Mitsubishi Heavy Industries Split Klimaanlage

@saeft_2003 Nimm mal den alive mit in die history auf. Aber man sieht schon schön ne Lücke in dem Graphen. Vermutlich gab’s keine Werte und es wird linear mit dem ersten Ping der wiederkommt verbunden? Zumindest würde das den Graphen erklären.

saeft_2003

Ich hab die Klima jetzt wieder auf den AP gelockt der theoretisch am besten ist. Normalerweise muss die Verbindung hier top sein. Luftlinie ist der nur 2m weg und nur dünne Wände dazwischen. Andere Geräte zum Teil weiter weg haben null Probleme.

hacki11

@saeft_2003 Mein IG nimmt auch immer den weiter entfernten AP statt dem der 4m entfernt steht. Roaming ist in dem WLAN deaktiviert, da viele IOT Geräte damit nicht klar kommen. Das IG vermutlich gleich dreimal nicht.

MrLarodos

@hacki11 Ich habe das WLAN so konfiguriert, dass die Geräte in einem separaten WLAN in 2.4Ghz am jeweils nächstliegenden AP eingesperrt sind. Habe kurz ein Shellscript für Linux mit Chat GPT entwickelt, was ne csv mitloggt (im Subfolder "Log" im Scriptordner. Inhalt der CSV:

Name;Zeitstempel;Erreichbar;Zeit(ms)
Klima-Spitzboden;2025-05-15 13:39:18;True;30.4
Klima-K1;2025-05-15 13:39:18;True;85.3
Klima-K2;2025-05-15 13:39:18;True;95.8

Ist auch ein Billigfrontend drauf:

Hier das Script (IPs und Aliase anpassen!):

#!/bin/bash

# Intervall in Sekunden
INTERVAL=5

# IP-Adressen und Aliasnamen
IPS=("192.168.120.135" "192.168.120.138" "192.168.120.137" "192.168.120.136" "192.168.120.166")
ALIASES=("Klima-Spitzboden" "Klima-K1" "Klima-K2" "Klima-Esszimmer" "Klima-Buero")

# Logging-Verzeichnis und -Datei
SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
LOG_DIR="$SCRIPT_DIR/log"
CSV_FILE="$LOG_DIR/ping_log.csv"
mkdir -p "$LOG_DIR"

# CSV-Datei initialisieren, falls noch nicht vorhanden
if [ ! -f "$CSV_FILE" ]; then
    echo "Name;Zeitstempel;Erreichbar;Zeit(ms)" >> "$CSV_FILE"
fi

# Statusspeicher
declare -A LAST_RESPONSE
declare -A LAST_SEEN_DOWN

# Spaltenbreiten
WIDTH_ALIAS=20
WIDTH_REACH=12
WIDTH_TIME=10
WIDTH_LASTDOWN=25

# Initialisieren
for alias in "${ALIASES[@]}"; do
    LAST_RESPONSE["$alias"]="-"
    LAST_SEEN_DOWN["$alias"]="-"
done

# Letzte bekannte False-Zeiten aus CSV rekonstruieren
if [ -f "$CSV_FILE" ]; then
    for alias in "${ALIASES[@]}"; do
        last_false=$(grep "^$alias;" "$CSV_FILE" | grep ";False;" | tail -n 1 | cut -d';' -f2)
        if [ -n "$last_false" ]; then
            epoch=$(date -d "$last_false" +%s 2>/dev/null)
            if [ -n "$epoch" ]; then
                LAST_SEEN_DOWN["$alias"]=$epoch
            fi
        fi
    done
fi

# Funktion für menschenlesbare Zeitangabe
time_diff_human() {
    local last_time=$1
    [[ "$last_time" == "-" ]] && echo "-" && return
    local now=$(date +%s)
    local diff=$((now - last_time))
    (( diff < 60 )) && echo "vor $diff Sek." && return
    (( diff < 3600 )) && echo "vor $((diff / 60)) Min." && return
    echo "vor $((diff / 3600)) Std."
}

