Übungsaufgaben zu Edge, Fog und Predictive Maintenance
https://bildung.social/@oerinformatik/
https://oer-informatik.de/edge-fog-predictive-maintenance-uebungsaufgaben
Edge Computing, Fog Computing, Big Data, Predictive Maintenance, Echtzeitdaten, Industrie 4.0, BYOD, Übungsaufgaben, Prüfungsvorbereitung
tl/dr; (Bearbeitungszeit insgesamt 68 min, mehrere Aufgaben): Drei Übungsaufgaben zu Edge, Fog und Predictive Maintenance: In der Kernstufe ordnest Du für eine Barcamp-Session Technologien und Big-Data-Dimensionen zu, erklärst BYOD und grenzt Edge von Cloud ab. In der Profilstufe planst Du für einen Industrie-4.0-Rahmenbauer Predictive Maintenance mit Echtzeitdaten, Edge- und Fog-Knoten samt Kostenrechnung und sicherem Verhalten fahrerloser Transportfahrzeuge und entwirfst für eine Leihrad-Flotte die Datenverarbeitung mit Datenvolumen, Mehrwert von Edge, Cloudanbieter-Kriterien, Vorhersagewerten und Datenschutz. Alle Beispiellösungen sind ausgeblendet und mit Punkteverteilung versehen [AI-Assisted]. (Zuletzt geändert am 28.10.2026)
Diese Übungsaufgaben gehören zum Artikel Edge, Fog und Cloud: Big Data und Predictive Maintenance.
Hinweise zur Bearbeitung: Als FIDV oder ISE musst Du zur Teil-2-Prüfung Aufgaben auf Kernkompetenz-Ebene lösen können, das ist Aufgabe 2.1. Von FIDV wird zusätzlich erwartet, dass ihnen Aufgaben auf Profilkompetenz-Ebene (Aufgabe 3.1 und Aufgabe 3.2) keine Probleme bereiten. Bei „nennen“ genügen Stichworte, bei „beschreiben“, „erläutern“ und „erklären“ erwartet die Aufgabe ganze Sätze mit Bezug zur Situation. Rechnungen schreibst Du mit Rechenweg auf; 1 GB = 10⁹ Byte. Schreib Deine Antwort zuerst vollständig auf, bevor Du die Beispiellösung aufklappst; andere sachlich richtige Antworten sind ebenfalls richtig.
Aufgabe 2.1: Eine Session über IT-Trends beim Barcamp (Kernkompetenz)
(ca. 11 min Bearbeitungszeit)
Beim Barcamp des Ratz und Rübe Berufskollegs in Bielefeld hält Emre Aksoy (Leitung Technikteam) eine Session „Was steckt eigentlich in unserem Barcamp-Netz?“. Du bereitest mit ihm die Folien vor.
a) Ordne die Stichpunkte den Technologien zu: (1) IoT/Industrie 4.0, (2) KI/autonome Systeme, (3) Big Data, (4) Cloud. Jede Technologie passt genau einmal. (4 Punkte)
| Stichpunkt | Technologie |
|---|---|
| A: Die Anmeldesoftware wird als Software as a Service gemietet und skaliert am Anmeldeschluss automatisch. | |
| B: Ein Sprachmodell fasst die Notizen aller Sessions zu einer Dokumentation zusammen. | |
| C: Die E-Ink-Türschilder melden die Raumbelegung selbstständig an einen Broker. | |
| D: Feedbacktexte, Fotos, Logdaten und Anmeldedaten mehrerer Jahre werden in einem Data Lake gesammelt und gemeinsam ausgewertet. |
A → 4, B → 2, C → 1, D → 3. Je 1 Punkt.
b) Im Gäste-WLAN nutzen viele Teilnehmende ihre eigenen Smartphones und Notebooks; die Schul-IT spricht von BYOD. Schreibe das Akronym aus und beschreibe eine Maßnahme, mit der die Schul-IT das Schulnetz dabei schützt. (3 Punkte)
Bring Your Own Device (1 Punkt). Maßnahme (2 Punkte), z. B.: Die privaten Geräte kommen nur in ein eigenes Gäste-VLAN mit Captive Portal und Client-Isolation, das ausschließlich ins Internet darf und keinen Zugriff auf Verwaltungs- oder Unterrichtsnetze hat.
