Implementierung von Deep-Edge-Lösungen

Den Überblick über die Edge-Computing-Technologie haben wir im Whitepaper „Edge-Computing im industriellen Umfeld“ behandelt. In diesem Blog werden wir näher auf die Formen von Edge-Computing und auf die Implementierung von intelligenten Edge-Computing-Lösungen im industriellen Umfeld eingehen.

Die Implementierung effektiver industrieller Edge-Computing-Lösungen erfordert die Integration mehrerer Komponenten. Kernhardware- und Softwareanwendungen, physische und Cybersicherheit, Fernüberwachungs- und Wartungslösungen werden kombiniert, um sicherzustellen, dass der Betrieb stets zuverlässig läuft. Im Abschnitt „Die Formen der Edge-Computing-Technologie“ unseres oben genannten Whitepapers wird erklärt, dass die Edge-Geräte in bestimmte Sublayer unterteilt werden (auch wenn einzelne Systeme nicht alle dieser Schichten verwenden).

Abbildung 1: Blockdiagramm der Thick-, Thin- und Micro-Edge-Computing-Technologie

Wie in der obigen Abbildung dargestellt, kann das Edge-Computing dahingehend unterteilt werden, ob das Computing verteilt oder in einer Edge-Bereitstellung zentralisiert werden soll, die allgemein als „Thick-Edge“, „Thin-Edge“ und „Micro-Edge“ (zusammen als „Deep-Edge“ bezeichnet) bekannt ist.

Beim Thick-Edge-Computing gibt es einen Übergang zu einem stärker verteilten und dezentralisierten Computing-Ansatz. Sensoren sind häufig mit Rechenknoten verbunden, die Edge-Anwendungen dort ausführen, wo Daten gesammelt, gefiltert, aggregiert, stapelweise verarbeitet usw. werden. Die Informationen werden anschließend in die Cloud oder in Unternehmensrechenzentren übertragen. Die Thick-Edge kann auch Computersysteme abdecken, die in der Regel für den Betrieb von SCADA und ähnlichen Anwendungen verwendet werden. Diese lokalen Rechenknoten (auch als Edge-Geräte, Edge-Gateways oder Edge-Computer bekannt) werden beim Thick-Edge-Computing zur Bereitstellung lokalisierter Intelligenz verwendet, um schnell (mit geringer Latenz) auf Daten zu reagieren, die von physischen Erfassungsgeräten eingespeist werden. Sie führen rechenintensive Aufgaben/Workloads aus, indem sie High-End-CPUs, GPUs, FGPAs und andere Verarbeitungsgeräte anpassen. Thick-Edge-Rechenknoten können aufgrund ihrer Verarbeitungs- und Speicherkapazitäten häufig über lange Zeiträume unabhängig arbeiten.

Das Thin-Edge-Computing erfordert weniger Verarbeitung am Ort der Sensordatenerfassung. Die erfassten Daten werden gesammelt und an ein zentraleres Verarbeitungssystem gesendet, wo sie analysiert und bearbeitet werden. Die zentralisierte Verarbeitung kann in der Cloud oder in privaten Daten-/Verarbeitungszentren (auch als „On-Prem“ bekannt) erfolgen. Dies beschreibt die intelligenten Controller, Netzwerkgeräte, SPSen und spezielle Embedded-Computer, die in Werkzeugmaschinen und andere Produktionsanlagen eingebaut sind. Zusätzliche Rechenplattformen (z. B. Gateways) sind in Thin-Edge-Recheninstallationen je nach Komplexität und Anschlussmöglichkeiten der physischen Sensoren möglicherweise gar nicht erforderlich. Manchmal sind auch KI-Bausteine wie GPUs oder ASICs beinhaltet.

Die Micro-Edge stellt Sensoren dar, die Daten von Prozessen und Industrietechnik sammeln, welche aufgrund von Kosten- und Stromverbrauchsbeschränkungen in der Regel direkt an SPSen oder Low-End-Prozessoren angeschlossen werden. Dies ist auch die Schicht, die den Maschinen in der Fertigungsstätte und dem Teil des industriellen Computing-Ökosystems am nächsten ist, da Rechenressourcen, die sich an der „Micro-Edge“ befinden, die Datenerzeugungsgeräte selbst sind.

