China Mobile bringt Edge-Cloud-Collaboration voran

Die Edge-Computing-Plattform OneNET nutzt die Intel® Visual Cloud Accelerator Card für die intelligente Fertigung.

Auf einen Blick:

  • Als bedeutender Zweig für das IoT-Geschäft und die Dienste von China Mobile folgt China Mobile Internet of Things Co., Ltd. (China Mobile IoT) der „Big Connectivity“-Strategie des Unternehmens.

  • Zusammen mit Intel führte China Mobile IoT Mobile-Edge-Computing-Server (MEC) mit der Intel® Visual Cloud Accelerator Card – Analytics (VCAC-A) ein. Dies ermöglicht sowohl hohe Rechenleistung als auch starke Deep-Learning-Inferenz-Funktionen für maschinelles Sehen auf der Edge-Seite.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Die rasante Entwicklung der Kommunikations- und Netzwerktechnik bringt neue Impulse für Innovationen und die Weiterentwicklung im Internet der Dinge. Dadurch entstehen mehr Möglichkeiten für die Digitalisierung und die intelligente Transformation traditioneller Branchen wie der Fertigung. Als bedeutender Zweig für das IoT-Geschäft und die Dienste von China Mobile folgt China Mobile Internet of Things Co., Ltd. (China Mobile IoT) der „Big Connectivity“-Strategie des Unternehmens und führt Edge-Computing, Cloud-Computing, künstliche Intelligenz (KI), 5G und weitere modernste Technik zusammen, um die Edge-Computing-Plattform OneNET zu entwickeln und zu verbessern und damit intelligente Innovationen in der Fertigungsindustrie zu beschleunigen.

Die Hauptvorteile der Edge-Computing-Plattform OneNET ergeben sich aus ihrer Positionierung als Plattform für „Edge“-Anwendungen. Sie bietet Nutzern eine umfassende IoT-Architektur in Form einer „Cloud-Edge-Collaboration“. Um diese Plattform mit effizienteren und flexibleren Edge-Computing-Funktionen auszustatten, hat China Mobile IoT gemeinsam mit Intel Mobile-Edge-Computing-Server (MEC-Server) mit der Intel® Visual Cloud Accelerator Card – Analytics (VCAC-A) eingeführt. Dies ermöglicht sowohl hohe Rechenleistung als auch starke Deep-Learning-Inferenz-Funktionen für maschinelles Sehen auf der Edge-Seite.

Als wichtiges Element der ‚Big Connectivity‘-Strategie von China Mobile nutzt China Mobile IoT die Vorteile der Netzwerktransformation für den Netzwerkrand, um die Edge-Computing-Plattform OneNET aufzubauen und technische Unterstützung für die intelligente Transformation traditioneller Branchen zu bieten. Der MEC-Server mit VCAC-A stellt Benutzern hohe Rechenleistung und effiziente Funktionen für visuelle Inferenz auf der Edge-Seite bereit. Die auf maschinellem Sehen beruhenden Inspektionslösungen in Industriequalität, die wir auf Basis der Edge-Computing-Plattform OneNET entwickelt haben, unterstützen und begleiten auch die digitale und intelligente Transformation der verarbeitenden Branchen.“ – Yuan Liu, Deputy General Manager und Senior Technical Director, Open Platform Department, China Mobile Internet of Things Co., Ltd.

Auf der Edge-Computing-Plattform OneNET basierende Lösungen werden derzeit in vielen Branchen wie im Maschinenbau und in der Textilindustrie erfolgreich eingesetzt. Beispielsweise hat die Applikation der Plattform als Managementsystem für die automatische Gaszählerprüfung die Genauigkeit und den Automatisierungsgrad der Prüfung verbessert, Arbeitskosten eingespart und zu höherer Produktivität und Effizienz geführt, was bei den Benutzern im Einsatz Anerkennung und Lob fand.

Vorteile der Lösung von China Mobile IoT

  • Die Edge-Computing-Plattform OneNET ermöglicht die Datensynchronisierung zwischen Edge-Systemen und der Cloud und stellt mehr Datenmuster für Offline-Big-Data-Analyse und KI-Training in der Cloud bereit. Unterdessen kann die Cloud auch die aktualisierten KI-Modelle und Algorithmen zu den Edge-Plattformen übertragen und sicherstellen, dass die Benutzer weiter über effizientere und genauere Inferenzfunktionen verfügen.
  • Die effizienten Möglichkeiten der neuen Lösung für die Cloud-Edge-Collaboration, die visuelle Verarbeitung und die KI-Inferenz helfen den Benutzern, den Automatisierungsgrad der Gaszählerprüfung zu verbessern. Die Arbeit der vormals drei Datenerfasser kann jetzt von einem erledigt werden, und ein Erfasser, der nur für die Erfassung der Grunddaten vor der Auslieferung zuständig ist, wird nicht mehr benötigt, was Arbeitskosten einspart und die Gesamtbetriebskosten senkt.
  • Mit der beschleunigten Verarbeitungsleistung der VCAC-A ermöglicht die neue Lösung beim Einsatz in der Gaszählerprüfung effiziente KI-Inferenz wie die optische Zeichenerkennung (Optical Character Recognition, OCR) und das Ablesen von Messwerten mit einer Genauigkeit von bis zu 99,5 %.1
    Dadurch verringert sich das Übersehen defekter Produkte bei gleichzeitiger Verbesserung der Effizienz der Qualitätsprüfung.

Edge-Computing-Plattform unterstützt die Cloud-Edge-Collaboration

Als wesentlicher Bestandteil oder Eckpfeiler der intelligenten Fertigung unterstützt die Entwicklung von Informations- und Netzwerktechnik Unternehmen bei Innovationen für ihren Produktionsbetrieb, die Produktionsverwaltung und bei geschäftlichen Entscheidungen. Beispielsweise helfen die Entwicklung und Integration von Cloud-Computing, Internet der Dinge, KI- und 5G-Technik Unternehmen, einen intelligenteren Betrieb der Produktionslinie, einen effizienteren Produktionsprozess und fundiertere Geschäftsentscheidungen zu ermöglichen.

Die enorme erforderliche Datenverarbeitungs- und Rechenkapazität ist eine Herausforderung für das IT-Personal der Unternehmen sowie den Betrieb und die Wartung ihrer IT-Einrichtungen. Das herkömmliche zentralisierte Cloud-Computing-Modell kann die Anforderungen an eine massive Datenverarbeitung, die mit der digitalen Transformation der Unternehmen verbunden ist, nicht erfüllen. Zugleich beschränkt die aktuell unzureichende Datenbasis traditioneller Unternehmen im verarbeitenden Gewerbe deren Fähigkeit, die intelligente Transformation umzusetzen.

Um diese Herausforderungen zu bewältigen, nutzt China Mobile IoT die mit der Netzwerktransformation verbundenen Vorteile für die Ebene der End- oder „Edge“-Systeme zur Übergabe einiger der Cloud-Funktionen an die Edge-Plattformen und entwickelt Lösungen für die Cloud-Edge-Collaboration mit der Edge-Computing-Plattform OneNET als Kernstück. Die Architektur dieser Plattform ist in Abb. 1 dargestellt. Die Plattform unterstützt die Nutzer dabei, ohne eigene DevOps durch Service Collaboration, Intelligent Collaboration und andere Methoden eine Reihe komplexer Aufgaben in der Cloud – wie das Trainieren von KI-Modellen, Big-Data-Analyse und die Funktionsberechnung – erledigen zu können, und sie bietet der Cloud umfangreiche Datenmuster für das Analysetraining, wobei der Zeitaufwand für die Aktualisierung der Algorithmen durch die Daten-Collaboration mit den Edge-Systemen erheblich reduziert wird. Außerdem nutzt die Lösung aufseiten der Edge-Systeme verfügbare Funktionen der Datenerfassung und Steuerung von Geräten, hohe Verarbeitungsleistung und Inferenzfunktionen für die Datenaggregation, Ausführung von Anwendungen, KI-Inferenz und Sicherheitsüberwachung der Produktionslinien und -geräte. Dadurch verringert sich die Belastung des Netzwerks aufgrund der Datenübertragung, und das System wird agiler und sicherer.

Basierend auf der Edge-Computing-Plattform OneNET mit den oben genannten Funktionen und mit Blick auf die praktischen Herausforderungen und Anforderungen bei der intelligenten Transformation verschiedener Branchen hat China Mobile IoT eine Reihe von Branchenlösungen vorgestellt, darunter Lösungen für die automatische Zählerprüfung, die von Gasgeräteherstellern zum Zweck der intelligenten Fertigung eingesetzt werden.

Neue Lösungen für die Gaszählerprüfung auf der Basis von OneNET

Gasgerätehersteller registrierten die Zählerstände vor der Auslieferung, zählten die Anzahl der verschiedenen Gerätetypen und prüften die Genauigkeit der Zähler vormals manuell. Diese Methode ist von Natur aus mit einer hohen Fehlerquote bei der Zählerablesung behaftet und nicht sehr effizient. Lösungen für die automatisierte Prüfung mit maschinellem Sehen sind eine effektive Möglichkeit, diese Nachteile zu beseitigen, aufgrund der großen Anzahl von Zählerherstellern und verschiedenen Modellen jedes Herstellers gibt es jedoch große Unterschiede bei den Datenanzeigen. Für Standardlösungen mit maschinellem Sehen ist es ein Problem, mit diesen vielfältigen und differenzierten Gegebenheiten zurechtzukommen. Jedes Mal, wenn ein Hersteller eine neue Produktlinie einführt oder einfach nur das Design der Skalen ändert, muss der Standardalgorithmus für die visuelle Erfassung erneut entwickelt werden, was Zeit und Ressourcen verschwendet und die Kosten steigert.

Die neue, auf der Edge-Computing-Plattform OneNET basierende Lösung für Cloud-Edge-Collaboration von China Mobile IoT löst diese Probleme auf effiziente Weise. Sie nutzt die leistungsstarken Funktionen für das Training von KI-Modellen und die Big-Data-Analyse in der Cloud, um Unternehmen die Aktualisierung und Optimierung ihrer Modelle für die Prüfung in Echtzeit zu ermöglichen und so die Kosten und die Belastung für den Betrieb und die Wartung von IT-Einrichtungen zu reduzieren. Die Plattform kann leistungsfähige Edge-Computing-Funktionen nutzen, damit Unternehmen effizient und flexibel neue auf maschinellem Sehen und Deep Learning basierende Lösungen für die Geräteprüfung in ihren Produktionslinien entwickeln können.

Abbildung 1: Gesamtarchitektur der Edge-Computing-Plattform OneNET

Abbildung 2. Gaszählerprüfung bei Verwendung der Edge-Computing-Plattform OneNET

Wie in Abb. 2 ersichtlich, erfassen bei der neuen Lösung für die Gaszählerprüfung, die auf der Edge-Computing-Plattform OneNET basiert, hochauflösende an der Produktionslinie der Gaszähler installierte Industriekameras die durchlaufenden Produkte in Echtzeit und übertragen diese Daten mit hoher Geschwindigkeit über ein 5G-Netzwerk mit hoher Bandbreite und niedriger Latenz zur Edge-Computing-Plattform OneNET auf der Edge-Seite. Nachdem der mit der Plattform eingesetzte MEC-Server das voreingestellte Erkennungsmodell geladen hat, führt das System zwei Schritte aus: Lokalisierung der Messwerte und Erkennung der Daten in der Anzeige.

Wegen der unterschiedlichen Modelle, Orientierungen und Intervalle der Zähler in den Produktionslinien und der verschiedenen Blickwinkel, unter denen die Kameras die Videobilder erfassen, muss das System zuerst den Bereich der Zähleranzeige lokalisieren. Bei der neuen Lösung wird ein auf Deep Learning basierender Objekterkennungsalgorithmus verwendet, um die Zähleranzeige zu lokalisieren. Um die Vielseitigkeit und Brauchbarkeit der Lösung zu verbessern, beinhaltet sie ein SSD300-Objekterkennungsmodell (Single Shot MultiBox Detector)2, das eine Genauigkeit der Prüfung aufweist, die mit Faster R-CNN vergleichbar ist, und bietet durch die mit der neuen VCAC-A beschleunigte Verarbeitung eine höhere Prüfgeschwindigkeit, was die hohen Anforderungen einer Echtzeitprüfung in industriellen Produktionslinien erfüllt.