c) Die Kamera in der Aula soll zählen, wie viele Personen im Raum sind. Variante 1: Das Videobild wird in eine Cloud geschickt und dort ausgewertet. Variante 2: Die Kamera zählt selbst und sendet nur die Zahl (Edge Computing). Beschreibe einen Unterschied der beiden Varianten. (2 Punkte)
Ein Unterschied (2 Punkte), z. B.: Bei Edge Computing wird das Bild schon am Ort der Entstehung ausgewertet; es wird nur eine kleine Zahl übertragen, die Anzeige reagiert schneller (geringere Latenz), funktioniert auch bei gestörter Internetverbindung, und es verlassen keine Bilder von Personen die Schule. Bei der Cloud-Variante wird der ganze Videostrom übertragen.
d) Ordne jede Aussage einer Big-Data-Dimension zu: (1) Volume, (2) Velocity, (3) Variety. (3 Punkte)
- A: Die Daten liegen als Messwerte, Freitexte, Fotos und Videos in ganz unterschiedlichen Formaten vor.
- B: In zehn Jahren Barcamp sind mehrere Terabyte an Aufzeichnungen zusammengekommen.
- C: Während der Anmeldephase treffen in der ersten Minute über hundert Anmeldungen ein, die sofort verarbeitet werden müssen.
A → 3, B → 1, C → 2. Je 1 Punkt.
Aufgabe 3.1: Predictive Maintenance bei der Rahmenwerk OWL GmbH (Profilkompetenz)
(ca. 30 min Bearbeitungszeit)
Die Rahmenwerk OWL GmbH in Gütersloh fertigt Fahrradrahmen nach Maß für die CSB-Rad GmbH: Rohre werden gebogen, von Robotern geschweißt und pulverbeschichtet. Ein ungeplanter Ausfall eines Schweißroboters verzögert die Lieferung der Individualrahmen um Tage. Projektleiter Ole Petersen möchte deshalb von zeitbasierter Wartung auf Predictive Maintenance umstellen. Du arbeitest als Auszubildende*r in seinem Digitalisierungsteam.
a) Erkläre den Begriff Predictive Maintenance und grenze ihn von der bisherigen Wartung in festen Intervallen ab. (4 Punkte)
Predictive Maintenance ist vorausschauende Wartung: Aus Echtzeitdaten und Daten früherer Produktionsläufe wird erkannt, wann ein Bauteil voraussichtlich ausfällt, und die Wartung wird gezielt kurz vorher eingeplant. (2 Punkte)
Bei der präventiven, zeitbasierten Wartung wird nach festen Intervallen (z. B. alle 2.000 Betriebsstunden) gewartet, unabhängig vom tatsächlichen Zustand. Teile werden dadurch oft zu früh getauscht, und Ausfälle zwischen zwei Intervallen bleiben möglich. (2 Punkte)
b) Nenne fünf Daten, die das Monitoringsystem für die Vorhersage bei den Schweißrobotern erfassen und auswerten sollte. (5 Punkte)
Je 1 Punkt, z. B.: Motortemperaturen der Achsen; Schwingungen der Getriebe; Stromaufnahme der Antriebe und des Schweißgeräts; Betriebsstunden und Anzahl der Schweißzyklen; Fehler- und Warnmeldungen der Steuerung; Häufigkeit und Zeitpunkt früherer Störungen je Störungsart; Ausfallzeiten und durchgeführte Wartungen; Kühlwassertemperatur, Verschleiß der Schweißdüse.
c) Ein Teil der Daten soll in Echtzeit verarbeitet werden.
- ca) Erkläre, was Echtzeitdatenverarbeitung bedeutet. (2 Punkte)
- cb) Nenne je einen Bereich bei der Rahmenwerk OWL GmbH, in dem eine Echtzeiterfassung nötig ist und in dem sie wirtschaftlich nicht sinnvoll ist, und begründe jeweils. (4 Punkte)
ca) Die Daten werden innerhalb einer festgelegten, garantierten Zeit nach ihrer Erhebung verarbeitet, ohne Zeitverzug und bevor der nächste Datensatz entsteht. (2 Punkte)
cb) Je 2 Punkte, z. B.:
- nötig: Überwachung der Ofentemperatur in der Pulverbeschichtung oder der Kollisionsschutz der Schweißroboter. Bei Überhitzung oder einer Person im Arbeitsbereich muss sofort abgeschaltet werden, sonst drohen Brand, zerstörte Rahmen oder Verletzungen.
