Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und SystemenModulbeschreibung #41041 / Version 2
- 6 LP
- Mündliche Prüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
| Modul / Version | #41041 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2024/25 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Gühmann, Clemens |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| 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 | Gühmann, Clemens |
| E-Mail-Adresse | clemens.guehmann@tu-berlin.de |
| Webseite | https://www.mdt.tu-berlin.de/menue/home/ |
Lernergebnisse
Nach Abschluss des Moduls haben die Studierenden vertiefte Kenntnisse im Bereich Zustandsüberwachung für die zustandsbasierte und prädiktive Instandhaltung von technischen Anlagen und Systemen. Die Studierenden werden in die Lage versetzt mit Methoden des maschinellen Lernens Anomalien in Sensordaten zu detektieren, gefundene Fehler zu klassifizieren und Zustandsprognosen durchzuführen. Dies beinhaltet die Auswahl, die selbständige und praxisbezogene Anwendung sowie die wissenschaftlich fundierte Weiterentwicklung geeigneter Methode.
Lehrinhalte
Die integrierte Veranstaltung besteht aus Vorlesungs- und Übungseinheiten. Die Vorlesung gibt eine Einführung in die verschiedene Instandhaltungsstrategien und deren Entwicklung. Dabei wird die Rolle von datengetriebenen Methoden der Zustandsüberwachung für die zustandsbasierte und prädiktive Instandhaltung von technischen Anlagen und Systemen beleuchtet. Vertiefend werden moderne Methoden des maschinellen Lernens (z.B. deep learning) zur Fehlererkennung, -Diagnose und Prognose anhand von Sensordaten erlernt. In den Übungseinheiten werden diese Methoden auf praktische Probleme angewandt und mit Hilfe von Python gelöst.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Maschinelles Lernen für die Zustandsüberwachung I (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Maschinelles Lernen für die Zustandsüberwachung II (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die Modulinhalte werden durch eine integrierte Veranstaltung bestehend aus Vorlesungs- und Übungsanteilen vermittelt. Wöchentliche Hausaufgaben.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Kenntnisse in der Programmiersprache Python.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Deutsch |
| Dauer/Umfang | 45 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 2 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 35.
Anmeldeformalitäten
Der Start des Moduls liegt im Wintersemester.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Bishop, C. M.: Pattern Recognition and Machine Learning, Information Science and Statistics (2006)
- Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. The MIT Press, 2016
- Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer Series in Statistics (2009)
- Isermann, R.: Fault-Diagnosis Systems. An Introduction from Fault Detection to Fault Tolerance. Springer Verlag (2006)
- Korbicz, J.; Koscielny, J.M.; Kowalczuk, Z.; C holewa, W. (Eds.): Fault Diagnosis. Models, Artificial Intelligence, Application. Springer (2004)
- Raschka, S.; Mirjalili, Vahid: Machine Learning mit Python und Scikit-Learn und TensorFlow: Das umfassende Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning. Mittp (2017)
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Automotive Systems StuPO 2017 | SoSe 2025 | Wahlpflichtbereich |
| WiSe 2025/26 | Wahlpflichtbereich | |
| SoSe 2026 | Wahlpflichtbereich | |
| WiSe 2026/27 | Wahlpflichtbereich |
Bauingenieurwesen (Master of Science) Computational Engineering Science (Informationstechnik im Maschinenwesen) (Master of Science) Computer Engineering (Master of Science) Computer Science (Informatik) (Master of Science) Elektrotechnik (Master of Science) Energie- und Verfahrenstechnik (Master of Science) Fahrzeugtechnik (Master of Science) Gebäudeenergiesysteme (Master of Science) Information Systems Management (Wirtschaftsinformatik) (Master of Science) Luft- und Raumfahrttechnik (Master of Science) Maschinenbau (Master of Science) Physikalische Ingenieurwissenschaft (Master of Science) Planung und Betrieb im Verkehrswesen (Master of Science) Process Energy and Environmental Systems Engineering (Master of Science) Produktionstechnik (Master of Science) Regenerative Energiesysteme (Master of Science) Scientific Computing (Master of Science) Statistic (Master of Science) Technomathematik (Master of Science) Wirtschaftsingenieurwesen (Master of Science)
Sonstiges
Keine Angabe