aiMOOC

Zustandsüberwachung und vorausschauende Wartung – Einfache Wartungsmodelle mit Testdaten prüfen

QR-Code

Einleitung

Zustandsüberwachung und vorausschauende Wartung – Einfache Wartungsmodelle mit Testdaten prüfen

Zielgruppe: Ausbildung in Mechatronik, Industriemechanik, Elektronik und Automatisierungstechnik

Lernzeit: ca. 75–90 Minuten

Leitfrage: Wie kannst Du überprüfen, ob ein einfaches Wartungsmodell auch mit neuen Messdaten zuverlässig arbeitet?

Das lernst Du:

Zustandsüberwachung und Prädiktive Instandhaltung unterscheiden.
Ein einfaches Modell mit Trainingsdaten festlegen.
Unbekannte Prüfdaten getrennt auswerten.
Fehlalarme und übersehene Wartungsfälle beurteilen.
Messergebnisse und Quellen kritisch prüfen.

Sicherheitsregel: Arbeite ausschließlich mit den fiktiven Daten dieses Kurses, lokalen Simulationen oder ausdrücklich autorisierten Testumgebungen. Greife nicht auf fremde Netze, Produktivanlagen, Zugangsdaten oder Kundendaten zu. Übertrage keine betrieblichen Daten ungefragt an externe Dienste. Das Unterrichtsmodell darf keine Maschine automatisch steuern oder abschalten.

Medieneinstieg: Animation eines Elektromotors. Überlege, welche beweglichen Teile mit der Zeit verschleißen können.

Lerneinheit 1: Maschinenzustände erkennen

Dauer: 10 Minuten

Zustandsüberwachung

Zustandsüberwachung bedeutet, den aktuellen Zustand einer Maschine anhand von Messwerten zu beurteilen.

Typische Messgrößen sind Schwingung, Temperatur, Stromaufnahme und Geräusche.

Animation eines Kugellagers: Ein Lager kann durch Verschleiß veränderte Schwingungen verursachen.

Ein piezoelektrischer Beschleunigungssensor als Beispiel für Schwingungsmesstechnik.

Merke: Ein auffälliger Messwert beweist noch keinen bestimmten Schaden. Drehzahl, Belastung, Messort und Sensorfehler können das Signal beeinflussen.

Videodemonstration: Grundlagen der Schwingungsanalyse – ADASH.

Beobachtungsauftrag: Notiere zwei mögliche Ursachen auffälliger Schwingungen. Unterscheide dabei zwischen einer Messung und einer bestätigten Schadensdiagnose.

Feedback: Lagerprobleme und Unwucht sind mögliche Ursachen. Eine hohe Schwingung allein erlaubt keine eindeutige Ursachenbestimmung, weil mehrere Betriebs- und Fehlerzustände ähnliche Messwerte erzeugen können.

Von der Messung zur Wartungsentscheidung

Strategie	Entscheidung
Reaktive Instandhaltung	Reaktion nach einem Ausfall
Zeitbasierte Wartung	Maßnahme nach festem Intervall
Zustandsorientierte Wartung	Maßnahme anhand des festgestellten Zustands
Vorausschauende Wartung	Planung anhand einer Prognose des künftigen Zustands

Wichtig: Ein reiner Grenzwertalarm ist zunächst Zustandsüberwachung. Wird er mit später bestätigtem Wartungsbedarf verglichen, lässt sich seine Eignung als einfaches Vorhersagemodell prüfen. Eine zuverlässige Restlebensdauerprognose entsteht dadurch noch nicht.

Forschungsdemonstration: Fraunhofer ITWM.

Reflexion: Warum reicht es nicht aus, möglichst viele Sensordaten zu sammeln?

Feedback: Die Daten müssen zur Fragestellung passen, ausreichend zuverlässig sein und unter vergleichbaren Betriebsbedingungen entstehen. Mehr Daten bedeuten nicht automatisch bessere Prognosen.

Lerneinheit 2: Der Ausbildungsfall

Dauer: 15 Minuten

Die fiktive Pumpe P-17

Du arbeitest in einer Ausbildungswerkstatt. Eine erfundene Förderpumpe trägt die Kennzeichnung P-17.

Die Aufgabe besteht darin, anhand historischer Schwingungswerte einen möglichen kurzfristigen Wartungsbedarf einzuschätzen.

