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

aiMOOC

Zustandsüberwachung und vorausschauende Wartung – Daten für Zustandsmodelle vorbereiten

QR-Code

Zustandsüberwachung und vorausschauende Wartung – Daten für Zustandsmodelle vorbereiten

Einleitung

Kurzbeschreibung: Einheit, Zeitbezug und fehlende Werte: Du lernst, wie Du fiktive Sensordaten prüfst und für ein Zustandsmodell vorbereitest.

Zielgruppe: Ausbildung in Mechatronik, Industriemechanik, Elektronik und technischen IT-Berufen.

Lernzeit: ca. 75–90 Minuten, aufgeteilt in kurze Lerneinheiten.

Lernziele: Du kannst Messgrößen und Einheiten unterscheiden, Zeitstempel vereinheitlichen, fehlende Messwerte erkennen und geeignete Verarbeitungsschritte begründen.

Merksatz: Erst Datenqualität prüfen, dann Modelle entwickeln.

Abbildung: Elektromotor als Anschauungsobjekt. Quelle: Biogons, Wikimedia Commons, CC BY-SA 4.0. Kein Foto der fiktiven Übungsanlage.

Sicheres Lernlabor

Alle Messdaten und Maschinenbezeichnungen sind erfunden. Du arbeitest ausschließlich auf Papier, in einer lokalen Tabellenkalkulation oder in einer ausdrücklich autorisierten Testumgebung. Verwende keine Produktivanlagen, fremden Netze, Zugangsdaten oder Kundendaten. Übertrage keine Daten ungefragt an externe Dienste.

YouTube und LearningApps sind optionale Drittangebote. Ihre Nutzung kann technische Verbindungsdaten an die jeweiligen Anbieter übermitteln. Für die Übungen benötigst Du diese Angebote nicht.

Lernpfad

Lerneinheit	Schwerpunkt	Dauer
A	Einheiten richtig verstehen	10 Minuten
B	Zeitstempel vereinheitlichen	10 Minuten
C	Fehlende Werte erkennen und behandeln	15 Minuten
D	Datenaufbereitung kontrollieren	10 Minuten
E	Interaktives Modell, Aufgaben und Lernkontrolle	30–45 Minuten

Ausbildungsfall: Förderbandmotor M-17

Du unterstützt die Instandhaltung einer fiktiven Ausbildungswerkstatt.

Der Förderbandmotor M-17 wird alle fünf Minuten überprüft. Ein Temperatursensor liefert die Motortemperatur. Ein zweiter Messkanal enthält einen Schwinggeschwindigkeits-Kennwert in mm/s RMS.

Beschleunigungssensor als Beispiel für Schwingungssensorik. Quelle: Aerom, Wikimedia Commons, CC BY-SA 3.0. Beschleunigung und Schwinggeschwindigkeit sind unterschiedliche Messgrößen.

Dein Auftrag: Bereite die folgenden Daten so auf, dass sie als nachvollziehbare Eingabedaten für ein späteres Zustandsmodell dienen können.

Rohdaten: vollständig fiktiv

Messdatum: 21. April 2026

Zeitstempel in UTC	Temperatur	Schwinggeschwindigkeit
08:00	318,15 K	1,2 mm/s
08:05	46 °C	1,3 mm/s
08:10	320,15 K	fehlend
08:15	48 °C	1,5 mm/s
08:20	49 °C	0,0 mm/s
08:25	50 °C	1,7 mm/s

Zusatzinformation: In einer zweiten fiktiven Datei steht außerdem der Zeitstempel 2026-04-21T10:10:00+02:00. Du musst feststellen, ob er einen neuen Messzeitpunkt beschreibt.

Wichtig: Die Zahlen sind ausschließlich Übungswerte. Sie erlauben keine Diagnose eines tatsächlichen Maschinenschadens und definieren keine sicherheitstechnischen Grenzwerte.

Lerneinheit A: Einheiten prüfen

Beispiel eines Pt100-Temperatursensors. Quelle: Bitjungle, Wikimedia Commons, CC BY-SA 4.0.

Kurzinput

Ein Sensor erfasst eine physikalische Messgröße. Bevor Du Messwerte vergleichst, müssen ihre Einheiten eindeutig sein.

Temperaturumrechnung:

$t_{^{\circ} C} = T_{K} - 273,15$

Beispiele:

Rohwert	Temperatur in °C
318,15 K	45 °C
320,15 K	47 °C

Kelvin-Temperaturskala. Quelle: Mifsud26/Em3rgent0rdr, Wikimedia Commons, CC0.

Achtung: m/s² misst Beschleunigung; mm/s misst Geschwindigkeit. Das sind keine durch bloße Präfixumrechnung austauschbaren Größen. Auch RMS-Werte und Spitzenwerte dürfen nicht ohne Weiteres vermischt werden.

Fachquelle: PTB: Das Kelvin

Basisaufgabe A

Rechne 318,15 K in Grad Celsius um.

Hilfe 1: Suche die Umrechnungsformel.

Hilfe 2: Ziehe 273,15 vom Kelvinwert ab.

Musterlösung und Feedback: 45 °C. Die Rechnung ist korrekt, weil die beiden Temperaturskalen einen festen Nullpunktabstand von 273,15 besitzen. Eine bloße Umbenennung der Einheit wäre falsch.

Lerneinheit B: Zeitbezug herstellen

Zeitzonenkarte zur Orientierung. Quelle: Goran tek-en, Wikimedia Commons, CC BY-SA 4.0. Eine statische Karte ersetzt keine Prüfung der gültigen Sommerzeitregeln.

Kurzinput

Ein Zeitstempel beschreibt den Zeitpunkt einer Messung.

Prüfe: Datum, Uhrzeit, Zeitzone, Messabstand, Reihenfolge und mögliche doppelte Einträge.

Beispiel:

2026-04-21T10:10:00+02:00

entspricht

2026-04-21T08:10:00Z.

Das Zeichen Z kennzeichnet UTC. Beide Angaben beschreiben denselben Zeitpunkt.

Eine Uhrzeit ohne Zeitzoneninformation ist dagegen nicht automatisch UTC. Du musst zuerst die Herkunft klären.

Demonstration: „Synchronizing Time-Series Data Using MATLAB“, MATLAB, 2020. Beobachte besonders die Synchronisierung unterschiedlich abgetasteter Daten. Anbietergebundenes Demonstrationsvideo, keine unabhängige Norm.

Anwendungsaufgabe B

Entscheide, ob die beiden Zeitstempel für 08:10 UTC und 10:10 mit dem Offset +02:00 getrennte Messzeitpunkte sind.

Hilfe 1: Unterscheide angezeigte Uhrzeit und absoluten Zeitpunkt.

Hilfe 2: Ziehe zwei Stunden vom Zeitstempel mit +02:00 ab.

Musterlösung und Feedback: Beide Einträge beziehen sich auf denselben Zeitpunkt. Vor einer Zusammenführung musst Du zusätzlich prüfen, ob sie denselben Messkanal und denselben Datensatz betreffen. Gleicher Zeitstempel allein rechtfertigt kein automatisches Löschen.

Lerneinheit C: Fehlende Werte behandeln

Allgemeines Beispiel eines Liniendiagramms mit Messpunkten, keine Motordaten. Quelle: Innesw, Wikimedia Commons, CC BY-SA 3.0.

Kurzinput

Ein fehlender Wert bedeutet, dass für eine erwartete Beobachtung kein verwendbarer Messwert vorliegt.

Ein gespeicherter Wert von 0,0 ist dagegen zunächst eine vorhandene Zahl. Ob sie plausibel ist, musst Du gesondert untersuchen.

Du hast mehrere Möglichkeiten:

Vorgehen	Geeignet, wenn ...	Risiko
Fehlwert markieren	seine Bedeutung erhalten bleiben soll	das Modell muss damit umgehen können
Zeile ausschließen	der Verlust der Beobachtung vertretbar ist	Zeitinformation geht verloren
Interpolation	eine kurze, fachlich plausible Lücke vorliegt	künstliche Trends und Spitzen können entstehen
Mittelwert oder Median	eine begründete Ersatzstrategie gewählt wurde	Signalverlauf kann verfälscht werden

Wichtig: Die Wahl der Methode hängt von Messgröße, Lückendauer, Betriebszustand und dem Zweck des Modells ab.

