Autonomie und Robustheit in verteilten Cyber-Physical Systems

Sensoren und Aktoren finden immer häufiger Anwendung in der industriellen Produktion. Traditionell werden zentralistische Ansätze für die Verarbeitung der Sensordaten und Ansteuerung der Aktoren verwendet. Zunehmende Dichte von Sensoren und Aktoren, mit gleichzeitig fortschreitender Miniaturisierung, erfordern dezentrale Datenverarbeitung in verteilten Netzwerken aus Sensoren und Aktoren. Die Künstliche Intelligenz, ein Teilgebiet der Informatik, kann wichtige Beiträge für Robustheit und Autonomie bei der Verarbeitung und Verteilung von Daten in solchen Netzwerken liefern.

Verteilte Sensornetzwerke und Cyber Physical Systems (CPS) gewinnen in der technischen und industriellen Anwendung zunehmend an Bedeutung. Miniaturisierte und stark ausgedehnte Netzwerke mit hoher Sensordichte, wie sie z.B. in sogenannten sensorischen Materialien mit eingebetteten aktiven Sensorknoten und Mikrosensorik Anwendung finden, benötigen dezentrale und verteilte Datenverarbeitungs- und Kommunikationskonzepte, um lokal die Ressourcen und Rechenleistung pro Knoten sowie global Kommunikationskosten und Energiebedarf klein zu halten [1].

Dabei sind Sensornetzwerke charakterisiert durch folgende Metriken: Energieeffizienz/Lebenszeit, Latenz bei der Gewinnung und Propagierung der Sensorinformation, Qualität und Genauigkeit der Informationsgewinnung im Rahmen einer gestellten Aufgabe, Fehlertoleranz und Skalierbarkeit. Hinzuzufügen ist noch der Grad der Autonomie und Kooperationsfähigkeit einzelner Netzwerkknoten hinsichtlich Datenverarbeitung und Kommunikation. CPS sind gekennzeichnet durch ihre Interaktion mit der Umgebung und einer starken Kopplung zwischen Berechnung, Rezeption und Steuerung [1].

Sensorische Materialien [2] nehmen eine zentrale Rolle u.a. bei der Strukturüberwachung von mechanisch belasteten Bauteilen in einer großen Vielfalt von Anwendungsfeldern ein. Dabei besteht ein sensorisches Material aus einem Trägerwerkstoff, der definierte mechanische Eigenschaften besitzt, und eingebetteten Sensorknoten, die selbst aus physikalischen Sensoren, Signalkonditionierung, Datenverarbeitungs- und Kommunikationsmodulen bestehen. Die Kommunikationsmodule ermöglichen die Vernetzung der Sensorknoten zu einem Netzwerk, sowohl drahtgebunden als auch drahtlos, insbesondere auch mit optischen Verbindungstechnologien [3]. Sensorische Materialien stellen aber auch einen wesentlichen Beitrag für robotische Systeme dar, wo sensorische Information der Umwelt gewonnen werden muss, um die Reaktion und Interaktion eines Roboters mit und in seiner Umwelt zu steuern sowie eine Zustandsschätzung des Roboters zu ermöglichen [4].

Sensorische Materialien mit dem Grenzfall Smart Dust benötigen je nach Anwendungsfall hoch miniaturisierte autonome Sensorknoten, die mit einem einzigen Mikrochip technisch realisiert werden müssen [3]. Neuere Entwicklungen fokussieren daher auf single-System-on-Chip (sSoC) Implementierungen.

Ein Netzwerk aus Sensorknoten kann als ein verteiltes Datenverarbeitungssystem angesehen werden, welches global Informationen berechnen muss, die auf lokalen Sensordaten beruhen. Die verteilte Datenverarbeitung, sowohl auf algorithmischer als auch systemischer Ebene, und Gruppenkommunikation stellen die Grundlage für die Informationsgewinnung dar. Netzwerke aus lose gekoppelten Sensorknoten und das Vorhandensein von technischen Störungen und Ausfällen (Sensorisches Material mit eingebetteten Sensorknoten) stellen hohe Anforderungen an Robustheit und Autonomie.

Kommunikation

Robuste Kommunikation durch smartes adaptives Routing erhöht die Fehlertoleranz hoch-miniaturisierter Sensornetzwerke und unterstützt irreguläre und unvollständige Netzwerktopologien, mit zusätzlich fehlenden Verbindungen, wie sie in Bild 1 rechts zu sehen sind.

Das skalierbare Netzwerkprotokoll SLIP implementiert smartes adaptives und fehlertolerantes Routing auf Schaltkreisebene und dient als Basis für die folgende Methodik der dezentralen Datenverarbeitung mittels Agenten [5]. Das Protokoll unterstützt adaptive und parametrisierbare nachrichtenbasierte Kommunikation und nutzt vereinfachte Delta-Adressierung (als klassisches Hop-Protokoll mit Peer-to-Peer Vermittlung über die einzelnen Knoten entlang eines Pfades) mit situationsabhängiger Routingselektion, die auf lokalen Informationen und historischen Informationen der Nachricht basiert, um Pfade von einem Quell-zu einem Zielknoten finden zu können.

