Die Druckversion wird nicht mehr unterstützt und kann Darstellungsfehler aufweisen. Bitte aktualisiere deine Browser-Lesezeichen und verwende stattdessen die Standard-Druckfunktion des Browsers.

aiMOOC

Praxisprojekt - Maschinenzustände mit KI analysieren

QR-Code

Einleitung

Du entwickelst ein reproduzierbares Analyseportfolio für eine rein fiktive Variantenfertigung. Du erfasst simulierte Sensordaten, prüfst deren Qualität, erkennst Abweichungen, vergleichst ein nachvollziehbares Regelmodell mit einer einfachen KI-orientierten Anomaliebewertung und begründest deine Entscheidungen. Empfehlung: 3. bis 4. Ausbildungsjahr. Voraussetzung sind Z1 bis Z3 oder vergleichbare Kompetenzen in Messwerten, Tabellen und technischen Abläufen. Stimme Projektziel, verfügbare Zeit und Bewertungskriterien mit deiner ausbildenden Person ab.

Projektgrenze: Nur Simulation und Datenauswertung. Keine Verbindung mit realen Maschinen, keine Maschinensteuerung, keine Sicherheitsfreigabe und keine automatisierte Wartungsentscheidung. Alle hier verwendeten Betriebsdaten und Firmen sind synthetisch. Eine Warnung ist eine zu überprüfende Hypothese, keine Diagnose.

Vorwissen aktivieren: Erinnere dich anhand der vorhandenen MOOCwiki-Grundlage an Sensor, Messreihe, Störung und Dokumentation. Der Inhalt dieser verlinkten Seite war beim Rechercheabruf nicht verfügbar; der Kurs setzt daher keine ungeprüften Einzelangaben daraus voraus. Schreibe drei Sätze: Was erfasst ein Sensor? Was ist ein Sollzustand? Warum muss eine KI-Aussage überprüft werden?

Arbeitsmittel: Papier oder Tabellenkalkulation (z. B. LibreOffice Calc), optional eine lokal verfügbare Python-Umgebung; kostenlos, offline und ohne KI-Konto möglich. Dauer: etwa 5 bis 8 Unterrichtseinheiten mit Vertiefung. Ergebnis: Rohdatentabelle, Datenwörterbuch, festgehaltene Modellversion, zeitlich getrennte Prüfung, drei Störfallanalysen, Fehlerversuch und Reflexion.

Bild: Beispiel einer Handhabungsstation, kein Foto unseres synthetischen Betriebs. Quelle: Wikimedia Commons, Shixart1985 / Nenad Stojković, CC BY 2.0; unverändert.

Maschinenzustände, Prozesse und Messwerte verstehen

Vom Produktionskontext zum beobachtbaren Zustand

Unsere erfundene Firma VariWerk fertigt die Varianten A und B auf einer Montageinsel. Ein Materialbehälter kann leer werden, ein Bauteil kann eine Qualitätsabweichung zeigen oder eine begrenzte Prüfkapazität verlängert den Takt. Sensorwerte geben Hinweise, müssen aber zur laufenden Variante und zum Prozessschritt passen.

Zustandsüberwachung (Condition Monitoring) bedeutet, Messwerte zur Beschreibung eines aktuellen Maschinenzustands zu verwenden. Anomalieerkennung sucht unerwartete Muster. Vorausschauende Instandhaltung (Predictive Maintenance) versucht darüber hinaus, Risiken oder Wartungsbedarf vorauszuschätzen; eine auffällige Messung allein belegt noch keinen bevorstehenden Ausfall.

Das reale Smart-Factory-Beispiel von Liebherr, Kundenmagazin 02/2025 beschreibt vernetzte Prozesse und die Bedeutung von Flexibilität bei hoher Variantenvielfalt. Es dient ausschließlich als Recherche- und Diskussionsanlass. VariWerk ist weder Liebherr noch eine Nachbildung realer Firmendaten. Dieser unabhängige Kurs ist keine offizielle Liebherr- oder IHK-Zertifizierung.

Messkanäle und Einheiten

Merkmal	Einheit	Interpretation	Möglicher Mess- oder Kontextfehler
Schwingung	mm/s, vereinfachter Kennwert	Mechanische Beanspruchung im Modellfall	Falscher Montagepunkt oder andere Variante
Temperatur	°C	Thermischer Zustand	Sensorversatz, Aufwärmphase
Ausschuss	Teile je Zeitfenster	Qualitätsindikator	Erfassung nachträglich korrigiert
Materialbestand	Teile	Teileverfügbarkeit vor dem Schritt	Buchung verspätet
Taktzeit	s/Teil	Prozessdauer	Pausen oder Variantenwechsel

In der Praxis müssen Messgröße und zulässige Grenzwerte fachgerecht bestimmt werden. Die hier gewählten Zahlen sind Übungswerte, keine zulässigen Betriebsgrenzen.

