Optimierte Wasserwirtschaft mit Fast Data Analytics

Die Anforderungen der Unternehmen an Daten und die daraus abgeleiteten Entscheidungsgrundlagen und Vorhersagen steigen stetig und beeinflussen den Geschäftserfolg maßgeblich. Wir sind heute in der Lage, nahezu alle Daten in ihren vielfältigen Formaten zu integrieren, zu analysieren und zu interpretieren. Doch nur wer in der Lage ist, dies auch in Echtzeit zu tun, kann rechtzeitig fundierte Geschäftsentscheidungen treffen, zeitkritische Services anbieten und echte Mehrwerte für sein Business generieren.

Gerade im IoT-Umfeld, in dem enorm viele Echtzeitdaten produziert und idealerweise direkt aktiv ausgewertet werden, ist der Einsatz von Fast-Data-Analytics-Plattformen unumgänglich. Durch individuelle Use Cases profitieren heute zahlreiche Branchen von Realtime-Streaming. So muss beispielsweise für die aktive Steuerung und Überwachung von Maschinen auf Basis von Sensordaten eine Realtime-Datenintegration sichergestellt werden. In der Finanz- und Versicherungsbranche hingegen können Bonitäts- und Plausibilitätsprüfungen bei Online-Anträgen durch ein Realtime-Scoring realisiert werden. Mit Hilfe von Streaming Analytics und Echtzeit-Dashboards werden so weitere konkrete Mehrwerte für das Business geschaffen. Gleichzeitig dürfen natürlich die Ansprüche an Security und Data-Governance nicht unter der Echtzeitverarbeitung leiden.

Dies kann so weit gehen, dass die Speicherung von eigenständig produzierter Energie an Bedeutung gewinnt. Kann oder muss Energie verkauft werden, erscheint es sinnvoll, dies zu einem Zeitpunkt zu tun, an dem der Ertrag durch den Verkaufspreis den meisten Gewinn ermöglicht. Um solch eine Entscheidung treffen zu können, muss der aktuelle Marktpreis so schnell wie möglich zur Verfügung stehen. Durch die zusätzliche Integration von Wetterdaten und Stromverkaufspreisen (in Realtime) besteht die Möglichkeit, dank unserer flexiblen Architektur, diese Information für zeitnahe Empfehlungen aktiv zu nutzen. Dabei spielen auch Umwelteinflüsse und weitere Nebenbedingungen, wie die noch verfügbare Speicherkapazität sowie die Energieprognose der nächsten Stunden, eine wichtige Rolle.

Durch eine einfache Anbindung von Sensordaten wie Wassertemperatur, Füllstände, Pumpleistung, Drehgeschwindigkeit oder auch Durchlaufgeschwindigkeiten, lassen sich in passenden, zugehörigen Echtzeit-Dashboards die wichtigsten Messwerte anzeigen und abrufen.

Abbildung 1 –  Realtime-Energiemanagement/Analytics: Ein Echtzeit-Dashboard hilft dabei, ein intelligentes Energiemanagement zu etablieren und ermöglicht dem Nutzer einen grafischen Echtzeiteinblick. Die umfangreichen Daten, Analysen und gewonnenen Erkenntnisse können dem Endnutzer so komprimiert bereitgestellt werden und unterstützen den kompletten Energiezyklus.

Mithilfe der Anbindung von Echtzeitdaten der IoT-Geräte ergeben sich neue Anwendungsfälle aus dem Bereich der Predictive Maintenance, welche mit den optimierten Energieprognosen zusammen die Autarkie weiter steigern. So können unerwartete Ausfälle von Verbrauchern verringert werden und die Energieerzeugung bzw. Energieprognosen der nächsten Stunden wird noch präziser. Dadurch lassen sich mit Hilfe der Fast Data Analytics Energiedefizite bzw. „Energie-Überflüsse“ stetig optimieren.

