Kennen Sie die Bausteine für erfolgreiche Industrial IoT Projekte?

Ein Industrial IoT (IIoT) Projekt ist nur so gut wie die Technik, die dahintersteckt. Die beste Idee bringt nichts, wenn man sie falsch umsetzt. Umgekehrt bringt IoT ohne eine Idee ebenfalls nichts – man sollte daher in ein solches Projekt immer mit einem konkreten Use Case, der tatsächlich einen Vorteil bringt, starten. Ich möchte Ihnen daher in diesem Blogartikel einen kleinen Einblick in den grundlegenden Aufbau eines IIoT Projekts anhand eines Beispiels geben.

Denn zwischen der Maschine, wo die Daten ausgelesen werden, und der Darstellung (z.B. im Power BI Dashboard in unserem Fall) liegen eine Menge an möglichen Zwischenschritten: vom Edge Modul (bei uns HPE Edgeline EL20), dem IoT Hub, Storage zu Cognitive Services Teilen. Damit die Daten vom Sensor auch tatsächlich zum Bericht gelangen und einen Mehrwert für Sie generieren, sind einige Schritte notwendig. Diese möchte ich Ihnen hier kurz anhand eines kleinen Demo Use Cases vorstellen.

Vorab ist es mir noch wichtig darauf hinzuweisen, dass es nicht das eine IIoT Szenario gibt, sondern der Bereich sehr facettenreich ist und es nie gelingen wird, alle möglichen Fälle in einem Beispiel darzustellen. Ich habe daher einen Use Case ausgewählt, der zumindest ein breites Feld abdeckt und man gut erkennt, wie IIoT grundsätzlich funktioniert.

Von der Produktionsmaschine zum Dashboard

Abbildung 1: Setup des Demo Cases

Stellen wir uns folgenden Sachverhalt vor: Sie möchten mit einer Produktionsmaschine (in unserem Use Case ein 3D Drucker) bestimmte Teile herstellen (in unserm Fall Einkaufschips). Nun produziert Ihre Maschine aus irgendeinem Grund immer wieder fehlerhafte Teile (in unserem Fall Einkaufschips ohne Loch). Ein möglicher Use Case wäre, solche Ausschuss-Teile bereits während der Produktion zu erkennen, um frühzeitig in den Prozess einzugreifen und die Qualität zu optimieren.

Unser 3D Drucker ist also das Substitut für die Maschine in der Produktion, die mit einem Sensor ausgestattet ist. Die Daten, die er produziert, werden über einen Edge Server an die Cloud geschickt und dort weiterverarbeitet. Azure bietet einen großen IoT Baukasten mit vielen Komponenten, die für Lösungen im IoT Umfeld zusammenspielen. Der Punkt ist es, die richtigen Komponenten für das jeweilige Projekt zu finden und einzusetzen.

Einzelne Komponenten laufen entweder in der Cloud oder lokal on-premise. Warum auch lokal? Weil bestimmte Steuerungsaufgaben auch ohne Internetverbindung funktionieren sollen, weil die Übertragung von Videodaten zur Analyse in der Cloud oft nicht möglich ist und weil generell die Reaktionszeiten besser sind, wenn die Verarbeitung lokal erfolgt.

Teile eines erfolgreichen IIoT Projekts

Ich gliedere ein Projekt gerne in folgende Teile:

• Datenakquisition: Daten von Maschinen/Geräten/Sensoren müssen in die Cloud gebracht werden. Vom Sensor geht es zum Edge Hub, wo die Daten gesammelt und dann weiter übertragen werden. Die Daten werden am Ende in der Cloud gespeichert (in einem Datastore - Data Lake, SQL DB, spezielle TimeSeries DB).
• Datenverarbeitung: Um aus den Daten Informationen gewinnen zu können, müssen diese Daten manchmal transformiert/bearbeitet werden (Data Bricks, Cognitive Services, Machine Learning, ...).
• Datendarstellung: Die Daten sollen am Ende übersichtlich aufbereitet werden und in diversen Formen (als SMS, Mail oder im Power BI Dashboard) dargestellt werden.

Sie sehen also, wie umfangreich ein solches Projekt eigentlich ist. Bei den IoT Devices bzw. den Sensoren schlagen die Daten das erste Mal auf. Diese Daten werden von den Edge Devices entgegengenommen. Edge Devices sind Rechner, die in den Fabriken (generell on-premise) stehen und Daten entgegennehmen. Diese Daten werden dann über den IoT Hub in die Cloud geschickt. Mit Hilfe von Analytics Methoden werden diese Daten transformiert und im „hot Storage“ oder „cold Storage“ gespeichert. Welchen man braucht, lässt sich davon abhängig machen, wie schnell man auf die Daten zugreifen möchte. Will man einen schnellen Zugriff, eignet sich ein „hot Storage“. Allerdings ist dieser teuer und eignet sich nur für begrenzte Datenmengen. Für eine längere Ablage großer Datenmengen wird man auf einen „cold Storage“ zurückgreifen. Die Komponenten sind natürlich für jedes IIoT Projekt unterschiedlich.

Welche Schritte sind nun im Detail nötig?

Zuerst brauche ich meinen IIoT Hub. Ich lege im Azure eine Ressource Group an und danach den IoT Hub. Nun fügt man die Edge Module hinzu. In unserem Fall ein eigens programmiertes Modul, das die Daten (Bild der Druckplatte und Druckparameter) vom 3D Drucker ausliest. Diese Daten werden an ein Cognitive Services Modul weitergegeben. Das Modul bewertet, ob die gedruckten Einkaufschips OK sind. Anhand von Testbildern wurde das Modul zuerst trainiert und kann nun korrekte und fehlerhafte Teile erkennen. Das Ergebnis dieser Bewertung wird dann als MQTT Message an den IoT Hub geschickt. Dieser gibt die Daten an Power BI weiter, wo dann die Daten visualisiert werden.

Abbildung 2: Korrekte und fehlerhafte Einkaufschips (links das annotierte Bild, rechts das originale)