Modulbeschreibung

Die Studierenden

• können die Anforderungen an ein Batteriesystem definieren und daraus eine geeignete Batteriezelle identifizieren.
• können einfache thermisch- / elektrische Modelle von Batteriezellen erstellen und parametrieren und dadurch das Systemverhalten analysieren.
• können Batteriemodelle anhand experimenteller Daten validieren.
• können das Thermalsystem und die mechanischen Komponenten eines Batteriesystems unter Berücksichtigung der wichtigsten Sicherheitsaspekte auslegen.
• verstehen die Aufgaben und Funktionsweise des Batteriemanagement-Systems (BMS) als zentrale, sicherheitsrelevante Komponente.
• kennen die unterschiedlichen Ladestrategien (CC, CV, CP) und deren Einfluss auf Ladedauer und Effizienz.
• kennen die Ursachen für die Alterung von Batterien und können diese bei der Auslegung eines Batteriesystems berücksichtigen.
• kennen die gängigsten, anwendungsspezifischen Zertifizierungen für Batteriesysteme.
• verstehen die Herausforderungen der Kreislaufwirtschaft bezogen auf Batterien und kennen die aktuellen Bestrebungen bezüglich Nachhaltigkeit und Recycling. 

Der Kurs «Batterien in mechatronischen Produkten» vermittelt das nötige Wissen, um Energiespeicher für mobile Anwendungen einzusetzen. Es werden alle benötigten Komponenten und deren Einfluss auf Effizienz und Lebensdauer der Batterie behandelt. Zusätzlich werden auch die Themen Zertifizierung und Sicherheit behandelt.

Projektarbeit

Vorlesung, Laborübungen, Selbststudium, Projektarbeit

Gregory L. Plett, Battery Management Systems, Volume 1: Battery Modelling, 2015

Unterrichtssprache ist Deutsch, die Unterrichtsunterlagen sind zum Teil auf Englisch

Die Studierenden

• kennen die Arten des Maschinellen Lernens (ML), können ML Verfahren kategorisieren und diese jeweils entsprechenden Problemstellungen zuweisen.
• sind in der Lage, eine univariate und multivariate explorative Datenanalyse (EDA) durchzuführen.
• können für einen gegebenen Datensatz Merkmale extrahieren (feature engineering), auswählen (feature selection) und vorbearbeiten (preprocessing).
• kennen die wichtigsten klassischen ML-Modelle für überwachtes Lernen (lin. Regression, log. Regression, kNN, Decision Tree, Random Forest, AdaBoost) und können diese in ML-Pipelines unter Verwendung von Python und geeigneten Bibliotheken (scikit-learn, pandas, keras | pytorch) implementieren, debuggen und optimieren.
• kennen den Bias-Variance-Trade-off sowie das «no Free Lunch»-Theorem und sind in der Lage, ein geeignetes ML-Verfahren mittels Kreuzvalidierung zu bewerten.
• verstehen die wichtigsten Metriken (mse, mae, accuracy, F1, recall, precision, ROC, AUC,…) und können ein erlerntes ML-Verfahren anhand von Test- und Validierungsdatensätzen mittels dieser Metriken quantitativ bewerten.
• kennen Regularisierungsmethoden für ML-Modelle Netze und können Hyperparameter von Architekturen mittels einer (kreuzvalidierten) Gittersuche anpassen.
• können Machine Learning Projekte end-to-end planen, durchführen und dokumentieren (z.B. mit Jupyter Notebooks).
• können erklären, wie neuronale Netze funktionieren und was sie im Vergleich zu anderen Modellen des maschinellen Lernens auszeichnet.
• können entscheiden, in welchen Fällen und Anwendungen ein tiefes neuronales Netz eine gute Wahl für ein bestimmtes ML-Problem ist.
• kennen die wichtigsten Architekturen (CNN,…) von tiefen Neuronalen Netzen und können diese in Python (Keras | pytorch) implementieren, trainieren und deren Performance für einen ML-Task beurteilen.
• sind in der Lage, ihr Verständnis von tiefen Neuronalen Netzen in einem angewandten Projekt zu demonstrieren

