Warum Edge Computing für das IIoT so wichtig ist

Michael Schuldenfrei von OptimalPlus

Die Erfindung der Printed Circuit Board (PCB) in den 1950er Jahren veränderte die Welt der Automatisierung. Vor der PCB wurden elektronische Leiterplatten ausschließlich von Hand bestückt, ein mühsamer Prozess, der die weltweite Produktion stark einschränkte.

Heute, sagt Michael Schuldenfrei, Corporate Technology Fellow bei OptimalPlus ,  Die Industrie erlebt mit der Einführung von Instrumenten im Herstellungsprozess und dem Einsatz von Edge Computing einen weiteren revolutionären Sprung.

Die Instrumentierung des Herstellungsprozesses umfasst zahlreiche Sensoren und Mikrocontroller, die die Herstellungsbedingungen als Reaktion auf von den Sensoren erfasste Umgebungsbedingungen subtil ändern können. Diese Sensoren produzieren große Datenmengen, aber die Mikrocontroller können nicht direkt auf die erzeugten Daten reagieren.

Sowohl die Sensoren als auch die Mikrocontroller, die in Fertigungsinstrumenten verwendet werden, sind im Grunde kleine vernetzte Computer. Die Sensoren senden ihre Daten an eine zentrale Stelle, wo die Daten dann ausgewertet werden. Diese kleinen, autonomen Computer werden nicht in Echtzeit von Menschen überwacht und sind Teil des Internet of Things (IoT). Genauer gesagt handelt es sich in einem Fertigungskontext um Industrial IoT (IIoT)-Geräte.

IIoT-Anwendungsfall für Fertigungsinstrumente

IIoT-Geräte werden in einer Vielzahl von Kontexten verwendet, um Aufgaben zu erledigen, die für Menschen jedes Mal schwierig – wenn nicht unmöglich – zuverlässig und/oder genau zu erledigen wären. Betrachten Sie zum Beispiel die Schweißnahtprüfung. Schweißen ist ein integraler Bestandteil vieler elektronischer Produktionslinien und entscheidend für die Funktionalität und Haltbarkeit des Endprodukts.

Leider werden Hersteller aufgefordert, Schweißnähte an immer kleineren Bauteilen mit immer engeren Auflagen durchzuführen. Um Bauteile zu schützen, müssen Schweißnähte bei geringstmöglicher Hitze und mit geringstmöglicher elektrischer Ladung durchgeführt werden.

Zu den IIoT-Geräten, die zur Verfeinerung dieses Prozesses beitragen könnten, gehören Wärme-, Spannungs- und Drucksensoren, um die minimale Stromstärke zu bestimmen, die erforderlich ist, um eine Schweißung unter den aktuellen Umgebungsbedingungen durchzuführen. IIoT-Kameras können auch auf maschinellem Lernen basierende visuelle Schweißnahtprüfsysteme speisen, um zu überprüfen, ob Schweißnähte zufriedenstellend sind, selbst wenn sie für das menschliche Auge viel zu klein sind. und das ist nur für den Anfang.

Fertigungsinstrumente können jede Fertigung – nicht nur die Elektronikfertigung – genauer machen, mit weniger Produktionsfehlern und weniger Personen. Leider ist diese Instrumentierung nicht einfach, insbesondere angesichts der Komplexität der modernen Fertigungslieferkette.

Erstellen einer Fertigungsinstrumentierungsfunktion

IT-Teams nutzen seit Jahrzehnten Instrumente. Der Einbau von Sensoren in Software kostet nicht so viel wie der Einbau in Hardware. Als Folge davon sind Betriebssysteme, Anwendungen und IT-Equipment aller Art mit Sensoren übersät. Aus diesem Grund haben IT-Teams mit der Datenmenge zu kämpfen, die sie produzieren, seit es den modernen Mikrocomputer gab.

So viele Daten, so wenig Zeit

In der realen Welt produziert jede instrumentierte Infrastruktur viel mehr Informationen, als ein einzelner Mensch möglicherweise verarbeiten kann. Selbst große Teams von Menschen können nicht alle Daten durchkämmen, die selbst von einer bescheidenen IT-Infrastruktur ausgegeben werden. Im IT-Bereich gibt es ganze Disziplinen, die sich der Verständlichkeit der von der IT-Instrumentierung ausgegebenen Daten widmen. Die Technologien und Techniken reichen von einfachen Filtern bis hin zu ausgeklügelten Techniken der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML).

