Anomalie-Erkennung für Produktions-Sensordaten in einem Maschinenbau-KMU
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 18 Monate Sensordaten (10 Hz pro Sensor, 14 Sensoren, drei Anlagen) und ein Wartungs-Protokoll mit 12 dokumentierten Ausfällen plus 47 geplanten Wartungen. Bereiten Sie die Daten vor (Resampling auf 1-Minuten-Aggregate, Feature-Engineering mit Rolling-Statistiken — Mittelwert, Standardabweichung, Spitze-zu-Spitze, FFT-basierte Frequenz-Features). Bauen Sie zwei unüberwachte Modelle: Isolation Forest und ein statistisches Schwellwert-Verfahren (z. B. EWMA — exponentiell gewichteter Mittelwert mit Drei-Sigma-Grenze). Evaluieren Sie retrospektiv: identifizieren die Modelle die fünf vermeidbaren Ausfälle 3-7 Tage im Voraus, und wie hoch ist die False-Positive-Rate? Liefern Sie Code, Evaluations-Bericht, eine Alert-Strategie (Schwellwerte und Eskalation) und einen Aktions-Plan für die Instandhaltung.
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.
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