Navigation Zur Modulseite
Anzeigesprache

Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und Systemen

6

Deutsch

#41041 / #1

Seit WS 2021/22

Fakultät IV

EN 13

Institut für Energie und Automatisierungstechnik

34311600 FG Elektronische Mess- und Diagnosetechnik

Gühmann, Clemens

Gühmann, Clemens

clemens.guehmann@tu-berlin.de

POS-Nummer PORD-Nummer Modultitel
2350331 43185 Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und Systemen

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 WS Deutsch 2
Maschinelles Lernen für die Fehlerdiagnose und -Prognose IV SS 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

Diese Modulversion wird auf folgenden Modullisten verwendet (alte Studiengangsabbildung):

Verwendungen (2)
Studiengänge: 1 Stupos: 1 Erstes Semester: WS 2021/22 Letztes Semester: SoSe 2022

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