# Hauptschleife
while true; do
    clear

    printf "%-${WIDTH_ALIAS}s | %-${WIDTH_REACH}s | %-${WIDTH_TIME}s | %-${WIDTH_LASTDOWN}s\n" "Alias" "Erreichbar" "Zeit(ms)" "Nicht erreichbar vor"
    printf "%-${WIDTH_ALIAS}s-+-%-${WIDTH_REACH}s-+-%-${WIDTH_TIME}s-+-%-${WIDTH_LASTDOWN}s\n" \
        "$(printf '─%.0s' $(seq 1 $WIDTH_ALIAS))" \
        "$(printf '─%.0s' $(seq 1 $WIDTH_REACH))" \
        "$(printf '─%.0s' $(seq 1 $WIDTH_TIME))" \
        "$(printf '─%.0s' $(seq 1 $WIDTH_LASTDOWN))"

    for i in "${!IPS[@]}"; do
        IP=${IPS[$i]}
        NAME=${ALIASES[$i]}
        TIMESTAMP_HUMAN=$(date '+%Y-%m-%d %H:%M:%S')
        TIMESTAMP_EPOCH=$(date +%s)
        PING_OUTPUT=$(ping -c 1 -W 1 "$IP" 2>/dev/null)

        if echo "$PING_OUTPUT" | grep -q "1 received"; then
            TIME_MS=$(echo "$PING_OUTPUT" | grep "time=" | sed -E 's/.*time=([0-9.]+) ms/\1/')
            LAST_RESPONSE["$NAME"]=$TIME_MS
            REACH="Ja"
            DOWNTIME=$(time_diff_human "${LAST_SEEN_DOWN[$NAME]}")
            echo "$NAME;$TIMESTAMP_HUMAN;True;$TIME_MS" >> "$CSV_FILE"
        else
            REACH="Nein"
            TIME_MS="-"
            if [[ "${LAST_SEEN_DOWN[$NAME]}" == "-" ]]; then
                LAST_SEEN_DOWN["$NAME"]=$TIMESTAMP_EPOCH
            fi
            DOWNTIME=$(time_diff_human "${LAST_SEEN_DOWN[$NAME]}")
            echo "$NAME;$TIMESTAMP_HUMAN;False;" >> "$CSV_FILE"
        fi

        printf "%-${WIDTH_ALIAS}s | %-${WIDTH_REACH}s | %-${WIDTH_TIME}s | %-${WIDTH_LASTDOWN}s\n" \
            "$NAME" "$REACH" "${LAST_RESPONSE[$NAME]}" "$DOWNTIME"
    done

    sleep "$INTERVAL"
done

Falls Ihr irgendwo Linux habt, könnt Ihr das da laufen lassen.

Und hier das Script, um die CSV als Bild darzustellen:

#!/usr/bin/env python3

import pandas as pd
import matplotlib.pyplot as plt
from datetime import timedelta
import matplotlib.dates as mdates
import os

# 🕒 Benutzerabfrage zum Stundenbereich
try:
    user_input = input("Wie viele Stunden zurück anzeigen? [Default: 24]: ").strip()
    MAX_HOURS = int(user_input) if user_input else 24
except Exception:
    MAX_HOURS = 24

# 📥 CSV einlesen
CSV_PATH = "./log/ping_log.csv"
df = pd.read_csv(CSV_PATH, sep=';')
df['Zeitstempel'] = pd.to_datetime(df['Zeitstempel'], format="%Y-%m-%d %H:%M:%S")
df['Farbe'] = df['Erreichbar'].apply(lambda x: 'green' if str(x).strip().lower() == 'true' else 'red')
df['Erreichbar_bool'] = df['Erreichbar'].apply(lambda x: str(x).strip().lower() == 'true')

# 🧭 Zeitbereich setzen
latest_time = df['Zeitstempel'].max()
earliest_time = df['Zeitstempel'].min()
start_time = max(earliest_time, latest_time - timedelta(hours=MAX_HOURS))
df = df[df['Zeitstempel'] >= start_time].copy()

# 📋 Aliasnamen extrahieren
aliases = df['Name'].unique()
aliases_sorted = list(aliases)

# 📁 Diagrammverzeichnis erstellen
output_dir = "./diagramm_pix"
os.makedirs(output_dir, exist_ok=True)

# 📊 Plot vorbereiten
fig, ax = plt.subplots(figsize=(14, len(aliases_sorted) * 1.2))

def plot_status_blocks(data, y_pos):
    current_color = None
    block_start = None
    for _, row in data.iterrows():
        color = row['Farbe']
        timestamp = row['Zeitstempel']
        if color != current_color:
            if current_color is not None:
                duration = (timestamp - block_start).total_seconds()
                ax.barh(
                    y=y_pos,
                    width=duration / 3600,
                    left=block_start,
                    height=0.6,
                    color=current_color,
                    edgecolor='none'
                )
            block_start = timestamp
            current_color = color
    if block_start is not None and current_color is not None:
        duration = (latest_time - block_start).total_seconds()
        ax.barh(
            y=y_pos,
            width=duration / 3600,
            left=block_start,
            height=0.6,
            color=current_color,
            edgecolor='none'
        )

for i, alias in enumerate(aliases_sorted):
    data = df[df['Name'] == alias].sort_values(by='Zeitstempel')
    plot_status_blocks(data, i)

