Applied Data Science for Cyber-Physical SystemsModulbeschreibung #50020 / Version 4
- 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 / #4 |
|---|---|
| Gültigkeit | SS 2018 – WiSe 2024/25 |
| 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
-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
-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 |
|---|---|---|---|---|---|---|
| Applied Data Science for Cyber-Physical Systems | Projekt | 0536 L 316 | Winter- und Sommersemester | [en, de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Applied Data Science for Cyber-Physical Systems (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Eigenstudium Methodenvertiefung | 1 | 40 h | 40 h |
| Eigenstudium Präsentationsvorbereitung sowie Präsentation | 1 | 10 h | 10 h |
| Projektdurchführung: Abschlusspräsentation, Plakat 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 in Vortägen visualisiert und präsentiert 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 in Vortägen visualisiert und präsentiert 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, Kenntnisse in CAD oder Projektmanagement sind hilfeich (Hinweise zur selbständigen Einarbeitung werden zu Beginn der Lehrveranstaltung gegeben). Von Vorteil sind Kenntnisse in der Regelungstechnik, Sensorik, Mikrocontrollerprogrammierung, Datenbanksystemen, Statistik sowie Machine Learning Methoden.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Praktische Arbeit | 15 | flexibel | |
| Präsentation 1 (15 Min) | 10 | mündlich | |
| Präsentation 2 (30 Min) | 25 | mündlich | |
| Projektdokumentation | 50 | schriftlich |
Prüfungsbeschreibung (Abschluss des Moduls)
Zwei Präsentationen, Praktische Arbeit und Projektdokumentation
Es wird folgender Notenschlüssel verwendet:
Note Ab Prozent
5,0 0,00%
4,0 50,00%
3,7 55,00%
3,3 60,00%
3,0 65,00%
2,7 70,00%
2,3 75,00%
2,0 80,00%
1,7 85,00%
1,3 90,00%
1,0 95,00%
Es wird folgender Notenschlüssel verwendet:
Note Ab Prozent
5,0 0,00%
4,0 50,00%
3,7 55,00%
3,3 60,00%
3,0 65,00%
2,7 70,00%
2,3 75,00%
2,0 80,00%
1,7 85,00%
1,3 90,00%
1,0 95,00%
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) oder mit gelbem Zettel
- 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) oder mit gelbem Zettel
- 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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Maschinenbau StuPO 2017 | WiSe 2023/24 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| SoSe 2024 | Wahlpflichtmodule › Kernmodule › Werkzeugmaschinen und Anlagentechnik | |
| WiSe 2024/25 | Wahlpflichtmodule › Kernmodule › Werkzeugmaschinen und Anlagentechnik | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2020 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology |
| WiSe 2020/21 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| SoSe 2021 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| WiSe 2021/22 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| SoSe 2022 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| WiSe 2022/23 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| SoSe 2023 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| WiSe 2023/24 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| SoSe 2024 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology | |
| WiSe 2024/25 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology |
Sonstiges
Keine Angabe