Predictive Maintenance

Machine Learning und Künstliche Intelligenz werden in diesem Seminar im Kontext des Maschinebaus praxisnah vermittelt. Algorithmen des Supervised und Unsupervised Learnings werden anwendungsorientiert eingeführt und anhand von Beispielen, Aufgaben und Mini-Projekten im Kontext der vorausschauenden Wartung (engl. Predictive Maintenance) vertieft und eingeübt. Im Speziellen werden die Teilaspekte Remaining Useful Life (RUL) Prediction, Time to Failure (TTF) Prediction, Fault Classification, Anomaliedetektion der Predictive Maintenance behandelt. Da es sich um ein aktuelles und dynamisches Thema handelt, fließen Erkenntnisse aus aktuellen Publikationen im Kontext der Predictive Maintenance mit in das Seminar ein.

Konkrete Inhalte:

• Was ist Predictive Maintenance? Begriffsklärung und zugrundeliegende Operationalisierung: Remaining Useful, Life, Time to Failure
• Einführung in Machine Learning: grundlegende Konzepte, Supervised und Unsupervised Learning, Klassifikation und Regression, Dimensionsreduktion und Finden von Mustern in Daten
• Vertiefung in ausgewählte Algorithmen des Supervised und Unsupervised Learnings: z.B. Support Vector Machines, Random Forest, Clustering, PCA
• Anwendung dieses Verständnisses auf die Bereiche RUL Prediction, TTF Prediction, Fault Classification, Anomaliedetektion: wie können Maschinenfehler vorhergesagt werden? Wie kann der Gesundheitszustand einer Maschine datengetrieben abgeschätzt werden? Zuverlässigkeitsberechnung von Komponenten
• Evaluation von Machine Learning Modellen: Confusion Matrix, Cross Validation
• Deployment: Cloud- und Edge-Machine-Learning – wie bringt man Machine Learning Modelle in die Produktion?
• Grundlegendes Konzept ist der CRISP-DM Zyklus, mit Fokus auf die Bereiche Modeling, Evaluation und Deployment

Das Arbeitsmedium ist die Programmiersprache Python und JupyterLab/JupyterNotebook. In Python kann sich in den ersten Wochen der Veranstaltung mittels Tutorials eingearbeitet werden und weiteres Python-Wissen wird on-the-fly parallel zu den inhaltlichen Themen vermittelt.