Technical Diagnosis IIModule description #40736 / Version 1
- 9 CP
- Portfolio examination
- Graded
- Winter and summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
| Module / Version | #40736 / #1 |
|---|---|
| Validity | SS 2014 – WS 2014/15 |
| Available language(s) | German |
| Credit points | 9 |
| Person responsible for the module | Gühmann, Clemens |
| Grading | Graded |
| Exam format | Portfolio examination |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Energie und Automatisierungstechnik |
| Academic chair | 34311600 FG Elektronische Mess- und Diagnosetechnik |
Contact
| Office | EN 13 |
|---|---|
| Contact person | Priesnitz, Joachim |
| E-mail address | clemens.guehmann@tu-berlin.de |
| Website | http://www.mdt.tu-berlin.de |
Learning outcomes
Die Studierenden haben die wichtigsten Methoden zur Mustererkennung sowie zur modellgestützten Diagnose kennengelernt, haben intensive Erfahrungen in der Anwendung der Methoden gewonnen, um selbständig praxisrelevante Aufgaben zu lösen.
Das Modul vermittelt überwiegend:
Fachkompetenz 40x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 10x
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.
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:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Kleines Projekt Simulation und TD | Project | Winter and summer semester | – | 2 | WS 2026/27 (1) ISIS | |
| Mustererkennung und Technische Diagnose | Internship | 0430 L 341 | Summer semester | – | 2 | ISIS |
| Mustererkennung und Technische Diagnose | Lecture | 0430 L 343 | Summer semester | – | 2 | ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (1)
Kleines Projekt Simulation und TD (Project) 1
- Kleines Projekt Simulation und TD (Projekt) 1. Termingruppe 0430 L 331
Workload and credit points
Kleines Projekt Simulation und TD (Project)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mustererkennung und Technische Diagnose (Internship)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 8 | 2 h | 16 h |
| Vor-/Nachbereitung (Termine) | 8 | 9 h | 72 h |
| Vorbereitung (Rücksprache) | 1 | 2 h | 2 h |
| 90 h | |||
Mustererkennung und Technische Diagnose (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
The workload of the module adds up to 270 hours. The module therefore comprises 9 credit points.
Description of teaching and learning methods
Die Lehrinhalte werden durch eine Vorlesung, 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
| Grading | Graded |
|---|---|
| Exam format | Portfolio examination |
| Language | German |
Test elements
| Name | Points/Weight | Category | Duration/Extent |
|---|---|---|---|
| PJ: entwickelte Hardware/Software | 13 | ||
| PJ: Referat (Abschlusspräsentation) | 3 | ||
| PJ: schriftliche Ausarbeitung (Dokumentation) | 17 | ||
| PR: 4 Protokolle (je 7 Pkt.) | 28 | ||
| PR: mündliche Rücksprache | 5 | ||
| VL: mündliche Rücksprache | 34 |
Exam description
Insgesamt können 100 Portfoliopunkte erreicht werden:
* Vorlesung (34 Portfoliopunkte)
* Praktikum (insgesamt 33 Portfoliopunkte)
* Projekt (insgesamt 33 Portfoliopunkte)
Im Rahmen des Praktikums und Projektes sind jeweils verschiedene Studienleistungen zu erbringen. Ihre Art und Gewichtung in Portfoliopunkten sind in der unten stehenden Tabelle aufgeführt. Die Gesamtnote gemäß §47 (2) AllgStuPO wird nach dem Notenschlüssel 2 der Fakultät IV ermittelt.
* Vorlesung (34 Portfoliopunkte)
* Praktikum (insgesamt 33 Portfoliopunkte)
* Projekt (insgesamt 33 Portfoliopunkte)
Im Rahmen des Praktikums und Projektes sind jeweils verschiedene Studienleistungen zu erbringen. Ihre Art und Gewichtung in Portfoliopunkten sind in der unten stehenden Tabelle aufgeführt. Die Gesamtnote gemäß §47 (2) AllgStuPO wird nach dem Notenschlüssel 2 der Fakultät IV ermittelt.
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 Anmeldeformalitäten für die prüfungsäquivalenten Studienleistungen werden in der ersten Vorlesung der betreffenden Veranstaltung bekannt gegeben.
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
- ] Isermann, R. (2006): Fault-Diagnosis Systems. An In troduction from Fault Detection to Fault Tolerance. Springer Verlag
- Bothe,H.-H. (1998): Neuro-Fuzzy-Met hoden. Einführung in Theorie und Praxis.
- Brammer, K.; Siffling, G. (1985): Kalmna-Bucy-F ilters. Deterministische Beobachtung und stochastische Filterung. Oldenbourg Verlag
- Brammer, K.; Siffling, G. (1985): Stochastische Grundlagen des Kalmna-Bucy-Filters. Wahrscheinlich- keitsrechnung und Zufallsprozesse. Oldenbourg Verlag
- Brause; R: Neuronale Netze Stuttgart, Teubner
- Chen, J.; Patton, R.J. (1998): Robust Model Bas ed Fault Diagnosis for Dynamic Systems. Boston: Klu- wer Academic Publishers
- Duda, R. O.; Hart, P. E.(2000): Pattern Classification.
- Frank, P. H. (1994): Diagnoseverfahren in der Automatisierungstechnik. at – Automatisierungstechnik 42. R. Oldenbourg Verlag
- Gertler, J. (1998): Fault Detection and Fault Diagnos is 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): Identif ikation dynamischer Systeme. Band I und II. Springer-Verlag
- Isermann, R. (Hrsg) (199 4): Überwachung und Fehlerdiagnose - Moderne Methoden und Anwendungen bei technischen Systemen. VDI-Verlag
- Korbicz, J.; Koscielny, J.M.; Kowalczuk, Z.; Cholewa, W. (Eds.) (2004): Fault Di agnosis. 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 Spracherkennung - Methoden der Klassifikation und Merkmalsextrakti- on. 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.
Master Elektrotechnik Studienschwerpunkt Automatisierungstechnik
Master Technische Informatik (Studienschwerpunkt Technische Anwendungen)
Master Technische Informatik (Studienschwerpunkt Technische Anwendungen)
Miscellaneous
Not specified