Datenanalyse Einheitliche Datenstruktur: Ohne nahtlose Zusammenarbeit kein IoT

Anbieter zum Thema

Camozzi Automation GmbH

MPDV Mikrolab GmbH

Schneider Electric GmbH

tresmo GmbH

Die Kommunikation zwischen smarten Geräten und Software-Anwendungen bringt in IoT-Projekten häufig große Herausforderungen mit sich. Denn die Datenstrukturen unterschiedlicher Geräte sind oftmals nicht einheitlich. Was Hersteller und Unternehmen tun können.

Das Internet der Dinge verspricht große Chancen für viele Unternehmen. Die eigenen Produkte und Dienstleistungen “smart” zu gestalten, kann dabei helfen, neue Kundensegmente zu erschließen und disruptive Geschäftsmodelle zu etablieren. Vernetzte Geschäftsprozesse erlauben eine flexible und effiziente Wertschöpfung. Viele Unternehmen haben bereits erste IoT-Anwendungsfälle im produktiven Einsatz.

Und doch ist die Umsetzung von IoT-Lösungen eine große Herausforderung. In der Praxis treffen Verantwortliche im Rahmen der Umsetzung nicht selten auf Hindernisse bei der Anbindung und Vernetzung von Geräten. Verschiedene Gerätetypen senden unterschiedliche Datenstrukturen, was die effiziente Vernetzung verhindert. Mit dem steigenden Bedarf an smarten Lösungen stehen Unternehmen so vor der zusätzlichen Herausforderung, sämtliche Daten in eine verwertbare Struktur zu übersetzen, um diese Daten produktiv nutzen zu können.

Digitalisierung der Lieferkette

Smartes Beschaffungswesen: Stabilität trotz angeschlagener Weltwirtschaft?

Insellösungen kommen schnell an ihre Grenzen

Zeit- und Kostendruck sowie fehlendes Know-how in Unternehmen führte bisweilen dazu, dass mitunter wenig durchdachte und kaum weitsichtige Lösungen entwickelt wurden. Eine App für einen einzelnen Anwendungsfall ist verhältnismäßig schnell entwickelt und gilt fälschlicherweise oft als die einfachste Lösung. Doch dieser Ansatz führt zu einer zunehmenden Fragmentierung der vernetzten Welt. Oft können die Daten, welche ein smartes Gerät sendet, nur von der zugehörigen App interpretiert werden. Möchte man nachträglich die Daten verschiedener Geräte zusammenführen, müssen die gesendeten Daten interpretiert und vereinheitlicht werden.

Ein Beispiel: Ein Unternehmen setzt in der Produktion verschiedene Flüssigkeiten ein. Die entsprechenden Behälter erkennen über die verbaute Sensorik die Füllstände und senden diese an ein Produktionsplanungssystem. Allerdings erheben die Sensoren unterschiedliche Einheiten: Eine Füllmenge wird in Litern, die andere in Millilitern gemeldet. Der Hersteller eines dritten Behälters wiederum sendet die relative Füllmenge in Prozent. Entsprechend ist ein Vergleich unnötig kompliziert.

Ein Lösungsansatz kann die Einführung einer Dateninterpretationslogik im entsprechenden Produktionsplanungssystem sein. Die Logik bringt alle erhobenen Daten in eine einheitliche Form – formt also in unserem Beispiel die Füllmenge in Milliliter um und berechnet aus der prozentualen Angabe die absolute Menge – und ermöglicht so die Nutzung der Daten innerhalb der Anwendung. Jedoch muss diese Logik in jeder Anwendung redundant vorgehalten werden, die ebenfalls die Daten der vernetzten Geräte empfängt und verarbeitet. Der Aufwand wird schnell unbeherrschbar, wenn die Datenstrukturen komplexer und die Anzahl der Geräte größer wird. Ändert sich die Datenstruktur eines einzelnen Gerätes, müssen alle Instanzen einer Anwendung aktualisiert werden. In der Theorie ist das zwar umsetzbar, erweist sich in der Praxis aber meist als zu unflexibel und teuer. Flächendeckende Updates sind aufwendig, komplex und mitunter sehr fehleranfällig

Einheitliche Datenstruktur durch Firmware Updates

Besser wäre es demnach, wenn zumindest alle Geräte eines Herstellers eine einheitliche Datenstruktur aufweisen würden. Um diese gemeinsame Datenstruktur zu erreichen, müsste in vielen Fällen die Firmware – also die eingebettete Software auf elektronischen Geräten – auf den Geräten aktualisiert werden. Jedoch lassen sich heute nur wenige Firmwares per OTA-Updates (over the air) einfach online aktualisieren.

