Über uns

Die Hochschule Kaiserslautern ist einer von drei Projektpartnern im Projekt Offene Digitalisierung­sallianz Pfalz.

Auf elab2go - Mobile Engineering Lab stellen wir wechselnde didaktisch aufbereitete Demonstratoren vor, die die Funktionsweise technologischer Trends veranschaulichen. Aktuell im Fokus sind die Themenzyklen Machine Learning mit Python, R und MATLAB, sowie Predictive Maintenance als Anwendung des Maschinellen Lernens.

Unsere Projekte und Demonstratoren sind für angehende Ingenieure und Informatiker interessant, insbesondere für Studien­interessierte und Studierende, die ihre berufliche Laufbahn planen.

Um einen Demonstrator wie z.B. Demo-PY5: Machine Learning-Modellierung mit Keras und Tensorflow zu entwickeln, wird Fachwissen benötigt, das während des Studiums der Elektrotechnik, des Digital Engineering oder der Angewandten Informatik erworben werden kann.

 

News

Suchen Sie eine elab2go-Demo zu einem bestimmten Verfahren des Maschinellen Lernens? Dann können Sie diese in der tabellarischen Übersicht aller Demos nachschlagen. Um z.B. diejenigen Demos zu finden, die einen Entscheidungsbaum als Datenmodell verwenden, einfach "Entscheidungsbaum" in die Suchmaske eingeben.

Der Übersichts-Artikel Maschinelles Lernen: Konzepte, Methoden, Tools bietet einen Einstieg in die wichtigsten Konzepte des Maschinellen Lernens, sowie Hinweise über die Verwendung der elab2go-Demonstratoren, die diese illustrieren.

Der Übersichts-Artikel Predictive Maintenance - Ein Überblick bietet einen Einstieg in die grundlegenden Konzepte und Basis­technologien der Predictive Maintenance, sowie deren Anwendungs­bereiche in der Praxis, Lösungen einiger Global Player und eine Übersicht über die elab2go-Demonstratoren, die die Datenanalyse im Rahmen der Predictive Maintenance veranschaulichen.

Demo-MAT4 zeigt, wie eine Ausfall-Klassifikation im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens der MATLAB Statistics and Machine Learning ToolBox durchgeführt wird. Wir verwenden denselben Automotive-Datensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine csv-Datei automotive_data.csv mit 23 Merkmalen (Kühlmittel­temperatur, Drossel­klappen­stellung, ...) und einer Zielvariablen: Ausfall. Die Fragestellung lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Zunächst wird ein MATLAB Live Script erstellt, das die Schritte der Datenanalyse mit Hilfe der MATLAB-Funktionen erläutert, danach wird das Skript um eine interaktive Visualisierung für das Parametertuning des Modells erweitert.

Demonstratoren

Unsere aktuellen Demonstratoren befassen sich mit den Themen Maschinelles Lernen, Predictive Maintenance und IoT.

Die Demo- und Tutorial-Reihe "Demo-PYx" rund um das Thema Machine Learning mit Python zeigt den Einstieg in Modelle und Algorithmen des Maschinellen Lernens (Entscheidungs­bäume, Cluster­analysen und Künstliche Neuronale Netzwerke) mit Hilfe der Programmier­sprache Python und der Python-Pakete Pandas, Scikit-Learn, Keras, Tensorflow für Daten­analyse und Maschinelles Lernen.

Die Demo- und Tutorial-Reihe rund um das Thema Predictive Maintenance mit R zeigt, wie die Daten­analyse für einen Automobil­datensatz mit Hilfe der Programmier­sprache R und der Entwicklungs­umgebung RStudio durchgeführt wird.

Die Demo- und Tutorial-Reihe Machine Learning mit MATLAB zeigt, wie die Datenanalyse als Schritt des Predictive Maintenance-Prozesses mit Hilfe der MATLAB Statistics and Machine Learning Toolbox und des Live Script Editors erstellt wird.

Tutorials

Die Tutorial-Reihe Demo-PY1: Python-Tutorial ist eine Einführung in die Programmiersprache Python. Die grundlegende Syntax wird vorgestellt (Variablen und Datentypen, Operatoren, Datenstrukturen für Listen und Mengen, Programmablaufsteuerung mit bedingten Verzweigungen und Schleifen, Funktionen, objektorientierte Programmierung mit Klassen), sowie die wichtigsten Python-Bibliotheken für Datenanalyse. Nach einer kurzen Motivation folgt die Schritt-für-Schritt-Anleitung zur Installation der verwendeten Python-Entwicklungsumgebung und die ersten Codezeilen in Python. Hinweise und Besonderheiten zur Syntax werden an Beispiel-Codes gezeigt. Dieses Tutorial eignet sich auch für Umsteiger, die bisher mit C-ähnlichen Sprachen, R oder MATLAB programmiert haben: die Gemeinsamkeiten und Unterschiede zwischen den Sprachen werden hervorgehoben und in einem letzten Abschnitt zusammengefasst.

Die Tutorial-Reihe Demo-R1: R-Tutorial ist eine Einführung in die statistische Programmiersprache R und erläutert grundlegende Syntax: Variablen, Vektoren, Matrizen, regelmäßige Folgen, Funktionen, Erzeugung und Umgang mit Datensätzen und die speziell in R implementierte grafische Darstellung der Daten. Nach einer kurzen Motivation folgen die Beschreibung der Entwicklungsumgebung und die ersten Codezeilen in R.

Demo-MAT1: MATLAB Tutorial vermittelt die Grundlagen der MATLAB-Syntax (Variablen, Operatoren, Eingabe, Ausgabe, Arrays, Matrizen, Funktionen und Plots) mit Hilfe von Beispiel-Codes, die wir als MATLAB-Skripte speichern.


Präsentationen

Machine Learning mit Python: Ein Künstliches Neuronales Netzwerk für die Prognose von Stromverbrauchsdaten
Wie wird eine Zeitreihen­prognose für Strom­verbrauchs­daten mit Hilfe eines Künstlichen Neuronalen Netzwerks in Python durchgeführt? Erfahren Sie mehr dazu in dieser Präsentation, die im Rahmen unserer Aktion am Digitaltag 2021 gehalten wurde.

Predictive Maintenance mit R: Eine interaktive R-Shiny-App für die Ausfallprognose von Motoren
Wie kann ein interaktives Entscheidungsbaum-Klassifikations­modell mit Hilfe der statistischen Programmiersprache R, der Entwicklungs­umgebung RStudio und der Erweiterung R Shiny erstellt werden?
Erfahren Sie mehr dazu in dieser Präsentation, die im Rahmen unserer Aktion am Digitaltag 2021 gehalten wurde.

Machine Learning in der Industrie: Predictive Maintenance am Beispiel der Automotive-Industrie
Was ist Maschinelles Lernen und wie lässt es sich in der Industrie umsetzen? Erfahren Sie mehr dazu in dieser Präsentation, die am Dienstag, 04. Mai 2021 im Rahmen der WissensBar-Vortragsreihe per Zoom gehalten wurde.

Machine Learning mit Python und Jupyter Notebook
Was versteht man unter Machine Learning, welches sind die Ziele und Anwendungsgebiete, wie kann man Modelle und Algorithmen des maschinellen Lernens mit Python und Jupyter Notebook umsetzen?
Erfahren Sie mehr dazu in dieser Präsentation.

Predictive Maintenance: Wie wird eine Datenanalyse im Rahmen der Vorausschauenden Wartung durchgeführt?
Wie kann die Datenanalyse im Rahmen der Vorausschauenden Wartung mit Hilfe verschiedener Tools durchgeführt werden?
Erfahren Sie mehr dazu in dieser Präsentation.

 

Veranstaltungen

Web-Seminar-Reihe:
Online-Demos zu Predictive Maintenance und Maschinellem Lernen

Jeden ersten Dienstag im Monat von 13:00-14:00 Uhr steht Ihnen unser Projektteam für eine Vorstellung der Plattform und der Live-Demonstratoren via Zoom zur Verfügung. Anmeldung über das Anmeldeformular auf der Web-Seminar-Seite. Die Zugangsdaten erhalten Sie nach der Anmeldung. Die Teilnahme ist kostenfrei.

Weiterhin bieten wir On-Demand Web-Seminare zu ausgewählten Themen an (z.B. Python / R / MATLAB -Tutorials, Einstieg in Jupyter Notebook, App-Erstellung mit R Shiny), diese finden nach vorheriger Anmeldung statt. Mehr Infos finden Sie auf der Seite Web-Seminare.

Falls Sie als Bildungseinrichtung, Unternehmen oder Studieninteressierte einen tieferen Einblick in aktuelle Themen, Projekte und Studieninhalte erhalten wollen, können Sie gerne mit uns eine Live-Vorstellung der aktuellen Projekte und Demonstratoren vereinbaren, nach Absprache gerne auch vor Ort.

Projektpartner

Unsere Projektpartner in der Offenen Digitalisierungsinitiative Pfalz sind Professoren und Wissenschaftliche Mitarbeiter der TU und der Hochschule Kaiserslautern, die im Rahmen des Innovationsbereichs Produkte am Aufbau des engineering 4.0 lab (e4lab) am Standort Kaiserslautern arbeiten.

Förderinitiative

Das Verbundvorhaben „Offene Digitalisierungsallianz Pfalz“ wird im Rahmen der Bund-Länder-Initiative „Innovative Hochschule“ gefördert.