Letzte Position
—
VW T6 · 2017 · Digital Twin
Lade Daten…
—
| # | Bauteil | Spezifikation | Bild |
|---|---|---|---|
| 1 | Raspberry Pi Zero 2 W | 512MB RAM, WiFi on board, Hauptrechner | ![]() |
| 2 | microSD-Karte | 32 GB High Endurance (SanDisk Max Endurance) | ![]() |
| 3 | GPS HAT | u-blox, UART (Waveshare L76X), Antenne an Frontscheibe | ![]() |
| 4 | ELM327 Bluetooth | OBD-II Adapter (z. B. Vgate iCar Pro) | ![]() |
| 5 | DC-DC Wandler | 12V→5V, ≥3A, LM2596-Modul mit Enable-Pin | ![]() |
| 6 | Spannungsteiler | 100k/22k → GPIO-ADC via ADS1115 | ![]() |
| 7 | ADS1115 | I2C ADC, 16-bit (Pi hat keinen ADC) | (kein Bild verfügbar) |
| 8 | Unterspannungs-Schutzrelais | Kemo M148, Cutoff ~12.0V (Hardware-Fallback) | ![]() |
| 9 | KFZ-Kabel + Sicherung | 1,5mm², Flachsicherung 5A, ~3m, an Zweitbatterie | (kein Bild verfügbar) |
| 10 | Gehäuse | IP40, ~100×70×30mm, hinter dem Armaturenbrett | (kein Bild verfügbar) |
Kosten Fahrzeug-Seite: ca. 90–110 €
| # | Komponente | Rolle |
|---|---|---|
| 11 | Intel NUC + Proxmox | Hypervisor, beherbergt alle Container |
| 12 | LXC «twin-server» | Debian 12, 1 vCPU, 512MB, 8GB — Ingest, SQLite-Master, Export + Git-Push |
| 13 | LXC «gh-pages» | Statisches Hosting-Klon/Build dieses Dashboards (optional) |
| 14 | TrueNAS | Optionale DB-Backups der telemetry.db |
| 15 | Tailscale | Mesh-VPN, keine Port-Freigaben nötig |
| 16 | GitHub Pages | Dieses öffentliche Dashboard (go34iwb/vw-t6-twin) |
| 17 | LTE/USB-Modem oder SIM800L | Live-Sync unterwegs statt Heim-WLAN-Batch |
| 18 | IoT-Daten-SIM | z. B. 1NCE / Hologram, ~10 € einmalig |
Interaktives 3D-Modell des VW T6 — ziehe zum Drehen, Scrolle zum Zoomen
| Sensor | Position | Status |
|---|---|---|
| ELM327 (OBD-II) | OBD-Buchse (unter Lenkrad) | ✓ Live |
| GPS HAT | Frontscheibe (Außen) | ✓ Live |
| ADS1115 | Armaturenbrett (Hinter) | ✓ Live |
| Kemo M148 | Zweitbatterie | ✓ Hardware |
Klicke auf Sensormarker für Details · Grüne Partikel = Datenfluss aktiv
CPU-tauglicher Autoencoder (PyTorch) erkennt ungewöhnliche Sensorverläufe frühzeitig. Modelle werden nur mit repräsentativen, normalen Daten trainiert.
Hermes erklärt Anomalien kontextbezogen: Betriebszustand, Temperatur, Fahrzustand und historische Muster fließen in die Bewertung ein.