Demonstration: „How to do Data Cleaning in MATLAB“, MATLAB, 2022. Achte darauf, dass fehlende Werte und Ausreißer getrennt behandelt werden.

Anwendung: Kurze Datenlücke

Die fiktiven Schwinggeschwindigkeiten betragen:

Uhrzeit	Messwert
08:05	1,3 mm/s
08:10	fehlend
08:15	1,5 mm/s

Bei gleichmäßiger zeitlicher Verteilung ergibt eine lineare Interpolation:

$\frac{1,3 + 1,5}{2} = 1,4 m m / s$

Feedback: 1,4 mm/s ist ein geschätzter Wert, keine nachträglich durchgeführte Messung. Speichere daher zusätzlich einen Kennwert wie imputiert = ja.

Für eine Offline-Auswertung kann diese Interpolation vertretbar sein, sofern der Verlauf fachlich plausibel ist. Bei einer Echtzeitprognose wäre der spätere Wert von 08:15 um 08:10 noch unbekannt. Seine Verwendung würde unzulässige Zukunftsinformation einbringen.

Ein Sonderfall: Nullwert

Bei 08:20 wurde 0,0 mm/s gespeichert.

Entscheidungsregel: Nicht automatisch löschen und nicht automatisch interpolieren.

Prüfe im fiktiven Fall, ob Stillstand, Messsystemverhalten, Datenfehler oder ein anderer Zustand denkbar ist. Ohne zusätzliche Informationen bleibt die Ursache offen.

Fachquelle: pandas: Working with missing data

Lerneinheit D: Daten für ein Zustandsmodell vorbereiten

Der Arbeitsablauf

Schritt	Aktion	Prüfergebnis
Eingang	Rohdaten unverändert sichern	Original bleibt nachvollziehbar
Einheiten	Temperatur in °C umrechnen	Werte sind vergleichbar
Zeit	Zeitstempel auf UTC beziehen	Reihenfolge ist eindeutig
Qualität	Fehlwerte und Auffälligkeiten markieren	Datenqualität wird sichtbar
Modell	Verarbeitung dokumentieren	Training und Prüfung sind reproduzierbar

Für spätere Prognosemodelle: Trainingsdaten stammen zeitlich aus der Vergangenheit; Testdaten aus einem späteren Zeitraum. Ersatzstatistiken und weitere lernende Verarbeitungsschritte werden nur anhand der Trainingsdaten bestimmt.

Demonstration: „Predictive Maintenance with MATLAB: A Data-Based Approach“, MATLAB, 2023. Für diese Ausbildungseinheit sind die Abschnitte zu Datenzugriff, Zustandsüberwachung und Merkmalsbildung besonders interessant.

Demonstration zur Zeitreihenprognose von MATLAB, 2025. Der Anbieter behandelt unter anderem die Vorbereitung unvollständiger Zeitreihen. Das Video dient als ergänzendes Anschauungsmaterial.

Beispiel eines vorbereiteten Datenauszugs

UTC	Temperatur in °C	Schwinggeschwindigkeit in mm/s RMS	Datenstatus
08:00	45	1,2	beobachtet
08:05	46	1,3	beobachtet
08:10	47	fehlend	fehlender Schwingungswert
08:15	48	1,5	beobachtet
08:20	49	0,0	vorhanden, Plausibilität offen
08:25	50	1,7	beobachtet

Warum steht bei 08:10 weiterhin „fehlend“? Dies ist die verlustarme Grundversion. Eine optionale interpolierte Variante muss gesondert dokumentiert und markiert werden.

Interaktives Entscheidungsmodell

Modell: Prüfen – Entscheiden – Begründen

Verändere gedanklich jeweils eine Eingangsbedingung und beantworte die zugehörige Frage. Dieses Modell ist eine didaktische Simulation auf fiktiven Daten, kein industrielles Diagnosesystem.

