Machine Learning & KI im Maschinenbau: Predictive Maintenance mit Sensordaten

Wie hilft uns Künstliche Intelligenz im Maschinenbau, um z.B. vorhersagen zu können, wann eine Maschine ausfällt oder ob ein bestimmter Schaden vorliegt? Mithilfe von Sensordaten wollen wir uns in dieser Projektarbeit solchen Fragen annehmen. Sie arbeiten in Teams agil und hands-on an großen Datensätzen und eignen sich Inhalte über Python, Datenanalyse und Machine Learning eigenständig unter Anleitung des Dozenten an. Sie lernen KI-Algorithmen sowohl aus anwendungsbezogener als auch theoretischer Sicht kennen, wenden diese direkt in einem langfristigen Datenanalyseprojekt an und erhalten einen Einblick in den Themenbereich Predictive Maintenance. Weiterhin lernen Sie wie man Code in Data Science Projekten strukturiert und organisiert. Weiterhin lernen sie, wie man in der Industrie Data Science Reports erstellt und wie man hierbei auch auf eine wissenschaftliche Arbeits- und Schreibweise achtet. Für das Projekt wird Ihnen eine Roadmap als Richtlinie vorgegeben, von der Sie aber abweichen können, wenn Sie eigene Ideen verfolgen wollen.

Konkrete Inhalte und Struktur:

• Fault Detection und Fault Classification an Kugellagern von Servomotoren auf der Grundlage von Vibrationsdaten
• Visualisierung von Daten, explorative Datenanalyse, Vorverarbeitung von Daten, Feature Engineering
• Machine Learning und dessen Anwendung in Python
  • Was ist unüberwachtes und überwachtes Lernen?
  • Welche Algorithmen gibt es?
  • Evaluation von Modellen
• Es wird die Programmiersprache Python und die Umgebung Anaconda/JupyterLab verwendet und vermittelt
• Grundkonzept ist der CRISP-DM Zyklus mit seinen Phasen: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment
• Erstellung von Data Science Reports mittels JupyterLab und Python wird vermittelt
• Tutorials und Literatur werden für die verschiedenen Bereiche - von Python über Data Science/Machine Learning und darüber hinaus - zur Verfügung gestellt und können self-paced und angeleitet durchgearbeitet werden
• Die Teams organisieren sich agil mittels KanBan und Weeklys