INDIQ — Industrial Data IQ
KI für Anomalieerkennung und Predictive Maintenance, die direkt auf Ihrem Edge-Computer läuft. INDIQ lernt aus Ihren historischen Messdaten, wie sich die Anlage normalerweise verhält, und meldet Abweichungen live.
In vier Schritten zur Anomalieerkennung
Alles läuft im Browser — ohne Programmieren.
Daten verbinden
Zugang zur InfluxDB 2.x eintragen (URL, Token, Organisation, Bucket) und den Zeitraum der historischen Daten wählen. INDIQ erstellt daraus einen Trainingsdatensatz; eine eigene CSV-Datei geht auch.
Messgrössen wählen
Festlegen, welche Grössen als Eingang dienen und welche das Modell vorhersagen soll — z. B. die Lagertemperatur aus Drehzahl, Last und Umgebungstemperatur.
Modell trainieren
Training direkt auf dem Edge-Computer, mit wenigen, verständlichen Parametern. Der Fortschritt ist im Browser sichtbar.
Live überwachen
INDIQ sagt laufend den erwarteten Wert voraus. Weicht der gemessene Wert mehr als der Schwellwert ab, wird eine Anomalie gemeldet und in InfluxDB geschrieben.
Was INDIQ mitbringt
Direkt an InfluxDB
Liest Trainings- und Live-Daten aus Ihrer InfluxDB 2.x und schreibt Vorhersagen in einen eigenen Bucket zurück — bereit für Grafana und Alarmierung.
Schwellwerte pro Grösse
Für jede überwachte Grösse ein eigener Schwellwert, im Betrieb anpassbar.
Start, Stopp, Logs
Vorhersage starten und stoppen, Verlauf im Diagramm, Log-Datei herunterladen.
Benutzer & Login
Geschützter Zugang mit Benutzerverwaltung.
ARM & x86
Ein Image für Raspberry Pi, Revolution Pi und Intel/AMD-Edge-Computer — Docker wählt die passende Variante automatisch.
Begleitung
Wir unterstützen Sie bei Einrichtung, Datenauswahl und Modellwahl — von der ersten Anbindung bis zum laufenden Betrieb.
LSTM oder Random Forest?
Beide Modelle arbeiten nach demselben Prinzip: Sie lernen den Zusammenhang zwischen Ihren Messgrössen und erkennen, wenn eine Grösse nicht mehr dazu passt.
| LSTM (neuronales Netz) | Random Forest | |
|---|---|---|
| Stärke | Erkennt Muster über die Zeit, z. B. langsames Driften oder typische Abläufe | Robust und schnell, auch mit wenigen Trainingsdaten |
| Geeignet für | Prozesse mit zeitlichem Verlauf: Aufheizen, Zyklen, Lastwechsel | Zusammenhänge zwischen Messgrössen zum selben Zeitpunkt |
| Einstellungen | Epochen, Batch-Grösse, Sequenzlänge | Anzahl Bäume, Testanteil |
| Training | Rechenintensiver, dauert länger | Schnell, auch auf kleinen Edge-Computern |
Nicht sicher, welches Modell passt? Beide lassen sich parallel mit denselben Daten testen.
Auf einen Blick
Die wichtigsten Angaben zu Modellen, Schnittstellen und Betrieb.
| INDIQ | |
|---|---|
| Modelle | LSTM (neuronales Netz, TensorFlow) und Random Forest (scikit-learn) |
| Datenquelle | InfluxDB 2.x (URL, Token, Organisation, Bucket); Trainingsdaten auch als CSV-Datei |
| Ausgabe | Vorhersagen und Anomalien in einen eigenen Bucket der InfluxDB, z. B. für Grafana oder Node-RED |
| Plattform | Docker auf Linux, ARM und x86, z. B. Raspberry Pi oder Revolution Pi |
| Bedienung | Im Browser; Training, Start und Stopp ohne Programmieren |
| Sicherheit | Anmeldung mit Benutzerverwaltung |
Daten wertvoll machen — reden wir darüber
Wir erarbeiten Prototypen, Konzepte und Lösungen für Edge- und Cloudtechnologien und begleiten Ihr IIoT-Projekt von der Protokollanbindung bis zur Visualisierung. Gerne zeigen wir INDIQ und den 3D IoT Twin in einer Demo.