Stellgröße	Fall A	Fall B
Einheit	Temperatur in Kelvin	Temperatur in Celsius
Zeitbezug	Zeitstempel mit UTC	Zeitstempel ohne Zeitzone
Fehlwert	einzelne kurze Lücke	längere unbekannte Messunterbrechung

Modellentscheidung: Einheiten

Du erhältst Temperaturmessungen in Kelvin und Celsius. Was ist der erste sinnvolle Schritt? (Alle Temperaturen in eine gemeinsame Einheit umrechnen) (!Alle Kelvinwerte löschen) (!Alle Werte ohne Umrechnung zusammenfügen) (!Jede Temperatur verdoppeln)

Begründetes Feedback: Eine einheitliche Bezugsgröße ist Voraussetzung für aussagekräftige Vergleiche. Umrechnungen müssen dokumentiert werden.

Modellentscheidung: Zeit

Ein Zeitstempel enthält keine Zeitzone. Wie gehst Du vor? (Zeitzoneninformation anhand der Datenherkunft klären) (!Den Zeitpunkt ohne Prüfung als UTC behandeln) (!Immer zwei Stunden addieren) (!Den Zeitstempel durch die aktuelle Uhrzeit ersetzen)

Begründetes Feedback: Ohne gesicherten Zeitbezug kann ein Messwert falsch eingeordnet werden. Der notwendige Offset ist nicht überall und jederzeit gleich.

Modellentscheidung: Lücke

Eine lange Messunterbrechung tritt während eines unbekannten Betriebszustands auf. Was ist die sicherste erste Datenentscheidung? (Fehlende Werte markieren und die Ursache prüfen) (!Die gesamte Lücke automatisch linear interpolieren) (!Alle Werte durch null ersetzen) (!Die Lücke als fehlerfreien Normalbetrieb ausgeben)

Begründetes Feedback: Eine lange Interpolation könnte einen tatsächlichen Zustandswechsel verdecken. Dokumentierte Unsicherheit ist besser als unbegründete Scheingenauigkeit.

Gestufte Hilfen und Übung mit Feedback

Basis: Einheiten und Datenqualität

Auftrag: Bestimme die Temperatur von 320,15 K und erkläre den Unterschied zwischen fehlend und 0,0.

Hilfe 1: Suche die beiden Angaben in der Rohdatentabelle.

Hilfe 2: Für Temperatur gilt Kelvin minus 273,15. Frage bei der Schwinggeschwindigkeit, ob überhaupt eine Zahl gespeichert wurde.

Lösungsfeedback: 47 °C ist richtig. „Fehlend“ bedeutet kein verfügbarer Messwert; 0,0 ist eine gespeicherte Zahl. Die Plausibilität von 0,0 muss gesondert geprüft werden.

Anwendung: Ersatzwert begründen

Auftrag: Schätze den fehlenden Wert um 08:10 mithilfe seiner zeitlichen Nachbarn und dokumentiere die Entscheidung.

Hilfe 1: Prüfe den gleichmäßigen Abstand zu 08:05 und 08:15.

Hilfe 2: Berechne den Mittelwert der beiden angrenzenden Messwerte.

Lösungsfeedback: 1,4 mm/s ist das rechnerische Ergebnis der linearen Interpolation. Vollständig ist Deine Lösung erst mit dem Hinweis, dass der Wert geschätzt wurde und für echte Prognosen zum Zeitpunkt 08:10 nicht aus späteren Daten berechnet werden dürfte.

Transfer: Modellgüte und Unsicherheit

Auftrag: Ein Lernmodell wirkt nach automatischem Füllen aller Lücken sehr zuverlässig. Erkläre, weshalb das täuschen kann.

Hilfe 1: Frage, ob auffällige Zustände durch Glättung verschwinden könnten.

Hilfe 2: Prüfe, ob zukünftige Werte oder Testdaten zur Vorbereitung verwendet wurden.

Lösungsfeedback: Eine scheinbar bessere Modellgüte ist nicht automatisch eine realistischere Vorhersage. Ungeeignete Imputation und Datenleckage können Ergebnisse verzerren. Eine belastbare Prüfung benötigt getrennte Zeitabschnitte und nachvollziehbare Verarbeitung.

