Angewandte Datenanalyse zur Bestimmung von ZuverlässigkeitenModulbeschreibung #50021 / Version 2
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #50021 / #2 |
|---|---|
| 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 | Mayer, Jan Pascal |
| E-Mail-Adresse | j.mayer@tu-berlin.de |
| Webseite | https://www.tu.berlin/qw/studium-lehre/lehrveranstaltungen/dre-applied-data-science-for-reliability-engineering |
Lernergebnisse
Produkte werden aufgrund der steigenden Funktionalitäten immer komplexer, was die Fehleranfälligkeit erhöht. Damit besteht die Notwendigkeit für Unternehmen - insbesondere auch aus gesetzlichen Haftungsgründen und zur Verringerung von Garantiefällen - Methoden einzusetzen, um mögliche Risiken durch Funktionsausfälle prognostizieren und die Zuverlässigkeit der Produkte steigern zu können. Die Zuverlässigkeit ist somit eine der wichtigsten Eigenschaften heutiger Produkte und bildet einen wichtigen Teilaspekt und integralen Bestandteil der Qualität.
Die Zuverlässigkeit ist nicht deterministisch, sondern nur über Wahrscheinlichkeiten operationalisierbar. Die Analyse kann folglich nur mit den Methoden des Data Science erfolgsversprechend durchgeführt werden.
In dieser Lehrveranstaltung sollen sich die angehenden Ingenieure fachlich-methodische Kompetenzen der Zuverlässigkeitsbestimmung aneignen.
Dabei werden die erlernten Grundlagen aus "Applied Data Science for Quality Engineering" in einen praxisorientierten Zusammenhang gebracht.
Die Studierenden werden befähigt, eigenständig Softwarelösungen im Rahmen der Zuverlässigkeitsanalyse zu entwickeln. Dazu erfolgt in der Lehrveranstaltung die Bearbeitung einer Case-Study mit der Programmiersprache R und die Lösungserarbeitung durch eine interaktive Webapplikation.
Diese Fähigkeiten sollen künftig eingesetzt werden können, um Aufgaben in der Zuverlässigkeitsanalyse zu übernehmen, deren Bearbeitung zu steuern, zu koordinieren und erfolgreich abschließen zu können.
Die Zuverlässigkeit ist nicht deterministisch, sondern nur über Wahrscheinlichkeiten operationalisierbar. Die Analyse kann folglich nur mit den Methoden des Data Science erfolgsversprechend durchgeführt werden.
In dieser Lehrveranstaltung sollen sich die angehenden Ingenieure fachlich-methodische Kompetenzen der Zuverlässigkeitsbestimmung aneignen.
Dabei werden die erlernten Grundlagen aus "Applied Data Science for Quality Engineering" in einen praxisorientierten Zusammenhang gebracht.
Die Studierenden werden befähigt, eigenständig Softwarelösungen im Rahmen der Zuverlässigkeitsanalyse zu entwickeln. Dazu erfolgt in der Lehrveranstaltung die Bearbeitung einer Case-Study mit der Programmiersprache R und die Lösungserarbeitung durch eine interaktive Webapplikation.
Diese Fähigkeiten sollen künftig eingesetzt werden können, um Aufgaben in der Zuverlässigkeitsanalyse zu übernehmen, deren Bearbeitung zu steuern, zu koordinieren und erfolgreich abschließen zu können.
Lehrinhalte
Die Weibullverteilung als Basis der Lebensdaueranalyse
- Beschreibung, Verhalten und Interpretation der Weibullverteilung
- Beschreibung, Verhalten und Interpretation ihrer Dichtefunktion
- Ausfallraten auf Basis der Weibullverteilung
Berechnung der Weibullverteilung mit Hilfe der Schätzerverfahren (Ranking - Estimator - Regression)
Berechnung der Weibullverteilung mit Hilfe numerischer Verfahren (Maximum Likelihood Methode)
Schätzerverfahren für Ausfallteile und intakte Bauteile
- Verfahren nach Kaplan - Meier
- Verfahren nach Johnson
- Verfahren nach Nelson
Lebensdauerdaten aus Tests und Nutzung (Strukturen, Interpretation, Umrechnung)
Mischverteilungen
Lebensdauertests zum Nachweis der Zuverlässigkeit
Planung von Zuverlässigkeitstests
- die „Success Run“ Methode
- die „Sudden Death“ Methode
Zuverlässigkeit von Systemen
Absicherung der Lebensdauerprognosen (Vertrauenswahrscheinlichkeiten und Konfidenzen)
Die Anwendung der Lehrinhalte erfolgt durch die Programmiersprache R.