Vereinfachte Annahmen:

Messgröße: Schwinggeschwindigkeit als Effektivwert in mm/s.
Messort: immer dieselbe Lagerstelle.
Betriebszustand: vergleichbare Drehzahl und Belastung.
Zielvariable: Wartungsbedarf innerhalb der folgenden zwei Tage, nachträglich durch eine fiktive Fachprüfung bestätigt.
Modell: Ein Alarm wird ausgelöst, sobald der Messwert einen festgelegten Schwellenwert erreicht.

Alle Zahlen sind frei erfundene Übungsdaten. Sie sind keine realen Pumpenmessungen und stellen insbesondere keine allgemeingültigen Grenzwerte oder Sicherheitsnormen dar.

Schema eines Rillenkugellagers als Orientierung für den möglichen Überwachungsbereich.

Trainingsdaten: Aus bekannten Fällen lernen

Die ersten acht Tage bilden die Trainingsdaten.

Tag	Schwingung in mm/s	Wartungsbedarf innerhalb von zwei Tagen
1	1,2	Nein
2	2,0	Nein
3	4,9	Ja
4	2,8	Nein
5	4,2	Ja
6	3,4	Nein
7	3,9	Nein
8	5,8	Ja

Die höchsten Werte ohne Wartungsbedarf liegen bei 3,9 mm/s. Die niedrigsten Werte mit Wartungsbedarf beginnen bei 4,2 mm/s.

Wir legen deshalb vor der Prüfung die Unterrichtsregel fest:

Modell A: Ab 4,0 mm/s wird ein Prüfhinweis ausgelöst.

Ein Messwert unter 4,0 mm/s führt zu keinem Prüfhinweis.

Vergleichsmodell B: Es wird grundsätzlich kein Prüfhinweis ausgelöst.

Diese Regeln werden jetzt eingefroren. Eine spätere Änderung anhand der Prüfergebnisse würde die unabhängige Bewertung beeinträchtigen.

Warum Trainingsdaten und Prüfdaten trennen?

Trainingsdaten dienen dazu, Regeln oder Modellparameter festzulegen.

Prüfdaten dienen dazu, eine vorher festgelegte Regel auf unbekannten Fällen zu bewerten.

Bei zeitlich geordneten Maschinendaten ist eine chronologische Trennung häufig sinnvoll. Informationen aus der Zukunft dürfen nicht in die Modellerstellung gelangen.

Zeitliche Aufteilung unseres Beispiels:

Zeitraum	Verwendung
Tage 1–8	Training und Festlegung des Modells
Tage 9–10	Zeitlicher Abstand wegen des zweitägigen Prognosehorizonts
Tage 11–18	Unabhängige Prüfung nach Festlegung der Regel

Die tatsächlichen Ergebnisse der Prüftage werden erst nach Ablauf ihres jeweiligen zweitägigen Prognosezeitraums ausgewertet.

Merksatz: Erst festlegen, dann unabhängig prüfen – nicht umgekehrt.

Fachquelle: scikit-learn: TimeSeriesSplit

Lerneinheit 3: Ein Wartungsmodell prüfen

Dauer: 15 Minuten

Die unbekannten Prüfdaten

Du verwendest Modell A unverändert.

Tag	Schwingung in mm/s	Tatsächlicher Wartungsbedarf	Modell A
11	2,1	Nein	Kein Alarm
12	4,1	Ja	Alarm
13	3,7	Ja	Kein Alarm
14	4,8	Ja	Alarm
15	4,3	Nein	Alarm
16	1,9	Nein	Kein Alarm
17	3,2	Nein	Kein Alarm
18	5,1	Ja	Alarm

Deine Aufgabe: Markiere die richtigen und falschen Entscheidungen.

Vier mögliche Ergebnisse

Ergebnis	Bedeutung	Anzahl
True Positive – TP	Wartungsbedarf erkannt	3
True Negative – TN	Kein Wartungsbedarf und kein Alarm	3
False Positive – FP	Fehlalarm	1
False Negative – FN	Wartungsbedarf übersehen	1

Allgemeine Darstellung einer Konfusionsmatrix. Übertrage die vier Kategorien auf den Pumpenfall.

Begründetes Feedback: Tag 15 ist ein Fehlalarm, weil das Modell einen Wartungsbedarf meldet, der tatsächlich nicht vorliegt. Tag 13 ist ein übersehener Wartungsfall, weil trotz Wartungsbedarfs kein Alarm erfolgt.

