Wenn es schnell gehen muss
Wenn die Cloud zu langsam ist, kommt die Edge ins Spiel. Dabei werden Daten etwa von Sensoren, direkt an der Maschine verarbeitet.
![](https://heise.cloudimg.io/width/610/q85.png-lossy-85.webp-lossy-85.foil1/_www-heise-de_/imgs/18/2/9/9/2/9/1/8/DI_IoT_Machine_Tools_Industry-f7d28746c58f46c4.jpeg)
Edge-Computing in der Produktion: Die Maschine meldet wichtige Parameter wie Energieverbrauch und Wartungsintervall.
(Bild: Device Insight)
- Bernd Müller
Alle Daten in die Cloud? Kaum ein Unternehmen, das heute auf die Vorteile der Auslagerung von Daten in die „Wolke“ verzichtet: Leichte Skalierbarkeit des Speicherplatzes, viele Servicefunktionen, keine Anfangsinvestitionen. Das gilt für die Büro-IT, die Produktionsexperten in der Werkstatt sind da skeptischer. Sie fürchten unter anderem, dass ausländische Geheimdienste sensible Daten zur Schaffung von Wettbewerbsvorteilen abgreifen könnten. Außerdem ist die Cloud für viele Steuerungsaufgaben an Maschinen zu langsam. Und was passiert, wenn die Internetverbindung ausfällt – bleibt dann die Produktion stehen?
Im Windschatten von Cloud-Computing ist daher ein weiteres Konzept auf dem Vormarsch: Edge-Computing. Dort sitzen Rechenleistung und Speicherplatz nahe an der Maschine, Daten werden lokal – an der „Kante“ (Edge) – verarbeitet. Das ist schnell und sicher. Was genau Edge-Computing ist und was Cloud-Computing und ob eine private Cloud auch „edge“ ist, ist nicht so ganz eindeutig. „Da gibt es einige Begriffsverwirrung“, gibt Peter Heusinger zu. Der Edge-Experte vom Fraunhofer-Institut für Inte-
grierte Schaltungen in Erlangen plädiert für diese Sichtweise: Wenn Daten lokal in der Fabrik verarbeitet werden, ist das Edge-Computing, egal ob direkt im Sensor, in der Maschine oder im „Fog“ (Nebel), einem Netzwerk aus mehreren Edge-Systemen. In neuen Maschinen sind diese bereits eingebaut, ältere Maschinen können mit kleinen Boxen nachgerüstet werden, die es von etlichen Herstellern gibt und häufig auf Raspberry-PI-Minirechnern basieren. „Die meisten Anfragen zu Edge kommen zur Nachrüstung in Industrie 4.0 Szenarien und fürs Internet der Dinge“, sagt Heusinger.
IoT als Treiber für Edge
Dieses Edge-Retrofitting fürs Internet der Dinge ist auch ein wesentlicher Aspekt der Arbeit von Device Insight. Das Unternehmen wurde 2003 gegründet von Reinhold Stammeier, sein Sohn Thomas war von Anfang an dabei und ist heute Chief Technology Officer, in der Geschäftsführung also für das Technische zuständig. Damals baute man einfache Kommunikationsmodule in Maschinen ein, um Services wie Fernwartung anzubieten, vom Internet der Dinge redete noch niemand. Heute ist das anders.
Viele Betriebe haben IoT als Thema mit strategischer Bedeutung entdeckt, um neue Geschäftsmodelle wie die vorausschauende Wartung aufzusetzen oder das Flottenmanagement von Fahrzeugen zu optimieren. Der typische Kunde von Device Insight ist der mittelständische Maschinenbauer, der eine IoT-Plattform braucht, um solche Services anbieten zu können. „Das ist kein Out-of-the-Box-Geschäft“, sagt Thomas Stammeier, jedes Projekt sei anders, sowohl technisch als auch von der Wirtschaftlichkeit. Sein Unternehmen berät, liefert die Software, baut die Plattform, die Hardware kommt aber von kleinen Spezialunternehmen. „IoT muss man nicht mehr erklären, aber wir müssen die Kunden an die Hand nehmen und vor allem herausfinden, wo genau die größten Mehrwerte für den Kunden liegen.“
Nicht alles in die Cloud
Nicht mehr erklären muss Stammeiers Team auch die Vorteile der Cloud. Hier habe ein Umdenken eingesetzt. Das Unbehagen gegenüber den großen US-amerikanischen Cloud-Anbietern wie Microsoft und Amazon ist einem Pragmatismus gewichen. IoT-Plattformen lassen sich viel leichter in der Cloud entwickeln und betreiben, wenige bauen sich eine Private Cloud mit eigener Hardware in den eigenen vier Unternehmenswänden. Die Vorteile der Cloud – leichte Skalierbarkeit, überschaubare Kosten, Konzentration auf die eigenen Stärken – überwiegen.
Doch es gibt Ausnahmen und da kommt Edge-Computing ins Spiel. Auch wenn der Speicherplatz in der Cloud praktisch unendlich ist, sollte man nicht alle Daten in die Cloud pumpen, empfiehlt Stammeier. Man stelle sich ein Unternehmen vor, das tausende Maschinen bei Kunden stehen hat und von dort im Takt von Sekundenbruchteilen vielfältige Maschinendaten abruft. „Man kann die Cloud unendlich skalieren, aber das wird dann auch unendlich teuer, irgendwann bricht der Business Case zusammen.“ Der Ausweg: eine Vorverarbeitung der Daten in der Edge. Kleine Rechner in den Maschinen oder PCs in der Produktion durchkämmen den Datenstrom nach wichtig und unwichtig, nur die Informationen, die für die weiteren Services relevant sind, werden komprimiert und in die Cloud weitergeleitet. Ein simples Beispiel: Ein Temperatursensor muss nicht kontinuierlich Messwerte übermitteln, es reicht, wenn er ein Warnsignal sendet, sobald etwa in einem chemischen Prozess eine kritische Temperatur überschritten wird.
