Technische Diagnose IModulbeschreibung #40735 / Version 1
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v6)
| Modul / Version | #40735 / #1 |
|---|---|
| Gültigkeit | WS 2013/14 – WS 2015/16 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Gühmann, Clemens |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Energie und Automatisierungstechnik |
| Fachgebiet | 34311600 FG Elektronische Mess- und Diagnosetechnik |
Kontakt
| Sekretariat | EN 13 |
|---|---|
| Ansprechpartner*in | Beyer, Christine |
| E-Mail-Adresse | clemens.guehmann@tu-berlin.de |
| Webseite | http://www.mdt.tu-berlin.de |
Lernergebnisse
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
Das Modul vermittelt überwiegend:
Fachkompetenz 40x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 10x
Lehrinhalte
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.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Mustererkennung und Technische Diagnose | Vorlesung | 0430 L 343 | Sommersemester | – | 2 | ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Kleines Projekt Simulation und Technische Diagnose | Projekt | 0430 L 331 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (2) ISIS |
| Mustererkennung und Technische Diagnose | Praktikum | 0430 L 341 | Sommersemester | – | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Kleines Projekt Simulation und Technische Diagnose (Projekt) 2
- Kleines Projekt Simulation und Technische Diagnose (Projekt) Einführungsveranstaltung 0430 L 331
- Kleines Projekt Simulation und Technische Diagnose (Projekt) Termingruppe 1 0430 L 331
Arbeitsaufwand und Leistungspunkte
Mustererkennung und Technische Diagnose (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Kleines Projekt Simulation und Technische Diagnose (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Dokumentation | 1 | 10 h | 10 h |
| Durchführung | 1 | 50 h | 50 h |
| Planung | 1 | 20 h | 20 h |
| Präsentation (inkl. Vorbereitung) | 1 | 10 h | 10 h |
| 90 h | |||
Mustererkennung und Technische Diagnose (Praktikum)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 8 | 2 h | 16 h |
| Vor-/Nachbereitung (Termine) | 8 | 9 h | 72 h |
| Vorbereitung (Rücksprache) | 1 | 2 h | 2 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die Lehrinhalte werden durch eine Vorlesung und durch ein Praktikum oder ein Projekt vermittelt.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Kenntnisse in der mathematische-technischen Programmiersprache MATLAB®
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Sprache | Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| PJ: Abschlusspräsentation | 5 | ||
| PJ: Entwickelte Hard/Software | 20 | ||
| PJ: schriftliche Ausarbeitung (Dokumentation) | 25 | ||
| PR: 4 Protokolle | 40 | ||
| PR: mündliche Rücksprache | 10 | ||
| VL: mündliche Rücksprache | 50 |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 30.
Anmeldeformalitäten
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).
Die Anmeldung für das Praktikum erfolgt per Email beim Betreuer. Weitere Details werde im Anschluss an die erste Vorlesung bekannt gegeben (siehe Fachgebietsseite).
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- 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
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe