Navigation Zur Modulseite
Anzeigesprache

Technische Diagnose I

6 LP

Deutsch

#40735 / #1

WS 2013/14 - WS 2015/16

Fakultät IV

EN 13

Institut für Energie und Automatisierungstechnik

34311600 FG Elektronische Mess- und Diagnosetechnik

Gühmann, Clemens

Priesnitz, Joachim

clemens.guehmann@tu-berlin.de

POS-Nummer PORD-Nummer Modultitel
61550 18164 Technische Diagnose I

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:

Lehrveranstaltungen Art Nummer Turnus Sprache SWS
Mustererkennung und Technische Diagnose VL 0430 L 343 SS Keine Angabe 2

WP:

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

Lehrveranstaltungen Art Nummer Turnus Sprache SWS
Kleines Projekt Simulation und Technische Diagnose PJ 0430 L 331 WS/SS Keine Angabe 2
Mustererkennung und Technische Diagnose PR 0430 L 341 SS Keine Angabe 2

Arbeitsaufwand und Leistungspunkte

Kleines Projekt Simulation und Technische Diagnose (PJ):

Aufwandbeschreibung Multiplikator Stunden Gesamt
Dokumentation 1.0 10.0h 10.0h
Durchführung 1.0 50.0h 50.0h
Planung 1.0 20.0h 20.0h
Präsentation (inkl. Vorbereitung) 1.0 10.0h 10.0h
90.0h(~3 LP)

Mustererkennung und Technische Diagnose (VL):

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 (PR):

Aufwandbeschreibung Multiplikator Stunden Gesamt
Präsenzzeit 8.0 2.0h 16.0h
Vor-/Nachbereitung (Termine) 8.0 9.0h 72.0h
Vorbereitung (Rücksprache) 1.0 2.0h 2.0h
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:

Keine Angabe

Abschluss des Moduls

Benotung:

benotet

Prüfungsform:

Portfolioprüfung

Sprache:

Deutsch

Art der Portfolioprüfung

Keine Angabe

Prüfungselemente

Name Kategorie Dauer/Umfang
PJ: Abschlusspräsentation 5 Keine Angabe
PJ: Entwickelte Hard/Software 20 Keine Angabe
PJ: schriftliche Ausarbeitung (Dokumentation) 25 Keine Angabe
PR: 4 Protokolle 40 Keine Angabe
PR: mündliche Rücksprache 10 Keine Angabe
VL: mündliche Rücksprache 50 Keine Angabe

Notenschlüssel

Kein Notenschlüssel angegeben

Prüfungsbeschreibung (Abschluss des Moduls)

Keine Angabe

Dauer des Moduls

Dieses Modul kann in einem Semester abgeschlossen werden.

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
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.
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
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.
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.
Halfmann, C.; Holzmann, H.(2003): Adaptive Modelle für die Kfz-Dynamik. Springer Verlag.
Haykin, S (1994): Neural Networks A Comprehensive Foundation Prentice Hall
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.
Simani, S.; Fantuzzi, C.;Patton, R.J. (2003) : Model-based Fault Diagnosis in Dynamic Systems Using Identification Techniques, Springer-Verlag

Zugeordnete Studiengänge

Zur Zeit wird die Datenstruktur umgestellt. Aus technischen Gründen wird die Verwendung des Moduls während des Umstellungsprozesses in zwei Listen angezeigt.

Dieses Modul wird auf folgenden Modullisten verwendet:

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Dieses Modul wird in folgenden Studiengängen verwendet:

    Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

    Sonstiges

    Keine Angabe