Datengetriebene Verschleißprognose für eine Stanzpresse
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst sechs Monate hochfrequente Sensordaten (Vibration mit 5 kHz, Strom und Temperatur mit 1 Hz) für drei vergleichbare Pressen, plus die dokumentierten Werkzeugwechsel als Ground Truth. Erstelle eine Feature-Engineering-Pipeline (FFT-Features für Vibration, statistische Aggregate für Strom und Temperatur) und trainiere mindestens zwei Modelle: ein klassisches Gradient-Boosting-Modell und ein 1D-CNN auf den Rohzeitreihen. Bewerte mit einer rollierenden Time-Series-Kreuzvalidierung. Liefere ein Streamlit-Dashboard, das pro Presse die geschätzte Restlebensdauer und einen Vertrauensbalken zeigt.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich aus den vorhandenen Sensorsignalen ein Prognosemodell bauen, das 24 Stunden Vorlauf für ungeplante Werkzeugausfälle gibt — und gleichzeitig für die Schichtleitung verständlich bleibt?
Earning criteria — what you'll demonstrate
- Wissenschaftliche ML-Methoden auf einen industriellen Predictive-Maintenance-Kontext anwenden
- Feature Engineering für hochfrequente Sensordaten gezielt einsetzen
- Time-Series-Kreuzvalidierung statt naiver Splits durchführen
- ML-Ausgaben für ein nicht-technisches Publikum (Schichtleitung) operationalisieren
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.
Machine Learning Engineer
Predictive Maintenance ist ein Brot-und-Butter-Einsatzgebiet für Machine Learning Engineers im Industriekontext. Diese Challenge übt den vollen Bogen von Sensordaten bis Dashboard.
Dieses Projekt schärft
- time-series-modeling
- feature-engineering
- xgboost
Data Scientist
Ein Data Scientist in der Industrie muss Signalverarbeitung, klassische ML und einfache Visualisierung kombinieren — exakt die drei Säulen dieser Challenge.
Dieses Projekt schärft
- signal-processing
- feature-engineering
- python
Applied AI Scientist
Die Verbindung aus tiefem Lernen (1D-CNN) und klassischem ML mit ehrlicher Validierung und operativer Übergabe entspricht der Profilbeschreibung eines Applied AI Scientists in einem Industrie-4.0-Programm.
Dieses Projekt schärft
- 1d-cnn
- time-series-modeling
- dashboard-design
Noch eine Sache