13. Edge Computing und Industrie 4.0

Der Designansatz Edge Computing wird in der Praxis als kein neues Konzept verstanden, vielmehr integriert er sich in bestehende IT-Unternehmensarchitekturen. Fachexperten waren sich indessen einig, dass das Modell mit einer dezentralen Datenaggregation und einer client-basierten Datenverarbeitung direkt in der Nähe der Datenentstehung eingesetzt wird und somit Daten in „Information“ und „Wissen“ transformiert. Die Fertigungsindustrie stellt hierfür IT-Ressourcen an der lokalen Netzwerkkante, möglichst nahe bei der Maschine oder Anlage, zur Verfügung. Die Zielsetzung der Unternehmen sollte dabei beinhalten, dass zum Schluss die IT-Ressourcen eine rechnergestützte, selbstständige Intelligenz und die Einspielung von Algorithmen auf dem Edge Device ermöglichen sollen. Daraus können bereits in der Werkhalle technologische Standards von Business Intelligence erreicht werden. Dies, um beispielsweise datenbasiert Entscheidungen zu verbessern. Zum heutigen Betrachtungszeitpunkt wird jedoch das Edge Device vorwiegend als Datenfilterungskomponente und noch nicht als selbstständiger Logikträger oder als autonome Steuerungskomponente eingesetzt.

Damit EC funktioniert, braucht es eine Bedarfsanalyse technischer Anforderungen an das Edge Device. Die Bereitstellung von IT-Ressourcen bedingt daher CPU (Rechenleistung) wie auch RAM (Arbeitsspeicher), aber auch weitere Speichersysteme und Hardware-Komponenten wie Hard Drives und Server Blades. Ein hoher IT Load erfordert von den Fertigungsunternehmen, viel CPU auf den Einheiten zur Verfügung zu stellen. Bei einem hohen Telco-Volumen steht die Übertragungsgeschwindigkeit (Gbit) im Fokus. Die einleitend erwähnten technischen Anforderungen werden über ein Edge Device gedeckt. Stand heute kann das Edge Device in der Ausprägung eines Edge Servers zur Anwendung kommen, jedoch gibt es auch Embedded Systems innerhalb der Fertigungsmaschine, Gateways, aber vereinzelt auch sehr performante Sensoren. Handelsübliche Sensoren können jedoch, mangels Leistungsfähigkeit, nicht als Edge Device definiert werden. Um der Leistungsanforderung gerecht zu werden, kommen öfters auch performantere, industrietaugliche Mikrocontroller von Anbietern wie Siemens oder ABB zum Einsatz.

Da die Sensoren und Aktoren weder autonome Steuerungskomponenten noch selbstständige Logikträger sind, wird die Steuerung des Anlagenparks auch nicht durch Interaktionen dieser sichergestellt. Dafür werden weiterhin industrielle Standards in Form der speicherprogrammierbaren Steuerung (SPS), selten auch Industriecomputer, verwendet. Die SPS ist eine verkabelte (LAN/analog), industriespezifische Zentrale, welche auf Basis der gesammelten Maschinen- und Sensordaten die jeweiligen Maßnahmen an die Aktoren befiehlt. Eine weitere Individualität besteht in der Sensorik. Fertigungsanlagen sind oftmals Einzelanfertigungen, ausgestattet mit einer hohen Anzahl an Sensoren oder gar Feldbussystemen. Aufgrund ihrer Spezifika sind mehrheitlich ältere, industriegetriebene Kommunikationsprotokolle, wie beispielsweise Euro-Map 63, im Einsatz. Das Euromap-63-Protokoll ist auf eine Datenverarbeitung in der SPS ausgerichtet und entspricht oftmals nicht dem Kommunikationsstandard neuartiger Technologien. Damit diese Komptabilität zwischen von Edge Computing verwendeten Technologien und den Einzelfertigungsanlagen gegeben ist, müssen industrietaugliche Standardprotokolle wie OPC UA und IO.Link weiter vorangetrieben werden. Ebenso gilt dies für industriespezifische Transporttechnologien wie Bluetooth Low Energy und Wifi IO.11, aber auch KATM, LTM und NVIOT (4G Kompatibel), welche heute oft in der Industrie Anwendung finden. Die Wahl der richtigen Transporttechnologie entscheidet sich aus einem Trade-off zwischen Batterie bzw. Energieeffizienz, Kosten, Laufzeit, Reichweite und Geschwindigkeit. Die stetige Entwicklung dieser Schnittstellenstandards zwischen Smart Object und dem Daten-Aggregator (SPS, Edge Device) ist für die praxistaugliche Anwendung von EC von höchster Wichtigkeit, auch wenn bei den Transporttechnologien in der Praxis häufig die „Wired-Lösung“ mittels Ethernet oder Glasfaser-Anschluss bevorzugt wird.

Edge Computing kann in der industriellen Praxis jedoch erst dann Anwendung finden, wenn gesammelte Sensordaten direkt von der SPS abgezogen und auf einem naheliegenden Edge Server als Massendaten bereitgestellt werden. Auf diesem Edge Server können die Daten zur Analyse von Events und Maschinenzustandsinformationen verarbeitet werden. Ein weiterer Vorteil besteht darin, dass die Daten bereits auf dem Edge Server an der Netzwerkkante verschlüsselt und im Anschluss an weitere Umsysteme wie SAP/ERP, MES, CRM, aber auch an andere kognitive und analytische Applikationen weitergeleitet werden können. Dies ist in der Praxis noch nicht angekommen. Vermutet wird hier die Schwierigkeit, ausreichend Zeit, Budget und Know-how bereitzustellen.

Im Rahmen der (explorativen) Studie konnten keine Praxisanwendungen für die Architekturmodelle von Fog Computing und Cloudlet Computing gewonnen werden. Im Gegenzug hat das Konzept von Mobile Edge Computing in der Fertigungsindustrie bereits Einzug gefunden und wird in ersten Pilotprojekten realisiert. Das Architekturmodell kann in unterschiedlichen Ausprägungen realisiert werden. In Abb. 13.4 werden 4 Ansätze vorgestellt, wie die MEC-Server und Basisstationen positioniert werden.

Mobile Edge Computing kann somit je nach Bedarf und Situation über Distanz (1), an der Arealgrenze (2), im Campus (3) oder direkt in der Werkhalle (4) an den Maschinen platziert werden. Dabei bedient sich MEC diverser Übertragungsmöglichkeiten (4G/LTE, 5G) und ermöglicht mobilen Devices, wie auch nichtmobilen Devices, eine Verbindung zum Netzwerk. Hierbei können Daten vor dem Weitertransport bereits vorverschlüsselt werden (4). Der Einsatz von MEC stellt Echtzeitanforderungen sowie einen schnellen Datentransport zwischen den Endgeräten und dem MEC-Server sicher. Die Einführung von 5G verspricht hier eine weitere Verbesserung der Latenz.

Im Rahmen der Studie hielten die Fachexperten den aktuellen Entwicklungsstand von Edge Computing im Hype-Cycle-Modell von Gartner fest und äußerten sich zudem über die notwendige Zeitdauer bis zum Erreichen des Produktivitätsplateaus. Die Ergebnisse wurden in Abb. 13.5 zusammengefasst.

Die Fachgruppe war sich einig, dass sich Edge Computing noch im Stadium „Innovation Trigger“ oder „Peak of inflated expectations“ befindet. Das Architekturkonzept ist zum heutigen Betrachtungszeitpunkt noch nicht ausgereift, was zu seltenen Anwendungsfällen und nur mäßig entwickelten Geschäftsmodellen führt. Vielmehr überwiegt in der Praxis die Forschung für den Einsatz von EC, operativ umgesetzt werden die erzielten Forschungsergebnisse in der Folge dann erst in kleineren „Proof of Concepts“. Ein weiterer entscheidender Faktor für die seltenen praktischen Anwendungsfälle von EC findet sich in der unmittelbaren Abhängigkeit zum IoT. Auch das Konzept von IoT hat den Reifegrad für den Markt noch nicht erreicht und ordnet sich ebenfalls in der Phase „Innovation Trigger“ ein. Weitere Abhängigkeiten sind auch zur künstlichen Intelligenz (KI) festzustellen. Künstliche Intelligenz kann zwar in Kombination mit Robotic Process Automation bereits repetitive Prozessvorgänge und einfache Entscheidungen übernehmen, die hohe Komplexität der Industrieprozesse erschwert jedoch die breitflächige Anwendung von KI in Kombination mit EC in der Fertigungsindustrie. Eine autonome Kommunikation zwischen Maschinen mithilfe von EC und IoT ist nach heutiger Einschätzung ein Zukunftsszenario, kann aber in der heutigen Ausgangslage und unter Berücksichtigung der technologischen Entwicklung noch nicht mit vernünftigem Aufwand umgesetzt werden.

