Moses - Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und Systemen

Anzeigesprache

Zur Modulseite PDF generieren

Modul / Version:
#41041 / #1

Gültigkeit:
Seit WiSe 2021/22
(Deaktivierung beantragt zum SoSe 2024)

Standard-Anzeigesprache:
Deutsch

Titel des Moduls:
Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und Systemen

Leistungspunkte:
6

Modulverantwortliche*r:
Gühmann, Clemens

Benotung:
benotet

Prüfungsform:
Mündliche Prüfung

Zugehörigkeit

Fakultät:
Fakultät IV

Institut:
Institut für Energie und Automatisierungstechnik

Fachgebiet:
34311600 FG Elektronische Mess- und Diagnosetechnik

Prüfungsausschuss:
Keine Angabe

Kontakt

Sekretariat:
EN 13

Ansprechpartner*in:
Gühmann, Clemens

E-Mail-Adresse:
clemens.guehmann@tu-berlin.de

Webseite:

https://www.mdt.tu-berlin.de/menue/home/

Lernergebnisse

Nach Abschluss des Moduls haben die Studierenden vertiefte Kenntnisse im Bereich Zustandsüberwachung für die zustandsbasierte und prädiktive Instandhaltung von technischen Anlagen und Systemen. Die Studierenden werden in die Lage versetzt Anomalien in Sensordaten zu detektieren, gefundene Fehler zu klassifizieren und Zustandsprognosen durchzuführend. Dies beinhaltet die Auswahl, die selbständige und praxisbezogene Anwendung sowie die wissenschaftlich fundierte Weiterentwicklung geeigneter Methoden.

Lehrinhalte

Die integrierte Veranstaltung besteht aus Vorlesungs- und Übungseinheiten. Die Vorlesung gibt eine Einführung in die verschiedene Instandhaltungsstrategien und deren Entwicklung. Dabei wird die Rolle von datengetriebenen Methoden der Zustandsüberwachung für die zustandsbasierte und prädiktive Instandhaltung von technischen Anlagen und Systemen beleuchtet. Vertiefend werden moderne datengetriebene Methoden zur Fehlererkennung, -Diagnose und Prognose anhand von Sensordaten erlernt. In den Übungseinheiten werden Methoden des maschinellen Lernens auf praktische Probleme angewandt und mit Hilfe von Python gelöst.

Modulbestandteile

Pflichtgruppe:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	VZ
Maschinelles Lernen für die Fehlerdetektion	IV		WiSe	Deutsch	2
Maschinelles Lernen für die Fehlerdiagnose und -Prognose	IV		SoSe	Deutsch	2

Arbeitsaufwand und Leistungspunkte

Maschinelles Lernen für die Fehlerdetektion (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	2.0h	30.0h
Hausaufgaben	15.0	2.0h	30.0h
			90.0h(~3 LP)

Maschinelles Lernen für die Fehlerdiagnose und -Prognose (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	2.0h	30.0h
Hausaufgaben	15.0	2.0h	30.0h
			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 integrierte Veranstaltung bestehend aus Vorlesungs- und Übungsanteilen vermittelt. Wöchentliche Hausaufgaben.

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

Unbenoteter Übungsschein

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Mündliche Prüfung

Sprache

Deutsch

Dauer/Umfang

45 Minuten

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

Die maximale Teilnehmerzahl beträgt 35.

Anmeldeformalitäten

Der Start des Moduls liegt im Wintersemester.

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)
Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. The MIT Press, 2016
Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer Series in Statistics (2009)
Isermann, R.: Fault-Diagnosis Systems. An Introduction from Fault Detection to Fault Tolerance. Springer Verlag (2006)
Korbicz, J.; Koscielny, J.M.; Kowalczuk, Z.; C holewa, W. (Eds.): Fault Diagnosis. Models, Artificial Intelligence, Application. Springer (2004)
Raschka, S.; Mirjalili, Vahid: Machine Learning mit Python und Scikit-Learn und TensorFlow: Das umfassende Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning. Mittp (2017)

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
	Automotive Systems (M. Sc.)	1	6	WiSe 2021/22	SoSe 2024

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Bauingenieurwesen (Master of Science) Computational Engineering Science (Informationstechnik im Maschinenwesen) (Master of Science) Computer Engineering (Master of Science) Computer Science (Informatik) (Master of Science) Elektrotechnik (Master of Science) Energie- und Verfahrenstechnik (Master of Science) Fahrzeugtechnik (Master of Science) Gebäudeenergiesysteme (Master of Science) Information Systems Management (Wirtschaftsinformatik) (Master of Science) Luft- und Raumfahrttechnik (Master of Science) Maschinenbau (Master of Science) Physikalische Ingenieurwissenschaft (Master of Science) Planung und Betrieb im Verkehrswesen (Master of Science) Process Energy and Environmental Systems Engineering (Master of Science) Produktionstechnik (Master of Science) Regenerative Energiesysteme (Master of Science) Scientific Computing (Master of Science) Statistic (Master of Science) Technomathematik (Master of Science) Wirtschaftsingenieurwesen (Master of Science)

Sonstiges

Keine Angabe