Data Scientist bei iFAKT GmbH im Team Research & Technology,? aktuelle Drittmittel-Forschungsprojekte: REASSERT - Kreislaufwirtschaft und R-Strategien für Elektromotoren, ResiNet -?Resilienz in agilen Produktionsnetzwerken, sowie weiter Projekte im Bereich Machine Learning, Deep Reinforcement Learning und Multi-Agenten-Systeme

wisenschaftliche Mitarbeiterin bei iFAKT GmbH im Team Research & Technology, u.a. Mitarbeit am Forschungsprojekt ECOWERT - Echtzeitorientierte Wertstromanalyse

Studium Bc. Informatik an der HfT Stuttgart, Abschlussarbeit "Einsatz von Reinforcement Learning zur Optimierung der Produktionsplanung unter Berücksichtigung von CO2-Einsparungen

Gesch?ftsführende Gesellschafterin der Stambera Verpackungsmaschinen GmbH (Sondermaschinenbau, Vertrieb weltweit)

Studium der Betriebswirtschaft an der Fachhochschule Nürtingen (heute Hochschule für Wirtschaft und Umwelt Nürtingen) - Abschlussarbeit "Kriterien für die Standortwahl eines Industriebetriebes innerhalb Deutschlands"

Real-Time Anomaly Detection in Manufacturing: A Data-Driven Approach to Enhancing Production Efficiency through Online KPI Monitoring,? Procedia?CIRP, DOI: 10.1016/j.procir.2025.03.047 Contributors: Jonas Gram; J?rg Drees; Steffi Stambera; Martin Jest?dt; Maurizio Di Cagno; Thomas Bauernhansl. This study addresses the challenges of traditional value stream mapping in the context of Industry 4.0, where real-time data collection on the shop floor is becoming increasingly important. Traditional methods often fail to address the complexity of modern dynamic production environments leading to inaccuracies (lack of expert knowledge) and time delays (manual intervention) in root cause analysis. We propose an approach that uses online detection of KPI anomalies to proactively detect deviations in production processes and identify the root causes of productivity losses in real time. Our method combines statistical metrics, predictive techniques, and ensemble models to improve the robustness of anomaly detection. The system we use allows real-time monitoring with dynamic adaptation of the model to changing production conditions. Validated by case studies in automated and manual assembly processes, we show that the causes of productivity losses are reliably identified during operation in different production environments.

Universelle Datenschnittstelle für digitale Wertstromdienste Zeitschrift für wirtschaftlichen Fabrikbetrieb 2023-05-01 | DOI: 10.1515/zwf-2023-1062 Contributors: Markus B?hm; J?rg Drees; Brandon Sai; Klaus Erlach; Steffi Stambera; Tim Teriete. Moderne Produktionsanlagen bieten die Funktion, ihre Attribute und Zust?nde eigenst?ndig digital abzubilden. Die so entstehenden Daten enthalten Informationen über eine Vielzahl von in der Produktion lokal aufgetretenen Einzelereignissen. Der in diesem Beitrag beschriebene Ansatz nutzt diese ?Events“ als strukturierte Rohdaten, um Dienste zur Produktionsoptimierung im methodischen Rahmen des Wertstroms zu entwickeln. Technisches Ziel ist dabei, den zu verarbeitenden Datenstrom so zu vereinheitlichen, dass er an einer universellen Schnittstelle direkt für die Serviceentwicklung genutzt werden kann. Ein Wertstromdienst zur Kennzahlenberechnung und Visualisierung wurde im Forschungsprojekt ECOWERT bereits erfolgreich angebunden.