Kleiner Datenlogger mit dreiachsigem Beschleunigungssensor an einem Werkzeugmagazin einer CNC-Drehmaschine

Bild: Datenlogger an einer CNC-Drehmaschine, Quelle: Wikimedia Commons, MSRDatenlogger, CC BY-SA 3.0, unverändert. Die Aufnahme veranschaulicht einen Messpunkt; sie ist keine Quelle der Übungszahlen.

Signal, Zeitreihe und Klang

Ein Zeitstempel ordnet Werte einem Zeitpunkt zu. Die Abtastrate beschreibt, wie häufig ein zeitveränderliches Signal gemessen wird; eine kleine Tabelle mit Tagesaggregaten kann hochfrequente Vibrationen gerade nicht ersetzen. Mittelwert, Maximum, Streuung und Verlauf können sich je nach Messintervall unterscheiden. Ein Merkmal ist eine für die Analyse berechnete Kenngröße; das Label ist eine im Beispiel bekannte Zustandsklasse.

Animation eines zeitlich verschobenen Signals mit dazugehöriger Fourier-Transformation

Animation: Fourier-Transformation eines zeitlich verschobenen Signals, Davidjessop, CC BY-SA 4.0. Eine Spektralanalyse kann periodische Schwingungen aufschlüsseln, ist aber für die folgende Übung nicht nötig.

Audio zum bewussten Beobachten: Klang einer historischen Hobelmaschine, Work With Sounds / Konrad Gutkowski und Julian Blaschke, CC BY 4.0. Vergleiche subjektive Höreindrücke und messbare Werte: Ein Klang allein erlaubt weder eine sichere Fehlerdiagnose noch einen Vergleich mit den synthetischen Zahlen. Ohne externe Medien: Beschreibe statt des Anhörens, warum Geräusch, Temperatur und Taktzeit unterschiedliche Beobachtungen sind.

Ein synthetisches Datenset reproduzierbar auswerten

Rohdaten: unveränderte Ausgangsbasis

Alle Daten wurden eigens als fiktionale Unterrichtswerte formuliert; sie bilden keine reale Anlage ab. Ein Tag steht stellvertretend für ein festes Messfenster. Die Zeilen müssen chronologisch geordnet und mit Einheiten, Varianten, fehlenden Werten und bekannten Ereignissen erhalten bleiben.

Datum 2026	Variante	Schwingung mm/s	Temperatur °C	Ausschuss	Bestand	Takt s	Bekannter Zustand
01.10.	A	1,8	42	1	6	15	Normal
02.10.	A	2,0	43	1	5	15	Normal
03.10.	A	2,1	44	2	5	16	Normal
04.10.	A	2,1	44	1	4	16	Normal
05.10.	A	2,4	46	2	5	17	Normal
06.10.	A	2,5	47	4	5	17	Qualitätsabweichung, schwach
07.10.	A	2,1	44	1	5	15	Normal
08.10.	A	2,0	43	1	0	21	Teilemangel
09.10.	A	2,8	49	6	5	17	Qualitätsabweichung
10.10.	A	2,3	47	1	5	24	Ressourcenengpass
11.10.	B	2,7	45	2	6	17	Normal, andere Variante
12.10.	A	fehlt	50	5	5	18	Qualitätsabweichung plus Sensorausfall

Maschinenlesbare Rohdaten (Trennzeichen Semikolon, Dezimalpunkt):

datum;variante;vibration_mm_s;temperatur_C;ausschuss;bestand;takt_s;label
2026-10-01;A;1.8;42;1;6;15;normal
2026-10-02;A;2.0;43;1;5;15;normal
2026-10-03;A;2.1;44;2;5;16;normal
2026-10-04;A;2.1;44;1;4;16;normal
2026-10-05;A;2.4;46;2;5;17;normal
2026-10-06;A;2.5;47;4;5;17;qualitaet_schwach
2026-10-07;A;2.1;44;1;5;15;normal
2026-10-08;A;2.0;43;1;0;21;teilemangel
2026-10-09;A;2.8;49;6;5;17;qualitaet
2026-10-10;A;2.3;47;1;5;24;engpass
2026-10-11;B;2.7;45;2;6;17;normal
2026-10-12;A;;50;5;5;18;qualitaet_sensorausfall

Speichere diesen Block als variwerk_roh_v1.csv in UTF-8, unverändert. Das leere Feld am 12.10. ist absichtlich kein Nullwert. Erstelle zusätzlich datenwoerterbuch_v1 mit Typ, Einheit, Herkunft „Simulation“, zulässigem Fehlwert und Interpretation jeder Spalte. Halte die Kennzeichnung als Übung dauerhaft fest.

