aiMOOC

Anomalieerkennung für industrielle Messdaten programmieren

QR-Code

Einleitung

Lernziel: Du programmierst im dritten Ausbildungsjahr ein lokales Anomalie-Modul mit Baseline und Alarmgrund für fiktive Variantenbauteile. Du erkennst Auffälligkeiten, testest eine transparente Regel und simulierst Warnhinweise. Dein Modul darf keine reale Anlage ansteuern, keine Produktionsentscheidung treffen und keine Sicherheitsfreigabe erteilen.

Voraussetzungen: A1 und A2 sowie Grundbegriffe des Modellfalls (Messwert, Zeitstempel, Variante, CSV, Python-Grundlagen); alle Daten sind synthetisch. Aktiviere das Vorwissen anhand des vorhandenen Grundlageneintrags: Was unterscheidet Zeitstempel, Messwert und Bauteilkennung? Weshalb sind Prüfunterlagen versioniert? Der Eintrag war beim Quellenabruf technisch nicht einsehbar; über seinen konkreten Inhalt wird hier nichts behauptet. Du brauchst nur Python 3 mit Standardbibliothek oder kannst alle Schritte auf Papier nachvollziehen.

Lernweg: erst Begriffe und Daten prüfen, dann anhand einer Zeitfolge eine Baseline bilden, ein vollständiges Programm ausführen, Fehlalarme und übersehene Fehler auszählen und schließlich die Regel selbstständig auf eine neue Variante übertragen. Hilfen stehen bei den jeweiligen Aufgaben; Vertiefungen fragen nach Kontext und Nichtwissen.

Rechtlicher und fachlicher Rahmen: Unabhängiges Bildungsangebot, weder eine offizielle Liebherr- noch eine IHK-Zertifizierung. Sämtliche Beispiele sind didaktische Simulationen ohne echte Kunden-, Schüler- oder Maschinendaten. Eine auffällige Zahl ist ein Prüfhinweis, kein Defektnachweis.

Messdaten und Auffälligkeiten verstehen

Was ist eine Anomalie?

Eine Anomalie ist eine Beobachtung, die nach einer begründeten Vergleichsregel ungewöhnlich wirkt. Ein Ausreißer ist ein stark abweichender Datenpunkt. Das ist noch keine bewiesene Störung: Messrauschen, falsche Einheit, Wartungsmodus, Variantenwechsel oder unvollständige Daten können dieselbe Auffälligkeit auslösen. Kontext meint zum Beispiel Bauteilvariante, Betriebsart, Temperatur, Messgerät und Dokumentversion. Ground Truth bezeichnet unabhängig erhobene Prüflabels, die im Übungsmodell den tatsächlich angenommenen Fehlerstatus festlegen.

Drei mögliche Ergebnisse: OK (regelgemäß unauffällig), WARNUNG (Regel überschritten, Ursache benannt), UNGEWISS (Referenz oder benötigter Kontext fehlt). Letzteres ist kein Versagen, sondern verhindert Scheingewissheit. In realen Anwendungen ist zusätzlich eine fachliche Untersuchung erforderlich.

Bildhilfe: Eine Regelkarte visualisiert Abweichungen; die gezeichneten Grenzlinien sind kein Nachweis für echte Bauteilfehler. Quelle: Commons-Dateiseite, 2140281ChiraagBN, CC BY-SA 4.0.

Modelllabor und Datenvertrag

Im lokalen Prüf- und Wartungslabor werden fiktive Variantenbauteile A und B geprüft. Das didaktische Merkmal heißt Prüfabweichung in µm; seine Zahlen sind erfunden und keine zulässigen Industrietoleranzen. Jede Zeile hat mindestens Zeitstempel, Variante, Messwert, Prüflabel, Gerätekennung und Dokumentversion. Ein Prüflabel wird unabhängig vom Alarm auf Basis einer fiktiven Nachprüfung gesetzt. Bei fehlender Variante, Einheit oder Versionszuordnung meldet das Modul UNGEWISS.

