der Suche nach einem Partner? Bei pmOne haben wir eine ganze Reihe von Experten, die sich auf IoT-Projekte spezialisiert haben. Ob sicheres Anbinden der Geräte an die Cloud, das Übertragen der Daten in einen zentralen Data Lake oder das Trainieren komplexer Machine Learning Modelle: Sprechen Sie uns an, wir stehen Ihnen gerne mit Rat und Tat bei Ihrem IIoT-Projekt zur Seite.

Kontaktieren Sie uns!