LSTM-Modell für Vibrations-Anomalien an einer Druckguss-Anlage
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein LSTM zur Anomalieerkennung auf Vibrationsdaten einer Druckguss-Anlage und erhalte ein verifizierbares Zertifikat.
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.
Deep Learning
Master · Ai Ml
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 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