Über unsMediaKontaktImpressum
Sven Seiler & Philipp Sacha 17. August 2021

(I)IoT-Lösungen mit Amazon Web Services: Die grundsätzlichen Bausteine

In dieser dreiteiligen Artikelreihe zum Thema (I)IoT-Lösungen auf Basis von Amazon Web Services (AWS) werden zunächst die grundsätzlichen Bausteine vorgestellt, um eine (I)IoT-Lösung zu bauen, sowie die Vorteile einer cloud-basierten Lösung skizziert. Die darauf folgenden Artikel "Vom Edge in die Cloud" und "Mit den Daten in der Cloud arbeiten" erläutern im Detail, wie die Daten in die Cloud transferiert, dort gespeichert und weiterverarbeitet werden können, um einen echten Geschäftswert zu schaffen.

Der Business Case

Es gibt viele Gründe für Unternehmen sich mit den Themen "Connected Devices" oder "Internet of Things" auseinanderzusetzen. Unternehmen verspüren einen Innovationsdruck, weil der Markt sich weiterentwickelt und sie Schritt halten wollen, oder sie möchten Kunden einen Mehrwert bieten und neue Produkte anbieten. So kann z. B. die Auslastung einer Maschine visualisiert oder mögliche Fehler mit Unterstützung von Machine Learning erkannt werden, bevor sie zu teuren Reparaturen führen. Die Rede ist hier von "Predictive Maintenance", einer vorausschauenden Instandhaltung.

Die Bausteine einer IoT-Lösung

Im Folgenden wird der generelle Weg der lokalen Daten und Datenquellen in die Cloud inklusive gängiger Speicherlösungen skizziert. Dabei finden die weitere Verarbeitung und Analyse der Daten bis hin zur Integration in andere Systeme Berücksichtigung sowie das Gewinnen relevanter Erkenntnisse aus den Daten.

Datenquellen und lokale Daten

Abb. 1 veranschaulicht den generellen Aufbau einer cloud-basierten IoT-Lösung. Alles beginnt mit den Datenquellen und lokalen Daten in den Fabriken und in der Produktion ("on edge"). Dann müssen die Daten in die Cloud transferiert und dort abgespeichert werden. Darauf aufbauend erfolgt eine Verarbeitung der Daten (z. B. mit Machine Learning, Business Intelligence oder Predictive Maintenance) bei gleichzeitiger Beachtung der Sicherheit. Dazu gehören auch Möglichkeiten der Integration in bestehende Applikationen oder die Entwicklung neuer Applikationen.

Berücksichtigt werden die einzelnen Evolutionsstufen einer typischen Umgebung und die bei der Auswahl aus den Diensten zu beachtenden Punkte. Ziel ist, aus dem generalisierten Aufbau aus Abb. 1 ein Szenario aufzubauen, das in dieser Form oder auch um weitere Services ergänzt eine umfassende Lösung für konkrete Herausforderungen im IoT-Bereich bietet. Abb. 2 zeigt eine Umsetzung des generellen Aufbaus einer (I)IoT-Lösung mit AWS-Diensten. Nachfolgend werden die Bausteine näher erläutert.

Things / Dinge

Alles beginnt mit den Daten, die von den "Things" bereitgestellt werden. Jede Maschine, Produktionsanlage oder einzelne Sensoren auf einer Maschine, jeder Prozess kann ein "Thing" sein und wertvolle Daten liefern, aus denen sich Erkenntnisse ableiten lassen. Diese sind die Grundlage für die Verbesserung der Prozesse.

"Dinge" können sowohl klassische speicherprogrammierbare Steuerungen (SPS), Untertagebau-Radlader mit einer Nutzlast von 12,5 Tonnen und über 200 Sensorwerten in der Sekunde, ebenso ein Windrad oder der Frequenzumrichter in einem Windpark sein, der etliche angeschlossene Anlagen vor der Einspeisung ins Stromnetz auf die gleiche Frequenz bringt. Darüber hinaus lassen sich bestehende Systeme mittels nachträglich angebrachter Sensorik (z. B. Temperatur-, Druck-, Bewegungssensoren) erweitern. Ein Industrie-PC überträgt die von den Sensoren erhobenen Daten in die Cloud.

