Datenanalyse bei cyber-physischen SystemenModulbeschreibung #50020 / Version 2
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v8)
| Modul / Version | #50020 / #2 |
|---|---|
| Gültigkeit | SS 2015 – WS 2017/18 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Jochem, Roland |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) |
| Fachgebiet | 35361300 FG Qualitätswissenschaft |
Kontakt
| Sekretariat | PTZ 3 |
|---|---|
| Ansprechpartner*in | Andrushchenko, Elena |
| E-Mail-Adresse | e.andrushchenko@tu-berlin.de |
| Webseite | https://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen/dcps-applied-data-science-for-cyber-physical-systems-1 |
Lernergebnisse
Die Teilnehmer des Moduls werden befähigt, in der zunehmenden Informatisierung der klassischen Industrie (bekannt unter dem Stichwort Industrie 4.0) qualitätsrelevante Datenerhebungen und -auswertung zielgerichtet durchzuführen. Dabei bildet die technische Grundlage der Verbund informatischer, softwaretechnischer Komponenten mit mechanischen und elektronischen Teilen, die über eine Dateninfrastruktur, wie z. B. das Internet, kommunizieren, was unter dem Begriff der cyber-physischen Systeme zusammengefasst wird. In diesem Modul lernen die Teilnehmer unter Beachtung statistischer sowie stochastischer Verfahren das qualitätsrelevante Verhalten der CPS prognostizieren zu können. Dazu wird ein kompletter Datenanalysezyklus durchlaufen, der sowohl technische als auch analytische Aspekte fokussiert.
Lehrinhalte
Teil 1: Vorbereitung auf die Projektdurchführung durch Methodenvertiefung:
-Grundlagen zur technischen Datenerhebung
-Grundlagen zur IT-Infrastruktur für die Speicherung sowie Auswertung großer Datenmengen
(Datenbanksysteme im Umfeld von Big Data)
-Grundlagen zur Verwendung der Statistiksoftware R im CPS Umfeld
-Grundlagen von Machine Learning Methoden und Techniken
Teil 2: Durchführung eines Projektes an einem realen CPS zur Vorhersage des qualitätsrelevanten Verhaltens:
-Technische Planung, Durchführung sowie Erhebung von Daten am CPS
-Technische sowie logische Speicherung der Daten
-Analyse der Daten
-Erstellung von Prognosemodellen zur Entscheidungsfindung bezüglich des qualitätsrelevanten
Verhaltens des CPS
-Grundlagen zur technischen Datenerhebung
-Grundlagen zur IT-Infrastruktur für die Speicherung sowie Auswertung großer Datenmengen
(Datenbanksysteme im Umfeld von Big Data)
-Grundlagen zur Verwendung der Statistiksoftware R im CPS Umfeld
-Grundlagen von Machine Learning Methoden und Techniken
Teil 2: Durchführung eines Projektes an einem realen CPS zur Vorhersage des qualitätsrelevanten Verhaltens:
-Technische Planung, Durchführung sowie Erhebung von Daten am CPS
-Technische sowie logische Speicherung der Daten
-Analyse der Daten
-Erstellung von Prognosemodellen zur Entscheidungsfindung bezüglich des qualitätsrelevanten
Verhaltens des CPS
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Datenanalyse bei cyber-physischen Systemen | Projekt | 0536 L 316 | Winter- und Sommersemester | [en, de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Datenanalyse bei cyber-physischen Systemen (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Eigenstudium Methodenvertiefung | 1 | 40 h | 40 h |
| Eigenstudium Präsentationsvorbereitung sowie Präsentation | 1 | 10 h | 10 h |
| Projektdurchführung: Abschlusspräsentation, Plakates und Projektdokumentation | 1 | 30 h | 30 h |
| Projektdurchführung: Projektbearbeitung in der Gruppe | 1 | 100 h | 100 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Es kommen Gruppenarbeit und Expertenpuzzle im Rahmen einer Projektdurchführung zum Einsatz.
Teil 1:
Gruppenarbeit:
Die Grundlagen zur Durchführung des Projektes werden in themenspezifischen Gruppen erarbeitet. Die Ergebnisse werden vor den Teilnehmern der Lehrveranstaltung präsentiert.
Teil 2:
Expertenpuzzle zur Projektdurchführung:
Aus den jeweiligen themenspezifischen Gruppen, werden im Rahmen eines Expertenpuzzles, neue Gruppen zur Projektdurchführung gebildet. Diese sollen selbstständig an einem realen CPS im Quality Science Lab Prognosemodelle für Ausprägungen von verschiedenen Qualitäts- oder Zuverlässigkeitsmerkmalen entwickeln. Die Ergebnisse müssen vor den Teilnehmern der Lehrveranstaltung präsentiert und durch ein Poster visualisiert werden. Zudem ist eine Projektdokumentation abzugeben, die einerseits das Vorgehen und die Ergebnisse der Projektdurchführung und andererseits die technische Umsetzung dokumentiert.
