Startseite » Smart Factory »

Wie NI die Datenflut im Industrial Internet of Things bändigen will

Industrial Internet of Things (IIoT)
Wie NI die Datenflut bändigen will

Disruptives Potenzial habe neben dem IIoT auch das Time-Sensitive Networking (TSN), sagt Rahman Jamal, Global Technology & Marketing Director von National Instruments. TSN könne langfristig dazu beitragen, Ethernet-basierte Feldbusse zu ersetzen. Bezüglich der rasant wachsenden Datenmengen wird sicher das Machine Learning eine wichtige Rolle spielen und hinsichtlich der Vernetzungsmöglichkeiten wirft der kommende Mobilfunk-Standard 5G seine Schatten voraus.

elektro AUTOMATION: Herr Jamal, National Instruments ist insbesondere rund um das Industrial Internet of Things aktiv – warum spielt gerade dies künftig eine so große Rolle und welche Herausforderungen sind zu meistern?

Rahman Jamal: Das IIoT bietet ein enormes Potential für Leistungssteigerungen und Kostensenkungen über die zunehmende Vernetzung intelligenter Geräte und ‚Dinge‘. Besonders spannend für die Automatisierer dürfte sein, das Technologien wie das Time-Sensitive Networking (TSN) das disruptive Potential haben, langfristig Ethernet-basierte Feldbusse zu ersetzen. Das wird es uns erlauben, sehr viel einfacher Fertigungszellen miteinander zu vernetzen und Prozesse zu synchronisieren. Intelligente Systeme generieren und nutzen zudem eine rasant wachsende Menge an Daten; es entsteht eine regelrechte Datenflut! NI spricht hier von Big Analog Data. Um diese Datenflut zu verarbeiten, können wir auf bereits existierende Technologien wie Edge-Hardware oder Analytics Software zurückgreifen, gleichwohl gilt es noch einige Herausforderungen bei der Umsetzung von Applikationen im IIoT-Bereich zu meistern. Bei IIoT-Anwendungen handelt es sich ja um dynamische Umgebungen, sich stetig verändernde Umgebungen – etwa durch die Integration neuer Technologien, die Aktualisierung der IIoT-Netzwerke oder das Einspielen von Sicherheitsupdates – hier prallen IT-Komponenten und OT-Systeme aufeinander.

elektro AUTOMATION: Welchen Einfluss haben insbesondere die Operational Technologies oder kurz OT?

Jamal: Zu erkennen ist ein exponentielles Wachstum bei OT-Systemen. Daraus entsteht einerseits ein nicht zu unterschätzender Aufwand, um all diese Systeme zu verwalten. Andererseits entstehen gerade verursacht durch die stark ansteigende Zahl an OT-Systemen eben auch diese exorbitanten Mengen an Daten, bisweilen sogar im Exabyte-Bereich. Diese Daten alle auf intelligente Art und Weise auszuwerten, ist eine immense Aufgabe – was geradezu nach einem weiteren großen Trend verlangt, dem hin zu maschinellen Lernverfahren. Das Machine Learning ermöglicht die effiziente Analyse der Daten, so dass sich der Anwender auf seine eigentlichen Aufgaben fokussieren kann.

elektro AUTOMATION: Bevor wir etwas näher auf das Thema Machine Learning eingehen – wie löse ich denn zunächst die Datenverwaltung?

Jamal: Um Big Analog Data in verwertbare Erkenntnisse umsetzen, schlagen wir einen Workflow vor, den wir mit der ‚Data Management Software Suite‘ umgesetzt haben. Diese enthält den DataFinder Server, DIAdem Professional sowie den Analysis Server und stellt somit eine Komplettlösung für die unternehmensweite Datenverwaltung dar. Bei der DataFinder Server Edition handelt es sich um eine serverbasierte Software, die für ein rasches Auffinden benötigter Daten in einem Netzwerk durch automatische Indizierung konzipiert ist. DIAdem Professional wiederum ist eine speziell auf die Bedürfnisse von Wissenschaftlern und Ingenieuren ausgelegte Client-Software für das schnelle Finden, Sichten, Analysieren und Auswerten von Messdaten, ohne dass dafür weitere Tools erforderlich wären. Mit dem Analysis Server schließlich hat der Anwender dann eine serverbasierte Software für die effiziente Handhabung, Analyse und Verarbeitung großer Datenmengen an der Hand. Die Data Management Software Suite umfasst also die wichtigsten Softwarewerkzeuge von NI zur Handhabung von Big Analog Data und ermöglicht die Standardisierung von Daten innerhalb von Teams, das Auswerten bezüglich nützlicher Informationen, automatisierte Analysen und die Erstellung von Berichten mit den gewünschten verwertbaren Erkenntnissen – und löst damit eines der Hauptprobleme beim Umgang mit so großen Datenmengen.