Versionierte Beispieldokumente: datenblatt_A_v1.0.csv (Messfolge, Einheit µm, Herkunft synthetisch); regel_A_v1.0.json (Baseline-Zeitfenster, Grenzwert, Entscheidungsregel); pruefbericht_A_v1.0.md (Zähler, Fehlerfall, Grenzen). Ändert sich die Regel, entsteht v1.1 statt eines heimlich überschriebenen Berichts. Eine Variante B bekommt eine eigene Datei und Referenz. Hilfestellung: Zeichne drei Spalten: Messwert, unabhängiges Prüflabel, Modulentscheidung.

Vertiefungsmedium (Englisch): In der Architektur unterscheidest du Datenquelle, Prüfung und Ergebnisdarstellung; im Kurs bleibt alles offline. Commons-Dateiseite, Igabriel85, CC BY-SA 4.0.

Baseline bilden und zeitlich trennen

Saubere Reihenfolge der Zeitfenster

Eine Baseline beschreibt das normale frühere Verhalten. Wir teilen strikt nach aufsteigender Zeit: t01–t06 Baseline, t07–t08 Entwicklungskontrolle, t09–t16 unangetasteter Abschlusstest. Der Test darf nicht zum Anpassen des Grenzwerts verwendet werden. Genau dieses unerlaubte Vorwissen nennt man Data Leakage (Datenleck). Bei echten Zeitreihen berücksichtigen Expertinnen und Experten zusätzlich Abstände zwischen Fenstern und wiederholte zeitgeordnete Prüfungen.

Zeitfenster	Fiktive Messwerte in µm	Zweck
t01–t06	9, 10, 11, 10, 9, 11	Nur Referenzwerte von Variante A, alle laut Übung normal
t07–t08	12 normal, 16 Fehler	Nur geführte Plausibilitätsprüfung, nicht im Abschlusstest zählen
t09–t16	Acht bislang nicht verwendete Fälle	Einmalige, getrennte Abschlussbewertung

Einfache Baseline-Regel v1.0: Obergrenze = größter Baseline-Wert + 2 µm = 11 + 2 = 13 µm. Nur wenn Variante A, Einheit µm, Version v1.0 und ein Messwert vorliegen, gilt: Messwert > 13 erzeugt WARNUNG; sonst OK. Die feste Reserve von 2 µm ist eine didaktische Annahme, nicht statistisch validiert oder normativ abgesichert. Bei t08 zeigt die Regel eine simulierte Warnung. Bei t07 zeigt sie OK.

Grenzwert, Streuung und Variantenkontext

Eine Kontrollgrenze beschreibt auffälliges statistisches Verhalten; eine technische Toleranz wird dagegen fachlich bzw. konstruktiv festgelegt. Beides darf nicht verwechselt werden. Eine kleine Baseline mit nur sechs Fällen ist empfindlich gegenüber Zufall und Drift. Bei einer anderen Variante oder einer veränderten Geräteversion darf der Wert 13 nicht blind übernommen werden.

Animation (Englisch beschriftet): Eine wachsende Streuung ändert die Häufigkeit großer Abweichungen; aus der Animation allein folgt keine Normalverteilung unserer Messwerte. Commons-Dateiseite, Fschwarzentruber, CC BY-SA 4.0.

Kurzer Audio-Begriff: – Aussprachehilfe, kein Fachvortrag; Commons-Dateiseite, Jeuwre, CC BY-SA 4.0. Ohne Ton kannst du den Ausdruck Normalverteilung lesen. Eine Normalverteilung wird für den einfachen Maximalwertvergleich ausdrücklich nicht vorausgesetzt.

Lernhilfe: Sortiere erst nach Zeit. Halte Baseline, Entwicklungsdaten und Tests in drei getrennten Tabellen. Vertiefung: Begründe, wann ein gleitendes Zeitfenster oder ein robustes Quantil anstelle des Maximums sinnvoll sein könnte, und warum eine neue Regel eine erneute zukünftige Testperiode braucht.

