Edge und Cloud Computing richtig kombiniert macht IIoT zum Erfolg

Edge Computing und Cloud Computing schließen sich nicht aus, sondern gehen beim Industrial Internet of Things (IIoT) für die Anbindung und Auswertung von Maschinendaten oft Hand in Hand. Richtig kombiniert werden sie zu einer starken Automatisierungsplattform.

Im Zusammenhang mit Industrie 4.0, Smart Factory und dem industriellen Internet der Dinge (IIoT) kommen mit Edge und Cloud Computing immer wieder zwei völlig diametrale Lösungswege zur Sprache und zum Einsatz. Edge Computing dient der Vorverarbeitung der über die Sensoren gelieferten Maschinendaten in der Peripherie, sprich am Rande des Netzwerks (an der Edge). Cloud Computing dient dazu, die so gewonnenen Daten zentral zusammenzuführen, um sie dann weiter zu analysieren, auszuwerten und nutzbar zu machen.

Bis vor Kurzem war IoT in Form von Smart-Home-Szenarien vor allem privat genutzt. IDC hat bereits vorhergesagt, dass der gewerbliche oder industrielle Nutzen bald überwiegen wird. Laut dem US-Marktforschungsinstituts Gartner werden bis 2029 mehr als 15 Milliarden IoT-Devices mit Unternehmensnetzen verbunden sein. Die damit verbundenen Datenmengen, die über die Vielzahl an Sensoren in den Geräten und Maschinen erfasst werden, sollen bis dahin um mehrere Milliarden Terabyte oder Billionen GB pro Jahr steigen.

Viele Unternehmen sind jedoch heute schon mit dieser wachsenden Datenflut überfordert. Alle Sensordaten ohne Umweg ungefiltert in die Cloud zu überführen, würde vielfach auch die Kapazitäten sprengen. Die zentrale Berechnung in der Cloud wäre bei hoch datenlastigen Anwendungen wie Fertigungsstraßen und vernetzten Fahrzeugen auch mit viel zu langen Antwortzeiten verbunden. Dabei lassen sie sich, wie oben bereits angeklungen ist, auch lokal in der Peripherie berechnen und vorbearbeiten. Und da kommt eben Edge Computing ins Spiel.

Die Verarbeitung oder Vorverarbeitung der Maschinen- oder Fahrzeugdaten in dieser verteilten, offenen IT-Architektur hat den Vorteil von wesentlich geringeren Latenzzeiten und höherer Reaktionszeiten. Die aus den Sensoren gelieferten Daten lassen sich ohne Zeitverzögerung auswerten, um gegebenenfalls Maßnahmen einzuleiten, falls ein Maschinenausfall droht. Außerdem erfordert die lokale Datenverarbeitung auch weniger Bandbreiten und Datenvolumina, weil in der Regel nur die aggregierten Daten oder Durchschnittswerte in die Cloud weitergegeben werden müssen.

Edge Computing eignet sich vor allem für alle Anwendungen, bei denen es auf eine besonders schnelle Verarbeitung und Speicherung der Daten ankommt, so zum Beispiel auch beim autonomen Fahren, bei Augmented und Virtual Reality sowie bei Filmaufnahmen und Live-Übertragungen von schnellen Sportereignissen wie Formel-1-Rennen. Denn zum einen gilt es hier, sehr hohe Datenmengen zu verarbeiten, zum anderen diese praktisch in Echtzeit verfügbar zu machen.

Als Beispiel, wie Edge und Cloud Computing Hand in Hand gehen ist die Qualitätsanalyse bei Produkten aufgrund von Bilddaten. Die (Vor-) Verarbeitung mittels Machine Learning läuft dabei meist direkt in der Nähe der Kamera, das heißt in der Peripherie oder Edge, die weiterführende Nutzung, Analyse und Auswertung der Daten in der Cloud, weil hier oft wesentlich höhere Rechenleistungen gegeben sind. Mit der vergleichsweise bescheidenen Edge-Hardware wäre es oft viel zu zeitaufwendig, ein ML-Modell zu erstellen und zu optimieren sowie Prognosen daraus abzuleiten. Mit den hohen Rechenkapazitäten in der Cloud ist das ein Klacks und so lassen sich automatisch die jeweiligen Hardware- und Betriebssysteme optimieren.

Für Computer oder Machine Vision (computergestütztes Sehen) sind typischerweise Spezialkameras erforderlich. AWS Panorama ist eine in der Edge laufende und in der Cloud integrierte ML-Appliance, die auch mit normalen Netzwerkkameras verbunden werden kann, um ML-Modelle zu trainieren, verwalten, überwachen und anpassen zu können. Und damit lassen sich über die IP-Kameras mittels Computer Vision sehr genaue Prognosen erstellen und mit niedriger Latenz automatisch überwachen und prüfen, wofür Menschen bisher oft lange beschäftigt waren. Gleichzeitig ist AWS Panorama auch ein Beispiel für eine gelungene Verknüpfung von Edge und Cloud Computing. Ein anderes ist AWS IoT Greengrass, „ein Open-Source-Edge-Runtime- und Cloud-Service für die Erstellung, Bereitstellung und Verwaltung von Gerätesoftware“ mit entsprechenden AWS-Cloudservices für das zentrale Roll-out und das Verwalten der IoT-Geräte.

Voraussetzung für solche Anwendungen ist eine hybride Architektur, um Services sowohl in der Edge als auch in der Cloud zu nutzen, etwa auch, um Produktionsausfälle zu vermeiden, wenn gerade keine Netzwerkverbindung vorhanden ist. Rein cloudbasiert wäre dafür eine redundante Internetverbindung nötig, die in Sachen Latenz dann doch nicht alle Anwendungsfälle abdecken kann. Neue Impulse soll 5G setzen, wie auch die Futuriom-Studie 5G, IoT and Edge Computing Trends zeigt, die den Mobilfunk der 5. Generation als Katalysator für Edge Computing sieht.

Edge Computing bietet in diesem Falle eine dezentralisierte, niedrige Verarbeitungslatenz, die die Datenverarbeitung zu den datenproduzierenden Quellen bringt. Cloud Computing hingegen ist mehr zentralisiert und einfacher skalierbar. Die Notwendigkeit, diese miteinander zu kombinieren, um alle Datensätze für das Verständnis industrieller Prozesse nutzen zu können, habe zur Entwicklung industrieller Automatisierungsplattformen geführt und diese erst erschwinglich gemacht. Und das stelle einen weiteren Paradigmenwechsel dar mit dem Ergebnis, die Kosten für die Implementierung einer Industrie-4.0-Strategie, den Einsatz von IoT-Anwendungen und die Entwicklung von Vor-Ort-Automatisierungssystemen für bestimmte industrielle Anforderungen drastisch zu senken.

Quelle Titelbild: AdobeStock/elenabsl