- Beschreibung, Verhalten und Interpretation der Weibullverteilung
- Beschreibung, Verhalten und Interpretation ihrer Dichtefunktion
- Ausfallraten auf Basis der Weibullverteilung
Berechnung der Weibullverteilung mit Hilfe der Schätzerverfahren (Ranking - Estimator - Regression)
Berechnung der Weibullverteilung mit Hilfe numerischer Verfahren (Maximum Likelihood Methode)
Schätzerverfahren für Ausfallteile und intakte Bauteile
- Verfahren nach Kaplan - Meier
- Verfahren nach Johnson
- Verfahren nach Nelson
Lebensdauerdaten aus Tests und Nutzung (Strukturen, Interpretation, Umrechnung)
Mischverteilungen
Lebensdauertests zum Nachweis der Zuverlässigkeit
Planung von Zuverlässigkeitstests
- die „Success Run“ Methode
- die „Sudden Death“ Methode
Zuverlässigkeit von Systemen
Absicherung der Lebensdauerprognosen (Vertrauenswahrscheinlichkeiten und Konfidenzen)
Die Anwendung der Lehrinhalte erfolgt durch die Programmiersprache R.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Applied Data Science for Reliability Engineering | Integrierte Veranstaltung | 3536 L 319 | Sommersemester | [de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Applied Data Science for Reliability Engineering (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 40 h | 40 h |
| Vor-/Nachbereitung | 15 | 3 h | 45 h |
| Rechnerübung/Projektdurchführung | 6 | 8 h | 48 h |
| Vorlesungszeit | 5 | 8 h | 40 h |
| 173 h | |||
Der Aufwand des Moduls summiert sich zu 173 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Es kommen Vorlesungen mit integrierten Übungen, Rechnerübungen und Projektbearbeitung zum Einsatz.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Introduction to Engineering Data Analytics with R (IDA)
Applied Data Science for Quality Engineering (DQE)
Die Lehrinhalte der obigen Veranstaltungen können auch eigenständig erarbeitet werden.
Applied Data Science for Quality Engineering (DQE)
Die Lehrinhalte der obigen Veranstaltungen können auch eigenständig erarbeitet werden.
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 |
|---|---|---|---|
| Bearbeitung des Projektes | 30 | praktisch | 30 - 45 Minuten |
| Schriftliche Prüfung | 70 | schriftlich | 75 Minuten |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Prüfungsform für dieses Modul ist die Portfolioprüfung.
Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden:
- Bearbeitung des Projektes - 30 von 100 Punkten (in der vorlesungsfreien Zeit)
- Schriftliche Prüfung - 70 von 100 Punkten (in der vorlesungsfreien Zeit)
Dazu müssen die unten aufgeführten Teilleistungen mit entsprechender Gewichtung absolviert werden:
- Bearbeitung des Projektes - 30 von 100 Punkten (in der vorlesungsfreien Zeit)
- Schriftliche Prüfung - 70 von 100 Punkten (in der vorlesungsfreien Zeit)
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Anmeldung zur Lehrveranstaltung:
- Anmeldung beim Fachgebiet (Termin wird auf der Homepage veröffentlicht)
Anmeldung zur Prüfung:
- Anmeldung Online (QISPOS)
- Die jeweiligen Anmeldefristen sind der Ordnung zur Regelung des allgemeinen Studien- und Prüfungsverfahrens (AllgStuPO) zu entnehmen (§ 39)
- Anmeldung beim Fachgebiet (Termin wird auf der Homepage veröffentlicht)
Anmeldung zur Prüfung:
- Anmeldung Online (QISPOS)
- Die jeweiligen Anmeldefristen sind der Ordnung zur Regelung des allgemeinen Studien- und Prüfungsverfahrens (AllgStuPO) zu entnehmen (§ 39)
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar – Das Skript in elektronischer Form wird über das ISIS System der TU Berlin bereitgestellt
Empfohlene Literatur
- Bertsche, Bernd; Lechner, Gisbert (2004): Zuverlässigkeit im Fahrzeug- und Maschinenbau. 3., überarbeitete und erweiterte Auflage. Berlin, Heidelberg, New York: Springer-Verlag
- Meyna, Arno; Pauli, Bernhard (2009): Zuverlässigkeitstechnik. Quantitative Bewertungsverfahren. 2., überarbeitete und erweiterte Auflage. München: Hanser, Carl.
- Verband der Automobilindustrie e.V. (VDA) (2016): Qualitätsmanagement in der Automobilindustrie Band 3. Zuverlässigkeitssicherung bei Automobilherstellern und Lieferanten Teil 2. Zuverlässigkeits-Methoden und -Hilfsmittel, 4. Auflage
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Maschinenbau StuPO 2017 | WiSe 2023/24 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| SoSe 2024 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WiSe 2024/25 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2020 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management |
| WiSe 2020/21 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2021 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2021/22 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2022 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2022/23 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| SoSe 2023 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management | |
| WiSe 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2024 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2024/25 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Quality Management |
Das Modul vermittelt wesentliche Methoden und Verfahren, die die Teilnehmer befähigt, um verschiedene Aufgaben in der Zuverlässigkeitsanalyse übernehmen, deren Bearbeitung steuern, koordinieren und erfolgreich abschließen zu können.
Sonstiges
Dieses Modul ist die Neuauflage des Moduls "Zuverlässigkeit und Risikobewertung" und wird ab dem Sommersemester 2018 angeboten.