# 📐 Achsen und Format
ax.set_yticks(range(len(aliases_sorted)))
ax.set_yticklabels(aliases_sorted)
ax.set_xlim(start_time, latest_time)
ax.invert_yaxis()
ax.xaxis.set_major_formatter(mdates.DateFormatter('%H:%M'))
ax.set_xlabel("Uhrzeit")
ax.set_title("Erreichbarkeit der IPs – zusammenhängende Zustandsbereiche")
plt.grid(axis='x', linestyle='--', alpha=0.5)
plt.tight_layout()

# 💾 Bild speichern
image_filename = f"{output_dir}/ping_status_{latest_time.strftime('%Y%m%d_%H%M%S')}.png"
plt.savefig(image_filename)
plt.show()

# 📋 Zusammenfassung pro Alias
print("\nZusammenfassung:")
total_minutes = MAX_HOURS * 60

for alias in aliases_sorted:
    alias_data = df[df['Name'] == alias].sort_values(by='Zeitstempel')
    alias_data['diff'] = alias_data['Zeitstempel'].diff().dt.total_seconds().fillna(0)

    # Statuswechsel ermitteln
    alias_data['is_new_block'] = (alias_data['Erreichbar_bool'] != alias_data['Erreichbar_bool'].shift())
    alias_data['block_id'] = alias_data['is_new_block'].cumsum()

    # Offline-Blöcke
    false_blocks = alias_data[alias_data['Erreichbar_bool'] == False]
    grouped = false_blocks.groupby('block_id')

    total_offline_secs = grouped['diff'].sum().sum()
    total_offline_minutes = round(total_offline_secs / 60, 2)

    total_outages = grouped.ngroups
    outages_per_hour = round(total_outages / MAX_HOURS, 2)
    avg_offline_per_hour = round(total_offline_minutes / MAX_HOURS, 2)

    # Antwortzeiten nur bei True
    true_responses = alias_data[alias_data['Erreichbar_bool'] == True].copy()
    true_responses['Zeit(ms)'] = pd.to_numeric(true_responses['Zeit(ms)'], errors='coerce')
    min_time = round(true_responses['Zeit(ms)'].min(), 2)
    avg_time = round(true_responses['Zeit(ms)'].mean(), 2)
    max_time = round(true_responses['Zeit(ms)'].max(), 2)

    print(f"{alias}:")
    print(f"  Gesamtofflinezeit:       {total_offline_minutes:.2f} Min")
    print(f"  Ø Offlinezeit/Stunde:    {avg_offline_per_hour:.2f} Min")
    print(f"  Gesamtzahl Ausfälle:     {total_outages}")
    print(f"  Ø Ausfälle/Stunde:       {outages_per_hour}")
    print(f"  Antwortzeit (Min/Ø/Max): {min_time:.2f} / {avg_time:.2f} / {max_time:.2f} ms\n")

MrLarodos

@mrlarodos Habe mir noch ein Script gebaut, das die CSV als Diagramm visualisiert:
0cae9fa0-2530-432a-a78e-056fb5f6e743-ping_status_20250515_193136.png

Und hier die Zusammenfassung der bisherigen Messung:
Klima-Spitzboden:
Gesamtofflinezeit: 3.50 Min
Ø Offlinezeit/Stunde: 0.15 Min
Gesamtzahl Ausfälle: 19
Ø Ausfälle/Stunde: 0.79
Antwortzeit (Min/Ø/Max): 4.30 / 82.30 / 878.00 ms

Klima-K1:
Gesamtofflinezeit: 6.25 Min
Ø Offlinezeit/Stunde: 0.26 Min
Gesamtzahl Ausfälle: 21
Ø Ausfälle/Stunde: 0.88
Antwortzeit (Min/Ø/Max): 4.09 / 77.67 / 452.00 ms

Klima-K2:
Gesamtofflinezeit: 6.42 Min
Ø Offlinezeit/Stunde: 0.27 Min
Gesamtzahl Ausfälle: 28
Ø Ausfälle/Stunde: 1.17
Antwortzeit (Min/Ø/Max): 3.88 / 85.14 / 680.00 ms

Klima-Esszimmer:
Gesamtofflinezeit: 3.35 Min
Ø Offlinezeit/Stunde: 0.14 Min
Gesamtzahl Ausfälle: 8
Ø Ausfälle/Stunde: 0.33
Antwortzeit (Min/Ø/Max): 3.74 / 78.01 / 979.00 ms

