- AI
- Industries
- Edge Computing
- Clea
Edge-AI-Hardware für Industrie-Gateways mit erweitertem Temperaturbereich auswählen: Warum TOPS pro Watt zählt
Industrielle Edge AI unterstützt Echtzeitanalysen in Branchen wie Fertigung und Gebäudemanagement. Prozessoren mit geringem Stromverbrauch liefern eine bescheidene AI-Leistung, doch Entwickler müssen Strombudgets, Temperaturbereiche und Kühlungsbeschränkungen abwägen. Die Kennzahl TOPS pro Watt hilft Ingenieuren, Plattformen nach Energieeffizienz zu vergleichen und eine Lösung zu wählen, die sowohl die Leistungsanforderungen als auch die Umgebungsbedingungen erfüllt.

Edge Computing hat in der Industrie- und Gebäudeautomation eine zentrale Rolle eingenommen: Industrie-Gateways übernehmen zunehmend Aufgaben wie die Überwachung von Prozessbedingungen, die Erkennung von Anomalien in Arbeitsabläufen und die Optimierung des Stromverbrauchs von Anlagen vor Ort. Möglich machen dies die wachsende Intelligenz von Edge-Geräten und der Einsatz von Plattformen für künstliche Intelligenz (KI), die dedizierte Workloads direkt auf dem Gerät und in Echtzeit statt auf entfernten Cloud-Servern ausführen können.
Das Spektrum der Edge-AI-Workloads ist breit: von einfachen Klassifizierungsaufgaben auf integrierten Micro Neural Processing Units (microNPUs) bis zu komplexen Vision-Pipelines zur Produktklassifizierung auf Förderbändern in Qualitätsprüfsystemen. Im letztgenannten Szenario benötigt das Edge-Gerät dedizierte AI-Hardwarebeschleuniger, um Daten mehrerer Sensoren oder Kameras mit minimaler Latenz zu verarbeiten.
Um die AI-Leistung zu beschreiben, zu messen und zu vergleichen, hat sich Tera Operations per Second (TOPS) als weit verbreitete Kennzahl etabliert, doch die TOPS-Angabe allein reicht nicht aus, um die Eignung von AI-Hardware für industrielle Edge-Anwendungen zu beurteilen. Bei der Wahl des richtigen Edge-Geräts müssen Anwender AI-Leistung, Stromverbrauch, Wärmemanagement und Zuverlässigkeit in Umgebungen von −20°C bis +70°C gegeneinander abwägen.
AI-Leistung mit TOPS/W normalisieren
Bei der Auswahl von AI-Hardware für Edge-Anwendungen ist es wichtig zu berücksichtigen, wie reale thermische Bedingungen und die daraus resultierenden Leistungsgrenzen die verfügbare Rechenleistung im Vergleich zur Spitzenleistung beeinflussen. Aus diesem Grund hat sich TOPS pro Watt (TOPS/W) als aussagekräftigere Vergleichskennzahl für Edge-AI-Plattformen herausgebildet.
Indem TOPS/W die verfügbare AI-Rechenleistung direkt mit dem Stromverbrauch ins Verhältnis setzt, ermöglicht es einen sinnvolleren Vergleich verschiedener AI-Hardware-Ansätze. Für Industrie-Gateways lassen sich drei typische AI-Hardwarelösungen unterscheiden, wie Tabelle 1 zeigt.
