Best-of FI Award 2024: Schildknecht AG

IIoT-Lösungen erzeugen oft hohe Konnektivitätskosten durch enorme Datenmengen. Die Lösung IIoT Edge Gateway DATAEAGLE 7050 der Schildknecht AG nutzt Machine Learning am Sensor, um das Datenvolumen um über 90 % zu reduzieren, was die Konnektivitätskosten senkt. Eine Remote-Learning-Funktion ermöglicht die automatisierte Generierung von ML-Modellen, was eine individuelle ML-Sensorvorverarbeitung zu niedrigen Kosten ermöglicht. Kunden erhalten so eine maßgeschneiderte Sensor2Cloud-Lösung zu einem erschwinglichen Preis.

Warum die Senkung der Konnektivitätskosten so wichtig ist

IIoT Lösungen können enorme Datenmengen erzeugen, wenn Sensordaten in die Cloud gesendet werden. Weltweite Mobilfunkverbindungen führen durch hohes Datenvolumen zu hohen Kosten. Erfahrungen zeigen, dass unkalkulierbare Konnektivitätskosten Geschäftsmodelle scheitern lassen können. Deshalb zielt IIoT darauf ab, die Datenmenge drastisch zu reduzieren. Dies geschieht durch Vorverarbeitung und Zwischenspeicherung der Daten im IIoT Gateway sowie zeit- oder ereignisgesteuerte Übertragung. Ein weiterer Fortschritt wurde durch Machine Learning (ML) Algorithmen direkt am Sensor erzielt, die das zu übertragende Datenvolumen um > 90 % reduzieren und somit die Konnektivitätskosten senken.

Machine Learning basierende IIoT-Lösung auf Mobilfunkbasis

Eine Herausforderung bei industriellen Sensor2Cloud-Anwendungen ist die Individualität der Sensordaten. Schildknecht AG bietet eine Lösung mit Remote Learning, die Trainingsdaten automatisch aufnimmt und über Mobilfunk überträgt. Das ML-Modell wird dann zurück auf den Sensor gesendet. Dies ermöglicht zentrale, ortsunabhängige Klassifizierung und senkt die Kosten erheblich. Die Lösung basiert auf der IIoT-Plattform DATAEAGLE 7000 mit einem Edge Gateway und einem Device Management Portal (DMP). Daten können über eine offene API an verschiedene Endsysteme übertragen werden. Die Plattform unterstützt weltweit alle Mobilfunkprovider durch Roaming-Verträge auf der eSIM. IIoT-Geräteeinstellungen und Softwareupdates werden über das DMP auf das Edge Gateway übertragen. Lerndaten werden automatisch zur manuellen Klassifizierung an ein ML-Portal gesendet und der passende ML-Algorithmus zurückübertragen, was eine Fernanpassung ermöglicht.

Smarte IIoT-Steuerung mit einfacher ML-Integration

Das Device Management Portal ermöglicht es Kunden, ihre IIoT-Anwendungen zu orchestrieren und ihre Geräte und Daten zu verwalten. Die Erweiterung um ML-Vorverarbeitung im Sensor erlaubt es, Anwendungen mit ML-Algorithmen zu erweitern, ohne dass der Anwender spezielle Kenntnisse benötigt. Trainingsdaten werden ins ML-Portal geladen und grafisch dargestellt, wo sie klassifiziert werden können. Ein einfaches Beispiel: Ein Schwingungssensor erkennt verschiedene Zustände wie klopfen oder nicht klopfen. Der Kunde lernt die Daten ein, wählt einen Algorithmus aus und überträgt den ML-Code zum Sensorboard. Von nun an erkennt der Algorithmus die Ereignisse und überträgt nur die entsprechende Variable, was die Datenübertragung reduziert.

Betriebsart Sensor2Cloud

Die IIoT-Plattform DATAEAGLE 7000 umfasst ein Edge Gateway mit Mobilfunkkonnektivität und ein Device Management Portal (DMP). Sensordaten werden über eine API an Endsysteme wie SAP oder Azure übertragen. Weltweit werden alle Mobilfunkprovider durch Unsteered-Roaming-Verträge auf der eSIM unterstützt. Neben Mobilfunk stehen auch WLAN und LoRaWan als Internet Konnektivität zur Verfügung.

Betriebsart ML-Klassifizierung

Lerndaten werden von der ML-Sensorplattform an ein ML-Portal wie TinyML übertragen, wo sie klassifiziert und ein ML-Algorithmus erstellt wird. Dieser wird zurück auf die Sensorplattform übertragen, was eine Fernaktualisierung ermöglicht.

Alleinstellungsmerkmal Mobilfunkintegration

Im Bereich IIoT gibt es Hunderte von Datenportalen, aber nur wenige erlauben die Nutzung von Mobilfunk als Konnektivität. Mobilfunk erfordert eine erweiterte Architektur, da die Verbindung nicht immer besteht. Daher müssen Daten zwischengespeichert werden, um hohe Datenvolumen zu vermeiden. IIoT-Geräte benötigen spezielle Verträge, besonders für länder- und anbieterübergreifende Datenübertragungen. Die Integration von ML auf Sensorplattformen ermöglicht eine entscheidende Datenreduktion. Weltweit gesehen gibt es durch die hohen Funktionsanforderungen bei Mobilfunk IIoT-Anwendungen nur eine Handvoll von Anbietern. Für den Erfolg einer mobilfunkbasierenden IIoT-Anwendung steht der Grad der Datenreduzierung. Durch die Integration von ML auf beliebigen Sensorplattformen ist jetzt ein entscheidender Durchbruch in der Datenreduktion mit ML gelungen. Bisher gibt es keine vergleichbare Lösung auf dem Markt.

Die Jury schätzt Schildknecht AG besonders für ihr Alleinstellungsmerkmal Machine Learning auf dem Sensor, das komplett im Brownfield einsetzbar ist und eine drastische Reduzierung der Datenmenge ermöglicht. Zudem bietet sie beispielhafte Integrationsmöglichkeiten, schlankes Design und Kosteneinsparungen durch ein KI Upgrade für bestehende Systeme.

---