Predictive Maintenance: Wartung neu denken mit Künstlicher Intelligenz

Predictive Maintenance: Wartung neu denken mit Künstlicher Intelligenz.

MODULE: MODUL 01: EINFÜHRUNG IN PREDICTIVE MAINTENANCE UND KI

• Wartungsstrategien im Vergleich: reaktiv, präventiv, prädiktiv
• Grundbegriffe künstlicher Intelligenz und maschinellen Lernens
• Anwendungsbeispiele aus der industriellen Praxis
• Chancen und Herausforderungen

MODUL 02: GRUNDLAGEN DER SENSORIK UND DATENERFASSUNG

• Typen und Einsatzgebiete industrieller Sensoren
• Datenerfassungssysteme (Edge, IoT, PLC)
• Typische Datenformate und -strukturen
• Datenqualität und Ausfallszenarien

MODUL 03: DATENVERARBEITUNG MIT PYTHON

• Einführung in Pandas und NumPy
• Daten einlesen, analysieren und bereinigen
• Zeitreihen vorbereiten
• Grundlagen des Data Wrangling

MODUL 04: ÜBERBLICK ÜBER MASCHINELLES LERNEN

• Überwacht vs. unüberwacht Lernen
• Trainings-, Validierungs- und Testdaten
• Feature Engineering
• Modelle: Entscheidungsbäume, KNN, lineare Regression

MODUL 05: ML-MODELLE FÜR WARTUNGSANWENDUNGEN

• Klassifikation vs. Regression im Kontext der Wartung
• Trainieren eines einfachen ML-Modells in Python
• Modellmetriken: Accuracy, Precision, Recall
• Fehlerinterpretation und Optimierung

MODUL 06: ZEITREIHENANALYSE UND ANOMALIEERKENNUNG

• Besonderheiten von Zeitreihendaten
• Anomalieerkennung mit statistischen Verfahren
• Nutzung von Rolling Windows und Thresholds
• Erkennen von Ausfällen im Voraus

MODUL 07: PROJEKTARBEIT – EINFÜHRUNG UND PLANUNG

• Auswahl eines Wartungsszenarios (z. B. Motor, Pumpe)
• Definition der Aufgabenstellung
• Datensimulation oder Datennutzung
• Rollenverteilung im Team

MODUL 08: PROJEKTARBEIT – UMSETZUNG

• Vorverarbeitung der Daten
• Modelltraining und -optimierung
• Visualisierung und Interpretation der Ergebnisse
• Test und Validierung

MODUL 09: TECHNISCHE UMSETZUNG UND DEPLOYMENT

• Modell-Deployment auf Edge-Geräten oder in der Cloud
• Integrationsmöglichkeiten mit bestehenden Systemen
• Monitoring und Wartung von KI-Modellen
• Datensicherheit und Robustheit

MODUL 10: ZUKUNFTSPERSPEKTIVEN UND REFLEXION

• Trends in Predictive Maintenance
• Grenzen des maschinellen Lernens
• Ethische Fragestellungen und Verantwortung
• Abschlussdiskussion und Feedbackrunde