Predictive Maintenance fuer einen Mittelstandsmaschinenbauer
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 12 Millionen Sensorzeilen (Zeitstempel + Vibrations-RMS + Stromstaerke + Spindeltemperatur) plus eine zweite CSV mit den letzten 90 dokumentierten Spindelausfaellen. Erzeuge Features auf 1-Stunden-Fenstern (Mittelwert, Standardabweichung, Spitzen-zu-Mittelwert-Verhaeltnis), baue ein Klassifikationsmodell, das pro Stunden-Fenster vorhersagt, ob in den naechsten 48 Stunden ein Ausfall folgt. Bewerte mit Precision/Recall und vor allem mit der Lead-Time-Verteilung (wie viele Stunden Vorlauf gewinnt der Servicetechniker). Liefere eine 2-seitige Go/No-Go-Empfehlung an den Service-Leiter.
Das Briefing
Was Du tust und was Du zeigst.
Sage Spindelausfaelle mit nutzbarer Vorlaufzeit voraus und entscheide datenbasiert ueber den Produktionsbau.
Earning criteria — what you'll demonstrate
- Aus Zeitreihen-Rohdaten geeignete Lernfeatures auf festen Fenstern erzeugen
- Eine Klassifikationsaufgabe mit zeitlicher Komponente sauber splitten (zeitliche Train/Test-Trennung)
- Modellqualitaet ueber geschaeftsrelevante Metriken (Vorlaufzeit) statt nur ROC-AUC bewerten
- Eine technische Empfehlung schriftlich gegen ein Budget verteidigen
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
Sensordaten in eine Trainings-Pipeline ueberfuehren, ein robustes Modell bauen und die Produktionstauglichkeit verteidigen ist die taegliche Arbeit eines ML Engineers in industriellen IoT-Teams.
Dieses Projekt schärft
- supervised-learning
- feature-engineering
- xgboost
Data Scientist
Zeitreihen sauber zu splitten und mit geschaeftsrelevanten Metriken (Vorlaufzeit) statt mit ML-Default-Metriken zu bewerten unterscheidet eine erfahrenere Data-Scientist:in vom Lehrbuchanwender.
Dieses Projekt schärft
- time-series
- model-evaluation
- feature-engineering
MLOps Engineer
Die Saubere Pipeline von Rohdaten ueber Features bis zum bewerteten Modell ist die Vorstufe einer produktiven MLOps-Pipeline, in die spaeter Monitoring und Retraining gehaengt werden.
Dieses Projekt schärft
- python
- model-evaluation
- feature-engineering
Noch eine Sache