Situationserkennung mithilfe eines In-Memory Data Grids

Abstract

Im Bereich des Internet der Dinge oder der Industrie 4.0 produzieren Sensoren laufend Daten, die Messwerte über einen aktuellen Zustand von Maschinen, Anlagen oder der Umgebung enthalten, auf jene eine Maschine jeweils rechtzeitig reagieren muss. Zudem befinden sich die Sensoren nicht immer in unmittelbarer Reichweite zueinander, noch sind sie an dasselbe Gerät angeschlossen. Dadurch wird die Verarbeitung der Sensordaten ein komplexes Thema, vor allem dann, wenn die Daten von verschiedenen Sensoren benötigt werden, um daraus letztendlich eine Entscheidung treffen zu können. Diese werden in sogenannten Situationstemplates definiert, welche bestimmte Bedingungen an Sensordaten festlegen, die alle (oder auch nur teilweise) erfüllt sein müssen, damit eine Situation eintreffen kann. Die erkannte Situation wird daraufhin mit den anderen Teilnehmern ausgetauscht, damit diese ihre Prozesse an die neuen Gegebenheiten anpassen können. Auf die Messwerte der Sensoren muss insbesondere mit sehr geringer Latenz (d. h. am besten in Echtzeit) reagiert werden können, da es ansonsten zu schwerwiegenden Folgen bei einzelnen Prozessschritten kommen könnte. Durch die gegebene Komplexität der verteilten Sensoren und die Anforderung an sehr geringe Latenzzeiten wird in dieser Arbeit ein In-Memory Data Grid zum Erkennen solcher Situationen evaluiert. Diese Technologie bietet durch das Halten der Daten im Arbeitsspeicher den entscheidenden Vorteil von sehr geringen Latenzzeiten, bringt natürlich auch den Nachteil, dass der Speicher nicht persistent ist. Es wird ein Konzept zum Erkennen von Situationen, im Umfeld des Internet der Dinge, mithilfe der In-Memory Data Grid Technologie entwickelt, sowie die Funktionsfähigkeit anhand von Beispiel-Anwendungen demonstriert.

Devices of the Internet of Things, or in the context of Industry 4.0, collect continuously data about the current state of machines, systems or the environment, to which the device then has to react in a timely manner. In addition, the sensors are not always within easy reach of each other, nor are they connected to the same device. This makes the processing of sensor data a complex topic, especially when data from different sensors is required in order to ultimately be able to make a decision. These are defined in so-called situation templates, which define certain conditions for sensor data that must all (or only partially) be fulfilled so that a situation can occur. The recognized situation is then exchanged with the other participants so that they can adapt their processes to the new circumstances. In particular, it must be possible to react to the measured values ​​of the sensors with very low latency (i.e. ideally in real time), as otherwise serious consequences could arise in individual process steps. Due to the given complexity of the distributed sensors and the requirement of very low latency times, an in-memory data grid for recognizing such situations is evaluated in this thesis. By keeping the data in the main memory, this technology offers the decisive advantage of very low latency times, but also has the disadvantage that the data is not persistently stored. A concept for recognizing situations in the context of the Internet of Things with the help of In-Memory Data Grid technology will be developed and the functionality will be demonstrated using sample applications.