In einer Zeit, in der rund 64 % der Unternehmen massiv in Industrie 4.0 investieren, steht der deutsche Mittelstand vor einer entscheidenden Herausforderung: Wie lassen sich heterogene Maschinendaten effizient nutzen, um Kosten zu senken und neue Marktsegmente zu erschließen? Während Märkte wie China bereits eine hohe Reife in der digitalen Lieferkette zeigen, besteht hierzulande oft noch Nachholbedarf.
In unserem aktuellen Webinar hat Alexander Keidel, Lösungsarchitekt mit über 10 Jahren Erfahrung, einen „IoT Blueprint“ vorgestellt, der zeigt, wie Unternehmen Schritt für Schritt von der einzelnen Maschine zur global vernetzten KI-Plattform gelangen.
1. Datensilos aufbrechen: Edge Gateways und Protokolladapter
Viele Maschinen in der Produktion sind „Datensilos“ – sie zeigen Werte zwar auf Bildschirmen an, sind aber nicht vernetzt. Oft kommen veraltete Protokolle wie S5, Modbus oder proprietäre Schnittstellen zum Einsatz.
Die Lösung ist das Edge Gateway Pattern: Ein Industrie-PC fungiert als Adapter und übersetzt diese Protokolle in ein modernes Format wie MQTT. Während Lösungen wie Kepware etabliert sind, bieten moderne Tools wie Neuron oder der OPC Router flexiblere Ansätze, um beispielsweise Maschinendaten direkt mit SAP-Systemen zu verknüpfen und manuelle Prozesse wie Warenbegleitscheine abzulösen.
2. MQTT als Nervensystem der Kommunikation
Für den Datenaustausch hat sich MQTT als De-facto-Standard durchgesetzt. Es arbeitet nach dem Publish-Subscriber-Prinzip und ist extrem ressourceneffizient, was es ideal für Millionen von Verbindungen macht.
Ein zentraler Baustein ist der MQTT-Broker. Leistungsfähige Enterprise-Lösungen wie EMQX bieten hier entscheidende Vorteile gegenüber einfachen Brokern wie Mosquitto:
- Schema Registry: Stellt sicher, dass die gesendeten Daten einem definierten Format entsprechen.
- Flow Designer: Ermöglicht die grafische Modellierung von Logiken direkt im Broker.
- Hochverfügbarkeit: Essenziell für produktionskritische Systeme.
3. Datenharmonisierung und Visualisierung mit ThingsBoard
Sobald die Daten im MQTT-Broker fließen, müssen sie verarbeitet und visualisiert werden. Hier setzen wir auf die Open-Source-Plattform ThingsBoard. Sie ermöglicht es, Dashboards für das Monitoring zu erstellen, Regelwerke für Alarmierungen zu hinterlegen und die Gesamtanlageneffektivität (OEE) zu berechnen. Dank Multi-Mandanten-Fähigkeit können Daten über verschiedene Werke hinweg sicher getrennt oder geteilt werden.
4. Von Echtzeit-Daten zu KI: Redpanda und Kafka
MQTT ist hervorragend für den Nachrichtenaustausch, stößt aber bei der Analyse riesiger Datenmengen für KI an Grenzen, da Nachrichten nach dem Konsumieren normalerweise „weg“ sind. Hier kommt Redpanda (eine performante Apache Kafka-Implementierung in C++) ins Spiel.
Redpanda fungiert als Distributed Commit Log und bietet:
- Replayability: Daten können für das Training von KI-Modellen immer wieder in der exakten Reihenfolge abgespielt werden.
- Persistenz: Nachrichten werden dauerhaft gespeichert, um tiefe Analysen zu ermöglichen.
- Cluster Linking: Daten können in Echtzeit zwischen Standorten (z. B. einem Werk in Italien und der Zentrale in Deutschland) repliziert werden.
Ausblick: Agentic Data Platforms
Die Reise endet nicht beim Monitoring. Der nächste Schritt ist die Agentic Data Platform. Durch die Kombination von Redpanda und KI-Agenten entsteht eine Architektur, die nicht nur Daten sammelt, sondern durch Audit-Logs genau nachvollziehbar macht, welche Daten ein KI-Modell für eine Entscheidung herangezogen hat.
Fazit
Ein moderner IoT-Stack muss mit den Anforderungen wachsen. Ob On-Premise oder in der Cloud – der Schlüssel liegt in einer Architektur, die Protokolladapter, einen stabilen MQTT-Broker und ein leistungsfähiges Streaming-System wie Redpanda kombiniert.