Predictive Maintenance mit Vibrationssensoren – was geht schon mit einem ESP32?

Autor: DerSchneider

Einleitung

Die Vision ist verlockend: Ein kleiner, kostengünstiger Mikrocontroller, der an jeder Maschine hängt, ihre Vibrationen überwacht und noch bevor das Lager zerfällt oder die Welle bricht, eine Warnung aussendet. Predictive Maintenance – also die vorausschauende Wartung – ist eines der meistzitierten Versprechen von Industrie 4.0. Und der ESP32, dieser vielseitige Winzling mit integriertem WLAN und Bluetooth, scheint wie geschaffen für diese Aufgabe.

Doch zwischen der charmanten Vision und der industriellen Realität klafft eine tiefe Kluft. Der ESP32 ist ein Wunderwerk der Ingenieurskunst für seinen Preis von unter zehn Euro. Aber ist er auch ein ernstzunehmendes Werkzeug für die Schwingungsdiagnostik? Kann ein Bauteil, das eigentlich für die Steuerung von Leuchtdioden und die Übertragung von Sensordaten im Smart Home entwickelt wurde, den rauen Bedingungen einer Fertigungshalle standhalten und dabei so präzise messen, dass sich daraus verlässliche Wartungsentscheidungen ableiten lassen?

Dieser Artikel unternimmt einen nüchternen Blick auf die Möglichkeiten und – vor allem – die Grenzen des ESP32 in der Welt der maschinellen Zustandsüberwachung. Er zeigt, wo der kleine Controller glänzt, wo er scheitert und für welche Anwendungen er tatsächlich taugt.

1. Die Hardware: Was der ESP32 mitbringt – und was ihm fehlt

Der ESP32 ist ein zweikerniger Mikrocontroller mit Taktfrequenzen von bis zu 240 MHz, integriertem WLAN und Bluetooth, einer Vielzahl von Ein- und Ausgängen sowie einer beachtlichen Rechenleistung für seine Klasse. Das ist beeindruckend – für einen Mikrocontroller.

Für die Schwingungsmessung sind jedoch andere Eigenschaften entscheidend:

• Die Analog-Digital-Wandler (ADC): Der ESP32 besitzt mehrere 12-Bit-ADCs. Das klingt gut, ist aber in der Praxis eine der größten Schwachstellen. Die ADCs des ESP32 sind bekannt für ihre Nichtlinearität und ihr Rauschen. Für präzise Schwingungsmessungen, bei denen es auf Bruchteile eines G (Erdbeschleunigung) ankommt, ist das ein ernstes Problem.
• Die Abtastrate: Der ESP32 kann theoretisch Abtastraten von mehreren tausend Samples pro Sekunde erreichen. In der Praxis sind jedoch 200 Hz bis 1 kHz typisch. Für die Erkennung von Lagerfehlern in schnell drehenden Maschinen ( > 3000 U/min) ist das oft zu niedrig, da die charakteristischen Frequenzen im Kilohertz-Bereich liegen.
• Die Rechenleistung: Die 240 MHz und zwei Kerne sind ausreichend, um eine Fast Fourier Transformation (FFT) in Echtzeit durchzuführen. Auch einfache Machine-Learning-Modelle wie Random Forest oder Support Vector Machines (SVM) können auf dem ESP32 ausgeführt werden. Komplexe tiefe neuronale Netze (Deep Learning) sind jedoch meist zu rechenintensiv.

2. Die Sensorik: MEMS vs. IEPE – der entscheidende Unterschied

Die Wahl des Sensors ist mindestens so wichtig wie die Wahl des Mikrocontrollers. Hier gibt es zwei grundlegend verschiedene Welten:

A) MEMS-Sensoren (Mikroelektromechanische Systeme)

Sensoren wie der ADXL345, MPU6050 oder MPU9250 sind die erste Wahl für ESP32-basierte Projekte. Sie sind preiswert (oft unter 10 €), klein, stromsparend und über einfache digitale Schnittstellen (I²C, SPI) an den ESP32 anbindbar.