Drei Kennzahlen

Accuracy – Gesamtgenauigkeit:

(3 + 3) / 8 = 75 %

Precision – Anteil richtiger Alarme:

3 / (3 + 1) = 75 %

Recall – Anteil erkannter Wartungsfälle:

3 / (3 + 1) = 75 %

Was bedeutet das? In dieser kleinen Testgruppe werden drei von vier tatsächlichen Wartungsfällen erkannt. Einer bleibt unerkannt. Einer von vier ausgelösten Alarmen ist unbegründet.

Das Vergleichsmodell B, das niemals Alarm gibt, erreicht hier nur 50 % Gesamtgenauigkeit und 0 % Recall.

Achtung: Acht Prüffälle sind viel zu wenig für einen belastbaren Nachweis industrieller Zuverlässigkeit. Die Kennzahlen beschreiben ausschließlich dieses fiktive Unterrichtsbeispiel.

Lernvideo: Konfusionsmatrix – StatQuest.

Auftrag: Erkläre, weshalb die Gesamtgenauigkeit allein kein ausreichendes Entscheidungskriterium ist.

Feedback: Wenn Schäden selten sind, kann ein Modell trotz hoher Gesamtgenauigkeit nahezu alle wichtigen Schadensfälle übersehen.

Lerneinheit 4: Modelle interaktiv untersuchen

Dauer: 15 Minuten

Interaktives Modell A: Schwellenwert verändern

Interaktive Schwellenwert-Simulation von Google

Hier kannst Du den Entscheidungsschwellenwert verändern und beobachten, wie sich richtige und falsche Klassifikationen verändern.

Experiment:

Verschiebe den Schwellenwert zunächst nach unten.
Beobachte, wie sich die Anzahl der erkannten positiven Fälle verändert.
Verschiebe ihn anschließend nach oben.
Vergleiche Fehlalarme und übersehene Fälle.

Feedback: Ein niedriger Schwellenwert erzeugt normalerweise mehr positive Meldungen. Dadurch können zusätzliche tatsächliche Fälle erkannt werden, zugleich können weitere Fehlalarme entstehen.

Datenschutzhinweis: Verwende ausschließlich die bereitgestellten Demonstrationsdaten. Die externe Website kann beim Aufruf technische Verbindungsdaten verarbeiten. Gib keine Betriebsdaten ein.

Interaktives Modell B: Precision und Recall

Interaktive Kennzahlen-Demonstration von Google

Experiment: Suche eine Einstellung mit möglichst hohem Recall. Erkläre, was dadurch bei der Precision passieren kann.

Feedback: Höherer Recall kann mit mehr Fehlalarmen erkauft werden. Ob das vertretbar ist, hängt von Risiken und Kosten ab.

Lokales Modell C: Mit Orange experimentieren

Orange Data Mining – offizielle Downloadseite

Dokumentation: Test and Score

Orange ermöglicht die visuelle Untersuchung einfacher Klassifikationsmodelle.

Lokaler Ausbildungsversuch:

Übertrage die erfundenen Trainings- und Prüfdaten in zwei getrennte lokale CSV-Dateien.
Kennzeichne den Wartungsbedarf als Zielvariable.
Lade beide Dateien in Orange.
Verbinde einen einfachen Klassifikations-Lerner, beispielsweise einen Entscheidungsbaum, mit „Test and Score“.
Verwende ausdrücklich die Einstellung „Test on test data“ mit getrenntem Prüfsatz.
Untersuche die Ergebnisse mit „Confusion Matrix“.

Hinweis: Der Entscheidungsbaum ist ein zusätzliches Modell. Seine Vorhersagen müssen nicht mit dem festen Schwellenwertmodell übereinstimmen.

Wichtig: Führe Orange ausschließlich lokal und ohne Cloud-Synchronisierung aus. Ändere nach der ersten unabhängigen Prüfung nicht fortlaufend das Modell anhand derselben Prüfdaten. Für eine erneute unabhängige Bewertung benötigst Du weitere unberührte Daten.

Vertiefungsbild: Schwingungssignale

Vertiefung für Fortgeschrittene: Vergleich verschiedener Darstellungen von Schwingungssignalen.

