Über uns

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

Auf elab2go - Mobile Engineering Lab stellen wir wechselnde Demonstratoren vor, die die Funktionsweise technologischer Trends an einfachen Projekten veranschaulichen.

Unsere Projekte und Demonstratoren sind für angehende Ingenieure und Informatiker interessant, insbesondere für Studieninteressierte und Studierende, die ihre berufliche Laufbahn planen und sich z.B. zwischen Studiengängen entscheiden müssen.

Um einen Demonstrator für die Datenanalyse im Rahmen der Voraus­schauenden Wartung wie die Interaktive PredMaintApp oder eine Machine Learning-Modellierung in Python mit Keras und Tensorflow zu entwickeln, wird Fachwissen benötigt, das während des Studiums in einem der Ingenieur- oder Informatik-Studiengänge an der Hochschule Kaiserslautern erworben werden kann.

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.

Veranstaltungen

Digitaltag 2021 – Wir sind dabei!

Unsere Aktion:
Online-Demos zu Predictive Maintenance und Maschinellem Lernen

Am diesjährigen Digitaltag, dem 18. Juni 2021 von 11:00-17:00 Uhr, steht Ihnen unser Projektteam wieder für eine ausführliche Vorstellung der Plattform und der Demonstratoren zur Verfügung. Sie können im Rahmen einer Zoom-Online-Konferenz direkt mit uns in Kontakt treten. Bitte per E-Mail anmelden bei den unter Kontakt angegebenen Ansprechpartnern.

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

Jeden ersten Freitag im Monat von 14:00-15:30 Uhr steht Ihnen unser Projektteam persönlich für eine Vorstellung der Plattform und der Live-Demonstratoren zur Verfügung. Der nächste Termin ist Freitag der 07. Mai 2021 um 14:00.

Teilnahme:
Zoom-Meeting beitreten: hier klicken!
Meeting-ID: 931 7540 9156
Kenncode: 508450

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), die nach vorheriger Anmeldung per E-Mail an die unter Kontakt angegebenen Ansprechpartner stattfinden. Mehr Infos finden Sie auf der Seite Web-Seminare.

News

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.

Demo-PY3: Clusteranalyse "Automotive in 3D" zeigt einen Anwendungsfall der Clusteranalyse im 3-dimensionalen Raum anhand des Automobildatensatzes, der in den Predictive Maintenance-Datenanalysen Demo-PY4 und Demo4 verwendet wird. In diesem konkreten Anwendungsfall werden die Cluster auf Basis von drei Merkmalen des Datensatzes erstellt, die am stärksten zum Ausfall beigetragen haben.

Demo-PY4: Predictive Maintenance mit scikit-learn zeigt, wie eine Ausfall-Prognose im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens der Python-Bibliothek scikit-learn für maschinelles Lernen durchgeführt wird.


On-Demand Workshop
Wie groß ist der Anteil erneuerbarer Energien am Stromverbrauch? – Eine grafische Analyse

Wie ändert sich der Verbrauch von Strom insgesamt, Solar- und Windenergie über die Jahre? Wann im Laufe eines Jahres ist der Verbrauch am höchsten? Reicht die Energiegewinnung über erneuerbare Energien aus, um den Verbrauch zu decken?

Um diese Fragen zu beantworten, werden die Stromverbrauchsdaten in eine R-Shiny- oder Jupyter Notebook-App eingelesen und grafisch dargestellt. Du willst die Apps kennenlernen und erfahren, wie man Apps für Datenanalyse entwickelt? Melde Dich per E-Mail für unseren neuen Workshop an, mehr Infos hier!

 

Präsentationen

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.

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

Was steckt hinter dem Begriff "Internet der Dinge" oder "Internet of Things (IoT)"?
Erfahren Sie mehr dazu in dieser Präsentation.

 

Demonstratoren

Unsere aktuellen Demonstratoren befassen sich mit den Themen Maschinelles Lernen, Predictive Maintenance und Internet of Things (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 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. Hinweise und Besonderheiten zur Syntax werden an Beispiel-Codes gezeigt.

Demo-R2: Datenverwaltung mit dem R-Paket stats zeigt, wie die Datenverwaltung und - visualisierung mit Hilfe der R-Pakete stats und graphics durchgeführt wird. Ein Zeitreihen-Datensatz zum Stromverbrauch in Deutschland aus der Open-­Power-­System-Data (OPSD)-Plattform dient uns dabei als Anwendungs­beispiel. Die Daten werden in einer interaktiven Shiny-App analysiert.


Demo 4: Interaktive PredMaintApp wurde überarbeitet und um zwei Anleitungen ergänzt: eine, die die Verwendung der App erläutert, und eine, die die Erstellung einer Shiny-App mit RStudio erläutert. Die PredMaintApp selber führt den Anwender durch die Datenanalyse und Vorhersage am Beispiel eines Automobildatensatzes. Der Anwender kann Parameter für den Entscheidungsbaum einstellen und die Datensätze für die Vorhersage editieren.


Demo-MAT1: MATLAB Tutorial vermittelt die Grundlagen der MATLAB-Syntax (Variablen, Operatoren, Eingabe, Ausgabe, Arrays, Matrizen, Funktionen und Plots) mit Hilfe kleiner Beispiele, die wir als MATLAB-Skripte speichern. Das Tutorial ist auch auf Englisch verfügbar.


Die Demo- und Tutorial-Reihe Predictive Maintenance 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.

Die Demo- und Tutorial-Reihe "Demo 3" 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.

Demo 2: Predictive Maintenance zeigt am Beispiel eines Automobildatensatzes, wie man erfasste Sensordaten mit Methoden des maschinellen Lernens auswerten und damit eine vorausschauende Wartung der Geräte betreiben kann. Als Datenanalyse-Tool für die Erstellung eines Entscheidungsbaum-Prognosemodells wird RapidMiner verwendet.

Demo 1: Sensordaten zeigt, wie ein einfaches IoT-System aufgebaut ist, das Sensordaten (z.B. Temperatur) in regelmäßigen Abständen erfasst und diese an einen Server im Internet überträgt. Die Messdaten werden in einer Datenbank gespeichert und ihr Verlauf wird auf einer Website grafisch angezeigt.

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.