Anomalie-Modul in Python programmieren

Eingaben, Regel und erklärbarer Alarm

Das folgende vollständige Python-3-Programm verwendet nur die Standardbibliothek. Du kannst es offline als anomalie_modul_v1_0.py speichern. Die Liste TEST enthält ausschließlich synthetische Beobachtungen und unabhängige, nur zur späteren Auswertung sichtbare Prüflabels. Die Funktion entscheide nutzt diese Prüflabels nicht. Ein Alarmgrund nennt beobachteten Wert, Variante, Grenzwert und Regelversion.

BASELINE = [9, 10, 11, 10, 9, 11]
GRENZE = max(BASELINE) + 2
REGELVERSION = "1.0"
TEST = [
    ("t09", "A", 12, False),
    ("t10", "A", 15, True),
    ("t11", "A", 14, False),
    ("t12", "A", 12, True),
    ("t13", "A", 17, True),
    ("t14", "A",  9, False),
    ("t15", "A", 13, False),
    ("t16", "A", 16, False),
]
def entscheide(variante, wert, einheit="um"):
    if variante != "A" or einheit != "um" or wert is None:
        return "UNGEWISS", "Referenz, Einheit oder Messwert fehlt"
    if wert > GRENZE:
        grund = f"A: {wert} um > {GRENZE} um (Regel v{REGELVERSION})"
        return "WARNUNG", grund
    return "OK", f"A: {wert} um innerhalb Regel v{REGELVERSION}"
TP = FP = FN = TN = 0
for zeit, variante, wert, fehler in TEST:
    status, grund = entscheide(variante, wert)
    alarm = status == "WARNUNG"
    if alarm and fehler: TP += 1
    elif alarm and not fehler: FP += 1
    elif not alarm and fehler: FN += 1
    else: TN += 1
    print(zeit, status, grund, "Prueflabel:", fehler)
print("TP", TP, "FP", FP, "FN", FN, "TN", TN)
print("Fremdvariante:", entscheide("B", 16))

Erwartete Zähler: TP = 2, FP = 2, FN = 1, TN = 3. Diese Zahlen darfst du zuerst selbst aus den acht Testzeilen bestimmen; das Programm dient zur Kontrolle. TP bedeutet richtig erkannter Fehler, FP Fehlalarm, FN übersehener Fehler, TN korrekt unauffälliger Normalfall. Der Ausdruck um dient im reinen ASCII-Code als Kurzform für µm; in Bericht und Datenvertrag muss die Einheit vollständig dokumentiert sein. Die fiktiven Prüflabels stammen nicht aus dem Sensor.

Testen, Versionieren, Fehlersituationen

Kontrolliere die Grenzfälle: Ein Wert von 13 gibt OK, 14 gibt WARNUNG. Teste eine unbekannte Variante B und einen fehlenden Wert; beide müssen UNGEWISS liefern. Ergänze eine Versionskontrolle des Eingabedokuments und schreibe den Alarmgrund als Text in einen ausschließlich lokalen Testbericht. Nutze keine Netzwerkverbindungen, Steuerbefehle oder realen Maschinenkennungen.

Fehlerfall begründen: Bei t12 liegt laut fiktiver unabhängiger Nachprüfung ein Fehler vor, obwohl der einzige überwachte Wert 12 µm beträgt. Die Regel sieht ihn nicht: FN. Es ist fachlich falsch zu behaupten, alle Fehler müssten hohe Werte in genau diesem Merkmal erzeugen. Eine zweite Messgröße könnte helfen, muss aber selbst geprüft werden. Bei t11 liegt umgekehrt mit 14 µm ein Fehlalarm vor (FP): auffällig bedeutet nicht automatisch defekt.

Vertiefung ohne Zusatzsoftware: Vergleiche die feste Regel mit einer Median-basierten Regel auf der unveränderten Baseline. Halte die Testdaten verborgen, bis die Kandidatenregel eingefroren ist. Selbst bei guten Kennzahlen bleibt die Regel nicht für reale Anlagen qualifiziert.

