Wartung & Produktionsplanung: Zeitreihenvorhersage mit Machine Learning in der Industrie

Wartung & Produktionsplanung: Zeitreihenvorhersage mit Machine Learning in der mit KI.

MODUL 01: EINFÜHRUNG IN ZEITREIHENANALYSE

• Was sind Zeitreihen? Typische Muster in Maschinendaten und Produktionsprozessen
• Wo kommen Zeitreihen in der Industrie zum Einsatz? (z. B. Energieverbrauch, Stückzahlen, Sensordaten)
• Überblick über Zeitreihenprobleme: Vorhersage, Klassifikation, Anomalieerkennung
• Was kann ich mit Zeitreihenanalyse in der Produktion konkret verbessern?

MODUL 02: DATENVORBEREITUNG UND FEATURE ENGINEERING

• Umgang mit unvollständigen oder unregelmäßigen Datenreihen (z. B. Ausfälle, Ferienschichten)
• Transformation von Rohdaten in Merkmale (z. B. Mittelwerte, Differenzen, Zeitfenster)
• Datenvisualisierung zur Erkennung von Mustern (z. B. Trends, Saisonalitäten)
• Übung: Vorbereitung von Produktionsdaten zur Schichtauswertung

MODUL 03: KLASSISCHE VORHERSAGEMODELLE

• Zeitreihenmodelle wie ARIMA und Prophet (Modellierung saisonaler Nachfrage)
• Anwendung in der Wartungsplanung: Wie lange läuft eine Maschine noch effizient?
• Übung: Vorhersage von Ersatzteilbedarf oder Produktionsmenge über die Woche
• Vergleich der Vorhersagequalität klassischer Modelle

MODUL 04: ZEITREIHEN MIT KLASSISCHEN MACHINE-LEARNING-ALGORITHMEN

• Nutzung von Algorithmen wie Random Forest (Ensemble-Methoden) zur Vorhersage von Maschinenausfällen
• Erzeugung von Eingabedaten durch Lag-Features (zeitverzögerte Werte) und Rolling Statistics (Gleitmittelwerte)
• Übung: Prognose von Qualitätsabweichungen auf Basis historischer Messdaten
• Modelltraining und Feature-Selektion

MODUL 05: DEEP LEARNING FÜR KOMPLEXE MUSTER

• Wann sind rekurrente Netze (RNN, LSTM) sinnvoll?
• Identifikation komplexer Muster in langen Zeitreihen (z. B. Hitzezyklen, Spannungsverläufe)
• Übung: Vorhersage eines Temperaturverlaufs in einem Ofenprozess
• Netzwerkarchitektur und Hyperparameter

MODUL 06: MODELLBEWERTUNG UND VERGLEICH

• Auswahl geeigneter Fehlermetriken (z. B. MAE, RMSE, MAPE)
• Vermeidung typischer Fallstricke bei der Bewertung (z. B. Datenleckage)
• Übung: Vergleich mehrerer Modelle anhand realer Produktionsdaten
• Interpretation der Ergebnisse

MODUL 07: ANOMALIEERKENNUNG IN ZEITREIHEN

• Wie erkenne ich unerwartete Veränderungen frühzeitig? (z. B. plötzlicher Druckabfall)
• Verfahren wie Isolation Forest und Autoencoder (unsupervised learning)
• Übung: Detektion von Ausreißern in Sensorströmen eines Förderbands
• Definition von Schwellenwerten

MODUL 08: VOM MODELL ZUR ANWENDUNG – INTEGRATION IN PROZESSE

• Aufbau von Modellpipelines (z. B. mit scikit-learn, MLflow)
• Integration von Modellen in Produktionsumgebungen (z. B. API, Dashboard)
• Übung: Entwurf einer ML-gestützten Wartungsprognose zur Live-Anbindung an MES
• Monitoring und Modellpflege

MODUL 09: ABSCHLUSSPROJEKT & TRANSFER

• Entwicklung einer eigenen Vorhersagelösung für einen Praxisfall
• Gruppenarbeit: Beispielhafte Projekte wie Energieverbrauchsprognose oder Wartungsintervallplanung
• Diskussion der Ergebnisse und Übertragbarkeit auf eigene Daten & Prozesse
• Feedback und Ausblick