- nicht sinnvoll: Energiedaten der Hallenbeleuchtung oder die Auswertung für die Wartungsplanung der Lüftung. Hier reichen Trendwerte, die z. B. stündlich übertragen werden; Echtzeit würde nur Netz- und Rechenkosten verursachen.
d) Ole Petersen plant: Jeder Schweißroboter erhält einen Edge-Rechner, außerdem steht in jeder Halle ein Fog-Knoten; die Langzeitanalyse läuft in der Cloud. Erläutere die Konzepte Edge Computing und Fog Computing anhand dieser Planung. (6 Punkte)
- Edge Computing (3 Punkte): Die Daten werden direkt an der „Kante“ des Netzes, also am Roboter, verarbeitet. Der Edge-Rechner liest die Sensoren aus, berechnet Kennwerte (z. B. Effektivwert der Schwingung) und kann bei Grenzwertüberschreitung sofort reagieren, mit minimaler Latenz und auch ohne Verbindung zur Cloud.
- Fog Computing (3 Punkte): Der Fog-Knoten ist eine Zwischenschicht zwischen Edge und Cloud im lokalen Netz der Halle. Er sammelt die Kennwerte aller Roboter der Halle, speichert Rohdaten einige Tage zwischen, führt hallenweite Auswertungen durch und überträgt nur verdichtete Ergebnisse in die Cloud.
e) Bisher werden die Rohdaten direkt in die Cloud geschickt: In den fünf Schweißanlagen sitzen je 24 Sensoren, die je 2.000 Werte pro Sekunde mit 2 Byte senden. Der Cloudanbieter berechnet 0,30 € je übertragenem GB. Künftig berechnen die Edge-Rechner pro Sensor und Sekunde nur vier Kennwerte zu je 4 Byte. Berechne die Übertragungskosten für 30 Tage vorher und nachher und erläutere, warum die Kosten sinken. (6 Punkte)
Geg.: 5 Anlagen, je 24 Sensoren, roh 2.000 Werte/s à 2 Byte, nachher 4 Kennwerte/s à 4 Byte, 30 Tage = 2.592.000 s, 0,30 €/GB
Ges.: Kosten vorher K_{roh} und nachher K_{edge}
I: D_{roh} = 5 \cdot 24 \cdot 2.000 \cdot 2\,\frac{\text{Byte}}{\text{s}} = 480.000\,\frac{\text{Byte}}{\text{s}}
II: V_{roh} = D_{roh} \cdot t = 480.000\,\frac{\text{Byte}}{\text{s}} \cdot 2.592.000\,\text{s} = 1.244{,}16\,\text{GB}
K_{roh} = 1.244{,}16\,\text{GB} \cdot 0{,}30\,\frac{€}{\text{GB}} \approx \underline{\underline{373{,}25\,€}}
III: D_{edge} = 5 \cdot 24 \cdot 4 \cdot 4\,\frac{\text{Byte}}{\text{s}} = 1.920\,\frac{\text{Byte}}{\text{s}}, also V_{edge} = 1.920 \cdot 2.592.000\,\text{Byte} \approx 4{,}977\,\text{GB}
K_{edge} = 4{,}977\,\text{GB} \cdot 0{,}30\,\frac{€}{\text{GB}} \approx \underline{\underline{1{,}49\,€}}
Erläuterung: Der Anbieter rechnet nach übertragenem Datenvolumen ab. Weil die Daten nahe an den Sensoren verdichtet werden, sinkt das übertragene Volumen um rund 99,6 %, und damit sinken die Kosten im selben Verhältnis.
