Die IoT-Analyse- und Optimierungsschleife ermöglicht das Erstellen und Anwenden von Erkenntnissen zum Optimieren von Unternehmen auf eine oder mehrere Bereitstellungen physischer Systeme, die von Software gesteuert werden, basierend auf dem gesamten Geschäftskontext. Die Analyse- und Optimierungsschleife erzeugt Telemetriedaten, die in der Regel von Überwachungs- und Verwaltungsschleifenprozessen stammen, verfeinert sie und kombiniert sie mit Unternehmensdatenquellen, um Erkenntnisse abzuleiten.
Dieser Artikel bietet einen Überblick über die Architektur der Analyse und Optimierungsprozessschleife, über ihre Merkmale und die dazugehörigen Komponenten.
Mögliche Anwendungsfälle
Beispielszenarios für Analyse- und Optimierungsschleifen:
- Smart Spaces: Hierbei wird der Campussicherheitsindex berechnet, und es werden entsprechende Maßnahmen ergriffen.
- Stromversorgung: Hierbei werden Trends für Stromausfall- und Waldbrandereignisse korreliert, um proaktive Reparaturen und Ersetzungen von Überwachungsgeräten für die Stromversorgung zu implementieren.
- Öl- und Gasproduktion: Hierbei werden die Ölproduktionstrends eines Beckens berechnet und mit der Leistung des jeweiligen Standorts verglichen.
- Transport und Logistik: Hierbei werden Trends der CO2-Bilanz berechnet und mit Unternehmenszielen verglichen. Gegebenenfalls werden Korrekturmaßnahmen ergriffen.
- Windfarm: Hierbei wird der Leistungsfaktor des gesamten Windfarmbetriebs berechnet. Das Gerät soll hierbei die Effizienz der einzelnen Windturbinen erhöhen.
- Diskrete Fertigung: Hierbei wird die Produktionsrate von Produkten vieler Fabriken erhöht, um der Marktnachfrage nachzukommen.
Aufbau
Die folgende Abbildung zeigt ein Schaubild einer typischen Analyse- und Optimierungsschleife und ihre Beziehungen mit anderen IoT-Prozessschleifen.
Laden Sie eine Visio-Datei dieser Architektur herunter.
In einer Analyse- und Optimierungsschleife fließen Daten von verschiedenen IoT- und Unternehmensquellen sowie privaten und öffentlichen Quellen in Data Lakes in der Cloud. Offlineanalysen nutzen die Data Lakes, um verborgene Trends zu ermitteln und Erkenntnisse für die Unternehmensoptimierung abzuleiten. Die Optimierungserkenntnisse der Offlineanalyseprozesse fließen zurück zu IoT-Installationen über Überwachungs- und Verwaltungsschleifen und Messungs- und Steuerungsschleifen.
Merkmale
- Die Analyse- und Optimierungsschleife wird asynchron ausgeführt, es gibt also keine knappen Fristen für das Analysieren von Daten oder Senden von Optimierungssignalen an Geräte. Diese Schleifen hängen von einem langen Telemetrieverlauf und einem Verlauf der operativen Daten eines Unternehmens für die Ausführung von Batchaufträgen ab.
- Zu den Systemabhängigkeiten gehören mehrere Systeme, um Daten über den Data Lake einzugeben. Dazu gehören IoT-Systeme und Feeds von Unternehmenssystemen. Die Optimierungsschleife nutzt hauptsächlich Webdienstprotokolle für die Integration mit Überwachungssystemen und anderen Unternehmenssystemen.
Komponenten
Unten finden Sie die wichtigen Komponenten einer Geschäftsoptimierungssteuerung:
- Ein Data Lake, der für Großspeicher optimiert ist und für längere Zeiträume niedrigere Nutzungskosten aufweist. HDFS-Speicher im Kontext einer MapReduce-Verarbeitung ist ein Beispiel solch eines Data Lake. Im Data Lake wird die Struktur der Daten zur Verarbeitungszeit verlagert, er eignet sich also gut für das Speichern strukturierter als auch unstrukturierter Daten.
- Kalte Zeitreihendaten, rohe oder verarbeitete Telemetriedaten, die für die Offlineanalyse relevant sind und oft mehreren IoT-Systemen entstammen. Analyseaufträge verfeinern und kombinieren diese Daten weiter mit Datasets des Unternehmens und mit externen Datasets.
- Von Unternehmenssystemen erzeugte Unternehmensdaten wie zur Lebenszyklusverwaltung, zur Lieferkette, zu den Finanzen, zum Umsatz, zu Herstellung und Vertrieb und zum Kundenbeziehungsmanagement. Unternehmensdaten in Kombination mit externen Datasets wie Wetterdaten können IoT-Telemetriedaten für Unternehmen kontextualisieren, um kompatible Einblicke zu ermöglichen.
- Offlineanalysen, um Big Data im Batchmodus zu verarbeiten. Spark-Aufträge und die MapReduce-Verarbeitung in Hadoop sind Beispiele hierfür. Die Überwachungs- und Verwaltungsschleife sowie die Messungs- und Steuerungsschleife verarbeitet die Erkenntnisse, die von Analyse- und Optimierungsschleifen abgeleitet wurden, und wendet sie dann auf IoT-Geräte an.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautor:
- Hanukumar Pinnamraju | Principal Software Engineering Manager