Weiter haben die Forschungsergebnisse gezeigt, dass ICT-Anbieter mit der Zielgruppe „Industrie“ nicht das Konzept EC als Designansatz „verkaufen“. Vielmehr steht die Effizienzsteigerung durch Digitalisierung im Vordergrund der Marketingkampagne. In der Verkaufsstrategie ist dabei die technologische Komponente oft zweitrangig und technologie-agnostisch. ICT-Anbieter verkaufen diese Leistungen mehrheitlich unter der IT-Outsourcing-Strategie, wobei die Unternehmen einzelne Komponenten oder die IT vollständig an einen IT-Provider auslagern. Setzt der IT-Provider im Rahmen eines IT-Outsourcings das Konzept von EC ein, stellt er Connectivity- oder IT-Ressourcen den Fertigungsunternehmen zur Verfügung. Als weiteres Geschäftsmodell kann ein ICT-Anbieter das Deployment in Betracht ziehen. Dabei können „eintrainierte“ Algorithmen, beispielsweise aus der Azure Edge Cloud, direkt auf den Edge Devices eingespielt werden. Die Provider arbeiten intensiv an weiteren Forschungen im Rahmen des Deployments für EC und vermehrt werden Marketingaktivitäten von größeren IT-Providern darauf ausgerichtet.

Die Fertigungsindustrie kennt durch die Forschung und den bereits getätigten Piloten unterschiedliche Geschäftsmodelle, welche mithilfe von Edge Computing realisiert werden können. Ein naheliegendes Anwendungsszenario ist das Condition Monitoring (Fertigungsqualität, Sicherheit und Betriebskostenminimierung). Mithilfe der gemessenen Maschinendaten können Produktionsprozesse in Echtzeit abgebildet werden. Damit lassen sich Zustände, „Gesundheit“ und die Nutzungsintensität der Fertigungsmaschinen abbilden. Dabei gilt es zu beachten, dass durch die Anwendung von Condition Monitoring erhebliche Datenpools entstehen, welche am besten durch die Einspielung lokaler Algorithmen zur lokalen Filterung von irrelevanten Rohdaten minimiert werden. Durch den Einsatz von kognitiven Instrumenten und Image Recognition können die Unternehmen die Dimension der Datennutzung erweitern und zeitgleich einerseits Rückschlüsse zu fehlerhaften Fertigungen ziehen, anderseits auch den Ausschuss durch gezielte Maßnahmen minimieren.

Besonderes Potenzial erbringt Edge Computing im Zusammenhang mit proaktiven Wartungssystemen. Einem Stillstand des Anlageparks folgen oft hohe Ausschusskosten, welche es für jedes Fertigungsunternehmen zu vermeiden gilt. Besitzt ein Fertigungsunternehmen die Fähigkeit, mithilfe der Datenanalytik Muster zu erkennen, kann in einem 1. Schritt ein vorbeugendes Wartungssystem (Preventive Maintenance) realisiert werden. Dabei bildet Predictive Maintenance den weiteren, übergeordneten Schritt zur Erweiterung von Preventive Maintenance (Condition Monitoring als Basis.) Diese (grundlegenden) Fähigkeiten haben Unternehmen bereits erlangt und Preventive Maintenance wird in der Fertigungsindustrie bereits angewendet (Fertigungsqualität und Betriebskostenminimierung). Würde es den Unternehmen gelingen, in Echtzeit die gesammelten Sensordaten auf dem Edge Device auszuwerten, könnte im Störungsfall rechtzeitig im Fertigungsprozess interveniert und automatische Wartungsfenster ohne Folgeschäden durch unbrauchbaren Ausschuss durchgeführt werden. Ein weiterer ökonomischer Vorteil liegt in den niedrigen Wartungskosten. Denn ein in Echtzeit abgestimmter Wartungsplan hätte demnach für die Unternehmen eine deutliche Kostenreduktion zur Folge. Die Digitalisierung eines Fertigungsunternehmens mithilfe von EC ermöglicht nebstdem auch personalspezifische Möglichkeiten, um das Unternehmen effizienter zu organisieren (Agilität & Flexibilität, Fertigungsqualität und Betriebskostenminimierung). Einerseits können mithilfe von Augmented Reality und den dafür notwendigen HoloLens-Brillen repetitive Tätigkeiten wie die Sortierung und Qualitätskontrolle effizienter ausgestaltet werden. Anstelle von einer händischen Mehrfachkontrolle (Vier-Augen-Prinzip) kann ein/e einzige/r Mitarbeitende/r mit einer HoloLens eine vollständige Qualitätskontrolle vornehmen. Dies da die Kamera jeden Prozessschritt mitüberwacht und aufzeichnet. Zudem können bürokratische Aufwände umgangen sowie Lifecycle-Daten eines Erzeugnisses direkt in den relevanten Umsystemen wie SAP/ERP und MES erfasst werden. Anderseits besteht die Möglichkeit, Wartung und Störungsbehebungen von Fertigungsanlagen über Fernzugriffe von Maschineningenieuren zu ermöglichen. Dies um den Status, die Maschinenaktivitäten und die Vergangenheitsprotokolle einzusehen. Zeitintensive Vor-Ort-Interventionen werden so umgangen und zeitkritische Fehler aus der Ferne gelöst. Die Fernwartung kann zudem verstärkt mit Augmented Reality erfolgen. So werden dem Support Daten mittels HoloLens in Echtzeit zur Verfügung gestellt. Auch das Freelancing von freiberuflichen Servicetechnikern ist ein denkbares Supportszenario, um lokal ansässige Spezialisten anstelle von weitentfernten Fieldservice-Mitarbeitenden einzusetzen. Besonders Unternehmen mit internationalem Charakter können so die Kosten für OnSite-Intervention deutlicher minimieren.

