Anomalie-Erkennung in Sensor-Daten einer süddeutschen Windparks
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 18 Monate 10-minütiger SCADA-Daten von 80 Turbinen (Vibration, Drehzahl, Drehmoment, Außen-Temperatur, Leistung) und ein Wartungs-Log mit 35 bestätigten Schadens-Ereignissen. Implementiere ein Anomalie-Erkennungs-System (z. B. STL-Zerlegung plus Random-Cut-Forest oder ein Variational Autoencoder über kurzen Zeitreihen-Fenstern). Reportiere Time-to-Detection vor jedem bestätigten Schaden und Fehl-Alarm-Rate pro Turbine pro Monat. Liefere die Pipeline, ein Wartungs-Dashboard und ein 2-seitiges Memo für das Asset-Management.
Das Briefing
Was Du tust und was Du zeigst.
Baue ein Anomalie-Erkennungs-System auf SCADA-Daten, das Schäden früh erkennt und Fehl-Alarme unter einer operativ akzeptablen Schwelle hält.
Earning criteria — what you'll demonstrate
- Saisonalitäts-Zerlegung auf realen Sensor-Zeitreihen anwenden
- Anomalie-Erkennung gegen schwach gelabelte Ground Truth fair evaluieren
- Fehl-Alarm-Raten als operativ-relevante Metrik reportieren
- Dashboard und Memo für ein Wartungs-Team aufbereiten
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 RollenData Scientist
Anomalie-Erkennung auf Sensor-Zeitreihen mit operativer Fehl-Alarm-Disziplin ist die Kernarbeit für Data Scientists in Asset-Heavy-Branchen.
Dieses Projekt schärft
- time-series
- anomaly-detection
- signal-decomposition
Maschinelles-Lernen-Ingenieur:in
Eine Monitoring-Pipeline mit Dashboard für ein Wartungs-Team zu bauen, ist MLE-Tagesarbeit in Industrie-Stacks.
Dieses Projekt schärft
- python
- monitoring
- evaluation
Angewandte:r KI-Wissenschaftler:in
Detektions-Ergebnisse in eine Reparatur-Logistik-Empfehlung zu übersetzen, ist Brückenarbeit zwischen ML-Engineering und Asset-Management.
Dieses Projekt schärft
- anomaly-detection
- evaluation
- monitoring
Noch eine Sache