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 – Modelldrift im Betrieb erkennen

QR-Code

Zustandsüberwachung und vorausschauende Wartung – Modelldrift im Betrieb erkennen

Lernkurs für die Ausbildung – Industrie 4.0, Mechatronik und Instandhaltung

Dauer: ca. 90–120 Minuten | Niveau: Ausbildung | Stand der Quellenprüfung: Oktober 2026

Einleitung

Eine Maschine verändert ihr Verhalten. Doch liegt ein Schaden vor – oder arbeitet das KI-Modell mit veralteten Annahmen?

In diesem Kurs lernst Du, Maschinenzustände zu beobachten, Wartungsbedarf einzuschätzen und Modelldrift zu erkennen.

Dein Lernziel: Du kannst Veränderungen in Sensordaten untersuchen, Ursachen unterscheiden und geeignete Prüfmaßnahmen begründen.

Sicherheitsregel: Alle Übungen verwenden ausschließlich fiktive Daten, lokale Simulationen oder ausdrücklich zur Nutzung freigegebene Demonstratoren. Keine Tests an Produktivanlagen, fremden Netzwerken oder fremden Geräten. Keine Zugangsdaten, Kundeninformationen oder echten Maschinendaten hochladen. Reale Maschinen dürfen nur durch befugtes Fachpersonal nach Sicherheitsvorgaben bedient oder geprüft werden.

Lernpfad

Einheit	Dauer	Deine Aufgabe
1. Maschinen verstehen	8 Minuten	Sensoren und Wartung kennenlernen
2. Ausbildungsfall P-17	12 Minuten	Messdaten vergleichen
3. Modelldrift erkennen	12 Minuten	Veränderungen unterscheiden
4. Simulation	15 Minuten	Betriebszustände interpretieren
5. Maßnahmen	10 Minuten	Eine sichere Entscheidung treffen
6. Quellencheck	10 Minuten	Fachinformationen kritisch bewerten

Lerneinheit 1: Maschinen verstehen

Leitfrage: Wie erkennt eine Maschine, dass sich ihr Zustand verändert?

Zustandsüberwachung

Elektromotor als Beispiel einer rotierenden Maschine.

Beim Condition-Monitoring werden physikalische Messgrößen wiederholt oder kontinuierlich erfasst.

Typische Größen sind:

Schwingung: Hinweise auf Unwucht, Lockerung oder mögliche Lagerschäden.
Temperatur: Hinweise auf Erwärmung durch Belastung oder Reibung.
Drehzahl: Informationen über den aktuellen Betriebszustand.
Last: Informationen über die Beanspruchung der Maschine.

Wichtig: Ein veränderter Messwert ist noch kein Schadensnachweis.

Fachliche Grundlage: Fraunhofer EMFT – Condition Monitoring und Predictive Maintenance.

Vorausschauende Wartung

Wälzlager: Außenring, Wälzkörper, Käfig, Laufbahn und Innenring.

Bei der vorausschauenden Instandhaltung werden Zustandsdaten verwendet, um mögliche Schäden frühzeitig zu erkennen und Wartungsmaßnahmen besser zu planen.

Video: Smart Maintenance – Fraunhofer IPK

Beobachtungsauftrag: Welche Aufgaben übernehmen Sensorik, Auswertung und Instandhaltungspersonal?

Feedback: Sensoren liefern Messdaten. Die Auswertung erkennt Muster und Abweichungen. Die technische Prüfung und die Entscheidung über eine Wartungsmaßnahme bleiben eigenständige Schritte.

Lerneinheit 2: Ausbildungsfall P-17

Deine Rolle: Du bist in der Ausbildung zur Mechatronikerin oder zum Mechatroniker. Eine fiktive Förderpumpe P-17 wird durch ein KI-Modell überwacht.

Die Maschine

Beispiel eines Schwingungssensors.

Prinzipskizze eines Beschleunigungssensors.

Die Förderpumpe besitzt einen Antrieb, ein Wälzlager und virtuelle Sensoren für Schwingung, Temperatur, Drehzahl und Last.