Warnhinweise testen und Fehler zählen

Acht unabhängige Prüffälle

Die folgende Tabelle zeigt nur für die Lehrkontrolle die nachträglich aufgedeckten Prüflabels und Entscheidungen; bei einem echten Evaluationslauf müssen die Labels außerhalb der Detektorfunktion bleiben.

Zeit	Messwert µm	Fiktives Prüflabel	Regelentscheidung	Fall
t09	12	normal	OK	TN
t10	15	Fehler	WARNUNG	TP
t11	14	normal	WARNUNG	FP
t12	12	Fehler	OK	FN
t13	17	Fehler	WARNUNG	TP
t14	9	normal	OK	TN
t15	13	normal	OK	TN
t16	16	normal	WARNUNG	FP

Prüfkriterium 1 – zeitlich trennen: t01–t06 bestimmen die Baseline, t07–t08 prüfen die Entwicklung, t09–t16 testen erstmals die festgelegte Regel. Bei einer unzulässigen nachträglichen Änderung anhand von t09–t16 wäre die Abschlussmessung nicht mehr unabhängig.

Prüfkriterium 2 – Fehlalarme zählen: In acht Testfällen liegen 2 FP vor, und unter den fünf tatsächlich normalen Fällen sind 2 Fehlalarme (40 % dieser Normalfälle). Die Quote ist bei nur acht Fällen instabil.

Prüfkriterium 3 – übersehene Fehler zählen: Von drei bestätigten Übungsfehlern wird einer übersehen (1 FN = 1/3). Die Empfindlichkeit ist hier 2/3, während die Präzision der vier Warnungen 2/4 beträgt. Diese Kennzahlen sind illustrativ und keine Aussage über reale Wirksamkeit.

Bildhinweis: Englische Vierfeldertafel; ordne die Beispielzähler TP=2, FP=2, FN=1 und TN=3 gedanklich zu. Commons-Dateiseite, Humzaashraf97, CC0 1.0.

Ursachen und Gegenmaßnahmen dokumentieren

Schreibe einen Alarmbericht zu t11: beobachtet 14 µm, Regel >13, WARNUNG, tatsächlicher Status normal, Ergebnis Fehlalarm. Formuliere zwei Hypothesen (normale Schwankung oder variantenbezogene Referenz). Ergänze eine Prüfung, die ohne neue Testdaten zu manipulieren sinnvoll wäre: Sichtprüfung der Dokumentversion oder zusätzliche unabhängige Messung. Bei t12 dokumentiere übersehenen Fehler, fehlende Sensitivität und eine mögliche zweite Messgröße.

Entscheidung nachvollziehbar machen: In jeder Ausgabe sind Zeit, Referenzversion, Status, Auslösekriterium, Unsicherheit und ausdrücklich der Hinweis Nur Simulation – keine Freigabe zu dokumentieren.

Transfer, Kontext und Grenzen moderner Verfahren

Neue Variante ohne Scheingewissheit

Variante B hat im Modell einen anderen Normalbereich, beispielsweise Werte um 25 µm. Die Regel von A darf sie nicht als Defekt ausweisen. Solange eine geprüfte B-Baseline oder die Geräteversion fehlt, ist das korrekte Ergebnis UNGEWISS mit dem Alarmgrund keine passende Baseline. Eine gezielte Rückfrage zur Bauteilkennung ist wertvoller als eine scheinbar präzise Wahrscheinlichkeitsangabe. Verwechsle die Wahrscheinlichkeit einer Modellentscheidung nicht mit der Sicherheit eines realen Defekts.

Regelbasiert, statistisch oder maschinell gelernt?

