Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
02 2020 Elektronik 43 Industrie 4 0 Bild 1 Hierarchischer Aufbau eines industriellen IoT-Systems bei dem die Intelligenz immer näher an den Netzwerkrand rückt Bild Maxim Integrated Das industrielle Internet of Things IIoT unterscheidet sich deutlich vom Consumer-IoT CIoT Möglicherweise ist es sogar noch wichtiger da es dazu beiträgt die Effizienz industrieller Prozesse zu verbessern und Ressourcen zu optimieren Für produzierende Unternehmen ist das IIoT unumgänglich da es einen unmittelbaren und leicht messbaren Return on Investment ROI aufgrund einer besseren Kosteneffizienz im Betrieb mit sich bringt Die Zustandsüberwachung von Anlagen eine vorausschauende Instandhaltung zum Minimieren von Produktionsausfällen und effizientere Produktionsprozesse sind lediglich einige der wichtigsten Vorteile des IIoT Zwischen beiden IoTs gibt es einen entscheidenden Unterschied nämlich die Berechnungen am Netzwerkrand Edge-Computing Im IIoT ist ein höherer Rechenaufwand notwendig Das hat wirtschaftliche Gründe und betrifft hauptsächlich das Echtzeit-Verhalten und das effiziente Nutzen der Bandbreite In vielen IIoT-Anwendungen ist Edge-Computing der zuverlässigste und kostengünstigste Weg um Produktionslinien mithilfe von Echtzeitrechnern zu optimieren Ebenfalls spielen hier andere Erwägungen eine Rolle beispielsweise die Datenmenge die in die Cloud zu übertragen ist und der zu analysierende Datentyp Wie Ron van der Meulen in einem Gartner-Blogbeitrag feststellt verspricht man sich von Edge-Computing Ergebnisse in Echtzeit und Möglichkeiten zum Ausführen lokaler Aktionen 1 Edge-Computing verstehen Edge-Computing bezieht sich auf die Berechnungen die dort stattfinden wo die Daten erzeugt werden Also an den Sensoren von denen es in Ölund Gasanlagen in einem Kohlekraftwerk und in jeder Produktionslinie grundsätzlich sehr viele gibt Die Datenmenge die insgesamt von den Sensoren erzeugt wird ist enorm groß und größtenteils ausschließlich in Echtzeit nutzbar Anhand einiger Beispiele lässt sich das verdeutlichen Eine mehrstrahlige Sicherheitslichtschranke schränkt den Zutritt von Personen zu einer potenziell gefährlichen Roboterzelle oder Montagelinie ein Die vom Sensor ermittelten Daten stammen aus seinem näheren Umfeld und das System ergreift im Falle einer Schutzfeldverletzung sofort Maßnahmen Außerdem geben die ermittelten Daten Aufschluss über das Entfernen eines potenziellen Sicherheitsverstoßes und werden nach ihrer Auswertung dazu verwendet um das Montageband optimal zu platzieren entweder einmal im Quartal oder einmal im Jahr Es ist nicht erforderlich die Daten in Echtzeit in die Cloud hochzuladen Außerdem spricht der vorhandene Mikrocontroller MCU dafür die Daten gleich auf der Sensorebene zu analysieren und sie entweder darzustellen oder in die Cloud hochzuladen sei es einmal im Quartal oder einmal im Jahr Ein weiteres Beispiel ist ein Vibrationssensor der an einem Motor ungewöhnliche Vibrationen ermittelt die ein Anzeichen für einen bevorstehenden Defekt sein können Die Menge der ermittelten Schwingungsdaten kann enorm groß sein und nicht alle Daten sind so wichtig dass sie zu berücksichtigen sind Ein einfacher Vibrationssensor kann eine FFT-Analyse FastFourier-Transformation der Schwingungsdaten durchführen und so auf Frequenzen aufmerksam machen die eine erforderliche Motorwartung ankündigen Zwar kann der Sensor eine Zusammenstellung der Daten die ein Mitarbeiter später analysiert in die Cloud hochladen jedoch muss der Vibrationssensor sofort auf die kritische Frequenz aufmerksam machen um schwerwiegende Schäden zu vermeiden Aus einer Fallstudie von IHS Markit zu einem Duke Energy IIoT-System geht hervor dass es beim Aufzeichnen von Schwingungsdaten nötig sein kann zwischen 10 000 und 100 000 Samples pro Sekunde mehrere Sekunden lang zu erfassen um gute Messdaten zum Zustand der Maschine zu erhalten 2