Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in die prädiktive Wartung
- Was ist prädiktive Wartung?
- Reaktive vs. präventive vs. prädiktive Ansätze
- Praxisnahe ROI-Beispiele und Branchen-Fallstudien
Datenerfassung und -vorbereitung
- Sensoren, IoT und Datenprotokollierung in industriellen Umgebungen
- Datenbereinigung und Strukturierung für die Analyse
- Zeitreihendaten und Labeling von Ausfällen
Maschinelles Lernen für die prädiktive Wartung
- Überblick über Modelle des Maschinellen Lernens (Regression, Klassifizierung, Anomalieerkennung)
- Auswahl des richtigen Modells zur Vorhersage von Anlagenfehlern
- Modelltraining, Validierung und Leistungskennzahlen
Aufbau des prädiktiven Arbeitsablaufs
- End-to-End-Pipeline: Datenerfassung, Analyse und Warnmeldungen
- Einsatz von Cloud-Plattformen oder Edge Computing für Echtzeit-Analysen
- Integration in bestehende CMMS- oder ERP-Systeme
Modellierung der Fehlermodi und des Gesundheitsindex
- Vorhersage spezifischer Fehlermodi
- Berechnung der verbleibenden nutzbaren Lebensdauer (Remaining Useful Life, RUL)
- Entwicklung von Dashboards zur Asset-Gesundheit
Visualisierung und Warnsysteme
- Visualisierung von Vorhersagen und Trends
- Festlegung von Schwellenwerten und Erstellung von Warnmeldungen
- Gestaltung umsetzbarer Erkenntnisse für Bediener
Best Practices und Risikomanagement
- Überwindung von Datenqualitätsproblemen
- Ethik und Erklärbarkeit in industriellen KI-Systemen
- Change Management und Implementierung über Teams hinweg
Zusammenfassung und nächste Schritte
Voraussetzungen
- Kenntnisse über industrielle Anlagen und Wartungsprozesse
- Grundlegendes Verständnis von KI- und Maschinellem-Lernen-Konzepten
- Erfahrung mit Datenerfassungs- und Überwachungssystemen
Zielgruppe
- Wartungsingenieure
- Teams für Zuverlässigkeit (Reliability Teams)
- Betriebsmanager
14 Stunden