Nachdem der Bereich der Zähleranzeige lokalisiert wurde, nutzt das System verschiedene Methoden des maschinellen Sehens, um automatisch drei Informationen zu erkennen: angezeigter Wert, Barcode des Nutzers und Zählermodell. Um mit großen Unterschieden in den Schriften und Farben der Zähleranzeigen zurechtzukommen, verwendet die Lösung ein auf Deep Learning basierendes Klassifizierungs- und Erkennungsmodell. Dieses Modell ist in Bezug auf Beleuchtung und Helligkeitsabstufung robuster, weshalb die Qualität der Bilder aus der Videoaufnahme nicht so kritisch ist, und durch die kürzere Zeit für das lokale „Fine Debugging“ verbessert sich die Anwendbarkeit der Lösung. Zur Erkennung von Barcodes der Nutzer verwendet die Lösung das Edge-Response-Prinzip für die Implementierung der Barcode-Lokalisierung. Mittlerweile korrigiert sie den Barcode mit dem Erkennungsmodul basierend auf dem starken Gradienten des Barcodes in der x-Richtung und dekodiert ihn dann schnell.

Gaszählersymbole bestehen üblicherweise aus Buchstaben, Zahlen und speziellen Symbolen. Um eine schnelle Erkennung und Abtastung der Symbole zu erzielen, nutzt die Lösung ein auf Deep Learning basierendes CRNN-Modell (Convolutional Recurrent Neural Network)3 für ein effizientes OCR-Modul. Im Vergleich zu anderen Deep-Learning-Modellen eignet sich das besondere Netzdesign „Convolutional Layer – Circulation Layer – Transcription Layer“ des CRNN-Modells besser für die Texterkennung.

Nachdem die Daten der Zähleranzeige erkannt wurden, lädt die Edge-Computing-Plattform OneNET die Ergebnisse in Echtzeit zur OneNET-Cloud-Plattform hoch. Mit der Rechenleistung und den Trainings- und Analysemöglichkeiten in der Cloud kann die Lösung auf viele Datenmuster zurückgreifen, um das Modell weiter zu trainieren und zu optimieren. Das aktualisierte Modell wird als Online-Upgrade zur Edge-Plattform zurückgegeben, damit die Effizienz und Genauigkeit des Systems durch diese Cloud-Edge-Collaboration und kontinuierliche Iteration ständig verbessert werden.

Intel VCAC-A erhöht die Verarbeitungsleistung

Bei der Entwicklung von intelligenten Lösungen für verschiedene Fertigungslinien ist China Mobile IoT auch an einer leistungsstarken Infrastruktur für die Edge-Computing-Plattform OneNET interessiert, damit die Plattform hohe Verarbeitungsleistung und effiziente visuelle Inferenzfunktionen bereitstellt. Die VCAC-A im MEC-Server ist die Schlüsselkomponente, die China Mobile IoT und Intel gemeinsam für die visuellen Inferenzfunktionen der Plattform eingesetzt haben.

Bei einer Lösung für die intelligente Fertigung, die auf maschinellem Sehen basiert, fällt logischerweise viel Videodecodierung, -skalierung und -analyse an. Für diese Aufgaben ist bisher üblicherweise der Hauptprozessor des Systems zuständig. Mit der kontinuierlichen Steigerung der Videoqualität, insbesondere der Anwendung von Industriekameras mit höherer Auflösung als 1080p, steigt die erforderliche Verarbeitungsleistung um ein Vielfaches. Wenn diese Verarbeitung durch den Prozessor erfolgt, wird dadurch unweigerlich die Gesamtleistung des Systems beeinträchtigt.

Vor diesem Hintergrund wurde die VCAC-A erstmalig im MEC-Server der Edge-Computing-Plattform OneNET eingesetzt. Die auf einem einzelnen Intel® Core™ Prozessor und 12 Intel® Movidius™ Myriad™ X Vision Processing Units basierende Karte stellt hochauflösende Videoverarbeitungsfunktionen bereit. In Verbindung mit dem Intel® Xeon® Gold 6140 Prozessor für Zweiprozessorsysteme im MEC-Server kann sie bis zu 24 Kanäle für 1080p/30-FPS-Videodecodierung, Skalierung und Analyse sowie andere Videoverarbeitungsanforderungen der Lösung unterstützen. Dies bedeutet auch, dass mehr Ressourcen des Hauptprozessors freigegeben werden, was die Gesamteffizienz des Systems verbessert.

