Internet of Things
Edge und Swarm Computing zusammendenken
Eine Swarm-Computing-Infrastruktur befähigt Fertigungsunternehmen dazu, auf Grundlage von Datenanalysen Entscheidungen zu treffen und in Aktionen umzusetzen. Eine solche Datenanalyse muss eng mit den betroffenen Geschäftsprozessen kombiniert sein. Sie kann zudem unterschiedliche Edge-Computing-Systeme und Cloud-Computing-Umgebungen mit einbeziehen – für IoT-Szenarien, die auch die vernetzte Produktion ausweiten können.
Der autonome Lkw rollt über das Werksgelände und steuert das Lager an, wo ein Roboter das Rohmaterial entlädt und ins Hochregallager einsortiert. Damit dies funktioniert, koordiniert ein Swarm-Computing-System als zentrale Steuerungseinheit die Systeme des Lkw, der mit GPS-Empfängern und Funketiketten ausgestatteten Transportpaletten, des Roboters und der Lagerlogistik. Der ‚Schwarm‘ bindet alle beteiligten Komponenten in ein temporäres Netzwerk ein und stellt die Ressourcen für die Datenerfassung und -analyse in Echtzeit zur Verfügung. Auf diese Weise lassen sich die Rohlinge auch vom Lager aus automatisiert in die vernetzte Produktion eintakten. Eingefügt in eine Smart Factory bildet das Szenario zusammen mit der vorausschauenden Wartung (Predictive Maintenance) die wichtigsten Einsatzfelder von Edge und Swarm Computing. Gerade Unternehmen im Fertigungsumfeld sollten diese zusammendenken. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Vom Rand zum Schwarm
Schauen wir uns zunächst das Wichtigste zum Edge Computing an. Es basiert darauf, dass Sensoren an den Maschinen Werte messen, diese als Statusmeldungen und Diagnoseinformationen an Edge Devices senden. Diese Geräte sind möglichst nahe am Datenentstehungsort installiert. Sie haben genügend Rechenleistung, um Daten aufzubereiten. Diese Vorverarbeitung gestattet es, Reaktionen in Echtzeit auszulösen. Nachdem eine Aktion ausgelöst wurde oder feststeht, dass diese nicht nötig ist, transferieren die Mikrorechenzentren die Daten in ein Rechenzentrum (Cloud), wo tiefere Analysen stattfinden. Es gibt einsatzfähige Hochleistungsserver für Edge Computing, die Algorithmen für künstliche Intelligenz anwenden. So führt die BullSequana Edge von Atos kontextbezogene Analysen von Bilddaten durch, die Kameras erfassen. Edge Computing lässt sich durch Swarm Compting ergänzen. Ein Schwarm umfasst IoT-Endpunkte, Edge-Systeme sowie Cloudplattformen. Diese heterogenen Komponenten kommunizieren und formieren sich eigenständig und auf flexible Weise zu neuen IT-Infrastrukturen. Sie stellen Nutzern und Anwendungen Services, Inhalte und Ressourcen zur Verfügung. Übertragen auf das Beispiel Predictive Maintenance bedeutet das: In bestimmten Zeitabständen schließen sich smarte Diagnosesysteme an einem Edge Node an. Die Diagnose-Tools suchen nach den Daten, die den Verschleiß von Werkzeugen anzeigen oder Indizien liefern, dass eine Komponente bald ausfallen kann. Ein Schwarm handelt autonom und automatisiert. Wird etwa ein vordefinierter Temperatur-Grenzwert bei einer Werkzeugmaschine überschritten, analysiert das Swarm-Computing-System Daten in Echtzeit, um anschließend eine Meldung an das Servicepersonal zu senden. Oder der Schwarm ermittelt einen Notfall und schaltet die Maschine ab.
Die drei Ebenen eines Schwarmes
Um verteilte, autonome Systeme im Rahmen von Swarm Computing miteinander zu verknüpfen, eignet sich am besten eine maschenförmige Peer-to-Peer-Architektur. Wichtig ist, dass die Daten, die innerhalb und außerhalb der Edge- und Swarm-Computing-Infrastruktur anfallen, valide und konsistent sind. Eine praxistaugliche Swarm-Architektur besteht aus drei Ebenen: Edge Computing, Multi-Cloud Computing und Service-Orchestrierung.