Eine Grenzwertregel ist verständlich und leicht auf synthetischen Daten nachzurechnen. Verfahren wie Isolation Forest, Local Outlier Factor oder andere statistische Modelle können komplexere Muster markieren. Auch sie benötigen passende Trainingsbedingungen, zeitliche Trennung, unabhängige Labels und nachvollziehbare Grenzen. In aktuellen scikit-learn-Hinweisen werden insbesondere inkonsistente Vorverarbeitung und Datenlecks als methodische Fehler genannt. Die Modellwahl entscheidet nicht automatisch, ob eine Warnung fachlich richtig ist.

Optionales Videomedium (Englisch): Mastering Isolation Forest in Python (Ryan & Matt Data Science, veröffentlicht 30.09.2024). Die Videometadaten wurden aufgefunden; eine vollständige Abspielprüfung war aufgrund einer Plattform-Zugriffsbeschränkung nicht möglich. Ohne Video erklären die Absätze dieses Kapitels alle benötigten Konzepte.

Optionales Vertiefungsvideo (Englisch): Explaining Anomalies with Isolation Forest and SHAP (A Data Odyssey, 29.09.2024), zu Erklärbarkeit; Abspielbarkeit nicht vollständig verifizierbar. Für den Kurs reicht die eigene schriftliche Begründung jedes Warnfalls.

Eigenständiges Lernprodukt und Selbstkontrolle

Dein Produkt besteht aus anomalie_modul_v1_0.py, datenblatt_A_v1.0.csv, regel_A_v1.0.json und pruefbericht_A_v1.0.md. Im Bericht müssen die Zeitfenster, die Herkunft der sechs Referenzwerte, die Formel und der Alarmgrund, alle acht Testentscheidungen sowie TP, FP, FN, TN stehen. Halte außerdem eine Einzelfallbegründung zu t12 fest. Für einen Transfer auf B beginne mit eigener zeitlich früherer Baseline und friere die neue Regel vor der Testperiode ein. Leite aus diesen Übungen keine Produktions- oder Sicherheitsentscheidung ab.

Mini-Checkliste ohne externes Medium: Stimmen die Versionen überein? Gibt es fehlende Eingaben? Wurde erst geteilt und dann trainiert? Sind Fehlalarm und übersehener Fehler separat berichtet? Ist der Ungewiss-Status begründet? Sind Ergebnisse ohne KI-Konto und ohne Internet reproduzierbar?

Interaktive Aufgaben

Quiz: Wissen und Anwendung

Beantworte zehn Fragen. Nach deiner Antwort zeigt die interaktive Prüfung die richtige beziehungsweise falsche Bewertung; die Lösungen stehen nicht als gesonderte Liste vor den Aufgaben.

Weshalb bleiben spätere Testwerte bei der Baseline-Bildung unberücksichtigt? (Damit die Prüfung keine Zukunftsinformation verwendet) (!Damit stets weniger Testfälle übrig bleiben) (!Damit Messfehler automatisch verschwinden) (!Damit jede spätere Warnung richtig wird)

Was beschreibt eine Baseline in diesem Modell? (Referenz normaler früherer Messwerte derselben Variante) (!Gesamtheit aller späteren Störungen) (!Ein gesetzlich verbindlicher Grenzwert) (!Ein Ersatz für bekannte Bauteilmerkmale)

Welche Entscheidung ist bei unbekannter Bauteilvariante angemessen? (UNGEWISS mit Begründung zur fehlenden Referenz) (!OK unabhängig vom gemessenen Wert) (!WARNUNG als bestätigter Bauteilfehler) (!Dauerhaftes Weglassen der Beobachtung)

Wann zählt ein Fehlalarm? (Wenn eine Warnung ausgegeben wird obwohl laut Prüflabel kein Fehler vorliegt) (!Wenn ein tatsächlicher Fehler richtig gewarnt wird) (!Wenn ein Fehler ohne Warnung bleibt) (!Wenn kein Fehler vorliegt und keine Warnung erfolgt)

Wann zählt ein übersehener Fehler? (Wenn ein bestätigter Fehler ohne Warnung bleibt) (!Wenn bei einem normalen Teil eine Warnung entsteht) (!Wenn eine zutreffende Warnung einen Fehler findet) (!Wenn ein normaler Wert korrekt unauffällig bleibt)

