Anzeigesprache
Zur Modulseite PDF generieren

#40735 / #6

Seit SoSe 2021

Deutsch

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

Beyer, Christine

clemens.guehmann@tu-berlin.de

Lernergebnisse

Die Studierenden haben nach dem Besuch der Lehrveranstaltungen vertiefte Kenntnisse zum Aufbau und zur Wirkungsweise eines Mustererkennungssystems zur Diagnose mechatronischer Systeme erworben und sind in der Lage, diese selbständig, praxisrelevant anzuwenden sowie wissenschaftlich fundiert weiterzuentwickeln. Darüber hinaus haben sie den Überblick erworben, mit welchen Software-Werkzeugen (Python) ein Diagnosesystem/Mustererkennungssystem realisiert werden kann.

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. Das Praktikum Mustererkennung und Technische Diagnose enthält die Inhalte der Vorlesung, wobei praktische Probleme mit Python 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 Modulinhalte werden durch eine Vorlesung und ein Praktikum vermittelt.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Kenntnisse in der Programmiersprache Python.

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 über den entsprechenden ISIS-Kurs. 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
Bishop, C. M.: Pattern Recognition and Machine Learning, Information Science and Statistics (2006)
Duda, R. O.; Hart, P. E: Pattern Classification. (2000)
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)
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)
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)

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Automotive Systems (M. Sc.)28SoSe 2021SoSe 2024
Computer Engineering (M. Sc.)128SoSe 2021SoSe 2024
Computer Science (Informatik) (M. Sc.)114SoSe 2021SoSe 2024
Elektrotechnik (M. Sc.)121SoSe 2021SoSe 2024
Physikalische Ingenieurwissenschaft (M. Sc.)17SoSe 2021SoSe 2024
Technomathematik (M. Sc.)17SoSe 2021SoSe 2024
Wirtschaftsingenieurwesen (M. Sc.)17SoSe 2021SoSe 2024

Sonstiges

Das Projekt und das Praktikum kann nur bei ausreichender Ausstattung (wissenschaftliche Mitarbeiter) angeboten werden. Achtung! Das Modul kann nicht mit dem Modul "Simulation und Technische Diagnose" kombiniert werden. Insbesondere ist eine Belegung nicht möglich, wenn in dem Master-Studiengang Elektrotechnik das Studiengebiet "Automatisierungstechnik" gewählt werden soll.