Ein bereits trainiertes Modell erzeugt einen Warnindex zwischen 0 und 1. Je höher dieser Index, desto stärker die Modellwarnung.

Achtung: Dieser Index ist nur für den fiktiven Ausbildungsfall definiert. Er ist keine kalibrierte Ausfallwahrscheinlichkeit.

Fiktive Messdaten

Messung	Drehzahl in U/min	Last in %	Schwingung in mm/s	Temperatur in °C	Warnindex
A1	1200	50	1,6	47	0,18
A2	1200	50	1,8	48	0,22
B1	1500	70	2,4	52	0,71
B2	1500	70	2,6	53	0,73
C1	1500	70	3,1	63	0,91
C2	1500	70	3,3	65	0,94

Zusätzliche fiktive Prüfprotokolle:

Phase A: Die Pumpe arbeitet unter den ursprünglichen Referenzbedingungen ohne bekannten Schaden.
Phase B: Die Förderleistung wurde erhöht. Eine nachfolgende Prüfung bestätigt für diese Phase keinen Lagerschaden.
Phase C: Bei unveränderter Drehzahl und Last wird später ein Lagerschaden durch eine fiktive Inspektion bestätigt.

Deine Aufgabe: Vergleiche zunächst A mit B, anschließend B mit C. Was verändert sich jeweils?

Feedback: Zwischen A und B ändern sich Betriebsbedingungen und Messwerte. Zwischen B und C steigen Schwingung und Temperatur trotz gleicher dokumentierter Drehzahl und Last. Die Ursache wird erst durch zusätzliche Prüfung abgesichert.

Die sechs Messungen illustrieren einen Fall. Für einen belastbaren statistischen Drift-Nachweis wären wesentlich mehr geeignete Beobachtungen nötig.

Einfache Datenauswertung

Berechne die mittlere Schwingung für die beiden Referenzmessungen A1 und A2.

Lösung: 1,6 plus 1,8 ergibt 3,4. Geteilt durch zwei ergibt das 1,7 mm/s.

Vertiefung: Der Mittelwert von B1 und B2 beträgt 2,5 mm/s. Die Differenz zur Referenz beträgt 0,8 mm/s.

Diese Differenz beschreibt eine beobachtete Veränderung. Sie erklärt noch nicht deren Ursache.

Lerneinheit 3: Modelldrift erkennen

Leitfrage: Warum kann ein ursprünglich gut funktionierendes KI-Modell später unzuverlässig werden?

Drei wichtige Arten der Veränderung

Begriff	Bedeutung	Beispiel P-17
Datendrift	Die Verteilung von Eingabedaten verändert sich.	Höhere Drehzahlen und Lasten kommen häufiger vor.
Prediction Drift	Die Verteilung der Modellausgaben verändert sich.	Das Modell erzeugt häufiger hohe Warnindizes.
Concept Drift	Der Zusammenhang zwischen Eingaben und tatsächlichen Ergebnissen verändert sich.	Dieselben Merkmalswerte bedeuten unter veränderten Umständen ein anderes Schadensrisiko.

Merke: Datendrift bedeutet nicht automatisch, dass das Modell schlechter geworden ist. Concept Drift lässt sich in der Regel erst mit geeigneten tatsächlichen Ergebnissen oder verlässlichen Ersatzinformationen überprüfen.

Fachquellen: Arize – Concept Drift und NIST AI RMF – Measure 2.4.

Messwerte im Zeitverlauf

Beispiel einer statistischen Prozessregelkarte mit einer Veränderung des Prozessniveaus. Die Grafik illustriert eine Prozessverschiebung, nicht unmittelbar einen Nachweis für KI-Modelldrift.

Video: Data and Prediction Drift – Evidently AI

Mini-Aufgabe: Ein Warnindex steigt deutlich. Warum ist damit noch keine Verschlechterung der Modellgüte bewiesen?

Feedback: Die Ausgabe kann sich ändern, weil sich die Last, die Eingangsdaten oder die tatsächlichen Zustände ändern. Erst der Abgleich mit geprüften Befunden zeigt, ob die Vorhersagen schlechter geworden sind.