Quellen kritisch vergleichen

Fachlicher Prüfstand: 11. Oktober 2026.

Quelle	Stärke	Grenze	Bewertung
ISO 13374-1:2003	Internationale Leitlinien zur Verarbeitung, Kommunikation und Darstellung von Zustandsdaten	Keine frei zugängliche vollständige Praxisanleitung zur konkreten Imputation	Normativer Rahmen; 2025 von ISO erneut bestätigt
PTB	Maßgebliche metrologische Fachinformation	Keine spezielle Anleitung zum maschinellen Lernen	Sehr geeignet zur Prüfung der Temperaturumrechnung
pandas-Dokumentation	Nachvollziehbare Verfahren für fehlende Werte und Interpolation	Methodenwahl muss fachlich begründet werden	Geeignet für technische Implementierung
scikit-learn	Dokumentiert zeitgerechte Aufteilung von Trainings- und Testdaten	Keine Garantie für die Güte einer Maschinendiagnose	Geeignet zur Prüfung des Modellversuchs
MATLAB-Demonstrationsvideos	Praktische Darstellung von Arbeitsschritten	Herstellerperspektive, nicht unabhängig begutachtet	Gut zum Anschauen, aber Aussagen mit Fachquellen vergleichen
Wikipedia	Frei zugängliche thematische Übersicht	Offener Bearbeitungsprozess, keine technische Freigabe	Einstieg und Begriffsprüfung, nicht alleinige Entscheidungsgrundlage

Quellenvergleichsfrage: Ein Herstellervideo empfiehlt Interpolation. Ist sie deshalb für jede Messlücke fachlich richtig?

Feedback: Nein. Die technische Verfügbarkeit eines Verfahrens ist kein Nachweis seiner Eignung. Prüfe insbesondere Messverlauf, Zeitabstände, spätere Modellverwendung und die Gefahr von Datenleckage.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welcher Celsiuswert entspricht 318,15 Kelvin? (45 Grad Celsius) (!318 Grad Celsius) (!273 Grad Celsius) (!91 Grad Celsius)

Was kennzeichnet das Z am Ende eines Zeitstempels? (UTC als Zeitbezug) (!Eine defekte Messung) (!Eine Temperaturmessung) (!Eine fehlende Einheit)

Was bedeutet ein fehlender Schwingungsmesswert? (Es liegt kein verwendbarer Wert für die Beobachtung vor) (!Die Geschwindigkeit beträgt immer null) (!Der Motor ist nachweislich ausgefallen) (!Der Wert muss immer gelöscht werden)

Wie ist ein gespeicherter Wert von null zunächst zu behandeln? (Als vorhandene Zahl mit zu prüfender Plausibilität) (!Immer als fehlender Wert) (!Immer als sicherer Sensorfehler) (!Immer als Beweis für einen Maschinenschaden)

Welcher Wert ergibt sich bei linearer Interpolation zwischen 1,3 und 1,5 zur zeitlichen Mitte? (1,4) (!0,2) (!2,8) (!1,8)

Welche UTC-Uhrzeit entspricht 10:10 mit dem Offset plus zwei Stunden? (08:10 UTC) (!10:10 UTC) (!12:10 UTC) (!06:10 UTC)

Welche beiden Einheiten kennzeichnen unterschiedliche Schwingungsgrößen? (Millimeter pro Sekunde und Meter pro Quadratsekunde) (!Kelvin und Grad Celsius) (!Meter und Millimeter) (!Sekunde und Millisekunde)

Wie vermeidest Du bei einer Prognoseprüfung unzulässige Zukunftsinformation? (Training und Prüfung zeitlich trennen) (!Alle Daten vor der Aufteilung gemeinsam auswerten) (!Die spätesten Daten immer zum Training verwenden) (!Testwerte zur Bestimmung aller Ersatzwerte benutzen)

Warum soll ein interpolierter Wert markiert werden? (Weil er geschätzt und nicht tatsächlich gemessen wurde) (!Weil er immer fehlerhaft ist) (!Weil er keine Einheit besitzt) (!Weil er automatisch einen Schaden beweist)