Die meisten Geräte müssten für flächendeckende Updates eingesammelt werden oder Mitarbeiter aktualisieren die Firmware vor Ort, um sie auf den neuesten Stand zu bringen. Entsprechend können solche Prozesse viel Zeit in Anspruch nehmen. Bei Herstellern mit einigen hundert Geräten scheint dieses Vorgehen noch möglich zu sein. Bei großen Stückzahlen und hoher Verbreitung (im Zweifel weltweit), wird das Vorhaben unmöglich. Aus Unternehmensperspektive ist das äußerst unwirtschaftlich und in der Praxis entsprechend schlecht umsetzbar.

Machine Learning

Big Data und KI sorgen für eine effizientere Fertigung

Die Middleware als Dolmetscher

Flexible Lösungskonzepte setzen deshalb darauf, die Datenstandardisierung getrennt von Geräten und Anwendungssoftware zu gestalten. Die Daten werden in einen „Zwischenlayer” ohne Transformation übernommen, wie sie von der Quelle gesendet werden. Im nächsten Schritt werden die Daten hier einheitlich umstrukturiert.

Dieser Ansatz beinhaltet den Vorteil, dass Anpassungen nur in der zwischengelagerten Schicht, der sogenannten Middleware, notwendig sind. Je nach Architektur der IoT-Lösung müssen für diese Lösung teilweise große Datenmengen übertragen werden. Deshalb kann man zusätzlich oder alternativ auch eine Standardisierung und Aggregation der Daten auf Edge-Devices in Betracht ziehen. Bei diesen handelt es sich um Geräte zur Datenübertragung zwischen dem lokalen Netzwerk und der Cloud. Dieser Ansatz ergibt Sinn, wenn beispielsweise nicht alle Daten in die Cloud übertragen werden sollen. Die benötigte Rechenleistung und Speicherkapazität sowie das belegte Datenvolumen zur Übermittlung werden gesenkt, sodass die laufenden Kosten langfristig geringer ausfallen.

Zukunftsfähige IoT-Lösungen basieren auf klugen Datenmodellen

Ein wesentlicher Erfolgsfaktor bei der Umsetzung eines IoT-Projekts ist die Datenstandardisierung. Die Verantwortlichen müssen hinterfragen, ob die angestrebte Implementierung eine Insellösung darstellen oder eine zukunftsfähige und skalierbare IoT-Lösung entstehen soll. Je nach strategischer Bedeutung des Projektes ist die Implementierung eines weitsichtigen Datenmodells unerlässlich. Die Struktur des Datenmodells sollte anpassungsfähig und so flexibel sein, dass zukünftige Produkte und Services reibungslos mit der Lösung interagieren können. Die Strukturierung der Datenmodelle sollte deshalb sorgfältig und idealerweise mit der Hilfe von erfahrenen Spezialisten umgesetzt werden.

Begrenzte Industriestandards

Der Königsweg ist die Einführung und unternehmensübergreifende Nutzung von Datenstandards. In vielen Branchen gibt es bereits solche Ansätze, wie zum Beispiel der Datenstandardisierungsansatz EEBUS in den Bereichen Energieversorgung und Smart Home.

Solche Ansätze können eine einheitlich genutzte Datenstruktur schaffen und aufwendige Dateninterpretation obsolet machen. Standardisierung ist jedoch ein aufwendiger Prozess. Die erforderlichen Abstimmungen zwischen verschiedenen Interessengruppen stellt – vor allem auf internationaler Ebene – einen langwierigen und politischen Prozess dar. Unternehmensübergreifend sollte deshalb ein Koopetitionsgedanke entstehen, um gemeinsam den Weg hin zu einer digitalen Zukunft und einem nahtlosen Internet of Things zu gewährleisten.

Die Datenstandardisierung ist jedoch nur ein Baustein in Bezug auf die Transformation vernetzter Wertschöpfung und smarter Produkte sowie Services. Meistens werden die Erweiterungen und Anpassungen einzelner Hersteller hochgradig individuell sein. Unternehmen sollten aus diesem Grund zukunftsfähige und flexible Datenmodelle entwickeln, die sich an definierten Standards orientieren und so eine reibungslose IoT-Kommunikation ermöglichen.

Digitale Transformation

Von der kleinen Idee zur smart Factory

Dieser Beitrag ist ursprünglich auf unserem Partnerportal Industry of Things erschienen.

* Dr. Sebastian Heger arbeitet als Solution Specialist bei Tresmo.

(ID:47378037)