Anzeigesprache
Zur Modulseite PDF generieren

#40735 / #1

WS 2013/14 - WS 2015/16

Deutsch

Technische Diagnose I

6

Gühmann, Clemens

benotet

Portfolioprüfung

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. Das Modul vermittelt überwiegend: Fachkompetenz 40x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 10x

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. In den Lehrveranstaltungen Kleines Projekt Simulation und Technische Diagnose und werden Projekte aus aktuellen Themen der Simulation und der Diagnose mechatronischer Systeme insbesondere aus dem Bereich der Kraftfahrzeugtechnik bearbeitet. In Form eines Lastenheftes werden die Basisanforderungen, die das zu realisierende „Produkt“ erfüllen muss, von den Studierenden aufgeführt. Anschließend ist eine Projektplanung vorzunehmen. Hierbei ist sowohl eine Zeit- als auch Kapazitätsplanung mit der entsprechenden Verteilung der Aufgaben durchzuführen. Aus der Planung muss die zeitliche Belastung (Workload) der einzelnen Bearbeiterinnen und Bearbeiter hervorgehen. Nach der Freigabe des Lastenheftes durch den Betreuer und der Planung erfolgt die selbständige Problemlösung und Umsetzung der Aufgabe. Das Projektergebnis wird abschließend dokumentiert und in einem Vortrag präsentiert.

Modulbestandteile

Pflichtteil:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Mustererkennung und Technische DiagnoseVL0430 L 343SoSeKeine Angabe2

WP:

Aus den folgenden Veranstaltungen muss/müssen 1 Veranstaltung(en) abgeschlossen werden.

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Kleines Projekt Simulation und Technische DiagnosePJ0430 L 331WiSe/SoSeKeine Angabe2
Mustererkennung und Technische DiagnosePR0430 L 341SoSeKeine Angabe2

Arbeitsaufwand und Leistungspunkte

Kleines Projekt Simulation und Technische Diagnose (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Dokumentation1.010.0h10.0h
Durchführung1.050.0h50.0h
Planung1.020.0h20.0h
Präsentation (inkl. Vorbereitung)1.010.0h10.0h
90.0h(~3 LP)

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
Vor-/Nachbereitung (Termine)8.09.0h72.0h
Vorbereitung (Rücksprache)1.02.0h2.0h
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 oder ein Projekt 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:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

Keine Angabe

Sprache

Deutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
PJ: Abschlusspräsentation5Keine AngabeKeine Angabe
PJ: Entwickelte Hard/Software20Keine AngabeKeine Angabe
PJ: schriftliche Ausarbeitung (Dokumentation)25Keine AngabeKeine Angabe
PR: 4 Protokolle 40Keine AngabeKeine Angabe
PR: mündliche Rücksprache10Keine AngabeKeine Angabe
VL: mündliche Rücksprache50Keine AngabeKeine Angabe

Notenschlüssel

Keine Angabe

Prüfungsbeschreibung (Abschluss des Moduls)

Keine Angabe

Dauer des Moduls

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

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

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 30.

Anmeldeformalitäten

Anmeldung für das Projekt im Sekretariat EN 13 (üblicherweise vor bzw. zu Beginn der Vorlesungszeit). 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
Bothe,H.-H. (1998): Neuro-Fuzzy-Met hoden. Einführung in Theorie und Praxis.
Brammer, K.; Siffling, G. (1985): Kalmna- Bucy-Filters. Deterministische Beobachtung und stochastische Filterung. Oldenbourg Verlag
Brammer, K.; Siffling, G. (1985): Stochastisc he Grundlagen des Kalmna-Bucy-Filters. Wahrschein- lichkeitsrechnung und Zufallsprozesse. Oldenbourg Verla
Brause; R: Neuronale Netze Stuttgart, Teubner
Chen, J.; Patton, R.J. (1998): Robust Model Ba sed Fault Diagnosis for Dy namic Systems. Boston: Kluwer Academic Publishers.
Duda, R. O.; Hart, P. E.(2000): Pattern Classification.
Frank, P. H. (1994): Diagnoseverfahren in der Automatisierungstechnik. at – Automatisierungs- technik 42. R. Oldenbourg Verlag.
Gertler, J. (1998): Fault Detection and Fault Di agnosis in Engineering Systems. NewYork: Marcel Dekker Inv.
Halfmann, C.; Holzmann, H.(2003): Adaptive Modelle für die Kfz-Dynamik. Springer Verlag.
Haykin, S (1994): Neural Networks A Comprehensive Foundation Prentice Hall
Isermann, R. (1988): Identifikation dynamisch er Systeme. Band I und II. Springer-Verlag
Isermann, R. (2006): Fault-Di agnosis Systems. An Introduction from Fault Detection to Fault Tol- erance. Springer Verlag
Isermann, R. (Hrsg) ( 1994): Überwachung und Fehlerdiagnose - Moderne Methoden und Anwen- dungen bei technischen Systemen. VDI-Verlag
Korbicz, J.; Koscielny, J.M.; Kowalczuk, Z.; C holewa, W. (Eds.) (2004): Fault Diagnosis. Models, Artificial Intelligence, Application. Springer
Niemann, H. (1983):Klassifikation von Mustern. Springer-Verlag, Berlin.
Parsons, T. (1987): Voice and Speech Processing. McGraw-Hill Book Company.
Rojas, R (1996): Theorie der neuronalen Netz e. Eine systematische Einführung; Springer Verlag
Ruske, G. (1983): Automatische Spracherkenn ung - Methoden der Klassifikation und Merkmalsex- traktion. R. Oldenbourg Verlag.
Simani, S.; Fantuzzi, C.;Patton, R.J. (2003) : Model-based Fault Diagnosis in Dynamic Systems Using Identification Techniques, Springer-Verlag

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

Keine Angabe