Wie bewertest Du eine Datenbereinigungsdemonstration eines Softwareherstellers? (Als Anschauung, deren Aussagen mit unabhängigen Fachquellen zu vergleichen sind) (!Als automatisch verbindliche Industrienorm) (!Als Ersatz für jede Plausibilitätsprüfung) (!Als Beweis für eine sichere Fehlerprognose)

Memory

Kelvin	SI-Einheit der thermodynamischen Temperatur
UTC	Weltweit verwendeter Zeitbezug
Sensor	Gerät zur Erfassung einer physikalischen Größe
Fehlwert	Nicht verfügbarer Beobachtungswert
Nullwert	Gespeicherte Zahl mit dem Wert null
Interpolation	Schätzung zwischen bekannten Datenpunkten
Zeitstempel	Zeitliche Kennzeichnung einer Beobachtung
Imputationskennzeichen	Markierung eines ersetzten Messwerts

Drag and Drop

Ordne die richtigen Begriffe zu.	Bedeutung
Einheitenprüfung	Vergleichbare physikalische Größen herstellen
Zeitsynchronisierung	Messwerte auf gemeinsame Zeitreferenz beziehen
Plausibilitätsprüfung	Auffällige Werte fachlich hinterfragen
Fehlwertmarkierung	Nicht verfügbare Messwerte erkennbar halten
Interpolation	Einen Zwischenwert rechnerisch schätzen
Trainingsaufteilung	Vergangenheitsdaten zur Modellbildung abgrenzen

Kreuzworträtsel

Kelvin	Wie heißt die SI-Einheit der thermodynamischen Temperatur?
Zeitstempel	Welcher Begriff bezeichnet die zeitliche Kennzeichnung eines Datensatzes?
Sensor	Wie heißt das Bauteil, das eine physikalische Messgröße erfasst?
Interpolation	Wie nennt man die Schätzung eines Wertes zwischen bekannten Datenpunkten?
Fehlwert	Wie nennt man einen nicht verfügbaren Beobachtungswert?
Zeitreihe	Wie heißt eine zeitlich geordnete Folge von Beobachtungen?

LearningApps

Optionale Suche nach thematisch passenden Lernbausteinen. Es wird keine konkrete, ungeprüfte App als fachlich freigegeben ausgegeben.

Falls die Suche keine geeigneten Ergebnisse liefert, kannst Du die interaktiven Aufgaben dieser Kursseite vollständig ohne LearningApps bearbeiten. Lade keine eigenen Maschinendaten hoch.

Lückentext

Die Vorbereitung eines Zustandsmodells beginnt mit der Kontrolle der

im Originalzustand.

Ein physikalischer Messwert benötigt eine eindeutige

zur korrekten Interpretation.

Die SI-Einheit der thermodynamischen Temperatur ist das

im Internationalen Einheitensystem.

Für die Umrechnung von Kelvin in Celsius wird die Konstante

abgezogen.

Ein eindeutig bestimmter Messzeitpunkt wird mithilfe eines

beschrieben.

Als einheitliche Zeitreferenz eignet sich häufig

für technische Datenreihen.

Ein fehlender Beobachtungswert wird als

dokumentiert.

Eine tatsächlich gespeicherte Null ist zunächst ein vorhandener

und muss gesondert auf Plausibilität geprüft werden.

Ein rechnerisch geschätzter Zwischenwert entsteht bei einer linearen

zwischen benachbarten Datenpunkten.

Geschätzte Werte sollten mit einem zusätzlichen

von real gemessenen Beobachtungen unterscheidbar bleiben.

Beim Training eines Prognosemodells darf die Zukunft nicht unzulässig in die

einfließen.

Für eine nachvollziehbare Datenauswertung müssen Verarbeitungsschritte sorgfältig

werden.

Offene Aufgaben

Leicht – Basis

Temperaturumrechnung: Erstelle eine Karte mit der Formel zur Umrechnung von Kelvin in Celsius und rechne alle Kelvinwerte des Ausbildungsfalls um.
Sensorik: Zeichne einen Motor mit einem Temperatur- und einem Schwingungssensor. Beschrifte Messgröße und Einheit.
Zeitreihe: Erstelle aus den sechs Messzeitpunkten eine Zeitachse und kennzeichne die Messlücke farbig.
Datenqualität: Vergleiche die Einträge „fehlend“ und „0,0“ und formuliere drei Prüffragen für die Werkstatt.

