IoT-Datenanalyse für Heizungsanlagen

Ziel des Projekts war die Entwicklung einer skalierbaren Lösung zur Analyse von Betriebsdaten tausender Heizungsanlagen, um Anomalien frühzeitig zu erkennen, die Anlageneffizienz zu steigern und Wartungseinsätze proaktiv zu planen. Die Lösung sollte sowohl technische Muster erkennen als auch Handlungsempfehlungen für den operativen Service liefern.

Umsetzung:
Zur Umsetzung wurde eine Pipeline zur Erhebung, Bereinigung und Aggregation von Sensordaten (Temperatur, Druck, Laufzeiten, etc.) aus vernetzten Heizsystemen aufgebaut. Diese Daten wurden in einer Cloud-Infrastruktur verarbeitet und für die weitere Analyse vorbereitet.

Für die Anomalieerkennung kam ein auf TensorFlow basierendes Deep-Learning-Modell zum Einsatz, das kontinuierlich mit historischen und Live-Daten trainiert wurde. Die Ergebnisse wurden aufbereitet und in einem Power BI Dashboard visualisiert, das auffällige Anlagen automatisch markiert und Details zu potenziellen Ursachen liefert.

Zusätzlich wurde ein Regelwerk implementiert, das neben datengetriebenen Auffälligkeiten auch geschäftsrelevante Schwellenwerte überwacht (z. B. zu hoher Energieverbrauch oder zu kurze Laufzeiten). Die Ergebnisse flossen in ein proaktives Wartungskonzept ein, das es dem Service-Team ermöglicht, gezielt auf potenzielle Ausfälle zu reagieren – bevor es zu Problemen kommt.