Reflexion: Warum kann eine einzelne Schwingungskennzahl Informationen verlieren?

Feedback: Unterschiedliche Fehlerursachen können ähnliche Gesamtwerte erzeugen. Frequenzinformationen und Betriebsbedingungen können bei der Diagnose zusätzliche Hinweise geben.

Lerneinheit 5: Praxistransfer und Quellenkritik

Dauer: 10 Minuten

Aktuelle fachliche Demonstrationen

Forschungsbeispiel 2026: Fraunhofer ITWM – Condition Monitoring und Predictive Maintenance

Die Seite bietet fachliche Informationen und einen Vortrag über Restnutzungsdauerprognosen.

Praxisdemonstration 2026: ifm Academy – Schwingungsüberwachung

Hier stehen die Parametrierung von Überwachungsgrenzen und die Interpretation von Messwerten im Vordergrund.

Gerätedemonstration: SKF Microlog dBX DataCollector.

Beobachte die Funktionen zur Datenerfassung. Die Demonstration ist keine Aufforderung, Messungen an einer laufenden Maschine eigenständig durchzuführen.

Quellenvergleich: Fraunhofer erläutert methodische Zusammenhänge aus Forschung und Anwendung. ifm und SKF zeigen herstellerspezifische Technik. Herstellerdemonstrationen können fachlich aufschlussreich sein, ersetzen aber keinen unabhängigen Leistungsnachweis.

Quellen und Medienrechte prüfen

Quelle	Fachlicher Nutzen	Kritischer Hinweis
Fraunhofer ITWM	Forschungs- und Anwendungswissen	Kein allgemeiner Wirksamkeitsnachweis für unsere fiktive Pumpe
scikit-learn	Dokumentiert zeitlich getrennte Modellprüfung	Die richtige Aufteilung hängt vom Datensatz ab
Google ML Crash Course	Kennzahlen und interaktive Übungen	Allgemeine Klassifikationsbeispiele, keine industrielle Freigabe
UCI – AI4I 2020	Synthetischer Demonstrationsdatensatz	Keine reale Maschinenvalidierung; Datensatz unter CC BY 4.0
ifm Academy	Praktische Herstellerdemonstration	Produktbezogene Perspektive
SKF Technical Support	Dokumentierte Gerätevideos	Kein unabhängiger Vergleichstest

Medienrechte: Die verwendeten Wikimedia-Commons-Dateien sind auf ihren Dateiseiten mit freien Lizenzen dokumentiert:

Electric motor.gif: Abnormaal, CC BY-SA 3.0.
BallBearing.gif: PlusMinus, CC BY-SA 3.0.
Pcb accelerometer.jpg: Matheusbrf, CC BY-SA 4.0.
Schema Ball bearing, deep groove.svg: Carnaubo, unter anderem CC BY-SA 4.0.
Confusion Matrix Metrics.png: Hssiqueira, CC0.
Comparison of Vibration Analysis in Time, Frequency, Cycle, and Order Domains.svg: Omri Matania und Mitautoren, CC BY 4.0.

Bei einer Weiterverwendung sind die Bedingungen der jeweiligen Dateilizenz einzuhalten. Für die YouTube-Videos ist hier keine freie Nachnutzungslizenz nachgewiesen. Sie werden deshalb lediglich verlinkt beziehungsweise eingebettet, nicht als frei kopierbare OER ausgewiesen.

Prüfstand der Quellen: Oktober 2026.

Gestufte Hilfen

Hilfe 1 – Orientierung: Vergleiche bei jedem Prüffall zuerst den Messwert mit 4,0 mm/s.

Hilfe 2 – Zuordnung: Vergleiche danach den ausgelösten oder ausgebliebenen Alarm mit dem tatsächlichen Wartungsbedarf.