Datensplitting ohne Zukunftswissen

Ein zeitlich getrennter Test verhindert, dass Informationen aus der späteren Prüfphase in das Modell gelangen. Lege vor einer Ergebnisanalyse die Zeitfenster fest:

Training: 01.–04.10.2026 – nur normale Variante A, Referenzzustand.
Validierung: 05.–06.10.2026 – Schwellenwahl und Nachdenken über schwache Abweichungen; keine finale Leistungszahl.
Test: 07.–12.10.2026 – endgültige, vorher unberührte Beurteilung mit drei klaren Störfällen, Variantenwechsel und fehlendem Sensorwert.

Datenleckage liegt etwa vor, wenn du den Mittelwert über alle zwölf Tage bestimmst und ihn dann als angeblich vorher bekanntes Referenzniveau im Test benutzt. Auch eine nach Betrachtung des Tests geänderte Schwelle macht das Ergebnis nicht mehr zu einem unverfälschten Test. Ein Prüfdatensatz mit nur sechs Zeilen lässt keine verlässliche Aussage über die Leistung in einer echten Fabrik zu.

Datenqualität zuerst prüfen

Prüfe in genau dieser Reihenfolge: richtige Spalten und Einheiten, gültige Zeitstempel, doppelte Zeilen, fehlende Werte, Variantenwechsel, Plausibilität, Herkunft und Labelqualität. Am 12.10. fehlt der Schwingungswert: notiere nicht messbar, statt 0 einzutragen. Am 11.10. ist Variante B vorhanden; ein nur mit Variante A gebildeter Vergleich kann einen falschen Alarm auslösen. Prüfe, ob ein Qualitätslabel tatsächlich aus unabhängigen Kontrolldaten stammt; hier ist es allein Teil der synthetischen Versuchsanordnung.

Reproduzierbarkeit heißt: Die gleiche Rohdatei, dieselben Verarbeitungsschritte und dieselbe Modellversion müssen bei der gleichen Person denselben Bericht ergeben. Dokumentiere eine Version Analyse v1.0, verwendete Software, Zeitfenster, Schwellen, Änderungen und die Begründung jeder Korrektur. Bewahre Rohdaten getrennt von bearbeiteten Daten auf.

Abweichungen mit einfachen und KI-orientierten Verfahren erkennen

Geführtes Referenzmodell

Starte mit einem prüfbaren regelbasierten Vergleichsmodell R1. Dieses ist noch keine trainierte KI, sondern eine transparente Ausgangslinie. Setze einen Warnhinweis, wenn mindestens eines gilt: Schwingung größer als 2,6 mm/s, Temperatur größer als 48 °C, Ausschuss größer als 4, Bestand kleiner als 2 oder Taktzeit größer als 20 s. Diese Schwellen sind ausschließlich didaktische Annahmen und müssen bei realer Technik unabhängig validiert werden. Fehlende Messwerte erhalten zusätzlich das Flag Datenqualität eingeschränkt; ein anderer auffälliger Wert kann weiterhin einen Warnhinweis begründen.

Geführtes Beispiel: Am 08.10. beträgt der Bestand 0 und die Taktzeit 21 s. R1 meldet eine Abweichung; im synthetischen Protokoll ist Teilemangel als Ursache angegeben. Ein Rechenweg ist: Flag_Bestand = wahr, Flag_Takt = wahr, weitere Flags = falsch, Gesamtalarm = wahr. Ein Alarm zeigt jedoch nicht, welches Signal Ursache und welches Folge ist.

Am 09.10. erklären 2,8 mm/s, 49 °C und 6 Ausschussteile den Warnhinweis; die künstliche Referenz benennt Qualitätsabweichung. Am 10.10. überschreitet ausschließlich 24 s die festgelegte Taktschwelle; im Fall ist die begrenzte Prüfkapazität maßgeblich. Erkläre bei jeder Zeile mindestens zwei alternative Hypothesen, zum Beispiel Sensorfehler statt Verschleiß oder Variantenwechsel statt Störung.

KI-orientierte Erweiterung: Lernen vom Normalzustand

Maschinelles Lernen findet Regeln oder Muster aus Beispielen. Bei wenig oder keinen Fehlerlabels ist ein Ein-Klassen-Modell möglich: Es lernt nur reguläre Werte und markiert später weit entfernte Beobachtungen. Als offline nachvollziehbare Annäherung berechne je Merkmal einen Abstand vom typischen Trainingswert. Beispiel: Trainingsmedian der Schwingung aus 1,8; 2,0; 2,1; 2,1 beträgt 2,05 mm/s. Bei einer neuen Messung von 2,8 mm/s beträgt der absolute Abstand 0,75 mm/s. Weil die Merkmale unterschiedliche Einheiten haben, sind Abstände ohne Skalierung nicht vergleichbar.

