Veranstaltungsart
|
Vorlesung (Master)
|
Dozenten
|
Prof. Dr.-Ing. J. Metternich
Prof. Dr.-Ing. M. Weigold
Prof. Dr.-Ing. U. Klingauf
|
Betreuende Assistenten
|
Organisation Robin Zink M.Sc.
Mitbetreuung Tobias Lademann M.Sc.
|
Angebotsturnus Credit Points Sprache
|
Winstersemester 6 CP Englisch
|
Kurse des Moduls
|
vl: 34 h (3 SWS) pr: 4 h (0,3 SWS)
|
Ziele
|
Das Ziel ist die Vermittlung und Anwendung moderner Methoden aus dem Bereich Data Science für die Auswertung von Produktionsdaten einer Werkzeugmaschine. Ein Anwendungsfall ist die Erkennung von Prozessabweichungen. Als Grundlage dafür werden die Anforderungen an Automatisierung und Vernetzung von Werkzeugmaschinen im Rahmen von Industrie 4.0 behandelt. Für ein tieferes Prozessverständnis wird außerdem Domänenwissen aus dem Bereich Zerspanung thematisiert.
Nachdem Studierende die Lerneinheit erfolgreich abgeschlossen haben, sollten sie in der Lage sein
- Grundlegende Entwicklungen und Einsatzmöglichkeiten künstlicher Intelligenz (Machine Learning) auf ingenieurstechnische Anwendungen (bspw. Maschinenbau) zu beurteilen
- Wesentliche Konzepte und (mathematische) Methoden im Machine Learning zu differenzieren und zu erklären
- Ausgewählte Algorithmen und Modelle (z. B. aus dem Bereich Diagnose/Prognose) hinsichtlich Ihrer Performanz, Robustheit und Qualität ingenieurswissenschaftlich zu evaluieren
- Erlernte Fertigkeiten in den Bereichen Datenakquisition und -verarbeitung, datenbasierte Modellbildung (Diagnosen und Prognosen) sowie Präskription anzuwenden
- Einfache und mittlere Analyseaufgaben mithilfe von Prozessmodellen (CRISP/OSA-CBM) selbstständig zu strukturieren, anhand von Daten umzusetzen und wirtschaftlich abzuschätzen
|
Inhalte
|
Die fortschreitende Digitalisierung eröffnet neue Möglichkeiten in der Wertschöpfungskette. Mit der zunehmenden Integration von Sensoren können relevante Parameter von Systemen kontinuierlich erfasst und in stetig wachsenden Datenbanken abgelegt werden. Es ist so beispielsweise möglich technische Systeme hinsichtlich Ihrer Gesundheit zu überwachen. Neben konventionellen Ansätzen auf Basis einer physikalischen Modellierung, treten in den letzten Jahren datenbasierte Methoden im Bereich des maschinellen Lernens in den Vordergrund. Entsprechende Algorithmen können auf der verfügbaren Datenbasis Modelle trainieren, mit denen neue Datensätze interpretiert und beispielsweise in einen Gesundheitszustand überführt werden können.
Diese Ansätze sind nicht nur aus informationstechnischer Sicht interessant, sondern können insbesondere durch das Expertenwissen, wie es Ingenieure beitragen, profitieren. Damit sind beispielsweise Maschinenbauingenieure gefragt sinnvolle Messgrößen auszuwählen, welche in datenbasierte Modelle überführt werden können.
In dieser Vorlesung sollen die Studierenden, anhand von Beispielen aus der aktuellen Forschung der beteiligten Institute, anwendungsorientierte Einblicke in die Grundlagen des maschinellen Lernens bekommen. Dabei bringt die Vorlesung relevante Bereiche der Statistik, des Data Mining sowie der Algorithmenentwicklung näher. Auf Basis der vorgestellten Anwendungsfälle lernen die Studierenden aus ingenieurstechnischer Sicht interessante Daten zu sammeln, die Daten zu filtern, relevante Merkmale zu extrahieren und Modelle zur Diagnose und Prognose anhand von Methoden des maschinellen Lernens aufzubauen. Gängige Prozessmodelle werden ebenso gelehrt wie die abschließende Evaluation und Bewertung der entwickelten Methoden und Modelle.
Theorie Anwendungsorientierte Grundlagen des Machine Learning und verknüpfter Bereiche der Statistik (deskriptiv, explorativ, induktiv), Advanced Analytics, Data Mining, Data Science und Big Data; Grundlagen von Machine Learning Verfahren, Funktionsweisen und Algorithmen; Entwicklungsprozesse; Grundlegende Data Science Prinzipien und Techniken: Erörterung von betriebswirtschaftlichen Szenarien; Sammlung, Sichtung und Qualitätsbewertung von Daten; Datenvorbereitung, Feature Engineering; Anwendung von Verfahren und Entwicklungsumgebungen anhand Beispiele in Matlab und Python; Aufzeigen und Bewerten von Lösungsmöglichkeiten; Modellauswahl, Optimierung, Performanzbewertung; wesentliche Ideen zur Modellintegration in Entscheidungsprozesse, Handlungsempfehlungen, System of Systems; Beispiele aus der aktuellen Forschung, bspw. Predictive Maintenance in der Luftfahrt und in der Produktion;
Praktische Gruppenarbeit Anwendung von Grundzügen einer Softwareentwicklungsmethodik (bspw. Scrum)
- Umsetzung der Theoriekenntnisse in einer kooperativen Entwicklungsaufgabe
- praxisnahe Lösungsentwicklung einer Herausforderung der Industrie durch Programmierung und Datenauswertung (Implementierung)
- Dokumentation und Präsentation der Ergebnisse;
|
Teilnahmevoraussetzungen
|
Programmierkenntnisse in Python werden vorausgesetzt
|
Literatur
|
Vorlesungsmatetrialien werden semesterbegleitend auf Moodle zur Verfügung gestellt. Ertel: Grundkurs künstliche Intelligenz, Springer Mitchell: Machine Learning, McGraw Hill Hastie: The Elements of Statistical Learning, Springer Witten: Data Mining, Elsevier
|
Prüfung
|
Sonderform: 50 % Klausur (60 min) und 50 % praktische Gruppenarbeit (semesterbegleitend) einer kooperativen Entwicklungsaufgabe („Hackathon“) inkl. Implementierung, Dokumentation und Präsentation (Extratermin)
|
Voraussetzung für die Vergabe von Credit Points
|
Bestehen beider Prüfungsleistungen (Klausur & Gruppenarbeit)
|