Datenübertragung im Industrial Internet of Things Edge-Computing: Der Rand im Blickpunkt

Das Industrial Internet of Things (IIoT) hängt von verschiedenen Technologien ab, die sich vor unseren Augen vereinigen. Der Klebstoff zwischen den Technologien sind die übertragenen Daten. Eine immer wiederkehrende Frage lautet: Wie lassen sich die erforderlichen Informationen verfügbar machen? Mit anderen Worten: Wie stark muss der Klebstoff zwischen den einzelnen Teilen sein?

Die Antwort auf diese Frage geben meist die Anforderungen selbst. Angenommen, es ist zu prüfen, wie oft ein Gerät ausfällt, wenn die Drehzahl einen Wert von 6.000 U/min überschreitet. Für die Prüfung müssen eine Reihe von Informationen bekannt sein, etwa die Drehgeschwindigkeit und die Anzahl der Ausfälle. Manche der Datenpunkte sind aussagekräftiger, weil sie sich wie beispielsweise die Geschwindigkeit direkt messen lassen. Andere Daten sind von Natur aus weniger fix, zum Beispiel die Relevanz des Betriebskreislaufs zwischen den Startzyklen.

Ein zentrales Thema bei jedem IIoT-System ist die korrekte Definition der Systemarchitektur. Das IIoT bringt eine Vielzahl von Dingen zusammen, die alle verlässlich miteinander klarkommen müssen. Um dies zu erreichen, muss der System-Designer das System aus verschiedenen Blickwinkeln betrachten. Wer über Edge-Computing spricht, blickt im übertragenen Sinn auf einen Punkt, an dem Wellen auf einen Strand treffen: Die einlaufenden Wellen bewegen den Sand und verändern gleichzeitig dessen Konsistenz. Übertragen auf industrielle Technologien wäre das der Punkt, an dem man auf reale Gegenstände einwirken und die von ihnen ausgehenden Informationen für die Weiterverarbeitung präparieren kann.

Edge-Computing: Wie Wellen am Strand

An diesem Punkt muss der System-Designer entscheiden, wie das System Daten empfangen und in die Cloud weiterleiten soll. Dafür muss er grob mit dem Hintergrundwissen bezüglich aller beteiligten Technologien vertraut sein. Ein wichtiges Hintergrundwissen: „Realtime“ ist in der Computerwelt eigentlich nicht möglich. Vielmehr bezeichnet Realtime-Computing ein mehr oder weniger akzeptables Fehlerniveau. Fehler, die das Ergebnis nicht über ein festgelegtes Maß hinaus beeinflussen, werden billigend in Kauf genommen. Im Computing geschieht also nichts sofort und unmittelbar – es gibt immer einen endlichen Wert, den wir nicht überschreiten können.

Eine Folge dieser Endlichkeit sind Einschränkungen im Betrieb der elektronischen Komponenten. Die daraus resultierenden Bus-Bandbreiten erfordern, dass man Datenerfassungszyklen auf deterministische Weise betrachten muss, weil sonst nicht gewährleistet ist, dass die Daten ihr gewünschtes Ziel auch tatsächlich erreichen. Im Fall von Edge-Computing bedeutet dies, zu überlegen, wie Daten erfasst und digitalisiert werden – und welche Frequenz sie erreichen müssen, damit die gewünschten Ergebnisse erzielbar sind.

Konvertierungsdauer versus Zykluszeit

In der realen Welt gibt es nur drei Arten von Daten: ein Puls- oder digitales Signal, eine Ereigniszählung oder einen analogen Wert. All diese Daten bilden Ereignisse ab. Allerdings stehen die Ereignisse in keinem inhärenten Zusammenhang mit den zugehörigen Werten, so dass wir Menschen sie in einen Sinnzusammenhang stellen müssen. Ein Beispiel: Ein analoges System gibt den Wert 147 aus, wir fügen die Einheit Meter hinzu und geben außerdem dem Objekt noch den Namen Staudamm. Dann liegt die Vermutung nahe, dass es sich beim Wert 147 um den aktuellen Wasserstand des Staudamms handelt. Nehmen wir an, dass dieser Messwert in regelmäßigen Zeitabständen ausgelesen werden soll.

