Edge-Geräte, also maschinennah aufgestellte IIoT-Devices, spielen eine wichtige Rolle in der digitalen Transformation der Industrie. Sie ermöglichen die Erfassung und Übertragung von Daten in Echtzeit, mit denen Anwender Betriebsabläufe verbessern, Effizienz erhöhen und Kosten senken können. Von kleinen Geräten, wie dem Sensor oder dem Aktor bis hin zu hoch komplexen Anlagenteilen können neben Daten wie Temperatur, Druck und Feuchtigkeit auch Daten zur Diagnose, Überwachung und Steuerung übertragen werden. Diese Daten lassen sich nutzen, um Muster zu erkennen, die beispielsweise auf Maschinenausfälle hindeuten. Um diese abzuwenden, können Wartungsarbeiten geplant und durchgeführt werden. Auch ist es möglich, nahezu optimale Betriebsbedingungen für das IIoT-Gerät zu erzeugen, so dass Abnutzung reduziert und Lebensdauer erhöht wird. Gerade bei global verteilten Anlagen und Anlagenteilen kann auch eine globale Überwachung, Wartung und Instandhaltung der Anlagenteile einen deutlichen finanziellen Nutzen bieten.
Data Lake als Geschäftsgrundlage
Neben den IIoT-Daten erfasst die Industrie auch Daten etwa aus den Prozessleitsystemen (PLS), Manufacturing Execution Systems (MES) und Batchsystemen, um Betriebsabläufe und Prozesse zu verfolgen und zu optimieren, langfristige Datenvorhaltung einzurichten und behördlichen Dokumentationspflichten nachzukommen. Diese Daten werden meist zusätzlich in Historiensystemen vorgehalten und mit unternehmensspezifischen Daten angereichert. Um diese riesigen Datenmengen speichern, verarbeiten und nutzen zu können, bietet es sich an, ein System als Grundlage für Prozesse, Innovationen und Geschäftsmodelle einzurichten. Anstelle mehrerer verteilter Systeme mit starren und eingeschränkten Datenstrukturen bieten Data Lakes – durch die Anreicherung von Metadaten in ihrer Kontextualisierungsschicht – eine flexible Möglichkeit, viele Daten in verschiedenen Formaten zu verarbeiten. An dieser Stelle sollte zwischen der Speicherung von Daten und der Anbindung von Daten an den Data Lake unterschieden werden, um doppelte Datenhaltung zu vermeiden. Die Digitalisierungs- und Automatisierungslösungen von Retarus ermöglichen effiziente Abläufe ohne manuellen Aufwand oder Kompromisse bei der Datensouveränität ‣ weiterlesen
Business Process Solutions
Retarus beschleunigt Datenaustausch in der Produktion
Die dezentrale Intelligenzschicht
Das Devicemanagement kann je nach Anzahl der IoT-Geräte eine komplexe Angelegenheit werden. Dabei ist es neben der Inbetriebnahme der IIoT-Geräte wichtig, im laufenden Betrieb eine Instandhaltung und Fernwartung der Geräte realisieren zu können. Was heißt nun Instandhaltung? Anwendungen wie Zustandsüberwachungen, Asset Tracking und Smartmetering können neben Gerätekonfigurationen, Datenmanagement und Sicherheitskonfigurationen einen wesentlichen Teil zur Prozessoptimierung und Instandhaltung beitragen. Die Hierarchie und Architektur in der Automatisierungspyramide muss mit der Anbindung von IIoT-Geräten aufgebrochen und erweitert werden. So lässt sich die Struktur der horizontalen und vertikalen Integrationen erweitern und optimieren, was Innovation und Anpassungsfähigkeit unterstützt. Denn in der Smart Factory rücken die Datenerfassung und -verarbeitung näher an die Datenquelle heran und etablieren somit eine Zwischenebene in der Automatisierungspyramide. Diese ‚dezentrale Intelligenzschicht‘ beschreibt die Interaktion mit Sensoren und Aktoren und ist zwischen Feld- und Steuerungsebene angesiedelt. Wie gehen Anwender mit den neu gewonnen Daten um, die in dieser Zwischenebene entstehen? Zudem tut sich die Frage auf, wie diese in den Kontext zu den klassischen Systemdaten gesetzt werden. Data Lakes mit ihrem skalierbaren Speicherplatz können diese Daten aufnehmen. So können Verarbeitungs- und Analyseaufgaben über Business Intelligence-Plattformen und andere Anwendungen bzw. über Programmiersprachen durchgeführt werden. Bei den Hyperscalern und mit Services anderer Anbieter können die in den Data Lake transferierten Daten zumeist in nativen Formaten, das heißt ein Dateiformat, welches eine bestimmte Software oder ein Gerät als Standardformat verwendet, abgelegt werden. Das kann in der weiteren Verarbeitung jedoch eine Datenkontextualisierung nach sich ziehen, damit diese Daten auch mit anderen gespeicherten Daten in einen Kontext zu bringen sind.
Data Pipelines orchestrieren
IIoT-Geräte und -Systeme ohne eigene Datenbank müssen erzeugte Daten irgendwo speichern. Geschieht das im Data Lake, lassen sie sich mit den Daten der übrigen Quellen gemeinsam und zentral auswerten. Jedoch ist dann auch zu hinterfragen, ob die Daten aus Systemen mit eigener Datenbank im Backend noch einmal in den Data Lake einfließen müssen. Oft ist es der bessere Ansatz, alle Daten intelligent zusammenzubringen, um eine schlanke und schnelle Datenintegration und Zusammenführung zu erwirken. Dieser Ansatz zielt darauf ab, die verschiedenen Datenquellen intelligenz zu vernetzen. Datenbanken, IoT-Geräte und diverse Dateiformate können über sogenannte Data Pipelines aus dynamischen Quellen an den Data Lake angebunden werden. Dabei vermittelt die Orchestrierungsschicht den Zugriff auf die Datenquellen und übernimmt Verarbeitungsprozesse. So kann bei der Analyse und Zusammenführung der Daten eine einheitliche Sicht hergestellt werden, unabhängig davon wo die Daten gespeichert sind.
