Sowohl beim Edge-Computing – auch Fog-Computing genannt – als auch beim Cloud-Computing geht es darum, ein cyberphysisches System durch die Vernetzung von Mechanik, Maschinensteuerung und Software-systemen zu schaffen, um so Daten beziehungsweise Informationen weiterverwenden zu können. Anwendungsbeispiele sind Condition Monitoring oder neue Pay-per-Use-Modelle. Der Unterschied? Edge Computing findet häufig im eigenen Firmennetzwerk statt. Daten werden hier voraggregiert, um die Datenmenge für die Cloud-Kommunikation zu reduzieren oder aber, um Algorithmen, Datenauswertung und Analysen lokal ablaufen zu lassen. Cloud Computing bietet zusätzlich den weltweiten Zugriff auf die Daten und Analysen und ermöglicht erweiterte Funktionen, zum Beispiel den globalen Vergleich der Produktivität von Anlagen. Beide Verfahren können isoliert angewendet werden, smarte Lösungen nutzen in der Regel beide Verfahren im Zusammenspiel. 

Welche Option die richtige ist, hängt von vielen Faktoren ab. Nicht zuletzt davon, inwieweit der Maschinenbetreiber überhaupt bereit ist, seine Daten einer Cloud anzuvertrauen. Vor den ersten Schritten der Umsetzung sollte sich der Maschinenbauer daher einige Fragen stellen: Welche Dienste möchte ich anbieten? Schnelle Hilfe bei Problemen durch einfachen Fernzugriff? Oder Condition Monitoring und Predictive Maintenance für bedarfsgerechte Wartung und gesichertes Ersatzteilgeschäft? Mit einer KI-unterstützten Cloud-Lösung? Oder doch lieber eine lokale Lösung? Und wie sieht es mit der Sicherheit aus? 

Standards helfen

Sind Antworten auf diese Fragen gefunden, geht es darum, zu klären, welche Zugriffsmöglichkeiten bestehen und welche Daten in welcher Qualität und Häufigkeit nötig sind, um daraus die wertvollen Informationen für die digitalen Services zu generieren. Daneben ist bei der konkreten Umsetzung einiges zu beachten.
Eine zukunftsfähige Lösung sollte zu einen ‚mitwachsen‘ können, also offen für Erweiterungen sein, die die stetig steigenden Anforderungen des Marktes erfüllen. Das gelingt in der Regel nur durch den Einsatz offener Standards.

OPC UA ist bereits als Kommunikationsstandard bei Steuerungen etabliert, da fast alle gängigen Steuerungssysteme die plattformunabhängige, service-orientierte Architektur unterstützen und OPC-UA-standardisierte Datenmodelle für den Maschinenbau ermöglichen. Befinden sich die Daten dagegen auf einem Edge-Computer und sollen von dort weiterverteilt werden, stößt man häufiger auf MQTT (Message Queuing Telemetry Transport). Eine schlanke Lösung mit wenig Overhead, die die zu transferierende Datenmenge nicht unnötig vergrößert. Die Erweiterung zu einer Cloud-Lösung ist leicht, da auch MQTT-Anbindungen inzwischen bei fast allen Cloud-Anbietern, zu denen auch Lenze gehört, ein Standard ist. 
Zum anderen geht es um das Verteilen der Software, denn egal ob sie sich auf dem Edge-Computer oder in der Cloud befindet – sie sollte ohne Mehraufwand adaptiert werden können. Hier hat sich die Containerisierung mittels Docker vielfach bewährt. In diesem Container läuft die Software mit all den benötigten Abhängigkeiten, Bibliotheken et cetera, zudem dockt er schlank auf dem Betriebssystem an und wird von den gängigen Betriebssystemen unterstützt. Docker-Container können leicht aktualisiert werden und bieten Möglichkeiten für hohe Sicherheit.

Mehr Flexibilität

Schematische Darstellung einer Cloud- und Edge-Computing- Architektur für die Industrie.

© Lenze

Damit wären wir beim nächsten wesentlichen Punkt – der Flexibilität. Nutze ich eine modulare und flexible Architektur, habe einfachen Zugriff auf meine Daten und die Möglichkeit, Software überall einzusetzen, kann ich mit einer schnellen und kleinen Lösung starten. Im ersten Schritt hole ich mir die Daten aus der Steuerung oder dem Feldgerät und lasse die Software oder den Container auf einem lokalen Edge-Computer laufen. Eine Anbindung an die Cloud ist nicht zwingend erforderlich. Sollen meine Maschinen jedoch weltweit vernetzt und Prozesse global optimiert werden, muss die Lösung zwangsläufig erweitert werden. Die gleiche Software-Architektur wird dabei wiederverwendet und mittels MQTT werden die Daten in eine Cloud meiner Wahl versendet. Der Anwender wird den Unterschied nicht spüren. Dieser einfache Ansatz zeigt den Mehrwert und wird die Hemmschwelle für den Einsatz von Cloud-Lösungen senken.

Aus der Praxis

Erste Projekte befinden sich bereits in der Umsetzung – wie so oft bei Innovationen ist der Automobilsektor auch hier ganz vorn dabei. In einem konkreten Anwendungsbeispiel werden die Daten aus rund 1000 Antrieben genutzt, die auf mehrere Anlagen verteilt sind. In dem Projekt sollte im ersten Schritt der reine Datenzugriff möglich sein, um die Antriebsdaten der Anlagen vergleichen und Abweichungen erkennen zu können. Die erfassten Daten werden lokal gespeichert und genutzt, um erste Erfahrungen mit dem Umgang, der Verarbeitung und der Analyse der Informationen zu sammeln. Erst im zweiten Schritt soll es um Condition Monitoring und 
Predictive Maintenance gehen.
Zunächst galt es zu entscheiden, welche Hardware, Software und Netzwerk-Architektur notwendig sind, um Parameterdaten von 1000 Antrieben zyklisch zu lesen, zu verarbeiten und zu speichern. Die Wahl fiel auf eine dezentrale Architektur, die die 1000 Antriebe auf circa zehn Edge-Computer aufteilt. Die einzelnen Edge-Computer verbinden sich über Profinet mit den Antrieben und lesen zyklisch sowie ereignisgesteuert die Antriebsdaten aus.

Beispiel der Kommunikation mittels des MQTT-Standards. Auf den Edge-Computern wird ein MQTT-Client genutzt, der die Parameter als MQTT-Messages zu einem MQTT-Broker auf dem Datenbankserver sendet.

© Lenze

Als nächstes wird die Kommunikation der einzelnen Edge-Computer zum Datenbankserver definiert. In diesem Projekt ist MQTT der gewählte Kommunikationsstandard, da dieses Protokoll einen geringeren ‚Overhead‘ verzeichnet, Publish-&-Subscriber-Mechanismen besitzt, sich die MQTT-Broker mit tausenden Publisher und Subscriber verbinden und Millionen von verschlüsselten Messages in kürzester Zeit verarbeiten können. 
Auf den Edge-Computern wird ein MQTT-Client genutzt, der die Antriebsparameter als MQTT-Messages zu einem MQTT-Broker auf dem Datenbankserver sendet. Es ist eine sogenannte ‚Time Series Datenbank‘ im Einsatz, die speziell auf diese Arten von Informationen – und zwar zyklische Daten mit Zeitstempel – spezialisiert ist. Sie bietet gegenüber relationalen Datenbanken klare Speicher- und Performance-Vorteile, ohne auf eine SQL-ähnliche Syntax für die Datenabfragen verzichten zu müssen. Eine weitere Systemanforderung lautete, ältere Daten automatisch zu komprimieren, um die vorhandenen Speichergrenzen nicht zu überschreiten. Weitere Applikationen, die beispielsweise nach Veränderungen in bestimmten Parameterdaten suchen und Notifikationen versenden,  können leicht integriert werden.

Die Informationen sowie das Systemverhalten werden über System- oder Daten-Dashboards visualisiert. Diese richten sich nach den Anforderungen der Nutzer – der Inbetriebnehmer, aber auch die Instandhaltung benötigen Dashboards, mit denen sie den aktuellen Zustand des installierten Systems beurteilen können: Sind alle Antriebe verbunden und senden Daten? Sind die Daten konsistent? Gibt es irgendwelche Fehlereinträge? Gibt es genügend Ressourcen? Sowie etliche weitere Details. Außerdem will man die Antriebsdaten beobachten und auswerten: Sind alle Temperaturen der Motoren innerhalb der Grenzwerte? Haben sich Drehmomente oder die Motorstromaufnahme oder der Nachlauf über die Zeit verändert? Und vieles mehr.

Cloud- oder Edge-Computing?

Klaas Nebuhr ist Chief Marketing Officer bei Lenze Digital.

© Lenze

Industrie-4.0-Projekte und speziell ‚Condition Monitoring‘ und ‚Predictive Maintenance‘ beginnen immer mit der Datenerfassung, Datenübermittlung, Datenspeicherung sowie dem Datenmonitoring. Anschließend können spezielle Algorithmen implementiert werden, die das Verhalten der Maschinenprozesse automatisch analysieren und bei Veränderungen, die zum Fehlerfall führen können, rechtzeitig informieren. 
Ob dabei Cloud- oder Edge-Computing das richtige Mittel der Wahl ist, hängt von den speziellen An­forderungen des Nutzers ab. Experten helfen Anwendern bei der Wahl der passenden Technologie und unterstützen bei der Entwicklung von Machine-Learning- beziehungsweise KI-Algorithmen. Zusammen mit dem Wissen des Maschinenbauers entstehen so neue Lösungen und Services, die aus der digitalen Transformation einen wirtschaftlichen Nutzen generieren.