Abbildung 2 – Realtime-Sensordashboard: Nicht nur die Analyse der vielen Sensordaten einer Anlage stiftet Nutzen im Sinne eines optimierten Energiemanagements, sondern auch die Echtzeitüberwachung einzelner Maschinen oder Anlagen über ein Realtime-Dashboard im Rahmen von Predictive Maintenance. Dadurch können die wichtigsten Sensorinformationen in einer Art Kommandozentrale zusammengeführt werden und dem Endbenutzer einen Echtzeiteinblick geben.

Die Grundlage für solch ein überwachtes IoT-System bildet unsere Fast-Data-Analytics-Platform . Diese speichert und historisiert nicht nur IoT-Daten, sondern erlaubt auch die Integration und Nutzung von Stamm- und weiteren Bewegungsdaten – immer mit dem Ziel einen möglichst vollständigen Blick aus der Vergangenheit bis zur Zukunftsempfehlung (Prediction/ Prognosen) bereit zu stellen. Daher sollten alle Daten „rechtzeitig“ für den passenden Anwendungszweck zur Verfügung stehen, um einen hohen Nutzen aus verschiedenen Informationen ziehen zu können.

Die Anforderungen an eine Fast-Data-Analytics-Plattform sind vielfältig und haben unterschiedliche Ansprüche, die im Folgenden in fachliche und technische Aspekte gegliedert sind.

Fachliche Anforderungen:

Der Security und der Gesamtsicherheit der Datenwelt im Bereich der öffentlichen Datenspeicherung und -nutzung kommt eine wichtige Rolle zu. Nur wer in der Lage ist, moderne Architekturen einfach, flexibel und sicher zu portieren, kann diesem Anspruch gerecht werden.

Diese Anforderungen helfen bei der Beantwortung technischer Fragen:

Damit Ihre Einführung und der Aufbau einer Fast-Data-Analytics-Plattform gelingt, haben wir aus unserer Erfahrung, speziell definierten Use Cases, umfangreichen Kundenanforderungen und praktischen Evaluierungen von Herausforderungen, ein möglichst vollständiges Bild erhalten, wie eine flexible und portierbare (On-Premise/Cloud) Enterprise-Lösung unter Berücksichtigung vieler Aspekte aussehen kann.

Unter anderem ist zu berücksichtigen:

daraus resultierte folgender Überblick über die Plattform:

Auf Basis dieses Konzepts bieten wir eine Lösung an, mit welcher eine Fast-Data-Analytics-Plattform automatisiert in der Public Cloud oder On-Premise bereitgestellt werden kann. Bei der initialen Bereitstellung der Fast-Data-Analytics-Plattform wird automatisiert ein „Meta Data Lake Cluster“ erstellt. Dieses Cluster, auch Basis-Cluster genannt, ist der zentrale Speicher von Nutz- und Metadaten sowie Sicherheitsrichtlinien für alle verwendeten Services innerhalb der Plattform. Weitere Compute-Cluster (Data Hubs) können nachträglich mit dem Basis-Cluster verknüpft werden und erben so alle dort hinterlegten Richtlinien und Metainformationen. Durch die Entkopplung von Daten und Berechnung kann die Plattform künftig ohne großen Mehraufwand flexibel auf Änderungen reagieren. Beispielsweise kann ein Data Hub im Kontext Data Science dank vordefinierter Templates auf Knopfdruck erstellt werden, um schnell neue Use-Case-Ideen evaluieren zu können – ohne das bestehende Cluster zu beeinflussen. Gleiches gilt für die horizontale und vertikale Skalierung:  Vordefinierte Templates und die zentrale Verwaltung ermöglichen es, das Cluster jederzeit zu skalieren.

Auf Basis der angesprochenen Aspekte gilt es unter anderem im Rahmen einer Fast-Data-Analytics-Plattform nachfolgende Disziplinen bei der Schaffung einer Datenbasis zu bewältigen:

Der Aufbau und die schnelle Bereitstellung einer passenden Fast-Data-Analytics-Plattform bilden die Grundlage für eine Integration sowie Nutzung von Realtime-Daten. Durch den ganzheitlichen Ansatz, im Sinne einer optimal nutzbaren Datenplattform, ist auch die Integration von Stamm- oder anderen Zusatzdaten (intern/extern) gewährleistet.

Dadurch ergeben sich folgende Vorteile für Ihre Nutzung: