LSTM-Modell für Vibrations-Anomalien an einer Druckguss-Anlage
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 8 Monate Vibrations-Sequenzen (10-kHz-Abtastung, 8 Maschinen) plus 22 bestätigte Wartungsfälle. Aggregiere auf Sekunden-Fenster (Mittelwert, Std, FFT-Hauptfrequenzen), trainiere ein LSTM, das die nächsten 60 Sekunden vorhersagt, und definiere Anomalie als Vorhersage-Fehler über einem Schwellenwert. Vergleiche gegen die heutige Schwellenwert-Regel und gegen Isolation Forest als nicht-DL-Baseline. Berichte False-Alert-Reduktion, Recall und Time-to-Detect.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man ein LSTM, das Vibrations-Anomalien mit deutlich weniger False Alerts als die heutige Schwellenwert-Regel erkennt — bei gleichem Recall?
Earning criteria — what you'll demonstrate
- LSTMs als Vorhersage-Backbone für Anomalie-Detektion einsetzen
- Sequenz-Aggregation (Sekunden-Fenster, Spektral-Features) sauber gestalten
- Gegen klassische Anomalie-Methoden (Isolation Forest, Schwellenwert) fair benchen
- Time-to-Detect als geschäftsrelevante Metrik berichten
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 RollenMachine Learning Engineer
LSTM-basierte Anomalie-Detektion ist ein Standard-Anwendungsfeld für ML Engineers im industriellen Mittelstand; die Challenge produziert ein portfolio-fähiges Beispiel.
Dieses Projekt schärft
- lstm-architectures
- anomaly-detection
- time-series
Data Scientist
Vergleich Deep-Learning vs. klassische Methoden auf Industrie-Sensorik ist eine Data-Science-Disziplin, die in Maschinenbau und Energie stark gefragt ist.
Dieses Projekt schärft
- time-series
- anomaly-detection
- model-evaluation
Applied AI Scientist
Time-to-Detect mit Geschäfts-Effekt zu kombinieren ist die typische Brücke zwischen Forschung und Service-Operations.
Dieses Projekt schärft
- anomaly-detection
- lstm-architectures
- model-evaluation
Noch eine Sache