Was bedeutet die Regel wert groesser als 13 in diesem Beispiel? (Nur Werte oberhalb von 13 lösen eine simulierte Warnung aus) (!Schon genau 13 löst eine Warnung aus) (!Jeder Wert unterhalb von 13 ist sicher fehlerfrei) (!Die Regel ist eine amtliche Sicherheitsgrenze)

Warum brauchen Varianten getrennte Referenzen? (Weil ihr normales Messverhalten verschieden sein kann) (!Weil Zeitstempel keine Rolle spielen) (!Weil alle Varianten zwangsläufig gleich streuen) (!Weil ein Alarmgrund ohne Variante immer eindeutig ist)

Welcher Bericht prüft den Testlauf verständlich? (Zeitfenster sowie TP FP FN TN und je Warnung einen Grund) (!Nur die Gesamtzahl gespeicherter CSV-Zeilen) (!Ausschließlich ein Diagramm ohne Prüflabel) (!Nur einen Prozentwert ohne Fallbeispiele)

Was ist die richtige Reaktion auf einen fehlenden Messwert? (Nichtwissen ausweisen und den Wert nicht als null interpretieren) (!Den letzten Messwert als bestätigten Fehler übernehmen) (!Immer OK ausgeben ohne Hinweis) (!Einen Alarm ohne Ursache als Wartungsauftrag senden)

Welche Aussage zu einem simulierten Alarm ist fachlich richtig? (Er ist ein überprüfbarer Hinweis und keine Sicherheitsfreigabe) (!Er beweist allein einen tatsächlichen Defekt) (!Er ersetzt die Prüfung durch Fachpersonal) (!Er erlaubt unmittelbar die reale Maschinensteuerung)

Memory

Finde die fünf zusammengehörigen Fachbegriffe und Definitionen.

Baseline	Referenz früherer normaler Messwerte
Fehlalarm	Warnung trotz normalem Prüflabel
Übersehener Fehler	Keine Warnung trotz bestätigtem Fehler
Zeitfenster	Abgegrenzter Abschnitt der Messreihe
Alarmgrund	Textuelle Erklärung einer Warnentscheidung

Drag and Drop

Ordne die Begriffe den passenden Beschreibungen zu.

Begriff	Beschreibung
Referenzphase	Nur frühere normale Daten zur Grenzwertbildung verwenden
Entwicklungskontrolle	Regel vor der Schlussprüfung plausibilisieren
Abschlusstest	Eingefrorene Regel erstmals an späteren Fällen bewerten
Kontextprüfung	Bauteilvariante und Version auf Passung kontrollieren
Fehleranalyse	Falsche Warnungen und übersehene Fehler begründen

Kreuzworträtsel

Ergänze sechs Fachwörter. Jede Lösung ist ein einzelnes Wort.

Baseline	Referenz der früheren Normalmessungen
Fehlalarm	Unberechtigte Warnung bei normalem Bauteil
Variante	Kennzeichnung einer Bauteilausführung
Messwert	Einzelner aufgezeichneter Zahlenwert
Zeitreihe	Nach Zeit sortierte Folge von Beobachtungen
Grenzwert	Wert, an dem eine festgelegte Regel unterscheidet

LearningApps

Suche nach ergänzenden Zuordnungsübungen zur Anomalieerkennung. Dies ist ein Suchangebot, keine überprüfte Einzelübung; die Aufgaben oben funktionieren auch ohne den Dienst.

Lückentext

Trage die Fachbegriffe ein; höchstens eine Lücke pro Satz.