Die Stärken:

• Geringe Anschaffungskosten
• Einfache Integration
• Drei Achsen in einem Bauteil

Die Grenzen:

• Geringe Empfindlichkeit: MEMS-Sensoren sind für die Erkennung von Erschütterungen und Bewegungen ausgelegt, nicht für die hochpräzise Schwingungsanalyse. Sie erreichen oft Auflösungen von nur 4 bis 16 mg (Milli-G). Industrielle Anforderungen liegen häufig im Bereich von < 1 mg.
• Rauschen: MEMS-Sensoren haben ein relativ hohes Eigenrauschen, das bei tiefen Frequenzen die Messung verfälschen kann.
• Temperaturdrift: Die Messwerte verändern sich mit der Temperatur – ein Problem in unklimatisierten Produktionshallen.

Eine Studie mit einem ESP32 und einem ADXL345-Sensor erzielte bei der Fehlerdiagnose mit einem 1D-Convolutional Neural Network (1D-CNN) eine Genauigkeit von 94,2 %. Eine andere Arbeit mit einem ähnlichen Aufbau kam auf 97,5 % Genauigkeit. Diese Zahlen sind beeindruckend – sie stammen jedoch meist aus Laborversuchen mit kontrollierten Bedingungen und bekannten Fehlermustern. Die Übertragbarkeit auf die raue Industriepraxis ist fraglich.

B) IEPE-Sensoren (Integrated Electronics Piezo Electric)

IEPE-Sensoren sind der Industriestandard für die Schwingungsmessung. Sie sind teurer (oft mehrere hundert Euro), benötigen eine spezielle Stromversorgung (konstanter Strom, typisch 4 mA) und liefern ein analoges Signal, das mit einem hochauflösenden ADC (mindestens 24 Bit) erfasst werden muss.

Die Stärken:

• Hohe Empfindlichkeit: Erfassen auch kleinste Vibrationen im Mikrometerbereich.
• Großer Frequenzbereich: Von wenigen Hz bis zu über 10 kHz.
• Robustheit: Für den industriellen Dauerbetrieb ausgelegt.

Die Grenzen:

• Hohe Kosten
• Komplexe Signalaufbereitung: Benötigt einen externen Verstärker und einen hochwertigen ADC.
• Stromverbrauch: Deutlich höher als bei MEMS.

Die Kombination aus ESP32 und IEPE-Sensor ist durchaus möglich. Eine aktuelle Arbeit aus dem Jahr 2026 stellt ein System vor, das einen ESP32 mit einem hochauflösenden IEPE-Sensor kombiniert. Der ESP32 übernimmt hier die Datenakquisition und die Kommunikation, während die aufwendige Signalverarbeitung auf einem leistungsfähigeren NanoPi Neo (einem Einplatinencomputer) ausgeführt wird.

3. Die Signalverarbeitung: Was der ESP32 leisten kann

Die eigentliche Kunst der Zustandsüberwachung liegt nicht im Messen, sondern im Interpretieren der gemessenen Signale. Hier zeigt der ESP32, was in ihm steckt.

A) Die Fast Fourier Transformation (FFT)

Das Herzstück der Schwingungsanalyse ist die FFT. Sie wandelt das Zeitsignal (Amplitude über Zeit) in ein Frequenzspektrum um. In diesem Spektrum lassen sich charakteristische Frequenzen erkennen:

• Unwucht: Eine Spitze bei der Drehfrequenz (1x)
• Fehlausrichtung: Spitzen bei 1x und 2x
• Lagerschäden: Spitzen bei Vielfachen der Drehfrequenz, oft mit Seitenbändern
• Zahnradfehler: Spitzen bei der Eingriffs- oder Zahnfrequenz

Der ESP32 ist durchaus in der Lage, eine FFT in Echtzeit durchzuführen. Ein typisches System sammelt 1000 Samples, führt eine FFT durch und überträgt die Ergebnisse via WLAN an einen Server. Die Latenz bleibt dabei unter 150 ms.

B) Machine Learning auf dem Edge

Der Trend geht dahin, die Entscheidung direkt auf dem ESP32 zu treffen – Edge AI oder TinyML. Das hat mehrere Vorteile:

• Geringere Latenz: Kein Warten auf die Cloud-Antwort.
• Datenschutz: Die Rohdaten verlassen nicht das Gerät.
• Unabhängigkeit: Funktioniert auch ohne Internetverbindung.

