ElasticSearch Industrial Internet of Things (IIoT) mit dem Elastic Stack

NewsBot

Neues Mitglied
Beiträge
1.160
Mit dem Industrial Internet of Things (IIoT) können produzierende Unternehmen Daten aus Tausenden von Sensoren und Geräten verarbeiten.

Die Verknüpfung dieser Daten ist wichtig, um Fertigungsprozesse zu überwachen und passende Maßnahmen zur weiteren Analyse abzuleiten. Eine der wichtigsten Herausforderungen ist die Erfassung und Normalisierung der Daten für prädiktive Analysen oder für die Sicherheit im Fertigungsbereich.

Selbst kleinere Fertigungsunternehmen betreiben oft mehrere Fabriken mit Hunderten von Geräten und Tausenden von Sensoren. Neue Daten werden im Abstand von Millisekunden produziert und bewegen sich oft im Terabyte-Bereich. Diese Daten werden jedoch nirgendwo gespeichert und analysiert, und liefern daher keine zusätzlichen Werte.

Mit Elastic können Sie IIoT-Daten erfassen, erweitern und analysieren, um Produktionsleitern tiefere Einblicke in die Produktionsverfahren zu bieten.
– Marco De Luca, Principal Solution Architect @ Elastic
Die Möglichkeit, diese Daten im großen Umfang sammeln zu können, ist ein Herausstellungsmerkmal. Anschließend können Sie Ihre Fertigungsprozesse optimieren, um Ihre Effizienz und die Qualität Ihrer Produkte zu steigern.

Neben den oben genannten Schwierigkeiten kämpfen die meisten Fertigungsunternehmen mit mindestens einer der folgenden Herausforderungen:

  • Fertigungsunternehmen sind innovativ, verwenden jedoch immer noch zahlreiche alte Geräte, die noch für etliche Jahre im Unternehmen bleiben werden. Ein typischer Lebenszyklus beträgt 10-20 Jahre oder mehr! Wie können Sie diese veralteten Geräte in moderne Analyseplattformen integrieren?
  • Sensoren, selbstfahrende Fahrzeuge und andere Geräte müssen überwacht werden. Nur eine komplette Ansicht dient als Fundament für prädiktive Wartung, prädiktiven Betrieb usw. Die verschiedenen Geräte nutzen unterschiedliche Technologien und sind auf unterschiedliche Arten mit dem Internet verbunden.
  • Viele der proprietären Lösungen kommunizieren nicht miteinander. Wie erhalten Sie Daten aus diesen Systemen, um sie mit anderen Gerätedaten zu korrelieren?
  • Manche Fertigungsunternehmen denken bereits über den Aufbau einer Plattform für Gerätedaten nach, um sowohl neue als auch alte Systeme vollständig überwachen zu können. Wie lassen sich diese Daten nutzen, egal ob zu Wartungs- und Betriebszwecken oder für den Aufbau zusätzlicher/neuer Geschäftsfälle und/oder Dienste?

Unternehmen, die sich auf die Erfassung und Analyse ihrer Gerätedaten konzentrieren, haben zahlreiche Vorteile. Sie können nicht nur ihre Fertigungsprozesse optimieren und die Qualität der Produkte verbessern. Mit der Erfassung und Analyse dieser Daten bieten sich völlig neue Möglichkeiten.

Mit einer gut geplanten Überwachungslösung und prädiktiver Wartung können Sie Ihre Kosten dramatisch senken. Sensordaten verraten viel über den Zustand von Geräten oder die Qualität des hergestellten Produkts. Außerdem lässt sich damit der Verbrauch von Ressourcen reduzieren. MM Karton hat dieses Potenzial unter Beweis gestellt, indem das Unternehmen seinen Rohmaterialverbrauch um 20 % gesenkt hat.

Errichten Sie das Fundament Ihrer IIoT-Datenanalyse


Um diese heterogene Datenmenge nutzen zu können, müssen Sie sie in einer separaten Umgebung speichern, deren Skala sich an Ihre Anforderungen anpassen lässt. Elasticsearch eignet sich perfekt für diesen Anwendungsfall. Mit uns können Sie nicht nur viele Arten von Daten in großem Umfang speichern, sondern auch mit Machine-Learning-Funktionen analysieren und auf beliebige Art visualisieren.

Stellen Sie sich vor, wie Sie die Effizienz Ihrer Fertigungswerke mit einer zentralen Überwachungslösung verbessern könnten, sobald Sie sämtliche relevanten Daten aus den einzelnen Fabriken erfassen können. Mit Canvas können Sie alle Arten von benötigten Daten in Elasticsearch speichern und Daten aus verschiedenen Fertigungswerken auf einem Bildschirm so mühelos darstellen, als würden Sie eine Folie für eine Präsentation mit Live-Daten erstellen.

Hier sehen Sie einige Beispiele:

Mit Canvas erstellte Überwachungs-Dashboards


Überwachung mehrerer Fertigungswerke von einer sehr groben Übersicht bis hin zu Details für einzelne Geräte

Diese grobe Übersicht über mehrere verschiedene Fertigungswerke ist praktisch, aber Sie möchten auch erfahren, wie effizient die unterschiedlichen Geräte in den einzelnen Werken arbeiten. Außerdem möchten Sie die verschiedenen Datenmodelle der einzelnen Anbieter miteinander kombinieren und korrelieren.

Typische IIoT-Anwendungsfälle mit dem Elastic Stack


Die folgenden Anwendungsfälle zeigen, wie Sie den Elastic Stack für die Analyse und Überwachung von IIoT-Daten nutzen können. Es gibt noch viele weitere Beispiele, wie etwa automatische Reaktionen auf Probleme durch Remote-Interaktion mit Ihren Geräten.

Prädiktive Analyse führt zu prädiktiver Wartung


Mit den Sensordaten können Sie die Integrität von IoT-Geräten sehr effektiv analysieren. Sensordaten wie etwa Luft- oder Öldruck, Temperatur, Stromstärke, Geschwindigkeit, Lautstärke, Frequenz oder Licht-/Helligkeitsänderungen können als Frühwarnmechanismus für Defekte genutzt werden. Wenn Sie wissen, dass etwas demnächst ausfallen wird und entsprechende Maßnahmen ergreifen, können Sie Kosten sparen.

Außerdem kann die Produktionsleitung anhand der Schwellenwerte von Sensordaten oder Datenbereichen individuelle Wartungspläne auf Basis von tatsächlichen Daten erstellen, anstelle von starren Wartungszyklen, bei denen Komponenten nach ihrer durchschnittlichen Lebensdauer ersetzt werden. Nutzen Sie diese Ergebnisse in einem dedizierten und bedeutungsvollen Wartungsplan, um Kosten zu sparen und Produktionsausfälle zu minimieren.

Dazu benötigen Sie jedoch umfassende Kenntnisse über die Umstände, die zu Ausfällen führen. Menschen fällt es schwer, Hunderte von Sensoren gleichzeitig in Echtzeit zu beobachten und mit Verlaufsdaten zu vergleichen. Machine Learning eignet sich dagegen perfekt für diese Aufgabe. Es kann unglaublich hilfreich sein, Anomalien in einzelnen Sensoren zu finden oder die Daten sämtlicher Sensoren zu einer Integritätskennzahl zu korrelieren.

Reduzierte Ablehnungs- oder Ausschussrate


Die Ablehnungs-/Ausschussrate ist eine weitere wichtige Kennzahl. Es ist wichtig, die Ablehnungsrate zu reduzieren, indem Sie herausfinden, welcher Teil der Fertigung zu Ablehnungen führt. Mit der Machine-Learning-basierten Ausreißererkennung des Elastic Stack können Sie Produkte finden, die von den erwarteten Ergebnissen abweichen. Nutzen Sie diese Erkennung zusammen mit den Sensordaten, um Probleme schnell und einfach zu finden.

Ein gut gestalteter Machine-Learning-Auftrag im Fertigungsbereich führt letztendlich dazu, dass sich die Maschinen ohne menschliche Interaktion selbst optimieren können.