Mit diesem Netzwerkprotokoll, welches vollständig als Hardware- und Software-Implementierung vorliegt, können Nachrichten in gestörten und (bezüglich möglicher Verbindungen) unvollständigen Netzwerken zugestellt werden. Selbst bei einem Störungsgrad im Mittel von 50 % fehlerhafter Kommunikationsleitungen zwischen Nachbarknoten sind noch mehr als 50 % der möglichen Verbindungen zwischen allen Knoten erreichbar, im Vergleich zu weniger als 5 % bei normalen XY-Routing (Bild 1, links) [6].

Künstliche Intelligenz

Bisherige klassische Ansätze der Datenverarbeitung in komplexen Sensor- und Aktornetzwerken setzen i.A. Determinismus und Korrektheit der ausführenden Komponenten (Mikroprozessoren, Kommunikation etc.) voraus. Weiterhin müssen alle Komponenten in einem solchen Systemübereinstimmende und bekannte Schnittstellen besitzen (Komponente A kann nur mit Komponente B Daten austauschen, wenn beide übereinstimmende Datenschnittstellen und Nachrichten verwenden, die im Voraus festgelegt werden).

Zum Weiterlesen klicken Sie hier

Das könnte Sie auch interessieren

Wenn Lean nicht wirkt, liegt es nicht an Lean Veränderte Arbeitswelten eröffnen neue Perspektiven

Lean Management ist in vielen Unternehmen etabliert, doch die erhofften Verbesserungen bleiben häufig aus. Methoden werden zur Routine, Initiativen verlieren an Dynamik und Mitarbeitende erleben Lean als zusätzliche Aufgabe. Entscheidend ist nicht allein der Einsatz von Werkzeugen, sondern die Haltung dahinter. Beteiligung, Eigenverantwortung und eine veränderte Führungskultur schaffen die Grundlage für nachhaltige Verbesserungen.

Digitale Zukunft der Produktion aus Berlin Mercedes-Benz setzt neue Maßstäbe in der Motorenfertigung

Mit dem neuen Axial-Fluss-Motor und dem Digital Factory Campus zeigt Mercedes-Benz, wie Zukunft heute bereits Realität wird. Im ältesten noch produzierenden Werk des Automobilkonzerns in Berlin-Marienfelde trifft technologische Exzellenz auf Leidenschaft für Innovation. Entstanden ist mehr als ein neuer Antrieb: ein starkes Zeichen dafür, wie aus visionären Ideen eine neue industrielle Realität wächst.

Lernfabrik Globale Produktion Karlsuher Institut für Technologie

Lernfabriken machen digitale Technologien greifbar – vom ersten Test bis zur Anwendung im eigenen Betrieb. Unsere Serie stellt Orte vor, an denen Interessierte Wissen aufbauen, Vertrauen gewinnen und Veränderung aktiv gestalten können. An dieser Stelle wird die Lernfabrik Globale Produktion am Karlsruher Institut für Technologie vorgestellt, die sich u. a. durch reale Produkte und eine vollständige Prozesskette ohne Blackboxen auszeichnet.

Produktpass mit Mehrwert Transparente Produktinformationen stärken die Kreislaufwertschöpfung

Der Digitale Produktpass wird primär als neue regulatorische Compliance-Aufgabe wahrgenommen. Für produzierende Unternehmen können sie aus der Anwendung jedoch weitere Potenziale entfalten. Insbesondere der Einsatz sekundärer Materialien und Baugruppen kann von den in Produktpässen enthaltenen Daten profitieren, sodass sie helfen, die Kreislaufwirtschaft in den industriellen Shopfloor zu integrieren.

R-Grading in Factory-X: Infrastruktur für Zirkularität Daten als Schlüssel für langlebige Maschinen und Komponenten

Gebrauchte Maschinenkomponenten werden heute oft noch nach Erfahrung statt auf Basis valider Daten weiterverwendet, repariert, aufgearbeitet oder recycelt. Der sichere Austausch von Nutzungs- und Zustandsdaten entlang der gesamten Wertschöpfungskette ermöglicht fundierte R-Entscheidungen, schafft Transparenz entlang der Wertschöpfungskette und unterstützt eine ressourcenschonende Kreislaufwirtschaft mit mehr Effizienz und weniger Materialverlust.

Plug&Play für Produktionsmodule – geht das? MTP als Potential für die Produktion

MTP verspricht mehr als eine vereinfachte Maschinenintegration: Produktionsmodule sollen ihre Funktionen und Schnittstellen standardisiert und maschinenlesbar bereitstellen – ähnlich wie Plug & Play in der Bürowelt. Doch wie schnell lässt sich die Technologie erlernen und praktisch einsetzen? Ein Bildungsexperiment an der Hochschule Pforzheim liefert überraschende Erkenntnisse und zeigt das Potenzial von MTP für den Maschinen- und Anlagenbau.