Skip to content
Technische Universität Berlin Deutsch
Course catalog and module transfer system

Technische Diagnose IModule description #40735 / Version 1

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v6)
Module / Version#40735 / #1
ValidityWS 2013/14 – WS 2015/16
Available language(s)German
Credit points6
Person responsible for the moduleGühmann, Clemens
GradingGraded
Exam formatPortfolio examination
Language(s) of instructionGerman

Affiliation

FacultyFakultät IV
InstituteInstitut für Energie und Automatisierungstechnik
Academic chair34311600 FG Elektronische Mess- und Diagnosetechnik

Contact

OfficeEN 13
Contact personBeyer, Christine
E-mail addressclemens.guehmann@tu-berlin.de
Websitehttp://www.mdt.tu-berlin.de

Learning outcomes

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

Content

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.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Mustererkennung und Technische DiagnoseLecture0430 L 343 Summer semester–2 ISIS

Compulsory elective area

A selection of the following courses must be completed:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Kleines Projekt Simulation und Technische DiagnoseProject0430 L 331 Winter and summer semester–2 ISIS
Mustererkennung und Technische DiagnoseInternship0430 L 341 Summer semester–2 ISIS

Courses in the course catalog

Courses created from the teaching units of this module.

Winter semester 2026/27 (2)

Kleines Projekt Simulation und Technische Diagnose (Project) 2

All groups of this course in the catalog

Workload and credit points

Mustererkennung und Technische Diagnose (Lecture)

Workload descriptionMultiplierHoursTotal
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Kleines Projekt Simulation und Technische Diagnose (Project)

Workload descriptionMultiplierHoursTotal
Dokumentation110 h10 h
Durchführung150 h50 h
Planung120 h20 h
Präsentation (inkl. Vorbereitung)110 h10 h
90 h

Mustererkennung und Technische Diagnose (Internship)

Workload descriptionMultiplierHoursTotal
Präsenzzeit82 h16 h
Vor-/Nachbereitung (Termine)89 h72 h
Vorbereitung (Rücksprache)12 h2 h
90 h

The workload of the module adds up to 270 hours. The module therefore comprises 6 credit points.

Description of teaching and learning methods

Die Lehrinhalte werden durch eine Vorlesung und durch ein Praktikum oder ein Projekt vermittelt.

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

Kenntnisse in der mathematische-technischen Programmiersprache MATLAB®

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatPortfolio examination
LanguageGerman

Test elements

NamePoints/WeightCategoryDuration/Extent
PJ: Abschlusspräsentation5
PJ: Entwickelte Hard/Software20
PJ: schriftliche Ausarbeitung (Dokumentation)25
PR: 4 Protokolle 40
PR: mündliche Rücksprache10
VL: mündliche Rücksprache50

Duration of the module

The following number of semesters is estimated for taking and completing the module: 1 semester(s).

This module can be started in the following semesters: Winter and summer semester.

Maximum number of participants

The maximum capacity of participants is 30.

Registration procedures

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).

Recommended reading, lecture notes

Lecture notes

unavailable

Electronic lecture notes

unavailable

Recommended literature

  • 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

Assigned programs

This module is not used in any program.

Miscellaneous

Not specified