Vom "Edge" in die Cloud

Unter Edge versteht man die dezentrale Datenverarbeitung und Datenhaltung am "Rande des Netzwerks". Gemeint sind damit die lokalen Systeme, mit denen Daten erhoben werden oder mit denen eine Daten(vor)verarbeitung stattfindet.

Zunächst stehen die Datenquellen im Fokus und die verschiedenen Möglichkeiten, sie in die Cloud zu bringen. Zu unterscheiden ist hier zwischen Greenfield- und Brownfield-Projekten.

  • Greenfield bedeutet, dass man "auf der grünen Wiese" mit allen zur Verfügung stehenden aktuellen technischen Möglichkeiten ein neues IoT-Projekt beginnt und auf bestehende Infrastruktur wenig bis keine Rücksicht nehmen muss.
  • Im sogenannten Brownfield, also der bestehenden industriellen Infrastruktur und somit der häufigeren Variante, sind die unterschiedlichsten Protokolle, Automatisierung- und Bussysteme im Einsatz. Darüber hinaus gibt es vielfach Insellösungen für einen bestimmten Einsatzzweck und teilweise bereits lokale Datensenken oder Datenbanken, in denen ein Teil der erhobenen Daten abgelegt wird.

In diesem Artikel wird das "Brownfield on edge" betrachtet. Klassische Systeme im Einsatz sind hier meist SPS und SCADA (Supervisory Control and Data Acquisition) Systeme mit Protokollen wie OPC-UA, Modbus oder Ethernet IP. Um diese Daten zu erheben und in die Cloud zu bringen, bietet FreeRTOS und AWS IoT Greengrass an, die sich mit dem Dienst AWS IoT Core verbinden lassen. AWS IoT Greengrass kann als Gateway fungieren und Daten von unterschiedlichen industriellen Protokollen in die AWS Cloud übertragen.

AWS IoT Core unterstützt Millionen von Geräte und verbindet sie mit der AWS Cloud. Bei AWS IoT Core handelt es sich um einen gemanagten Service: keine Server müssen bereitgestellt oder administriert werden.

Mit AWS IoT Core lassen sich Daten regelbasiert an andere AWS-Dienste weiterleiten. AWS IoT Core unterstützt zur Einlieferung von Daten MQTT, HTTP(S) und auch LoRaWAN als Kommunikationsprotokolle. Jedes "Thing" muss über eine Berechtigung verfügen, um mit AWS IoT zu kommunizieren. Der gesamte Datenverkehr zu und von AWS IoT wird sicher über Transport Layer Security (TLS) übertragen.

FreeRTOS ist ein Echtzeitbetriebssystem für Microcontroller unter der MIT-Lizenz, das diverse Softwarebibliotheken bereitstellt, um mit AWS IoT Core oder AWS IoT Greengrass zu kommunizieren.

AWS IoT Greengrass hingegen erweitert leistungsfähigere Geräte, z. B. SPSen oder Industrie-PCs dahingehend, dass diese nahtlos mit dem AWS-Ökosystem verknüpft werden können. So lassen sich lokale Daten aus Datenbanken abfragen, vorverarbeiten (z. B. mit AWS Lambda on Edge) und mit der Cloud synchronisieren. Darüber hinaus lassen sich Dienste wie z. B. AWS IoT SiteWise direkt ansprechen.

Daten in der Cloud speichern

Im zweiten Schritt müssen die Daten in der Cloud gespeichert werden. Hierfür gibt es verschiedene Dienste von Amazon. Die Auswahl eines geeigneten Dienstes zur Datenspeicherung hängt auch von der geplanten Verarbeitung der Daten ab.

Daten können in einem Objektspeicherservice wie Amazon Simple Storage Service (S3) oder AWS IoT Analytics gespeichert werden. Amazon S3 kann als Basis für einen Data Lake dienen. Sollen Daten in einer Datenbank gespeichert werden, kommen Dienste wie Amazon Timestream für zeitreihenbasierte Daten, Amazon DynamoDB oder Amazon DocumentDB für schemalose Daten oder Amazon RDS für relationale Datenbanken in Frage. Hierbei handelt es sich um gemanagte Dienste: Kunden verwenden den eigentlichen Dienst und müssen sich nicht um das Einspielen von Updates oder Kapazitätsplanungen kümmern. Um für die Datenbanklösung die richtige Wahl zu treffen, bietet sich das Ansehen des AWS-Videos "Choosing the right database" an [1].