Um das Ergebnis in ein per Ethernet übertragbares Signal zu wandeln, müssen alle Messwerte digitalisiert werden. Die Analog-Digital-Wandlung benötigt jedoch Zeit, was sich wiederum auf die Zykluszeit der Messungen auswirkt. Diese könnte sehr klein sein – dann müsste man allerdings eine recht große Bandbreite des verwendeten Ethernets in Anspruch nehmen. Angesichts der Tatsache, dass sich der Wasserstand eines Staudamms ziemlich langsam verändert, scheint es jedoch ausreichend, alle zehn Minuten eine Messung vorzunehmen. Das reduziert die erforderliche Bandbreite, so dass die Konvertierung langsamer ablaufen könnte.

Dieses Beispiel verdeutlicht, wie ein System-Designer, der mit der grundsätzlichen Wirkungsweise der eingesetzten Technologien vertraut ist, Optimierungen vornehmen kann, die die Zeitanforderungen und damit letztlich auch die Kosten reduzieren. Moxas Ethernet-I/O-Module der IoLogik-Serien E1200 und E2200 geben ihm die Gelegenheit, genau solche Entscheidungen nachhaltig zu treffen und effizient zu steuern.

Wo Messwerte zu Daten werden

Wenn im nächsten Schritt Signale und Werte kombiniert werden, gewinnen die abgeleiteten Daten an Bedeutung. In unserem Staudammbeispiel könnten die Messwerte um die Tageszeit, an der die betreffende Messung durchgeführt wurde, angereichert werden. Aber wo vereinigt man die Daten am sinnvollsten? Klar ist, dass es irgendeine Form von Computing-Maschine braucht, deren Leistungsfähigkeit auf die zu verarbeitenden Daten und den Zweck der letztlich gewonnenen Informationen abgestimmt sein muss. Grundsätzlich gibt es zwei mögliche Computertypen:

• Cloud-Computer sind zentral in einem Datennetzwerk untergebracht, beispielsweise im Rechenzentrum des Staudammbetreibers;

• Edge-Computer arbeiten in den Außenbezirken des Netzwerks, beispielsweise direkt bei den Sensoren.

Cloud-Computer sind im Vergleich zu Edge-Computern sehr leistungsstark. Wird also eine hohe Leistung benötigt, empfiehlt es sich, die Datenverarbeitung in die Cloud zu verlegen. Der Nachteil liegt auf der Hand: Um Daten verarbeiten zu können, muss der Cloud-Computer diese erst erhalten. Im Fall unseres Staudamms hieße das, dass alle Messdaten an den Cloud-Computer gesendet werden müssen. Aber was, wenn sich der Damm nach einem heftigen Regenguss zu rasch füllt und die Überläufe aus Sicherheitsgründen schnellstmöglich geöffnet werden müssen? Genügt dann die Geschwindigkeit, mit der die Daten zum Cloud-Computer und zurück gelangen, um eine ausreichend schnelle Reaktion auszulösen? Außerdem ist zu bedenken, dass die Datenübertragung in die Cloud bares Geld kostet.

Daten bündeln entlastet die Cloud

Ein Edge-Computer hingegen ist sehr nahe an den Geräten, deren Daten er verarbeitet. Üblicherweise, jedoch nicht zwangsweise, ist er auf das lokale Netzwerk begrenzt. Das ermöglicht eine effiziente lokale Bandbreitennutzung, während nur wenige, im Vorfeld festgelegte Informationen an das High-End-Cloud-Modell weitergeleitet werden. Der System-Designer kann das System so gestalten, dass simple Entscheidungen innerhalb des Edge-Bereichs getroffen werden können. Bezüglich der Datenübertragung in die Cloud kann er wählen, ob die Übermittlung ereignisgesteuert oder (periodisch) abgefragt durchgeführt werden soll. Davon ausgehend muss er den Zeitpunkt festlegen, an dem die Datenpunkte verfügbar sein sollen.

