Industrial Data Analytics praktisch umsetzen

Technologien und Methoden für erfolgreiche Data Analytics Projekte

Mit der zunehmenden Vernetzung im industriellen Umfeld ergeben sich für Unternehmen enorme Chancen, aus ihren Daten Wissen zu generieren und so die eigene Position im Wettbewerb zu stärken. Grundlage dafür sind Kenntnisse zu mathematischen Verfahren der Statistik, des maschinellen Lernens und der künstlichen Intelligenz. Für eine erfolgreiche Umsetzung von Industrial Data Analytics-Projekten müssen weiterhin zahlreiche Besonderheiten im Umgang mit Produktionsdaten berücksichtigt werden, die über die reine Datenanalyse hinausgehen.

Die Schulung »Industrial Data Analytics praktisch umsetzen« richtet sich an technische Mitarbeiter, die anhand einer realen Aufgabenstellung den Umgang mit großen Datenmengen und die Entwicklung von intelligenten Lösungen für konkrete Anwendungsfälle erlernen möchten.

 

Inhalte

Nach einer Einführung in das Themenfeld Industrial Data Analytics und die wichtigsten Grundbegriffe erfolgt die Vermittlung von Methoden und Werkzeugen anhand eines Praxisbeispiels aus dem Maschinen- und Anlagenbau. Dabei werden die übergreifenden Themen Datenquellen, Daten-Infrastruktur, Data Analytics und Anwendungsfälle in den folgenden Blöcken behandelt:

Tag 1 | Anwendungsfälle, Daten-Speicherung und -strukturen

  • Industrial Data Analytics-Anwendungsfälle – Künstliche Intelligenz in der praktischen Anwendung
  • Datenspeicherung und Zugriff über Datenbanken
  • Programmierumgebung (Python)
  • Datenstrukturen
  • Visualisierung und Exploration

Tag 2 | Vorverarbeitung von Daten und Merkmalsextraktion

  • Filtern
  • Methoden der Signalverarbeitung
  • Manuelle und automatisierte Merkmalsextraktion

Tag 3 | Modellierung und Machine Learning

  • Überwachte, unüberwachte und semi-überwachte Verfahren zur Modellbildung
  • Grundlagen maschinelles Lernen für Klassifikation und Anomalie-Detektion
  • Grundlagen maschinelles Lernen für Regressions- und Vorhersagemodelle
Grafik veranschaulicht die drei Blöcke Analyse, Umsetzungsplanung und Strategieentwicklung.
© Fraunhofer IEM
Vier Schritte der Datenverarbeitung: Von der Vorverarbeitung bis zu Machine Learning Modellen.

Teilnehmerkreis

  • Technische Mitarbeiter z.B. aus IT, Software Engineering, Produktion und Instandhaltung
  • Voraussetzungen: Grundkenntnisse in Statistik und Datenanalyse sowie erste Programmiererfahrungen sind erforderlich.
  • Kenntnisse im Umgang mit Datenbanken und Datenstrukturen sind von Vorteil.

Ihr Nutzen

  • Sie erlernen wesentliche Grundlagen und Vorgehensweisen für den Umgang mit Daten in der Produktion.
  • Sie erlangen einen fundierten Überblick über erprobte Industrial Data Analytics-Methoden und Technologien.
  • Sie wenden diese Kenntnisse an einem realen Praxisfall mit echten Produktionsdaten entlang der Daten-Verarbeitungskette (Data Pipeline) an.
  • Sie lernen systematisch Wissen aus Daten zu generieren, um Grundlagen für strategische Entscheidungen zu liefern.
  • Sie bilden sich in einem der aktuell attraktivsten Berufsbilder fort und stärken ihr persönliches Kompetenzprofil.