Applied Data Science for Reliability EngineeringModule description #50021 / Version 2
- 6 CP
- Portfolio examination
- Graded
- Summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v3)
| Module / Version | #50021 / #2 |
|---|---|
| Validity | SS 2018 – Winter semester 2024/25 |
| Available language(s) | German |
| Credit points | 6 |
| Person responsible for the module | Jochem, Roland |
| Grading | Graded |
| Exam format | Portfolio examination |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät V |
|---|---|
| Institute | Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) |
| Academic chair | 35361300 FG Qualitätswissenschaft |
Contact
| Office | PTZ 3 |
|---|---|
| Contact person | Mayer, Jan Pascal |
| E-mail address | j.mayer@tu-berlin.de |
| Website | https://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.
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.
- 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:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Applied Data Science for Reliability Engineering | Integrated course | 3536 L 319 | Summer semester | [de] | 4 | ISIS |
Workload and credit points
Applied Data Science for Reliability Engineering (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 40 h | 40 h |
| Vor-/Nachbereitung | 15 | 3 h | 45 h |
| Rechnerübung/Projektdurchführung | 6 | 8 h | 48 h |
| Vorlesungszeit | 5 | 8 h | 40 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.
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
| Grading | Graded |
|---|---|
| Exam format | Portfolio examination |
| Type of portfolio examination | 100 points in total |
| Language | German |
Test elements
| Name | Points/Weight | Category | Duration/Extent |
|---|---|---|---|
| Bearbeitung des Projektes | 30 | practical | 30 - 45 Minuten |
| Written exam | 70 | written | 75 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)
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)
- 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 version | Semester(s) | Curriculum component |
|---|---|---|
| Industrial Engineering and Management Industrial Engineering and Management (M. Sc.) - StuPO 2015 | SS 2020 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management |
| WS 2020/21 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2021 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2021/22 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2022 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2022/23 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SS 2023 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WS 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SS 2024 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WS 2024/25 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| Mechanical Engineering StuPO 2017 | WS 2023/24 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| SS 2024 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WS 2024/25 | Wahlpflichtmodule › 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.