Waarom edge computing zo cruciaal is voor IIoT

De uitvinding van de Printed Circuit Board (PCB) in de jaren vijftig veranderde de wereld van automatisering. Voorafgaand aan de PCB werden elektronische printplaten uitsluitend met de hand geassembleerd, een moeizaam proces dat de wereldwijde productie sterk beperkte.

Vandaag, zegt Michael Schuldenfrei, corporate technology fellow bij OptimalPlus ,  industrie maakt weer een revolutionaire sprong door met de introductie van instrumentatie in het productieproces en het gebruik van edge computing.

Instrumentatie van het fabricageproces omvat talrijke sensoren en microcontrollers die de fabricageomstandigheden op subtiele wijze kunnen veranderen als reactie op de omgevingsomstandigheden die door de sensoren worden gedetecteerd. Deze sensoren produceren grote hoeveelheden data, maar de microcontrollers kunnen niet direct reageren op de geproduceerde data.

Zowel de sensoren als de microcontrollers die bij de fabricage van instrumentatie worden gebruikt, zijn in feite kleine netwerkcomputers. De sensoren sturen hun data naar een centrale plek waar de data vervolgens worden geanalyseerd. Deze kleine, autonome computers worden niet realtime door mensen gecontroleerd en maken deel uit van het Internet of Things (IoT). Meer specifiek zijn het in een productiecontext industriële IoT-apparaten (IIoT).

IIoT-gebruiksscenario voor productie-instrumentatie

IIoT-apparaten worden in allerlei contexten gebruikt om taken uit te voeren die voor mensen moeilijk, zo niet onmogelijk, elke keer betrouwbaar en/of nauwkeurig zouden kunnen worden uitgevoerd. Denk bijvoorbeeld aan lasinspectie. Lassen is een integraal onderdeel van veel elektronicaproductielijnen en cruciaal voor de functionaliteit en duurzaamheid van het eindproduct.

Helaas wordt aan fabrikanten gevraagd om lassen uit te voeren op steeds kleinere componenten, met steeds strengere beperkingen. Om componenten te beschermen, moeten lassen worden uitgevoerd met de laagst mogelijke hitte en met de kleinst mogelijke elektrische lading.

IIoT-apparaten die kunnen helpen bij het verfijnen van dit proces zijn onder meer warmte-, spannings- en druksensoren om de minimale stroomsterkte te bepalen die nodig is om een ​​las uit te voeren in de huidige omgevingsomstandigheden. IIoT-camera's kunnen ook op Machine Learning gebaseerde visuele lasinspectiesystemen voeden om te controleren of lassen bevredigend zijn, zelfs als ze veel te klein zijn voor het menselijk oog; en dit is nog maar om te beginnen.

Productie-instrumentatie kan elke productie - niet alleen de productie van elektronica - nauwkeuriger maken, met minder productiefouten en met minder betrokken mensen. Helaas is deze instrumentatie niet eenvoudig, vooral gezien de complexiteit van de moderne productietoeleveringsketen.

Productie-instrumentatie functie maken

Informatietechnologie (IT)-teams maken al tientallen jaren gebruik van instrumentatie. Het kost niet zoveel om sensoren in software te bouwen als om ze in hardware te bouwen. Als gevolg hiervan zijn alle soorten besturingssystemen, applicaties en IT-apparatuur absoluut bezaaid met sensoren. Hierdoor worstelen IT-teams met de hoeveelheid data die ze produceren sinds voordat de moderne microcomputer bestond.

Zoveel gegevens, zo weinig tijd

In de echte wereld produceert elke geïnstrumenteerde infrastructuur veel meer informatie dan een enkel mens mogelijk kan verwerken. Van zelfs grote teams van mensen kan niet worden verwacht dat ze alle gegevens doorzoeken die zelfs door een bescheiden IT-infrastructuur worden uitgezonden. Binnen het IT-veld bestaan ​​hele disciplines die zich toeleggen op het begrijpelijk maken van de gegevens die door IT-instrumenten worden uitgezonden. Technologieën en technieken variëren van eenvoudige filters tot geavanceerde technieken voor kunstmatige intelligentie (AI) en machine learning (ML).

Tot voor kort was dit goed genoeg voor de meeste IT-teams. Informatie zou worden verzameld en naar een centrale locatie worden verzonden, cijfers zouden worden gekraakt en alleen de belangrijke gegevens werden doorgestuurd naar systeembeheerders. Als dit een paar seconden of minuten duurde, was dat oké; een korte IT-storing was over het algemeen acceptabel.

Maar naarmate organisaties over de hele wereld steeds afhankelijker werden van hun IT, nam de acceptabele hoeveelheid tijd die nodig was om op instrumentatie te reageren aanzienlijk af. Voor veel organisaties is de aanvaardbare reactietijd tegenwoordig ver beneden wat een mens zou kunnen bereiken. Moderne IT-systemen in de meest geavanceerde organisaties gebruiken dus krachtige AI- en ML-suites om hun IT-infrastructuur te laten reageren op veranderingen die door de sensorgegevens worden gemeld voordat menselijke beheerders zelfs maar beseffen dat er een probleem is.

Moderne fabrikanten, zoals je je misschien kunt voorstellen, zoeken naar oplossingen voor fabricage-instrumentatie die ook sneller kunnen reageren dan een mens. Hoewel het nuttig is om sensoren te lezen en mensen te vertellen dat er een probleem is ontstaan, is het lang niet zo nuttig als reageren op sensorgegevens in realtime.

IT-instrumentatie versus productie-instrumentatie

Het verschil tussen beide is dat IT Instrumentation relatief eenvoudig is:men verzamelt data over IT-infrastructuur en applicaties van devices die al volledig digitaal zijn. Het vervaardigen van instrumentatie is een grotere uitdaging. IIoT-apparaten die worden gebruikt bij de fabricage van instrumentatie verzamelen gegevens over de fysieke wereld. Dit betekent het verzamelen van analoge gegevens en deze omzetten in digitaal - en dat is een heel ander balspel. Fysieke sensoren moeten worden gekalibreerd en na verloop van tijd verslijten ze. Fysieke sensoren worden meestal ook in clusters ingezet, zodat quorumdetectie mogelijk is.

Quorum sensing maakt gebruik van meerdere onafhankelijke sensoren om kalibratieafwijkingen of sensorstoringen te compenseren. Als een sensor in een cluster gegevens meldt die afwijken van zijn partners, kan deze worden genegeerd en/of gemarkeerd voor herkalibratie. Hierdoor kan de productie doorgaan met bekende goede sensoren totdat de defecte sensor opnieuw kan worden gekalibreerd of vervangen.

De complicaties van analoge detectie, gecombineerd met de dringende behoefte aan realtime respons op sensorgegevens, vormen reële uitdagingen voor de fabricage van instrumentatie.

Kan cloud computing niet alles oplossen?

IT-teams hebben te maken gehad met veel verschillende en moeilijke rekenvereisten. Een voorbeeld van een oplossing die is ontwikkeld door IT-leveranciers is cloud computing.

Cloudcomputing en BDCA

Cloud computing stelt organisaties in staat om met een druk op de knop toegang te krijgen tot schijnbaar onbeperkte IT-infrastructuur. Hoewel de redenen achter cloudcomputing talrijk en complex zijn, is misschien wel de belangrijkste dat cloudcomputing IT-teams in staat stelt om IT-workloads uit te voeren zonder de onderliggende IT-infrastructuur te hoeven beheren of onderhouden. De cloudprovider regelt dat deel voor hen.

Cloudcomputing is zeer nuttig gebleken voor workloads voor bulkdatacomputational analysis (BDCA). Er zijn veel soorten BDCA-workloads, waaronder AI, ML, Big Data en meer; alles waar grote hoeveelheden gegevens worden verzameld en vervolgens moeten worden geanalyseerd, is een BDCA-werklast. In de afgelopen jaren was cloud computing de bestemming voor de meeste nieuwe BDCA-projecten.

Een van de redenen dat cloud computing wordt gebruikt voor BDCA-workloads is het concept van cloud bursting. Cloudworkloads, zoals de rekenworkloads die worden gebruikt om grote datasets te analyseren, kunnen alleen worden opgevoerd als dat nodig is en op elke gewenste schaal. Dit past goed bij BDCA-workloads omdat de meeste BDCA-workloads alleen analyses volgens een vast schema hoeven te genereren. Rapporten aan het einde van de maand zijn hier een populair gebruiksvoorbeeld.

