Modulbeschreibung

Machine Learning (ML) ist eine zentrale Technologie in der modernen Mechatronik und ermöglicht die datengetriebene Modellierung, Vorhersage und Optimierung komplexer Systeme. In diesem Kurs erhalten Studierende eine fundierte Einführung in die Konzepte, Methoden und Anwendungen des Machine Learnings mit besonderem Fokus auf ingenieurwissenschaftliche Fragestellungen. 
Der Kurs behandelt die grundlegenden Arten des Machine Learnings: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Die Studierenden erlernen Techniken zur Datenvorverarbeitung, um die Qualität der Eingabedaten zu optimieren, und verstehen den Bias-Variance-Tradeoff sowie Regularisierungsmethoden zur Verbesserung der Generalisierungsfähigkeit von Modellen. Sie werden befähigt, Modelle effizient zu trainieren und Hyperparameter mittels kreuzvalidierter Gittersuchen zu optimieren. 
Ein weiterer Schwerpunkt liegt auf der Modellierung und Lösung von Klassifikations- und Regressionsproblemen. Dabei werden Entscheidungsbäume und Ensemble-Methoden (Random Forest, Bagging) detailliert behandelt. Die Studierenden erlernen zudem die Grundlagen künstlicher neuronaler Netze und deren Training mit Gradientenabstiegsverfahren. Fortgeschrittene Architekturen wie Faltungsnetzwerke (CNNs) zur Bildklassifikation sowie Rekurrente Neuronale Netze (RNNs) für Zeitreihendaten werden praxisnah vermittelt.  

Die Studierenden

• kennen die grundsätzlichen Arten des Machine Learnings, insbesondere supervised learning, unsupervised learning und reinforcement learning (K1). 
• kennen die Bedeutung der Datenvorverarbeitung und können Transformationen zur Vorverarbeitung der Merkmale auswählen und anwenden (K3).  
• verstehen den Bias-Variance-Tradeoff und können diesen mittels Regularisierungstechniken optimieren (K3) 
  können Modelle effizient trainieren und die Hyperparameter der Modelle über kreuzvalidierte Gittersuchen optimieren (K3).
• können Klassifikations- und Regressionsprobleme modellieren, geeignete Methoden auswählen und lösen. 
  Verstehen die Funktionsweise von Entscheidungsbäumen und das Konzept der Ensemble Learner (Random Forest, bagging).
• kennen das Grundprinzip der künstlichen neuronalen Netze und können einfache Netzarchitekturen mittels Gradientenabstiegsverfahren trainieren (K3). 
• verstehen das Konzept von Faltungskernen und können CNN-Architekturen für die Bildklassifizierung erstellen, trainieren oder fine-tunen. 
• verstehen das Konzept von rekurrenten neuronale Netzwerken (RNN) und können diese  für die Regression oder Klassifizierung auf Zeitreihendaten trainieren und optimieren. 
• kennen den Unterschied zwischen diskriminativen und generativen Modellen.
• verstehen die Wichtigkeit von Erklärbarkeit und Interpretierbarkeit von black-box-Modellen wie DNNs und kennen modell-spezifische wie Modell-agnostische Methoden für XAI. 
• können praktische Probleme mit geeigneten Software-Paketen lösen. 

• The Machine Learning Landscape 
• Explorative Datenanalyse (EDA) 
• Klassifizieren mit dem kNN, Metriken 
• Lineare und multivariate Regression 
• Logistische Regression + Gradient Descent 
• Bias-Variance-Tradeoff und Regularisierung 
• Decision Tree und Ensemble Methoden, Random Forests, Bagging 
• vom Neuron zum Multilayer Perceptron 
• NN Trainieren (Lernkurven, Regularisierung, backpropagation) 
• Bilddaten: Faltungsnetzwerke (CNNs) 
• Sequentielle Daten (Zeitreihen) und Rekursive Neuronale Netzwerke (RNNs) 
• Generative Modelle 
• Explainable AI (XAI)

Modulschlussprüfung

Klassenunterricht mit Übungen und Selbststudium 

1. Aurélion Géron: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und Tensorflow. 
2. Sebastian Raschka, Yuxi Liu, Vahid Mirjalili: Machine Learning with PyTorch and Scikit-Learn, Februar 2022, Packt Publishing, ISBN: 9781801819312 
3. François Chollet and Matthew Watson: Deep Learning with Python, Third Edition, 
   ISBN 9781633436589  

