F1 Jupyter Notebook: Predictive Maintenance

Im Jupyter Notebook zum Thema „F1 Jupyter Notebook: Predictive Maintenance“ geht es darum, anhand von Sensordaten vorherzusagen, welche Komponenten eines Systems kurz vor dem Ausfall sind. Dies ist eine typische Aufgabe aus dem Bereich Predictive Maintenance. In diesem Notebook wird dafür ein Convolutional Neural Network (kurz: CNN) verwendet. Das Vorgehen wird exemplarisch für zwei Komponenten eines hydraulischen Systems illustriert: eine Kühlkomponente und ein Ventil. Der verwendete Datensatz enthält potentiell Daten von weiteren Komponenten, die ggf. in einem eigenen Projekt weiter untersucht werden können. Das heißt, bei Bedarf kann das hier gezeigte Projekt selbständig erweitert werden. Zum Training des CNNs wird hier die Bibliothek Keras als nutzerfreundliches Interface zur Deep-Learning-Bibliothek Tensorflow verwendet. Das Notebook setzt Programmierkenntnisse voraus. Das Notebook enthält bereits alle nötigen Python-Befehle samt umfassenden Erklärungen dazu. Die Lernenden können die Befehle darin selbst ausführen und anschließend auch damit experimentieren, z. B., indem sie sie verändern. Es wird eine Python-Installation sowie eine Entwicklungsumgebung (z. B. Jupyter Lab, oder auch Visual Studio Code) benötigt, in der das Notebook editiert werden kann. Falls dies nicht gegeben ist, gibt es die Möglichkeit, das Notebook auf der Google-Plattform https://colab.research.google.com hochzuladen und dort zu bearbeiten, dafür wird allerdings ein Google-Account benötigt. Dieses Jupyter Notebook ist optionales Lehrmaterial für die Zusatzqualifikation KI und Maschinelles Lernen sowie Teil des Lehrmaterials für die Fortbildung zum/zur Berufsspezialist/in KI und Maschinelles Lernen. Die Entwicklung und Erprobung dieses Bildungsangebotes wurde vom Bundesministerium für Bildung und Forschung im Rahmen des InnoVET-Programms gefördert. Mehr Informationen zu diesem Projekt gibt es unter https://www.ki-fortbildung.de. Das Notebook gehört zum Bereich F, Datenanalyse und Modelltraining.