Fertigung am Rande

Przemek Tomczak, SVP, IoT & Versorgungsunternehmen, KX

Unternehmen müssen sich mit den enormen Herausforderungen auseinandersetzen, die Daten und Automatisierung in der modernen Fertigungsumgebung von heute darstellen.

Unternehmen wissen, dass sie umso wettbewerbsfähiger sein können, je schneller sie handeln können, um Prozesse zu verbessern und Kosten zu senken. Die Frage ist, wie die ständig steigende Menge, Vielfalt und Geschwindigkeit der erstellten Daten bewältigt werden können, viele davon von vernetzten Geräten „an der Peripherie“.

Und die Zahlen sind riesig. Eine moderne vernetzte Fabrik wird Millionen von Datenpunkten erstellen eine Sekunde von Sensoren in Maschinen. Tatsächlich schätzt ein aktueller Bericht von Statista, dass das Datenvolumen allein von IoT-Geräten betroffen sein wird 79.4 Zettabyte bis 2025.

Während Edge Computing – das die Industrial Internet Consortium definiert als die Fähigkeit, Datenverarbeitung an der Quelle durchzuführen, wo sie stattfinden muss – zweifellos die Branche revolutioniert, und stellt auch Fragen zu Legacy-Technologien und -Systemen, die mit der Datenflut zu kämpfen haben.

Am Rand der Wolke

Die Argumente für Edge-Computing waren sicherlich noch nie so stark. In einer sensiblen Branche wie der Fertigung, in der selbst kleinste Latenzen Maschinenlinien stören können; Qualität und Output zu reduzieren und Millionen an verlorener Produktionszeit zu kosten, ist es von entscheidender Bedeutung, in kürzester Zeit auf Erkenntnisse aus den Daten reagieren zu können.

Cloud Computing hat sich auch als Transformationstechnologie in der Fertigung erwiesen; Bereitstellung erheblich günstigerer Speicher- und Verarbeitungskapazitäten, während gleichzeitig ein riesiger Marktplatz für Software und Dienstleistungen entsteht, den Hersteller nutzen können, um ihre Prozesse und Produktivität weiter zu verbessern.

Bedenken hinsichtlich Sicherheit, Zuverlässigkeit und Latenz bleiben jedoch bestehen; Eine Datenmanagementarchitektur, die eine Mischung aus Edge-Computing und zentralisiertem Datenmanagement enthält, entweder vor Ort oder in der Cloud, gewinnt daher als bevorzugter Anwendungsfall in der Fertigung an Bedeutung. Zusammen überbrücken sie die Welten von Big Data und Fast Data; Es ermöglicht Herstellern, die enormen Datenmengen zu verwalten, die erstellt werden, und bietet gleichzeitig die Möglichkeit, historische und Echtzeitdaten für tiefere Einblicke und Verständnis zusammenzuführen

Automatisierung fördert die Akzeptanz

Dieses tiefere Verständnis ist entscheidend für die Umsetzung dessen, was viele als das ultimative Ziel von Edge Computing, Machine-to-Machine-Kommunikation und autonomem Computing ansehen, um einen Zustand der Selbstwahrnehmung zu erreichen und letztendlich selbstlernende Maschinen für eine bessere Kontrolle von Fertigungsprozessen zu schaffen Betriebszeit, Ertrag und Nutzungsdauer von Vermögenswerten.

Streaming Analytics ist die Technologie, die die Automatisierung ermöglicht und es Herstellern ermöglicht, Daten in Echtzeit am Rand ihres Netzwerks sowie im Rechenzentrum zu sammeln und zu analysieren und sie gleichzeitig mit historischen Aufzeichnungen und dem Kontext zu vergleichen.

Dieser Prozess nutzt auch die 3 kritischen Anforderungen des Datenmanagements. Die Fähigkeit, die enormen Datenmengen aufzunehmen, die Fähigkeit, sie in einer Umgebung mit geringer Latenz zu analysieren, und die Fähigkeit, maschinelles Lernen zu nutzen, um mehrere neue und historische Datensätze miteinander zu verknüpfen oder zu korrelieren, um wertvolle handlungsrelevante Erkenntnisse in Echtzeit zu generieren.

Zusammen ermöglicht der Aufstieg des Edge-Computing in Verbindung mit einer Streaming Analytics-Softwarelösung eine Entscheidungsfindung in Mikrosekunden, die sicherstellt, dass Hightech-Fertigungsunternehmen ihre Ausrüstung und Produktlinien ständig überwachen und effizient betreiben können.

Auf dem Weg zu Industrie 4.0 und einer ständig wachsenden Zahl vernetzter Geräte in der Fertigung werden diejenigen, die nicht über die richtigen Datenprozesse verfügen, nicht in der Lage sein, die Produktivität und Effizienz durch eine bessere Nutzung von Analysen weiter zu verbessern.