Die Überwachung einer Fertigungsanlage und Erhebung kritischer Kennwerte mithilfe von Sensoren ist der Klassiker der IoT. Doch wie startet man ein solches Projekt? Welche Komponenten benötigt man und wo kann bzw. soll die Reise hingehen? 

Ein Erfahrungsbericht vom Aufbau einer Datenpipeline 'from scratch'. Vom Aufsetzen einer ersten einfachen Datenbank bis zur Echtzeitstreaming-Plattform. Von der Synchronisierung verschiedener Sensoren bis zur Datentransformation als Basis zur KI-Überwachung und Optimierung des Fertigungsprozesses in Echtzeit.

Zielpublikum: Data Engineer, Data Scientist, MLOps Engineer, Projektleiter:innen, Entscheider:innen, ...
Voraussetzungen: Interesse an Predictive Maintenance, IoT, Echtzeitsignalverarbeitung, Machine Learning
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
In dieser Session erzählen wir euch von unseren Erfahrungen bei der Umsetzung eines IoT-Predictive Maintenance-Projekts 'from scratch'. 

Wir starten mit dem Aufsetzen eines verteilten Sensorsystem zur Überwachung einer Fertigungsanlage. Fundamentale Herausforderungen sind hier die Synchronisierung der verschiedenen Sensoren sowie der Transfer der Daten in Echtzeit. 

Die Sensoren produzieren täglich Hunderte Gigabyte an Daten, welche es in Echtzeit aufzubereiten, zu analysieren und zu speichern gilt. Dies ermöglicht uns die Echtzeitauswertung der Daten mithilfe von Machine Learning-Verfahren. Die Ergebnisse können direkt als Feedback in den Produktionsprozess einfließen und erlauben die Optimierung des Prozesses in Echtzeit. 

Unser modularer und skalierbarer Ansatz ermöglicht dabei die einfache Einbindung zusätzlicher Sensoren sowie Datenverarbeitungsschritte. 

Unser Tech-Stack: Apache Kafka, Apache Spark, Apache Cassandra, Python, FastAPI, Precision-Time-Protocol, Grafana