Navigation Zur Modulseite
Anzeigesprache

Technische Diagnose I

6 LP

Deutsch

#40735 / #3

SS 2017 - WS 2017/18

Fakultät IV

EN 13

Institut für Energie und Automatisierungstechnik

34311600 FG Elektronische Mess- und Diagnosetechnik

Gühmann, Clemens

Beyer, Christine

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.

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.

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
Mustererkennung und Technische Diagnose PR 0430 L 341 SS Keine Angabe 2

Arbeitsaufwand und Leistungspunkte

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
Protokolle 8.0 2.0h 16.0h
Vor- und Nachbereitung der Versuche 1.0 58.0h 58.0h
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 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:

1. Voraussetzung:
[MDV] bestandenes Praktikum Mustererkennung

Abschluss des Moduls

Benotung:

benotet

Prüfungsform:

Schriftliche Prüfung

Sprache:

Deutsch

Dauer/Umfang:

90 min

Dauer des Moduls

Dieses Modul kann in einem Semester abgeschlossen werden.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 32.

Anmeldeformalitäten

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
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)
Duda, R. O.; Hart, P. E: Pattern Classification. (2000)
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)
Schölkopf, B.; Smola, Alexander J : Learning with kernels: Support vector machines, regularization, optimization, and beyond. MIT Press (2002)

Zugeordnete Studiengänge

Dieses Modul wird auf folgenden Modullisten verwendet:

Sonstiges

Das Projekt und das Praktikum kann nur bei ausreichender Ausstattung (wissenschaftliche Mitarbeiter) angeboten werden.