Klima-Buero:
Gesamtofflinezeit: 0.18 Min
Ø Offlinezeit/Stunde: 0.01 Min
Gesamtzahl Ausfälle: 2
Ø Ausfälle/Stunde: 0.08
Antwortzeit (Min/Ø/Max): 4.20 / 73.71 / 993.00 ms

Hm. Hilft uns das sehr?

hacki11

@mrlarodos Zur Sicherheit mal den Adapter stoppen und prüfen ob die Offlinezeit dadurch beeinflusst wird. Falls nicht ist zumindest der Adapter raus 🫠

MrLarodos

@hacki11 Gute Idee Ich hoffe, dann ist alles grün <sleep canceled> ist dann angesagt

MrLarodos

@mrlarodos So, der Adapter ist aus. Nun wird es spannend

hacki11

@mrlarodos

MrLarodos

@hacki11

Ich lass mal noch ein paar Stunden laufen und dann checken wir. Ich vermute eher, dass die Verbindung von den Dingern einfach nicht besonders stabil ist. Büro besonders stabil, weil der AP 2 Meter in Sichtlinie liegt. Schauen wir mal.

MrLarodos

@mrlarodos So, um 20:20 Uhr hatte ich den Adapter deaktiviert:

Ab der blauen Linie also. Danach sind zwar weniger kleine Abbrüche erkennbar, aber das Phänomen ist nicht weg.

Signalstärke ist bei Klima-K1, Klima-K2 und Spitzboden bei ca. -47 dBm / -50 dBm, also kein großer Unterschied und auch kein erklärend schlechter Wert, oder?

Im Büro sind es -31 dBm und Esszimmer -35 dBm, da beide Sichtline zum AP haben. K1, K2 und Spitzboden sind auch nur 1 - 3 Meter vom AP entfernt, wenn auch ohne Sichtlinie.

Feste Kopplung an den jeweils nächsten AP und separates, eigenes WLAN mit 2,4 Ghz. Bin da etwas ratlos und kann nur mutmaßen, dass die WLAN-Module einfach nicht sehr gut sind.

Dass der Adapter runtergefahren ist, die Objekte aber weiterhin als online angezeigt werden, kannst Du nicht ändern, oder? Falls es möglich ist bei proaktivem Abschalten des Adapters auch noch ein Stopscript laufen zu lassen, wäre ein offline in den Objekten und der "Summe" wünschenswert

Ansonsten kann man wohl nicht viel machen. Der fette Ausfall der Pingbarkeit von K2 ist schon Mist ...

LG MrLarodos

hacki11

@mrlarodos Ohne, dass der Adapter läuft kann man die Erreichbarkeit der IG nicht wissen. Offline ist hier dann genauso falsch wie online. Wie ist es denn bei den anderen Adaptern wie Shelly? Wird hier auch noch was vorm beenden verändert? Der letzte bekannte Zustand ist der beste den wir haben. Falls es um ne Vis geht bräuchte man evtl. den Adapterzustand oder?

Ansonsten gut analysiert. Wer mag ein WLan Modul zerlegen, damit wir sehen was da drin ist? Vielleicht findet man auch noch Infos in englischsprachigen Foren.

hacki11

Habt ihr den IG bereits feste IP Adressen zugewiesen? Glaube nicht, dass es was ändert aber das ist zumindest bei mir der Fall.

Hier nochmal der Thread mit der Bestätigung der stündlichen Restarts seitens MHI.
https://community.ui.com/questions/AC-Units-IOT-disconnecting-from-UniFi-Wi-Fi-at-regular-hourly-Intervals/821cd3e4-46a0-4d6b-8fd0-8d5cf182b90f

Dort ist auch die Rede von der Verwendung identischer Source-Ports für ausgehende Verbindungen, was bei NAT zu Problemen führen kann. Vermutlich aber lokal weniger ein Problem?

Ein anderer User spricht von ARP Paketen, die dem Netzwerk vorgaukeln, WF-RAC wäre der Router:
https://community.home-assistant.io/t/mitsubishi-wifi-module-wf-rac-smart-m-air/411025/142

Vielleicht einen Versuch wert, ein eigenes Subnetz + eigenes Wlan nur für ein IG aufzuspannen? Mit Ubiqiti ja recht schnell erledigt.

Welche Firmware habt ihr auf dem Modul? Meine:
mcuFirmwareVersion: 131
wirelessFirmwareVersion: 010

NEWS

Mitsubishi Heavy Industries Split Klimaanlage

Support us

680
Online

31.7k
Users

79.7k
Topics

1.3m
Posts

NEWS

Mitsubishi Heavy Industries Split Klimaanlage

Support us

680Online

31.7kUsers

79.7kTopics

1.3mPosts

680
Online

31.7k
Users

79.7k
Topics

1.3m
Posts