Hilfe 3 – Kontrolle: Die Summe aus TP, TN, FP und FN muss acht ergeben. Rechne die drei Kennzahlen mit ihren jeweiligen Nennern nach.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist das Ziel der Zustandsüberwachung? (Den aktuellen Maschinenzustand anhand von Messwerten beurteilen) (!Die Maschinenfarbe bestimmen) (!Den Materialpreis automatisch senken) (!Die Ausbildung vollständig ersetzen)

Welche Größe wird im fiktiven Pumpenbeispiel untersucht? (Schwinggeschwindigkeit) (!Luftfeuchtigkeit) (!Strompreis) (!Raumbeleuchtung)

Wozu dienen die Trainingsdaten? (Zur Festlegung des Modells) (!Zum Veröffentlichen von Kundendaten) (!Zum endgültigen Nachweis der Modellqualität) (!Zur Steuerung fremder Maschinen)

Warum werden Prüfdaten getrennt verwendet? (Um eine festgelegte Regel mit unbekannten Fällen zu bewerten) (!Um zukünftige Daten bereits beim Training zu verwenden) (!Um Fehler automatisch auszuschließen) (!Um zusätzliche Sensoren überflüssig zu machen)

Welche Datenaufteilung passt häufig zu zeitlich geordneten Maschinenmessungen? (Chronologische Aufteilung) (!Beliebiges Vermischen aller Zeitpunkte) (!Ausschließlich die neuesten Messwerte zum Training) (!Doppelte Verwendung derselben Daten für jede Prüfung)

Was meldet Modell A bei genau 4,0 mm/s? (Alarm) (!Keinen Alarm) (!Automatischen Maschinenstillstand) (!Einen garantierten Lagerschaden)

Was bedeutet ein False Positive? (Alarm trotz fehlendem Wartungsbedarf) (!Wartungsbedarf ohne Alarm) (!Richtiger Alarm) (!Richtig ausgebliebener Alarm)

Was bedeutet ein False Negative? (Wartungsbedarf ohne Alarm) (!Richtiger Alarm) (!Fehlalarm ohne Wartungsbedarf) (!Richtig ausgebliebener Alarm)

Wie viele tatsächliche Wartungsfälle erkennt Modell A richtig? (Drei) (!Einen) (!Fünf) (!Acht)

Welche Schlussfolgerung ist aus acht Prüffällen zulässig? (Das Modell erreicht im Unterrichtsbeispiel einen Recall von 75 Prozent) (!Das Modell ist für jede industrielle Anlage sicher) (!Das Modell darf ohne Prüfung Anlagen abschalten) (!Das Modell liefert eine garantierte Restlebensdauer)

Memory

Schwingungssensor	Erfasst mechanische Bewegung
Trainingsdatensatz	Grundlage der Modellfestlegung
Prüfsatz	Unbekannte Fälle zur Bewertung
Schwellenwert	Grenze für einen Prüfhinweis
Fehlalarm	Meldung ohne bestätigten Bedarf
Übersehener Wartungsfall	Bedarf ohne Warnmeldung
Recall	Anteil erkannter Bedarfsfälle
Precision	Anteil berechtigter Alarmmeldungen

Drag and Drop

Ordne die richtigen Begriffe zu.	Bedeutung
Zustandsüberwachung	Gegenwärtige Maschinensignale beobachten und bewerten
Vorausschauende Wartung	Künftigen Instandhaltungsbedarf abschätzen
Training	Modellparameter mit bekannten Beispielen festlegen
Prüfung	Festgelegtes Modell mit unbekannten Fällen bewerten
Fehlalarm	Positive Vorhersage bei tatsächlich fehlendem Bedarf
Übersehener Fall	Negative Vorhersage trotz tatsächlichem Bedarf

Kreuzworträtsel

Sensor	Wie nennt man ein Bauteil zur Erfassung physikalischer Messgrößen?
Lager	Welches Maschinenelement ermöglicht eine geführte Drehbewegung?
Schwelle	Wie bezeichnet man eine Grenze für das Auslösen eines Alarms?
Fehlalarm	Wie heißt eine Warnung ohne tatsächlichen Wartungsbedarf?
Testdaten	Welche Daten dienen der unabhängigen Modellprüfung?
Recall	Welche Kennzahl beschreibt den Anteil erkannter positiver Fälle?

LearningApps

Die Suche zeigt gegebenenfalls vorhandene externe Lernbausteine. Überprüfe vor der Verwendung deren fachliche Richtigkeit und Nutzungsbedingungen.

Lückentext

Die regelmäßige Beobachtung des Maschinenzustands heißt

.

Ein Messfühler wird auch

genannt.

Die Modellregel wird mit den

festgelegt.

Für eine unabhängige Kontrolle benötigen wir getrennte

.

Unser einfacher Alarm wird durch einen

ausgelöst.

Ein Alarm ohne tatsächlichen Bedarf ist ein

.