Typische Ursachen

Betriebswechsel: Neue Drehzahl, neue Last oder neue Umgebungstemperatur.
Technische Veränderung: Neue Lager, andere Bauteile oder geänderte Maschinenparameter.
Datenproblem: Sensorversatz, fehlende Werte oder geänderte Signalverarbeitung.
Verschleiß: Tatsächliche Veränderung des Maschinenzustands.
Modellproblem: Die Trainingsdaten decken wichtige Betriebszustände nicht ausreichend ab.

Merksatz: Nicht jede Veränderung der Maschine ist Modelldrift. Nicht jede Modelldrift beweist einen Maschinenschaden.

Lerneinheit 4: Interaktive Demonstrationen

Interaktives 3D-Modell: Smart Maintenance

Fraunhofer IPK – Smart Maintenance Testbed

Interaktiven 3D-Demonstrator öffnen

Der öffentlich bereitgestellte Demonstrator veranschaulicht das Prinzip der Maschinenüberwachung. Er ist kein Nachweis für die Fehlererkennungsrate einer bestimmten KI.

Erkundungsauftrag:

Entdecke die im Modell dargestellten Maschinenkomponenten.
Suche nach Sensoren und dargestellten Zustandsinformationen.
Erkläre, an welcher Stelle Messwerte ausgewertet werden könnten.

Feedback: Eine gute Erklärung unterscheidet die physikalische Maschine, ihre Sensorik, die Datenauswertung und die daraus folgenden Wartungsentscheidungen.

Quelle: Fraunhofer IPK – Monitoring und Analyse.

Nutzung: Verwende ausschließlich die vom Anbieter freigegebene öffentliche Demonstrationsoberfläche. Lade keine eigenen Anlagen- oder Kundendaten hoch.

Interaktives Trainingsmodell: Warnindex

Für diese Übung gilt ausschließlich folgende didaktische Warnregel:

Modellwert	Simulierte Anzeige	Bedeutung
Unter 0,40	Grün	Kein Warnsignal des Übungsmodells
Ab 0,40 und unter 0,65	Gelb	Auffälligkeit beobachten
Ab 0,65	Rot	Prüfanlass durch das Übungsmodell

Die Farben sind keine verbindlichen Maschinen- oder Sicherheitsgrenzwerte.

Trainingsentscheidung: Welche Beobachtung ist fachlich am aussagekräftigsten?

Phase B zeigt einen Warnindex von 0,73. Wie solltest Du ihn beurteilen? (Die Betriebsumstellung und die Validität der Warnung prüfen) (!Das Lager ohne weitere Prüfung austauschen) (!Die Sicherheitsgrenzen der Pumpe deaktivieren) (!Das KI Modell automatisch neu trainieren)

Feedback: Eine rote Anzeige ist ein Prüfanlass, kein Schadensbeweis. Wichtig sind der dokumentierte Betriebswechsel, die Sensorqualität und unabhängige Zustandsinformationen.

Demonstration: Datendrift mit Software untersuchen

Video: Evidently AI – Data and Prediction Drift, Code Practice

Video: Datenqualität und Datendrift prüfen

Auftrag: Achte darauf, wie Referenzdaten und aktuelle Daten verglichen werden.

Die Videos stammen aus einem älteren Kursstand. Die Grundprinzipien sind weiterhin nützlich; konkrete Softwarebefehle müssen mit der aktuellen Evidently-Dokumentation abgeglichen werden.

Optionales lokales Experiment: Nutze unter Anleitung eine isolierte lokale Übungsumgebung mit selbst erstellten Tabellen. Untersuche Datenqualität und Drift, ohne echte Maschinenverbindungen oder Cloud-Dienste einzurichten.

Gestufte Hilfen

Hilfe 1 – Orientierung: Prüfe zuerst, ob Drehzahl und Last vergleichbar sind.

Hilfe 2 – Analyse: Vergleiche getrennt die Eingabedaten, die Modellwarnung und den bestätigten Maschinenzustand.

