Zeitreihenprognosen für Wartung und Produktionsplanung mit Python

KI-Intensivseminar · 2 Tage

Vorhersagemodelle für Instandhaltung und Fertigung bauen, bewerten und anbinden

Das nehmen Sie mit

• Sie bereiten lückenhafte Produktions- und Sensordaten auf und leiten Merkmale wie Lag-Features und Rolling Statistics ab.
• Sie haben ARIMA, Prophet, Random Forest und LSTM an Aufgaben aus Wartung, Qualität und Prozessführung erprobt und mit MAE, RMSE und MAPE verglichen.
• Sie erkennen Ausreißer mit Isolation Forest und Autoencoder und legen Schwellenwerte fest.
• Sie kennen den Weg vom Modell zur Pipeline mit scikit-learn und MLflow bis zur Anbindung an MES samt Monitoring.

Ablauf

1. Teil 1

   Tag 1 – Modul 1 – Grundlagen: Zeitreihen in Fertigung und Instandhaltung

   • Zeitreihen als zeitlich geordnete Messwerte: wiederkehrende Muster in Maschinen- und Prozessdaten
   • Einsatzfelder in der Industrie, etwa Energieverbrauch, Stückzahlen je Schicht oder Sensordaten einer Anlage
   • Drei Aufgabentypen: Vorhersage, Klassifikation und Anomalieerkennung
   • Welche Verbesserungen sich in der Produktion mit Zeitreihenanalyse konkret erreichen lassen
2. Teil 2

   Tag 1 – Modul 2 – Datenaufbereitung: Von Rohdaten zu aussagekräftigen Merkmalen

   • Lücken und unregelmäßige Abstände behandeln, wie sie nach Anlagenstillständen oder in Ferienschichten entstehen
   • Feature Engineering: Rohwerte in Merkmale wie Mittelwerte, Differenzen und Zeitfenster überführen
   • Trends und Saisonalitäten per Visualisierung sichtbar machen
   • Übung: Produktionsdaten so aufbereiten, dass sich einzelne Schichten auswerten lassen
3. Teil 3

   Tag 1 – Modul 3 – Statistische Prognose: ARIMA und Prophet

   • ARIMA und Prophet, um saisonal schwankende Nachfrage abzubilden
   • Wartungsplanung: abschätzen, wie lange eine Maschine noch effizient arbeitet
   • Übung: Ersatzteilbedarf oder Produktionsmenge für die kommende Woche vorhersagen
   • Prognosegüte der klassischen Modelle gegenüberstellen
4. Teil 4

   Tag 1 – Modul 4 – Machine Learning: Random Forest für Ausfall- und Qualitätsprognosen

   • Random Forest als Ensemble-Methode, um Maschinenausfälle vorherzusagen
   • Eingabedaten erzeugen: Lag-Features (zeitverzögerte Werte) und Rolling Statistics (gleitende Mittelwerte)
   • Modelltraining und Feature-Selektion
   • Übung: Qualitätsabweichungen aus historischen Messreihen prognostizieren
5. Teil 5

   Tag 2 – Modul 5 – Deep Learning: Rekurrente Netze für lange, verschachtelte Verläufe

   • Wann rekurrente Netze wie RNN und LSTM den Mehraufwand rechtfertigen
   • Komplexe Muster in langen Zeitreihen aufspüren, zum Beispiel Hitzezyklen oder Spannungsverläufe
   • Netzwerkarchitektur und Wahl der Hyperparameter
   • Übung: Den Temperaturverlauf in einem Ofenprozess vorhersagen
6. Teil 6

   Tag 2 – Modul 6 – Modellbewertung: Verfahren fair vergleichen und Ergebnisse deuten

   • Passende Fehlermetriken auswählen: MAE, RMSE, MAPE
   • Typische Bewertungsfehler wie Datenleckage zwischen Trainings- und Testzeitraum vermeiden
   • Übung: Mehrere Modelle an realen Produktionsdaten gegeneinander antreten lassen
   • Ergebnisse interpretieren und für die Planungsentscheidung aufbereiten
7. Teil 7

   Tag 2 – Modul 7 – Anomalieerkennung: Auffällige Veränderungen früh bemerken

   • Unerwartete Veränderungen rechtzeitig erkennen, etwa einen plötzlichen Druckabfall
   • Isolation Forest und Autoencoder als Verfahren des unsupervised learning
   • Schwellenwerte bestimmen, ab denen eine Abweichung gemeldet wird
   • Übung: Ausreißer in den Sensorströmen eines Förderbands detektieren
8. Teil 8

   Tag 2 – Modul 8 – Umsetzung und Abschlussprojekt: Vom Modell in den Betrieb

   • Modellpipelines aufbauen, beispielsweise mit scikit-learn und MLflow
   • Modelle über API oder Dashboard in die Produktionsumgebung einbinden; Monitoring und Modellpflege
   • Übung: Eine ML-gestützte Wartungsprognose für die Live-Anbindung an das MES entwerfen
   • Abschlussprojekt: eine eigene Vorhersagelösung für einen Praxisfall entwickeln
   • Gruppenarbeit an Beispielvorhaben wie Energieverbrauchsprognose oder Planung von Wartungsintervallen
   • Ergebnisse besprechen, Übertragbarkeit auf eigene Daten und Prozesse prüfen, Feedback und Ausblick