In einem dynamischen Marktumfeld mit variablen Nachfragemengen und stets ändernden Bedürfnissen erscheint das Modell „Losgröße 1 – Sonderanfertigung“ als äußerst attraktiv (Agilität & Flexibilität und Modellierung). Edge Computing ermöglicht durch die Erfassung der Fertigungsprozesse eine exaktere Mengenproduktion. Dies lässt eine individuellere, nachfrageorientiertere Fertigung zu, womit die Marktreaktionsfähigkeit deutlich verbessert wird. Als weiterer Vorteil ist hervorzuheben, dass die Lagerkosten durch individuelle Fertigung anstelle von Serienfertigung gesenkt werden können (Betriebskostenminimierung).

Durch die digitale Abbildung des Fertigungsprozesses und der erfassten Produkterzeugnisse entstehen aber auch kommerzielle Chancen im Produktdesign. Durch die Integration von Embedded Edge Systems können gefertigte Einheiten mit datengetriebenen Zusatzleistungen erweitert werden (Agilität & Flexibilität, Fertigungsqualität und Modellierung). Dies führt durch die Erschaffung einer einzigartigen Kundenexperience auf dem Markt bestenfalls zu einem Marktalleinstellungsmerkmal (USP). Hervorzuheben sind in diesem Zusammenhang etablierte „Pay per usage“-Modelle, wobei die Relevanz von Edge Computing zur Realisierung einer solchen Kundenexperience nicht eindeutig eruiert werden kann.

Ein weiteres Szenario von Mietmodellen im Kontext der Industrie 4.0 und Edge Computing ist die Vermietung von Fertigungsanlagen auf Stundenbasis. Eine Abrechnung erfolgt dann nach effektivem Gebrauch. Die Anwendung eines solchen „As a Service“-Modells ist dann möglich, wenn die Nutzungszeiten mithilfe von Sensoren zuverlässig gemessen und rasch lokal ausgewertet werden können (Betriebskostenminimierung und Agilität & Flexibilität).

In Abb. 13.6 werden der potenzielle Nutzen und die daraus resultierenden Chancen zusammenfassend aufgezeigt.

Ein Proof of Concept ist eine agile Methode, mit der kleine Schritte realisiert und bestätigt werden. Dieses Vorgehen hat sich besonders auch für die Anwendung von Edge Computing bewährt. Dies, da das Konzept zum heutigen Betrachtungszeitpunkt mehrheitlich erst erforscht wird. Viele Unternehmen sammeln mithilfe von IoT Daten und analysieren die zugrundeliegenden Datenströme. Konkrete Anwendungsszenarien und Geschäftsmodelle liegen selten vor, sodass auch nur wenige Unternehmen ihre Ziele durch die Anwendung von EC in einer digitalen Strategie festgehalten haben. Der Consulting Approach, wie in Abb. 13.7 dargestellt, legt den fertigenden Unternehmen nahe, dass bei der Anwendung von neuen Technologien folgende Vorgehensweise schrittweise durchlaufen wird.

In Abb. 13.8 wird ein Pilotprojekt eines Schweizer Fertigungsunternehmens vorgestellt, welches mit einzelnen Proof of Concepts das Konzept von Mobile Edge Computing erfolgreich in die Praxis umgesetzt hat.

Für den vorliegenden Show Case existiert ein Anlagenpark mit unterschiedlichen Spritzgussmaschinen. Diese Spritzgussmaschinen sind mit rund 2000 Sensoren vernetzt. Die ausgelesenen Sensordaten einer Maschine werden über LAN an die speicherprogrammierbare Steuerung (SPS) übergeben. Diese zentrale Einheit sammelt die Daten aller Sensoren und steuert zudem die Aktoren in Form von Befehlen an. Aus den 8 wichtigsten Datenaggregaten der Sensoren wird ein Datenabzug durchgeführt und über ein drahtloses Radio Access Network (RAN) auf dem MEC-Server bereitgestellt. Auf dem MEC-Server werden die Metadaten im Anschluss aufbereitet, normiert und zwischengespeichert. Im Folgeschritt werden die normierten Daten in einer Hadoop Cloud gespeichert und sortiert. Zum Schluss werden die Daten ausgewertet, für die Übermittlung aufbereitet und in Umsysteme, wie das Manufacturing Execution System (MES) und SAP/ERP, weitergeleitet. Die Hadoop Cloud ist in diesem Show Case die zentrale Komponente, um Wartungsinterventionen (Preventive Maintenance) vorherzusagen und die Produktionsläufe auf Qualität zu prüfen. Ebenfalls bildet sie das Bindeglied zu den Umsystemen. So können die gewonnenen Datenaggregate die Logistikprozesse in SAP vervollständigt, anderseits wird die Fertigungsplanung im MES mit den aktuellen Fertigungsmengen und deren Qualität nachgeführt werden.

Tab. 13.3 soll eine Übersicht über die wichtigsten, praktischen Herausforderungen hinsichtlich der Anwendung von EC in der Fertigungsindustrie aufzeigen. Die Herausforderungen werden themenbezogen und nach ihrer Relevanz absteigend gegliedert.

Wie grundsätzlich bei jeder technischen Implementierung besteht immer ein Risiko, dass die Anwendung nicht auf Anhieb funktioniert. Desto wichtiger ist es, dass die Implementierung von EC mithilfe von Proof of Concepts und mit der erforderlichen Agilität erfolgt, um das Risiko und die damit verbundenen Investitionen durch die Realisierung kleiner Teilschritte zu minimieren. Neue Designansätze wie EC müssen zudem auf den eigenen Betrieb projiziert werden können, damit die richtigen Schlussfolgerungen gezogen werden. Dieser Zusammenhang und die Komplexität werden aus der Erfahrung oftmals unterschätzt. Ebenso ist hervorzuheben, dass Fertigungsunternehmen die Vielschichtigkeit von IT-Konzepten wie EC an sich in vielen Fällen unterschätzen. Dabei erscheinen die Vernetzung und die damit verbundene Datenaggregation oftmals als unkompliziert, jedoch verbirgt sich hierbei das Risiko der Verzettelung bei der Datenanalyse, da keine geeignete Methodik zur Komplexitätsreduktion vorliegt. Ein Folgerisiko ist dabei oftmals die Überschreitung des bereitgestellten Projektbudgets, da indirekte, interne Aufwände oftmals nicht umfänglich genug betrachtet werden. Als weiterer Risikofaktor kann das Partnermanagement identifiziert werden. So ist die Wahl der richtigen Softwarekomponenten von zentraler Bedeutung, denn Software beinhaltet oftmals Risiken in Form von Bugs, Sicherheitslücken. Dies kann als Folge „Downtimes“ nach sich ziehen. Weiterhin können Sicherheitsanforderungen (beispielsweise durch Industriespionage) und Produktionskapazitäten gefährdet werden.

Ebenso sind die juristischen Risiken hinsichtlich der Datenhoheit und eines möglichen Datenverlusts, als vertragliche Haftungsbestimmungen im Rahmen des Partnermanagements zu definieren. Denn durch die Vernetzung des Anlagenparks verbinden sich unterschiedliche Partner bzw. Unternehmen im Fertigungsprozess, wodurch bei Ausfällen und Datenverlusten zwingend vertragliche Haftungsbestimmungen zwischen den Parteien benötigt werden. Gleiches gilt ebenfalls für Umsysteme zu anderen Dritten, auch hier sind notwendige Sicherheitskonzepte zu konzipieren und Haftungsbestimmungen zu vereinbaren.

Zuletzt kann erwähnt werden, dass die Fertigungsunternehmen im Werben um IT-Fachkräfte auf dem Arbeitsmarkt in direkter Konkurrenz zu IT-Unternehmen stehen. Hierbei besteht ein erhöhtes Risiko, dass die Fertigungsunternehmen das Wissen nicht akquirieren können und von anderen Branchen „ausgebremst“ werden.