Erkundung der mit Machine Learning produzierten Analysen


Die Machine-Learning-basierte Ausreißererkennung kann Produktqualitätsmetriken erkennen, die sich einer logischen Erklärung entziehen


Sicherheit im Fertigungsbereich


Die Sicherheit von IT-verwandten Systemen ist heutzutage eine allseits bekannte Herausforderung. Die Sicherheit in einem Fertigungsbereich ist oft noch viel schwieriger zu implementieren. Das aktuelle Konzept beruht darauf, dass Einbrüche vermieden werden, indem gesamte Produktionseinrichtungen vom Internet getrennt werden.

Dies wird jedoch mit der Zeit immer schwieriger. Der wachsende Einfluss der „klassischen IT“ (ERP wie etwa SAP PP oder PLM) auf SPS-Systene wie etwa Siemens SIMATIC wird letztendlich zu direkter Kommunikation führen, mit allen Vor- und Nachteilen. Die Nachfrage wird vom Unternehmen selbst generiert - MoD (Manufacturing on Demand) wird bereits in Form von 3D-Druck und Laserschnitt praktiziert. Stellen Sie sich beispielsweise vollautomatische Fertigungsprozesse vor, die durch benutzerdefinierte Bestellungen aus beliebigen Webshops ausgelöst werden. Die Gefahr fliegender Funken zwischen der vernetzten IT und dem Fertigungsbereich ist dabei ein neues, überschaubares Risiko. Bei der Umstellung zur Industrie 4.0 ist die Sicherheit im Fertigungsbereich daher ein sehr wichtiges Thema. Mit Elastic SIEM (Security Information and Event Management) und der Möglichkeit, alle relevanten Daten zu erfassen, können Sie Ihre Smart-Fabrik auch auf Sicherheitsereignisse überwachen.

Erfassung und Analyse verschiedener IIoT-Datenquellen mit dem Elastic Stack


Die benötigten Analysefunktionen wurden bereits vor langer Zeit im Elastic Stack implementiert. Das größte Problem bestand darin, die Daten aus den verschiedenen Datenquellen im Stack zu sammeln.

Die Daten aus den verschiedenen Quellen in einem Fertigungswerk lassen sich nicht auf eine einzige Art und Weise erfassen. Stattdessen müssen Sie verschiedene Datenquellen miteinander verbinden. Elastic ist eine offene Echtzeit-Datenplattform, und das entsprechende Ökosystem kann mühelos verwendet werden, um beliebige Arten von Datenquellen zu integrieren.

In Fertigungswerken gibt es zahllose verschiedene Systeme, die überwacht werden müssen, von sehr alten Systemen (möglicherweise mit Kontrollsoftware unter Windows 95 oder älter) bis hin zu neuesten Technologien mit Linux und OPC-UA. Wir befassen uns hauptsächlich mit den folgenden Arten von Systemen:

  • Produktionssteuerungssoftware wie IBM MQ, die den Fertigungsprozess innerhalb eines Werks und zwischen verschiedenen Werken steuert.
  • PLC-Steuerungen sind eine spezielle Art von Computergerät, die speziell für den Einsatz in industriellen Steuersystemen entwickelt wurde. Dieser „Industrie-PC“ kontrolliert Sensoren und Auslöser, beispielsweise in Form von Maschinen zur Fertigung von Papierprodukten in der Papierherstellungsbranche, oder auch Lifts und Aufzüge. PLC-Steuerungen können für verschiedenste Anwendungsfälle eingesetzt werden.
  • Industrieroboter, zum Beispiel von KUKA (deutsch-chinesischer Hersteller). KUKA-Roboter werden mit einem OPC-UA-Server ausgeliefert, der nicht nur den KUKA-Roboter steuert, sondern gleichzeitig auch mit anderen Robotern und Systemen im Fertigungsbereich interagieren kann. OPC-UA kann Systeme auch über das Internet miteinander verbinden und ist daher zwangsläufig Sicherheitsrisiken ausgesetzt. Daher spielt Sicherheit eine entscheidende Rolle in der OPC-UA-Spezifikation, aber die Überwachung mit Plattformen wie Elastic ist ebenfalls wichtig.
  • Sensors und andere autonome Fahrzeuge oder Geräte werden hauptsächlich eingesetzt, um Temperatur, Feuchtigkeit, Geschwindigkeit, Beschleunigung, Position, Vibration oder andere Metriken zu messen und mit den Daten aus dem Fertigungsprozess zu korrelieren. Temperatur- und Feuchtigkeitsschwankungen können sich beispielsweise auf den Betrieb eines Roboters auswirken und stärkere Vibrationen verursachen, was wiederum dazu führt, dass der Roboter ausfällt oder Ausschuss produziert. Daher sind Sensoren und Roboterdaten wichtig für den Kundenbetrieb.
Datensammlung aus PLCs, MQTT-Brokern und OPC-UA-Servern