Offene Aufgaben

Leicht

Messdaten: Beschreibe an drei synthetischen Beispielen den Unterschied zwischen Messwert, Prüflabel und Warnhinweis; nutze dazu eine Tabelle.
Zeitstempel: Markiere die Zeitfenster t01–t06, t07–t08 und t09–t16 und begründe, warum die Reihenfolge wichtig ist.
Grenzwert: Berechne die Referenzgrenze 13 µm schrittweise und prüfe die Werte 11, 13 und 14; Hilfe: Nur strikt größer führt zur Warnung.
Datenqualität: Zeichne eine Eingabemaske mit Variante, Einheit, Zeit und Version; erläutere, wann UNGEWISS ausgegeben wird.

Standard

Python: Führe das Offline-Programm aus oder simuliere die Schleife von Hand und protokolliere zu allen acht Testfällen Status und Alarmgrund.
Konfusionsmatrix: Zähle TP, FP, FN und TN getrennt; prüfe das Ergebnis anhand der fiktiven, vom Modul ungenutzten Prüflabels.
Qualitätssicherung: Verfasse einen einseitigen Testbericht mit Regelversion, Fehlalarmquote und Anzahl übersehener Fehler.
Fehleranalyse: Erkläre t11 als Fehlalarm und t12 als übersehenen Fehler; schlage jeweils eine zusätzliche unabhängige Prüfung vor.

Schwer

Zeitreihenanalyse: Plane eine nach Zeit gestaffelte Wiederholungsprüfung mit einer späteren Periode; zeige, wie du Datenlecks vermeidest.
Robuste Statistik: Entwickle eine zweite, nur aus t01–t06 gebildete Referenzregel und diskutiere Chancen, Grenzen und nötige neue Testdaten.
Versionsverwaltung: Entwirf für eine fiktive Variante B ein eigenes versioniertes CSV-Regel-Bericht-Paket und begründe, warum A nicht automatisch passt.
Erklärbare künstliche Intelligenz: Schreibe eine Fachnotiz zu UNGEWISS, veränderten Messbedingungen und den Gefahren scheinbarer Sicherheit; bewerte zwei mögliche Fehlentscheidungen.

Lernkontrolle

Datenleck: Weise mit einem eigenen Gegenbeispiel nach, weshalb ein aus Testdaten nachträglich angepasster Grenzwert keine unabhängige Abschlussprüfung mehr erlaubt.
Fehlalarm: Ermittle an den acht Testfällen FP und erkläre, warum ein hoher Messwert keinen Defekt beweist.
Sensitivität: Ermittle FN und die Trefferquote für Fehler; erkläre t12 anhand einer fehlenden zweiten Messgröße.
Messunsicherheit: Entscheide bei einer nicht dokumentierten Variante C zwischen OK, WARNUNG und UNGEWISS und begründe fachlich.
Softwaretest: Formuliere vier automatisierbare Unit-Tests für die Grenzfälle 13, 14, fehlender Wert und Variante B.
Transfer: Plane ein getrenntes Training, eine Entwicklungskontrolle und einen späteren Test für B, ohne Messwerte einer realen Maschine zu verwenden.

Lernnachweis

Abzugeben ist ein reproduzierbares Offline-Lernprodukt mit vollständigem Code oder gleichwertigem händischem Ablauf, synthetischem CSV-Datenblatt, versionierter Regeldefinition und Prüfbericht. Die Bewertung erfolgt nach fünf beobachtbaren Kriterien: (1) korrekte zeitliche Trennung und kein Datenleck, (2) nachvollziehbare Grenzwertbildung und Alarmgründe, (3) gesondert gezählte 2 Fehlalarme und 1 übersehener Fehler im vorgegebenen Abschlusstest, (4) begründete Einzelfallanalyse t11 oder t12 mit einer möglichen Verbesserung, (5) fachlich richtiger Nichtwissensstatus bei unpassendem Kontext. Als Transfernachweis entwirfst du eine B-Baseline ohne Zugriff auf echte Anlagen. Ein Screenshot allein ist kein ausreichender Nachweis; der Ablauf muss erklärbar und reproduzierbar sein.