Hilfe 3 – Lösungsansatz: Erkläre, warum Phase B zunächst für veränderte Betriebsbedingungen spricht und Phase C aufgrund des später bestätigten Schadens anders behandelt werden muss.

Lerneinheit 5: Sicher handeln

Leitfrage: Welche Maßnahmen sind nach einer Drift-Warnung sinnvoll?

Ablauf einer fachlichen Prüfung

Schritt	Fragestellung
Datenqualität	Sind Sensorwerte vollständig, plausibel und richtig zugeordnet?
Betriebszustand	Haben sich Last, Drehzahl oder Umgebung verändert?
Referenzvergleich	Sind die Daten unter vergleichbaren Bedingungen erhoben worden?
Modellbewertung	Stimmen Warnungen mit späteren bestätigten Befunden überein?
Entscheidung	Ist weitere Diagnose, Wartungsplanung oder Modellvalidierung erforderlich?
Dokumentation	Sind Ergebnis, Unsicherheit, Modellversion und Maßnahme festgehalten?

Wichtige Grenze: Ein Drift-Alarm allein rechtfertigt keine eigenmächtige Abschaltung, Veränderung von Schutzfunktionen oder Wartungsarbeiten an laufenden Anlagen. Die betrieblichen Sicherheitsregeln haben Vorrang.

Wann neu trainieren?

Ein Modell sollte nicht allein deshalb neu trainiert werden, weil ein Drift-Monitor anschlägt.

Voraussetzungen für eine begründete Modellanpassung können sein:

Die Daten sind fachlich geprüft.
Der neue Betriebsbereich ist ausreichend repräsentiert.
Geeignete, möglichst unabhängige Prüf- oder Schadensbefunde liegen vor.
Das angepasste Modell wurde gegen eine unveränderte, geeignete Testbasis validiert.
Ein Rückfall auf die bisher freigegebene Modellversion ist geplant.

Fachquelle: Google – Monitoring von ML-Produktionssystemen.

Lerneinheit 6: Quellen und Medien kritisch prüfen

Aktuelle Demonstrationen aus der Forschung

Fraunhofer: VibDemo – KI-basierte Inspektion von Antriebssträngen

Demonstratorbeschreibung ansehen

Die Forschungsdemonstration zeigt, wie sich Zustände eines miniaturisierten Antriebstrangs unter verschiedenen Lastbedingungen untersuchen lassen.

Fraunhofer: DeepInsights – Schwingungsanalyse am Elektromotor

Demonstration und fachliche Beschreibung

Dabei werden unter anderem Drehzahl, Schwingung und erkannte Unwucht betrachtet.

Lernauftrag: Erkläre, warum ein Modell, das nur eine Drehzahl gelernt hat, beim Einsatz in einem anderen Betriebsbereich Probleme bekommen kann.

Herstellerdarstellung kritisch betrachten

Video: Siemens – Industrial Information Hub und Senseye Predictive Maintenance

Herstellervideos zeigen mögliche Anwendungen, haben jedoch auch ein wirtschaftliches Interesse. Aussagen über die Leistungsfähigkeit müssen für den jeweiligen Anwendungsfall unabhängig überprüft werden.

Fachlicher Quellenvergleich

Quelle	Stärke	Grenze
NIST AI RMF	Institutionelle Orientierung für Prüfung und Risikomanagement	Liefert keine konkreten Grenzwerte für unsere Förderpumpe
Fraunhofer EMFT	Fachlicher Maschinen- und Forschungskontext	Demonstrationsergebnisse sind nicht auf jede Maschine übertragbar
Google ML-Kurs	Systematische Hinweise zur Daten- und Modellüberwachung	Allgemein für ML-Anwendungen, nicht speziell für Lagerdiagnostik
Evidently	Praktische Methoden und Softwarebeispiele für Driftanalysen	Dokumentation des eigenen Werkzeugs; Ergebnisse benötigen Fachinterpretation
Siemens	Industrielle Anwendungs- und Integrationsbeispiele	Herstellerperspektive und mögliche Werbeinteressen

Kritischer Vergleich: Ein Demonstrator belegt, dass eine Methode in einer bestimmten Versuchsanordnung funktioniert. Er beweist nicht, dass dieselbe Methode unter allen Betriebsbedingungen zuverlässig ist.

