Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Maschinelles Lernen für die Zustandsüberwachung von technischen Anlagen und SystemenModulbeschreibung #41041 / Version 2

← Zur Modulseite English version
Modul / Version#41041 / #2
GültigkeitSeit WiSe 2024/25
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rGühmann, Clemens
BenotungBenotet
PrüfungsformMündliche Prüfung
Lehrsprache(n)Deutsch

Zugehörigkeit

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

Kontakt

SekretariatEN 13
Ansprechpartner*inGühmann, Clemens
E-Mail-Adresseclemens.guehmann@tu-berlin.de
Webseitehttps://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:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Maschinelles Lernen für die Zustandsüberwachung IIntegrierte Veranstaltung Wintersemester[de]2 ISIS
Maschinelles Lernen für die Zustandsüberwachung IIIntegrierte Veranstaltung Sommersemester[de]2 ISIS

Arbeitsaufwand und Leistungspunkte

Maschinelles Lernen für die Zustandsüberwachung I (Integrierte Veranstaltung)

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

Maschinelles Lernen für die Zustandsüberwachung II (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

BenotungBenotet
PrüfungsformMündliche Prüfung
SpracheDeutsch
Dauer/Umfang45 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 / StuPOSemesterStudiengangsbereich
Automotive Systems
StuPO 2017
SoSe 2025Wahlpflichtbereich
WiSe 2025/26Wahlpflichtbereich
SoSe 2026Wahlpflichtbereich
WiSe 2026/27Wahlpflichtbereich
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