Maschinelles Lernen in der Prozessindus­trie

Motivation

Die Konzepte der Industrie 4.0 ermöglichen es Anlagenbetriebern, die Produktivität, Energieeffizienz und Sicherheit in der Produktion zu verbessern.  Moderne Anlagen sind hochautomatisiert, vernetzt und verfügen über eine umfassende Ausstatung an Sensoren. Um den Betrieb weiter zu optimieren, verwerten die Anlagenbetreiber enorme Menge an Produktionsdaten, die während des Betreibs anfallen. Hierfür kommen die Methoden der datengetriebenen Modellierung oder sogenanntes Maschinelles Lernen zum Einsatz.

Inhalt

Die Lehrveranstaltung beschäftigt sich mit der Lösung von Problemstellungen, durch Anwendung von Methoden des Maschinellen Lernens. Inhalte der Lehrveranstaltung sind die ausgewählten Methoden, Modelle und Werkzeuge für die datengetriebene Modellierung von industriellen Prozessen. Der Fokus liegt auf der problemorientierten Anwendung von Ansätzen von Maschinellem Lernen zur Lösung typischer Aufgaben wie Regression, Klassifikation, Clustering und Zeitreihenanalyse. Das Unterscheidungsmerkmal dieser Lehrveranstaltung liegt in der Fokussierung auf typischer Problemstellung in der Verfahrenstechnik.

Inhaltliche Schwerpunkte:

• Vorgehensweise zur Durchführung von ML-Projekten
• Datengewinnung, -exploration und -visualisierung
• Datenvorverarbeitung (Bereinigung, Feature Engineering, PCA)
• Tradionelle ML-Modelle, Zielfunktionen und Metriken für Regressions-, Klassifikations- und Clustering Problemstellungen
• Numerische Verfahren zur Parameterschätzung und Regularisierungsansätze
• Feed-Forward Neuronale Netze, Aktivierungsfunktionen, Moderne Architekturen, Transfer Learning, Software Frameworks
• Grundlagen der Zeitreihenanalyse, Modelle zur Modellierung von Zeitreihen

Ergänzend zu den Vorlesungen finden Übungen statt, in denen die Vorlesungsinhalte mit Hilfe von praxisrorientierten und Industrienahen Problemstellungen vertieft werden. Den Kern der Übungen bildet der praktische Umgang mit ML-typischen Softwarepaketen wie Jupyter Notebook, Pandas, Scikit-Learn und PyTorch.

Zwei Projektaufgaben zum Selbstlösen runden den Kurs ab.

Die Sprache der Lehrveranstaltung ist English.

Umfang

(2 2 0 SWS)

Vorlesungsunterlagen

Die Vorlesungsunterlagen finden sie unter der Lehrveranstaltung Machine Learning in Chemical Engineering auf OPAL.

Empfohlene Vorkenntnisse:

• Grundlagen Lineare Algebra
• Grundlagen Statistik