Einfache nachvollziehbare Modellsimulation M1: Berechne in der Trainingsphase für jede numerische Spalte den Median und die Spannweite. Lege vor dem Test pro Merkmal ein Mindestmaß für die Skalierung fest, um Division durch Null zu verhindern. Beispielhaft für Schwingung: Distanz = absoluter Abstand zu 2,05 / 0,3. Bei 2,8 ergibt dies 2,5 (dimensionslos). Prüfe mit Validierungsdaten, welcher Warnwert sinnvoll sein könnte. Wende ihn anschließend unverändert auf den Test an. Bei Bestand, Takt und Ausschuss sind die fachlich motivierten Flags aus R1 oft verständlicher: Vergleiche also hybrid den Lernabstand mit Prozesswissen, anstatt das Wort KI mit einer unsicheren Zahl zu verwechseln.

Vertiefung: Implementiere optional lokal einen Isolation Forest oder einen robusten Anomaliescore, trainiert ausschließlich auf dem Trainingsfenster. Trenne Vorverarbeitung, Skalierung, Modellauswahl und Test. Benenne Softwareversion, zufälligen Startwert und Annahmen. Wegen der winzigen Stichprobe ist hier kein praxistauglicher KI-Nachweis möglich. Wer nicht programmiert, kann die vollständige Auswertung mit Papier oder Calc vornehmen.

Bild: Zeitlicher Verlauf und Beschleunigung, Stannered, CC BY-SA 3.0 beziehungsweise weitere auf der Dateiseite ausgewiesene Freigaben. Die schematische Grafik ist keine echte Maschinendiagnose.

Warum ein Modell nicht die letzte Instanz ist

Eine hohe Warnzahl kann durch falsch gemessene Daten, andere Betriebsmodi oder echte Abweichungen entstehen. Falsch positiv bedeutet Warnung trotz Normalzustand; falsch negativ bedeutet eine übersehene wirkliche Abweichung. Sensitivität und Präzision hängen davon ab, was als Störung gilt und wie ehrlich die Labels sind. Bei einer unklaren Datenlage lautet die technische Aussage nicht „Maschine defekt“, sondern beispielsweise „abweichendes Muster, weitere Prüfung nötig“.

Video zur freiwilligen Vertiefung: igus/Güdel: Condition Monitoring bei Linearrobotern, mit auf der Anbieterseite genanntem YouTube-Video ansehen. Anbieterbeispiel, nicht unabhängig geprüfter Leistungsnachweis und nicht zur Übernahme von Betriebsschwellen geeignet. Video ohne YouTube: Lies die Textdarstellung der igus-Pressemitteilung und skizziere den beschriebenen Weg Sensor → Datenübertragung → Analyse → menschliche Bewertung. Externe Wiedergabe, Alters- und Datenschutzeinstellungen können sich ändern.

Drei Störfälle und die zeitlich getrennte Prüfung

Testprotokoll ohne Nachjustieren

Halte Modell R1 v1.0 unverändert fest, bevor du die Testtage bewertest. Vergleiche Alarm und bekanntes synthetisches Label für den Zeitraum 07.–12.10. Der Zustand „normal“ zählt als negativ, jeder der vier Fehlerzustände als positiv.

Testtag	Bekannter Fall	R1-Alarm	Bewertung	Erklärung
07.10.	Normal A	Nein	Richtig negativ	Keine Grenze überschritten
08.10.	Teilemangel	Ja	Richtig positiv	Bestand und Takt auffällig
09.10.	Qualitätsabweichung	Ja	Richtig positiv	Schwingung, Temperatur, Ausschuss auffällig
10.10.	Ressourcenengpass	Ja	Richtig positiv	Taktzeit auffällig
11.10.	Normal B	Ja	Falsch positiv	Schwingung über A-Schwelle durch Variante B
12.10.	Qualität plus Sensorausfall	Ja	Richtig positiv mit Vorbehalt	Temperatur und Ausschuss auffällig, Schwingung fehlt

Die Konfusionsmatrix enthält damit vier richtig positive, ein falsch positives, ein richtig negatives und null falsch negative Ergebnisse. Die Präzision im künstlichen Minibeispiel ist 4/(4+1) = 80 %, die Sensitivität 4/(4+0) = 100 %. Die Angaben sind beschreibende Übungswerte und wegen sechs Testfällen statistisch sehr unsicher. Hohe Sensitivität hier beweist weder Fehlerfreiheit noch Eignung für den Betrieb.

Störfälle nachvollziehbar unterscheiden

Störfall Teilemangel (08.10.): Der Bestand ist leer; die verlängerte Taktzeit kann dadurch erklärt werden. Prüfe, ob eine verspätete Buchung dieselbe Beobachtung hervorrufen würde. Im Portfolio notierst du Ursache als synthetisch vorgegeben, alternative Hypothese und offene Bestätigungsprüfung.