Feedback zu den Basisaufgaben: Gute Lösungen enthalten die korrekte Temperaturumrechnung, unterscheiden die beiden Messgrößen, bilden die Zeitpunkte im richtigen Abstand ab und erklären, warum eine Null nicht automatisch ein Fehlwert ist.

Standard – Anwendung

Tabellenkalkulation: Übertrage den fiktiven Datensatz in eine lokale Tabelle und ergänze Spalten für standardisierte Temperatur, Datenstatus und Herkunft.
Interpolation: Berechne für 08:10 einen möglichen Ersatzwert und stelle die Original- und Ersatzwertvariante gegenüber.
Datenvisualisierung: Erstelle zwei Diagramme des Schwingungskanals mit und ohne Ersatzwert und beschreibe die Unterschiede.
Quellenkritik: Vergleiche die Aussagen einer Pandas-Dokumentation und einer MATLAB-Demonstration zum Umgang mit fehlenden Werten.

Feedback zu den Anwendungsaufgaben: Nachvollziehbare Lösungen trennen Originaldaten und Bearbeitungen, kennzeichnen Schätzwerte und erläutern, unter welchen Annahmen ein Ersatzwert überhaupt zulässig wäre. Ein Diagramm allein beweist keine Modellgüte.

Schwer – Transfer

Vorausschauende Wartung: Entwirf ein Ablaufdiagramm, das fehlerhafte Zeiteinträge, fehlende Messwerte und plausible Sonderzustände getrennt behandelt.
Maschinelles Lernen: Plane einen zeitlich getrennten Trainings- und Testversuch mit ausschließlich selbst erzeugten fiktiven Daten und beschreibe Maßnahmen gegen Datenleckage.
Qualitätssicherung: Entwirf ein Datenqualitätsprotokoll, mit dem eine zweite Person Deine Verarbeitung vollständig nachvollziehen kann.
Wissenschaftliches Arbeiten: Produziere ein kurzes Erklärvideo, in dem Du zwei konkurrierende Methoden zur Behandlung fehlender Werte vergleichst und eine begründete Entscheidung für den Ausbildungsfall triffst.

Feedback zu den Transferaufgaben: Eine starke Lösung benennt ausdrücklich Annahmen, Risiken, Unsicherheiten und Prüfkriterien. Sie behauptet keine Maschinendiagnose, die durch die Übungsdaten nicht nachgewiesen ist.

Lernkontrolle

Bearbeite die folgenden Aufgaben mit Begründung. Reines Auswendiglernen reicht nicht aus.

Datenqualität: Erkläre, wie zwei numerisch korrekt gespeicherte Messreihen durch unterschiedliche Einheiten zu falschen Schlussfolgerungen führen können.
Zeitreihenanalyse: Entwickle ein Beispiel, bei dem eine falsch interpretierte Zeitzone einen scheinbaren Temperaturanstieg mit einer späteren Schwingungsänderung verknüpft.
Interpolation: Begründe, warum das Füllen einer Messlücke einen echten Anomaliehinweis verdecken könnte.
Plausibilitätsprüfung: Entwirf eine Entscheidungsfolge für einen unerwarteten Nullwert, ohne automatisch einen Sensor- oder Maschinenschaden zu behaupten.
Maschinelles Lernen: Erkläre anhand des Ausbildungsfalls, warum ein Trainingsverfahren nicht auf Informationen aus einem späteren Testzeitraum zurückgreifen darf.
Quellenkritik: Vergleiche die Rolle einer Industrienorm, einer Softwaredokumentation und eines Herstellervideos bei einer fachlichen Entscheidung.

Bewertungsmaßstab: Entscheidend sind fachlich plausible Kausalketten, saubere Trennung von Beobachtung und Vermutung, begründete Methodenwahl sowie die Dokumentation von Unsicherheit.

