Fraunhofer-Verbund Produktion
Fraunhofer-Verbund Produktion

Modul 6: Industrial Data Science 4 Maintenance

Mittels intelligenter Datenanalyse zu Predictive Maintenance

Das Potenzial von Data Science ist riesig – von datenbasierter Entscheidungsunterstützung bis zur Optimierung der Instandhaltungsprozesse. Kernelement von Predictive Maintenance sind Prognosemodelle, die die Time-To-Failure (TTF) berechnen. Das ist jene Zeit, die bis zu einem Ausfall einer Maschine noch verfügbar ist, um mit präventiven Instandhaltungsmaßnahmen zu reagieren und einen ungeplanten Maschinenausfall zu verhindern.

Zur Prognose der TTF werden im Speziellen Methoden des Maschinellen Lernens eingesetzt. Dabei existiert eine Vielzahl an Klassifikations- und Regressionsalgorithmen, die nur auf ihren effizienten Einsatz warten.

Alle ausklappen Alle einklappen

Mittels intelligenter Datenanalyse zu Predictive Maintenance

  • Relevante Data Science-Technologien und -Methoden
  • Strukturiert Datenprojekte planen, durchführen und nachhaltig implementieren
  • Konkrete industrielle Anwendungsbeispiele
  • Datenverknüpfung und -vorverarbeitung und Feature Engineering
  • Entwicklung eines Prognosemodells anhand eines praxisnahen Beispiels

Das Seminar „Industrial Data Science 4 Maintenance“ bietet den Teilnehmerinnen und Teilnehmern:

  • Vorträge zum Aufbau von Fachkompetenzen im Bereich Industrial Data Science,
  • Möglichkeiten zum gegenseitigen Erfahrungsaustausch,
  • Praxisaufgabe: In Form eines gemeinsam erarbeiteten Praxisbeispiels werden geeignete Komponenten für eine datenbasierte Instandhaltungsplanung identifiziert und deren Ausfallwahrscheinlichkeit ermittelt. Dazu wird ein Prognosemodell in Python erarbeitet

Im Ergebnis stehen:

  • Anwendungsnahes Vorgehen zur Umsetzung von datenbasierter Instandhaltungsplanung
  • Entwicklung eines Prognosemodells in Python welches als Grundlage für die Umsetzung von Predictive Maintenance im eigenen Unternehmen verwendet werden kann
  • Erfolgsfaktoren für die Übertragung in das eigene Unternehmen

  • Fundierte Kenntnisse im Bereich Datenbasierter Instandhaltungsplanung
  • Fachkompetenzen zu Grundlagen und Begrifflichkeiten von Industrial Data Science
  • Einblick in die selbstständige Entwicklung von Prognosemodellen für Fragestellungen aus dem Bereich der datenbasierten Instandhaltungsplanung
  • Entwicklung eines Prognosemodell in Python

IT-affine Fach- und Führungskräfte aus den Bereichen

  • Instandhaltung,
  • Produktion,
  • Prozessoptimierung,
  • Digitalisierung,
  • Forschung und Entwicklung.

Für die Seminarteilnahme ist ein eigener Computer mit installiertem Anaconda (Python 3.7, oder einer gleichwertigen Python Distribution) notwendig. 

Anaconda ist eine Open Source Python Distribution, mit deren Installation Sie Zugriff auf alle wichtigen Libraries erhalten, um Data Science in Python durchführen zu können. Anaconda können Sie kostenlos unter folgendem Link herunterladen: https://www.anaconda.com/distribution/#download-section

Catherine Laflamme PhD., ist als wissenschaftliche Mitarbeiterin im Innovationszentrum »Digitale Transformation der Industrie« in Tirol für die Fraunhofer Austria Research GmbH tätig. Ihre Schwerpunkte liegen dabei im Bereich Machine Learning, Data Analytics

Dr. Klaudia Kovacs, ist als Gruppenleiterin für den Bereich Produktionsoptimierung und Instandhaltungsmanagement  bei der Fraunhofer Austria Research GmbH tätig. Die Hauptbetätigungsfelder von Frau Kovacs  liegen in der Entwicklung und Umsetzung neuartiger Instandhaltungslösungen unter Berücksichtigung von innovativen Technologien und Methoden.

© Fraunhofer IWU
Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU (Reichenhainer Straße 88, 09126 Chemnitz)

Das Programm

1. Tag

Titel

Inhalte
Einführung
  • Vorstellung Teilnehmer und Referenten
  • Zielstellung des Seminars

 
Datengetriebene Instandhaltungsplanung
  • Herausforderungen von datengetriebener Instandhaltungsplanung
  • Unterschiedliche Dimensionen datengetriebener Instandhaltung
  • Methodisches Vorgehen von zur datenbasierten Instandhaltungsplanung

Grundlagen Feature Engineering
  • Feature Construction: Wie werden aussagekräftige Features aus Rohdaten konstruiert?
  • Feature Encoding: Wie können kategorische Daten modelliert werden?

Praxisbeispiel: Entwickeln eines Prognosemodells in Python

Teil I
  • Risikobasierte Auswahl geeigneter Komponenten für eine datenbasierte Instandhaltungsplanung

2. Tag

Titel

Inhalte
  • Reflektion des ersten Seminartags
  • Zusammenfassung der Inhalte des ersten Seminartags
  • Reflektion der (Zwischen)- Ergebnisse des Praxisbeispiels
Grundlagen Machine Learning
  • Einteilung von Künstlicher Intelligenz und Machine Learning
  • Clusteranalyse
  • Einblick in Klassifikations- und Regressionsalgorithmen

Praxisbeispiel: Entwickeln eines Prognosemodells in Python

Teil II
  • Anwenden von Feature Selection und Engineering
Mittagspause  
Integration der Ergebnisse der Prognosemodelle in die Instandhaltungsplanung
  • Integration der Ergebnisse der Prognosemodelle in die Instandhaltungsplanung
  • Deployment-Möglichkeiten
  • Erstellen eines einfachen Demonstrators zur Visualisierung der Prognoseergebnisse

Praxisbeispiel: Entwickeln eines Prognosemodells in Python

Teil III
  • Entwicklung einfacher Prognosemodelle:
  • Klassifikation: Wird ein Ausfall im nächsten Zeitintervall stattfinden? Wie groß ist die Ausfallwahrscheinlichkeit?
  • Regression: Wie lautet die TTF
Übertragung in das Unternehmen
  • Interaktive Gruppenarbeit zur Ableitung der Erfolgsfaktoren einer intelligenter Datenanalyse 
  • Diskussion hinsichtlich der Übertragbarkeit der Inhalte in das eigene Unternehmen
Zusammenfassung und Feedback
  • Zusammenfassung der Seminarinhalte
  • Feedbackrunde 

Aktueller Termin:

in Planung

Teilnahmegebühr

1.050 EUR

Anmeldung