Fantom Tag

Schulung - Industrial Data Analytics

Industrial Data Analytics Projekte praktisch umsetzen

  • Präsenztraining
TERMIN UND ORT NACH ABSPRACHE
Dauer
2 Tage (16 Stunden)


Referenz
4791
On-demand Training
Sind Sie an diesem Thema interessiert?
Unsere Experten entwickeln Ihr individuell angepasstes Seminar!
Die zunehmende Vernetzung im industriellen Umfeld bietet Unternehmen enorme Chancen, aus ihren Daten Wissen zu generieren und damit die eigene Wettbewerbsposition zu stärken. Industrial Data Analytics ermöglicht Verbesserungen in Bereichen wie Qualitätskontrolle und Fehlererkennung oder Predictive Maintenance. Der erfolgreiche Einsatz von Data Analytics erfordert jedoch Kompetenzen in mathematischen Verfahren der Statistik, des maschinellen Lernens und der Künstlichen Intelligenz (KI). Technisches Personal und Ingenieure verfügen über umfangreiche Kenntnisse in der Fertigung, doch fehlt ihnen oft die praktische Erfahrung in der Anwendung von Data Analytics. In unserem Training haben Sie die Gelegenheit, Data Analytics-Methoden anzuwenden und alle Schritte von der Datenselektion, über die Datenaufbereitung bis hin zur Datenanalyse und -interpretation kennenzulernen. Sie arbeiten mit echten Trainingsdaten in der Programmierumgebung Python und erstellen im Training eigene Machine Learning-Modelle. Unser Training berücksichtigt dabei die zahlreichen Besonderheiten im Umgang mit Produktionsdaten und gibt Ihnen wertvolle Hinweise für die erfolgreiche Umsetzung von Industrial Data Analytics-Projekten. 

Das Hands-on Training »Industrial Data Analytics« richtet sich an technische Mitarbeiterinnen und Mitarbeiter, die anhand von Aufgabenstellungen aus der Praxis den Umgang mit großen Datenmengen und die Entwicklung intelligenter Lösungen für konkrete Anwendungsfälle erlernen möchten.

Ihr Nutzen

  • Sie erlernen wesentliche Grundlagen und Vorgehensweisen für den Umgang mit Daten in der Produktion.
  • Sie erlangen einen fundierten Überblick über erprobte Industrial Data Analytics-Methoden und Technologien.
  • Sie wenden diese Kenntnisse an einem realen Praxisfall mit echten Produktionsdaten entlang der Daten-Verarbeitungskette (Data Pipeline) an.
  • Sie lernen systematisch Wissen aus Daten zu generieren, um Grundlagen für strategische Entscheidungen zu liefern.
  • Sie bilden sich in einem der aktuell attraktivsten Berufsbilder fort und stärken ihr persönliches Kompetenzprofil.


Logo Frauenhofer IEM

Kooperation mit dem Fraunhofer-Institut für Entwurfstechnik Mechatronik

Dieses Seminar bieten wir in Zusammenarbeit mit dem renommierten Fraunhofer-Institut für Entwurfstechnik Mechatronik in Paderborn an. 
Diese Partnerschaft ermöglicht es uns, Ihnen praxisnahe und wissenschaftlich fundierte Schulungen auf höchstem Niveau anzubieten.
Die Schulung wird von den erfahrenen Trainer:innen des Fraunhofer-Instituts durchgeführt und ermöglicht Ihnen den Austausch Ihrer Erfahrungen mit den anderen Teilnehmenden
in den kreativitätsfördernden Arbeitsumgebung des Frauhofer IEM. 

Die Anmeldung erfolgt dabei wie gewohnt über Cegos Integrata. 
Nutzen Sie die Gelegenheit, von der Expertise des Fraunhofer-Instituts zu profitieren und Ihr Wissen gezielt zu erweitern.
Zielgruppe

Wer sollte teilnehmen:

Zielgruppe

  • Technische Mitarbeitende
  • Ingenieure z.B. aus IT, Software Engineering, Produktion und Instandhaltung
  • Mitarbeitende in Operational Excellence und Technologiemanagement

Voraussetzungen

Grundkenntnisse in Statistik und Datenanalyse sowie erste Programmiererfahrungen sind von Vorteil.
Kenntnisse im Umgang mit Datenbanken und Datenstrukturen sind von Vorteil.
Programm

Trainingsprogramm

Nach einer Einführung in das Themenfeld Industrial AI, Industrial Data Analytics und die wichtigsten Grundbegriffe erfolgt die Vermittlung von Methoden und Werkzeugen anhand eines Praxisbeispiels aus dem Maschinen- und Anlagenbau. Dabei werden die übergreifenden Themen Datenquellen, Daten-Infrastruktur, Data Analytics und Anwendungsfälle in den folgenden Blöcken behandelt:

Tag 1 | Anwendungsfälle, Daten-Speicherung und -strukturen

  • Industrial Data Analytics-Anwendungsfälle - Künstliche Intelligenz in der praktischen Anwendung
  • Datenspeicherung und Zugriff über Datenbanken
  • Programmierumgebung (Python)
  • Datenstrukturen
  • Visualisierung und Exploration

Tag 2 | Modellierung und Machine Learning

  • Datenbereinigung und Filterung
  • Methoden der Signalverarbeitung
  • Manuelle und automatisierte Merkmalsextraktion
  • Überwachte, unüberwachte und semi-überwachte Verfahren zur Modellbildung
  • Grundlagen maschinelles Lernen für Klassifikation und Anomalie-Detektion
  • Grundlagen maschinelles Lernen für Regressions- und Vorhersagemodelle
Methodik

Methodik

Präsenztraining mit Trainer-Input, Fallbeispielen, Übungen und Feedback, Diskussion und Erfahrungsaustausch unter den Teilnehmenden.

Hinweis

Hinweis

Weiterführende Informationen: Eine Auswahl vertiefender Inhalte und praxisorientierter Beiträge zum Thema Datenkompetenz findet sich im Datenkompetenz‑Blog.

Häufig gestellte Fragen (FAQ)

Häufig gestellte Fragen (FAQ)

Welche industriellen Anwendungsfälle profitieren von Data Analytics?

Typische Anwendungen sind Qualitätskontrolle, Anomalieerkennung, Predictive Maintenance, Prozessoptimierung und die Analyse von Sensor- oder Maschinendaten.

Wie werden Zeitreihen und Sensorsignale für Machine Learning vorbereitet?

Rohsignale werden bereinigt, gefiltert, synchronisiert und in geeignete Merkmale überführt. Fachwissen über Anlage und Prozess ist dabei ebenso wichtig wie die statistische Methode.

Wann ist Anomalieerkennung sinnvoller als eine klassische Klassifikation?

Anomalieerkennung eignet sich, wenn Fehler selten sind oder kaum gelabelte Beispiele vorliegen. Klassifikation ist stärker, wenn ausreichend bekannte und repräsentative Fehlerklassen verfügbar sind.

Welche Rolle spielt Python in Industrial Data Analytics?

Python verbindet Datenzugriff, Bereinigung, Visualisierung, Signalverarbeitung und Machine Learning in einer durchgängigen Arbeitsumgebung.

Wie lässt sich ein Analysemodell in den Produktionsbetrieb überführen?

Benötigt werden stabile Datenpipelines, definierte Schwellenwerte, Monitoring, Verantwortlichkeiten und ein Prozess, der Modellhinweise in konkrete Maßnahmen übersetzt.