Schulung Industrial Data Analytics

Lektion 1 • Analyse-Wertschöpfungskette in der Industrie

Zeichnet den Weg nach, wie industrielle Rohdaten in umsetzbare Entscheidungen transformiert werden. Verbindet die Ebenen der deskriptiven, diagnostischen, prädiktiven und präskriptiven Analytik.

Lektion 2 • Überblick über die industrielle Datenlandschaft

Kartiert die Arten und die Herkunft von Daten, die in industriellen Umgebungen erzeugt werden. Schafft das Vokabular und den Kontext für alle nachfolgenden analytischen Arbeiten.

Lektion 3 • Rollen und Stakeholder in Analyseprojekten

Definiert die Verantwortlichkeiten von Data Engineers, Analysten und Fachexperten. Verdeutlicht die für den Projekterfolg wesentlichen Kollaborationsmuster.

Lektion 1 • Datenintegration über Systeme hinweg

Führt Daten aus unterschiedlichen industriellen Systemen zu einheitlichen Analysedatensätzen zusammen. Behandelt Schema-Konflikte und Synchronisierungsherausforderungen.

Lektion 2 • Datenbereinigung und -vorverarbeitung

Wendet Techniken zur Erkennung und Korrektur von Fehlern, Ausreißern und Lücken in Rohdaten an. Bereitet die Datensätze direkt für die explorative und statistische Analyse vor.

Lektion 3 • Dimensionen der Datenqualität

Definiert Genauigkeit, Vollständigkeit, Konsistenz und Aktualität als messbare Qualitätsattribute. Bietet Kriterien für die Bewertung jedes industriellen Datensatzes.

Lektion 4 • Industrielle Datenerfassungsmethoden

Behandelt automatisierte und manuelle Datenerfassungstechniken, die auf der Anlagenebene eingesetzt werden. Vermittelt den Studierenden praktische Erfassungsworkflows vor der Qualitätsbewertung.

Lektion 1 • Techniken der Datenvisualisierung

Wählt Diagramme aus und konstruiert sie, die für industrielle Zeitreihen und kategoriale Daten geeignet sind. Die Visualisierung beschleunigt die Mustererkennung und die Stakeholder-Kommunikation.

Lektion 2 • Deskriptive Statistik für Prozessdaten

Fasst zentrale Tendenz, Streuung und Verteilungsform für Prozessvariablen zusammen. Bildet die statistische Basis für alle nachfolgenden Modellierungen.

Lektion 3 • Anomalien- und Ausreißererkennung

Erkennt ungewöhnliche Beobachtungen mittels statistischer und visueller Methoden. Unterscheidet echte Prozessfehler von Messfehlern.

Lektion 4 • Feature Engineering aus Prozessdaten

Transformiert rohe Sensorwerte in informative Features für die Modellierung. Schlägt eine Brücke zwischen explorativer Analyse und Machine-Learning-Workflows.

Lektion 1 • Fortgeschrittene SPC und multivariate Überwachung

Erweitert SPC auf korrelierte, multivariate Prozesse unter Verwendung von Hotelling T-Quadrat- und CUSUM-Karten. Behandelt die Grenzen univariater Karten in komplexen Systemen.

Lektion 2 • Grundlagen der statistischen Prozesskontrolle

Führt den Unterschied zwischen zufälliger und systematischer Streuung sowie die Logik der Eingriffsgrenzen ein. Schafft die theoretische Basis für alle Regelkartenmethoden.

Lektion 3 • Prozessfähigkeitsanalyse

Berechnet die Indizes Cp, Cpk, Pp und Ppk, um die Prozessleistung in Bezug auf Spezifikationen zu quantifizieren. Verknüpft Überwachungsergebnisse mit Kunden- und Designanforderungen.

Lektion 4 • Attributive Regelkarten

Wendet p-, np-, c- und u-Karten auf Zähl- und Anteilsdaten von Fehlern an. Erweitert die Überwachungsmöglichkeit auf diskrete Qualitätsmerkmale.

Lektion 1 • Grundlagen der Regressionsmodellierung

Entwickelt lineare und polynomiale Regressionsmodelle für kontinuierliche Prozessausgaben. Bietet die Modellierungsbasis vor Ensemble- und nichtlinearen Methoden.

