Ein Portal heim holen – ein AI Testcase
Hersteller-Clouds und gerätespezifische Portale sind allgegenwärtig. So nützlich und praktisch sie in vielen Fällen sind – häufig sind viele Funktionen der darauf basierenden Produkte damit dauerhaft an den Hersteller gebunden. Beispiele für Produkte, welche durch abgeschaltete Cloud-Infrastruktur nutzlos geworden sind gibt es inzwischen auch hinreichend viele. Im industriellen Umfeld, sind solche Abhängigkeiten noch deutlich gravierender, da wir es in der Regel mit Investitionsgütern und geschäftlichen Prozessen zu tun haben. Ein guter Grund zu evaluieren, ob und mit welchem Aufwand sich eine bestehende Infrastruktur nachbilden lässt. Wir haben das probeweise mit einer Photovoltaik-Anlage durchgespielt.
Die Auswahl der Testplattform lieferte diese Meldung zur Insolvenz der Firma RCT. Dank Zugriff auf eine Anlage dieses Herstellers, haben wir diese für den Test verwendet.
Die Fragestellungen
- Können wir schnell und kostengünstig die Funktionalität der Cloud lokal nachbilden?
- Was kann die KI und wo ist menschliche Expertise gefragt?
- Wie minimalistisch kann Hard- und Software für diesen Zweck ausgelegt sein?
Die Ausgangslage
- RCT Wechselrichter und Batteriesystem mit Cloudanbindung
- Lokales Dateninterface über Ethernet
- Dokumentiertes Protokoll
- Bestehende Open-Souce Referenzimplementierungen
Die Zielsetzung
- Dediziertes Gerät zur Anzeige und Speicherung
- So preisgünstig und energiesparend wie möglich
- Ausschließlich lokale Datenverarbeitung und Speicherung
- Einfache Installation und Bedienung
- Keine neuen Abhängigkeiten schaffen
Die Umsetzung
Den Rahmen für die Umsetzung haben wir zu Projektbeginn manuell umgesetzt:
- Zielsystem Guition ESP32-4848S040 und Waveshare ESP32-S3-Touch-LCD-7
- OpenCode unter Verwendung mehrerer Modelle
- Kein Reverse-Engineering, nur öffentlich verfügbare Informationen verwenden
- Aufsetzen auf PlatformIO und LVGL
Der Aufwand der Umsetzung lag in diesem Fall bei rund 10 Arbeitstagen. Dabei war die AI durchaus in der Lage einen installierbaren Prototypen, der erste Daten abfragt weitgehend eigenständig innerhalb kaum einer Stunde zu erstellen.
Das Resultat
Nach anfänglich sehr schnellen Erfolgen wurde schnell klar, dass es ohne menschliche Expertise und Erfahrung nicht funktioniert. Rein algorithmisch beherrschbare Felder, zu denen umfangreiche Trainingsdaten zur Verfügung stehen, wurden relativ eigenständig umgesetzt wie z.B. Datenspeicherung und Darstellung der Daten im Webinterface. Auch die Umsetzung der Kommunkationsprotokolle selbst gelingt weitgehend eigenständig. Das wurde auch noch einmal mit einem zweiten Protokoll zur Datenabfrage (OpenInverterGateway) getestet.
Der Aufwand um etwas zu erstellen, was von einem wenig technikaffinen Menschen verwendet werden kann, das erfordert allerdings einen gewissen Aufwand. Hier ist recht deutlich zu sehen, dass alle getesteten Modelle mit Bereichen gut zurecht kommen, zu denen viele Trainingsdaten verfügbar sind (z.B. Webinterfaces). Mehr Eingreifen erfordern vor allem GUI-Komponenten auf dem Display, die menschlichen Bedürfnissen genügen sollen wie z.B. eine sinnvolle Anordnung von Medienelementen und den dazu gehörenden Beschriftungen. Besonders kompliziert war die schematische Darstellung auf der Übersichtsseite – eine Darstellungsform, welche einer konkreten Layout-Spezifikation zugrunde liegt aber es kaum Referenzen auf ähnliche Darstellungsformen gibt. Das hier verwendete Darstellungsschema der Hauptseite ist im Netz tatsächlich kaum zu finden und auch das RCT-Portal, das die Daten so darstellt ist nicht öffentlich einsehbar.

Ebenfalls etwas Eingreifen erforderte die Umsetzung der Darstellung als verlustbehaftetes System. So schlugen immer wieder von der AI aufgestellte Plausibilitätschecks fehl, weil bei der Umsetzung von Energie Verluste entstehen und Erzeugung abzüglich Verbrauch nicht unbedingt der Einspeisung entspricht.




Neben der Bedienung über das Touchpanel ist auch ein lokales Webinterface verfügbar. Darüber lassen sich die Daten noch etwas komfortabler analysieren, Einstellungen ändern und Updates einspielen. Zudem verfügt es über die Möglichkeit gesammelte Daten und Screenshots herunterzuladen. Das lokale Webinterfaces ist einfach gestaltet und kommt ohne komplexe Komponenten aus, was der Performance sehr zuträglich ist – die Latenz der Seitenaufrufe ist besser als bei jedem Cloud-Interface, obwohl die Anbindung über WLAN erfolgt und der ESP32 mit nur 240 MHz getaktet ist.


Die Implementierung besteht aus rund 21000 Zeilen Code – abgesehen von der Implementierung für die ESP32-Boards selbst.
Ausblick und Grenzen
In manchen Bereichen hat das Projekt noch nicht die Qualität erreicht, die man von einem fertigen Produkt erwarten würde. Insbesondere bei der Beschreibung und der Anleitung bestehen noch erhebliche Qualitäsmängel. Aber möglicherweise kann hier mittelfristig mal ein technischer Redakteur etwas nachhelfen. Derzeit sieht es nicht so aus, als würde ohne menschliche Unterstützung ein brauchbares Handbuch entstehen.
Es ist allerdings abzusehen, dass KI den Umgang mit Versorgungslücken im Cloud-Umfeld maßgeblich verändern wird. Das betrifft nicht nur Systeme die herstellerseitig aufgegeben wurden, sondern auch mangelde Interoperabilität und fehlende Features. Wo vor Kurzem noch große Teams oder Communities erforderlich waren, um eine herstellerunabhänige Software oder Infrastruktur zu schaffen, werden Anforderungen und Zeitaufwand in Zukunft kleiner werden. Das wird signifikanten Einfluss auf den Willen der Anwender haben, softwaretechnische „Schmerzen“ zu ertragen.
Es sei angemerkt, dass das Cloudsystem von RCT trotz Insolvenz derzeit voll funktionstüchtig ist. Zudem gibt es eine rein lokal arbeitende App, welche keine Cloudanbindung erfordert. Zudem weisen wir darauf hin, dass dieses Projekt rein wissenschaftlichen Zwecken dient und in keinem Zusammenhang zur Firma RCT GmbH steht.
Dieser Bericht ist übrigens völlig klassisch entstanden – ganz ohne KI-Unterstützung.
Das Resultat steht unter freizügiger MIT-Lizenz bei Github zur Verfügung.