Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Technische Diagnose IModulbeschreibung #40735 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#40735 / #1
GültigkeitWS 2013/14 – WS 2015/16
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rGühmann, Clemens
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Deutsch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Energie und Automatisierungstechnik
Fachgebiet34311600 FG Elektronische Mess- und Diagnosetechnik

Kontakt

SekretariatEN 13
Ansprechpartner*inBeyer, Christine
E-Mail-Adresseclemens.guehmann@tu-berlin.de
Webseitehttp://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

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.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Mustererkennung und Technische DiagnoseVorlesung0430 L 343 Sommersemester–2 ISIS

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Kleines Projekt Simulation und Technische DiagnoseProjekt0430 L 331 Winter- und Sommersemester–2 ISIS
Mustererkennung und Technische DiagnosePraktikum0430 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

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Mustererkennung und Technische Diagnose (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Kleines Projekt Simulation und Technische Diagnose (Projekt)

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

Mustererkennung und Technische Diagnose (Praktikum)

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

BenotungBenotet
PrüfungsformPortfolioprüfung
SpracheDeutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
PJ: Abschlusspräsentation5
PJ: Entwickelte Hard/Software20
PJ: schriftliche Ausarbeitung (Dokumentation)25
PR: 4 Protokolle 40
PR: mündliche Rücksprache10
VL: mündliche Rücksprache50

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).

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