Mit IoT Analytics Maschinendaten richtig auswerten
Das Rauschen im IoT-Netz
von Thomas Hafen - 22.05.2018
Noch ein Faktor, der die Auswertung von IoT-Daten erschwert, ist ihre Unzuverlässigkeit. Verschmutzte oder defekte Sensoren sowie Übertragungsprobleme verursachen ein erhebliches Rauschen. Analysesysteme für IoT-Daten sind daher mit einer ganzen Reihe zusätzlicher Funktionen ausgestattet. Sie können Daten reinigen und filtern, transformieren, mit Metadaten anreichern und ergänzen, falls Lücken in den Zeitreihen auftreten.
Auswertung an der Quelle: Bis 2019 planen über drei Viertel der Unternehmen, Datenanalysen direkt auf dem IoT-Endgerät durchzuführen.
(Quelle: IDC (n=185 IT-Verantwortliche deutscher Unternehmen) )
Sogenannte Streaming-Analytics-Verfahren können zudem in Echtzeit oder nahezu in Echtzeit auf Veränderungen reagieren. Sie eignen sich allerdings nur für enge Zeitfenster. Für längere Messungen müssen die Informationen aufbereitet und gespeichert werden. „Je mehr Daten über einen größeren Zeitraum vorhanden sind, desto mehr ist aus den Daten herauszulesen“, sagt AWS-IoT-Spezialist Metzner.
Die separate Auswertung der Maschinendaten genügt jedoch nicht. Laut einer Umfrage des Marktforschungsunternehmens 451 Research wollen mehr als zwei Drittel der Befragten mit Hilfe der IoT-Analyse vor allem Risiken reduzieren und Betriebsabläufe optimieren. Um das zu erreichen, müssen die IoT-Daten mit Informationen aus Unternehmenssystemen wie Enterprise Resource Planning (ERP), Business Process Management (BPM) oder Supply-Chain Management (SCM) zusammengeführt und kombiniert werden können. „In Kombination mit anderen Datenquellen eröffnen IoT-Daten große Chancen für Unternehmen“, sagt Igor Ilunin, Leiter der IoT-Abteilung beim Software- und Beratungshaus DataArt, das mit der Open-Source-Lösung DeviceHive eine eigene IoT-Plattform betreibt.
Neben einer Echtzeitanalyse ist dabei auch die Möglichkeit entscheidend, Daten retrospektiv auswerten und Was-wäre-wenn-Szenarien rechnen zu können. „Wenn es gelingt, durch die Kombination von IoT- und Business-Daten Zusammenhänge besser zu verstehen, lassen sich Einsparungen im zweistelligen Prozentbereich realisieren“, ergänzt Dorian Selz, Geschäftsführer des Schweizer Unternehmens Squirro, das mit KI-gesteuerten Cognitive-Insights-Lösungen umfassende Analysen von unstrukturierten Daten ermöglicht.
Dorian Selz
Geschäftsführer von Squirro https://squirro.com
Geschäftsführer von Squirro https://squirro.com
Foto: Squirro
„Wenn es gelingt, durch die Kombination von IoT-Daten und Business-Daten Zusammenhänge besser zu verstehen, lassen sich Einsparungen im zweistelligen Prozentbereich realisieren.“
Verteilte Aufgaben
Die Analyse von IoT-Daten findet zunehmend dezentral statt. Laut einer aktuellen Umfrage des Marktforschungsunternehmens IDC planen 57 Prozent der befragten Unternehmen, IoT-Analysen bis 2019 am Edge einzusetzen, 14 Prozent tun das bereits. 65 Prozent wollen auch das Endgerät selbst für Analysen nutzen, bei 13 Prozent ist dies bereits Realität. Die Analysten gehen davon aus, dass bis 2019 40 Prozent der IoT-Daten im oder in der Nähe der Endpoints verarbeitet werden. „Je zeitkritischer die Ergebnisse der Datenanalyse, desto näher sollte diese am Entstehungsort stattfinden“, sagt Mark Schulte, Senior Consultant bei IDC.
Schon heute haben Geräte auf Arduino- oder Raspberry-PI-Basis genügend Rechenleistung, um anspruchsvolle Aufgaben abzuarbeiten. So kann beispielsweise die AWS-Software Greengrass, die unter anderem auf der Raspberry-Plattform läuft, nicht nur Funktionen des Serverless-Computing-Dienstes Lambda lokal ausführen, sondern auch vortrainierte Machine-Learning-Modelle im Gerät selbst auf aktuelle Daten anwenden.
Genügt die Performance der Endgeräte nicht oder sind die Daten Tausender Sensoren zu verarbeiten, kommen Edge-Server oder -Rechenzentren zum Einsatz. Eigens für diesen Zweck entwickelte Systeme wie der Intel Xeon D-2100, der ARMv8-Chip A1 von Ampere oder der Qualcomm Centriq 2400 sollen solchen Edge-Servern zukünftig eine hohe Rechenleistung bei zugleich niedrigem Energieverbrauch ermöglichen.
Bei aller Konzentration auf die Edge-Verarbeitung spielen Cloud-Lösungen bei der Analyse von IoT-Daten eine Hauptrolle, ist sich Igor Ilunin von DataArt sicher: „Zusätzlich zu IoT-Services bieten Clouds viel Speicherplatz, leisten Big-Data-, KI- oder Monitoringdienste und erhöhen das Leistungsvermögen der Rechner um ein Vielfaches, was eine mühelose Einrichtung der Lösung erlaubt.“
Hersteller / Produkt |
Besonderheiten |
vollständig verwaltete und automatisierte Erfassung, |
|
Echtzeit-Monitoring von Geräten, Kostenkontrolle nahezu in Echtzeit, Muster- und Trendanalysen |
|
Open-Source-Lösung, unterstützt Apache Spark und Spark Streaming |
|
automatische Integration von Maschinen- und Sensordaten durch „Metadata Injection“ |
|
Integration von KI-Funktionen und -Assistenten |
|
Management- und Monitoringfunktionen für Azure IoT Suite, Handlungsempfehlungen auf Basis von IoT-Daten |
|
Big-Data- und BI-Lösung für die Elektronikindustrie |
|
Erfassen und Analysieren von Gerätedaten mit Advanced Analytics |
|
Event Stream Processing extrem großer Datenmengen |
|
Analyseplattform für Mobilfunk-Provider und andere Telekommunikationsanbieter |
|
Echtzeitanalyse von Streaming-Daten |
|
Integration, Korrelation und Auswertung von Daten aus verschiedensten Quellen |
|
Für weitere IoT-Plattformen mit integrierten Analysefunktionen lesen Sie auch unseren Praxisartikel "So tief greifend verändert das IoT die Industrie" |
|
