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.

Ziel der Weiterbildung

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 2025
9.00 bis 12.15 und 13.15 bis 16.30 Uhr

1. Grundlagen der Data Science

• Aufgaben und Ziele der Data Science
• Datenquellen und Datenstrukturen anhand typischer Beispiele aus der Tribologie
• Explorative Datenanalyse
• Datenmodellierung mit multivariaten Daten
• Aspekte der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML)

2. Durchführung von Data Science Aufgaben mit Python anhand tribologischer Daten

• Installation und Einrichtung der Arbeitsumgebung
• Erörterung der wesentlichen Python-Programmbibliotheken
• Datenvorbereitung
• Datenanalyse
• Visualisierung

3. Anwendungsbeispiele aus der Tribologie

• „Design of Experiment“ (DoE) für tribometrische Versuchsreihen
• Analyse und Visualisierung von Zeitreihen aus tribometrischen Versuchen
• ML-basierte Klassifizierung von Reibungszuständen
• KI-basierte Früherkennung von kritischen Zuständen

4. Erfahrungen über Möglichkeiten und Grenzen der künstlichen Intelligenz aus dem Blickwinkel der tribologischen Forschung

• Diskussion mit den Seminarteilnehmer*innen