Prüffragen: Wer ist der Urheber? Wann wurde veröffentlicht? Welche Daten wurden verwendet? Gibt es nachvollziehbare Messverfahren, unabhängige Tests und belegte Grenzen?

Medienrechte und Quellenstand

Die eingebundenen Wikimedia-Commons-Abbildungen wurden anhand ihrer Dateibeschreibungen und Lizenzangaben geprüft.

Bild	Urheber	Lizenz
Elektromotor	Grzegorz W.	CC BY-SA 4.0
Wälzlager	Niabot	CC BY-SA 3.0
Schwingungssensor	Cedric Leturcq	CC BY-SA 4.0
Beschleunigungssensor	JustinWee	CC BY-SA 3.0
Prozessregelkarte	DanielPenfield	CC BY-SA 3.0

Die Dateiseiten enthalten die maßgeblichen Lizenzbedingungen und Angaben zur Wiederverwendung. Bei Änderungen müssen die jeweiligen Lizenzpflichten eingehalten werden.

YouTube-Videos: Die Videos sind als externe Player eingebunden. Ihre öffentliche Zugänglichkeit bedeutet nicht, dass sie frei heruntergeladen, verändert oder weiterveröffentlicht werden dürfen. Sie werden hier nicht als frei lizenzierte OER ausgewiesen.

Interaktiver Fraunhofer-Demonstrator: Externer Link auf die öffentliche Vorführumgebung; kein Recht zur Übernahme oder Weiterverbreitung der zugrunde liegenden Software.

Fachlicher Stand: Quellen wurden im Oktober 2026 geprüft. Ältere Demonstrationen werden zur Erklärung weiterhin gültiger Grundlagen verwendet. Für aktuelle Softwarebefehle und technische Einsatzgrenzen gelten die neuesten Originaldokumentationen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die wichtigste Aufgabe der Zustandsüberwachung? (Maschinenzustände durch geeignete Messgrößen beobachten) (!Maschinen ohne Prüfung automatisch abschalten) (!Sämtliche Bauteile regelmäßig austauschen) (!Wartungsprotokolle vollständig ersetzen)

Was bedeutet Datendrift beim maschinellen Lernen? (Die Verteilung der Eingabedaten verändert sich) (!Ein Sensor misst immer denselben Wert) (!Ein Modell löscht seine Trainingsdaten) (!Eine Maschine hat zwangsläufig einen Defekt)

Was kennzeichnet Concept Drift? (Der Zusammenhang zwischen Eingaben und tatsächlichen Ergebnissen verändert sich) (!Die Gehäusefarbe des Sensors verändert sich) (!Die Modellversion wird anders benannt) (!Die Datenmenge bleibt immer gleich)

Was bezeichnet Prediction Drift? (Die Verteilung von Modellvorhersagen verändert sich) (!Ein Motor wird grundsätzlich langsamer) (!Alle Sensorwerte werden gelöscht) (!Eine Wartung wird automatisch abgeschlossen)

Warum ist die Drehzahl bei Schwingungsmessungen wichtig? (Schwingungen können vom Betriebszustand abhängen) (!Drehzahlen haben grundsätzlich keinen Einfluss) (!Hohe Drehzahl beweist immer einen Lagerschaden) (!Eine Schwingungsmessung ersetzt die Drehzahlmessung)

Was ist bei einer Driftwarnung zuerst sinnvoll? (Datenqualität und Betriebsbedingungen prüfen) (!Die Warnfunktion dauerhaft ausschalten) (!Jede Maschine vorsorglich zerlegen) (!Alle vorhandenen Daten ungeprüft ersetzen)

Was ist eine geeignete Referenz für einen Driftvergleich? (Ein geprüfter Datensatz aus passenden Betriebsbedingungen) (!Ein beliebiger einzelner Spitzenwert) (!Ein unbekannter Datensatz ohne Herkunft) (!Ein Werbewert aus einem Produktprospekt)

