Rund 120 Millionen Fitnesstracker wurden im vergangenen Jahr verkauft. Das Geschäft mit der Selbstoptimierung läuft also. Und das aus gutem Grund. Denn das jederzeit verfügbare Wissen, wo man ist, wie man agiert, wie die Vitaldaten sich verändern, wo Überbeanspruchungen vorliegen und wann grundlegende Veränderungen nötig sind, hilft nachweislich bei einer gesünderen – manche sagen auch: effizienteren Lebensweise.

Was bei Menschen (mehr oder weniger) Sinn ergibt, ist aber vor allem bei Geräten und Maschinen empfehlenswert. Vom Aufenthaltsort über Auslastung bis zu Verschleiß und Wartung: Daten für sämtliche Zustände zu besitzen ist bei produzierenden und logistischen-Unternehmen grundlegend, um eine Optimierung der Prozesse und eine Integration des Maschinenpools in Weiterentwicklungsstrategien zu realisieren. »Der erste Schritt eines Unternehmens bei der digitalen Transformation hin zu Industrie 4.0 besteht darin, zu erfassen, was tatsächlich geschieht«, betont Hendrik Haße vom Fraunhofer-Institut für Software- und Systemtechnik ISST. Das ist allerdings nur in der Theorie naheliegend und einfach. In der Praxis müssen dafür zahlreiche Hürden überwunden werden. Denn eine Maschine zu tracken verlangt deutlich mehr als nur ein paar Vitalwerte und den Weg eines Joggers oder einer Joggerin zu analysieren. Die Daten, die erhoben werden sollen, müssen zunächst über etliche Sensoren generiert, übermittelt, analysiert und in einen Gesamtzusammenhang mit anderen Gerätschaften und den Prozessen an sich gebracht werden. Und das alles möglichst in Echtzeit. Denn Anpassungen sollten in der Regel während des Prozesses vorgenommen werden, um den Ablauf kontinuierlich zu optimieren.

Ein Blick auf den Fitness-Tracker mag also reichen, um zu konstatieren, wie die Tagesleistung war. In der Industrie 4.0 aber ist das bei weitem nicht genug. Hendrik Haße und sein Team wollen deshalb eine Lösung zur Erfassung und Analyse von Logistikobjekten entwickeln. Das Projekt dafür heißt »Realtime IoT Analytics«, kurz RIOTANA.

Echtzeit-Ermittlung von Kennzahlen in Produktion und Logistik

»Unser Ansatz berücksichtigt mehrere Ebenen«, sagt Haße. Wesentlich ist so z.B. eine umgreifende Infrastruktur. Diese umfasst kostengünstige, mobile Sensoren, die beispielsweise für das Auslesen von Temperatur, Luftfeuchtigkeit oder Beschleunigung zuständig sind und die die von ihnen erfassten Daten zur Weiterverarbeitung an ein Backend senden. Das RIOTANA Backend wiederrum besteht aus einer skalierbaren Daten-Pipeline zur Aufnahme und Analyse von Sensordatenströmen. Und mit dem RIOTANA-Editor lassen sich Zuordnungen der Sensoren zu Orten oder physischen Objekten sowie die zu erfassenden Sensorinformationen festlegen. Durch dieses Gesamtpaket wird es möglich, das Verhalten von mechanischen Objekten nicht nur in Echtzeit zu analysieren.

»Assets, also Geräte oder Maschinen, lassen sich durch die Fülle an Informationen, die RIOTANA verarbeiten kann, zudem in einer Tiefe beschreiben, die bislang noch nicht möglich gewesen ist«, sagt Haße. Außerdem basiere die gesamte Architektur von RIOTANA auf Open Source Software – »von der Datengenerierung zur Datenverarbeitung bis zur Datenvisualisierung«. Das wiederrum stütze einen weiteren entscheidenden Vorteil von RIOTANA: die Schnittstellen. »Für uns ist die Datenquelle vollkommen egal. RIOTANA lässt sich in verschiedenste Prozesse problemlos integrieren. Das System kann also sowohl an ein Manufacturing Execution System angebunden werden als auch an eine PPS – oder direkt an das Sensorensystem«, betont Haße.

Einsatz der Lambda-Architektur

Zur Datenerfassung und -analyse nutzt RIOTANA eine Lambda-Architektur, bei der unterschiedliche Technologien zur Verarbeitung der anfallenden Datenmengen zum Einsatz kommen. »Die Daten können von verschiedenen Layern verarbeitet werden. Der Speed Layer beispielsweise ist für die Echtzeitdatenverarbeitung zuständig, während der Batch Layer die Daten, die nicht zeitkritisch sind, zunächst nur sammelt«, erklärt Haße. Denn Informationen zur Auslastung einer Maschine sind weniger zeitkritisch als Daten zur aktuellen Geschwindigkeit. Auch durch dieses Kategorisieren sei es leichter, sich auf Live-Events zu konzentrieren, wenn ein Roboter beispielsweise eine Kollision verursacht. »Wir arbeiten bei RIOTANA mit speziellen Machine Learning Algorithmen, die entsprechende Daten, unter anderem der Beschleunigungssensoren, interpretieren können«, erklärt Haße.

Wie ist die Auslastung der Maschine? RIOTANA gibt Auskunft über alle relevanten Daten und analysiert, wo ein sofortiges Eingreifen notwendig ist. Bild: Fraunhofer ISST

Einsatz eines Prototypen

Um den Fortschritt in dem im vergangenen Jahr gestarteten Projekt möglichst anschaulich zu machen und die Entwicklung nahe an der Praxis zu halten, konzentrieren sich die Forscherinnen und Forscher am Fraunhofer ISST zunächst auf das Erfassen des Zustands und der Tätigkeiten eines Gabelstaplers. Dafür hat das Team um Haße ein Staplerleitsystem entwickelt, mit dem der Stapler jederzeit exakt analysiert werden kann. »Damit haben wir einen ersten Use Case, an dem wir RIOTANA testen können, um dann Schritt für Schritt weitere Assets prototypisch zu erfassen«, sagt Haße. Auch wenn das noch einige Monate dauern werde – ein erster wichtiger Weg zur Optimierung von Abläufen (Overall Equipment Effectiveness OEE) sei damit bereits zurückgelegt.
Integriert in RIOTANA werden dann wohl auch weitere IDS-Konnektoren. »Die Daten, die von unserem Gabelstapler erzeugt werden, sind bereits durch einen IDS-Konnektor geschützt, so dass nur autorisiertes Personal auf die Informationen zugreifen kann«, erklärt Haße. Dies werde durch IDS auch bei weiteren Assets zum Standard werden. Der Konnektor geht zurück auf die unter Federführung der Fraunhofer-Gesellschaft etablierten Initiative International Data Spaces (IDS). Sie erlaubt der Industrie, offene Datenmarktplätze zu nutzen, auf denen Daten zwischen vertrauenswürdigen Partnern sicher ausgetauscht werden.

(aku)