Predictive-Quality-Anwendungen ermöglichen es Industrieunternehmen nicht nur, die Qualität ihrer Produkte und Prozesse kontinuierlich zu optimieren. Sie können damit auch Qualitätsprobleme erkennen, die sich kurzfristig anbahnen. Etwa weil sich der Elektromotor einer Maschine plötzlich ungewöhnlich verhält oder ein Ventil ihrer Anlage zu verstopfen droht.

Durch sofortiges Eingreifen – beispielsweise das Verändern von Prozessparametern oder Maschineneinstellungen – lassen sich oft große Schäden verhindern. Die Voraussetzung dafür ist allerdings, dass die eingesetzten Machine-Learning-Verfahren derartige Probleme so schnell wie möglich prognostizieren.

Bei besonders zeitkritischen Anwendungsfällen kann es laut LeanBI deshalb von Nachteil sein, die analytischen Berechnungen der Algorithmen auf einer Cloud-Plattform auszuführen.

Dafür gibt es vor allem zwei Gründe:

  • Unternehmen müssen die Sensormessdaten und Prozessparameter für die Berechnungen erst an die Cloud-Plattform senden, sie schickt die Ergebnisse der Berechnungen dann anschließend wieder zurück. Dadurch entstehen Zeitverzögerungen, die im Extremfall zu groß sein können, um noch rechtzeitig einzugreifen;

  • der Datenaustausch mit der Cloud-Plattform erfordert eine stabile Internetverbindung. Diese können Unternehmen nur schwer selbst gewährleisten. Das gilt insbesondere für Fertigungshallen, die sich an entlegenen Orten befinden. Die Unternehmen sind permanent dem Risiko eines Verbindungsausfalls ausgesetzt.

Diese Probleme können Unternehmen vermeiden, wenn sie die analytischen Berechnungen an der Edge ausführen – also direkt bei den Maschinen und Anlagen selbst. Die technischen Möglichkeiten dafür sind zunehmend vorhanden. Es gibt immer mehr Sensoren mit eigenen Recheneinheiten und Industriecomputer sind heute mit hochleistungsfähigen Prozessorkarten ausgestattet.

Trotzdem steht an der Edge nicht dieselbe Rechenleistung zur Verfügung wie in der Cloud. Es gibt aber laut LeanBI mehrere Möglichkeiten, die Machine-Learning-Modelle so zu optimieren, dass sie weniger Performance benötigen und dadurch auf Edge-Systemen eingesetzt werden können:

  • durch so genanntes Pruning lässt sich die Komplexität der Eingangsparameter senken;

  • mit Frameworks wie Learn2Compress von Google können die Layer von Deep-Learning-Modellen in ihrer Breite und Tiefe reduziert werden;

  • üblicherweise sind Machine-Learning-Modelle in der Programmiersprache Python geschrieben. Mit Compilern lassen sie sich in Sprachen wie C# übersetzen, die weniger Prozessorleistung benötigen.

Die Edge hat gegenüber der Cloud aber auch Nachteile. Dazu zählt vor allem die größere Effizienz der Cloud. Durch ihren Lastenausgleich benötigt sie in Summe oft weniger Rechenkapazität als die Edge – und ist dann kostengünstiger.

„Eine generelle Empfehlung für Edge oder Cloud gibt es nicht. Faktoren wie Antwortzeiten, Netzwerkverfügbarkeit und Kosten müssen in jedem konkreten Einzelfall sorgfältig gegeneinander abgewogen werden“, erklärt Marc Tesch, Inhaber und CEO von LeanBI.

„Das Ergebnis kann dann auch durchaus eine Kombination sein, bei der Daten an der Edge aufbereitet und vorgefiltert werden und nur die notwendigen Daten zur Weiterverarbeitung in die Cloud gehen.“

Weitere Beiträge....

Wir nutzen Cookies auf unserer Website. Einige von ihnen sind essenziell für den Betrieb der Seite, während andere uns helfen, diese Website und die Nutzererfahrung zu verbessern (Tracking Cookies). Sie können selbst entscheiden, ob Sie die Cookies zulassen möchten. Bitte beachten Sie, dass bei einer Ablehnung womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen.