Portfolio-Prototyp
Predictive Maintenance
Predictive-Maintenance-Prototyp auf simulierten Sensordaten mit Ausfallklassifikation, RUL-Regression, Prefect-Workflows, FastAPI-Endpunkten und einer Dash-Demo.
GitHub ↗Überblick
Untersucht die Klassifikation von Ausfallrisiken und die Regression der Restnutzungsdauer (RUL) anhand simulierter Sensorverläufe.
Architektur
- Der Sensorsimulator erzeugt Verläufe zunehmenden Motorverschleißes (src/data/simulator.py).
- Prefect-Flows verbinden Validierung, Labels, Features, Klassifikations-/Regressionstraining und das Speichern von Modellen (src/pipeline/flows.py).
- FastAPI stellt Inferenz-Endpunkte bereit; Dash bietet eine Demonstrationsoberfläche (src/api/ und src/dashboards/web_dashboard.py).
Engineering-Entscheidungen
- Datenaufnahme, Feature Engineering und Training in separate Prefect-Flows aufteilen.
- Separate Modelle für Ausfallklassifikation und RUL-Regression verwenden.
- Demonstrationen durch heuristische Fallback-Inferenz auch ohne Modellartefakte ermöglichen.
Implementierte Komponenten
- Sensorsimulation, Labeling und Feature Engineering.
- Modelltraining und Evaluation in src/models/training.py.
- Endpunkte für Ausfallrisiko, RUL, Batch-Anfragen und Was-wäre-wenn-Szenarien in src/api/routes.py.
- Dash-Demonstration und CI-/Deployment-Konfiguration.
Aktuelle Grenzen
- Die Daten sind simuliert; ein industrielles Deployment ist nicht verifiziert.
- Ohne gespeicherte Modelle verwendet die API heuristische Vorhersagen; der Anomalie-Endpunkt nutzt einfache Sensorschwellenwerte.
- RUL-Intervalle und Kosteneinsparungen in Was-wäre-wenn-Szenarien sind illustrative Werte, keine kalibrierte Unsicherheit oder belegten Geschäftsergebnisse.
- Cloud-Deployment-Dateien belegen kein verifiziertes GCP-Deployment.