Predictive Maintenance mit Python: Maschinenausfälle früh erkennen

KI-Intensivseminar · 2 Tage

Sensordaten aufbereiten, Ausfallmodelle trainieren und den Einsatz an der Anlage planen

Das nehmen Sie mit

• Ein klares Bild, wann reaktive, präventive oder prädiktive Wartung zu einer Anlage passt
• Routine darin, Sensordaten mit Pandas und NumPy einzulesen, zu bereinigen und als Zeitreihe vorzubereiten
• Ein in der Projektarbeit selbst trainiertes und validiertes Modell für ein Wartungsszenario
• Kenntnis der Wege ins Deployment auf Edge oder Cloud und der Grenzen datengetriebener Prognosen

Ablauf

1. Teil 1

   Tag 1 – Modul 1 – Einordnung: Von der Störungsbehebung zur vorausschauenden Instandhaltung

   • Reaktiv, präventiv, prädiktiv: drei Wartungsstrategien und was sie für Stillstand und Ersatzteillager bedeuten
   • Begriffe aus KI und maschinellem Lernen, soweit sie für Wartungsdaten gebraucht werden
   • Beispiele aus Fertigung und Anlagenbetrieb, in denen Ausfallprognosen bereits laufen
   • Was vorausschauende Wartung bringen kann und woran sie scheitert, etwa an fehlender Schadenshistorie
2. Teil 2

   Tag 1 – Modul 2 – Datenbasis: Sensoren, Steuerungen und Messwerte

   • Schwingung, Temperatur, Druck, Stromaufnahme: industrielle Sensortypen und ihre Einsatzgebiete
   • Wie Messwerte erfasst werden: Edge-Geräte, IoT-Plattformen und speicherprogrammierbare Steuerungen (PLC)
   • Gängige Datenformate und Strukturen, vom CSV-Export bis zur Messreihe mit Zeitstempel
   • Lücken, Ausreißer, ausgefallene Sensoren: wie mangelhafte Datenqualität eine Prognose verfälscht
3. Teil 3

   Tag 1 – Modul 3 – Python-Praxis: Messreihen mit Pandas und NumPy aufbereiten

   • Pandas und NumPy kennenlernen: DataFrames, Arrays und die Operationen, die Sie täglich brauchen
   • Übung: Sensordaten einer Anlage einlesen, statistisch sichten und von Fehlwerten befreien
   • Zeitreihen auswertbar machen: Zeitstempel vereinheitlichen, Abtastraten angleichen
   • Data Wrangling: Tabellen zusammenführen, umformen und für ein Modell zuschneiden
4. Teil 4

   Tag 1 – Modul 4 – Lernverfahren: Wie Modelle aus Wartungsdaten Muster ableiten

   • Überwachtes und unüberwachtes Lernen: mit oder ohne dokumentierte Schadensfälle
   • Daten in Trainings-, Validierungs- und Testmenge aufteilen, damit die Prognosegüte ehrlich bleibt
   • Feature Engineering: aus Rohsignalen Merkmale wie Effektivwert, Spitzenwert oder Trend gewinnen
   • Entscheidungsbäume, KNN und lineare Regression als erste Modelle im Vergleich
5. Teil 5

   Tag 2 – Modul 5 – Wartungsmodelle: Ausfall vorhersagen und Prognosegüte bewerten

   • Klassifikation (fällt das Lager aus?) oder Regression (wie lange läuft es noch?) für die Instandhaltung
   • Übung: In Python die erste Version eines ML-Modells auf Wartungsdaten trainieren
   • Accuracy, Precision und Recall lesen: Fehlalarm gegen übersehenen Schaden abwägen
   • Fehlprognosen untersuchen und das Modell gezielt nachschärfen
6. Teil 6

   Tag 2 – Modul 6 – Zeitreihen: Anomalien erkennen, bevor die Anlage steht

   • Was Zeitreihen besonders macht: Reihenfolge, Abhängigkeit aufeinanderfolgender Werte, schleichende Drift
   • Statistische Verfahren, die auffällige Abweichungen im Signalverlauf markieren
   • Gleitende Fenster (Rolling Windows) und Schwellwerte (Thresholds) als einfache Frühwarnung in Python umsetzen
   • Aus der Anomalie eine Vorwarnung machen, die der Instandhaltung Zeit zum Eingreifen lässt
7. Teil 7

   Tag 2 – Modul 7 – Projektarbeit: Ein Wartungsszenario vom Auftrag bis zum validierten Modell

   • Szenario wählen, etwa eine Kreiselpumpe oder einen Antriebsmotor, und die Aufgabenstellung festlegen
   • Entscheiden, ob simulierte oder vorhandene Messdaten genutzt werden, und Rollen im Team verteilen
   • Daten vorverarbeiten, Modell trainieren und in mehreren Durchläufen optimieren
   • Ergebnisse visualisieren und gemeinsam interpretieren
   • Testen und validieren: Hält die Prognose auf Daten, die das Modell nicht kennt?
8. Teil 8

   Tag 2 – Modul 8 – Betrieb und Ausblick: Das Modell an die Maschine bringen

   • Deployment: Modell auf einem Edge-Gerät an der Anlage oder als Cloud-Dienst betreiben
   • Anbindung an vorhandene Systeme wie Leitstand oder Instandhaltungssoftware
   • KI-Modelle im laufenden Betrieb überwachen und pflegen, Datensicherheit und Robustheit sichern
   • Aktuelle Entwicklungen und die Grenzen maschinellen Lernens bei der Ausfallvorhersage
   • Ethische Fragen und Verantwortung, wenn ein Modell Wartungseinsätze mitbestimmt
   • Abschlussdiskussion mit Feedback zu beiden Seminartagen