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

Applied Data Science for Reliability EngineeringModule description #50021 / Version 2

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v3)
Module / Version#50021 / #2
ValiditySS 2018 – Winter semester 2024/25
Available language(s)German
Credit points6
Person responsible for the moduleJochem, Roland
GradingGraded
Exam formatPortfolio examination
Language(s) of instructionGerman

Affiliation

FacultyFakultät V
InstituteInstitut für Werkzeugmaschinen und Fabrikbetrieb (IWF)
Academic chair35361300 FG Qualitätswissenschaft

Contact

OfficePTZ 3
Contact personMayer, Jan Pascal
E-mail addressj.mayer@tu-berlin.de
Websitehttps://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen/dre-applied-data-science-for-reliability-engineering

Learning outcomes

Produkte werden aufgrund der steigenden Funktionalitäten immer komplexer, was die Fehleranfälligkeit erhöht. Damit besteht die Notwendigkeit für Unternehmen - insbesondere auch aus gesetzlichen Haftungsgründen und zur Verringerung von Garantiefällen - Methoden einzusetzen, um mögliche Risiken durch Funktionsausfälle prognostizieren und die Zuverlässigkeit der Produkte steigern zu können. Die Zuverlässigkeit ist somit eine der wichtigsten Eigenschaften heutiger Produkte und bildet einen wichtigen Teilaspekt und integralen Bestandteil der Qualität.

Die Zuverlässigkeit ist nicht deterministisch, sondern nur über Wahrscheinlichkeiten operationalisierbar. Die Analyse kann folglich nur mit den Methoden des Data Science erfolgsversprechend durchgeführt werden.
In dieser Lehrveranstaltung sollen sich die angehenden Ingenieure fachlich-methodische Kompetenzen der Zuverlässigkeitsbestimmung aneignen.
Dabei werden die erlernten Grundlagen aus "Applied Data Science for Quality Engineering" in einen praxisorientierten Zusammenhang gebracht.
Die Studierenden werden befähigt, eigenständig Softwarelösungen im Rahmen der Zuverlässigkeitsanalyse zu entwickeln. Dazu erfolgt in der Lehrveranstaltung die Bearbeitung einer Case-Study mit der Programmiersprache R und die Lösungserarbeitung durch eine interaktive Webapplikation.
Diese Fähigkeiten sollen künftig eingesetzt werden können, um Aufgaben in der Zuverlässigkeitsanalyse zu übernehmen, deren Bearbeitung zu steuern, zu koordinieren und erfolgreich abschließen zu können.

Content

Die Weibullverteilung als Basis der Lebensdaueranalyse
- Beschreibung, Verhalten und Interpretation der Weibullverteilung
- Beschreibung, Verhalten und Interpretation ihrer Dichtefunktion
- Ausfallraten auf Basis der Weibullverteilung
Berechnung der Weibullverteilung mit Hilfe der Schätzerverfahren (Ranking - Estimator - Regression)
Berechnung der Weibullverteilung mit Hilfe numerischer Verfahren (Maximum Likelihood Methode)
Schätzerverfahren für Ausfallteile und intakte Bauteile
- Verfahren nach Kaplan - Meier
- Verfahren nach Johnson
- Verfahren nach Nelson
Lebensdauerdaten aus Tests und Nutzung (Strukturen, Interpretation, Umrechnung)
Mischverteilungen
Lebensdauertests zum Nachweis der Zuverlässigkeit
Planung von Zuverlässigkeitstests
- die „Success Run“ Methode
- die „Sudden Death“ Methode
Zuverlässigkeit von Systemen
Absicherung der Lebensdauerprognosen (Vertrauenswahrscheinlichkeiten und Konfidenzen)

Die Anwendung der Lehrinhalte erfolgt durch die Programmiersprache R.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Applied Data Science for Reliability EngineeringIntegrated course3536 L 319 Summer semester[de]4 ISIS

Workload and credit points

Applied Data Science for Reliability Engineering (Integrated course)

Workload descriptionMultiplierHoursTotal
Prüfungsvorbereitung140 h40 h
Vor-/Nachbereitung153 h45 h
Rechnerübung/Projektdurchführung68 h48 h
Vorlesungszeit58 h40 h
173 h

The workload of the module adds up to 173 hours. The module therefore comprises 6 credit points.

Description of teaching and learning methods

Es kommen Vorlesungen mit integrierten Übungen, Rechnerübungen und Projektbearbeitung zum Einsatz.

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

Introduction to Engineering Data Analytics with R (IDA)
Applied Data Science for Quality Engineering (DQE)

Die Lehrinhalte der obigen Veranstaltungen können auch eigenständig erarbeitet werden.

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatPortfolio examination
Type of portfolio examination100 points in total
LanguageGerman

Test elements

NamePoints/WeightCategoryDuration/Extent
Bearbeitung des Projektes30practical30 - 45 Minuten
Written exam70written75 Minuten

Exam description

Die Prüfungsform für dieses Modul ist die Portfolioprüfung.
Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden:

- Bearbeitung des Projektes - 30 von 100 Punkten (in der vorlesungsfreien Zeit)

- Schriftliche Prüfung - 70 von 100 Punkten (in der vorlesungsfreien Zeit)

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: Summer semester.

Maximum number of participants

This module is not limited to a number of students.

Registration procedures

Anmeldung zur Lehrveranstaltung:
- Anmeldung beim Fachgebiet (Termin wird auf der Homepage veröffentlicht)
Anmeldung zur Prüfung:
- Anmeldung Online (QISPOS)
- Die jeweiligen Anmeldefristen sind der Ordnung zur Regelung des allgemeinen Studien- und Prüfungsverfahrens (AllgStuPO) zu entnehmen (§ 39)

Recommended reading, lecture notes

Lecture notes

unavailable

Electronic lecture notes

available – Das Skript in elektronischer Form wird über das ISIS System der TU Berlin bereitgestellt

Recommended literature

  • Bertsche, Bernd; Lechner, Gisbert (2004): Zuverlässigkeit im Fahrzeug- und Maschinenbau. 3., überarbeitete und erweiterte Auflage. Berlin, Heidelberg, New York: Springer-Verlag
  • Meyna, Arno; Pauli, Bernhard (2009): Zuverlässigkeitstechnik. Quantitative Bewertungsverfahren. 2., überarbeitete und erweiterte Auflage. München: Hanser, Carl.
  • Verband der Automobilindustrie e.V. (VDA) (2016): Qualitätsmanagement in der Automobilindustrie Band 3. Zuverlässigkeitssicherung bei Automobilherstellern und Lieferanten Teil 2. Zuverlässigkeits-Methoden und -Hilfsmittel, 4. Auflage

Assigned programs

This module version is used in the following programs:

Program / program versionSemester(s)Curriculum component
Industrial Engineering and Management
Industrial Engineering and Management (M. Sc.) - StuPO 2015
SS 2020Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
WS 2020/21Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
SS 2021Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
WS 2021/22Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
SS 2022Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
WS 2022/23Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
SS 2023Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
WS 2023/24Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SS 2024Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WS 2024/25Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management
Mechanical Engineering
StuPO 2017
WS 2023/24Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
SS 2024Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
WS 2024/25Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Das Modul vermittelt wesentliche Methoden und Verfahren, die die Teilnehmer befähigt, um verschiedene Aufgaben in der Zuverlässigkeitsanalyse übernehmen, deren Bearbeitung steuern, koordinieren und erfolgreich abschließen zu können.

Miscellaneous

Dieses Modul ist die Neuauflage des Moduls "Zuverlässigkeit und Risikobewertung" und wird ab dem Sommersemester 2018 angeboten.