Störfall Qualitätsabweichung (09.10.): Ausschuss, Wärme und Schwingung steigen. Die gemeinsame Änderung ist ein Warnsignal, aber keine bewiesene Kausalfolge. Zusätzlich zeigt die Validierungszeile 06.10. eine schwache Qualitätsabweichung ohne R1-Alarm: Ein Fehler kann trotz bestandener Testrechnung übersehen werden.

Störfall Ressourcenengpass (10.10.): Die Taktzeit wächst, während Schwingung und Ausschuss im festgelegten R1-Vergleich unauffällig bleiben. Prüfe, ob der Engpass außerhalb der betrachteten Maschine liegt, etwa an einem belegten Prüfplatz. Die vermeintliche „Maschinenstörung“ wäre dann eine Prozessstörung.

Bewusster Fehlerfall (11.10.): Variante B überschreitet die Schwingungsschwelle, obwohl das unabhängige Label „normal“ lautet. Begründe den Fehlalarm durch nicht repräsentative Trainingsdaten und skizziere eine spätere, ausschließlich auf neuen Trainingsdaten entwickelte variantenbezogene Lösung. Die bereits festgehaltene Testleistung darfst du rückwirkend nicht verbessern.

Unsicherheit transparent berichten

Trenne Messunsicherheit (Sensor, Auflösung, fehlender Wert), Datenunsicherheit (Stichprobe, Auswahl, Labels), Modellunsicherheit (Schwellen, Varianz, Variantenwechsel) und Entscheidungsunsicherheit (Kosten von Fehlalarm und übersehenem Schaden). Ergänze: „R1 erkannte im synthetischen Test alle vier als abweichend gelabelten Fälle, erzeugte aber einen Fehlalarm bei B; eine reale Generalisierung ist nicht nachgewiesen.“ Eine verantwortliche Handlung im Modellfall ist die Meldung an eine fachkundige Person zur Prüfung, niemals die Steuerung einer Anlage.

Analyseportfolio erstellen und gemeinsam bewerten

Aufbau des Lernprodukts

Gib ein Verzeichnis oder gebündeltes Portfolio mit diesen Bestandteilen ab:

Rohdaten: variwerk_roh_v1.csv, unverändert; Herkunft und Synthetikhinweis.
Datenverständnis: Datenwörterbuch, Einheiten, Zeitfenster, Varianten und fehlende Werte.
Verarbeitung: Tabellenschritte beziehungsweise offen dokumentierte lokale Formeln mit Version.
Modell: R1 v1.0 und optional M1, vor dem Test festgelegte Schwellen und Begründungen.
Evaluation: datumsgetrennter Test, Matrix, Rechnung, drei Störfallblätter und der falsche Alarm.
Verantwortung: Unsicherheiten, Fehlerfall, Grenzen und Entscheidung in eigener Sprache.
Quellen: Abrufdatum, Versionsstand, Autoren, Lizenz und Abweichungen vom fiktiven Modell.

Hilfe: Beginne mit den drei Einzelereignissen 08., 09. und 10.10.; markiere Grenzüberschreitungen farblich. Standard: Vergleiche alle sechs Testzeilen. Anspruchsvolle Vertiefung: Untersuche, wie stark die Leistung bei einem zusätzlichen normalen B-Tag und bei zwei weiteren falsch negativen Fällen sinken würde, ohne den Originaltest umzuschreiben.

Zwei Achsen statt einer einzigen Gütezahl

Zukunftsakzent: Beurteile Datenqualität und Modellleistung gemeinsam. Ein exaktes Modell auf fehlerhaften Signalen kann irreführend sein; perfekte Daten machen ein schlecht generalisierendes Modell nicht automatisch gut.

Prüfbereich	Leitfrage	Konkreter Nachweis
Datenqualität	Sind vollständige, plausible und variantenbezogene Messwerte vorhanden?	12.10. fehlt ein Sensorwert; 11.10. wechselt die Variante
Modellleistung	Wie gut stimmt der eingefrorene Alarm mit unabhängigen Labels überein?	4 Treffer, 1 Fehlalarm und 1 korrekt normaler Fall
Begründete Entscheidung	Darf aus einem Alarm eine konkrete Ursache oder Freigabe abgeleitet werden?	Nein; nur dokumentierte Hypothese und menschliche Prüfung

Ein Ampelsystem für Unterrichtszwecke kann grün nur für vollständig dokumentierte Befunde, gelb für unsichere Interpretationen und rot für fehlende Daten oder ungeprüfte Generalisierung verwenden. Diese Ampel darf keine echte Maschinenfreigabe auslösen. Prüfe alle drei Bereiche anhand mindestens einer konkreten Zeile und begründe deine Gesamteinschätzung unabhängig von der Zahl „100 % Sensitivität“.

