BET204: Data Science für Industrie 4.0 (mit Praktikum)

Lernpfad Intelligente Signalverarbeitung

BET204: Data Science für Industrie 4.0 (mit Praktikum)

Kurzporträt BET204: Data Science für Industrie 4.0 (mit Praktikum)
Worum geht es? In diesem Modul lernen Studierende, technische Mess- und Prozessdaten systematisch aufzubereiten und auszuwerten. Studierende beschäftigen sich mit Datenbanken, industriellen Kommunikationsprotokollen, Datenbereinigung, Visualisierung, Feature Engineering und grundlegenden Verfahren des maschinellen Lernens. Im Praktikum setzen Studierende typische Data-Science-Werkzeuge ein, um technische Daten zu analysieren und Modelle zu bewerten.
Wofür braucht man es? Diese Kompetenzen werden gebraucht, wenn Produktions-, Energie- oder Gerätesysteme datenbasiert überwacht, optimiert oder diagnostiziert werden sollen. Die Inhalte ermöglichen es, aus Sensordaten belastbare Hinweise für Fehlerdiagnose, Zustandsüberwachung und technische Entscheidungen abzuleiten.
Wieso ist es interessant? Moderne Technik erzeugt große Mengen an Daten, die erst durch geeignete Auswertung wirklich nützlich werden. Das Modul zeigt, wie aus Rohdaten verständliche Muster, Prognosen und Entscheidungen entstehen können.
Modulverantwortung

Prof. Dr. Christoph Quix

Lehrperson(en)

Prof. Dr. Christoph Quix

Verwendbarkeit

Bachelor Elektrotechnik

Fächergruppe

Ingenieurwissenschaften

Modultyp
Pflicht
Sprache

Deutsch

Angebot

Sommersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - S

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Data Science for Industry 4.0

Empfohlene Voraussetzungen
  • BB008: Informatik für Ingenieurwissenschaften: Programmiergrundlagen, Python, strukturierte Datenverarbeitung und grundlegende Datenanalyse.
Lernergebnisse / Kompetenzen
WAS

Die Studierenden beherrschen den grundlegenden Prozess der Aufbereitung und Analyse von Mess- und Prozessdaten aus ingenieurwissenschaftlichen Anwendungen. Sie können Daten aus typischen Sensor- und Systemquellen erfassen, bereinigen, transformieren und zur Modellbildung für Anwendungen wie Fehlerdiagnose oder Zustandsüberwachung einsetzen. Zudem sind sie in der Lage, geeignete Methoden des maschinellen Lernens bspw. zur Klassifikation oder Regression auszuwählen und deren Ergebnisse fachgerecht zu interpretieren.

WOMIT

Die Studierenden wenden zentrale Methoden der Datenverarbeitung in technischen Systemen an. Dazu implementieren relationale Modelle in SQL-Datenbanksystemen, lesen Sensordaten über industrielle Kommunikationsprotokolle wie OPC UA oder MQTT ein, bereiten Daten mittels Cleaning, Transformation und Feature Engineering auf und visualisieren Analyseergebnisse mit gängigen Data-Science-Bibliotheken. Darüber hinaus setzen sie grundlegende Verfahren des maschinellen Lernens sowie neuronale Netze in Python-basierten Umgebungen ein, um Modelle für elektrotechnische Anwendungen zu entwickeln und zu evaluieren.

WOZU

Die Studierenden nutzen diese Kompetenzen, um datengetriebene Verfahren in elektrotechnischen Anwendungen zielgerichtet einzusetzen. Sie tragen zur Analyse und Optimierung von Produktions- und Energiesystemen bei, unterstützen die Entwicklung vernetzter und intelligenter Geräte, realisieren Lösungen zur Zustandsüberwachung und Fehlerdiagnose und integrieren Datenverarbeitungsschritte in digitale Prozesse der Industrie 4.0. Dabei sind sie in der Lage, datenbasierte Entscheidungen vorzubereiten und technische Systeme auf Grundlage belastbarer Analyseergebnisse weiterzuentwickeln.

Inhalte
  • Grundlagen der Datenmodellierung und von Datenbanktechnologien
  • Verarbeitung von industriellen Datenströme und Sensordaten
  • Datenaufbereitung und -integration
  • Datenvisualisierung und explorative Analyse
  • Klassische Verfahren des maschinellen Lernens
  • Grundlagen von neuronalen Netzen und Deep Learning
Prüfungsvorleistung

aktive Praktikumsteilnahme

Prüfungsleistung

Klausur, 120 Minuten

Literatur
  • A. Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd edition, O’Reilly, 2022.
  • J. VanderPlas. Python Data Science Handbook. 2nd edition, O’Reilly, 2023.
  • M.J. Neuer: Machine Learning for Engineers - Introduction to Physics-Informed, Explainable Learning Methods for AI in Engineering Applications. Springer, 2024.
  • A. Lindholm, N. Wahlström, F. Lindsten, T.B. Schön: Machine Learning - A First Course for Engineers and Scientists. Cambridge University Press, 2022.
  • J.D. Kelleher, B. Tierney: Data Science. MIT Press, 2018.