Mit Hilfe von Edge-Computern lassen sich Daten auch bündeln, sodass ihr Empfang in der Cloud kostengünstiger wird. Beispielsweise könnte der Edge-Computer die Abflussrate und wichtige Ereignisse wie die Öffnung der Überläufe kontinuierlich, den aktuellen Wasserstand des Staudamms jedoch nur einmal pro Tag übermitteln. Der Cloud-Computer hat dann ausreichend Informationen, um den Wasserstand und die Menge des ins Versorgungsnetz fließenden Wassers mit ausreichender Genauigkeit zu bestimmen und in die Zukunft hochzurechnen.

Der weitaus größte Vorteil von Edge-Computern hängt jedoch mit der Tatsache zusammen, dass die aus der realen Welt eingehenden Daten verschiedenste Formate haben können: rohe serielle ASCII-Daten, Modbus-, GOOSE-, Profinet- oder Profibus-Nachrichten und viele mehr. Alle diese Nachrichtentypen enthalten Zusatzinformationen, das heißt einen Mehraufwand, die für Bestätigungen und zur Gewährleistung der Dateninte-
grität erforderlich sind. Solche Zusatzdaten schlagen bei der Gesamtbandbreitennutzung ebenfalls zu Buche, ohne jedoch einen direkten Vorteil bei der tatsächlichen Berechnung zu bringen. Ein Edge-Computer kann die verschiedenen Datentypen in ein einheitliches Format umwandeln, was die Datenübertragung auf das Nötigste beschränkt, verstärkte Time-outs verringert und zusätzliche Verarbeitungsschritte in der Cloud vermeidet. Sobald das System einmal läuft, senden die Sensoren ihre Daten nur dorthin, wo diese wirklich nützlich sind.

Die leistungsstarken RISC-Computer der UC-8100-Serie von Moxa eignen sich für genau solche Aufgaben. Falls x86-Computing erforderlich ist, beispielsweise auf Schiffen, stellt Moxas MC-1100-Serie mit DNV-Zertifizierung eine vielversprechende Alternative dar. Beide Serien überzeugen durch ihren kleinen Formfaktor. Sowohl die Umwandlung der Datenformate, als auch die Zykluszeiten und die Cloud-Konnektivität sind komplett deterministisch. Für unerfahrene Anwender oder für Fälle, in denen es sehr stark auf eine schnelle Entwicklung und außerdem auf kurze Markteinführungszeiten ankommt, bietet Moxa mit der Software-Suite „ThingsPro“ ein Software-Framework an, über das sich Schnittstellen ganz einfach definieren lassen.

Ohne Edge kein IIoT

Viele Menschen sehen im IIoT eine Technologie, die in Zukunft alle Probleme der Menschheit lösen wird. In ihren Augen ist der Sensor eine breite Röhre direkt in die Cloud, und alle Informationen sind genau nach Bedarf verfügbar. Ohne Edge-Computer bezahlt man für die Realisierung dieser Vision jedoch einen sehr hohen Preis, und zwar nicht nur für die verhältnismäßig teure Datenübertragung in die Cloud, sondern auch, weil die verschiedenen Feldbus-Typen und ebenfalls die Schnittstellen ohne Edge-Computer nicht wirtschaftlich interagieren können.

Mit Edge-Computing steht dem System-Designer ein leistungsstarkes Tool zur Verfügung, um auf kostengünstige Weise das gesamte Potenzial eines industriellen Ablaufs zur Entfaltung zu bringen. Mit Edge-Computern lassen sich Daten effizient serialisieren und außerdem intelligente Objekte bauen. Der System-Designer sollte sich lediglich im Klaren darüber sein, dass das System von Anfang an in Untersysteme aufgeteilt werden muss.