Data Science in der Tribologie
Die fortschreitende Digitalisierung führt in der tribologischen Forschung und Entwicklung zu immer größeren Datenmengen. Moderne Produktionsanlagen nutzen integrierte Sensoren zur Zustandsüberwachung, während Forschungslabore große digitale Datenmengen generieren.Trotz der Beliebtheit von KI-Tools wie ChatGPT wird oft übersehen, dass ein tiefes Verständnis der Daten für deren effektiven Einsatz notwendig ist.In diesem Seminar konzentrieren wir uns auf die Analyse und Visualisierung von tribologischen Messdaten, etwa Zeitreihen von Sensoren, mittels Data Science Methoden. Wir zeigen, wie man aus diesen Datenmengen Mehrwert schafft und diskutieren Grenzen sowie Anwendungsmöglichkeiten von KI-Methoden in diesem Bereich, unterstützt durch Beispiele aus der tribologischen Forschung. Sie lernen, wie Sie Messdaten aus dem Umfeld tribologischer Systeme, z.B. Zeitreihen von Kraft- oder Vibrationssensoren, mit Hilfe moderner Data Science Werkzeuge analysieren und visualisieren können. Sie erhalten einen Überblick über gängige Softwaresysteme, die in der Data Science Community eingesetzt werden und lernen, wie Sie mit Hilfe der Softwareumgebung „Python“ Datenanalyseaufgaben durchführen können. Außerdem erhalten Sie einen Erfahrungsbericht über Einsatzmöglichkeiten und Grenzen der künstlichen Intelligenz aus dem Blickwinkel der tribologischen Forschung.
Donnerstag, 8. Mai 20259.00 bis 12.15 und 13.15 bis 16.30 Uhr1. Grundlagen der Data ScienceAufgaben und Ziele der Data ScienceDatenquellen und Datenstrukturen anhand typischer Beispiele aus der TribologieExplorative DatenanalyseDatenmodellierung mit multivariaten DatenAspekte der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML)2. Durchführung von Data Science Aufgaben mit Python anhand tribologischer DatenInstallation und Einrichtung der ArbeitsumgebungErörterung der wesentlichen Python-ProgrammbibliothekenDatenvorbereitungDatenanalyseVisualisierung3. Anwendungsbeispiele aus der Tribologie„Design of Experiment“ (DoE) für tribometrische VersuchsreihenAnalyse und Visualisierung von Zeitreihen aus tribometrischen VersuchenML-basierte Klassifizierung von ReibungszuständenKI-basierte Früherkennung von kritischen Zuständen4. Erfahrungen über Möglichkeiten und Grenzen der künstlichen Intelligenz aus dem Blickwinkel der tribologischen ForschungDiskussion mit den Seminarteilnehmer*innen
| Veranstaltungs-Code | FB24-519065-60422431 |
