Industrial Internet of Things Datengold-Schürfer im IIoT

Immer mehr Sensoren sammeln immer mehr Daten in den Produktionsanlagen und Fabriken. Um dieses »Datengold« auszuwerten, braucht es moderne Echtzeitrechner – und industrietaugliche Komponenten für das Edge Computing.

Das Industrial 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 Öl- und 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 (Fast-Fourier-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]. Die Daten muss ein Edge-Prozessorsystem in Echtzeit verarbeiten und so aufbereiten, dass ein Rückschluss auf den Maschinenzustand möglich ist.

Ein anderes Szenario ist ein Drucksensor, der den gemessenen Druck mit einem voreingestellten Normalbetriebsbereich abgleicht. Ein solcher Sensor führt den Abgleich lokal durch. Liegt der Druck außerhalb des eingestellten Bereichs, so alarmiert er die Maschinenbediener oder er leitet sofort Korrekturmaßnahmen ein. In die Cloud lädt der Sensor lediglich dann Daten hoch, wenn der Druck außerhalb des eingestellten Bereichs liegt oder vollständig abfällt.

Ein Füllstandssensor ist ein Beispiel, bei dem der Datenaustausch mit der Cloud nicht nötig ist, da er lediglich ein Ablassventil eines Behälters für Flüssigkeiten öffnet, wenn der Füllstand zu hoch ist. Idealerweise zeigt der Sensor das Erreichen des Auslöselevels an (beispielsweise über einen Alarm) und leitet die entsprechenden Korrekturmaßnahmen ein.

In den beschriebenen Fällen muss das Edge-Gerät über bestimmte Rechenressourcen verfügen, die in anderen Fällen ganz erheblich sein können. Wenn ein Datenaustausch mit der Cloud nötig ist, wird ebenso eine Kommunikationsschnittstelle gebraucht – beispielsweise ein Feldbus, der den Sensor direkt mit der speicherprogrammierbaren Steuerung (SPS) verbindet, oder ein lokaler Anschluss für einen Edge-Server. Bild 1 zeigt die Netzwerkstruktur in einer Fabrik beziehungsweise in einer Produktions- oder Verarbeitungsanlage.

Bislang wurden im Beitrag hauptsächlich Anwendungen für Fertigungsbetriebe und für die Prozessindustrie betrachtet, jedoch gelten die gleichen Kriterien ebenso für die Gebäudeautomation – also für Heizung, Lüftung, Klimatechnik, Lichtsteuerung und dergleichen. Ebenso nutzen solche Anwendungen das IIoT, um die Effizienz zu verbessern und einen besseren Betrieb zu gewährleisten. Die Sensoren, die in solchen Anwendungen zum Einsatz kommen, müssen noch kostengünstiger sein. Aufgrund dessen hat hier nicht jeder Sensor eine IP-Verbindung zur Cloud und das ist aus den genannten Gründen auch nicht erforderlich.

Wie sich Edge Computing auf die Sensorarchitektur auswirkt

Das IIoT verspricht, die Produktion intelligenter und agiler zu machen, indem es die digitalen Aspekte der Prozesse berücksichtigt, die wir in anderen Bereichen als selbstverständlich betrachten. In einem Produktionsprozess fallen gewaltige Datenmengen an, die nutzbar sind, um wichtige Zielsetzungen zu erreichen: Fehler voraussagen, die Lebensdauer der Betriebsmittel verbessern, Umsätze erhöhen und Produktionsprozesse an die Marktanforderungen anpassen.

Das Erfassen der großen Datenmenge führt zu einem grundlegenden Wandel beim Entwickeln von Systemen für die industrielle Automatisierung. Auf der untersten Ebene steigt die Anzahl an eingesetzten Sensoren stark an. Zugleich bietet die Architektur der Sensoren immer bessere Rechen- und Kommunikationsfunktionen, womit der Sensor faktisch zum Edge-Computing-Gerät wird. Um zugleich Sensorgröße und Formfaktor nicht zu verändern, ist die Elektronik im Sensor zu optimieren. So sind Edge-Berechnungen ausführbar. Bild 2 zeigt vereinfacht eine solche Architekturänderung.

Die Sensoren müssen vor allem eine höhere Rechenleistung aufbringen, um einen Teil der Datenanalysen beziehungsweise Datenvergleiche zu übernehmen und um das Kommunikationsprotokoll auszuführen, wenn sie mit der Cloud oder der SPS verbunden sind. Die eingesetzten Mikroprozessoren und/oder FPGAs (Field Programmable Arrays) erfordern eine komplexe Stromversorgung und somit eine ausgeklügelte Architektur mit Schalt- und Linearreglern (LDOs). Außerdem erfordert die Kommunikation verschiedene Transceiver. Im Bild 2 ist nicht explizit dargestellt, dass einige Sensoren ebenfalls Digitalisolatoren benötigen, um den Mikroprozessor oder FPGA vor den tatsächlich vorkommenden Signalen zu schützen.