Bis vor kurzem war dies für die meisten IT-Teams gut genug. Informationen würden gesammelt und an eine zentrale Stelle gesendet, Zahlen würden geknackt und nur die wichtigen Daten an Systemadministratoren weitergeleitet. Wenn dies ein paar Sekunden oder Minuten dauerte, war das in Ordnung; ein kurzer IT-Ausfall war im Allgemeinen akzeptabel.

Da Unternehmen auf der ganzen Welt jedoch immer mehr von ihrer IT abhängig wurden, verringerte sich der akzeptable Zeitaufwand für Maßnahmen auf die Instrumente erheblich. Für viele Organisationen liegt die akzeptable Reaktionszeit heute weit unter dem, was ein Mensch erreichen könnte. Moderne IT-Systeme in den fortschrittlichsten Organisationen verwenden daher leistungsstarke KI- und ML-Suiten, damit ihre IT-Infrastruktur auf Änderungen reagiert, die von den Sensordaten gemeldet werden, bevor menschliche Administratoren überhaupt bemerken, dass ein Problem vorliegt.

Moderne Hersteller suchen, wie man sich vorstellen kann, nach Fertigungsinstrumentierungslösungen, die auch schneller als ein Mensch reagieren können. Es ist zwar hilfreich, Sensoren zu lesen und Menschen zu melden, dass ein Problem aufgetreten ist, aber es ist bei weitem nicht so hilfreich, wie auf Sensordaten in Echtzeit zu reagieren.

IT-Instrumentierung vs. Fertigungsinstrumentierung

Der Unterschied zwischen beiden besteht darin, dass die IT-Instrumentierung vergleichsweise einfach ist:Man sammelt Daten über IT-Infrastruktur und Anwendungen von Geräten, die bereits vollständig digitalisiert sind. Die Herstellung von Instrumenten ist anspruchsvoller. IIoT-Geräte, die in Fertigungsinstrumenten verwendet werden, sammeln Daten über die physische Welt. Das bedeutet, analoge Daten zu sammeln und in digitale umzuwandeln – und das ist ein ganz anderes Ballspiel. Physische Sensoren müssen kalibriert werden und verschleißen mit der Zeit. Physische Sensoren werden normalerweise auch in Clustern bereitgestellt, sodass Quorum Sensing möglich ist.

Quorum Sensing verwendet mehrere unabhängige Sensoren, um Kalibrierungsdrift oder Sensorfehlfunktion zu kompensieren. Wenn ein Sensor in einem Cluster Daten meldet, die von seinen Partnern abweichen, kann er ignoriert und/oder zur Neukalibrierung gekennzeichnet werden. Dadurch kann die Fertigung mit bekannten guten Sensoren fortgesetzt werden, bis der fehlerhafte Sensor neu kalibriert oder ersetzt werden kann.

Die Komplikationen der analogen Sensorik in Kombination mit der dringenden Notwendigkeit, auf Sensordaten in Echtzeit zu reagieren, stellen die Fertigungsinstrumente vor echte Herausforderungen.

Kann Cloud Computing nicht alles reparieren?

IT-Teams mussten sich mit vielen unterschiedlichen und schwierigen Rechenanforderungen auseinandersetzen. Ein Beispiel für eine von IT-Anbietern entwickelte Lösung ist Cloud Computing.

Cloud-Computing und BDCA

Cloud Computing ermöglicht Unternehmen auf Knopfdruck den Zugriff auf eine scheinbar grenzenlose IT-Infrastruktur. Obwohl die Gründe für Cloud Computing zahlreich und komplex sind, ist der vielleicht wichtigste, dass Cloud Computing es IT-Teams ermöglicht, IT-Workloads zu betreiben, ohne die zugrunde liegende IT-Infrastruktur verwalten oder warten zu müssen. Der Cloud-Anbieter übernimmt diesen Teil für sie.

Cloud Computing hat sich für Bulk Data Computational Analysis (BDCA)-Workloads als sehr nützlich erwiesen. Es gibt viele Arten von BDCA-Workloads, einschließlich KI, ML, Big Data und mehr. alles, wo große Datenmengen gesammelt und anschließend analysiert werden müssen, ist eine BDCA-Arbeitslast. In den letzten Jahren war Cloud Computing das Ziel der meisten neuen BDCA-Projekte.

Einer der Gründe, warum Cloud Computing für BDCA-Workloads verwendet wird, ist das Konzept des Cloud Bursting. Cloud-Workloads – wie die Berechnungsworkloads zur Analyse großer Datasets – können nur nach Bedarf und in der erforderlichen Größenordnung hochgefahren werden. Dies passt gut zu BDCA-Workloads, da die meisten BDCA-Workloads nur Analysen nach einem festgelegten Zeitplan generieren müssen. Berichte zum Monatsende sind hier ein beliebter Anwendungsfall.

