Suchen

Cloud und Edge Computing: Der richtige Mix für Industrie 4.0

| Autor / Redakteur: Bernd Groß * / Michael Eckstein

Schnelles Verarbeiten großer Datenmengen treibt Cloud-Lösungen an ihre Grenzen. Nur im Zusammenspiel mit Edge Computing lassen sich End-to-End-Lösungen für das Industrial Internet of Things entwickeln.

Firma zum Thema

Verzögerungsfrei: Eine typische Edge-Computing-Lösung für das industrielle Umfeld. Je nach Anwendung verarbeitet der Rechner wichtige Daten direkt ohne den Umweg über die Cloud.
Verzögerungsfrei: Eine typische Edge-Computing-Lösung für das industrielle Umfeld. Je nach Anwendung verarbeitet der Rechner wichtige Daten direkt ohne den Umweg über die Cloud.
(Bild: Cumulocity)

Projektmanagement, Zusammenarbeit, Kommunikation, Datenanalyse oder Kundenmanagement – weite Teile Software-basierter Geschäftsprozesse finden mittlerweile in der Cloud statt. Skalierbare und vergleichsweise günstige Rechenleistung aus der Cloud ist die Voraussetzung für viele neue Geschäftsideen – auch in der Industrie. Sie macht Lösungen wie maschinelles Lernen oder Echtzeit-Datenanalysen erst möglich. Diese Prozesse sind auf die Verarbeitung riesiger Datenmengen innerhalb von Sekundenbruchteilen angewiesen.

Besonders in der industriellen Anwendung des Internet of Things, der Industrie 4.0, ist die schiere Masse der zu verarbeitenden Daten eine enorme Herausforderung. Um Maschinenanlagen automatisiert warten zu können, werden sie mit Sensoren gespickt, die den Gerätezustand kontinuierlich an die Cloud senden. Dort angekommen, werden die Messdaten nach bestimmten Ausschlägen analysiert, beispielsweise Überhitzung oder Abnutzung.

Wo liegt also das Problem eines Datenverarbeitungsprozesses, der ausschließlich in der Cloud stattfindet? Risiken entstehen dann, wenn die Datenflut, die durch die vielen verschiedenen und zunehmend verteilten Sensoren entsteht, nicht mehr mit der nötigen niedrigen Latenz verarbeitet werden kann. Das geschieht, wenn der physische Weg vom Sensor in die Cloud im übertragenen Sinn „zu lang“ ist. Etwa, weil zu viele Relaisstationen die Latenz erhöhen. Das kann zu teuren Schäden führen, zum Beispiel wenn empfindliche Maschinen kurzfristig überhitzen.

Wenn die Cloud zum Flaschenhals wird

Die Cloud allein kann im IIoT an ihre Belastungsgrenzen stoßen. Zum Beispiel dann, wenn große Datenmengen zu langsam übertragen werden und bearbeitet werden können. Ob mit Glasfaser-Hochleistungskabeln oder ohne: Die Cloud wird durch die steigenden Datenmengen aus dem IoT zunehmend belastet. Eine hochauflösende Überwachungskamera beispielsweise liefert bis zu 80 Terabyte Rohdaten pro Stunde.

Abhilfe schaffen kann an diesem Punkt die Edge-Technologie, wie sie zum Beispiel Cumulocity IoT bietet. Edge Computing bezeichnet ein System von IT-Kapazitäten, die am Rande, dem „Edge”, eines Netzwerks agieren, Datenzugriffe bündeln und an die Cloud weiterleiten.

Der Vorteil: Kleine Prozessoren, die großenteils unmittelbar in den Maschinenparks installiert sind, stellen akut und in direkter Nähe Rechenleistung zur Verfügung. Das ermöglicht eine schnelle Reaktion auf technische Probleme und optimiert die Datenübertragung in die Cloud. Um das Beispiel der Überwachungskamera nochmals aufzugreifen: Diese würde erst dann ein Bild in Echtzeit übertragen, wenn das System durch das Machine-Learning-Modell einen Einbruch feststellt und entsprechend einen Alarm auslösen.

Die Prozessoren am Netzwerkrand sind mit spezifischen Anforderungen konfrontiert. Aus diesem Grund werden sie in dezidierte Einsatzbereiche kategorisiert: Sogenannte Thick Edge Devices sollen primär rechenleistungsintensive Aufgaben von Cloud-Anwendungen übernehmen. Dazu zählt beispielsweise die Echtzeitanalyse (Realtime Analytics) von sehr großen Sensordatenmengen. Diese müssen zeitkritisch behandelt werden, um etwaige Maschinen- oder sogar Personenschäden verhindern zu können.

