Edge computing framework for the use case of steel saws in the steel industry

Abstract

Im letzten Jahrzehnt hat das Internet der Dinge (Internet of Things, IoT) unser tägliches Leben erheblich beeinflusst. Dieser Wandel hat auch die Industrie erreicht, wo immer mehr Geräte und Sensoren Daten sammeln, um Transparenz zu schaen und die Produk- tivität zu steigern. In der Tat können viele Geräte in der Industrie als Datenlieferanten dienen. Daher ist es notwendig, die Berechnung dieser großen Informationsmengen näher an diese Geräte heranzuführen, um sie in großem Umfang zu steuern und Prozesse besser zu automatisieren. Edge Computing ist ein Paradigma, das diesen Prinzipien folgt. Obwohl es bereits Ansätze und Studien zum Edge- und Cloud-Computing in der Industrie gibt, fehlt es immer noch an Studien, die zeigen, wie man mit proprietären Lösungen von Industrieanbietern in realen Szenarien umgeht. Darüber hinaus gibt es nur sehr wenige Studien, die sich speziell mit der Stahlindustrie befassen, einer Branche mit einer langen und traditionellen Geschichte, die im großen Industrie 4.0-Szenario eine wichtige Rolle spielt. Außerdem konzentrieren sich die bisherigen Beiträge hauptsächlich auf die Stahlproduktion und nicht auf die kritischen Nachbearbeitungsschritte.Daher soll in dieser Arbeit ein Edge-Computing-Framework für die Stahlindustrie anhand einer Fallstudie mit Geräten von Industrieherstellern vorgestellt werden. Das Framework soll die Werkzeuge für die Sammlung und Analyse von Daten in einer industriellen Um- gebung nahe am Standort der Maschine bereitstellen. Darüber hinaus bewerten wir einen hybriden Ansatz, bei dem physische und virtuelle Edge-Geräte kombiniert werden; dieselbe Software läuft sowohl auf dem physischen Edge-Gerät als auch in der Cloud als virtuelles Edge-Gerät. Der Grundgedanke ist, die Leistung des Edge-Cloud-Ansatzes zu beleuchten, insbesondere im Hinblick auf proprietäre Lösungen, ein oft unterbewertetes Problem. In unserer Rahmenbewertung vergleichen wir Latenzzeiten, Datendurchsatz und verschiede- ne Konfigurationsoptionen. Wir vergleichen die Latenzzeiten und den Datendurchsatz zwischen dem Edge und der Cloud-Lösung. In der Tat spielt die Datenübertragung in solchen Systemen eine wichtige Rolle. Daher vergleichen wir die Implementierung mit ver- schiedenen Quality of Service Levels. Diese unterschiedlichen Einstellungen haben großen Einfluss auf die Latenzzeit und die Anzahl der Maschinen, die angeschlossen werden können. Im Edge-Szenario können mit QoS-2 etwa 50% weniger Rechner angeschlossen werden als mit QoS-0. Im Cloud-Szenario führt die unterschiedliche Einstellung dazu, dass keine Maschinen mit QoS-2 verbunden werden können, wodurch das Framework unbrauchbar wird. Wir vergleichen zwei Python-Anwendungsimplementierungen, um zu zeigen, wie wichtig die Implementierung von Anwendungen ist, die sich um die Datenver- arbeitung kümmern. Die verschiedenen Implementierungen zeigen geringe Unterschiede, haben aber signifikante Auswirkungen. Allein dieser Unterschied bedeutet, dass 5 bis 10 weitere Maschinen angeschlossen werden können, bevor die Latenzzeit exponentiell ansteigt.

The last decade has seen the Internet of Things (IoT) significantly impact our everyday lives. This transformation has also reached the industry, where more devices and sensors collect data to create transparency and increase productivity. Indeed, many apparatuses can serve as data suppliers in the industry setting. Therefore, it is necessary to bring the computation of this large amount of information closer to these devices to control them at scale and better automate processes. Edge computing is a paradigm that follows these principles. Although there are already approaches and studies on edge and cloud computing in industry settings, there is still a lack of studies that show how to deal with proprietary solutions from industrial vendors in real-case scenarios. Furthermore, very few studies are specifically dedicated to the steel industry, an industry with a long and traditional history that plays a relevant role in the large Industry 4.0 scenario. Moreover, previous contributions mainly focus on steel production rather than the critical postprocessing steps.Therefore, this thesis aims to present an edge computing framework for the steel industry through a case study involving industrial manufacturers’ devices. The framework aims to provide the tools to collect and analyze data in an industrial environment close to where the machine is. Furthermore, we evaluate a hybrid approach combining physical and virtual edge devices; the same software runs on both the physical edge and the cloud as a virtual edge device. The rationale is to shed light on the performance of the edge-cloud approach, especially on proprietary solutions, an often undervalued problem. In our framework evaluation, we compare latency, data throughput, and various configuration options. We compare the latency times and data throughput between the edge and the cloud solution. Indeed, data transfer plays a significant role in such systems. Therefore, we compare the implementation with dierent Quality of Service levels. These dierent settings greatly influence the latency and the number of machines that can be connected. In the edge scenario, around 50% fewer machines can be connected with QoS-2 than QoS-0. In the cloud scenario, the dierent setting leads to no machines being attached to QoS-2, making the framework unusable. We compare two Python application imple- mentations to show the importance of implementing applications that take care of data processing. The dierent implementations show minor dierences but do have significant impacts. This dierence alone means that 5 to 10 more machines can be connected before the latency increases exponentially.