Bei zeitkritischen Prozessen, wo eine Anlage nicht auf Anweisungen aus der Cloud warten kann, passiert die Verarbeitung sowieso direkt in der Edge. Bei sehr kurzen Latenzen ist aber auch die Edge nicht ideal, zumindest wenn man darunter ein nachträglich an eine Maschine gedocktes Rechen- und Kommunikationsmodul versteht. Dort belässt man die Reaktion in der klassischen speicherprogrammierbaren Steuerung direkt an der Maschine.
Filtern, übersetzen, komprimieren, verteilen
Die Edge bietet noch weitere Vorteile. Sie kann nicht nur Informationen sortieren, die für einen Service wichtig oder unwichtig
sind, sondern auch entscheiden, ob diese Informationen schützenswert sind und deshalb nicht in die Cloud gelangen dürfen. Das ist zum Beispiel der Fall bei personenbezogenen Daten, die laut der Datenschutzgrundverordnung mit besonderer Vorsicht zu behandeln sind. Das können Daten sein, die Rückschlüsse auf das Arbeitstempo einer Person an einem Arbeitsplatz zulassen. Ein kleiner Rechner an der Maschine kann diese Daten anonymisieren und mit den Daten aus anderen Maschinen aggregieren, so dass kein Personenbezug mehr möglich ist. Sensibel sind auch Sensordaten, die Informationen über Taktrate, Qualität und Materialverbrauch enthalten, aus denen Hacker zum Beispiel die Herstellungskosten eines Produkts ableiten können, möglicherweise im Auftrag eines Konkurrenzunternehmens. Die Edge fungiert dann als Zwischenschicht, um diese Informationen vor dem externen Zugriff abzuschirmen. Und bei älteren Maschinen fungiert die Edge als Übersetzer zwischen alten und neuen Schnittstellenstandards, etwa auf OPC UA, das sich in neuen Maschinen als Kommunikationsstandard etabliert hat, den aber unzählige alte Anlagen noch nicht beherrschen. „Daten filtern, übersetzen, verteilen, optimieren, komprimieren – dafür ist die Edge ideal“, empfiehlt Thomas Stammeier.
Für den CTO von Device-Insight ist die Entscheidung für Edge und Cloud kein entweder – oder, sondern vielmehr ein sowohl – als auch. Edge-Computing allein ist keine Option, weil Software-Updates mühsam für jede Maschine und jeden Edge-Rechner dann einzeln eingespielt werden müssten. Sind die Edge-Instanzen an die Cloud angebunden, kann die Software-Entwicklung und das Einspielen der Updates einfach über die Cloud koordiniert werden.
Eine IoT-Plattform in der Cloud ist auch deshalb sinnvoll, weil sich darüber leicht neue Geschäftsmodelle ausrollen lassen. So kann ein Maschinenbauer über seine Plattform seinen Kunden Zugriff auf die Prozessinformationen bieten, etwa über ein übersichtliches Dashboard, das Produktions-, Qualitäts- und Störungsinformationen visualisiert.
Cloud oder Edge? Hybrid!
Noch symbiotischer wird die Beziehung von Edge und Cloud mit Künstlicher Intelligenz. Ein Beispiel ist die Erkennung von Materialdefekten mit Bildern. In hoch getakteten Fertigungsprozessen schießen Kameras in schneller Folge Fotos, die direkt an der Maschine in einem Edge-Computer – künftig zunehmend auch in einer schnellen Recheneinheit direkt in der Kamera – interpretiert werden müssen. Die Entscheidung, ob das Teil in Ordnung oder defekt ist, muss in Sekundenbruchteilen vorliegen. Das übernimmt ein KI-Algorithmus direkt in der Kamera, der wenig Rechenleistung benötigt. Andererseits soll der Auswertealgorithmus durch maschinelles Lernen immer verlässlicher werden. Dieses langwierige und rechenintensive Lernen geschieht besser in der Cloud, weil dies nicht zeitkritisch ist. „Und aus der Cloud lässt sich der verbesserte Auswertalgorithmus regelmäßig in die angeschlossenen Edges verteilen“, so Peter Heusinger vom Fraunhofer IIS, für den solche Hybride aus Edge und Cloud die Zukunft sind.
Wie nützlich das gerade zurzeit ist, hat ein Kunde von Device Insight demonstriert. Costa Express bietet weltweit Selbstbedienungs-Kaffeeautomaten an. Normalerweise wählen die Kunden auf dem Touchscreen am Automaten aus, ob sie einen Espresso oder einen Cappuccino möchten. Aus Angst vor einer Infektion möchten aber viele Kunden den Bildschirm nicht mehr berühren. Also hat das Unternehmen eine App entwickelt, mit der man vom Smartphone aus bestellen kann. Die mehr als 11.000 Kaffeemaschinen waren bereits über eine IoT-Lösung verknüpft und konnten so einfach und schnell mit der erforderlichen Software aktualisiert und über das Internet in den Smartphone-basierten Bestellvorgang integriert werden. Thomas Stammeier von Device Insight: „Der Bildschirm in der Kaffeemaschine ist die Edge und die neue Software wird über die Cloud verteilt.“