Management-Telegramme
Bei der zu beurteilenden Anlage wurde eine deutliche Zunahme des Datenverkehrs zum Schichtende erkannt, als die gesammelten Daten in die Cloud übertragen wurden. An einer Messstelle wurde mitgeschrieben, welche Telegramme davon in die Anlage gelangen. Bei näherer Betrachtung dieser Telegramme wurde entdeckt, dass es sich um Broadcast- und Multicast-Telegramme handelt. Diese Telegrammtypen werden von jedem Profinet-Teilnehmer gelesen und bearbeitet. Das kostet in jedem Gerät wertvolle Rechenleistung.
ARP-Pakete (Address Resolution Protocol) werden beispielsweise als Broadcast durch die ganze Linie gesendet. Die Pakete müssen dabei von jedem (IP-basierten) Gerät beantwortet werden. Dies betrifft ebenfalls Profinet-Geräte, da die NRT-Kommunikation (Non-Realtime) auf UDP/IP-Ebene erfolgt. Wenn darunter der Telegrammverkehr zwischen Teilnehmer und Steuerung leidet, kann es zum Ausfall der Anlage führen.
Im Zuge der Untersuchungen hat sich herausgestellt, dass bei Installationen mit älteren Geräten, die nicht der Profinet-Spezifikation 2.3 entsprechen, ein erhöhtes Ausfallrisiko für die Kommunikation besteht. Deshalb ist es sehr wichtig, dass alle Profinet-Teilnehmer auf dem neuesten Softwarestand sind.
Das Thema KI ist im Prinzip so alt wie die Computertechnik selbst. In der Forschung gab es, zumindest in der Theorie, schon früh erste Erfolge. Doch beim Versuch der praktischen Umsetzung stellte sich schnell heraus, dass die Hardware nicht leistungsfähig genug war. Entsprechend verlor die KI-Forschung an Bedeutung. Fast 50 Jahre, ab 1965 gerechnet, galt das Mooresche Gesetz. Das besagt eine Verdoppelung der Transistoren je Flächeneinheit alle zwei Jahre. Unabhängig davon, dass sich die Halbleiterindustrie zwischenzeitlich den physikalischen Grenzen nähert, haben wir heute eine Technologie mit enormer Leistungsfähigkeit.
Heute spielt dabei nicht nur Big Data eine wichtige Rolle, sondern auch die Cloud. Erst damit ist eine entspannte KI-Modellierung möglich. Jedoch können sich Daten und Konzepte durch neue Erkenntnisse schnell und auch auf überraschende Weise ändern – nicht nur im industriellen Umfeld. Die ständige Herausforderung für ML-Anwendungen besteht darin, die Modelle auf dem neuesten Stand zu halten und die Zuverlässigkeit über die Zeit zu erhalten, um den versprochenen Wert zu generieren und zu erhalten.