Teil 1:
Gruppenarbeit:
Die Grundlagen zur Durchführung des Projektes werden in themenspezifischen Gruppen erarbeitet. Die Ergebnisse werden vor den Teilnehmern der Lehrveranstaltung präsentiert.
Teil 2:
Expertenpuzzle zur Projektdurchführung:
Aus den jeweiligen themenspezifischen Gruppen, werden im Rahmen eines Expertenpuzzles, neue Gruppen zur Projektdurchführung gebildet. Diese sollen selbstständig an einem realen CPS im Quality Science Lab Prognosemodelle für Ausprägungen von verschiedenen Qualitäts- oder Zuverlässigkeitsmerkmalen entwickeln. Die Ergebnisse müssen vor den Teilnehmern der Lehrveranstaltung präsentiert und durch ein Poster visualisiert werden. Zudem ist eine Projektdokumentation abzugeben, die einerseits das Vorgehen und die Ergebnisse der Projektdurchführung und andererseits die technische Umsetzung dokumentiert.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Grundlegende Programmierkenntnisse werden vorausgesetzt (Selbstständige Aneignung kann über das kostenlose Kursmaterial des Kurses Intro to Computer Science der Online Akademie Udacity erfolgen). Von Vorteil sind Kenntnisse in der Regelungstechnik, Sensorik, Mikrocontrollerprogrammierung, Datenbanksystemen, Statistik sowie Machine Learning Methoden (Selbstständige Aneignung der Grundlagen kann ebenfalls über das kostenlose Kursmaterial der entsprechenden Kurse der Online Akademie Udacity erfolgen).
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 |
|---|---|---|---|
| Plakat | 60 | ||
| Präsentation 1 (15 Min) | 60 | ||
| Präsentation 2 (30 Min) | 160 | ||
| Projektdokumentation | 120 |
Prüfungsbeschreibung (Abschluss des Moduls)
Zwei Präsentationen, Plakat und Projektdokumentation
Es wird folgender Notenschlüssel verwendet:
Punkte von Punkte bis Note
360 400,0 1,0
340 359,9 1,3
320 339,9 1,7
300 319,9 2,0
280 299,9 2,3
264 279,9 2,7
248 263,9 3,0
232 247,9 3,3
216 231,9 3,7
200 215,9 4,0
0 199,9 5,0
Es wird folgender Notenschlüssel verwendet:
Punkte von Punkte bis Note
360 400,0 1,0
340 359,9 1,3
320 339,9 1,7
300 319,9 2,0
280 299,9 2,3
264 279,9 2,7
248 263,9 3,0
232 247,9 3,3
216 231,9 3,7
200 215,9 4,0
0 199,9 5,0
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 15.
Anmeldeformalitäten
Bewerbung für die Teilnahme an der Lehrveranstaltung:
-Schriftliche Bewerbung bis eine Woche vor Vorlesungsbeginn
Anmeldung zur Lehrveranstaltung:
- In der ersten Vorlesungswoche
Einteilung in Gruppen für die Methodenvertiefung:
- In der ersten Wochen nach Semesterbeginn
Anmeldung zur Prüfung:
- Online (QISPOS)
- Die jeweiligen Anmeldefristen sind der Studienordnung zu entnehmen
-Schriftliche Bewerbung bis eine Woche vor Vorlesungsbeginn
Anmeldung zur Lehrveranstaltung:
- In der ersten Vorlesungswoche
Einteilung in Gruppen für die Methodenvertiefung:
- In der ersten Wochen nach Semesterbeginn
Anmeldung zur Prüfung:
- Online (QISPOS)
- Die jeweiligen Anmeldefristen sind der Studienordnung zu entnehmen
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Literatur/Online Kurse zur Vorbereitung:
Kursmaterial der Udacity-Kurse:
-Intro to Computer Science
-Intro to Statistics
-Intro to Data Science
-Intro to Hadoop and MapReduce
-Exploratory Data Analysis
-Data Wrangling with MongoDB
-Machine Learning 1 bis 3
Kursmaterial der Udacity-Kurse:
-Intro to Computer Science
-Intro to Statistics
-Intro to Data Science
-Intro to Hadoop and MapReduce
-Exploratory Data Analysis
-Data Wrangling with MongoDB
-Machine Learning 1 bis 3