Edge Computing bedeutet, Daten direkt am Netzwerkrand zu verarbeiten. Dies spielt beim Internet of Things (IoT) eine große Rolle.

IoT-Anwendungen wie intelligente Industrieroboter erfordern die schnelle Verarbeitung und Analyse von Daten nahezu in Echtzeit. Hier kommt Edge Computing ins Spiel, die direkte Verarbeitung von Daten am Netzwerkrand in der Nähe der IoT-Endpunkte. In Verbindung mit der zentralen Analyse von Daten und Machine Learning auf einer Cloud-Plattform entsteht so die ideale Infrastruktur für IoT-Applikationen.

Was leistet Edge Computing?

Eines der wichtigsten Einsatzszenarien des IoT in der Produktion ist Predictive Maintenance, sprich die vorausschauende Wartung oder Instandhaltung. Diese ist ein zentraler Bestandteil einer modernen Smart Factory. Hier liefern mit Sensoren ausgestattete Maschinen oder Anlagen Daten zu ihrem aktuellen Status meist an eine zentrale Cloud-Plattform. Dies können Informationen über Temperatur, Leistung, Umdrehungen, Feuchtigkeit oder Auslastung sein. In der Cloud werden die Kenndaten per Machine Learning analysiert, um Abweichungen von den Normwerten zu erkennen – und damit Fehler oder technische Mängel vorherzusagen.

Das Problem: Diese Sensoren senden gemeinsam mit anderen IoT-Geräten permanent Daten zur Analyse an die Cloud-Plattform. So entstehen in Summe sehr große Datenmengen, die über das Internet parallel in der Cloud landen und die verfügbare Bandbreite immer stärker auslasten. Die Verbindung kann daher zum Flaschenhals werden. Es besteht die Gefahr einer verzögerten Übertragung. Das heißt: Melden Sensoren beispielsweise eine plötzliche Überhitzung einer Anlage, kann es sein, dass die Daten zu spät in der Cloud ankommen und es zu einem Ausfall der Maschine kommt.

Edge Computing beschleunigt Datenanalysen

Viele Prozesse benötigen schnelle Entscheidungen ohne Verzögerungen, die etwa durch den Datentransfer, die Analyse im Rechenzentrum und die Rück-Übermittlung von Daten oder Steuerbefehlen entstehen können. Niedrige Latenzzeiten sind hier unabdingbar. Unternehmen brauchen in Echtzeit Daten über den Status des Produktionsprozesses oder die Infrastruktur der Produktionsumgebung, um effizienter fertigen zu können. Ein autonomes Fahrzeug würde rote Ampeln überfahren und Unfälle verursachen, wenn die Latenzzeit für die Datenübertragung zu hoch ist.

Ein weit entfernt liegendes Cloud-Rechenzentrum erfüllt diese Echtzeit-Anforderung nicht oder nur bedingt. Die Rechenleistung muss daher an den Rand des Netzes – an den „Edge“.  In diesen Fällen ergänzt Edge Computing die Cloud und schließt diese kritischen Lücken.

Reaktion in Echtzeit wichtig für die Industrie

Beim Edge Computing werden Daten direkt am Rand (Edge) des Netzwerks verarbeitet, also dort, wo sie erfasst werden. Es eignet sich daher vor allem für IoT-Anwendungen mit zeitkritischen Daten. Etwa die Steuerung der Fertigung in Echtzeit, die eine Reaktionszeit unter einer Millisekunde erfordert.

Daher wird Edge Computing immer interessanter für Firmen. Das zeigen die Ergebnisse der IDC-Studie „Industrial IoT in Deutschland 2021“. Demnach haben rund 42 Prozent der Befragten Edge Computing produktiv oder in Pilotprojekten im Einsatz. Weitere 29 Prozent haben Pilotprojekte geplant. Eine wichtige Voraussetzung für den Erfolg von Edge Computing sind leistungsfähige Glasfasernetze und 5G-Mobilfunk, um den Datenfluss in Echtzeit zu garantieren.

Was benötigt man für Edge Computing?

Edge Computing hat hardwareseitig verschiedene Facetten. Da sind zum einen die IoT-Endgeräte selbst. Sie verarbeiten Daten mit Hilfe von KI-Algorithmen. Beispiele sind moderne Industrieroboter, eine Appliance, die das Sicherheitssystem eines Gebäudes betreibt, oder eine intelligente Ampelanlage, die mit Hilfe von Überwachungskameras schnell auf Verkehrsbewegungen reagiert. Sie erkennt etwa das Blaulicht von Krankenwagen und stellt automatisch auf grüne Welle auf der Notfall-Strecke. Auch die (teil-)autonomen Autos der Zukunft analysieren zumindest einen Teil der Sensordaten selbst im Bordcomputer. Aus Zeitgründen beziehen sie nicht alle Informationen aus der Cloud. Passend hierzu noch ein Ergebnis aus der oben erwähnten IDC-Studie: Rund elf Prozent der befragten Unternehmen planen in Zukunft ihre Betriebsdaten hauptsächlich direkt am Edge in Algorithmen zu verarbeiten.

