Für den Aufbau einer Architektur für das Internet of Things (IoT) stellen wir Ihnen im heutigen Beitrag den Ansatz „Streaming und Datenanalyse“ vor. Wie das im Detail aussieht, zeigt zudem die begleitende Grafik.
Der Ansatz „Streaming und Datenanalyse“ für eine IoT-Architektur ist deutlich flexibler als der Ansatz „Platform as a Service“, was die verwendeten Datentypen angeht und auch für größere Datenmengen ausgelegt. Auch hier gibt es wieder ein Device / Thing Management (s. Nr. 7), das in diesem Fall in der Business-Logik verankert ist. Das heißt, die Verwaltung erfolgt immer spezifisch für ein Unternehmen in Einklang mit den Rahmenbedingungen.
Beispielsweise muss nicht jede Eigenschaft eines Things registriert werden, sondern es werden nur die IDs der Devices und Zertifikate für einen sicheren Austausch verwaltet, während die Auswertung dann über Streams oder Message Broker (s. Nr. 8) erfolgt. Dies kann auch ein MQTT-basierter Broker sein, wie ihn die im ersten Ansatz erläuterten IoT-Plattformen bieten, oder aber auch eine sogenannte Datenpipeline, wie Amazon Kinesis Streams oder Azure Stream Analytics. Der Vorteil von diesen Datenpipelines ist, dass sie beliebige Daten (und Datenmengen) aufnehmen und transformieren können. Dazu lassen sich in einer SQL-angelehnten Sprache auch Echtzeitanalysen durchführen (Real Time Analytics, s. Nr. 10), um zum Beispiel Anomalien in Werten zu entdecken.
Schon während Daten durch die Datenpipeline laufen, erkennen Unternehmen so Abweichungen von Regelwerten und es erfolgt eine unmittelbare Alarmierung, noch bevor die Daten in einem Warm Storage (= Datenzugriff im (Milli-)Sekundenbereich, s. Nr. 11b) oder Cold Storage (= Zugriffsgeschwindigkeit ggf. bis in den Stundenbereich, s. Nr. 11a) abgelegt werden. Ferner lassen sich die Streaming-Daten vor dem Speichern noch transformieren (s. Nr. 9). Auch komplexere Berechnungen sind möglich, sodass wichtige KPIs nahezu in Echtzeit berechnet und in der Datenbank (s. Nr. 11c) abgelegt werden.
Bei einem Muldenkipper wird zum Beispiel der Druck des Hydrauliksystems kontinuierlich überwacht. Ein schleichender Druckabfall im Lenksystem fällt unter Umständen erst auf, wenn ein Schaden entstanden ist. Bei der Echtzeitüberwachung würde das System eine präventive Wartung des Fahrzeugs anfordern, wenn bestimmte Daten von ihren Sollwerten abweichen. Unternehmen verhindern somit einen kostenintensiven Fahrzeugausfall im Vorfeld durch eine einfache Datenanalyse.
Einmal abgelegte Daten stehen schließlich für tiefergehende Analysen (s. Nr. 12) mit den unterschiedlichsten Tools bereit. Auch lassen sie sich für Machine und Deep Learning Frameworks einsetzen, bringen also mehr Intelligenz in das Gesamtsystem. Diese Tools ebnen zudem den Weg zu Predictive Maintenance, wodurch sich der Einsatz von Maschinen und Fahrzeugen optimieren lässt.
Auch in diesem zweiten Beispiel für eine Architektur für das Internet of Things erfolgt schließlich wieder die Verbindung zur Visualisierung oder eine Business Integration (s. Nr. 13).
Im vorherigen Blog-Beitrag haben wir den Ansatz „Platform as a Service“ für den Aufbau einer IoT-Architektur vorgestellt.
Lesen Sie auch unseren Einstiegs-Blog-Beitrag zum Internet of Things.
