Anomalieerkennung und fortschrittliche Sensoranalyse für führenden HVAC-Hersteller
Über den Kunden und die Herausforderung
Die Projektreihe wurde mit einem der weltweit führenden Hersteller von Heizungs-, Lüftungs- und Klimaanlagen (HVAC) durchgeführt.
Die überwiegende Mehrheit der heute produzierten Maschinen, darunter auch Klimaanlagen oder Heizungssysteme, haben moderne IoT-Sensoren (Internet-of-Things) integriert, die große Mengen an Sensormesswerten erzeugen, die den aktuellen Zustand der Maschinen beschreiben.
Um diese Daten zu nutzen, ist es entscheidend, sie zu analysieren und aussagekräftige Informationen darin zu finden, um sowohl die Kosten für Wartungsarbeiten zu senken und die Nutzung der Geräte zu optimieren als auch neue innovative Produkte und Szenarien zu entwickeln, die den Nutzern der Geräte einen Mehrwert bieten, oft ohne dass zusätzliche physische Geräte gekauft werden müssen.
Lösung
Zusammen mit unserem Kunden haben wir mehrere fortschrittliche Analyse- und KI-Projekte durchgeführt, die sich auf verschiedene Anwendungsfälle konzentrieren, wie z. B.:
- Bestimmung der beständigsten und zuverlässigsten Sensoren aus verschiedenen Alternativen während Feldversuchen
- Aufbau einer effektiven Datenarchitektur und Datenverarbeitungspipelines für 100+ Geräte mit jeweils 50+ Sensoren, die in der AWS-Cloud laufen (basierend auf Technologien wie Apache Airflow, Athena, MS Azure IoT Hub, AWS Glue)
- Klassifizierung der Betriebsmodi der Geräte mittels multivariater Analyse
- Erkennung von Anomalien zur Erkennung von Fehlfunktionen einzelner Sensoren oder des gesamten Geräts auf der Grundlage von Anomalien im Vergleich zum normalen Werteverlauf
- Abschätzung der Auswirkungen der Betriebsmodi der Maschine auf ihre Umgebung, einschließlich der automatischen Optimierung der Luftqualität auf der Grundlage der Innen- und Außenbedingungen.
Alle Projekte konzentrieren sich auf die Anwendung effektiver Data-Engineering-Techniken in der Cloud sowie auf die Anwendung von Methoden von Machine Learning (Maschinellen Lernen) auf Zeitreihendaten, einschließlich der klassischen Methoden von Machine Learning und den Aufbau tiefer neuronaler Netze.
Kontaktieren Sie uns
Füllen Sie das nachstehende Formular aus und wir werden uns in Kürze mit Ihnen in Verbindung setzen.