In vielen industriellen Anwendungen werden zur kontinuierlichen Überwachung von Maschinen und Anlagen große Mengen von Sensordaten an der Edge - also auf Rechnersystemen direkt vor Ort - generiert und ausgewertet. Typischerweise werden diese Daten in die Cloud übertragen, um sie für weitere analytische Zwecke zu nutzen. Dabei bleiben Rechenressourcen an der Edge oft ungenutzt.
Ziel des Projekts war es, ein skalierbares und adaptives System zu entwickeln, das die Verarbeitung großer Sensordatenmengen durch ein optimales Zusammenspiel von Edge- und Cloud-Computing ermöglicht. Dies sollte die Grundlage für das Training und die Anwendung von Machine-Learning-Algorithmen schaffen.
Im Projekt wurde ein innovatives Konzept entwickelt, bei dem Sensordaten an der Edge erfasst und vorverarbeitet werden. Diese Daten werden anschließend in die Cloud übertragen, wo sie für das Training von Machine-Learning-Modellen genutzt werden. Als praktisches Beispiel für die Anwendung dieses Konzepts dient ein Demonstrator, der vor Ort in einem Blockheizkraftwerk installiert werden konnte. Betriebsdaten und Frequenzspektren der Turbinen wurden dort verwendet, um Modelle zu trainieren, die zur Erkennung von Veränderungen in der Verbrennungsakustik verwendet werden können.
Das Projekt hat erfolgreich gezeigt, dass durch die Kombination von Edge- und Cloud-Computing große Datenmengen effizient verarbeitet und für Machine-Learning-Anwendungen genutzt werden können. Der entwickelte Demonstrator zeigt, wie dieses Konzept in der Praxis umgesetzt werden kann, und bietet eine innovative Lösung zur Verbesserung der Betriebssicherheit und Effizienz von Maschinen und Anlagen. Insgesamt stellt das Projekt einen bedeutenden Fortschritt in der skalierbaren und adaptiven Sensordatenverarbeitung dar.
