Spektral-Analyse für Schwingungs-Daten in einer Aargauer Pumpenfabrik
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst Schwingungs-Aufzeichnungen von 1.200 Prüfläufen (jeweils 30 Minuten mit 25 kHz Abtastrate) plus ein Label vom Prüf-Team (in Ordnung, Unwucht, Lager-Schaden, Kavitation). Implementiere eine Pipeline mit (1) Welch-Spektrum-Schätzung, (2) Feature-Extraktion (z. B. Energie in Frequenz-Bändern, harmonische Spitzen), (3) leichtem Klassifikator (z. B. Random Forest oder kleines CNN auf Spektrogrammen). Reportiere Macro-F1 und Konfusionsmatrix auf einem stratifizierten Holdout. Liefere die Pipeline, eine Auswertungstabelle und ein 2-seitiges Memo für die Prüf-Leitung.
Das Briefing
Was Du tust und was Du zeigst.
Baue eine Spektral-Analyse-Pipeline, die Unwucht-, Lager- und Kavitations-Signaturen in Pumpen-Schwingungen automatisch klassifiziert.
Earning criteria — what you'll demonstrate
- Welch-Spektrum-Schätzung auf realen Sensor-Daten anwenden
- Frequenz-Band-Features aus Spektren extrahieren
- Klassifikator-Performance pro Fehler-Klasse stratifiziert reporten
- Eine Prüfstands-Empfehlung mit Daten 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 RollenData Scientist
Spektral-Analyse mit klassischer Feature-Extraktion und Klassifikation ist die typische Junior-Data-Science-Arbeit in Maschinenbau-Prüf-Settings.
Dieses Projekt schärft
- spectral-analysis
- signal-processing
- classification
Maschinelles-Lernen-Ingenieur:in
Eine reproduzierbare Pipeline mit stratifizierter Evaluation ist MLE-Tagesarbeit in Industrie-Stacks.
Dieses Projekt schärft
- python
- classification
- evaluation
Angewandte:r KI-Wissenschaftler:in
Eine Prüfstands-Empfehlung mit Schwellenwerten und Restrisiken zu schreiben, ist Brückenarbeit zwischen ML und Produktions-Engineering.
Dieses Projekt schärft
- evaluation
- signal-processing
- time-series
Noch eine Sache