Um all diese Daten praktisch in Echtzeit zu sammeln, können wir Machinebeat verwenden, einen Community-Beat, mit dem Sie Daten aus MQTT-Brokern und OPC-UA-Geräten sammeln können. Mit dem enthaltenen MQTT-Modul können Sie außerdem Daten aus verschiedenen IoT-Clouddienstanbietern wie etwa AWS IoT Core oder Azure IoT Hub sammeln.

Für die Sammlung von Daten aus PLC-Geräten existiert eine Integration mit dem Apache Project PLC4X in Form eines Logstash-Plugins, mit dem die Kunden Metriken aus allen PLCs mit PLC4X-Unterstützung sammeln können. Weitere ausführliche Informationen zu PLC4X in Kombination mit Elasticsearch finden Sie in diesem Blogeintrag von unserem Partner Codecentric.

iiot-data-collection-overview-blog.png
Lösungsübersicht für Sammlung, Anreicherung und Analyse all Ihrer Daten


Visualisieren Sie Ihre Daten mit Kibana


Mit all diesen Daten stehen Sie vor einer neuen Herausforderung. Die Speicherung der Daten ist nur hilfreich, wenn Sie einen Werte daraus schöpfen können. Für diese Werte benötigen Sie bessere Einblicke in die Vorgänge. Dabei wiederum helfen Visualisierungen. Das folgende Beispiel zeigt den Nachrichtenaustausch zwischen mehreren Warteschlangen in einer mit IBM MQ gesteuerten Fertigungsumgebung. In älteren Überwachungssystemen benötigen Sie spezielle Kenntnisse über die Dinge, die Sie überwachen. Mit Canvas können Sie dieses spezifische Wissen abstrahieren und problemlos ein farbkodiertes Feedback zur aktuellen Lage liefern.

Überwachung und Visualisierung von IBM MQ-Metriken in Echtzeit


Echtzeitüberwachung von IBM MQ-Metriken inklusive bedingter Farbwechsel mit einem benutzerdefinierten Regelsatz


Probieren Sie es selbst aus

  1. Starten Sie eine 14-tägige kostenlose Testversion des Elasticsearch Service, mit dem Sie das Fundament für Ihre IoT-Überwachungslösung erhalten.
  2. Öffnen Sie Github und laden Sie die Linux- oder Windows-Version von Machinebeat herunter.
  3. Folgen Sie den Schritten im Abschnitt Konfigurationen in der Readme-Datei, um sich entweder mit einem kostenlosen OPC-UA-Server zu verbinden oder geben Sie die Anmeldeinformationen für unseren eigenen OPC-UA-Server ein. Alternativ können Sie mit den beschriebenen Schritten auch einen MQTT-Broker konfigurieren und Daten aus verschiedenen Sensoren über diesen Broker sammeln.
  4. Sobald die Daten fließen, können Sie Ihre eigenen Dashboards erstellen, um Ihre Daten zu visualisieren und zu analysieren. Canvas ist eine weitere großartige Alternative für die Visualisierung Ihrer Daten, mit der Sie Echtzeitdaten in Präsentationsfolien einbinden können. Weitere Informationen finden Sie im Blogeintrag Erste Schritte mit Canvas.

Schicken Sie uns Ihre Meinung! Schreiben Sie uns in unseren Diskussionsforen, oder stellen Sie einen Pull Request auf GitHub.

Lese weiter....
 
Oben