Woran lässt sich eine Verschlechterung der Modellgüte am besten überprüfen? (An einem Vergleich von Vorhersagen mit geprüften Ergebnissen) (!Allein an der Farbe des Dashboards) (!Allein an einem veränderten Mittelwert) (!Allein am Alter des Sensorgehäuses)

Warum sollte ein Modell nicht bei jeder Warnung automatisch neu trainiert werden? (Ursachen und Qualität neuer Trainingsdaten müssen geprüft werden) (!Neue Modelle funktionieren grundsätzlich schlechter) (!Modelle dürfen niemals aktualisiert werden) (!Ein Warnindex ist immer ein Sensorfehler)

Welche Lernumgebung ist für diesen Kurs zulässig? (Eine freigegebene Simulation mit fiktiven Maschinendaten) (!Eine unbekannte fremde Produktionsanlage) (!Ein unbefugter Zugriff auf Maschinensteuerungen) (!Eine Sammlung echter Kundenzugangsdaten)

Begründetes Quiz-Feedback

Zustandsüberwachung: Sie liefert Zustandsinformationen, ersetzt aber nicht die Diagnose und fachliche Wartungsentscheidung.
Datendrift: Eine Verteilungsänderung kann durch neue Lastverhältnisse entstehen, ohne dass ein Schaden vorliegt.
Concept Drift: Entscheidend ist, ob die bisher gelernte Beziehung zwischen Merkmalen und Ergebnissen noch gilt.
Prediction Drift: Auch Veränderungen der Modellwarnungen können frühzeitig auf neue Betriebsbedingungen hinweisen.
Drehzahl: Vergleichbare Drehzahlen verbessern die Interpretation von Schwingungswerten.
Prüfreihenfolge: Fehlerhafte Sensorwerte dürfen nicht ungeprüft als Zustandsänderung ausgelegt werden.
Referenz: Nur ein geeigneter und nachvollziehbarer Vergleich ermöglicht eine belastbare Interpretation.
Modellgüte: Bestätigte Befunde sind entscheidend, weil Warnungen ohne bekannte Ergebnisse keine vollständige Qualitätsbewertung erlauben.
Neutraining: Ungeprüfte Daten können bestehende Modellprobleme verstärken.
Sichere Lernumgebung: Fiktive oder ausdrücklich autorisierte Übungen vermeiden unbefugte Eingriffe und Datenübertragungen.

Memory

Ordne den Begriffen ihre passenden Bedeutungen zu.

Datendrift	Veränderung der Eingabeverteilung
Concept Drift	Veränderung der Eingabe-Ergebnis-Beziehung
Prediction Drift	Veränderung der Vorhersageverteilung
Referenzdaten	Geprüfte Vergleichsbasis
Schwingungssensor	Erfassung mechanischer Bewegungen
Validierung	Überprüfung der Modellleistung
Zustandsdiagnose	Fachliche Beurteilung des Maschinenzustands

Drag and Drop

Ordne die richtigen Begriffe den jeweiligen Beschreibungen zu.

Ordne die richtigen Begriffe zu.	Thema
Sensorprüfung	Kontrolle der Plausibilität und Vollständigkeit der Messwerte
Betriebsvergleich	Betrachtung von Drehzahl, Last und Umgebungsbedingungen
Driftanalyse	Untersuchung der Veränderung von Datenverteilungen
Modellvalidierung	Vergleich der Vorhersagen mit geprüften Ergebnissen
Wartungsplanung	Vorbereitung fachlich begründeter Instandhaltungsmaßnahmen

Kreuzworträtsel

Sensor	Welches Bauteil liefert physikalische Messwerte an die Auswertung?
Referenz	Wie heißt eine geprüfte Vergleichsbasis für neue Messdaten?
Lager	Welches mechanische Bauteil ermöglicht die drehbare Führung einer Welle?
Drehzahl	Welche Messgröße beschreibt die Umdrehungen pro Zeiteinheit?
Validierung	Wie heißt die systematische Überprüfung der Leistungsfähigkeit eines Modells?
Diagnose	Wie nennt man die fachliche Ermittlung eines Maschinenzustands und möglicher Fehlerursachen?