Tatsächlich gibt es keinen Unterschied zwischen Thin-Edge und Thick-Edge. Am weitesten vom Netzwerkrand entfernt gibt es eher ein „Spektrum“ von Lösungen, die basierend auf Ressourcenverfügbarkeit, Anwendungsfallbedarf und Softwarebereitstellungs- und -managementfragen zur „Thin“- oder „Thick“-Edge tendieren würden.

Edge-Analytics im industriellen Umfeld

Das folgende Diagramm zeigt das Konzept der Intelligenz am Rand der Maschine und die Verbreitung der erfassten Informationen von einer an viele Maschinen. Das kollaborative Lernen bezieht sich auf die Informationen über die Geräteflotte eines Herstellers. Die Netzwerke ermöglichen es Endbenutzern, vorausschauende Wartungslösungen, die auf leistungsstarken Algorithmen zur Erkennung von Anomalien basieren, zu entwickeln, indem sie den Informationsaustausch über intelligente Edge-Sensoren hinweg erleichtern. Die Vorhersagemodelle werden anhand der historischen gelabelten Daten mit Informationen über frühere Ausfälle in der Ausrüstung trainiert und getestet. Die Menge an historischen Daten kann riesig sein, daher ist die Echtzeitspeicherung in der Cloud eine effektive Lösung, die zu einer cloudbasierten vorausschauenden Wartung führt. Induktions-Elektromotoren sind wichtige Aktoren in den meisten industriellen Fertigungsstätten, daher ist eine cloudbasierte vorausschauende Wartung von Elektromotoren von besonderer Bedeutung. Mechanische Ausfälle erzeugen bei Elektromotoren Vibrationen mit unterschiedlicher Amplitude und Frequenz. Daher konzentrieren sich Lösungen zur Überwachung des Motorzustands hauptsächlich auf die Messung von Vibrationen und Temperaturen. Edge-Computing-Ressourcen entkoppeln das Programm von der zugrunde liegenden Hardware und ermöglichen flexible Architekturen, bei denen Anwendungen von einem intelligenten Rechengerät zu einem anderen migrieren können.

Abbildung 2: Industrial-Edge-Knoten zur Erkennung von Anomalien

Industrial-Edge-Plattform

Die Industrial­Edge besteht aus einem Backend-Gerät, Edge-Geräten und Edge-Apps, die für intelligente Datenanalysen und zur Produktivitätssteigerung genutzt werden. Wie in der folgenden Abbildung gezeigt, sind die Komponenten alle Teil eines integrierten Hardware- und Software-Ökosystems für die Automatisierung. Das Industrial-Edge-Managementsystem kann verwendet werden, um alle verknüpften Edge-Geräte zentral zu steuern und zu überwachen. Indem sie die Leistungsfähigkeit von Edge-Computing und fortschrittlicher Analyse sicher auf die Produktionsebene bringen, liefern Industrial-Edge-Geräte eine Datenverarbeitung auf Maschinenebene für Automatisierungssysteme.

Abbildung 3: Industrial-Edge-Plattform

Das Anwendungsmanagement ist für das Bereitstellen, Konfigurieren, Entfernen, Starten, Stoppen und Zurücksetzen von Anwendungen verantwortlich. Benutzer und Maschinenbauer können „Apps“ auf Edge-Geräten installieren und sogar ihre eigenen Anwendungen entwerfen. Cloud-Übertragungsprotokolle, cloudbasierte Betriebssysteme und Message Queuing Telemetry Transport (MQTT) werden von der Industrial-Edge unterstützt, was die Datenübertragung sicher und effizient macht.

Bleiben Sie auf dem Laufenden und lesen Sie auch unsere anderen wegweisenden Blogeinträge. Darin werden Strategien und Standards für die Bereitstellung von Edge-Computing, die Integration von Edge-Computing in PACs und SPSen, Sicherheitsrisiken von Edge-Computing und sichere Lösungen beschrieben.