elektro AUTOMATION: Das da wäre…

Jamal: …bei dem exponentiellen Wachstum an erfassten Daten einen wiederholbaren und automatisierten Prozess zu schaffen, mit dem aus den Daten Nutzen generiert werden kann. Oft verursachen Inkonsistenzen und Fehler in den Daten fehlerhafte Ergebnisse, so dass die Ingenieure gezwungen sind, Daten manuell zu sichten und zu verifizieren, bevor diese einem manuellen oder automatisierten Analyseprozess unterzogen werden können. Mit dem jetzt neu vorgestellten Analysis Server, der in der Data Management Software Suite enthalten ist, wird die bereits existierende NI-Software gerade mit Blick auf die automatisierte Datenverarbeitung erweitert. So können Anwender nun wertvolle Einblicke in ihre Daten erhalten, ohne manuell eingreifen zu müssen – die Original-Messdaten bleiben dabei weiterhin erhalten. Der Nutzen für den Anwender liegt auf der Hand: Dadurch, dass sich Daten schneller in nutzbringende Ergebnisse umwandeln lassen, können Markteinführungszeiten verringert werden.

elektro AUTOMATION: Was kann an dieser Stelle das Machine Learning dazu beitragen?

Jamal: Es ermöglicht vor allem die ‚künstliche‘ Generierung von Wissen aus zuvor gesammelten Erfahrungswerten. Maschinelle Lernverfahren werden zwar in Nischen bereits seit geraumer Zeit eingesetzt – insbesondere bei der Mustererkennung –, bieten aber ein viel größeres Potenzial. Das gilt insbesondere dann, wenn es um tiefe Einblicke in Daten und die effizientere Gestaltung von Abläufen geht. Das ist sicher auch der Grund, weshalb Hightech-Giganten wie Google, Microsoft, Amazon und Facebook in die Entwicklung von Machine Learning investieren. Dass diese Technologien es von der Verbraucherwelt in die Industrie schaffen, ist nur eine Frage der Zeit. Man muss sich nur vor Augen halten, dass in industriellen Systemen bisweilen Unmengen an Rohdaten anfallen – eben Big Analog Data. Diese Daten sind äußerst nützlich, wenn es gelingt, mit ihrer Hilfe Maschinenausfälle oder Produktionsfehler zu erkennen. Entscheidend ist, dass sich genau diese Informationen auch aus den Daten herausfiltern lassen, wozu heutige Technologien noch nicht in der Lage sind. Machine Learning stellt hier die erforderliche Leistung bereit, weil sich auf Basis der Daten Algorithmen ‚trainieren‘ lassen. Somit entstehen verbesserte Verhaltensmodelle und der Anwender erhält bessere und schnellere Ergebnisse. Wichtig für die Implementierung von Machine-Learning-Technologien ist jedoch das organisierte Sammeln von Daten, was wiederum umfangreiche Datenerfassungs- und -verwaltungsstrategien für vernetzte Systeme erfordert – was uns zurück zu unserer Data Management Software Suite führt, die genau diese Funktionalitäten bereitstellt.

elektro AUTOMATION: Bieten sich ähnliche Strategien auch in der Produktentwicklung an?

Jamal: Auf alle Fälle – werden Designfehler schon früh in der Produktentwicklung automatisch erkannt, lassen sich Innovationen schneller vorantreiben und letztendlich umsetzen. Zudem lässt sich auch die Produktivität steigern. Machine-Learning-Modelle erlauben es, Produktfehler eventuell auch unabhängig von der Ursache aufzudecken. Immerhin gibt es Unmengen möglicher Anomalien, die einen Defekt hervorrufen können. All diese beim Testen zu berücksichtigen, ist im Prinzip unmöglich. Mit Machine-Learning-Technologien kann der Prüfingenieur auf Fehler oder Defekte aufmerksam gemacht werden, die unter Umständen in der Testphase schlichtweg übersehen wurden.

elektro AUTOMATION: Wie baut denn NI das Machine Learning in sein Angebot ein?

