ESP32-Zustandsüberwachung mit ML-Anomalieerkennung
- Auftraggeber
- Fertigungsindustrie und Industrie 4.0
- Jahr
- 2024
- Kategorie
- Internet of Things (IoT)
Ungeplante Maschinenausfälle können erhebliche Stillstandskosten verursachen. NELSco entwickelte ein System, das einen direkt an der Maschine installierten ESP32-Sensorknoten mit einem serverseitigen Machine-Learning-Backend verbindet. Es erkennt ungewöhnliche Betriebszustände und zeigt, welches Sensorsignal besonders stark abweicht.
Ein an der Maschine montierter ESP32-Edge-Knoten überträgt kontinuierlich Temperatur-, Druck- und Vibrationsdaten an den Server; das PyOD-basierte Backend vergleicht fünf Verfahren, darunter Isolation Forest und ECOD, für das jeweilige Maschinenprofil.
IQR-basierte Ausreißerbehandlung und Multisensor-Normalisierung vor der Modellanalyse sowie eine Z-Score-Auswertung, die auffällige Sensorsignale mit ihrer numerischen Abweichung kennzeichnet.
Zeitreihenspeicherung mit InfluxDB, ein REST-Backend mit FastAPI und PostgreSQL sowie Live-Dashboards mit Streamlit und Grafana in einer für mehrere Maschinen ausgelegten Microservices-Architektur.
Die Herausforderung
Auffällige Veränderungen in Temperatur-, Druck- und Vibrationsdaten sind mit festen Grenzwerten allein oft schwer zu bewerten. Rauschen, unterschiedliche Messbereiche und wechselnde Betriebszustände können Fehlalarme begünstigen oder relevante Signale verdecken. Das Bedienpersonal benötigt deshalb zusätzlich einen Hinweis darauf, welcher Messkanal die Abweichung verursacht.
Unser Vorgehen
Eine kompakte ESP32-Messeinheit wird direkt an der Maschine montiert und überträgt Temperatur-, Druck- und Vibrationsdaten an den Server. Das PyOD-basierte Backend vergleicht fünf Verfahren, darunter Isolation Forest und ECOD, und wählt ein Modell passend zum jeweiligen Maschinenprofil. IQR-basierte Ausreißerbehandlung und Multisensor-Normalisierung bereiten die Daten auf; eine Z-Score-Auswertung kennzeichnet auffällige Sensorsignale mit ihrer numerischen Abweichung. InfluxDB speichert die Zeitreihen, FastAPI und PostgreSQL verwalten Geräte und Nutzer, Streamlit und Grafana stellen die Daten in Dashboards dar.
Das Ergebnis
Das System erkennt auffällige Betriebszustände in den Sensordaten und gibt dem Instandhaltungsteam zusätzliche Hinweise für eine frühzeitige Prüfung. Die Microservices-Architektur ist für die Anbindung mehrerer Maschinen ausgelegt.
Ergebnisse
- Erkennt auffällige Zustände und unterstützt eine frühzeitige Instandhaltungsprüfung
- Kennzeichnet besonders auffällige Sensorsignale mit ihrer numerischen Abweichung
- Skaliert über mehrere Maschinen hinweg dank Microservices-Architektur
Haben Sie ein ähnliches Projekt?
Sprechen Sie mit dem Engineering-Team von NELSco über die Anforderungen Ihres Projekts.