#40706 / #9

SoSe 2021 - SoSe 2022

Deutsch

Simulation und Technische Diagnose

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

Heinze, Ewa

ewa.heinze@tu-berlin.de

PORD-Nr.ModultitelLPBenotungPrüfungsformPNr. (POS)Modulprüfung PORDModulprüfung PNr.
27550

Lernergebnisse

Die Studierenden besitzen einen Überblick auf dem Gebiet der Modellbildung und der Technischen Diagnose und können für die Kernaufgaben Steuerung, Regelung und Diagnose mechatronischer Komponenten (im Kraftfahrzeug) nach wissenschaftlichen Methoden selbständig Lösungen erarbeiten.

Lehrinhalte

In der IV Modellbildung und Simulation mechatronischer Systeme wird anfangs eine Einführung in die Anwendung der Simulation gegeben, um anschließend die Methoden und Werkzeuge zur Modellbildung zu lehren. Als Anwendung in der Simulation gelten die Gebiete der Diagnose, der Steuerung und der Regelung. Für die Simulation werden die Grundlagen von Simulink und Modelica gelehrt. Die Vorlesungsvorträge werden kombiniert mit projektorientierten Modellierungsaufgaben, die von den Studierenden selbständig gelöst werden. In der Vorlesung Mustererkennung und Technische Diagnose werden die statistischen Grundlagen der Mustererkennung gelehrt. Anschließend werden Klassifikations- und Mustererkennungsverfahren (Machine Learning) sowie moderne modellgestützte Diagnoseverfahren für mechatronische Systeme behandelt.

Modulbestandteile

Pflichtgruppe:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Modellbildung und Simulation mechatronischer SystemeIV0430 L 318WSDeutsch2
Mustererkennung und Technische DiagnoseVL0430 L 343SSKeine Angabe2

Arbeitsaufwand und Leistungspunkte

Modellbildung und Simulation mechatronischer Systeme (IV):

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

Mustererkennung und Technische Diagnose (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
90.0h(~3 LP)
Präsenzzeit15.02.0h30.0h
Selbständiges Lernen und Lesen1.060.0h60.0h
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Mustererkennung und Technische Diagnose - Vorlesungen (VL): Frontalvorträge Modellbildung und Simulation mechatronischer Systeme - Integrierte Veranstaltung (IV) - Frontalvorträge und projektorientierte Aufgabenbearbeitung

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Grundlagen der Messdatenverarbeitung, Regelungstechnik, Elektronikgrundkenntnisse, Kenntnisse in der Programmiersprache Python.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

1. Voraussetzung
Unbenoteter Übungsschein

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Schriftliche Prüfung

Sprache

Deutsch

Dauer/Umfang

150 min

Dauer des Moduls

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

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

keine

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Bishop, C. M.: Pattern Recognition and Machine Learning, Information Science and Statistics (2006)
Bohn, C.; Unbehauen, H.: Identifikation dynamischer Systeme. Methoden zur experimentellen Modellbildung aus Messdaten. Springer Vieweg. 2016
Cellier, F., E.: Continous System Simulation. Springer (2006)
Duda, R. O.; Hart, P. E.: Pattern Classification. Wiley (2000)
Fritzson, P.: Principles of Object-Oriented Modeling and Simulation with Modelica 3.3: A Cyber-Physical Approach (2015)
Gipser, M.: Systemdynamik und Simulation. B. G. Teubner Stuttgart – Leipzig (1999)
Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. The MIT Press, 2016
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)
Ljung, L.: System Identification: Theory for the User (1999)
Müller, R.: Modellierrung, Analyse und Simulation elektrischer und mechanischer Systeme mit Maple und MapleSim. Springer Vieweg (2014)
Niemann, H.:Klassifikation von Mustern. Springer-Verlag, Berlin. (1983)
Raschka, S.: Machine Learning mit Python. Das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning. Mittp. 2017
Schölkopf, B.; Smola, Alexander J : Learning with kernels: Support vector machines, regularization, optimization, and beyond. MIT press (2002)
Thomas Lienhard Schmitt, T. L., Andres, M.: Methoden zur Modellbildung und Simulation Mechatronischer Systeme - Bondgraphen, objektorientierte Modellierungstechniken und numerische Integrationsverfahren, Springer Vieweg, 2018
Tiller, M: Introduction to Physical Modelling with Modelica. Kluwer Academic Publishers (2001)
Tiller, M: Modelica by Examples. Internetbuch. http://book.xogeny.com/
Zirn, O.: Modellbildung und Simulation mechatronischer Systeme. Expert Verlag (2002)

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

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

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Achtung! Das Modul kann nicht mit den Modulen "Technische Diagnose I" oder "Simulation I" kombiniert werden.