LearningApps

Suche nach ergänzenden interaktiven Lernaktivitäten:

Hinweis: Die Suchergebnisse können sich ändern und sind nicht automatisch fachlich geprüft. Verwende nur passende Übungen ohne Eingabe echter Anlagen- oder personenbezogener Daten.

Lückentext

Die systematische Beobachtung von Maschinenzuständen heißt

.

Ein Messgerät zur Erfassung physikalischer Größen nennt man

.

Die Umdrehungen einer Welle pro Zeiteinheit beschreibt die

.

Eine wichtige Größe zur Beurteilung rotierender Maschinen ist die

.

Geprüfte Vergleichsdaten bilden eine geeignete

.

Veränderungen der Eingabeverteilung heißen

.

Eine Veränderung der Verteilung der Modellausgaben nennt man

.

Eine Veränderung der Beziehung zwischen Eingaben und Ergebnissen heißt

.

Die systematische Überprüfung der Modellleistung nennt man

.

Eine fachliche Beurteilung von Fehlerursachen heißt

.

Der gezielte Einsatz von Zustandsdaten zur Planung zukünftiger Instandhaltung unterstützt die

.

Jede technische Untersuchung muss die geltenden

beachten.

Offene Aufgaben

Bearbeite die Aufgaben ausschließlich mit den bereitgestellten fiktiven Daten, selbst erstellten Zeichnungen oder freigegebenen Lernmaterialien.

Leicht – Basisaufgaben

Sensorkarte: Zeichne eine fiktive Förderpumpe und markiere sinnvolle Messstellen für Schwingung und Temperatur.
Begriffskarte: Erstelle eine Übersicht, die Zustandsüberwachung, Diagnose und vorausschauende Wartung unterscheidet.
Messwertdiagramm: Zeichne die Schwingungswerte von A1 bis C2 als Diagramm und kennzeichne die drei Phasen.
Drift-Erklärung: Erstelle eine kurze Audioaufnahme, ein Plakat oder einen Text, der Datendrift und Concept Drift unterscheidet.

Feedback zu Basisaufgaben: Gute Lösungen zeigen nachvollziehbare Messstellen, verwenden die passenden Einheiten und unterscheiden beobachtete Veränderungen von ihrer noch ungeklärten Ursache.

Standard – Anwendungsaufgaben

Auswertung: Berechne die Schwingungsmittelwerte für Phase A, B und C. Vergleiche die Ergebnisse und erläutere den Einfluss der dokumentierten Betriebsbedingungen.
Fehlerhypothesen: Entwickle drei mögliche Erklärungen für den Anstieg des Warnindex in Phase B und formuliere jeweils eine sichere Prüfmöglichkeit.
Modellprüfung: Entwirf eine Kontrollliste für Datenqualität, Betriebszustände, Modellversionen und bestätigte Prüfbefunde.
Entscheidungsprotokoll: Schreibe einen kurzen fiktiven Wartungsbericht für Phase C mit Beobachtung, möglicher Ursache, Prüfbedarf und begründeter Maßnahme.

Feedback zu Anwendungsaufgaben: Die richtigen Mittelwerte sind 1,7 mm/s für A, 2,5 mm/s für B und 3,2 mm/s für C. Eine gute Auswertung bewertet die Werte nicht ohne Last- und Drehzahlkontext und berücksichtigt den späteren Inspektionsbefund.

Schwer – Transferaufgaben

Driftkonzept: Entwirf für eine fiktive Maschine mit wechselnden Drehzahlen ein Monitoringkonzept mit getrennten Referenzbereichen und begründe die Auswahl.
Fehlalarmstrategie: Entwickle einen Maßnahmenplan, der Fehlalarme reduziert, ohne tatsächliche Schäden zu übersehen.
Modellwechsel: Erstelle einen Plan für die Prüfung eines neu trainierten Modells einschließlich Testdaten, Freigabe und Rückfallstrategie.
Quellenvergleich: Vergleiche einen Forschungsdemonstrator mit einer Herstellerpräsentation. Produziere ein begründetes Erklärvideo oder eine Präsentation über Aussagekraft, Interessen und Grenzen.

