Diploma Project
О проекте
Система предиктивного обслуживания промышленного оборудования хлебозавода Goldsapa Bakery. Полный цикл разработки: от проектирования IoT-модулей до обучения нейронных сетей и развёртывания интерактивного веб-дашборда.
16.4M
Records collected
2 months
Monitoring period
0.7073
Best Val Loss
879
Anomalies found
2.3s/epoch
Training speed
4
ML models compared
Архитектура системы
IoT Layer
19× ESP32 + Meters
Edge Gateway
Raspberry Pi + MQTT
Cloud Storage
InfluxDB (DigitalEgiz)
Data Pipeline
Polars ETL → Parquet
ML Engine
PyTorch + CUDA
Dashboard
Next.js + Vercel
IoT-оборудование
Фотографии с завода
Процесс разработки, сборки и установки IoT-модулей на производственных линиях
ESP32 + Dala Meter модуль
Энергометр на щите RS-485
Электрощит мониторинга
Производственная линия
Щит управления MIWE
Общий вид цеха
Хронология проекта
Разработка IoT-модуля
- Проектирование и сборка модуля сбора данных на базе ESP32-WROOM-32
- Интеграция с промышленными энергометрами Dala Meter и Orman Meter
- Настройка протоколов связи Modbus RTU через RS-485 для чтения метрик
- Разработка прошивки: считывание voltage (фазы A/B/C), current (A/B/C), active power, frequency, power factor
- Тестирование модуля в лабораторных условиях с эмуляцией нагрузок
Развёртывание на заводе
- Установка 19 ESP32-модулей на производственные линии хлебозавода Goldsapa Bakery
- Настройка Raspberry Pi 4B в качестве edge-шлюза для агрегации данных со всех модулей
- Развёртывание InfluxDB 2.x в cloud-инфраструктуре DigitalEgiz
- Конфигурация MQTT-брокера (Mosquitto) для маршрута: IoT → edge-шлюз → cloud
- Запуск сбора данных в реальном времени с частотой 1 измерение в минуту на датчик
Сбор и валидация данных
- Накопление 16.4 миллионов записей с 19 устройств за 2 месяца непрерывной работы
- Обнаружение и документирование массового отказа датчиков 10 ноября 2025 года
- Валидация качества данных: 18 метрик × 19 устройств = 342 уникальных сенсора
- Анализ пропусков, выбросов и аномалий в собранных временных рядах
- Подготовка сырых CSV-файлов общим объёмом 2.7 ГБ для ML-пайплайна
ML Pipeline и обучение моделей
- Data Pipeline на Polars: ETL с pivot-трансформацией, 1-минутным ресамплингом, StandardScaler нормализацией
- Проектирование архитектуры Hybrid CNN-Transformer Autoencoder (2 097 148 параметров)
- Тренировка и сравнительный анализ 4 различных моделей: MLP AE, LSTM AE, CNN-Transformer AE, Isolation Forest
- Обучение на NVIDIA RTX 4070 Ti SUPER (16 ГБ VRAM) с AMP Mixed Precision, gradient clipping
- Разработка системы Early Stopping и ReduceLROnPlateau для стабильной конвергенции
Визуализация и деплой
- Генерация publication-quality дашбордов: anomaly timeline, heatmap, score distribution, t-SNE
- Per device health analysis и сравнительная оценка моделей
- Разработка интерактивного веб-дашборда на Next.js 16 с адаптивным дизайном
- Деплой на платформу Vercel для живой демонстрации комиссии
- Подготовка материалов, слайдов и визуализаций для защиты дипломной работы
Технологический стек
Hardware
ESP32-WROOM-32
Dala Meter
Orman Meter
Raspberry Pi 4B
RS-485 Transceiver
Backend
InfluxDB 2.x
MQTT Mosquitto
Python 3.12
Polars
PyTorch 2.11
ML Models
CNN-Transformer AE
LSTM Autoencoder
MLP Autoencoder
Isolation Forest
Frontend
Next.js 16
TypeScript
TailwindCSS 4
Framer Motion
Recharts
DevOps
Vercel
Git
CUDA 12.8
AMP (FP16)
nvidia-smi
Ключевые результаты
🏆 Достижения
- ✅ Собрано 16.4 млн записей с 19 IoT-устройств за 2 месяца
- ✅ Обучено и сравнено 4 ML-модели для детекции аномалий
- ✅ CNN-Transformer AE: best val_loss = 0.7073 за 47 эпох
- ✅ 879 аномалий (1.0%) с порогом P99 = 1.3571
- ✅ Обнаружен реальный отказ оборудования 10 ноября 2025
- ✅ Per-device мониторинг для всех 19 устройств
🔬 Научный вклад
- 📝 Сравнительный анализ DL vs классического ML на реальных данных
- 📝 Гибридная CNN + Transformer архитектура для временных рядов
- 📝 End-to-end pipeline: от IoT-датчика до веб-дашборда
- 📝 Практическое применение на данных действующего производства
- 📝 t-SNE визуализация латентных пространств
- 📝 Корреляция обнаруженных аномалий с реальными отказами
Goldsapa Bakery — Predictive Maintenance System
Дипломный проект © 2025–2026 · PyTorch + Next.js