Wer sich mit Industrie 4.0 im Bereich Automatisierung auseinandersetzt, trifft früher oder später auf das Thema von intelligenten und selbstlernenden Maschinen. Diese bestehen im Allgemeinen aus einem oder mehreren Controllern und sind über ein Echtzeit-Netzwerk mit Sensoren und Aktoren verbunden. Bei der Datenverarbeitung besteht die Intelligenz aus einem zentralen oder im Netzwerk der Maschine verteilten Algorithmus. Über diesen werden große Mengen an lokalen Daten erzeugt und verarbeitet und mit externen Daten in beide Kommunikationsrichtungen abgeglichen. Die Aufgaben und Aspekte des Big Data Computing decken dabei verschiedene Teilaspekte ab, die es in früheren Maschinen nicht in dieser konzentrierten Form gegeben hat.
Im Big Data Computing wird die Datenmenge für intelligente Ansätze ein deutlich höheres Niveau erreichen als in bisherigen Automatisierungsansätzen. Dazu zählt, dass die Datenmenge (Volume) die Anzahl der adressierbaren Files und die darin enthaltenen Datensätze umfasst. Außerdem wird die Datenvielfalt (Variety) für diese neuen Algorithmen zunehmen. Nicht nur die eigenen binären lokalen Daten, sondern auch Fremddaten in unterschiedlichen Formaten in strukturierter oder unstrukturierter Form werden eine Rolle spielen.
Vorhersage von Ereignissen
Allein die Menge an erzeugten und zu verarbeitenden Daten verlangt beim Big Data Computing eine deutlich höhere Übertragungsgeschwindigkeit (Velocity) als zuvor. Dies ist nötig, um nach wie vor die Echtzeitanforderungen der Maschinensteuerungen erfüllen zu können. Da die Netzwerktechnologie in der Automatisierung bereits hohe Transfer-Geschwindigkeiten zulässt, besteht der Flaschenhals häufig im Bereich der Zugriffsgeschwindigkeit zu und in den Servern.
Die eigentliche Intelligenz liegt in der Analyse (Analytics) der lokalen und externen Daten. Hier werden teils unterschiedliche Prinzipien angewandt, wie etwa die Erkennung von Mustern und Zusammenhängen von Fakten in unterschiedlichen Datentypen und Datenbanken. Auch eine gewisse Vorhersagemöglichkeit von Ereignissen aufgrund der zuvor gewonnen Erkenntnisse spiegelt einen Teil der Intelligenz des Algorithmus wieder. Diese ermöglicht es beispielsweise, auf ein Problem zu reagieren, bevor dieses zu einem Maschinenstillstand führt (Predictive Maintenance).
Anforderungen an intelligente Maschinen
Eine weitere wichtige Aufgabe einer intelligenten Maschine ist die Auslagerung der gewonnenen Daten in die Cloud, um diese auch anderen Maschinen zur Verfügung zu stellen (Kommunikationsfähigkeit). Neben dem allgemein bekannten Cloud-Computing wird künftig das sogenannte Edge- beziehungsweise Fog-Computing eine große Rolle spielen. Bei diesem befinden sich die Daten nicht auf einem oder mehreren externen im Internet angesiedelten Servern, sondern auf Servern im lokalen Umfeld. Das ist in etwa vergleichbar mit einem Intranet innerhalb einer Firma. Ebenso sind dedizierte Server eines Maschinenparks denkbar. Allen Strategien ist gemeinsam, dass auf die Server zahlreiche Netzwerkteilnehmer schreibend und lesend Zugriff haben.
Aufgrund dieser neuen komplexen Funktionen bestehen gewisse Herausforderungen bei der Steuerung der Maschine. Zunächst einmal besteht eine deutlich erhöhte Anforderung an die Performance der Maschinen-Controller. Dies beinhaltet nicht nur Teile der Hauptsteuerung, sondern betrifft auch jeden einzelnen Netzwerkknoten innerhalb des gesamten Systems. Mit Hilfe dieser verteilten Intelligenz lässt sich die Hauptsteuerung entsprechend entlasten (Performance), während eine Datenvor- oder Nachverarbeitung die Menge der zu übertragenden Daten zusätzlich drastisch reduzieren kann.
Neue Anforderungen der Software gibt es besonders an die Infrastruktur. Dies bedeutet für einen intelligenten Netzwerkknoten, dass dieser nicht nur wie bisher die Rohdaten lesend und schreibend mit dem Netzwerk austauschen kann. Auch mit externen Datensätzen verschiedener Formate sollte er umgehen können. So kann er an die benötigten Daten aus unterschiedlichen Quellen herankommen oder die eigenen Daten über den Server anderen Teilnehmern zur Verfügung stellen.
Baustein für EtherCAT-Slave-Applikationen
Obwohl ein intelligenter Algorithmus einen Großteil der System-Performance benötigt, darf seine Prozessierung die Real-Time-Fähigkeit beim Austausch der Roh- und Steuerungsdaten der Maschine zu keinem Zeitpunkt beeinträchtigen. Dieses gilt sowohl für die Hauptsteuerungen, als auch für jeden anderen Netzwerkteilnehmer innerhalb der Maschine. Renesas ist einer der führenden Anbieter für Mikrocontroller und SoC-Produkte aus dem Bereich der industriellen Automation und Ethernet-basierter Echtzeitkommunikation. Neben Halbleiterbausteinen bietet das Unternehmen einen kostenoptimierten Baustein EC-1 für EtherCAT-Slave-Applikationen an. Dieser basiert auf einer 150 MHz ARM-Cortex-R4-Architektur mit einem ausreichend großen integrierten Speicher für Kommunikation und Applikation. Er enthält zahlreiche Interfaces, über die sich entsprechende Komponenten des Netzwerkknotens flexibel anschließen lassen.
Mit dieser Struktur ist der EC-1 in der Lage, als eine Ein-Chip-Lösung Sensoren und Aktoren kostengünstig in ein EtherCAT-Netzwerk einzubinden. Aufgrund der hohen Performance bei gleichzeitig niedriger Verlustleistung ist es ohne großen Aufwand möglich, den Netzwerkknoten mit einer gewissen Applikations-Intelligenz in Form von Datenvor- beziehungsweise Datennachverarbeitung zu versehen. Für einen Einstieg und die Evaluierung einer solchen intelligenten Lösung stellt Renesas ein EC-1 Remote-I/O Solution Kit bereit. Es besitzt mit 8-bit Input- und 8-bit Output-Ports bei einer Betriebsspannung von 24 V eine für die Industrie realitätsnahe Implementation. Die mitgelieferte Beispiel-Software beinhaltet neben dem EtherCAT-Kommunikations-Stack und der Remote-I/O-Ansteuerung die Möglichkeit, eine Applikations-Intelligenz in die SW-Struktur zu integrieren. Das EtherCAT-Conformance-zertifizierte EC-1 Remote-I/O Solution Kit bietet somit bei der Entwicklung eines intelligenten Netzwerkknotens Potential, Kosten und Zeit einzusparen.
