Anzeigesprache
Zur Modulseite PDF generieren

#40735 / #3

SS 2017 - WS 2017/18

Deutsch

Technische Diagnose I

6

Gühmann, Clemens

benotet

Schriftliche Prüfung

Zugehörigkeit


Fakultät IV

Institut für Energie und Automatisierungstechnik

34311600 FG Elektronische Mess- und Diagnosetechnik

Keine Angabe

Kontakt


EN 13

Beyer, Christine

clemens.guehmann@tu-berlin.de

Lernergebnisse

Die Studierenden sind nach dem Besuch der Lehrveranstaltungen in der Lage, die wichtigsten Methoden zur Mustererkennung sowie zur modellgestützten Diagnose anzuwenden und selbständig praxisrelevante Aufgaben zu lösen.

Lehrinhalte

Diagnosesysteme haben die Aufgabe, die bei der Fertigung oder dem Betrieb elektrischer, mechanischer oder mechatronischer Systeme (Prozesse) auftretenden Fehler schnell und möglichst genau nach Art, Ort und Ursache zu bestimmen. Die Vorlesung gibt eine Einführung in die Verfahren der Fehlerdiagnose für automatisierungstechnische Prozesse und mechatronischer Komponenten und Geräte. Neben den klassischen signalgestützten Diagnoseverfahren werden moderne, forschungsnahe modellgestützte Methoden dargestellt. Eine Vertiefung erfolgt darüber hinaus auf dem Gebiet der Mustererkennung, mit dem Ziel, diese für Diagnosezwecke einzusetzen. Es werden Beispiele in MATLAB® aus dem Bereich des Kraftfahrzeugs gegeben. Das Praktikum Mustererkennung und Technische Diagnose enthält die Inhalte der Vorlesung, wobei praktische Probleme mit MATLAB® gelöst werden. Hierzu wird an einem Prüfstand eine Klassifikation von Elektromotoren durchgeführt.

Modulbestandteile

Pflichtteil:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Mustererkennung und Technische DiagnoseVL0430 L 343SoSeKeine Angabe2
Mustererkennung und Technische DiagnosePR0430 L 341SoSeKeine Angabe2

Arbeitsaufwand und Leistungspunkte

Mustererkennung und Technische Diagnose (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Mustererkennung und Technische Diagnose (PR):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit8.02.0h16.0h
Protokolle8.02.0h16.0h
Vor- und Nachbereitung der Versuche1.058.0h58.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Lehrinhalte werden durch eine Vorlesung und durch ein Praktikum vermittelt.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Kenntnisse in der mathematische-technischen Programmiersprache MATLAB®

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

1. Voraussetzung
[MDV] bestandenes Praktikum Mustererkennung

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Schriftliche Prüfung

Sprache

Deutsch

Dauer/Umfang

90 min

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 32.

Anmeldeformalitäten

Die Anmeldung für das Praktikum erfolgt per Email beim Betreuer. Weitere Details werde im Anschluss an die erste Vorlesung bekannt gegeben (siehe Fachgebietsseite).

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Duda, R. O.; Hart, P. E: Pattern Classification. (2000)
Isermann, R.; Münchhoff, M.: Identification of Dynamic Systems: An Introduction with Applications. Springer (2011)
Isermann, R.: Fault-Diagnosis Systems. An Introduction from Fault Detection to Fault Tolerance. Springer Verlag (2006)
Janczak, A.: Identification of Nonlinear Systems Using Neural Networks and Polynomial Models. Springer Berlin (2005)
Korbicz, J.; Koscielny, J.M.; Kowalczuk, Z.; C holewa, W. (Eds.): Fault Diagnosis. Models, Artificial Intelligence, Application. Springer (2004)
Ljung, L.: System Identification: Theory for the User P T R Prentice Hall, Englewood Cliffs (1999)
Niemann, H.:Klassifikation von Mustern. Springer-Verlag, Berlin. (1983)
Schölkopf, B.; Smola, Alexander J : Learning with kernels: Support vector machines, regularization, optimization, and beyond. MIT Press (2002)

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Das Projekt und das Praktikum kann nur bei ausreichender Ausstattung (wissenschaftliche Mitarbeiter) angeboten werden.