Unterrichtssprache ist Deutsch, teilweise sind die Unterlagen auf Englisch

Die Studierenden

• können Anforderungen an Regelkreise beschreiben und spezifizieren. 
• können das dynamische Verhalten von Systemen im Bildbereich analysieren. 
• kennen den Standardregelkreis und seine wesentlichen Elemente (Regler, Strecke, Mess- und Stellglieder). 
• können dynamische Systeme und Regelkreise mit geeigneten Werkzeugen modellieren und simulieren. 
• können die Simulation im Rahmen des Reglerentwurfs sinnvoll einsetzen. 
• können das Verhalten des geschlossenen Regelkreises mit Gütekriterien bewerten. 
• kennen die Stabilitätskriterien von dynamischen Systemen. 
• können für ein gegebenes System einen geeigneten Regler wählen und parametrieren. 
• können digitale Regler (Abtastregler) implementieren und in Betrieb nehmen. 
• können das Konzept der Vorsteuerung anwenden, um das Führungsverhalten von Kaskadenregelungen zu verbessen. 
• können für einfache mechatronische Systeme (z.B. Antriebsstrang mit DC-Motor) eine Regelung entwerfen. 

• Darstellung von Übertragungsgliedern im Bildbereich (Anwendung Laplace-Transformation) 
• Beeinflussung von Regelstrecken mittels Korrekturgliedern 
• Offene Regelkette und Standardregelkreis 
• Wahl von geeigneten Reglern und deren Parametrierung 
• Pol- / Nullstellenkompensation  
• Phasen- / Amplitudenrand  
• Kaskadierte Regelung mit Vorsteuerung 
• Implementierung digitaler Regler 
• Wahl der Abtastzeit für Digitalregler  
• Stellgrössenbegrenzung / Integrator-Anti-Windup 

Projekt und Modulschlussprüfung

Lehrvortrag, Lehrgespräch, Übungen und Selbststudium, Laborübungen 

W. Haager, Regelungstechnik. HPT-Verlag, 2017 

Die Studierenden

• verstehen die Eigenschaften der Abtastung im Zeitbereich und Frequenzbereich.
• verstehen die DFT als Anwendung der Korrelation.
• kennen die Eigenschaften der FFT-Analyse in der Praxis.
• können die FFT zur Analyse von Signalen anwenden.
• können lineare und diskretisierte Zustandsraummodelle von Systemen angeben.
• verstehen die Struktur von Beobachter-Systemen.
• verstehen die Wirkungsweise von Kálmán-Filtern und können diese für einfache Anwendungen entwerfen. 

• Praktische Aspekte analoger und diskreter LTI- Systeme  
• Betrachtung linearer zeitunabhängiger Systeme im Zeit- und Frequenzbereich 
• Korrelation und Faltung, DFT und FFT, IFFT 
• Messen mit Beobachter: Zustandsraum-Modell  
• offener und geschlossener Beobachter, Einführung in den Kálmán-Filter 

Modulschlussprüfung

Lehrvortrag, Lehrgespräch, Übungen und Selbststudium, Laborübungen

Die Studierenden

• kennen die physikalischen Grundlagen von Leistung und Energie sowie deren Relevanz für mechatronische Systeme. 
• können eine geeignete Systemarchitektur entwerfen und verschiedene Konzepte der Spannungsversorgung analysieren. 
• sind in der Lage, verschiedene Energiespeichertechnologien sowie deren Vor- und Nachteile für unterschiedliche Anwendungen zu beurteilen. 
• verstehen die Prinzipien von Linear- und Schaltreglern sowie deren Einsatz in mechatronischen Systemen. 
• können Sicherheitsanforderungen identifizieren und entsprechende Schutzelemente (z. B. Überspannungs- und Überstromschutz) in ihre Systeme integrieren. 
• kennen die Grundlagen der EMV und können Entstörmaßnahmen sowie gezielte Leitungsführung zur Minimierung von Störungen anwenden. 

• Einführung in Leistung und Energie: Grundlagen der elektrischen Leistung, Energieübertragung und deren Bedeutung für mechatronische Systeme. 
• Systemarchitektur und Spannungsversorgung: Entwurf geeigneter Architekturen, Analyse verschiedener Versorgungskonzepte und deren Anwendung. 
• Energiespeicher und Reglertechnologien: Bewertung unterschiedlicher Energiespeicher, Grundlagen von Linear- und Schaltreglern sowie deren Einsatz. 
• Sicherheits- und EMV-Aspekte: Identifikation von Sicherheitsanforderungen, Integration von Schutzmaßnahmen und Anwendung von EMV-Entstörtechniken. 

Modulschlussprüfung

Vorlesung, Lehrgespräch, Übungen, begleitetes Selbststudium, Selbststudium