Wartung & Produktionsplanung: Zeitreihenvorhersage mit Machine Learning in der Industrie

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

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwerpunkt KI, langjähriger Branchen- und Projekterfahrung

Zielgruppe

Diese Schulung richtet sich an Ingenieur:innen, Data Scientists, Produktionsplaner:innen sowie Fach- und Führungskräfte aus der Industrie, die datengetriebene Vorhersagemodelle zur Optimierung von Prozessen und Ressourcen entwickeln oder nutzen möchten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Grundlegende Kenntnisse in Python werden vorausgesetzt. Alternativ kann ein optionales Vorab-Schulungsmodul zur Einführung in Python bereitgestellt werden. Grundverständnis für Statistik und maschinelles Lernen ist hilfreich, aber nicht zwingend erforderlich.

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer