Predictive Maintenance

• 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.

Die Module “Data Analytics”, “Predictive Maintenance” und “Kognitive Systeme” vermitteln jeweils sich ergänzende Inhalte. Somit können sowohl einzelne, als auch mehrere dieser Module besucht werden.

Fachkompetenz
Nach erfolgreichem Absolvieren des Teilmoduls sind die Studierenden in der Lage,
• die zugrundeliegenden Konzepte und Methoden der Predictive Maintenance zu verstehen und im industriellen Alltag anzuwenden. (2)
• Supervised und Unsipervised Learning Methoden generisch zu verstehen und im Speziellen in den Bereichen der RUL/TTF Prediction, Fault Classification und Anomaliedetektion anzuwenden. (2)
• Instandhaltungs- und Wartungsmaßnahmen datengetrieben präzise zu planen. (2)
• den Abnutzungsvorrat einer Maschine bzw. deren Komponenten komputativ abzuschätzen. (2)
• das Potenzial durch den Austausch von Komponenten zum optimalen Zeitpunkt einzuschätzen. (2)
• Daten aus industriellen Anlagen zu nutzen, um Machine Learning Modelle im Maschinenbaukontext zu trainieren und mittels z.B. Confusion Matrizen und Cross-Validation zu evaluieren. (2)
• alle erwähnten Methoden und Konzepte mittels der Programmiersprache Python umzusetzen. (2)

Persönliche Kompetenz
Nach erfolgreichem Absolvieren des Teilmoduls sind die Studierenden in der Lage,
• eine nachhaltige Nutzung von Anlagen- und Maschinenkomponenten vorzuschlagen. (2)
• den Impact von Machine Learning Methoden im industriellen Bereich abschätzen zu können. (2)
• eigenständig Projekte im Bereich des Machine Learning im industriellen Kontext umzusetzen und mit Software-Entwicklern/Data Engineers nahtlos zusammenzuarbeiten. (2)
• aktuelle wissenschaftliche Literatur und Veröffentlichungen im Kontext der Predictive Maintenance und des Machine Learning eigenständig zu recherchieren. (2)