Tabelle 1: Vergleich verschiedener Edge-AI-Hardwarelösungen für Industrie-Gateways.
| Hardwaretyp | SoC mit microNPU (Arm Ethos NPU) | GPU-Modul (NVIDIA Jetson Orin) | Dedizierter Hardwarebeschleuniger (Hailo-8) |
|---|---|---|---|
| Typischer Stromverbrauch | ~1 bis 2 W | ~5 bis 15 W | ~2.5 W |
| AI-Effizienz | ~0.5 TOPS/W | ~2.7 bis 7.5 TOPS/W | >10 TOPS/W |
| Ideale Einsatzbereiche | Energieeffiziente Always-on-Edge-Geräte, Präsenz- und Zustandserkennung, Datenvorverarbeitung | Autonome mobile Roboter, Optimierung der Prozesssteuerung, Mehrkamerasysteme | Multisensor-Fusion bei vorausschauender Wartung, Anomalieerkennung, Objektzählung |
| Vorteile | Geringe thermische Anforderungen ermöglichen lüfterlose Designs | Komplexe Workloads lassen sich bei hoher Auslastung effizient bewältigen | Führende TOPS/W-Effizienz; je nach Workload passive Kühlung möglich |
| Nachteile | Begrenzte Leistung für komplexe Workloads wie Echtzeit-Vision | Erfordert in der Regel aktive Kühlung, was die Systemkomplexität erhöht; relativ teuer | Erfordert einen Host-Prozessor, der die Effizienz auf Systemebene stark beeinflusst; relativ teuer |
Für viele ressourcenbeschränkte Industrie-Gateway-Anwendungen stellt ein System-on-Chip (SoC) mit integrierter microNPU einen ausgewogenen Kompromiss dar: Es bietet ausreichende AI-Leistung bei minimalem Stromverbrauch, was das Wärmemanagement erheblich vereinfacht. So hat etwa der NXP i.MX 93 SoC energieeffiziente Edge-AI-Posenschätzung direkt auf seiner integrierten microNPU demonstriert. Dabei erkennt das Modell Körperhaltungen oder potenziell gefährliche Situationen mit extrem niedriger Latenz, um die Sicherheit von Industriearbeitern zu verbessern. Der Dauerbetrieb wird durch den minimalen Rechen-, Wärmemanagement- und Strombedarf der microNPU als Teil eines Gesamtsystems ermöglicht. Wer TOPS/W statt der Spitzenleistung in TOPS betrachtet, erkennt diese Fähigkeit und lässt sich nicht von den versteckten Anforderungen an das Wärmemanagement leistungsstärkerer Hardware täuschen.
Ein Edge-Gateway für wartungsarme AI-Anwendungen
Um eine zuverlässige Edge-AI-Funktionalität in Umgebungen von −20°C bis +70°C zu unterstützen, benötigen Anwender ein robustes Industrie-Gateway, das Verbindungen zur lokalen Sensor- und Steuerungsinfrastruktur ermöglicht. Auf Basis des Computer-on-Modules (COM) SOM-SMARC-MX93 von SECO ist das Modular Link MX93 ein lüfterloser Industrie-PC für die Hutschienenmontage mit den Maßen 140 x 96 x 36 mm.
Kernstück ist der bereits erwähnte NXP i.MX 93 SoC mit zwei Arm-Cortex-A55-Applikationskernen, einem Arm-Cortex-M33-Echtzeitkern und einer Arm-Ethos-U65-microNPU, die bis zu 0.5 TOPS für Edge-AI-Workloads liefert. Diese Plattform, die in Abbildung 1 zu sehen ist, unterstützt bis zu 2 GB LPDDR4-Speicher, zwei Gigabit-Ethernet-Ports und mehrere Hochgeschwindigkeitsschnittstellen, darunter zwei USB 2.0, digitale I/O und serielle Schnittstellen.
Siehe Abbildung 1: Das Industrie-Gateway Modular Link MX93 von SECO bietet ausreichend AI-Leistung für Anwendungen in der Industrie- und Gebäudeautomation.
Für die industrielle Integration sind die flexiblen I/O-Optionen besonders wichtig: Ein per Software konfigurierbarer UART-RJ12-Anschluss unterstützt RS-232, RS-422 oder RS-485, wodurch sich die Plattform gut für Retrofit-Szenarien mit bestehenden Installationen und Altgeräten eignet. Das modulare Design bietet außerdem stapelbare Tochtersysteme, mit denen sich die Plattform um anwendungsspezifische Anschlüsse erweitern lässt.