Die Forschung zeigt, dass klassische Machine-Learning-Verfahren wie Random Forest und SVM auf dem ESP32 gut funktionieren. Sie erreichen hohe Genauigkeiten bei geringem Rechenaufwand. Deep-Learning-Modelle sind hingegen oft zu schwer.

Ein besonders eleganter Ansatz ist das „Confidence-Aware TinyML“ : Der ESP32 führt eine erste, schnelle Analyse durch. Ist er sich seiner Diagnose sicher (hohe Konfidenz), gibt er das Ergebnis direkt aus. Bei Unsicherheit werden die Daten zur genaueren Analyse an die Cloud gesendet. Dieses System erreichte auf einem ESP32 96,8 % Genauigkeit bei einer durchschnittlichen Latenz von 82,8 ms – und das, obwohl nur 12 % der Daten in die Cloud ausgelagert wurden. Ein kluger Kompromiss zwischen Edge- und Cloud-Computing.

4. Die Grenzen des Machbaren – eine realistische Einordnung

Trotz aller Fortschritte: Der ESP32 ist und bleibt ein Mikrocontroller für den Consumer-Bereich, kein industrielles Messgerät.

Die entscheidenden Limits im Detail:

1. Die Abtastrate: Für Maschinen mit Drehzahlen über 3000 U/min (50 Hz) sind die charakteristischen Fehlerfrequenzen oft > 1 kHz. Der ESP32 kann diese mit Mühe erfassen – aber ohne ausreichende Reserve. Die Nyquist-Bedingung (Abtastrate > 2 x maximale Frequenz) wird schnell zur Hürde.
2. Die ADC-Auflösung: 12 Bit sind für präzise Schwingungsmessungen zu grob. Ein 24-Bit-ADC ist der Industriestandard. Der ESP32 kann diesen nur über externe Bausteine anbinden – was den Preis und die Komplexität erhöht.
3. Die Umgebungsbedingungen: Der ESP32 ist nicht für Temperaturen über 85 °C, hohe Luftfeuchtigkeit, Vibrationen (die er ja messen soll) oder elektromagnetische Störungen ausgelegt. In einer Produktionshalle mit Schweißtrafo, Frequenzumrichtern und Motoren ist das ein Problem.
4. Die fehlende Industrialisierung: Der ESP32 ist ein Entwicklerboard, kein Industrieprodukt. Es fehlen:
   • Robuste Gehäuse (IP67)
   • Steckverbinder für Industriekabel (M12, RJ45 industrial)
   • Zertifizierungen (CE für Industrie, UL, ATEX für explosionsgefährdete Bereiche)
   • Ein langfristiger Lieferantenstamm (ESP32-Chips kommen von Espressif, einem chinesischen Hersteller – keine Garantie für 10 Jahre Verfügbarkeit)

5. Die Einsatzszenarien – wann der ESP32 sinnvoll ist

Der ESP32 ist kein Ersatz für ein professionelles Condition-Monitoring-System. Aber er hat seine Domänen:

A) Bildung und Forschung

Der ESP32 ist das perfekte Werkzeug, um Studenten und Auszubildenden die Grundlagen der Schwingungsanalyse, der FFT und des maschinellen Lernens beizubringen. Er ist günstig, einfach zu programmieren und macht die Technik greifbar.

B) Kleine und mittlere Unternehmen (KMU)

Für viele KMU sind professionelle Systeme schlicht unbezahlbar. Ein ESP32-basiertes System kann hier eine kostengünstige Einstiegslösung bieten. Es ersetzt nicht den erfahrenen Wartungstechniker, aber es kann helfen, grobe Auffälligkeiten frühzeitig zu erkennen. Die Detektionsrate liegt bei solchen Systemen oft bei ~73 % – das ist weit von perfekt, aber besser als nichts.

C) Nicht sicherheitskritische Anwendungen

Für Ventilatoren, kleine Pumpen, Förderbänder oder andere nicht sicherheitskritische Anlagen ist der ESP32 durchaus geeignet. Ein Ausfall dieser Komponenten ist ärgerlich, aber nicht lebensbedrohlich. Hier kann der ESP32 helfen, Ausfälle zu reduzieren und die Wartung zu optimieren.