Transfer, Teamgespräch und Quellenkritik

Präsentiere fünf Minuten lang die wichtigsten Befunde. Eine Person übernimmt die Rolle der Qualitätssicherung und fragt nach dem 11.10.; eine zweite prüft die Datenlücke am 12.10.; eine dritte hinterfragt den sehr kleinen Testumfang. Antworte ohne zu behaupten, das System sei sicher oder die fiktiven Labels seien bewiesene Tatsachen.

Rechercheeinordnung: Der NIST AI Risk Management Framework-Ansatz unterstützt das strukturierte Denken über Risiken, Messung und menschliche Verantwortung. Die angegebene Publikation NIST AI 600-1, Juli 2024 bezieht sich speziell auf generative KI und ist daher keine technische Norm oder Freigabe für industrielle Sensordiagnostik. Vergleiche Aussagen mit dem TU-Dresden-Demonstrator zur Anomalieerkennung und trenne Forschungspraxis von unseren vereinfachten Modellannahmen.

Interaktive Aufgaben

Quiz: Wissen überprüfen

Warum muss der abschließende Test nach der Trainingsphase liegen? (Damit das Modell nicht mit Informationen aus seiner späteren Prüfung vorbereitet wird) (!Damit im Test stets höhere Temperaturen auftreten) (!Damit alle Messwerte automatisch fehlerfrei werden) (!Damit keine menschliche Bewertung mehr nötig ist)

Was bedeutet der leere Schwingungswert am 12.10.? (Der Messwert fehlt und darf nicht stillschweigend als null behandelt werden) (!Die Schwingung betrug sicher null Millimeter pro Sekunde) (!Die Maschine stand nachweislich still) (!Die Temperaturmessung ist deshalb immer ungültig)

Was lässt sich aus dem gleichzeitigen Anstieg von Ausschuss und Schwingung sicher ableiten? (Es gibt eine auffällige gemeinsame Beobachtung, aber noch keine bewiesene Ursache) (!Der Beschleunigungssensor hat den Ausschuss verursacht) (!Die Maschine ist sicher unmittelbar vor einem Ausfall) (!Die Störung ist ohne weitere Prüfung sicher freigegeben)

Welches Ereignis steht im synthetischen Datensatz für Teilemangel? (Ein leerer Bestand bei zugleich verlängerter Taktzeit) (!Eine allein verkürzte Taktzeit bei vollem Bestand) (!Eine andere Variante ohne Auffälligkeiten) (!Ein fehlender Zeitstempel bei unverändertem Bestand)

Was verursacht bei R1 den Fehlalarm am 11.10.? (Ein normaler Variantenwechsel außerhalb der Trainingsrepräsentation) (!Ein dokumentierter Materialbestand von null) (!Sechs nachgewiesene Ausschussteile) (!Eine gemessene Temperatur über fünfzig Grad)

Was ist im Projekt ein richtig positiver Fall? (Ein als gestört gelabelter Testtag mit ausgelöstem Alarm) (!Ein normaler Testtag mit ausgelöstem Alarm) (!Ein gestörter Testtag ohne ausgelösten Alarm) (!Eine Trainingszeile ohne bekannte Zustandsklasse)

Welche Aussage zum Modell R1 ist fachlich korrekt? (R1 ist eine nachvollziehbare regelbasierte Vergleichslinie und nicht bereits ein trainiertes KI-Modell) (!Jede Schwellenregel ist automatisch tiefes maschinelles Lernen) (!R1 benötigt in jeder Anwendung einen Cloudzugang) (!R1 liefert aus sich heraus eine Sicherheitsfreigabe)

Warum sind 100 Prozent Sensitivität in sechs Testfällen kein Sicherheitsnachweis? (Die winzige und synthetische Stichprobe deckt reale Varianten und seltene Fälle nicht ab) (!Sensitivität beschreibt ausschließlich die Datenübertragung) (!Eine hohe Sensitivität verbietet zusätzliche Messungen) (!Weil Sensitivität nie aus Testdaten berechnet werden kann)

Was gehört zwingend zu einem reproduzierbaren Portfolio? (Unveränderte Rohdaten, feste Zeitfenster, Modellversion und dokumentierte Auswertung) (!Nur ein fertiges Diagramm ohne Angaben zur Herkunft) (!Nur die höchste erreichte Genauigkeitszahl) (!Ein ohne Versionsangabe laufend geänderter Grenzwert)

Wie sollte man nach einem Alarm in dieser Lernsimulation handeln? (Eine begründete Hypothese dokumentieren und eine menschliche fachliche Prüfung vorsehen) (!Die reale Maschine ohne Freigabe automatisch stoppen) (!Den Alarm grundsätzlich als bewiesenen Defekt bezeichnen) (!Alle fehlenden Sensorwerte durch alarmfreie Werte ersetzen)

