Edge Computing verlagert Rechenleistung, Datenanalyse und KI-Modelle dorthin, wo Daten entstehen — für maximale Reaktionsgeschwindigkeit, Datensicherheit und Unabhängigkeit von der Cloud.
Ein Edge-Computer in der Leitebene verarbeitet Messdaten direkt vor Ort: Er liest Signale von Maschinen und Anlagen ein, speichert sie lokal in einer Zeitreihendatenbank, wertet sie mit KI-Methoden aus und stellt die Ergebnisse web-basiert zur Verfügung — ohne zwingend auf eine Cloudverbindung angewiesen zu sein.
Leit- & Cloudebene — Systemarchitektur Edge-Computer
Der Edge-Computer liest Messdaten direkt aus Maschinen, Anlagen und Prozessen aus —
über Standardprotokolle wie Modbus TCP, OPC UA,
S7-Verbindung, Ethernet-IP, Profinet
oder MQTT.
Die Daten werden mit Node-RED selektiert, gefiltert und vorverarbeitet.
Durch die lokale Verarbeitung entfällt die Abhängigkeit von einer stabilen
Cloudverbindung — Entscheidungen können in Echtzeit und mit minimalster Latenz getroffen werden.
Vorverarbeitete Messpunkte werden direkt auf dem Edge-Computer in
InfluxDB als Zeitreihendatenbank gespeichert.
Die lokale Speicherung reduziert Latenzzeiten, schont Netzwerkbandbreite
und hält sensible Produktionsdaten im eigenen Netzwerk.
Historische Datensätze stehen jederzeit für Analysen, Trendauswertungen
und das Training von Machine-Learning-Modellen zur Verfügung —
auch im Offline-Betrieb.
Mit Python und TensorFlow trainierte Machine-Learning-Modelle
laufen direkt auf dem Edge-Computer und werten die aktuellsten Datenpunkte in Echtzeit aus.
Das Modell erkennt Anomalien, prognostiziert Ausfälle und schreibt Vorhersagen zurück
in die Zeitreihendatenbank.
Das Training erfolgt auf historischen Daten aus InfluxDB. Nach dem Training wird das
Modell als Edge-AI-Modul zur kontinuierlichen Inferenz eingesetzt —
ohne Cloud-Abhängigkeit.
Alle Daten, Vorhersagen und Anomalien werden mit Grafana
web-basiert und ansprechend visualisiert. Dashboards zeigen historische
und aktuelle Anlagenzustände — als Zeitreihen oder im HMI-Stil.
Bei detektierten Anomalien oder überschrittenen Schwellwerten wird das Personal
automatisch per E-Mail, SMS oder Microsoft Teams alarmiert.
So sind Zuständige unabhängig von ihrem Standort immer informiert.
Keine Cloud-Latenz: Entscheidungen und Alarmierungen erfolgen in Millisekunden direkt vor Ort.
Sensitive Produktionsdaten verlassen das eigene Netzwerk nicht — DSGVO-konform und sicher.
Lokale Überwachung von Maschinen und Anlagen — zentraler Zugriff auf alle Anlagendaten jederzeit.
Vorgefilterte Daten können optional an AWS, Proficloud oder Cumulocity IoT weitergeleitet werden.
Alle Dienste laufen als Docker-Container — einfach zu deployen, zu aktualisieren und zu skalieren.
Lauffähig auf ARM Cortex- und Intel-basierten Edge-Computern — flexibel für jede Hardware-Plattform.
INDIQ ist ein schlanker Docker-Container mit Python-basierter KI für Anomalie-Erkennung und Predictive Analytics. Er läuft auf ARM Cortex- und Intel-basierten Edge-Computern und greift direkt auf eine vorhandene InfluxDB-Zeitreihendatenbank zu.
INDIQ ist auf Docker Hub verfügbar und unterstützt ARM Cortex sowie Intel/AMD x86-64 Plattformen.
Auf Docker Hub ansehenINDIQ ist ein fokussierter KI-Container. InfluxDB, Grafana und Node-RED sind nicht Teil dieses Containers — sie werden separat auf dem Edge-Computer betrieben.
Der Container enthält eine vollständige Python-Umgebung mit allen benötigten Bibliotheken für ML-Inferenz und Datenzugriff — schlank und produktionsbereit.
Ein Long Short-Term Memory Netzwerk erkennt Abweichungen in Zeitreihendaten. Ideal für sensorbasierte Maschinenüberwachung mit zeitlichen Abhängigkeiten.
Ein Random-Forest-Klassifikator ergänzt die Analyse durch robuste Mustererkennung — geeignet für Anomalie-Klassifikation und Zustandsdiagnose.
INDIQ liest historische Trainingsdaten und aktuelle Messpunkte direkt aus einer extern betriebenen InfluxDB und schreibt Vorhersagen und Anomalie-Scores zurück — InfluxDB läuft separat, nicht im Container.
Das Docker-Image läuft auf ARM Cortex (z.B. Revolution Pi, Raspberry Pi) und Intel/AMD x86-64 Edge-Computern — automatische Plattformerkennung inklusive.
Diese Komponenten werden separat auf dem Edge-Computer betrieben und kommunizieren über die InfluxDB-Schnittstelle mit INDIQ.
Wir unterstützen Sie bei der Evaluierung, Integration und Inbetriebnahme von INDIQ auf Ihrem Edge-Computer. Von der Protokollanbindung über die Modellauswahl bis hin zur Visualisierung — wir begleiten Ihr Projekt von Anfang bis Ende.