D) Prototyping und Feldversuche

Bevor ein Unternehmen Zehntausende Euro in ein professionelles System investiert, kann es mit einem ESP32-basierten Prototyp erste Erfahrungen sammeln, die Anforderungen definieren und die Machbarkeit prüfen.

6. Ein praktisches Beispiel – der Aufbau eines typischen Systems

Ein typisches ESP32-basiertes Predictive-Maintenance-System könnte wie folgt aussehen:

• Sensor: MPU6050 (MEMS, 3 Achsen) oder ADXL345
• Mikrocontroller: ESP32
• Signalverarbeitung: Sammlung von 1000 Samples, Kalman-Filter zur Rauschunterdrückung, FFT zur Frequenzanalyse
• Auswertung: Einfaches Machine-Learning-Modell (z.B. Anomalieerkennung) oder Vergleich mit Schwellwerten
• Kommunikation: Übertragung der Ergebnisse via WLAN an einen lokalen Server oder in die Cloud (z.B. über MQTT)
• Visualisierung: Webinterface mit Echtzeit-Dashboards, Histogrammen und Alarmfunktionen

Der ESP32 nutzt seine duale Kern-Architektur effizient: Ein Kern übernimmt die kontinuierliche Datenakquisition, der andere die Kommunikation und die (Teile der) Signalverarbeitung.

Fazit & Ausblick

Die Frage „Was geht schon mit einem ESP32?“ lässt sich nicht pauschal beantworten. Die Antwort lautet: Es kommt darauf an.

• Für den ambitionierten Maker, den Studenten oder das KMU mit kleinem Budget ist der ESP32 ein fantastisches Werkzeug. Er ermöglicht den Einstieg in die Welt der maschinellen Zustandsüberwachung zu einem Bruchteil der Kosten professioneller Systeme.
• Für den sicherheitskritischen Einsatz in der Großindustrie, bei hohen Drehzahlen oder unter extremen Umgebungsbedingungen ist der ESP32 schlichtweg ungeeignet. Hier sind spezialisierte, zertifizierte und robuste Systeme gefordert.

Die Zukunft des ESP32 in der Predictive Maintenance liegt nicht in der Verdrängung der Profisysteme, sondern in der Demokratisierung der Technologie. Er macht Condition Monitoring für Anwendungen zugänglich, für die es bisher schlicht zu teuer war. Er ist das Schnupperangebot – und für viele Anwender der erste Schritt auf einem Weg, der vielleicht irgendwann zu einem professionellen System führt.

Die Forschung geht weiter: Die Kombination von ESP32 mit externen 24-Bit-ADCs und IEPE-Sensoren, die Nutzung von TinyML für die lokale Entscheidungsfindung und die Entwicklung confidence-basierter Hybrid-Architekturen werden die Leistungsfähigkeit des kleinen Controllers weiter steigern. Aber die grundlegenden physikalischen und wirtschaftlichen Grenzen wird er nicht überwinden. Und das ist auch gut so – denn sonst hätten die Hersteller professioneller Messsysteme bald ein echtes Problem.

Quellen

• Pathak, Y., Dubey, M., Sharma, T.: „Confidence-Aware Tiny Machine Learning Orchestration for Vibration-Based Predictive Maintenance in Automotive Powertrains“, 2026 
• „Edge AI-powered vibration monitoring system with IEPE sensors for predictive maintenance in industrial machinery“, Scientific African, Volume 32, Juni 2026 
• Kolok, P., Hodon, M., Ševčík, P., et al.: „Low-Cost IoT-Based Predictive Maintenance Using Vibration“, Sensors 2025, 25, 6610 
• Gupta, S., Shivhare, S.N.: „Embedded TinyML for Predictive Maintenance: Vibration Analysis on ESP32 with Real-Time Fault Detection in Industrial Equipment“, International Journal on Computational Modelling Applications, 2025 
• TISF 2026: „Modular wireless device for flexible sensor-based predictive maintenance“, Taiwan International Science Fair, 2026 
• „Intelligent Bearing Fault Detection: Deep Learning Model Assessment and Embedded System Deployment“, IEEE, 2026 
• „Real-Time Drone Propeller Fault Detection Using Onboard Vibration Sensors and Optimized Machine Learning“, Journal of Vibration Engineering & Technologies, 2025