Leider bedeutet die Skalenökonomie, dass traditionelle Public Clouds zentral angeordnet sind. Dies ermöglicht es Anbietern öffentlicher Clouds, ihre Rechenzentren dort zu platzieren, wo die Kosten am niedrigsten sind, und einfach wirklich, wirklich große Rechenzentren aufzubauen. Während dies für BDCA-Workloads im Batch-Job-Stil nützlich ist, die nach Zeitplänen ausgeführt werden, ist dies weniger hilfreich für Workloads, die Echtzeitreaktionsfähigkeit erfordern.

Um dies zu lösen, wurde Edge Computing entwickelt.

Edge-Computing

Edge Computing kann man sich als Cloud Computing vorstellen, jedoch im Rechenzentrum eines anderen. Edge Computing entwickelte sich, weil IT-Teams Arbeitslasten hatten, die eine Reaktionsfähigkeit mit geringer Latenz erforderten, die herkömmliches Public Cloud Computing nicht bieten konnte. IT-Teams waren durchaus in der Lage, solche Infrastrukturen zu erstellen, wollten aber einfach nicht die Last und den Ärger, sich selbst darum zu kümmern.

Erfüllen neuer Datenanforderungen

Nach einer Besprechung wurde beschlossen, dass Public-Cloud-Anbieter Server in den Rechenzentren der entsprechenden Organisationen installieren, um den Bedürfnissen dieser Kunden gerecht zu werden. Dies ermöglichte es den IT-Teams dieser Organisationen, Workloads auf einer Region auszuführen, die für sie identisch mit einer Region aussah, die vom Public-Cloud-Anbieter speziell für sie erstellt wurde, sich jedoch im selben Local Area Network (LAN) befand wie der Rest ihrer Workloads .

Diese „Edge-Computing“-Server ermöglichen es, IoT-Sensordaten viel schneller zu verarbeiten und darauf zu reagieren, als dies möglich wäre, wenn diese Daten über das Internet in ein öffentliches Cloud-Rechenzentrum übertragen, verarbeitet und dann die Ergebnisse über das Internet zurückgesendet werden müssten . Edge Computing ermöglicht eine Reihe neuer Technologien, einschließlich fahrerloser Autos.

Anwendungsfall:Echtzeitdaten für selbstfahrende Autos

Fahrerlose Autos sind ein großartiges Beispiel für eine Technologie, bei der das Warten auf Daten einfach keine Option ist. Cloud-Computing könnte fahrerlosen Autos helfen, indem es Sensorinformationen für alle Autos in einem bestimmten Bereich sammelt, die Daten verarbeitet und diesen Autos eine Karte sendet, auf der sich alle und alles in einem bestimmten Umkreis befinden. Dies könnte es diesen Autos ermöglichen, buchstäblich um die Ecke zu sehen, was sie noch sicherer macht.

Doch selbst bei Lichtgeschwindigkeit kann das Senden von Informationen vom Auto in die Public Cloud und wieder zurück bis zu einer Viertelsekunde dauern. Menschen können in einer Viertelsekunde sterben, wenn Autos im Spiel sind. Eine Verlagerung der Verarbeitung näher an die Autos – zum Beispiel durch die Platzierung der relevanten Server innerhalb weniger Blocks von den Orten, an denen Autos versuchen, durch schwierige städtische Umgebungen zu navigieren – kann Technologien ermöglichen, die sonst nicht möglich wären.

Auf die gleiche Weise kann die Fertigung Edge-Computing nutzen, um die erforderliche Instrumentierung zu ermöglichen. Wie üblich hat die Fertigung jedoch ihre eigenen Wendungen, die Edge Computing nicht nur kritischer für den Prozess machen, sondern auch verschiedene Herausforderungen mit sich bringen, die es zu meistern gilt.

Warum Edge Computing in der Fertigung verwenden?

Ein allgemeiner Pitch für die Relevanz von Edge Computing für produzierende Unternehmen dreht sich um die Notwendigkeit einer Reaktionsfähigkeit in Echtzeit. Wenn man versucht, Fertigungsfehler in einer schnelllebigen Produktionslinie nahe Null zu halten, hilft es, Sensorcluster verwenden zu können. Ein Sensorcluster kann den Fehler eines einzelnen Sensors quorum erkennen und dann neu kalibrieren. Die Neukalibrierung muss jedoch sehr schnell erfolgen, um eine Unterbrechung der Produktionslinie zu vermeiden.