Helaas betekent schaaleconomie dat traditionele openbare clouds centraal staan. Dit stelt openbare cloudleveranciers in staat om hun datacenters daar te plaatsen waar de kosten het laagst zijn en eenvoudig echt, echt grote datacenters te bouwen. Hoewel dit handig is voor BDCA-workloads in batch-job-stijl die volgens schema's worden uitgevoerd, is dit minder dan nuttig voor workloads waarvoor realtime reactievermogen vereist is.

Om dit op te lossen is edge computing ontwikkeld.

Edge computing

Edge computing kan worden gezien als cloud computing, maar dan in het datacenter van iemand anders. Edge-computing is geëvolueerd omdat IT-teams workloads hadden die een respons met lage latentie vereisten die traditionele openbare cloudcomputing niet kon bieden. IT-teams waren perfect in staat om dergelijke infrastructuren te creëren, maar wilden gewoon niet de last en het gedoe om er zelf mee om te gaan.

Voldoen aan nieuwe gegevensvereisten

Na overleg werd besloten dat, om aan de behoeften van deze klanten te voldoen, public cloud providers servers zouden installeren in de datacenters van relevante organisaties. Hierdoor konden de IT-teams van die organisaties workloads uitvoeren op wat voor hen identiek leek aan een regio die speciaal voor hen was gecreëerd door de openbare cloudprovider, maar die zich op hetzelfde Local Area Network (LAN) bevond als de rest van hun workloads .

Met deze 'edge computing'-servers kunnen IoT-sensorgegevens veel sneller worden verwerkt en verwerkt dan mogelijk zou zijn als die gegevens het internet naar een openbaar cloud-datacenter moesten gaan, moesten worden verwerkt en de resultaten vervolgens via internet moesten worden teruggestuurd . Edge computing maakt een aantal nieuwe technologieën mogelijk, waaronder auto's zonder bestuurder.

Gebruiksvoorbeeld:realtime gegevens voor auto's zonder bestuurder

Zelfrijdende auto's zijn een goed voorbeeld van een technologie waarbij wachten op gegevens geen optie is. Cloud computing kan auto's zonder bestuurder helpen door sensorinformatie te verzamelen voor alle auto's in een bepaald gebied, de gegevens te kraken en die auto's een kaart te sturen van waar alles en iedereen zich binnen een bepaalde straal bevindt. Hierdoor kunnen deze auto's letterlijk om de hoek kijken, wat ze nog veiliger maakt.

Maar zelfs met de snelheid van het licht kan het verzenden van informatie van een auto naar de openbare cloud en weer terug tot een kwart seconde duren. Mensen kunnen binnen een kwart seconde overlijden als er auto's bij betrokken zijn. Dus door de verwerking dichter bij de auto's te plaatsen, bijvoorbeeld door de relevante servers binnen een paar blokken te plaatsen van waar auto's zullen proberen door lastige stedelijke omgevingen te navigeren, kunnen technologieën mogelijk worden die anders niet mogelijk zouden zijn.

Op dezelfde manier kan de productie gebruikmaken van edge computing om de benodigde instrumentatie mogelijk te maken. Zoals meestal het geval is, heeft productie echter zijn eigen wendingen die niet alleen edge computing belangrijker maken voor het proces, maar ook verschillende uitdagingen met zich meebrengen die moeten worden overwonnen.

Waarom edge computing gebruiken in de productie?

Een veelvoorkomend argument voor de relevantie van edge computing voor productiebedrijven draait om de noodzaak van realtime responsiviteit. Bij het proberen om fabricagefouten op een snel bewegende productielijn bijna nul te houden, helpt het om gebruik te kunnen maken van sensorclusters. Een sensorcluster kan het quorum detecteren als een afzonderlijke sensor defect is en vervolgens opnieuw kalibreren. Herkalibratie moet echter zeer snel worden uitgevoerd om te voorkomen dat de productielijn wordt onderbroken.

