Case Studies / Hersteller für Heizungs-, Lüftungs- und Klimatechnik
ENERGIE & GEBÄUDETECHNIK · IOT
Rohe Sensordaten in prädiktive Wartungsintelligenz umwandeln
Ein globaler HVAC-Hersteller hatte über 100 Geräte, die kontinuierlich Sensordaten erzeugten, aber keine automatisierte Möglichkeit, Anomalien zu erkennen, Betriebsmodi zu klassifizieren oder fehlerhafte Sensoren zu identifizieren. Wir entwickelten eine Reihe von ML-Pipelines auf AWS, die das manuelle Monitoring durch intelligente, automatisierte Analysen ersetzten.
Kunde: Globaler HVAC-Hersteller (unter NDA) – einer der weltweit führenden Hersteller von Heizungs- und Klimaanlagensystemen mit IoT-fähigen Geräteflotten.
ZENTRALE ERGEBNISSE
100+
Überwachte Geräte, jeweils mit mehr als 50 Sensoren
5
Verschiedene KI-Anwendungsfälle im Projektverlauf umgesetzt
AWS
Vollständige Cloud-Datenarchitektur von Grund auf aufgebaut
Auto
Automatisierte Anomalieerkennung ersetzt manuelle Sensorüberwachung
BRANCHE
Energie & Gebäudetechnik
USE CASE
Anomalieerkennung & Sensoranalytik
KI-ANSATZ
ML + Deep Neural Networks
DATEN
Zeitreihendaten, 50+ Sensoren pro Gerät
INFRASTRUKTUR
AWS, Azure IoT Hub
PROJEKTRAHMEN
Mehrstufige Projektserie
Die Herausforderung
Moderne HVAC-Systeme sind mit IoT-Sensoren vollgepackt – Temperatur, Druck, Luftfeuchtigkeit, Luftstrom und Dutzenden weiterer -, die einen kontinuierlichen Strom an Betriebsdaten erzeugen. Unser Kunde hatte über 100 Geräte im Einsatz, jedes mit mehr als 50 Sensoren ausgestattet. Die Daten waren vorhanden, wurden aber kaum genutzt.
Die Wartung war nach wie vor reaktiv. Sensorfehler blieben unentdeckt, bis sie sichtbare Probleme verursachten. Es gab keine automatisierte Möglichkeit, Gerätebetriebsmodi zu klassifizieren, die Sensorzuverlässigkeit über verschiedene Produktvarianten zu vergleichen oder die Leistung auf Basis von Umgebungsbedingungen zu optimieren. Die Rohdaten waren vorhanden – die Intelligenzschicht fehlte.
Das Kernproblem: Der Kunde verfügte über ein enormes Volumen an IoT-Sensordaten, besaß jedoch nicht die Datenarchitektur, die Verarbeitungs-Pipelines und die ML-Modelle, die nötig gewesen wären, um daraus verwertbare Erkenntnisse zu gewinnen. Alles war manuell – oder fand schlicht nicht statt.
Was wir entwickelt haben
Dies war kein einzelnes Projekt, sondern eine Reihe von Beauftragungen, die jeweils auf einen bestimmten Anwendungsfall ausgerichtet waren. Gemeinsam verwandelten sie die Sensordaten des Kunden von einem passiven Nebenprodukt in ein aktives Betriebsinstrument.
Cloud-Datenarchitektur. Wir haben die grundlegende Dateninfrastruktur auf AWS aufgebaut – Ingestion-Pipelines, Verarbeitungsschichten und Speicher – mit Apache Airflow für die Orchestrierung, AWS Glue für ETL, Athena für Abfragen und Azure IoT Hub für die Gerätekonnektivität. Damit erhielt der Kunde eine skalierbare Plattform für alle weiteren Analysearbeiten.
Sensorzuverlässigkeitsanalyse. Wir analysierten Feldversuchsdaten, um zu ermitteln, welche Sensoren bei den verschiedenen Produktvarianten die höchste Langlebigkeit und Zuverlässigkeit aufwiesen. Dabei mussten wir ohne Ground-Truth-Daten arbeiten – mithilfe fortgeschrittener Clustering-Algorithmen zur Erkennung abnormaler Verhaltensmuster durch Untersuchung von Korrelationen zwischen Sensorgruppen.
Betriebsmodusklassifizierung. Mithilfe multivariater Analysen entwickelten wir Modelle, die Gerätebetriebsmodi automatisch klassifizieren – Heizen, Kühlen, Standby, Abtauen und weitere -, sodass der Kunde verstehen konnte, wie die Geräte im Einsatz tatsächlich genutzt werden, anstatt auf Annahmen angewiesen zu sein.
Anomalieerkennung. Wir entwickelten Algorithmen, die Sensor- oder Gerätestörungen erkennen, indem sie Abweichungen von normalen Datenmustern identifizieren. Damit wurde das manuelle Monitoring durch automatisierte Warnmeldungen ersetzt, die Probleme frühzeitig aufdecken, bevor sie zu Ausfällen oder Serviceeinsätzen eskalieren.
Abschätzung von Umweltauswirkungen. Wir erstellten Modelle zur Bewertung, wie verschiedene Betriebsmodi die Umgebung beeinflussen – einschließlich automatischer Luftqualitätsoptimierung auf Basis der Innen- und Außenbedingungen.
Die Ergebnisse
VORHER
Sensordaten wurden gesammelt, aber kaum genutzt. Wartung reaktiv. Keine automatisierte Klassifizierung des Geräteverhaltens und keine Früherkennung von Störungen.
NACHHER
Vollständige Cloud-Analyseplattform im Produktivbetrieb. Automatisierte Anomalieerkennung, Betriebsmodusklassifizierung und Einblicke in die Sensorzuverlässigkeit über die gesamte Geräteflotte.
Der Kunde wechselte von reaktiver Wartung zu datengetriebenem Entscheiden. Sensorfehler, die bisher unbemerkt blieben, wurden nun automatisch erkannt. Die Produktteams erhielten konkrete Daten zur Sensorzuverlässigkeit für künftige Hardware-Entscheidungen. Die Betriebsmodusklassifizierung zeigte, wie die Geräte tatsächlich genutzt wurden – Erkenntnisse, die direkt in die Produktentwicklung einflossen.
Das Projekt zeigte, wie ein strukturierter Ansatz für IoT-Daten – beginnend mit einer soliden Cloud-Architektur und darauf aufbauenden ML-Anwendungsfällen – erheblichen operativen Mehrwert aus Daten freisetzen kann, die bereits generiert wurden, aber nie ausgeschöpft worden waren.
Eingesetzte Technologie
Mehr Case Studies
So haben wir anderen Unternehmen geholfen
BEHÖRDE · POLNISCHE ÖFFENTLICHE INSTITUTION (UNTER NDA)
Multi-Agenten-Chatbot ersetzt manuelle Bürgeranfragen in 11 Themenbereichen
Bürger riefen die Behörde an, weil der bestehende Chatbot ihre Fragen nicht verstand. Wir haben ein neues System entworfen und prototypisiert, bei dem Bürger in einfacher Sprache fragen und automatisch zur richtigen Antwort geleitet werden – ohne zusätzliche Vorkenntnisse.
11
Themenbereiche
3
Dedizierte Tools
MEDTECH · APOQLAR
Bearbeitungszeit für Sicherheitsfragebögen von einem Monat auf eine Woche reduziert
Jeder neue Krankenhauspartner benötigte einen ausgefüllten Fragebogen – 8–10 Beteiligte, rund einen Monat, Antworten aus Richtlinien verschiedener Abteilungen. Jetzt entwirft ein KI-Assistent die Antworten automatisch und spart dabei geschätzte 90.000 $ pro Jahr.
-75%
Bearbeitungszeit
90.000 $
Jährliche Einsparungen
MEDTECH · APOQLAR
GenAI-Assistent ersetzt manuelle Dokumentensuche
Mitarbeiter verbrachten Stunden damit, hunderte von Produktdokumenten zu durchsuchen, um Kunden- und Compliance-Fragen zu beantworten. Jetzt stellen sie Fragen in natürlicher Sprache und erhalten in Sekunden quellenbasierte Antworten.
RAG
Integriert
Kontextverwaltung
Optimiert