Jamal: Neuronale Netzwerke wollen gespeist werden – zunächst sind also entsprechend viele Daten zu erfassen, um ein Machine-Learning-System zu trainieren. Schwierig wird dabei aber die Validierung der Algorithmen. Um sie auf Korrektheit zu prüfen, kommt unsere NI-Plattform ins Spiel – denn beides, also sowohl das Erfassen der für das Trainieren genutzten Sensordaten als auch die Validierung der trainierten Maschinen – ist mit unserer Plattform realisierbar. Insbesondere LabView, unsere grafische Systemdesignsoftware, verleiht dem Entwickler aufgrund ihrer Offenheit die Möglichkeit, Daten mit Machine-Learning-Technologien jeglicher Art zu verquicken. Erst kürzlich haben wir dazu das LabView Analytics and Machine Learning Toolkit auf den Markt gebracht. Mit ihm lassen sich maschinelle Lernverfahren direkt ‚an der Edge‘ von Zustandsüberwachungsanwendungen für die vorausschauende Wartung einsetzen. In LabView unterstützen wir auf diese Weise das Trainieren von Machine-Learning-Modellen, die in großen Datenmengen Anomalien entdecken und Muster erkennen können.

elektro AUTOMATION: Mit LabView NXG haben Sie im Mai 2017 ja auch die nächste Generation dieser Software vorgestellt. Wollen Sie kurz die Ziele erläutern?

Jamal: Version 1.0 von LabView NXG bietet mit neuen, programmierfreien Arbeitsabläufen die Chance, das Erfassen und die iterative Analyse von Messdaten am Prüfplatz deutlich produktiver umzusetzen. Dazu wird der erforderliche Programmcode im Hintergrund erstellt. So lassen sich beispielsweise Codeabschnitte per Drag-and-drop einfügen, die 50 Zeilen textbasierten Codes entsprechen. Das Ziel ist wiederum: Der Anwender soll sich voll und ganz auf die Umsetzung seiner Ideen konzentrieren können, anstatt auf die Implementierung der nötigen Funktionalität. Nur so entsteht der Freiraum für Innovationen. LabView NXG verfügt dazu über einen überarbeiteten Editor, der die von erfahrenen Anwendern häufig nachgefragten Funktionen enthält, aber auch weiterhin die gewohnte Benutzerfreundlichkeit bietet. Übrigens: Während LabView NXG 1.0 Messungen am Prüfplatz vereinfacht, zielen die neuen Funktionen von LabView 2017 auf die Entwicklung, den Einsatz und die Verwaltung großer, komplexer und verteilter Prüf- und Embedded-Anwendungen. Auf diese Weise wird unter anderem eine bessere Interoperabilität mit Standard-IP und -Kommunikationsprotokollen erreicht, darunter OPC UA.

elektro AUTOMATION: Wollen Sie uns abschließend noch einige weitere Trends nennen, die zukünftig relevant werden?

Jamal: Auf IIoT und Machine Learning sind wir bereits eingegangen, zu nennen wäre hier also vor allem 5G. Die Fortschritte in der 5G-Forschung beeinflussen nicht nur das Systemdesign, sondern auch Mess- und Prüflösungen für die Kommerzialisierung von 5G. Dies erfordert jedoch andere Ansätze als bei bisherigen Mobilfunktechnologien oder anders formuliert: Schneller funken heißt auch schneller testen und prüfen, weil die Zyklen bis zur Einführung neuer Funkstandards immer kürzer werden und gleichzeitig die Anzahl der Akteure gewaltig ansteigt (Anm. d. Red.: siehe dazu elektro AUTOMATION 7-8/2016, S. 38ff; http://hier.pro/U35mx). Unser Vektorsignal-Transceiver der zweiten Generation mit LabView-programmierbarem FPGA unterstützt das. Bleibt noch die Fahrzeugelektrifizierung, bei der es um mehr geht als nur den Umstieg auf reine Elektroantriebe. Hier werden nicht nur die Fahrzeuge selbst immer komplexer, gefragt ist auch eine neue unterstützende Infrastruktur. co

http://ni.com/germany

Weitere Details zur Data Management Software Suite:

http://hier.pro/76ydY

Messe SPS IPC Drives 2017:

Halle 7, Stand 381


„Wir alle haben das Gefühl, dass genau jetzt einer dieser Augenblicke ist, in denen wir die Zukunft beeinflussen – das Industrial Internet of Things, elektrische Fahrzeuge, der Mobilfunkstandard 5G und das Machine Learning bestimmen den künftigen Weg.“

Rahman Jamal, Global Technology & Marketing Director, National Instruments
Bild: NI

Newsletter

Abonnieren Sie unseren Newsletter

Jetzt unseren Newsletter abonnieren

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Hier finden Sie aktuelle Whitepaper

Videos

Hier finden Sie alle aktuellen Videos


Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de