Im zuvor genannten Sicherheitsszenario würde das Modular Link MX93 über seine Hochgeschwindigkeitsschnittstellen direkt an eine Industriekamera oder einen Vision-Sensor angeschlossen. Videostreams werden auf dem NXP i.MX 93 SoC vorverarbeitet, während die AI-Inferenz selbst auf der integrierten Arm-Ethos-U65-microNPU läuft. Die resultierenden Daten werden lokal ausgewertet, um unsichere Haltungen oder Bewegungen zu erkennen, sodass das System Warnungen auslösen oder Ereignisse an übergeordnete Steuerungssysteme weiterleiten kann, ohne rohe Videodaten in die Cloud streamen zu müssen.
Zusätzlich zu seiner beeindruckenden Hardware wird das Modular Link MX93 durch Clea ergänzt, das umfassende Software-Ökosystem von SECO, das Geräteverwaltung, Updates und den sicheren Betrieb verteilter Edge-AI-Deployments unterstützt. Das Yocto-basierte Clea OS vereinfacht das Deployment von Anwendungen auf dem Modular Link MX93 und auf den meisten Edge-Produkten von SECO. Indem SECO das Hardware-Software-Ökosystem auf diese Weise vervollständigt, unterstützt es Anwender von Industrie-Gateways dabei, die vollen Vorteile von Edge AI über die gesamte Lebensdauer des Deployments zu nutzen.
Edge-AI-Hardware für industrielle Anwendungen auswählen
Mit der steigenden Marktnachfrage wächst die Zahl der Edge-AI-Hardwareoptionen, und die Wahl der richtigen Lösung für ein industrielles Deployment oder ein Deployment in der Gebäudeautomation bleibt eine anspruchsvolle Aufgabe. Ein strukturiertes Vorgehen hilft jedoch, schlechte Designentscheidungen von vornherein zu vermeiden. Bei der Auswahl einer Edge-AI-Plattform sollten Anwender daher drei zentrale Schritte befolgen:
- Die Rechenleistung auf den tatsächlichen Anwendungsfall abstimmen; nicht jede Anwendung benötigt maximale TOPS.
- TOPS/W als Auswahlkriterium nutzen, um energieeffiziente Plattformen für einfache AI-Aufgaben zu identifizieren, und leistungsstärkere Beschleuniger komplexeren Anwendungen vorbehalten.
- Faktoren auf Systemebene berücksichtigen, darunter Stromversorgung, Wärmemanagement, Umgebungsbedingungen, I/O-Anforderungen und das verfügbare Software-Ökosystem, da diese für den Langzeitbetrieb entscheidend sind.
Für viele Anwendungen mit begrenztem Strombudget bietet die microNPU-basierte AI-Verarbeitung des SECO Modular Link MX93 eine ausgewogene Lösung. Mit 0.5 TOPS AI-Leistung, die etwa 1 W zum Gesamtstromverbrauch des Systems beitragen, wird das Wärmemanagement vereinfacht. Das ermöglicht robuste, wartungsarme Edge-AI-Gateways für den Einsatz in der Industrieautomation, Robotik, Gebäudeleittechnik und darüber hinaus.
Wenn Sie mehr über Edge AI für industrielle Anwendungen erfahren möchten, kontaktieren Sie noch heute die Expertinnen und Experten von SECO und profitieren Sie in vollem Umfang von deren Edge-Computing-Know-how.

In diesem Artikel vorgestellt
SOM-SMARC-MX93
SMARC® Rel. 2.1.1 Computer-on-Module (CoM) mit NXP i.MX 93 Anwendungsprozessoren.
- SMARC®
- NXP i.MX 933/935
Ebenfalls in diesem Artikel: Modular Link MX93
Abonnieren Sie den SECO Newsletter.
Melden Sie sich mit Ihrer E-Mail-Adresse auf seco.com an.