Memory

Zeitreihe	Messwerte in chronologischer Folge
Sensordrift	Langsame systematische Verschiebung eines Messsignals
Datenleckage	Verbotene Nutzung späterer Prüfinformation im Lernschritt
Fehlalarm	Warnung trotz tatsächlich normalem Zustand
Median	Mittlerer Wert einer sortierten Zahlenreihe
Reproduzierbarkeit	Gleiches Ergebnis bei gleichen dokumentierten Eingaben

Drag-and-Drop

Ordne den passenden Begriff zu.	Beobachtung aus der Fallstudie
Materialengpass	Leerer Behälter mit verzögertem Arbeitsschritt
Qualitätsabweichung	Erhöhter Ausschuss und mehrere auffällige Signale
Kapazitätsgrenze	Verlängerter Takt wegen belegter Prüfressource
Variantenwechsel	Normale andere Produktart löst einen Fehlalarm aus
Sensorausfall	Ein Messfeld bleibt leer und benötigt Kennzeichnung

Kreuzworträtsel

Sensor	Bauteil zur Erfassung einer physikalischen Messgröße
Median	Mittlerer Wert einer geordneten Zahlenfolge
Anomalie	Auffälligkeit außerhalb eines erwarteten Musters
Prognose	Begründete Vorhersage eines möglichen künftigen Zustands
Rohdaten	Noch nicht interpretierte Ausgangswerte einer Erfassung
Validierung	Prüfung zur Auswahl und Einstellung eines Modells vor dem Abschlusstest

LearningApps

Suche weitere Übungen zum Thema; ein gefundenes Angebot ist nicht automatisch fachlich geprüft. Ohne Internet kannst du die Zuordnungen dieses Kurses auf Papier bearbeiten.

Lückentext

Messwerte mit Datum und Uhrzeit bilden eine

.

Die ursprüngliche Tabelle wird als

unverändert aufbewahrt.

Die ersten vier Tage dienen in dieser Übung dem

.

Vor dem endgültigen Test hilft die

bei der Modellwahl.

Eine Warnung bei tatsächlich normalem Zustand heißt

.

Ein fehlender Wert darf nicht willkürlich als

gedeutet werden.

Die Mitte einer sortierten Zahlenreihe heißt

.

Eine unerwartete Abweichung vom Muster ist eine

.

Die Nachvollziehbarkeit gleicher Auswertungen heißt

.

Ein Modell allein ersetzt keine menschliche

.

Offene Aufgaben

Leicht

Sensor: Erstelle ein Glossar für Schwingung, Temperatur, Ausschuss und Taktzeit mit passenden Einheiten und jeweils einem Messproblem.
Zeitreihe: Übertrage die zwölf synthetischen Rohdatenzeilen exakt in eine Tabelle und markiere den fehlenden Wert.
Datenqualität: Formuliere fünf Prüffragen zu Zeitstempel, Einheiten, Varianten, Lücken und Labels.
Anomalie: Kennzeichne die drei klaren Störfälle im Datensatz und beschreibe ihre Beobachtungen ohne eine Ursache zu behaupten.

Standard

Datenaufbereitung: Dokumentiere eine von der unveränderten Rohdatei getrennte Arbeitstabelle mit allen berechneten Alarm-Flags.
Trainingsdaten: Teile die Zeitreihe in Training, Validierung und Test; erläutere, weshalb das Datum Teil des Versuchsplans ist.
Konfusionsmatrix: Berechne Präzision und Sensitivität für R1 im Test und erkläre den Einfluss eines einzigen Fehlalarms.
Qualitätsmanagement: Schreibe für jeden der drei Störfälle einen Kurzbericht mit Beobachtung, Alternativhypothese und Prüfbedarf.

Schwer

Anomalieerkennung: Vergleiche R1 mit einem transparenten distanzbasierten Ein-Klassen-Score; begründe Skalierung, Schwelle und verbleibende Unsicherheit.
Maschinelles Lernen: Entwickle einen Plan für zusätzliche Trainingsdaten der Variante B, ohne den historischen Test nachträglich zu verändern.
Fehleranalyse: Untersuche den Fehlalarm vom 11.10. und den fehlenden Sensorwert vom 12.10.; diskutiere mögliche Falschnegativfälle und Gegenmaßnahmen.
Technikfolgenabschätzung: Präsentiere ein Entscheidungsprotokoll, das Datenqualität, Modellleistung, Fehlalarmkosten und menschliche Zuständigkeit gemeinsam abwägt.

