Η παρούσα Μεταπτυχιακή Διπλωματική Εργασία πραγματεύεται τον σχεδιασμό και την υλοποίηση ενός ενσωματωμένου συστήματος για τον έλεγχο και την απομακρυσμένη παρακολούθηση ηλεκτρικού κινητήρα, αξιοποιώντας τεχνολογίες ενσωματωμένων συστημάτων και Internet of Things (IoT). Στόχος της εργασίας είναι η ανάπτυξη μιας ολοκληρωμένης αρχιτεκτονικής χαμηλού κόστους, ικανής να συνδυάζει λειτουργίες πραγματικού χρόνου με δυνατότητες συλλογής, μετάδοσης και εποπτείας δεδομένων.

Αρχικά παρουσιάζονται οι βασικές αρχές των ενσωματωμένων συστημάτων, των μικροελεγκτών και των συστημάτων ελέγχου ηλεκτρικών κινητήρων, καθώς και σύγχρονες προσεγγίσεις απομακρυσμένης παρακολούθησης μέσω IoT πλατφορμών. Παράλληλα, πραγματοποιείται ανάλυση της αρχιτεκτονικής του συστήματος, με έμφαση στον διαχωρισμό μεταξύ του επιπέδου ελέγχου πραγματικού χρόνου και του επιπέδου επικοινωνίας και εποπτείας.

Η προτεινόμενη υλοποίηση βασίζεται σε μικροελεγκτή STM32, ο οποίος αναλαμβάνει τις χρονικά κρίσιμες λειτουργίες του συστήματος, όπως η παραγωγή σήματος PWM, η συλλογή δεδομένων από αισθητήρες και η επεξεργασία μετρήσεων σε πραγματικό χρόνο. Επιπλέον, χρησιμοποιείται μονάδα ESP32 για τη διασύνδεση του συστήματος με δίκτυο WiFi και την αποστολή δεδομένων προς την πλατφόρμα ThingsBoard μέσω πρωτοκόλλου MQTT.

Το σύστημα περιλαμβάνει αισθητήρες μέτρησης ρεύματος, θερμοκρασίας, κραδασμών και ταχύτητας περιστροφής, επιτρέποντας την παρακολούθηση πολλαπλών παραμέτρων λειτουργίας του κινητήρα. Παράλληλα, υλοποιείται μηχανισμός alarms και απομακρυσμένης εποπτείας, παρέχοντας δυνατότητα ανίχνευσης μη φυσιολογικών συνθηκών λειτουργίας.

Στο πλαίσιο της εργασίας αναπτύχθηκε πειραματική διάταξη μικρής κλίμακας και πραγματοποιήθηκε αξιολόγηση της λειτουργίας του συστήματος μέσω μετρήσεων και δοκιμών σε πραγματικές συνθήκες λειτουργίας. Τα αποτελέσματα επιβεβαιώνουν την ορθή λειτουργία της αρχιτεκτονικής, την αξιόπιστη επικοινωνία μεταξύ των υποσυστημάτων και τη δυνατότητα απομακρυσμένης παρακολούθησης σε πραγματικό χρόνο. Η προτεινόμενη αρχιτεκτονική μπορεί να αποτελέσει βάση για μελλοντική επέκταση προς εφαρμογές προγνωστικής συντήρησης και βιομηχανικά IoT συστήματα.

This Master’s Thesis examines the design and implementation of an embedded system for the control and remote monitoring of an electric motor, utilizing embedded systems technologies and Internet of Things (IoT) concepts. The objective of this work is the development of a low-cost integrated architecture capable of combining real-time operation with data acquisition, transmission and remote supervision capabilities.

Initially, the fundamental principles of embedded systems, microcontrollers and electric motor control systems are presented, along with modern approaches for remote monitoring through IoT platforms. In addition, the architecture of the proposed system is analyzed, with emphasis on the separation between the real-time control layer and the communication and supervision layer.

The proposed implementation is based on an STM32 microcontroller, which is responsible for the time-critical functions of the system, such as PWM signal generation, sensor data acquisition and real-time processing of measurements. Furthermore, an ESP32 module is utilized for WiFi connectivity and transmission of telemetry data to the ThingsBoard platform through the MQTT protocol.

The system incorporates sensors for current measurement, temperature monitoring, vibration detection and rotational speed estimation, enabling the monitoring of multiple operating parameters of the motor. In parallel, an alarm management and remote supervision mechanism is implemented, providing the capability to detect abnormal operating conditions.

As part of this work, a small-scale experimental setup was developed and the operation of the system was evaluated through measurements and testing under realistic operating conditions. The results confirm the proper operation of the proposed architecture, the reliable communication between the subsystems and the capability for real-time remote monitoring. The proposed architecture can serve as a basis for future expansion towards predictive maintenance applications and industrial IoT systems.