Lektion 2 • Strategien für Modelltraining und -validierung

Implementiert Kreuzvalidierung, Train-Test-Aufteilungen und Hyperparameter-Tuning für robuste Modelle. Verhindert Datenlecks, die bei zeitlich geordneten Industriedatensätzen häufig auftreten.

Lektion 3 • Einsatz prädiktiver Modelle im Betrieb

Integriert trainierte Modelle über APIs und Edge-Bereitstellung in Produktionsabläufe. Behandelt die Überwachung von Modelldrift und Auslöser für Neutraining.

Lektion 4 • Metriken zur Modellleistung

Wählt RMSE, MAE, F1 und AUC-Metriken aus und interpretiert sie passend zu den industriellen Zielen. Richtet die Modellevaluierung an betrieblichen Kosten- und Risikokriterien aus.

Lektion 1 • Grundlagen der Instandhaltungsstrategie

Vergleicht reaktive, vorbeugende und prädiktive Instandhaltungsansätze nach Kosten und Risiko. Positioniert die Datenanalyse als Wegbereiter für zustandsbasierte Entscheidungen.

Lektion 2 • Schätzung der verbleibenden Nutzungsdauer

Erstellt Regressions- und Überlebenszeitmodelle zur Schätzung der Zeit bis zum Ausfall kritischer Anlagen. Liefert umsetzbare Instandhaltungsfenster aus kontinuierlichen Sensordatenströmen.

Lektion 3 • Sensordaten für den Anlagenzustand

Identifiziert Vibrations-, Temperatur-, Strom- und akustische Signale, die für den Anlagenzustand relevant sind. Leitet die Sensorauswahl und -platzierung für maximalen diagnostischen Wert an.

Lektion 4 • Anomalieerkennung zur Fehlerdiagnose

Wendet unüberwachte und halbüberwachte Methoden zur Früherkennung von Anlagenfehlern an. Reduziert Fehlalarme bei gleichzeitig hoher Empfindlichkeit der Fehlererkennung.

Lektion 1 • Prinzipien der statistischen Versuchsplanung

Führt vollfaktorielle, teilfaktorielle und Response-Surface-Versuchspläne für Prozessuntersuchungen ein. Schafft eine experimentelle Strenge, die echte Effekte von Rauschen trennt.

Lektion 2 • Varianzanalyse für Prozessfaktoren

Wendet ein- und mehrfaktorielle ANOVA an, um die Signifikanz von Faktoren in geplanten Experimenten zu quantifizieren. Verknüpft statistische Signifikanz mit praktischer Prozessverbesserung.

Lektion 3 • Methoden nach Taguchi und robustes Design

Nutzt orthogonale Arrays und Signal-Rausch-Verhältnisse, um die Prozessempfindlichkeit gegenüber Störgrößen zu minimieren. Liefert Designs, die unter realen Betriebsschwankungen konsistent funktionieren.

Lektion 4 • Optimierungsalgorithmen für Prozesseinstellungen

Wendet gradientenbasierte und metaheuristische Algorithmen an, um optimale Prozessparameter zu finden. Geht über die Versuchsplanung hinaus zu kontinuierlichen und eingeschränkten Optimierungsproblemen.

Lektion 1 • Skalierung der Analytik im gesamten Unternehmen

Entwirft Kompetenzzentrumsmodelle und Plattformstrategien für die organisationsweite Einführung von Analytik. Behandelt Change Management und den Aufbau von Fähigkeiten im großen Maßstab.

Lektion 2 • Integration digitaler Zwillinge mit Analytik

Verbindet physikalisch basierte Simulationsmodelle mit Live-Sensordaten für Echtzeit-Prozesseinblicke. Ermöglicht Was-wäre-wenn-Szenarioanalysen ohne Unterbrechung der physischen Abläufe.

Lektion 3 • Erstellung des Business Case für Analytik

Quantifiziert den finanziellen und betrieblichen Nutzen von Analytikinitiativen zur Genehmigung durch die Geschäftsleitung. Strukturiert ROI-Berechnungen, Risikobewertungen und Meilenstein-Fahrpläne.

Lektion 4 • Analytics Governance und Ethik

Legt Standards für Modellverantwortlichkeit, Bias-Auditierung und Erklärbarkeit für industrielle KI fest. Stellt sicher, dass Analyseergebnisse die regulatorischen und organisatorischen Vertrauensanforderungen erfüllen.