Die zusätzlichen Elektronikkomponenten sind in ein lüfterloses, geschlossenes Gehäuse mit gleicher Baugröße zu integrieren. Deshalb kommt es beim Design und beim Entwickeln neuer Sensorarchitekturen ganz besonders auf die Größe, Wärmeableitung und erhöhte Temperaturbeständigkeit an.

Auswahl elektronischer Komponenten für Edge-Computing-Systeme

Beachtenswert ist hierbei die Stromversorgung, denn sie kommt als Subsystem in jeglicher Anwendung vor. Nicht nur der integrierte Chip bestimmt die Größe einer geregelten Stromversorgung – vielmehr hängt sie meistens von den diskreten Bauelementen ab, beispielsweise von der Induktivität und den Kondensatoren rund um den IC.

Da im Laufe der Jahre die Schaltregler immer integrierter wurden, hat sich die Anzahl und Größe der diskreten Bauelementen verringert. In den letzten Jahren kamen Leistungsmodule mit äußerst kleinem Formfaktor auf. Sie integrieren die Induktivität, die MOSFETs und Kompensationsbauelemente, lediglich Kondensatoren für den Eingang und Ausgang sind noch erforderlich. Der Integrationsgrad hat die Größe der Stromversorgung deutlich reduziert (Bild 3).

Die neuesten Leistungsmodule sind als gestapelte Ausführungen verfügbar, das heißt die Induktivität befindet sich über dem IC, um die Größe noch weiter zu reduzieren (Bild 3, rechts).

Systeme für die Gebäudeautomation (Heizung, Lüftung, Klimatechnik) sind meistens über ein BACnet (Building Automation and Control Network) verbunden, basierend auf der bewährten RS-485-Bitübertragungsschicht. Hier müssen die nötigen RS-485-Transceiver so weit wie möglich integriert sein und einfache Stromversorgungen, wie einen Transformatortreiber, einen Linearregler und Digitalisolatoren enthalten. Die Transceiver enthalten viele solcher Funktionen, um die Gesamtgröße des Systems zu reduzieren, und sie benötigen lediglich einen externen Transformator. Ein moderner Transceiver integriert sogar den Transformator in das IC-Gehäuse und reduziert somit den Platzbedarf noch weiter.

Bild 4 zeigt beispielhaft, wie der Transformator und ein Transceiver, der bereits die Digitalisolatoren, den Transformatortreiber und Linearregler enthält, den Flächenbedarf des Systems um 40 Prozent reduzieren.

Entwickler sollten sich bei der Auswahl der Elektronik während des Entwickelns eines Sensors beziehungsweise eines Edge-Computing-Geräts integrierte Lösungsansätze ansehen, die gewährleisten, dass die Designs zum vorgegebenen Formfaktor passen. Außerdem ist es wichtig, dass die Komponenten erweiterte Temperaturbereiche aufweisen, um in rauen Industrieumgebungen zu funktionieren. Es ist nicht außergewöhnlich, dass ein Entwickler dabei Komponenten ausfindig macht, die für Betriebstemperaturen bis 105 °C oder sogar bis 125 °C ausgelegt sind.

Auf die Komponenten kommt es an

Aus wirtschaftlichen Gründen sind Daten häufig in der Nähe ihres Entstehens zu verarbeiten. Die meisten Daten in der Industrie stammen von den zahlreichen Sensoren, die sich in der Montagelinie, in Gebäuden oder Aufbereitungsanlagen befinden. Es ist daher natürlich, dass Rechen- und Kommunikationsfunktionen so weit wie möglich in das Sensorsystem integriert werden.

Beim Ausstatten von Sensoren mit solchen Funktionen ist die hierfür erforderliche Architektur und Elektronik komplex. Das erfordert eine sorgfältige Auswahl von Komponenten, die sowohl zuverlässig funktionieren als auch klein sein sollten. Neue Chips für moderne Edge-Computing-Geräte ermöglichen hier einen höheren Integrationsgrad und halten hohen Temperaturen stand.

Literatur

[1] Gartner
[2] Studie IHS Markit

Der Autor

Suhel Dhanani
ist Director of Business Development Industrial & Healthcare Business Unit bei Maxim Integrated. Bevor er zu Maxim kam, leitete Suhel das Marketing für das Segment Industrieautomation bei Altera. Dhanani verfügt über mehr als 20 Jahre Erfahrung im Produkt- und Segmentmarketing in verschiedenen Silicon-Valley-Unternehmen wie Xilinx, Altera und Tabula. Suhel hat einen MSEE- und MBA-Abschluss der Arizona State University und ein Graduate Certificate in Management Science der Stanford University.