Mikro-Rechenzentren am Edge

Eine weitere Form von Edge Computing sind Mikro-Rechenzentren, die im Prinzip aus einem vor Wasser und Feuer geschützten Serverschrank bestehen. Sie liefern Rechenleistung in der Nähe der IoT-Geräte, um deren Daten direkt vor Ort ohne Verzögerung zu verarbeiten. Diese schlüsselfertigen Lösungen basieren auf Standard-Infrastruktur. Sie bestehen meist aus einem oder zwei Racks. Es gibt aber auch größere Modelle mit bis zu zehn Racks. Beispiel autonomes Fahren: Es ist durchaus denkbar, dass man künftig an den Straßen alle 15 Kilometer ein kleines Rechenzentrum braucht, um die Daten der Autos und der Verkehrsleitsysteme mit minimalen Latenzen zu verarbeiten.

Edge Computing und Cloud

Edge Computing kann natürlich die Cloud in IoT-Umgebungen nicht ersetzen. Im Gegenteil: Edge Computing erweitert und ergänzt das zentrale Cloud-Rechenzentrum. Damit die Datenpakete intelligent und automatisch zwischen den Edge-Lösungen und der Cloud verteilt werden können, müssen zeitkritische Informationen am Edge priorisiert werden. Diese werden dort schnell verarbeitet. Daten, die keine Echtzeit-Reaktion erfordern, aggregiert die Lösung und leitet sie an das Cloud-Rechenzentrum weiter. Die Cloud fungiert dann mehr als zentraler Datenspeicher (Data Lake) für Business Analytics, Machine Learning und die Steuerung von Prozessen. In anderen Fällen sammelt der Edge-Knoten die Daten, filtert sie, sortiert unwichtige Daten aus und sendet nur die relevanten Informationen in die Cloud. Das optimiert den Datenverkehr und spart Bandbreite.

Real-Life-Use-Cases-for-Edge-Computing_1024X684

Quelle: https://innovationatwork.ieee.org/real-life-edge-computing-use-cases/

Beispiele für Edge Computing

Edge Computing macht IoT-Umgebungen im Zusammenspiel mit der Cloud wesentlich flexibler und erlaubt diverse Einsatzszenarien. Hier einige Beispiele neben dem bereits genannten autonomen Fahren oder intelligenten Ampelanlagen:

  • Produktion: Die Edge-Knoten überwachen den Datenstrom von Sensoren in der Produktion und stellen sicher, dass Temperatur, Druck etc. vordefinierte Schwellenwerte nicht überschreiten. Sind die Schwellenwerte erreicht, muss die Anlage sofort stoppen. Es ist hier nicht möglich, auf die Rückmeldung aus der Cloud zu warten. Die weitere Analyse dieser großen Datenmengen, etwa zur Optimierung von Produktionsabläufen, erfolgt in der Cloud.
  • Ver- und Entsorgung: Hier bietet Edge Computing mit Remote Monitoring und Maintenance hohes Potenzial bei der Vernetzung räumlich weit verteilter Assets mit teilweise schwer zugänglichen Standorten (z. B. Strom- oder Rohrnetze, Windkraftanlagen).
  • Logistik: Edge Computing bietet als Basis für Asset und Fleet Management Mehrwert beim Orchestrieren von Fahrzeugen, Gütern und Routen.
  • Energieversorgung: Umspannwerke sind das Herz eines Stromnetzes und werden immer wichtiger, um die zunehmende Einspeisung von erneuerbaren Energien und die Komplexität im Stromnetz zu bewältigen. Sie sind Teil von Smart Grids, die mit Hilfe von IoT-Daten Stromerzeugung, Stromverbrauch und Stromspeicher gezielt steuern. Meist erfolgt die Auswertung der Daten hier über Cloud-basierte IoT-Plattformen. Edge Computing bietet die Option, Geräte innerhalb des Umspannwerks zu vernetzen und Daten direkt vor Ort zu verarbeiten und zu analysieren. Parallel dazu laufen Cloud-Lösungen wie App-basierte Datenanalysen oder ein zentrales Management von Geräten und Anwendungen.
  • Filtern von Videodaten: Ein gutes Beispiel für das Zusammenspiel von Edge und Cloud ist das Filtern von Videodaten etwa von Überwachungskameras. Der Edge-Knoten ist so programmiert, dass er bei der Analyse der Kameradaten redundante Bilder ignoriert und nur diejenigen Bilder in die Cloud überträgt, die Veränderungen zeigen. In der Cloud erfolgt dann im zweiten Schritt der eigentliche Machine-Learning-Prozess. Dieser ist aber viel effizienter, weil die Daten vorher bereits gefiltert wurden. Auch die Bandbreite wird nicht übermäßig belastet.
  • Augmented Reality und Virtual Reality: Hier gilt es, Daten direkt vor Ort zu verarbeiten, damit die VR-Brille oder die Augmented-Reality-App auf dem Smartphone reibungslos funktionieren. Anwendungen sind etwa der Gaming-Bereich oder in der Produktion, wo VR-Brillen etwa bei der Reparatur von Maschinen oder bei der Montage von Komponenten unterstützen.

Whitepaper Industrie 4.0 und IoT-Plattformen

Jetzt Artikel teilen:

  •  
  •  
  •  
  •  
  •