Lernnachweis

Für Deinen Lernnachweis benötigst Du eine kleine, nachvollziehbare Arbeitsmappe oder ein Lernportfolio mit folgenden Bestandteilen:

Originaldatensatz: Die unveränderten fiktiven Rohdaten des Motors M-17.
Einheitenprotokoll: Einheitliche Messgrößen, Rechenwege und korrekte Ergebniswerte.
Zeitprotokoll: Standardisierte Zeitstempel sowie eine begründete Behandlung des zusätzlichen Zeitstempels.
Qualitätsprotokoll: Erkannte Lücken, Auffälligkeiten und offene Fragen.
Verarbeitete Daten: Eine dokumentierte Grundversion sowie gegebenenfalls eine getrennte Interpolationsvariante.
Methodenbegründung: Vergleich von mindestens zwei Behandlungsstrategien für Fehlwerte.
Transferreflexion: Erklärung, warum eine gute Datenaufbereitung noch keine verlässliche Ausfallprognose garantiert.
Quellenbewertung: Mindestens zwei überprüfte Fachquellen mit Aussagen zu Geltungsbereich und Grenzen.

Erfolgskriterien: Korrektheit, Nachvollziehbarkeit, fachliche Begründung, Umgang mit Unsicherheit und verantwortungsvolle Arbeit mit ausschließlich fiktiven Daten.

OERs zum Thema

Wikipedia-Einstieg: Prädiktive Instandhaltung, Condition-Monitoring, Zeitreihenanalyse, Interpolation und Fehlende Werte.

Fachlich geprüfte Nachschlagequellen

ISO 13374-1: Grundsätze zur Datenverarbeitung und Darstellung in der Zustandsüberwachung; Ausgabe 2003, 2025 bestätigt.
PTB – Das Kelvin: Physikalische Grundlagen der Temperaturumrechnung.
NIST – SI Units: Temperature: Unabhängige metrologische Gegenprüfung.
Python-Dokumentation: Zeitzonenbewusste und zeitzonenlose Zeitangaben.
pandas – Time series: Arbeiten mit Zeitstempeln und Zeitzonen.
pandas – Missing data: Fehlwerte und Interpolationsmethoden.
scikit-learn – TimeSeriesSplit: Zeitgerechte Auswertung von Vorhersagemodellen.

Die Quellen unterscheiden sich im Geltungsbereich. Nicht alle Inhalte sind OER; insbesondere Normtexte können urheberrechtlich geschützt und kostenpflichtig sein.

Medienrechte und Herkunft

Wikimedia-Commons-Dateien:

MOTOR ELECTRICO.jpg: Biogons, CC BY-SA 4.0.
Accelerometer.jpg: Aerom, CC BY-SA 3.0.
Pt-100 temperature sensor.jpg: Bitjungle, CC BY-SA 4.0.
Kelvin Temperature Chart Vertical tightened.svg: Mifsud26/Em3rgent0rdr, CC0.
Time zones of the world-UTC.svg: Goran tek-en, CC BY-SA 4.0.
Charts SVG Example 2 - Simple Line Chart.svg: Innesw, CC BY-SA 3.0.

Videos: Alle eingebetteten Demonstrationen stammen aus dem offiziellen MATLAB-/MathWorks-Angebot und wurden anhand ihrer veröffentlichten Beschreibungen auf thematische Eignung geprüft. Sie sind als externe Lernmedien eingebunden, nicht als frei lizenzierte Videodateien übernommen. Aus der Einbettbarkeit ergibt sich keine CC-Lizenz.

Rechtehinweis: Bei Bearbeitung oder Weiterverbreitung von CC-BY-SA-Dateien müssen die jeweiligen Namensnennungs- und Lizenzbedingungen eingehalten werden. Vor einer erneuten Veröffentlichung ist die aktuelle Dateibeschreibungsseite maßgeblich. Die Lizenzprüfung ersetzt keine inhaltliche Prüfung der Darstellung.

Datenschutzhinweis: Keine realen Messdaten, Betriebsinformationen, Zugangsdaten oder personenbezogenen Daten in externe Lernplattformen eingeben. Alle Kursübungen sind vollständig offline mit dem angegebenen Beispieldatensatz möglich.