Eine übersehene Störung zählt zu den falsch

Ergebnissen.

Die Kennzahl für den Anteil korrekt erkannter Wartungsfälle heißt

.

Den Anteil richtiger Alarme bezeichnet man als

.

Messdaten sollten nur in einer autorisierten

verarbeitet werden.

Offene Aufgaben

Bearbeite Aufgaben in aufsteigendem Schwierigkeitsgrad. Nutze nur erfundene Werte und lokal verfügbare Werkzeuge.

Leicht – Basisaufgaben

Signalweg zeichnen: Zeichne Sensor, Messwert, Modellentscheidung und Wartungshinweis als einfache Prozessgrafik.
Alarmregel anwenden: Entscheide für die Werte 3,2 mm/s, 4,0 mm/s und 5,1 mm/s, ob Modell A einen Alarm auslöst.
Datengrenzen markieren: Stelle die Trainingsphase, den zeitlichen Abstand und die Prüfphase auf einem Zeitstrahl dar.
Videobeobachtung: Erstelle eine kurze Bildnotiz zu zwei möglichen Schwingungsursachen aus dem ADASH-Video.

Feedback zur Basisstufe: Ein guter Signalweg trennt Messung, Modellentscheidung und fachliche Handlung, weil eine Alarmmeldung noch keine gesicherte Diagnose ist. Die drei Beispielwerte führen zu keinem Alarm, einem Alarm und einem Alarm. Ein korrekter Zeitstrahl verhindert, dass Zukunftsinformationen versehentlich in das Training gelangen.

Standard – Anwendungsaufgaben

Ergebnistabelle erstellen: Ordne alle acht Prüffälle den Kategorien TP, TN, FP und FN zu.
Kennzahlen berechnen: Ermittle Accuracy, Precision und Recall von Modell A.
Vergleichsmodell beurteilen: Vergleiche Modell A mit der Regel, niemals einen Alarm auszulösen.
Lokalen Modellversuch gestalten: Erstelle mit erfundenen Daten in Orange einen einfachen Entscheidungsbaum und dokumentiere die getrennte Prüfung.

Feedback zur Anwendungsstufe: Korrekt sind TP = 3, TN = 3, FP = 1 und FN = 1. Daraus folgen jeweils 75 % für Accuracy, Precision und Recall. Das Vergleichsmodell erreicht nur 50 % Accuracy und erkennt keinen Wartungsfall. Ein neuer Entscheidungsbaum kann andere Ergebnisse liefern; deshalb muss die jeweilige Modellregel genau dokumentiert werden.

Schwer – Transferaufgaben

Wartungskosten bewerten: Nutze die fiktive Annahme, dass ein Fehlalarm 20 Euro und ein übersehener Wartungsfall 200 Euro kostet. Begründe, welche Fehlerart Du stärker vermeiden möchtest.
Veränderte Betriebsbedingungen untersuchen: Entwerfe einen fiktiven zweiten Datensatz mit höherer Last und erkläre, warum sich die Aussagekraft des bisherigen Modells verändern könnte.
Hersteller und Forschung vergleichen: Vergleiche eine Herstellerdemonstration mit einer Fraunhofer-Quelle. Gestalte ein Quellenprüfblatt mit Aussagen, Nachweisen, Interessen und Medienrechten.
Einen neuen Prüfplan entwickeln: Plane eine weitere unabhängige Prüfung mit zusätzlichen fiktiven Tagen, klaren Zieldefinitionen und einer fachlichen Freigabeentscheidung.

Feedback zur Transferstufe: Im Kostenbeispiel wiegt ein übersehener Wartungsfall zehnmal so schwer wie ein Fehlalarm. Eine niedrigere Schwelle könnte deshalb erwogen werden, muss aber vor einer neuen unabhängigen Prüfung festgelegt werden. Andere Lastbedingungen verändern möglicherweise die Schwingungen auch ohne Defekt. Eine seriöse Freigabe erfordert deshalb neue repräsentative Daten, eine dokumentierte Fehlerbewertung und eine verantwortliche Fachentscheidung.

Lernkontrolle

Bearbeite die Aufgaben mit Begründung, Skizzen, Rechenwegen oder einem kurzen Erklärvideo.

