Simulation und Technische Diagnose

Navigation Zur Modulseite
PDF PDF generieren
XML XML generieren
Anzeigesprache

Simulation und Technische Diagnose

6

Deutsch

#40706 / #9

Seit SoSe 2021
(Deaktivierung beantragt zum WiSe 2022/23)

Fakultät IV

EN 13

Institut für Energie und Automatisierungstechnik

34311600 FG Elektronische Mess- und Diagnosetechnik

Gühmann, Clemens

Beyer, Christine

clemens.guehmann@tu-berlin.de

http://www.mdt.tu-berlin.de

POS-Nummer PORD-Nummer Modultitel
3180 27550 Simulation und Technische Diagnose

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:

Lehrveranstaltungen Art Nummer Turnus Sprache SWS VZ
Modellbildung und Simulation mechatronischer Systeme IV 0430 L 318 WS Deutsch 2
Mustererkennung und Technische Diagnose VL 0430 L 343 SS Keine Angabe 2

Arbeitsaufwand und Leistungspunkte

Modellbildung und Simulation mechatronischer Systeme (IV):

Aufwandbeschreibung Multiplikator Stunden Gesamt
Präsenzzeit 15.0 2.0h 30.0h
Vor-/Nachbereitung 15.0 4.0h 60.0h
90.0h(~3 LP)

Mustererkennung und Technische Diagnose (VL):

Aufwandbeschreibung Multiplikator Stunden Gesamt
Präsenzzeit 15.0 2.0h 30.0h
Selbständiges Lernen und Lesen 1.0 60.0h 60.0h
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

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 auf folgenden Modullisten verwendet (alte Studiengangsabbildung):

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.