({{ request_quote_modules_count }}) Angebot anfordern

Bitte senden Sie mir ein Angebot:

GI.Reporter

December 13, 2019

Daten in Erkenntnisse umwandeln

Eine monumentale Herausforderung für Ingenieure ist nicht nur die Datenerfassung beim Testen, sondern auch die Speicherung und Aufbewahrung solch großer Datenmengen.

Die Testgemeinschaft für Elektrofahrzeuge muss sich mit immer komplexeren Produkten und schnelleren Entwicklungszyklen auseinandersetzen, was bedeutet, dass die Testlabore unter ständigem Druck stehen. Die Fähigkeit, Testdaten effizient zu analysieren, war daher noch nie so wichtig wie heute.

Die Kosten müssen so gering wie möglich gehalten werden, während immer größere Datenmengen über die Sensorik anfallen. Ingenieure müssen Testdaten in Echtzeit überwachen und analysieren, unabhängig davon, wie viel es zu sichten gibt. Kein Wunder also, dass sie nach neuen Wegen suchen, um die Testeffizienz zu verbessern und das Risiko von Daten geringer Qualität zu reduzieren.

Bei der Erfassung werden elektrische und mechanische Signale mit Abtastraten im Kilohertz-Bereich hochsynchron gemessen. Gerade diese Tests erzeugen eine überwältigende Menge an Daten. Die eigentliche Herausforderung ist das Speichern und Aufbewahren dieser Daten.

Der Umgang mit solch großen Mengen an strukturierten und unstrukturierten Daten, erfordert ein adaptives und skalierbares Daten-Backend. Um den sich ständig ändernden Anforderungen, Setup-Konfigurationen, Parametererweiterungen und Abtastraten gerecht zu werden, ist eine Trennung zwischen „heißen“ und „kalten“- Daten hilfreich.

Auf „Kalte Daten” wird seltener zugegriffen. Diese werden üblicherweise für Audits oder Nachbearbeitungen benötigt und werden in einer verteilten Streaming-Plattform gespeichert, die je nach Bedarf skaliert werden kann.

Die “heißen Daten”, auf die in Echtzeit zur Analyse zugegriffen wird, werden in einer NoSQL-Zeitreihendatenbank bereitgestellt. Diese Datenbank speichert Messwerte sicher in redundante- und fehlertoleranten Clustern. Eine flexible Datenaggregation sorgt dafür, dass jederzeit die richtige Granularität zur Verfügung steht. Die Daten können für eine detaillierte Analyse der Test-Ereignisse auf verschiedene Weise wiedergegeben und aggregiert werden. Dieser Ansatz minimiert die IT-Betriebskosten und die Speicherinfrastruktur innerhalb des Testlabors.

Die Prüfung des Antriebsstrangs von Elektrofahrzeugen ist ein typischer Anwendungsfall, bei dem ein skalierbares Daten-Backend erhebliche Vorteile bietet. Vor allem bei der Bewertung der Echtzeitleistung und der Leistung von Elektromotoren wird eine große Menge an Daten erzeugt. Die Datenraten können von 10 Samples/Sek. bis zu 4.000.000 Samples/Sek. variieren. Die Herausforderung besteht darin, all diese Daten rund um die Uhr zu speichern und diese gleichzeitig rund um die Uhr für die schnelle Analyse von kontinuierlichen und getriggerten Datenströmen verfügbar zu halten.

Um Daten zu erfassen, zu analysieren und zu speichern und ihre Verfügbarkeit für Anwendungen sicherzustellen, wählte Gantner Apache Kafka, eine Daten-Streaming-Plattform, um „kalte Daten“ zu verwalten und die verteilte Datenbank CrateDB , um „heiße Daten“ zu verarbeiten. Das Arbeiten mit diesem skalierbaren Daten-Backend-Konzept verdeutlicht die Leistungsfähigkeit der Kombination von Edge Computing, Big Data Handling und maschinellem Lernen.

Testlabore verwenden spezialisierte Steuerungs-, Überwachungs- und Datenerfassungssysteme, aber oft fehlt die notwendige Integration zwischen diesen Systemen, was zu einer späten Fehlererkennung während der Testphase führen kann.

Die Philosophie von Gantner ist es, den Kunden offene Schnittstellen zur Verfügung zu stellen, um die Daten zu speichern und sie dorthin zu senden, wo sie benötigt werden. Dies ermöglicht eine nahtlose Integration mit jedem Überwachungs-, Analyse- und Berichtstool, welches bereits eingesetzt wird.

Elektrische und mechanische Parameter müssen synchronisiert und mit Echtzeit-Datenverarbeitung erfasst werden - das erfordert moderne Daten-Backends

Für Testlabore, die mit automatisierten Testsystemen ausgestattet sind, bietet die Schnittstelle zur Programmierung von Anwendungen (API) eine einfache Möglichkeit, diese in ihre bestehende Umgebung/Oberfläche zu integrieren, ohne diese ändern zu müssen.

Analyse- und Fehlererkennungsmethoden unterscheiden sich je nach Anwendung, daher sind standardisierte Schnittstellen für die Integration mit bestehenden Architekturen, Visualisierungsmethoden und Berichtsroutinen unerlässlich; zum Beispiel für die genaue Berechnung von Leistungsfaktor, Scheinleistung und Blindleistung aus Rohmessdaten.

Mit einer anpassungsfähigen und skalierbaren Daten-Backend-Lösung bietet Gantner Instruments Testlaboren die benötigte Plattform, um beliebige physikalische Daten in Echtzeit zu erfassen, zu überwachen, zu analysieren und darauf zu reagieren, unabhängig vom Datenvolumen – und so Daten direkt in Erkenntnisse zu verwandeln.

 

Erleben Sie die neue Plattform für moderne und robuste Messaufbauten

Die Software-Platform GI.bench vereint schnellere Testaufbauten, Projektkonfiguration und -abwicklung sowie die Visualisierung von Datenströmen in einer digitalen Oberfläche. Sie ermöglicht es Ihnen, Ihre Mess- und Prüfaufgaben “on the fly” zu konfigurieren, auszuführen und zu analysieren. Greifen Sie von überall auf Live- und historische Messdaten zu.

GI.bench - monitor better & test faster

Author: Juergen Sutterlueti

Juergen Sutterlueti is Gantner Instrument's Vice President, Energy Segment and Marketing.

Sie haben Fragen an unsere Messtechnik-Experten?