Feedback zu Transferaufgaben: Überzeugende Lösungen berücksichtigen verschiedene Betriebszustände, unsichere oder verzögerte Schadenslabels, unabhängige Validierung, Sicherheitszuständigkeiten und mögliche Folgen von Fehlalarmen und übersehenen Schäden.

Lernkontrolle

Bearbeite mindestens fünf der folgenden Aufgaben in einem kurzen Bericht oder einer Präsentation.

Betriebswechsel analysieren: Eine fiktive Anlage arbeitet künftig unter höherer Last. Erläutere, welche Veränderungen normal sein könnten und wie Du sie von einem technischen Defekt abgrenzt.
Verdeckte Modellprobleme: Zeige an einem selbst erfundenen Beispiel, warum unveränderte Eingabeverteilungen nicht garantieren, dass das Modell weiterhin richtig vorhersagt.
Sensorfehler unterscheiden: Beschreibe, wie ein fehlerhaft montierter Sensor eine falsche Driftmeldung auslösen könnte und welche Kontrollen sinnvoll wären.
Referenzwahl begründen: Vergleiche eine gemeinsame Referenz für alle Betriebszustände mit mehreren drehzahlabhängigen Referenzbereichen.
Risikoabwägung: Beurteile die Folgen eines unnötigen Wartungseinsatzes und eines übersehenen Lagerschadens. Welche Prüfmaßnahmen sind angemessen?
Modellfreigabe planen: Erkläre, welche Nachweise vor einer Freigabe eines angepassten Modells vorliegen sollten.

Bewertungsmaßstab:

Kriterium	Erwartete Leistung
Fachlichkeit	Richtige Unterscheidung von Datendrift, Concept Drift und Maschinenzustand
Datenbezug	Passende Nutzung der Messwerte und Betriebsinformationen
Begründung	Nachvollziehbare Ursachenprüfung statt bloßer Vermutungen
Transfer	Sinnvolle Übertragung auf neue fiktive Maschinenfälle
Sicherheit	Keine unbefugten Eingriffe, Datenübertragungen oder Änderungen an Schutzfunktionen
Quellenkritik	Herkunft, Aktualität, Interessen und Grenzen werden berücksichtigt

Lernnachweis

Für einen erfolgreichen Lernnachweis solltest Du Folgendes vorlegen können:

Begriffe erklären: Zustandsüberwachung, vorausschauende Wartung und die drei Driftformen korrekt unterscheiden.
Daten interpretieren: Diagramme und Messwerte unter Berücksichtigung von Last und Drehzahl auswerten.
Fehlalarme untersuchen: Sensorprobleme, Betriebswechsel und tatsächliche Schäden nachvollziehbar abgrenzen.
Entscheidungen begründen: Prüfbedarf und mögliche Wartungsmaßnahmen sicher und fachlich erklären.
Modelle beurteilen: Geeignete Referenzdaten, bestätigte Befunde und Modellvalidierung einordnen.
Quellen prüfen: Wissenschaftliche Informationen, Softwaredokumentation und Herstelleraussagen kritisch vergleichen.
Sicherheit nachweisen: Die Grenzen zulässiger Ausbildungsversuche einhalten.

Mögliche Nachweisform: Ein zweiseitiger Bericht zum fiktiven Fall P-17 mit Diagramm, Interpretation, Prüfplan, begründeter Entscheidung und Quellenangaben.

OERs zum Thema

Wikipedia – Prädiktive Instandhaltung

Weitere grundlegende Artikel:

Offene Fachressourcen:

Lizenzhinweis: Frei zugängliche Webseiten und Lehrvideos sind nicht automatisch frei lizenzierte OER. Prüfe die Nutzungsbedingungen für jedes Medium einzeln.