Anomalie-Erkennung für Produktions-Sensordaten in einem Maschinenbau-KMU
Übersicht
Worum es bei diesem Projekt geht.
Bereite Sensordaten vor, baue Isolation Forest und EWMA-Modelle, evaluiere Ausfall-Früherkennung. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie sieht ein Anomalie-Erkennungs-System aus, das mindestens 4 der 5 vermeidbaren Ausfälle 3-7 Tage im Voraus erkennt und die False-Positive-Rate unter 1 pro Anlage und Woche hält?
Earning criteria — what you'll demonstrate
- Unüberwachte Anomalie-Erkennung als pragmatische Alternative zu Supervised-Setups
- Time-Series-Feature-Engineering mit Rolling-Statistiken und FFT
- Retrospektive Validierung an dokumentierten Ausfällen sauber strukturieren
- Alert-Strategien jenseits 'Anomaly Score über Schwellwert' designen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning (CS Elective)
Master · Cs Se
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenSoftware-Entwickler:in
Ein Predictive-Maintenance-Projekt mit echten Sensordaten und retrospektiver Validierung ist eine starke Junior-Portfolio-Arbeit für Stellen in Industrie 4.0, Energie und Logistik.
Dieses Projekt schärft
- unsupervised-learning
- time-series
- applied-ml
Backend-Entwickler:in
Backend-Entwickler:innen mit Time-Series-Erfahrung sind in IoT-Plattformen und Sensor-Datendiensten besonders gefragt.
Dieses Projekt schärft
- time-series
- feature-engineering
- python
Systemarchitekt:in
Systemarchitekt:innen mit ML-Anomalie-Erkennungs-Verständnis treffen bessere Investitions-Entscheidungen für Plattform-Komponenten.
Dieses Projekt schärft
- signal-processing
- applied-ml
- feature-engineering
Noch eine Sache