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.

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. Die nächsten Termine sind Dienstag der 02. November 2021 und Dienstag der 07. Dezember 2021. 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.

News

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.

Zwei der Demos des Predictive Maintenance-Zyklus sind aktualisiert und vertieft worden: Die neue Demo 2: Predictive Maintenance mit RapidMiner vergleicht das Entscheidungs­baum-Modell mit der Vorhersage des k-Nearest Neighbor-Modells. Die neue Demo 3: Predictive Maintenance mit R erläutert, wie die Optimierung des Entscheidungsbaums mittels Pruning erfolgt.

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-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.



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.

 

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.

 

Demonstratoren

Unsere aktuellen Demonstratoren befassen sich mit den Themen Maschinelles Lernen, Predictive Maintenance und Internet of Things.

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.

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. Die Cluster werden auf Basis von drei Merkmalen des Datensatzes erstellt, die am stärksten zum Ausfall beigetragen haben.

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-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.


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.

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.