Bewertung: Datenrate und Volumen vorher 2 Punkte, Kosten vorher 1 Punkt, Kosten nachher 2 Punkte, Erläuterung 1 Punkt.
f) Zwischen Biegerei und Schweißerei fahren künftig fahrerlose Transportfahrzeuge (FTF) mit Rohrsätzen. Beschreibe zwei mögliche Verhaltensweisen eines FTF, das eine Person im Fahrweg erkennt, und gib je einen Vor- und einen Nachteil an. (6 Punkte)
Je Verhaltensweise 1 Punkt, je Vor- und Nachteil 1 Punkt, z. B.:
| Verhaltensweise | Vorteil | Nachteil |
|---|---|---|
| anhalten und warten, bis der Weg frei ist | sehr sicheres, einfaches Verfahren | produktive Zeit geht verloren, nachfolgende Transporte stauen sich |
| abbremsen und einen Weg um die Person herum suchen | wenig Zeitverlust | höherer Aufwand für Sensorik, Software und Absicherung, damit die Person nicht gefährdet wird |
| anhalten, akustisch warnen und nach Freigabe weiterfahren | Person wird aufmerksam und kann ausweichen | Lärm; Warnsignale werden mit der Zeit ignoriert |
Aufgabe 3.2: Daten der Leihrad-Flotte von CSB-Rad (Profilkompetenz)
(ca. 27 min Bearbeitungszeit)
Die CSB-Rad GmbH in Bielefeld will ab 2027 rund 500 Leihräder für Privatkundschaft anbieten. Jedes Rad hat ein Smartlock mit GPS, Mobilfunkmodul und Akku. Geschäftsführer Cem Sarıkaya möchte, dass jedes Smartlock jede Sekunde eine Statusmeldung mit Position, Akkustand, Schlossstatus und Erschütterungssensor sendet; eine Meldung umfasst 250 Byte. Du unterstützt ihn als Auszubildende*r.
a) Beschreibe anhand der Leihrad-Flotte die Bedeutung der Big-Data-Dimensionen Volume, Velocity und Variety. (6 Punkte)
Je 2 Punkte:
- Volume: Die Datenmenge wächst sehr schnell auf Terabyte an (siehe b), weil 500 Räder rund um die Uhr Daten liefern; klassische Datenbanken auf einem einzelnen Server stoßen an Grenzen.
- Velocity: Jede Sekunde treffen 500 neue Meldungen ein; ein Diebstahl- oder Sturzalarm muss sofort erkannt und weitergeleitet werden.
- Variety: Die Daten sind unterschiedlich: Positionsdaten, Messwerte, Statuscodes, dazu Buchungs- und Zahlungsdaten aus dem Shop, Fotos von Schadensmeldungen und Freitexte der Kundschaft.
b) Berechne die Datenmenge, die die Flotte pro Tag und pro Jahr (365 Tage) erzeugt. (4 Punkte)
Geg.: n = 500 Räder, eine Meldung pro Sekunde à g = 250 Byte, 1 Tag = 86.400 s
Ges.: Datenmenge pro Tag V_T und pro Jahr V_J
I: D = n \cdot g = 500 \cdot 250\,\frac{\text{Byte}}{\text{s}} = 125.000\,\frac{\text{Byte}}{\text{s}}
II: V_T = D \cdot 86.400\,\text{s}
I in II:
V_T = 125.000\,\frac{\text{Byte}}{\text{s}} \cdot 86.400\,\text{s} = 10.800.000.000\,\text{Byte} = \underline{\underline{10{,}800\,\text{GB}}}
V_J = 10{,}8\,\text{GB} \cdot 365 = 3.942\,\text{GB} = \underline{\underline{3{,}942\,\text{TB}}}
Bewertung: Datenrate 1 Punkt, Tag 2 Punkte, Jahr 1 Punkt.
