Online-Schulung: Maschinelles Lernen in der Produktion

Information and objective

Die Weiterbildung bietet erste “Hands-on”-Erfahrung in praxisnahen Anwendungsszenarien und durch das enge Zusammenspiel von Theorie und Praxis werden die gegebenenfalls vorhandenen Einstiegshürden in das komplexe Thema abgebaut, ein niederschwelliger Themeneinstieg gewährleistet und der Wissenstransfer in Unternehmen gefördert.

Nach der Onlineschulung sind die Teilnehmenden in der Lage, Einsatzmöglichkeiten Maschineller Lernverfahren in der eigenen Produktion zu erkennen, den damit verbundenen Aufwand und Nutzen abzuschätzen und erste eigene ML-Projekte zu planen.

Auf Anfrage kann die Weiterbildung auch in Präsenz am Fraunhofer-Standort in Dresden stattfinden und als In-House-Angebot auch in Ihrem Unternehmen.

Agenda

Teil 1: Einführung in Maschinelles Lernen für Ingenieure

• Maschinelles Lernen versus konventionelle Prozessanalyse
  Übersicht gängiger Methoden zur experimentellen Prozessanalyse (Korrelationsanalyse, Regressionsanalyse, Frequenzanalyse / Spektren, Zeitreihenanalyse / Trends) und ML-Modellierungsalgorithmen (Klassifizierung, Clustering, Regression). Unterschiede, Vor- bzw. Nachteile. Überwachtes versus unüberwachtes Lernen. ML-Workflow, ML-Anwendungen in der Produktion.
• Daten in der Produktion
  Ohne Daten kein ML! Datenstrukturen und Informations- modelle, Datenakquise, (OPC UA, UMATI, MQTT, SECS / GEM, EDA / Interface A), Datenqualität, Datenvorverarbeitung, fehlende Werte und Ausreißer, Auswahl von Merkmalen (Features) und Dimensionsreduzierung, PCA.
• Praxisbeispiel 1: Problemstellung, Vorgehensweise und Aufbau einer Versuchsumgebung
  Profilschiene mit Linearantrieb als technischer Prozess, allg. Vorgehensweise, technische Realisierung der Datenerfassung, Datensichtung, Abschätzung und Verbesserung der Datenqualität, Übersicht ML-Plattformen, Frameworks und Bibliotheken, Arbeit mit Python / Jupyter Notebook.
   

Teil 2: Anwendung von ML-Algorithmen

• Praxisbeispiel 1: Anwendung eines ML-Algorithmus
  Wahl einer passenden ML-Strategie, Implementierung, Gütebewertung und Validierung, Accuracy / Precision /  Recall (Genauigkeit-Trefferquote), Cross Validation (Kreuzvalidierungsverfahren), Performance, Optimierung der Lösung.
• Praxisbeispiel 2: Anwendung eines ML-Algorithmus
  Anlage zur Herstellung versiegelter Becher aus Karton als technischer Prozess, Problemstellung, Wahl einer passenden ML-Strategie, Implementierung, Gütebewertung und Validierung, Optimierung der Lösung.
• Alternative Lösungen für Praxisbeispiel 2
  Braucht man immer KI / ML? Grenzen des Maschinellen Lernens. Übersicht alternativer Lösungen zum Praxisbeispiel 2, Fourier-Transformation, Bildverarbeitung ohne KI, Lösungsvergleich mit und ohne KI, Vor- bzw. Nachteile.
• Auswertung und Diskussion der Erkenntnisse, Feedback