Energie und Gebäudetechnik · IoT
Sensordaten, die gesammelt und nie ausgewertet wurden
Ein globaler HVAC-Hersteller hatte über 100 Geräte im Einsatz, jedes mit mehr als 50 Sensoren. Die Daten flossen ununterbrochen, doch nichts erkannte automatisch eine Anomalie, einen Betriebsmodus oder einen defekten Sensor. Wir haben eine Reihe von ML-Pipelines auf AWS gebaut, die das manuelle Monitoring abgelöst haben.
Ergebnisse
Kunde: Globaler HVAC-Hersteller (unter NDA)
Einer der weltweit führenden Hersteller von Heizungs- und Klimaanlagen, mit IoT-fähigen Geräteflotten. Der Hersteller steht unter NDA und wird deshalb hier nicht genannt.
- Branche
- Energie und Gebäudetechnik
- Anwendungsfall
- Anomalieerkennung und Sensoranalytik
- KI-Ansatz
- Machine Learning mit tiefen neuronalen Netzen
- Infrastruktur
- AWS mit Azure IoT Hub
- Daten
- Zeitreihen, über 50 Sensoren pro Gerät
- Projektrahmen
- Eine Reihe aufeinander aufbauender Projekte
Kurz gefasst
Die Daten waren da. Was fehlte, war die Schicht, die sie liest.
- Moderne HVAC-Anlagen stecken voller IoT-Sensoren für Temperatur, Druck, Luftfeuchtigkeit, Luftstrom und Dutzende mehr, und dieser Kunde hatte über 100 Geräte mit jeweils mehr als 50 Sensoren.
- Die Wartung war trotzdem reaktiv. Sensorfehler fielen erst auf, wenn sie sichtbare Probleme verursachten, und nichts zeigte, wie ein Gerät tatsächlich betrieben wurde.
- Zuerst entstand die Cloud-Datenarchitektur, darauf aufbauend Sensorzuverlässigkeit, Betriebsmodusklassifikation, Anomalieerkennung und die Abschätzung der Umweltwirkung.
- Der Kunde wechselte von reaktiver Wartung dazu, eine Störung zu erkennen, bevor daraus ein Serviceeinsatz wird.
Die Ausgangslage
Die Aufgabe
Der Kunde saß auf einer großen Menge IoT-Sensordaten, hatte aber weder die Datenarchitektur noch die Verarbeitungspipelines noch die Modelle, um daraus verwertbare Erkenntnisse zu gewinnen.
Moderne HVAC-Systeme sind voller IoT-Sensoren, Temperatur, Druck, Luftfeuchtigkeit, Luftstrom und Dutzende weitere, die ununterbrochen Betriebsdaten liefern. Dieser Kunde hatte über 100 Geräte im Einsatz, jedes mit mehr als 50 Sensoren. Die Daten waren vorhanden und wurden kaum genutzt.
Die Wartung war reaktiv. Sensorfehler blieben unentdeckt, bis sie sichtbare Probleme verursachten.
Es gab keinen automatischen Weg, Betriebsmodi zu klassifizieren, die Sensorzuverlässigkeit über Produktvarianten zu vergleichen oder die Leistung an die Umgebungsbedingungen anzupassen. Die Rohdaten waren da, die Intelligenzschicht fehlte.
Der Bau
Was wir gebaut haben
Das war kein einzelnes Projekt, sondern eine Reihe von Aufträgen, jeder für einen bestimmten Anwendungsfall. Zusammen haben sie die Sensordaten von einem passiven Nebenprodukt zu einem Werkzeug im Betrieb gemacht.
Zuerst die Datenarchitektur
Wir haben das Fundament auf AWS gebaut, Ingestion-Pipelines, Verarbeitungsschichten und Speicher, mit Apache Airflow für die Orchestrierung, AWS Glue für ETL, Athena für Abfragen und Azure IoT Hub für die Anbindung der Geräte. Alles Weitere baut darauf auf.
Welchen Sensoren man trauen kann
Anhand von Felddaten haben wir ermittelt, welche Sensoren über die Produktvarianten hinweg am langlebigsten und zuverlässigsten sind. Es gab keine Ground-Truth-Daten zum Vergleich, deshalb erkennen Clustering-Verfahren abweichendes Verhalten, indem sie Korrelationen zwischen Sensorgruppen untersuchen.
Was das Gerät tatsächlich tut
Multivariate Modelle klassifizieren den Betriebsmodus automatisch, Heizen, Kühlen, Standby, Abtauen und weitere. So zeigt sich, wie die Geräte im Feld wirklich genutzt werden, statt wie alle es angenommen hatten.
Die Störung früh erkennen
Algorithmen erkennen Sensor- und Gerätestörungen, indem sie Abweichungen vom normalen Datenmuster finden. Automatische Warnungen haben das manuelle Monitoring ersetzt, und ein Problem fällt auf, bevor es zum Ausfall oder Serviceeinsatz wird.
Wirkung auf die Umgebung
Modelle bewerten, wie sich die Betriebsmodi auf die Umgebung des Geräts auswirken, einschließlich einer automatischen Optimierung der Luftqualität anhand der Innen- und Außenbedingungen.
Was sich geändert hat
Das Ergebnis
Vorher
Sensordaten gesammelt, aber kaum genutzt. Reaktive Wartung, keine automatische Einordnung des Geräteverhaltens und keine Frühwarnung bei Störungen.
Nachher
Eine vollständige Cloud-Analyseplattform im Betrieb, mit automatischer Anomalieerkennung, Betriebsmodusklassifikation und Einblick in die Sensorzuverlässigkeit über die ganze Flotte.
Der Kunde wechselte von reaktiver Wartung zu datenbasierten Entscheidungen, und Störungen, die früher unbemerkt blieben, werden jetzt automatisch erkannt.
Die Produktteams haben belastbare Daten zur Sensorzuverlässigkeit, die in künftige Hardware-Entscheidungen einfließen.
Die Betriebsmodusklassifikation zeigte, wie die Geräte im Feld tatsächlich genutzt werden, und das ging direkt in die Produktentwicklung.
Das Projekt zeigt, was ein strukturierter Umgang mit IoT-Daten freisetzt: erst eine solide Cloud-Architektur, darauf die ML-Anwendungsfälle, angewendet auf Daten, die längst erzeugt, aber nie ausgeschöpft wurden.
Fragen zu diesem Projekt
Anomalieerkennung und Sensoranalytik. Der Kunde saß auf einer großen Menge IoT-Sensordaten, hatte aber weder die Datenarchitektur noch die Verarbeitungspipelines noch die Modelle, um daraus verwertbare Erkenntnisse zu gewinnen.
Überwachte Geräte, jedes mit mehr als 50 Sensoren: 100+. Eigenständige KI-Anwendungsfälle im Projektverlauf: 5. Eine vollständige Cloud-Datenarchitektur, von Grund auf gebaut: AWS. Anomalieerkennung statt manueller Sensorüberwachung: Auto.
Machine Learning mit tiefen neuronalen Netzen. Eingesetzte Technik: Machine Learning, Tiefe neuronale Netze, Zeitreihenanalyse, Anomalieerkennung, Clustering-Verfahren, AWS Airflow, Glue und Athena, Azure IoT Hub, Python.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Fertigung und IoT · Predictive Maintenance
Wissen, was ein Aufzug gerade tut, ohne nachsehen zu müssen
Mehr lesen
Automotive · Beratung für vorausschauende Wartung
Nach Plan gewartet, ohne Vorwarnung ausgefallen
Mehr lesen
IoT · Computer Vision und Edge-KI