zapp2photo - stock.adobe.com
Wie man in IIoT Optimierungen in Echtzeit realisiert
Im industriellen Internet der Dinge (IIoT) werden Geschwindigkeit und die Bewältigung großer Datenmengen zu einer zentralen Messgröße für die Datenintegration.
Geschwindigkeit und Mengenbewältigung werden zu einer zentralen Messgröße für die Datenintegration bei IIoT-Anwendungen. Der neue Mobilstandard 5G ermöglicht Unternehmen dabei problemlos, mit geringen Investitionskosten und ohne den Aufbau fester oder funkgesteuerter Netze, eigene Wireless-Lösungen mit hoher Bandbreite und schnellem Datentransfer zu etablieren.
Die Ziele sind hier vor allem effizienzgetrieben: Durch die Auswertung von Echtzeitdaten können Nachschubzeiten für Material verkürzt werden, der Materialbestand kann reduziert, Überkapazitäten können vermieden werden und Maschinenprobleme lassen sich leicht und kurzfristig analysieren.
Die Vorteile von IIoT-Systemen sind: Sensoren und Lagerlogistiksysteme sorgen für mehr Transparenz bei der Verfügbarkeit von Materialien und Bedarfsmeldungen von Maschinen können automatisch Intralogistik-Prozesse auslösen.
Die Nutzung von vorhandenen Funknetzwerken, derzeit 4G und demnächst 5G, bietet zudem den Vorteil geringer Investitionskosten und schneller Anpassung an neue Situationen – von der Änderung der Takt- und Durchlaufzeiten bis hin zu Variantenänderungen.
In der Regel werden für solche Prozessoptimierungen allerdings Daten aus unterschiedlichen Quellen benötigt. Informationen aus Projekt- und Qualitätsmanagement werden oft über das hauseigene ERP zur Verfügung gestellt.
Hinzu kommen Fertigungsdaten, die mit Sensoren direkt an den Produktionslinien erhoben und von dort – oft mit einfachen ETL-Tools – in das Data Warehouse geladen werden. Mit einer Business-Intelligence-Software lassen sich so auch große Datenmengen für Reportings, die Datenermittlung und Data Mining aufbereiten.
Wer allerdings auf dieser Basis in Echtzeit optimieren will, stößt schnell an seine Grenzen, da klassische ETL-Tools meist nicht in der Lage sind, gleichzeitig mehrere Systeme mit Echtzeit-Daten-Feeds fortlaufend zu synchronisieren und lesbare Daten ans BI-Frontend zu übermitteln. Das bedeutet: Data Warehouses leisten gute Dienste bei der Erstellung retrospektiver Analysen. Für (nahezu) Echtzeitdaten mit hoher Aktualisierungsrate sind sie kaum geeignet.
Software für eine standardisierte Datenintegration
Wenn es darum geht, Produktionsdaten zu verarbeiten, welche die aktuelle Maschinenauslastung, das momentane Leistungs- und Qualitätsniveau und den augenblicklichen Materialbestand an der Maschine erfassen, um diese zum Beispiel in Echtzeit über ein Dashboard verfügbar zu machen, sind andere Ansätze notwendig.
Die Lösung ist eine Software für eine standardisierte Datenintegration, die im vom Raspberry Pi bis zum Highend-Server auf unterschiedlichsten Systemen läuft und ohne Programmieraufwand hunderte von Datenformaten automatisiert in andere Formate transformieren kann.
Dabei können Daten von Maschinensensoren in Echtzeit über OPC/UA mit 300 Hertz oder mehr abgerufen, transformiert und übermittelt werden. Alternativ kann man auf Message Queuing Telemetry Transport (MQTT) setzen, dass eine breite Akzeptanz und zunehmend Verbreitung findet. Auch hier gilt: Man sollte bereits im Vorfeld die Daten – ohne Programmierung – sinnvoll verdichten.
Selbst große Datenmengen lassen sich dabei problemlos von diversen Sensoren und Subsystemen zusammenfassen. Ob zehn Terabyte Transaktionsvolumen im Monat oder mehr als zwei Millionen Transaktionen pro Tag – solche Anforderungen können heute mit der richtigen Software auf einem virtuellen Midsize-Server abgebildet werden.
„Geschwindigkeit und Mengenbewältigung werden zu einer zentralen Messgröße für die Datenintegration bei IIoT-Anwendungen.“
Steffen Brehme, Lobster GmbH
Die Realisierung der Schnittstellen zu den diversen Sensoren und Systemen ist bei der Nutzung einer modernen Standardsoftware für Datenintegration in vielen Fällen einfach per Konfiguration und Parametrisierung möglich. Dazu steht in den verfügbaren Systemen eine intuitiv zu bedienende Web- und/oder App-Oberfläche zur Verfügung. Per Drag and Drop und mit einer Schritt für Schritt vorgehenden Nutzerführung können Strukturen einfach etabliert und kurzfristig angepasst werden.
Für die Nutzer von Dashboards ergibt sich dabei die Möglichkeit, einerseits die Übersicht über komplette Werksstrukturen zu erhalten, und andererseits durch Drillthrough gezielt zu analysieren, indem man die präsentierten Kennzahlen komplett verfolgt.
Wer die Daten zusätzlich archivieren möchte, kann das über die Integrationssoftware steuern, welche die ausgewählten Daten gleichzeitig im Data Warehouse ablegt.
Die Nutzung von (nahezu) Echtzeit-Daten gewinnt in der Produktion immer mehr an Bedeutung. Mit einer intelligenten Verknüpfung und der Integration der Daten sind der Vernetzung und Auswertung der Daten – von der einzelnen Maschinenfunktion bis hin zur Zusammenfassung über mehrere Werke – keine Grenzen gesetzt.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
Erfahren Sie mehr über Datenverwaltung
-
![]()
Was bei der Absicherung von IIoT-Netzwerken zu beachten ist
Von: Dan Jones
-
![]()
4 häufige Hindernisse bei der IIoT-Einführung überwinden
Von: Julia Borgini
-
![]()
Lassen sich Altsysteme als industrielle IoT-Hardware nutzen?
Von: Dan Jones
-
![]()
So finden Sie das richtige Monitoring-Tool für das IIoT
Von: Shannon Flynn