Selbsteinschätzung: Auf dem Grundniveau erläutere ich die drei Prüfprinzipien; auf dem Standardniveau implementiere und teste ich die Regel; auf dem Vertiefungsniveau begründe ich Modellgrenzen und kann die Variante wechseln.

OER und Wikipedia

Fachquellen und Quellenstand (Recherche 22.10.2026):

scikit-learn: Common pitfalls and recommended practices, stabile Online-Dokumentation, beim Abruf mit Versionsanzeige 1.9.1; maßgeblich für Datenlecks und die Trennung von Training und Test. Versionsstände und Beispiele können sich ändern.
scikit-learn: TimeSeriesSplit, Online-Dokumentation zum zeitgeordneten Validieren; dieses Einsteigerbeispiel verwendet bewusst eine einfachere feste Aufteilung.
scikit-learn: Novelty and Outlier Detection, Online-Dokumentation zu weiterführenden Verfahren, nicht Voraussetzung für den Offline-Kurs.
Industrial Digital Twin Association: Downloads, Rechercheeinstieg für Kontext und strukturierte Informationen. Der Download-Index ist auffindbar; einzelne aktuelle Spezifikationen konnten bei der Recherche nicht vollständig abgerufen und geprüft werden. Keine verbindliche Norm- oder Freigabeaussage.
Wikipedia: Ausreißer, deutschsprachiger Überblick zur Statistik; Einstieg, keine technische Abnahmenorm.
Vorhandene MOOCwiki-Grundlage, vom Kursauftrag vorgegebener Anknüpfungspunkt, Inhalt extern nicht abrufbar; vor Unterrichtseinsatz eigenständig prüfen.

Quellenversion des Beispiels: Didaktische Labordaten und Programm v1.0, erstellt für diesen Kurs am 22.10.2026. Keine realen Beobachtungen. Ungewiss bleiben Repräsentativität, Grenzwertkalibrierung, Ausfallwahrscheinlichkeiten und jede reale Sicherheitswirkung. Die Primärquellen sind Rechercheeinstiege, nicht automatische Zertifizierungen.

Wikimedia-Commons-Mediennachweise (Dateinamen exakt, Stand 22.10.2026):

Medium	Dateiseite	Urheberschaft	Lizenz
File:Anatomy of a control chart.png	Commons	2140281ChiraagBN	CC BY-SA 4.0
File:ADT ARCH v2.png	Commons	Igabriel85	CC BY-SA 4.0
File:Scale parameter normal distribution.gif	Commons	Fschwarzentruber	CC BY-SA 4.0
File:De-Normalverteilung.ogg	Commons	Jeuwre	CC BY-SA 4.0
File:Confusion Matrix.png	Commons	Humzaashraf97	CC0 1.0

Videonachweis: Ryan & Matt Data Science (2024) und A Data Odyssey (2024) – veröffentlichte Metadaten und Themen geprüft, Rechte liegen bei den Kanalbetreibern; regionale Verfügbarkeit und Einbettungsfreigabe waren technisch nicht vollständig testbar. Keines dieser Videos ist für die Bearbeitung notwendig.

Lizenzhinweis: Die externen Commons-Medien behalten ihre jeweils ausgewiesene Lizenz; bei Weiterverwendung Namensnennung und Lizenzauflagen beachten. Kursaufgaben, CSV-Zahlen und Code sind neu formulierte Übungsbeispiele. Der Unterricht funktioniert auch ohne Bilder, Audio, Animation, YouTube oder LearningApps anhand der gedruckten Tabellen, Beschreibungen und des Quellcodes.

Wikipedia zum Nachlesen (Deutsch):

Verknüpfte Lernbereiche

Industrielle Messtechnik

Informatik

Datenanalyse

aiMOOC-Projekte

Der Kurs kann als fachlich unabhängiges aiMOOC-Übungsprojekt mit versionierten, ausschließlich synthetischen Daten und dokumentierten Testentscheidungen weiterentwickelt werden. Die Projektarbeit dient dem Lernen, nicht einer Zertifizierung oder Anlagenfreigabe.