Für den klassischen Data Lake greift man auf AWS Lake Formation zurück, um innerhalb kurzer Zeit einen sicheren Data Lake mit Datenspeicher auf Amazon S3 einzurichten und entsprechende ETLs-Jobs (ETL = Extract, Transform, Load) beispielsweise mit AWS Glue zu etablieren.

Darüber hinaus lassen sich Daten über entsprechende APIs (z. B. RESTful oder WebSocket) mittels Amazon API Gateway in die Cloud übertragen, wenn bereits bestehende Systeme "On Edge" die Daten sammeln. Bei vorhandenen Eigenentwicklungen lässt sich eine Anbindung an AWS mittels des Amazon SDK (mit Unterstützung für u. a. C++, Go, Java, JavaScript oder Python) realisieren, indem die bestehende Software erweitert wird. Eine weitere Möglichkeit ist, die Daten über einen Dienst der AWS Transfer Family (FTP, FTPS, SFTP) in die Cloud zu heben.

Historische Daten lassen sich auf diese Weise in die Cloud bringen oder – bei größeren Datenmengen im Petabyte-Bereich – über AWS Snowball von Edge zu S3 importieren. Die AWS Snowball Family bietet dazu unterschiedliche mobile Geräte für die Datenmigration, die teilweise bereits mit AWS IoT Greengrass ausgestattet sind.

Daten in der Cloud verarbeiten

Datenverarbeitung in der Cloud kann in diversen Bereichen stattfinden. Zur Analyse bietet AWS u. a. Streaming-Dienste wie die Amazon-Kinesis-Familie an, den Amazon Elasticsearch Service, der mit Kibana auch Dashboard bereitstellen kann, sowie ein vollgemanagtes Hadoop-Framework mit Amazon EMR.

Amazon Quicksight ist ein skalierbarer, auf Machine Learning basierter Business-Intelligence-Dienst. BI-Dashboards lassen sich interaktiv erstellen und veröffentlichen. Machine Learning kann im industriellen Bereich zur Verbesserung von Betriebsabläufen, Bewertung und Verbesserung der Fertigungsqualität oder für Predictive Maintenance verwendet werden.

AWS bietet ein umfassendes Angebot an Machine-Learning-Diensten an. Amazon Lookout for Equipment analysiert Daten von Sensoren wie zum Beispiel Druck, Durchflussrate oder Umdrehungen. Basierend auf diesen Daten wird automatisch ein Machine-Learning-Modell trainiert. Dieses Modell kommt zum Einsatz, um Daten zu analysieren und Anomalien zu erkennen.

Amazon Lookout for Vision ist ein Dienst, der Defekte und Anomalien mit Computer Vision erkennt. Damit können z. B. Schäden an Produkten oder fehlende Komponenten identifiziert werden.

Amazon Monitron ist ein End-to-End-System, das Machine Learning (ML) verwendet, um Anomalien in industriellen Maschinen zu erkennen, sodass eine vorausschauende Wartung möglich ist und sich ungeplante Ausfallzeiten reduzieren. Amazon Monitron enthält Sensoren zur Erfassung von Vibrations- und Temperaturdaten und ein Gateway zur sicheren Übertragung der Daten an AWS. Amazon Monitron analysiert die Daten mit Hilfe von Machine Learning und warnt vor potentiellen Ausfällen von Maschinen.

Zum Erstellen eigener Machine-Learning-Modelle ist Amazon SageMaker als vollständig verwalteter Dienst geeignet. Mit SageMaker können Datenwissenschaftler und Entwickler schnell und einfach Machine-Learning-Modelle erstellen, trainieren und diese direkt in einer produktionsbereiten gehosteten Umgebung bereitstellen.