Thin Edge Devices entlasten die Cloud-Anbindung

Thin Edge Devices sind in Relation zu Thick Edge Devices weniger leistungsstark und verfügen außerdem über weniger Speicherkapazität. Sie fungieren meist als IoT-Gateway für die Sensoren innerhalb eines Maschinenparks. Thin Edge Devices sind in der Lage, einfache Echtzeitanalysen durchzuführen und erhobene Sensordaten nach bestimmten Kriterien vorzuselektieren, bevor sie weiter in die Cloud wandern. Dies verhindert, dass die Cloud-Verbindung unnötig belastet wird.

Eine Variante der Thin Edge Devices sind Embedded Thin Edge Devices. Diese werden häufig an Industrierobotern und komplexen Werkzeugmaschinen installiert und haben eine ähnliche Aufgabe wie Thin Edge Devices. Darüber hinaus erlauben sie aber auch die schnelle lokale Verarbeitung von zeitkritischen Daten.

Vor allem Thick Edge Devices sind ausgewachsene Server mit den entsprechenden Leistungsdaten und Speicherkapazitäten. Sie sollten allerdings nicht mit herkömmlichen Computern verwechselt werden. Wie alle anderen IoT-Geräte sind auch Edge-Computing-Systeme an eine Ende-zu-Ende-Lösung gebunden. Sie beginnt bei den Sensoren an den Geräten und endet zunächst auf einer IoT-Plattform in der Cloud. Anschließend werden die Daten meist noch in Analyse-Systemen und Business-Anwendungen wie SAP ERP weiterverarbeitet.

Hinzu kommt, dass die meisten IoT-Lösungen einen Rückkanal voraussetzen, der Signale von der Cloud zu den Aktoren sendet. So muss es etwa im industriellen Umfeld möglich sein, von einer Cloud-Anwendung aus direkt auf die Steuerungsfunktionen einer Produktionsanlage zuzugreifen. Das geht nur über eine Direktverbindung zwischen Maschine und Cloud. Edge Devices fungieren nur als Gateway für die Rückrichtung. Auch Funktionen wie Remote-Zugriffe oder Fernwartung setzen eine Direktverbindung von der Cloud bis zum Endgerät voraus. Edge Devices und die Cloud sind also in jedem Fall Partner beim Austausch von Daten.

Aufgabenverteilung zwischen Cloud und Edge

Die Verteilung der Rechenleistung zwischen Edge und Cloud kann spiegelt die Aufgabenverteilung zwischen beiden Bereichen in den Anwendungen wieder. So erfordert im industriellen Umfeld die Vorverarbeitung der Daten oft nur geringe Verarbeitungskapazitäten, die Hauptlast liegt auf der Cloud.

Sollen allerdings Datenanalysen in der Edge umgesetzt werden, ist hier deutlich mehr Rechenleistung von erforderlich. Es gibt auch Anwendungen, bei denen Edge Devices Mini-Rechenzentren sind, während die Cloud lediglich eine Nebenrolle spielt. Autonome Pkw oder Lkw müssen zum Beispiel in Sekundenbruchteilen auf kritische Situationen reagieren können. Alle Daten im Fahrzeug müssen dafür vollständig und mit höchster Priorität bearbeitet werden.

Die verbundene Cloud übernimmt keine Aufgaben beim autonomen Fahren. Vielmehr senden die Autos beispielsweise Daten über ihre Position, das Wetter, die Verkehrsdichte und den Fahrbahnzustand – Informationen, die sich für spezifische Services nutzen lassen, etwa Verkehrsleitsysteme. Dieses Beispiel zeigt: Das Edge verarbeitet zeitkritische Daten, die Cloud dagegen ruft Daten ab, speichert, analysiert sie, verarbeitet sie weiter und sendet Ergebnisse zurück. Beide Bereiche arbeiten Hand in Hand.

In typischen IoT-Szenarien in der Industrieproduktion sind die Analytics-Funktionen auf verschiedene Edge Devices und Cloud Services verteilt. Je wichtiger schnelle Reaktionen und Echtzeit-Fähigkeiten sind, desto stärker nutzt die entsprechende Lösung das Edge Computing. Die Cloud dagegen spielt ihre Stärken bei Business Analytics, Machine Learning und in der Prozesssteuerung aus.

* Bernd Groß ist SVP IoT & Cloud Business bei der Software AG sowie CEO von Cumulocity

(ID:45268550)