Fehlerhafte Datentrennung erkennen: Eine Auszubildende verändert den Grenzwert mehrfach, bis die Prüfdaten besonders gute Ergebnisse liefern. Erkläre das Problem und entwickle eine bessere Vorgehensweise.
Messfehler übertragen: Ein Schwingungssensor wird an einer anderen Stelle befestigt. Erkläre, weshalb das bestehende Modell möglicherweise nicht mehr zuverlässig bewertet werden kann.
Entscheidungen begründen: Ein übersehener Schaden verursacht wesentlich höhere Kosten als ein Fehlalarm. Erläutere die möglichen Folgen für die gewünschte Sensitivität des Modells.
Seltene Fehler betrachten: Von 100 fiktiven Fällen enthalten 99 keinen Wartungsbedarf. Ein Modell meldet nie einen Alarm. Begründe, warum 99 % Accuracy irreführend sein können.
Quellen kritisch beurteilen: Ein Hersteller behauptet, seine Wartungslösung verhindere jeden Ausfall. Formuliere drei Prüfbedingungen, die Du vor der Übernahme dieser Aussage verlangen würdest.
Neue Maschinendaten beurteilen: Ein Modell wird auf einen anderen Pumpentyp übertragen. Entwickle einen Prüfplan, der technische Unterschiede und unabhängige Testdaten berücksichtigt.
Alarmreaktion gestalten: Entwickle einen Ablauf, wie ein fiktiver Alarm dokumentiert, fachlich kontrolliert und gegebenenfalls an autorisierte Fachkräfte weitergegeben werden sollte.

Bewertungshinweis: Entscheidend sind nachvollziehbare Zusammenhänge, korrekt begründete Schlussfolgerungen und die Berücksichtigung von Unsicherheit, Datentrennung und Sicherheit. Eine bloße Wiedergabe von Fachbegriffen genügt nicht.

Lernnachweis

Für einen erfolgreichen Lernnachweis dokumentierst Du:

Fachverständnis: Unterschied zwischen Zustandsüberwachung und vorausschauender Wartung.
Datenaufteilung: Nachvollziehbar getrennte Trainings- und Prüfdaten einschließlich Prognosehorizont.
Modellbeschreibung: Messgröße, Zielvariable und vorab festgelegte Entscheidungsregel.
Modellprüfung: Korrekte Konfusionsmatrix und Berechnung von Accuracy, Precision und Recall.
Kritische Bewertung: Erklärung mindestens eines Fehlalarms und eines übersehenen Wartungsfalls.
Transfer: Vorschlag für eine zusätzliche unabhängige Prüfung unter veränderten Bedingungen.
Quellennachweis: Zwei geprüfte Fachquellen mit einer begründeten Aussage zu deren Grenzen und Medienrechten.
Sicherheit: Bestätigung, dass ausschließlich fiktive Daten und lokale oder ausdrücklich autorisierte Übungsumgebungen verwendet wurden.

Empfohlenes Lernprodukt: Ein zweiseitiger Prüfbericht oder eine kurze Präsentation mit Datentabellen, einer Ergebnisgrafik, Quellenvergleich und einer begründeten Handlungsempfehlung.

Bestehensmaßstab: Die Trennung von Training und Prüfung ist korrekt, die Kennzahlen sind rechnerisch nachvollziehbar und es werden keine unzulässigen industriellen Sicherheitsversprechen aus den Übungsdaten abgeleitet.

OERs zum Thema

Wikipedia: Prädiktive Instandhaltung

Wikipedia: Condition-Monitoring

Weitere frei nutzbare Ressourcen:

AI4I 2020 Predictive Maintenance Dataset: Synthetischer Datensatz unter CC BY 4.0. Die Daten wurden nicht für den erfundenen Pumpenfall übernommen.
Google Machine Learning Crash Course: Fachliche Erläuterungen und interaktive Übungen. Die dort veröffentlichten Seiteninhalte stehen grundsätzlich unter CC BY 4.0, soweit nicht anders angegeben.
Wikimedia Commons – Condition monitoring: Weitere Medien mit individuell zu prüfenden Dateilizenzen.
Orange Data Mining – Dokumentation: Anleitungen für die lokale visuelle Modellierung.

Medienkompetenz: Frei zugängliche Videos sind nicht automatisch offen lizenziert. Prüfe insbesondere Urheber, Lizenz, Veröffentlichungskontext, Aktualität und mögliche Produktinteressen.