c) Für die Kommunikation zwischen Rad und Flottenportal werden drei Lösungen vorgeschlagen. Beschreibe jeweils einen konkreten Mehrwert. (6 Punkte)
| Lösung | Mehrwert |
|---|---|
| Smartlock, das Daten nur verschlüsselt (TLS) überträgt | |
| Multifaktor-Authentifizierung am Flottenportal | |
| Edge Computing im Smartlock |
Je 2 Punkte, z. B.:
| Lösung | Mehrwert |
|---|---|
| verschlüsselte Übertragung | Positionen und Schließbefehle können unterwegs nicht mitgelesen oder manipuliert werden; niemand kann ein fremdes Rad per gefälschtem Befehl öffnen. |
| Multifaktor-Authentifizierung | Ein gestohlenes Passwort allein reicht nicht, um im Portal Räder zu entsperren oder Kundendaten abzurufen. |
| Edge Computing | Das Smartlock wertet Erschütterung und Position selbst aus und sendet nur bei Fahrt, Alarm oder alle paar Minuten eine Meldung; das senkt Datenvolumen und Mobilfunkkosten, spart Akku, und ein Diebstahlalarm wird auch im Funkloch lokal ausgelöst und später übertragen. |
d) Die Daten sollen bei einem Cloudanbieter gespeichert und ausgewertet werden. Nenne neben den Kosten fünf Kriterien für die Auswahl des Anbieters. (5 Punkte)
Je 1 Punkt, z. B.: Datenstandort in der EU; Einhaltung der DSGVO mit Vertrag zur Auftragsverarbeitung; Verfügbarkeit und Service Level Agreements; Skalierbarkeit; Datensicherheit und Zertifizierungen (z. B. ISO/IEC 27001, BSI C5); Kompatibilität bzw. offene Schnittstellen (Vermeidung von Lock-in); Support und Reaktionszeiten; Exportmöglichkeiten der Daten.
e) Sophie Bertram, Geschäftsführerin Vertrieb, möchte wissen, wie viele Räder morgens an welcher Station stehen sollten. Erläutere, wie Du aus den Flottendaten einen solchen Vorhersagewert bereitstellen kannst. (4 Punkte)
Die Ausleih- und Rückgabedaten je Station werden über längere Zeit gespeichert (Monitoring). Daraus werden statistische Werte gebildet, z. B. durchschnittliche Ausleihen je Wochentag, Uhrzeit und Monat; diese werden mit Wetterprognosen, Ferien- und Veranstaltungsterminen kombiniert, ggf. mit einem lernenden Modell. Das System gibt so für jeden Morgen einen Vorhersagewert aus, nach dem die Räder umverteilt werden. (4 Punkte; je nachvollziehbarem Schritt 1 bis 2 Punkte)
f) Datenschutzbeauftragte weisen darauf hin, dass sekündliche GPS-Daten Bewegungsprofile der Kundschaft ergeben. Beschreibe zwei Maßnahmen, wie sich das durch die Verarbeitung im Smartlock oder in einem Fog-Knoten verringern lässt. (4 Punkte)
Je 2 Punkte, z. B.:
- Datenminimierung: Das Smartlock sendet während der Fahrt keine Positionen, sondern nur Start- und Zielstation bzw. die Position beim Abschließen; nur bei Diebstahlalarm wird laufend geortet.
- Verdichtung/Anonymisierung: Ein Fog-Knoten berechnet aus den Rohdaten nur Kennzahlen je Station (z. B. Ausleihen pro Stunde) und löscht die Rohpositionen nach kurzer Frist; in die Cloud gehen nur anonyme Zahlen ohne Bezug zu Kundenkonten.
- Pseudonymisierung: Die Daten werden mit einer Rad-ID statt einer Kundennummer übertragen; die Zuordnung zur Person ist nur im Buchungssystem möglich.
Links und weitere Informationen
Hinweis zur Nachnutzung als Open Educational Resource (OER)
Dieser Artikel und seine Texte, Bilder, Grafiken, Code und sonstiger Inhalt sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Nennung gemäß TULLU-Regel bitte wie folgt: “Übungsaufgaben zu Edge, Fog und Predictive Maintenance” von oer-informatik.de (H. Stein), Lizenz: CC BY 4.0. Der Artikel wurde unter https://oer-informatik.de/edge-fog-predictive-maintenance-uebungsaufgaben veröffentlicht, die Quelltexte sind in weiterverarbeitbarer Form verfügbar im Repository unter https://gitlab.com/oer-informatik/mcu/iot-grundlagen. Erstellt mit KI-Assistenz; von mir umfassend redaktionell überarbeitet, geprüft und freigegeben. Stand: 28.10.2026.
[Kommentare zum Artikel lesen, schreiben] / [Artikel teilen] / [gitlab-Issue zum Artikel schreiben]
