Technologien wie Big Data, künstliche Intelligenz (KI) und das Industrial Internet of Things (IIoT) verändern sowohl die Informationstechnologie (IT) als auch die Operational Technology (OT) im ‚Maschinenraum‘ von Unternehmen. Vor allem in Produktion und Fertigung gilt es, Anwendungslandschaften zukunftsfähig zu machen und auf die Anforderungen von Industrie 4.0 umzustellen. An dieser Stelle kommt Edge Computing ins Spiel.
Die Sache mit der Latenz
Ob eine Anwendung vor Ort an der Edge realisiert werden sollte, hängt in erster Linie von den Anforderungen an die Latenz ab. Ist etwa die Strecke zwischen Fabrikhalle und zentraler Cloud zu lang und verursacht eine hohe Latenz, verlangsamen sich die Antwortzeiten. Diese Verzögerungen können bei Anwendungen, die auf Echtzeitverarbeitung angewiesen sind, zu Problemem führen und in Fertigungsprozessen die Produktivität von Maschinen und Anlagen senken. Daher empfiehlt es sich, bei der Steuerung von Echtzeitprozessen im IIoT-Umfeld auf Edge Computing zu setzen: Vor Ort implementierte Applikationen mit minimaler Latenz steuern Maschinen und Anlagen. Hinzu kommen gewichtige rechtliche Gründe für den Einsatz von Edge-Devices: In vielen Unternehmen dürfen die verarbeiteten Daten aufgrund von Compliance-Bestimmungen wie der DSGVO das Betriebsgelände gar nicht erst verlassen. Gerade bei innovativen Industriebetrieben und ‚Hidden Champions‘ hierzulande steckt häufig das gesamte Knowhow und der Innovationsvorsprung in den Daten. Diese in einer Public Cloud zu verarbeiten und zu speichern birgt immer das Restrisiko, dass Geschäftsgeheimnisse in falsche Hände geraten. Auch in diesem Fall ist Edge Computing – in Verbindung mit einer zentralen Private Cloud auf dem Betriebsgelände – ein Lösung.
Cloud und Edge arbeiten zusammen
Edge und Cloud wirken bei der Datenverarbeitung zusammen. Alle Edge-Daten, die nicht für die Echtzeitsteuerung benötigt werden, lassen sich über das Netzwerk an einen zentralen Cloud-Server senden, um dort analysiert und gespeichert zu werden. Vor Ort werden die Daten in der Regel temporär gespeichert und vorverarbeitet, während die entsprechenden Modelle in der zentralen Cloud abgelegt sind. So schickt etwa eine Anwendung zur Bilderkennung nicht das komplette Bild an die Cloud, sondern nur die von ihr gemäß der vorgegebenen Filter erkannten Muster. Im zentralen Rechenzentrum wiederum stehen Server mit leistungsstarken Grafikprozessoren (GPU) zur Verfügung. Diese sorgen in Verbindung mit KI-Verfahren wie Maschinellem Lernen dafür, dass die Bilderkennung für das Edge Computing immer weiter trainiert und verbessert werden kann. Meldet eine Applikation vor Ort etwa Anomalien bei der Erkennung oder muss sie neu hinzugekommende Bauteile im Produktionsprozess unterscheiden, ist ein erneutes Training erforderlich. Danach wird ein Update der ML-Modelle an die Edge-Devices geschickt. Dafür kommen in vielen Unternehmen Container-Lösungen wie Docker zum Einsatz, die die Anwendung samt Laufzeitumgebung enthalten und zentrale Steuerungswerkzeuge wie Kubernetes. Damit lassen sich Anwendungspakete nach Bedarf an verschiedene Edges verteilen. So entsteht eine Art Kreislaufsystem, das auf kontinuierlichem Lernen beruht: In der zentralen Cloud wird die Anwendung trainiert, am Netzwerkrand (Edge) führt sie ihre Arbeit aus – bis wieder ein Update in der Cloud erforderlich ist, wo sie angepasst, neu berechnet und per Kubernetes deployed wird. Arbeitet z.B. ein Dutzend Industrieroboter an verschiedenen Standorten eines Unternehmens mit einer zentral in der Cloud entwickelten Edge-Anwendung, lässt sich diese in ebenso viele Container verpacken und in den jeweiligen Fabrikhallen zum Einsatz bringen.
Bei der Entwicklung ihrer Edge-Apps können Unternehmen IaaS (Infrastructure as a Service)- und PaaS (Plattform as a Service)-Ressourcen in der Private Cloud verwenden. Besonders nützlich ist dabei ein hybrides Szenario, wenn vorübergehend sehr hohe Rechenkapazitäten benötigt werden. Diese zusätzlichen Prozessorkerne lassen sich mittels Cloud Bursting kurzfristig aus der Public Cloud beziehen und nach getaner Arbeit wieder abschalten, ohne dass Gefahr für die verarbeiteten Daten besteht. Diese werden weiter in der Private Cloud gespeichert
Steierung aus der Cloud
Ein Beispiel für das Zusammenspiel von Cloud und IIoT-Devices am Edge liefern autonome Fahrzeuge (Autonomous Guided Vehicles, AGV), die z.B. auf dem Betriebsgelände des Leuchtmittelherstellers Osram im Einsatz sind. Sie transportieren Drahtrollen zur Herstellung von Glühwendeln in Glühbirnen. Die AGVs sind mit Kameras ausgestattet und per 5G-Mobilfunk – mit hohen Bandreiten und geringer Latenz – an einen zentralen Server angeschlossen. So senden die Fahrzeuge Bilder an den Edgeserver und erhalten von dort per Funksignal ihre Arbeitsanweisungen, z.B. eine Drahtrolle von einer Maschine zur nächsten zu transportieren oder die Rolle zunächst im Lager abzulegen. Kreuzt ein Mitarbeiter seinen Weg, erhält das AGV einen Stopp-Befehl. Je weniger Intelligenz, Steuerungsfunktionen und Bauteile direkt in IIoT-Geräten wie AGVs verbaut werden müssen, desto mehr lohnt sich ihr Einsatz auch aus Kostensicht.