Predictive Maintenance in der Praxis: Von der Datenanbindung zur Vorhersage

Wie lassen sich komplexe Produktionsanlagen zuverlässig überwachen und KI-basierte Wartungsprognosen produktiv einsetzen?

Dieser Vortrag zeigt praxisnah, wie aus heterogenen Sensordaten robuste Modelle für Condition Monitoring und Anomaliedetektion entstehen.

Anhand realer Beispiele werden Modellierung, Evaluierung, CI/CD für ML sowie die Integration moderner LLM-Funktionalitäten vorgestellt. Der Fokus liegt auf grundlegenden Methoden mit kurzen Deep Dives zu Algorithmen und Architekturmustern in der Softwareintegration.

Vorkenntnisse

• Grundkenntnisse in Machine Learning oder Datenanalyse sind hilfreich, aber nicht zwingend erforderlich.
  
• Basiswissen zu Zeitreihen, Modelltraining oder Cloud-/Python-Tools erleichtert den Einstieg.
  
• Der Vortrag richtet sich an Data Scientists, Developer und technisch interessierte Manager.

Lernziele

• Die Teilnehmenden verstehen typische Datenquellen und Herausforderungen im Condition Monitoring, lernen gängige Algorithmen zur Anomaliedetektion kennen und sehen, wie ML-Modelle zuverlässig getestet, deployt und überwacht werden.
• Zudem erfahren sie, wie LLMs zur Erklärung, Dokumentation oder Interaktion mit industriellen KI-Systemen genutzt werden können.