Als het 100 of 250 milliseconden duurt om sensorgegevens via internet te verzenden, kunnen producten op de lijn verloren gaan of kan apparatuur worden beschadigd. Maar als de gegevens lokaal kunnen worden verwerkt, wat ongeveer vijf milliseconden duurt, kunnen fabrikanten sensoren in realtime opnieuw kalibreren en/of de instellingen van de productieapparatuur wijzigen als reactie op de omgevingsomstandigheden.

Overbelasting sensor

Een andere reden achter het nut van edge computing die niet zo gemakkelijk wordt besproken, is dat er onhandelbaar grote aantallen sensoren kunnen zijn die betrokken zijn bij de fabricage van instrumentatie. Dit kan niet alleen de netwerkcapaciteit overbelasten, maar ook een enorme verzameling gegevens opleveren, die niet in zijn geheel nodig is. Het is dus handig om de gegevens te doorzoeken voordat u alleen de gegevens doorstuurt die verzonden moeten worden.

Het is gebruikelijk dat datavolumes overweldigend zijn of enige vorm van filtering vereisen, waarbij sensoren in een quorum worden gebruikt om kalibratie- of verouderingsproblemen op te lossen. Hier kunnen individuele sensoren worden afgewezen als andere sensoren in de buurt die deelnemen aan een quorum het niet eens zijn met de metingen. Een volledig geïnstrumenteerde fabriek kan miljoenen afzonderlijke sensoren bevatten die uiteindelijk uit slechts enkele tienduizenden sensorquorums bestaan ​​- mogelijk veel meer dan redelijkerwijs kan worden verwacht van de lokale internetverbinding.

In andere edge computing-configuraties voor productie zijn er enkele sensoren die alleen lokaal worden gebruikt. Dit kan zijn omdat ze worden gebruikt in realtime responsiviteit, of omdat ze alleen lokaal relevant zijn, bijvoorbeeld als onderdeel van een beveiligingsoplossing.

Contractproductie

Edge computing is ook nuttig in het steeds vaker voorkomende scenario van contractfabrikanten (CM's). CM's hebben IT-oplossingen die onafhankelijk zijn van de Original Equipment Manufacturers (OEM's) die opdrachten uitvoeren. Veel OEM's zien echter voordelen in het instrumenteren van hun hele toeleveringsketen, zelfs die delen ervan die zijn uitbesteed.

In dit geval kunnen OEM's een deel van hun netwerk extruderen in het netwerk van de CM met behulp van edge computing. Het IT-team van de OEM kan servers in het netwerk van de CM plaatsen die weer verbinding maken met de privécloud van de OEM. In combinatie met IIoT-sensoren zouden deze edge computing-servers de CM in staat stellen te voldoen aan de doelstellingen van de OEM op het gebied van instrumentatie en supply chain-integratie zonder het eigen netwerk van de CM te beïnvloeden of radicale veranderingen in het netwerkontwerp van de CM te vereisen.

Edge computing geeft de OEM de mogelijkheid om hun volledige supply chain en productieactiviteiten te bekijken met behulp van een consistente interface en geïntegreerde set applicaties, ongeacht of de afzonderlijke componenten worden vervaardigd in de OEM-faciliteiten of die van een CM. Deze consistentie maakt het trainen en ondersteunen van CM's eenvoudiger, omdat iedereen dezelfde toolchain gebruikt.

Samenvatting

Cloudcomputing, dat nu al meer dan tien jaar bestaat, wordt vaak op de markt gebracht als de oplossing voor alle IT-problemen. Het is niet. Cloud computing lost een groot aantal problemen op, maar de snelheid van het licht betekent dat gigantische gecentraliseerde serverfarms alleen maar zo nuttig zullen zijn.

Edge computing heeft twee hoofddoelen:signaal extraheren uit ruis door lokaal grote hoeveelheden gegevens te verwerken die niet via internet kunnen worden verzonden, en de mogelijkheid bieden om specifieke dingen lokaal te verwerken waar en wanneer latentie een probleem is. Beide zijn nuttig voor productiebedrijven die in toenemende mate afhankelijk zijn van instrumentatie.

De productie kan niet wachten tot het licht van A naar B en terug gaat. Er staat te veel op het spel en geen tijd voor fouten. Edge computing lost problemen op die clouds niet kunnen oplossen, dus het is tijd om te evolueren of achter te blijven.

De auteur van deze blog is Michael Schuldenfrei, corporate technology fellow bij OptimalPlus