> cat projects/industrial-iot-monitoring/README.md

Industrielle IoT-Überwachungs- & Analyseplattform

Komplette Sensordaten-Pipeline — von physischen Geräten bis zu einem Echtzeit-Monitoring-Dashboard mit Alarmen und historischen Analysen.

Kunde: M.T. Industrial
Jahr: 2026
Dienstleistung: IoT & Automatisierung
Tech-Stack: PythonFastAPITimescaleDBMQTTGrafanaReactDockerRaspberry PiAWS IoT Core

> herausforderung

M.T. Industrial betreibt ein Netzwerk von Industrieanlagen in Rumänien, in denen Umgebungsbedingungen — Temperatur, Luftfeuchtigkeit, Luftqualität, Vibrationsniveaus und Energieverbrauch — sowohl für die Langlebigkeit der Anlagen als auch für die regulatorische Compliance entscheidend sind. Vor unserer Zusammenarbeit war die Überwachung manuell: Techniker besuchten jede Anlage wöchentlich, um Messgeräte abzulesen und Werte in Tabellen einzutragen. Dieser Ansatz bedeutete, dass Probleme erst Tage oder Wochen nach ihrem Auftreten entdeckt wurden, was zu Anlagenausfällen führte, die Zehntausende Euro an ungeplanten Stillstandszeiten kosteten. Das Unternehmen hatte bereits in die Installation industrieller Sensoren (Modbus-, MQTT-kompatibel) investiert, verfügte jedoch über keine Softwareinfrastruktur zur Erfassung, Übertragung, Speicherung oder Visualisierung der von diesen Sensoren erzeugten Daten.

> lösung

Wir haben eine komplette IoT-Datenpipeline von Edge zu Cloud aufgebaut. Auf Anlagenebene haben wir leichtgewichtige Edge-Gateways (Raspberry Pi-basiert) eingesetzt, die Daten von bestehenden Modbus- und MQTT-Sensoren erfassen, lokale Datenvalidierung und Pufferung durchführen und Messwerte über sichere MQTT-Kanäle an die Cloud übermitteln. Das Cloud-Backend nimmt Sensordaten in Echtzeit auf, speichert sie in einer Zeitreihen-Datenbank und verarbeitet sie durch eine konfigurierbare Alarmierungsengine. Alarme werden bei Schwellenüberschreitungen, Änderungsraten-Anomalien oder Sensoren-Stille ausgelöst und per E-Mail, SMS und Push-Benachrichtigungen mit Eskalationsketten zugestellt. Das Monitoring-Dashboard bietet Facility-Managern Echtzeit-Ansichten aller Sensormesswerte mit Drill-down-Funktionen. Wir haben auch ein prädiktives Wartungsmodul gebaut, das historische Muster nutzt, um Anlagen zu kennzeichnen, die voraussichtlich vor einem Ausfall gewartet werden müssen.

> ergebnis

Die Plattform überwacht jetzt über 340 Sensoren in 6 Anlagen in Echtzeit. Die mittlere Erkennungszeit für kritische Anomalien sank von 4,2 Tagen auf unter 90 Sekunden. Im ersten Betriebsjahr verhinderte das Frühwarnsystem 12 potenzielle Anlagenausfälle — geschätzte vermiedene Kosten: 180.000€. Die Energieverbrauchsoptimierung basierend auf Sensoranalysen erzielte eine 9%ige Reduktion der Betriebskosten. Das prädiktive Wartungsmodul identifizierte 87% der Anlagenprobleme mindestens 72 Stunden vor dem Ausfall korrekt. Das System verarbeitet täglich etwa 2,4 Millionen Datenpunkte mit 99,99% Datenintegrität.