Wenn das Senden von Sensordaten über das Internet 100 oder 250 Millisekunden dauert, können Produkte in der Linie verloren gehen oder Geräte beschädigt werden. Wenn die Daten jedoch lokal verarbeitet werden können, was ungefähr fünf Millisekunden dauert, können Hersteller die Sensoren in Echtzeit neu kalibrieren und/oder die Einstellungen der Fertigungsanlagen als Reaktion auf die Umgebungsbedingungen ändern.

Sensorüberlastung

Ein weiterer Grund für die Nützlichkeit von Edge Computing, der nicht so gerne diskutiert wird, besteht darin, dass eine unüberschaubare Anzahl von Sensoren an Fertigungsinstrumenten beteiligt sein kann. Dies kann nicht nur die Netzwerkkapazität überfordern, sondern auch eine riesige Datensammlung erzeugen, die nicht vollständig benötigt wird. Daher ist es sinnvoll, die Daten zu sichten, bevor Sie nur die Daten weiterleiten, die gesendet werden müssen.

Es ist üblich, dass das Datenvolumen überwältigend ist oder eine Form der Filterung erfordert, wenn Sensoren in einem Quorum verwendet werden, um Kalibrierungs- oder Alterungsprobleme zu überwinden. Hier können einzelne Sensoren abgelehnt werden, wenn andere benachbarte Sensoren, die an einem Quorum teilnehmen, mit den Messwerten nicht übereinstimmen. Eine vollständig instrumentierte Fabrik kann Millionen einzelner Sensoren enthalten, die letztendlich nur aus einigen Zehntausend Sensor-Quorums bestehen – möglicherweise viel mehr, als die lokale Internetverbindung vernünftigerweise bewältigen kann.

In anderen Edge-Computing-Konfigurationen für die Fertigung gibt es einige Sensoren, die nur lokal verwendet werden. Dies kann daran liegen, dass sie in Echtzeit verwendet werden oder nur lokal relevant sind, beispielsweise als Teil einer Sicherheitslösung.

Lohnfertigung

Edge Computing ist auch in dem immer häufiger vorkommenden Szenario von Auftragsfertigern (CMs) nützlich. CMs verfügen über IT-Lösungen, die von den Original Equipment Manufacturers (OEMs) unabhängig sind, die Arbeiten in Auftrag geben. Viele OEMs sehen jedoch Vorteile darin, ihre gesamte Lieferkette zu instrumentieren, sogar die Teile davon, die an Dritte vergeben wurden.

In diesem Fall können OEMs einen Teil ihres Netzwerks mithilfe von Edge-Computing in das Netzwerk des CM extrudieren. Das IT-Team des OEM kann Server im Netzwerk des CM platzieren, die eine Verbindung zur privaten Cloud des OEM herstellen. In Kombination mit IIoT-Sensoren würden diese Edge-Computing-Server es dem CM ermöglichen, die Instrumentierungs- und Lieferkettenintegrationsziele des OEM zu erreichen, ohne das eigene Netzwerk des CM zu beeinträchtigen oder radikale Änderungen am Netzwerkdesign des CM zu erfordern.

Edge Computing gibt dem OEM die Möglichkeit, seine gesamte Lieferkette und den Fertigungsbetrieb mit einer einheitlichen Schnittstelle und einem integrierten Satz von Anwendungen zu betrachten, unabhängig davon, ob die einzelnen Komponenten in den Werken des OEM oder eines CM hergestellt werden. Diese Konsistenz erleichtert das Training und die Unterstützung von CMs, da alle dieselbe Toolchain verwenden.

Zusammenfassung

Cloud Computing gibt es schon seit mehr als einem Jahrzehnt und wird oft als Lösung für alle IT-Probleme vermarktet. Es ist nicht. Cloud Computing löst viele Probleme, aber die Lichtgeschwindigkeit bedeutet, dass riesige zentralisierte Serverfarmen immer nur so nützlich sein werden.

Edge-Computing dient zwei Hauptzwecken:Extraktion von Signalen aus Rauschen durch lokale Verarbeitung großer Datenmengen, die nicht über das Internet gesendet werden können, und Bereitstellung der Möglichkeit, bestimmte Dinge lokal zu verarbeiten, wo und wenn Latenz ein Problem darstellt. Beides ist nützlich für produzierende Unternehmen, die zunehmend von Instrumenten abhängig sind.

Die Fertigung kann es kaum erwarten, bis das Licht von A nach B und zurück gelangt. Es steht zu viel auf dem Spiel und keine Zeit für Fehler. Edge Computing löst Probleme, die Clouds nicht können, also ist es an der Zeit, sich weiterzuentwickeln oder zurückgelassen zu werden.

Der Autor dieses Blogs ist Michael Schuldenfrei, Corporate Technology Fellow bei OptimalPlus