Eine weitere Besonderheit der VCAC-A ist ihre hervorragende Fähigkeit der visuellen Inferenz. Wie bereits erwähnt, sind Lösungen für die intelligente Fertigung, die auf Deep Learning basieren, untrennbar mit umfangreicher KI-Inferenz verbunden. Als Beispiel müssen bei dem in der Lösung für die Gaszählerprüfung verwendeten SSD300-Modell vorab bereits verschiedene „Default Box“-Größen vorbereitet werden, bevor das System den „Single Shot“-Schritt in diesen „Boxes“ schnell ausführt. Je umfangreicher die „Default Boxes“ sind, desto höher ist die Trefferrate bei der Lokalisierung der Anzeige. Bei dieser Lösung müssen bis zu 8732 Default Boxes angelegt werden, was für die Inferenzleistung des Systems eine große Herausforderung darstellt.

Der Hauptrozessor könnte zwar für die Inferenzoperationen eingesetzt werden, dies würde jedoch die Gesamtleistung des Systems beeinträchtigen. Alternativ könnten Daten zur Verarbeitung über das Netzwerk zurück in die Cloud geschickt werden, was aber wertvolle Netzwerkbandbreite kosten und potenziell die Echtzeitleistung und die Sicherheit gefährden würde. Die geschicktere Lösung ist der hausinterne Einsatz einer VCAC-A, um bereits vor Ort effiziente Inferenzprozesse zu ermöglichen. Der auf der VCAC-A integrierte „SHAVE“-128-Bit-VLIW-Fließkomma-Vektor-Prozessor kann bei geringem Energieverbrauch ultraschnelle KI-Inferenz-Funktionen bieten. Dadurch wird der Inferenzvorgang verkürzt und dem System die komplette Durchführung der Prüfung auf Edge-Ebene ermöglicht, sodass der ursprünglich langwierige Ablauf auf dem MEC-Server auf einen Schlag erledigt werden kann.

Diese neue Lösung wurde erfolgreich in einem automatischen Managementsystem für die Gaszählerprüfung eingesetzt. Die Rückmeldungen aus der Produktionslinie zeigen, dass die Einführung der neuen Lösung die Transformation der Produktions- und Prüfprozesse zu stärkerer Automatisierung und Nutzung der Datentechnik vorangebracht und die Produktivität der Mitarbeiter erheblich verbessert hat. Insbesondere konnten bei der Prüfung der Messgenauigkeit drei Datenerfasser auf einen reduziert werden, und ein Erfasser, der nur für die Erfassung der Grunddaten der Geräte vor der Auslieferung zuständig war, wird nicht mehr benötigt, was Arbeitskosten einspart und die Gesamtbetriebskosten senkt. Darüber hinaus wird der auf Deep Learning basierende Algorithmus für das maschinelle Sehen nicht durch das Design der Zähleranzeige beschränkt und kann angewandt werden, um die Funktion verschiedener Zählermodelle mit einer Online-Erkennungsgenauigkeit von über 99,5 % zu prüfen.1 Auf diese Weise wird das Ziel einer einzigen, gemeinsamen Anlage bzw. Konfiguration für alle Produktionslinien erreicht, was Unternehmen der Fertigungsbranche höhere Effizienz und weitere Vorteile bringt.

Fazit

Mit der Ausgereiftheit der Edge-Computing-Plattform OneNET von China Mobile IoT wurden mehr Anwendungsmöglichkeiten für deren Einsatz in der Stahl-, Textil-, Maschinen- und anderen Fertigungsindustrie ersichtlich.

So kann diese Lösung beispielsweise in der Textilproduktion zur Erkennung von Stofffehlern in Echtzeit dienen. Defekte wie fehlerhafte Nähte und Löcher, die während der laufenden Textilverarbeitung mit schnell laufenden Maschinen mit dem bloßen Auge schwer zu erkennen sind, können nun entdeckt werden. Durch die Integration der Cloud-Edge-Collaboration-Architektur in das Managementsystem für die Textilproduktion können Vorgänge wie der automatische Start und Stop der Fertigungslinie und die Kalibrierung der Stoffqualität ermöglicht werden. In entsprechender Weise hilft der Einsatz der Lösung einem großen Hersteller von Servopressen bei der Umsetzung einer intelligenten Analyse von Motorvibrationen in seinen Anlagen und bei der vorausschauenden Wartung auf der Edge-Seite, wodurch ungeplante Ausfallzeiten des Unternehmens jährlich um 15 % reduziert werden.4

China Mobile IoT plant, in Zukunft enger mit Intel zusammenzuarbeiten, um mehr topaktuelle Fortschritte in der Netzwerk- und Informationstechnik in die Entwicklung von Lösungen für das IoT und die intelligente Fertigung einfließen zu lassen und praktische Maßnahmen zur Intensivierung der digitalen und intelligenten Transformation in der verarbeitenden Industrie zu ergreifen.

Beschleunigerkarte Celestica VCAC-A

Die Celestica VCAC-A (Visual Cloud Accelerator Card for Analytics) ist eine Visual-Cloud-Beschleunigerkarte für die Medienanalyse mit Standard-PCI-E-Schnittstelle. Sie ist mit einem stromsparenden Intel® Core™ i3 Prozessor (mit integrierter Intel® HD-Grafik 620) und 12 Intel® Movidius™ Myriad™ X Vision Processing Units (VPU) sowie zwei SODIMMs (Small Outline Dual In-line Memory Modules) für bis zu 8 GB DDR4-Speicher bestückt. Diese Beschleunigerkarte ermöglicht effizientere und wirtschaftlichere Visual-Cloud-Lösungen für Edge-Anwendungen wie KI-basierte Inferenz, Mediengenerierung und -analyse, die sich rasch weiterentwickeln.

Technische Daten

1 x Intel® Core™ i3 Prozessor

  • Dualcore
  • 2,40 GHz (Taktfrequenz)
  • 3 MB Cache
  • 15 W TDP
  • Intel® HD-Grafik 620

2 x 4 GB DDR4-SODIMM (Arbeitsspeicher, maximal 8 GB)

12 x Intel® Movidius™ Myriad™ X MA2485 Vision Processing Unit (VPU)

  • 700 MHz Betriebsfrequenz
  • 16 x „SHAVE“-128-Bit-VLIW-Fließkomma-Vektor-Prozessor
  • 2 x LEON4-32-Bit-RISC-Prozessor
  • 4-Gbit-LP-DDR4-Speicherbaustein

PCIe-Gen3-x4-Hostschnittstelle

Energieverbrauch und Kühlung

75 W (maximale Leistungsaufnahme)

Passive Kühlung

Abmessungen

Höhe: 126 mm Gesamthöhe

Länge: 254 mm (¾-Standardlänge)

Belegt Breite eines Steckplatzes

Betriebsumgebung

Betriebstemperatur: 0 °C bis 55 °C bei 15 cfm (425 l/min)

Temperatur außer Betrieb: -20 °C bis 70 °C

Luftfeuchtigkeit: 8 % bis 85 % relative Luftfeuchtigkeit

max. Betriebshöhe: 3050 m

Zulassungen

Elektromagnetische Verträglichkeit: Klasse A, CISPR 22, FCC, CE

Sicherheit: CB-Verfahren, UL, cUL, CE

PDF herunterladen ›

Informationen über zugehörige Produkte und Lösungen

Produkt- und Leistungsinformationen

1Testergebnisse basieren auf einem MEC-Server mit der folgenden Konfiguration: Intel® Wolf-Pass-R2208WFTZS-Server; Prozessor: Intel® Xeon® Gold 6140 Prozessor für Zweiprozessorsysteme; Arbeitsspeicher: 12 × 16 GB; Datenspeicher: 2 × 800-GB-SDD; 1 × Beschleunigerkarte Celestica VCAC-A. Bei Interesse an weiteren Details wenden Sie sich bitte an China Mobile Internet of Things Co., Ltd.
2Details des SSD-Modell-Frameworks für die Objekterkennung siehe Liu W, Anguelov D, Erhan D, et al., SSD: Single Shot MultiBox Detektor (J). 2016.
3Details zum CRNN-Framework siehe Shi B, Bai X, Yao C, An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition(J), IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 39(11):2298-2304.
4Die Testergebnisse stammen von internen Tests von China Mobile Internet of Things Co., Ltd. Bei Interesse an weiteren Details wenden Sie sich bitte an China Mobile IoT Co., Ltd.