Daten in Erkenntnisse umwandeln

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 niedrig wie möglich gehalten werden, während gleichzeitig immer größere Datenmengen von Sensoren verarbeitet werden. Ingenieure müssen Testdaten in Echtzeit überwachen und analysieren, egal wie viele Daten es zu sichten gibt. Kein Wunder also, dass sie nach neuen Wegen suchen, um die Testeffizienz zu verbessern und das Risiko minderwertiger Daten zu verringern.

Bei der Erfassung werden elektrische und mechanische Signale mit Abtastraten im Kilohertz-Bereich gemessen und müssen hochsynchronisiert werden. Gerade bei diesen Tests fällt eine überwältigende Menge an Daten an. Die eigentliche Herausforderung ist die Speicherung und Aufbewahrung 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.

Die “kalten Daten”, auf die seltener zugegriffen wird und die nur für die Prüfung oder Nachbearbeitung benötigt werden, werden in einer verteilten Streaming-Plattform gespeichert, die je nach Bedarf skaliert werden kann. Die “heißen Daten”, auf die zu Analysezwecken in Echtzeit zugegriffen wird, werden in einer NoSQL-Zeitseriendatenbank bereitgestellt. Diese Datenbank speichert die Messwerte sicher in redundanten, fehlertoleranten Clustern. Eine flexible Datenaggregation sorgt dafür, dass jederzeit die richtige Granularität verfügbar ist. Die Daten können dann für eine detaillierte Analyse der Testereignisse auf verschiedene Weise wiedergegeben und aggregiert werden. Dieser Ansatz minimiert die IT-Betriebskosten und die Speicherinfrastruktur im Testlabor.

Die Prüfung des Antriebsstrangs von Elektrofahrzeugen ist ein typischer Anwendungsfall, bei dem ein skalierbares Daten-Backend erhebliche Vorteile bietet. Vor allem bei der Echtzeitbewertung der Leistung und des Elektromotors werden große Datenmengen erzeugt. Die Datenraten können von 10 Samples/Sekunde bis zu 4.000.000 Samples/Sekunde reichen. Die Herausforderung besteht darin, all diese Daten zu speichern und sie gleichzeitig rund um die Uhr für die schnelle Analyse kontinuierlicher und ausgelöster Datenströme verfügbar zu halten.

Um Daten zu erfassen, zu analysieren und zu speichern und ihre Verfügbarkeit für Anwendungen zu gewährleisten, entschied sich Gantner für Apache Kafka, eine Daten-Streaming-Plattform, um kalte Daten zu verwalten, und die verteilte Datenbank CrateDB, um heiße Daten zu verarbeiten. Die Arbeit mit diesem skalierbaren Daten-Backend-Konzept zeigt, wie leistungsfähig die Kombination von Edge Computing, Big Data-Verarbeitung und maschinellem Lernen ist.

Prüflabore verwenden spezialisierte Steuerungs-, Überwachungs- und Datenerfassungssysteme, denen es jedoch oft an der notwendigen Integration zwischen diesen Systemen mangelt, was zu einer späten Fehlererkennung in den zu prüfenden Systemen führen kann. Die Philosophie von Gantner ist es, den Kunden offene Schnittstellen zur Verfügung zu stellen, um Daten zu speichern und an die gewünschte Stelle zu senden, so dass eine nahtlose Integration mit jedem Überwachungs-, Analyse- und Berichtstool möglich ist.

Für Prüflabore, die mit automatisierten Prüfsystemen ausgestattet sind, bietet das Application Programming Interface (API) des Unternehmens eine einfache Möglichkeit, die Lösung in ihre bestehenden Umgebungen zu integrieren. Da sich die Analyse- und Fehlererkennungsmethoden je nach Anwendung unterscheiden, sind standardisierte Schnittstellen für die Integration in bestehende 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 Testlabors die Plattform, die sie benötigen, um 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 GI.bench Softwareplattform vereint schnellere Versuchsaufbauten, Projektkonfiguration und -abwicklung sowie die Visualisierung von Datenströmen in einer digitalen Workbench. Sie ermöglicht es Ihnen, Ihre Mess- und Prüfaufgaben im laufenden Betrieb zu konfigurieren, auszuführen und zu analysieren. Greifen Sie überall auf Live- und historische Messdaten zu.