AWS IoT SiteWise als ganzheitliche Lösung

Neben den oben genannten Bausteinen für individuelle Lösungen gibt es bei Amazon auch "Dienstfamilien", die eine vollständige Lösung bereit halten. Einer davon ist AWS IoT SiteWise. Es handelt sich dabei um einen gemanagten Service, der aus mehreren Komponenten besteht. Über ein Gateway werden Daten von industriellen Protokollen in die AWS-Cloud übertragen. Außer über das Gateway können Daten auch über MQTT oder APIs erfasst werden. Assets und Prozesse lassen sich mit AWS IoT SiteWise modellieren und Leistungskennzahlen berechnen. Mit Monitor-Portalen, vollständig verwalteten Webanwendungen, werden Daten analysiert, visualisiert und tragen zur Optimierung der Abläufe der Kunden bei.

AWS IoT SiteWise stellt Schnittstellen bereit, um die gespeicherten Daten und Berechnungen auch in anderen Systemen zu verwenden. Somit lassen sich in relativ kurzer Zeit Industriedaten in diesen Service integrieren, modellieren, auswerten und darstellen.

Vorteile einer Cloud-Lösung

Dieser Abschnitt behandelt die Vorteile, eine IoT-Lösung mit Diensten von Amazon Web Services in der Cloud umzusetzen. Millionen von Kunden verwenden AWS, wenn es darum geht, agiler zu werden und Innovationen schneller zu realisieren.

Bei den in diesem Artikel vorgestellten Diensten handelt es sich um gemanagte Dienste. Kunden müssen sich daher nicht um die Bereitstellung und das Managen von Infrastruktur, Betriebssystemen und Diensten kümmern, sondern können den jeweiligen Dienst sofort verwenden.

So lässt sich mit geringem Zeitaufwand ein erstes technologisches Projekt oder Proof of Concept (PoC) umsetzen, um die grundsätzliche Machbarkeit einer Idee zu evaluieren und in einem zweiten Schritt ein Minimum Viable Product (MVP) zu erarbeiten. Bei Erfolg kann der MVP direkt von wenigen ersten Geräten in den Bereich von Millionen angeschlossenen Geräten skaliert werden – die entsprechende Architektur vorausgesetzt. So lassen sich risikoarm neue Ideen testen und im Idealfall direkt als skalierbare Lösung weiterentwickeln.

Wichtig ist von Anfang an auf entsprechende architekturelle Grundsätze zu setzen, wie den Einsatz von de-coupling (der Entkopplung von einzelnen Systemen und Reduktion von direkten Abhängigkeiten zueinander), oder auf gemanagte oder serverlose Dienste (wie Amazon Aurora als gemanagte Datenbank oder AWS Lambda für die Business Logik).

Eine komplette IoT-Lösung muss nicht genau alle hier diskutierten Dienste enthalten. AWS stellt für ein breites Spektrum an Technologien, Branchen und Anwendungsfällen über 200 Services bereit.

Es gilt, die jeweiligen für den individuellen Einsatzzweck erforderlichen Dienste auszuwählen und daraus eine spezifische Lösung aufzubauen, um Businessanforderungen zu erfüllen und Innovation zu realisieren.

Ausblick und Fortsetzung

Im zweiten Teil der Artikelserie werden die unterschiedlichen Lösungen von AWS im IoT-Bereich erörtert: Es geht um die verwendeten Industrieprotokolle im Brownfield und wie sich diese an die Cloud anbinden lassen sowie um AWS IoT Greengrass und AWS IoT SiteWise Edge.

Quelle
  1. YouTube: AWS – Choosing The Right Database

Autoren

Sven Seiler

Dr. Sven Seiler leitet als Senior Manager die Business Unit Cloud Development der Storm Reply. In dieser Position führt er mehrere Expertenteams, die sich mit Modern Application Development und Application Modernization…
>> Weiterlesen

Philipp Sacha

Philipp Sacha ist ein Specialist Solutions Architect für IoT bei Amazon Web Services. Er unterstützt Kunden im IoT-Bereich und hat seinen Dienstsitz in Berlin.
>> Weiterlesen
Das könnte Sie auch interessieren
Kommentare (0)

Neuen Kommentar schreiben