Schneider Electric / Farnell »Das IIoT beginnt bei den Sensoren«

Obwohl viele Maschinen bereits verschiedenste Sensoren für das IIoT enthalten, werden die von ihnen gelieferten Daten häufig in Silos gespeichert und nur von den Geräten verwendet, an die sie direkt angeschlossen sind. Dass es auch anders geht, zeigt ein Beispiel von Schneider Electric.

Von Cliff Ortmeyer, Global Head of Technical Marketing bei Farnell

Die industrielle Automatisierung hat in den letzten Jahrzehnten große Effizienzsteigerungen ermöglicht. Bei Einsatz von Echtzeitnetzwerken können Roboter, Förderer und Prozessanlagen ihren Status untereinander austauschen, um einen reibungslosen Betrieb sicherzustellen. Weil aber der Druck auf Kosten und Produkteinführungszeit weiter zunimmt, brauchen industrielle Anwender nicht nur einen besseren Einblick in diese Systeme. Sie müssen auch in der Lage sein, nötige Änderungen schnell und intelligent zu bewerkstelligen. Das gilt besonders für Systeme, bei denen ein Ausfall zu Notfallsituationen führt. Daher ist die Fähigkeit, Fehler so schnell wie möglich oder sogar im Voraus zu erkennen, von entscheidender Bedeutung. Wenn eine frühzeitige Warnung vor Problemen möglich ist, können präventive Wartungsarbeiten geplant werden, um Ausfallzeiten zu vermeiden, indem die Produktion nahtlos auf Backup-Systeme umgeleitet wird.

Echtzeitdaten in Kontext setzen

Durch die Echtzeitmessung der vielen Parameter, die den Zustand des Systems bestimmen, kann das industrielle Internet der Dinge (IIoT) die Reaktionsfähigkeit eines Unternehmens auf Veränderungen deutlich erhöhen. Dazu nutzt das IIoT die vom Industrieunternehmen gesammelten Daten und fasst die von Altsystemen erfassten Daten und Messungen dedizierter Smart-Sensor-Knoten zusammen.

Gemeinsam setzen das IIoT und die neue Generation von Sensorknoten die Daten, über die das Unternehmen bereits verfügt, jedoch nicht in Echtzeit anwenden kann, in einen Kontext. Die Daten werden von Cloud-Analyseplattformen zugänglich gemacht, die wiederum Trends in den eingehenden Daten verfolgen und über verschiedene Datenquellen hinweg vergleichen können, um die besten Vorgehensweisen für ein bestimmtes System zu berechnen.

Praktisches Beispiel

Ein Beispiel: Eine Flotte von Müllwagen leert regelmäßig die Mülltonnen einer geschäftigen und verkehrsintensiven Stadt aus. Üblicherweise haben die Fahrzeuge eine feste tägliche oder wöchentliche Route, auf der jede einzelne Tonne überprüft und ausgeleert wird, egal wie voll sie ist. In vielen Fällen sind Tonnen fast leer, während andere übervoll sind, weil der Zeitplan nicht berücksichtigt, wie stark die Tonnen genutzt werden. Wenn an jeder Tonne nun ein Ultraschallsensor angebracht ist, kann dieser in regelmäßigen Abständen eine Statusmeldung darüber senden, wie viel Abfall sich aktuell in der Tonne befindet. Software, die auf Servern in der Cloud ausgeführt wird, kombiniert die Statusdaten der Tonnen mit Informationen wie z.B. Verkehrsstaus in der Stadt oder Wetterbedingungen. Auf diese Weise lässt sich vorhersagen, wie schnell sich jede Tonne basierend auf vorherigen Messungen wahrscheinlich füllen wird.

Ohne die Daten des tatsächlichen Status der Tonnen helfen die Wetter- und Verkehrsdaten jedoch nur festzustellen, welche Müllwagen möglicherweise länger brauchen, um ihre Routen zu absolvieren. Mit den Echtzeit-Statusdaten der Tonnen kann die Software die Routen verschiedener Fahrzeuge dynamisch anpassen und Tonnen überspringen, die nicht dringend ausgeleert werden müssen. Das kann nicht nur die von einem Fahrzeug zurückgelegte Strecke verringern, sondern auch sicherstellen, dass die Abfallsammlung nicht durch den Verkehr verlangsamt wird. Infolgedessen verbessert das einfache Hinzufügen eines neuen Sensortyps die Reaktionsfähigkeit der Müllabfuhr erheblich. Durch Anbringen von Standort-Tracking-Sensoren an den Fahrzeugen selbst können diese in Echtzeit umgeleitet werden.