Lernkontrolle

Zeitliche Validierung: Beweise anhand der Zeilen, dass am 11.10. kein Label zur Festlegung der ursprünglichen Schwellwerte genutzt werden durfte.
Datenqualität: Zeige, wie ein fälschlich eingetragener Nullwert am 12.10. eine Mittelwert- oder Distanzberechnung verändert.
Anomalieerkennung: Erläutere, warum eine hohe Schwingung bei Variante B nicht zwangsläufig einen defekten Antrieb bedeutet.
Qualitätsprüfung: Stelle Beobachtungen, Modelleingaben, künstlich vorgegebene Labels und nicht belegte Ursachen in getrennten Spalten dar.
Modellbewertung: Berechne aus vier richtigen Warnungen und einer Fehlwarnung die Präzision und beschreibe, warum sie unsicher ist.
Risikomanagement: Begründe eine konservative Meldung an Fachpersonal, ohne Sicherheits- oder Produktionsfreigabe abzuleiten.

Lernnachweis

Abzugeben ist ein Analyseportfolio v1.0 mit vollständig erhaltener CSV-Rohdatenbasis, Datenwörterbuch, kommentierter Verarbeitung, Zeitfensteraufteilung, eingefrorener Modelllogik, sechs Testurteilen, nachvollziehbarer Konfusionsmatrix, drei Störfallprotokollen, begründetem Fehlalarm am 11.10. und Unsicherheitsabschnitt. Die separate mündliche oder schriftliche Erläuterung beantwortet insbesondere: Warum reicht weder gute Datenqualität allein noch hohe Modellleistung allein aus?

Bewertungsraster (Vorschlag, mit Ausbildenden abstimmen): Datennachvollziehbarkeit 25 %, Zeittrennung und Modelltransparenz 25 %, Störfallprüfung und Fehlermeldung 25 %, Quellenkritik und argumentierte Entscheidung 25 %. Anspruchsvolle Vertiefung zählt nur bei nachvollziehbarer Methodik. Keine realen Maschinenversuche, kein Einreichen personenbezogener Daten.

OER und Wikipedia

Quellen- und Medienstand: 22.10.2026. Diese Zusammenstellung ist keine Garantie künftiger Videoabrufbarkeit. Prüfe externe Materialien vor ihrer Verwendung erneut und sichere für die Offline-Arbeit nur Inhalte, deren Nutzungsbedingungen das erlauben. Die verlinkte Ausgangsseite MOOCwiki-Grundlage war automatisiert nicht lesbar; deshalb wurden keine Einzelbehauptungen über sie übernommen.

Liebherr, „Unser Weg zur Smart Factory“, Kundenmagazin 02/2025; Praxisbeschreibung, keine Datenquelle für VariWerk.
NIST AI 600-1, „AI RMF: Generative AI Profile“, Ausgabe Juli 2024, DOI 10.6028/NIST.AI.600-1; Risikoperspektive, auf generative KI fokussiert und nicht spezifische Industriemaschinennorm.
NIST AI RMF, Rahmenwerk zu vertrauenswürdiger KI; Versionsstand auf der jeweiligen offiziellen Seite nachlesen.
TU Dresden: Anomalieerkennung an Komponenten, Projektbeispiel von Sensorik und KI, dokumentierte Seite 2023.
Fraunhofer ITWM: Condition Monitoring und Predictive Maintenance, Forschungs- und Praxisüberblick, online geprüft 22.10.2026.
Wikipedia: Maschinelles Lernen und Wikipedia: Zeitreihe als frei zugängliche Einführungen; Community-Inhalte kritisch prüfen.

Ohne externe Medien: Die Begriffserklärungen, synthetische CSV und Aufgabenstellungen auf dieser Kursseite reichen für sämtliche verpflichtenden Ergebnisse.

Wikimedia-Commons-Mediennachweise – überprüfte Dateiseiten:

Datei	Urheberschaft	Lizenz	Original und Beschreibung
Robot arm picks up cylindrical objects in a factory setting.jpg	Shixart1985 / Nenad Stojković	CC BY 2.0	Robotik-Foto; Alternativtext in der Bildeinbindung
Datalogger (MSR165) measuring vibrations on a tool carousel of a CNC lathe.jpg	MSRDatenlogger	CC BY-SA 3.0	Foto des Messaufbaus; Alternativtext in der Bildeinbindung
Acceleration.svg	Stannered	CC BY-SA 3.0 (unter weiteren auf Commons dokumentierten Lizenzen)	Schema einer zeitabhängigen Bewegung
Fourier transform - time shifted signal.gif	Davidjessop	CC BY-SA 4.0	Animation zur Fourier-Transformation; Textalternative im Lehrkapitel
WWS Planingmachine.ogg	Work With Sounds / Konrad Gutkowski und Julian Blaschke	CC BY 4.0	Maschinenklang, mit textbasierter Alternative

Video: igus/Güdel: intelligentes Condition Monitoring, thematisch ausgewiesen in igus-Presseinformation, 05.03.2020; Rechte an der Wiedergabe verbleiben beim jeweiligen Rechteinhaber, Einbettung kann je nach Plattformstatus eingeschränkt sein. Keine Medien wurden für diesen Kurs neu erzeugt.