Dieser Kurs bietet eine fundierte Einführung in die Grundlagen des Maschinellen Lernens, unter Verwendung von Python, scikit-learn, keras und/oder PyTorch. Studierende werden in die Lage versetzt, komplexe Probleme zu analysieren, datenbasierte Modelle zu erstellen, zu trainieren, zu regularisieren und optimeren, zu validieren und anzuwenden. Durch praktische Übungen und Anwendungsbeispiele aus verschiedenen Bereichen (z.B. Bilderkennung, Sprachverarbeitung, NLP) werden die Teilnehmer mit den neuesten Entwicklungen und Best Practices im Bereich des Maschinellen Lernens vertraut gemacht. Das Abschlussprojekt ermöglicht es den Studierenden, ihr erworbenes Wissen in einem eigenständigen Projekt unter Beweis zu stellen.
Dieser Kurs ist ein unverzichtbarer Bestandteil für alle, die sich auf dem Gebiet des Maschinellen Lernens weiterentwickeln und ihr Verständnis für die Anwendung von Algorithmen und Techniken vertiefen möchten.

Projekt mit mündlicher Prüfung

Klassenunterricht mit Lehrvortrag, Übungen, Selbststudium, Gruppenarbeiten, etc. 

1. Aurélien Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, September 2019, O'Reilly Media, Inc. ISBN: 9781492032649
2. Sebastian Raschka: Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python, Packt Publishing, 2022
3. François Chollet: Deep Learning mit Python und Keras, Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek, Mitp Verlags GmbH & Co.KG

• Verständnis von verschiedenen Koordinatensystemen im Kontext der Robotik
• Umrechnung zwischen Koordinatensystemen mittels homogener Transformationsmatrizen
• Berechnung der Vorwärts- und Rückwärtskinematik, sowie der Jakobimatrix eines Roboters
• Berechnung von Übersetzungsverhältnissen und Reduktion von Trägheiten
• Kenntnisse über die Berechnung der Dynamik eines Roboters
• Modellierung eines DC-Motors
• Auslegung von Positions- und Geschwindigkeitsreglern
• Bahnplanung mobiler Roboter
• Kenntnisse über verschiedene Sensoren in der mobilen Robotik
• Fähigkeit zur Fusion von Sensorinformationen und Anwendung von Beobachtern und Filtern
• Anwendung der erworbenen Kenntnisse in realen Szenarien und Programmierung eines kleinen mobilen Roboters
• Mögliches Anwendungsbeispiel: Angefangen von der Ansteuerung deines Motors wird schrittweise aufgebaut bis und mit zum Abfahren von vorgegangen Punkten im Raum mittels optimierten Bahnplaner.
• Allenfalls Auslegung und Anwendung eines Kalman Filters

Der Kurs "Mobile Robotik" vermittelt einen umfassenden Überblick über die theoretischen Grundlagen und praktischen Anwendungen der Robotik. Die Studierenden lernen die verschiedenen in der Robotik verwendeten Koordinatensysteme kennen und beherrschen die Umrechnung zwischen ihnen. Sie verstehen die Kinematik und Dynamik von Robotern und damit die Bewegungsmöglichkeiten und -grenzen eines Roboters.
Ein Schwerpunkt liegt auf der Berechnung von Bewegungsabläufen, der Positions- und Geschwindigkeitsregelung und der Bahnplanung für mobile Roboter. Darüber hinaus werden Sensortechnologien, die Fusion von Sensorinformationen und die Anwendung von Beobachtern und Filtern zur präzisen Positionsbestimmung behandelt.
Das Modul legt großen Wert darauf, dass die Teilnehmer ihr erworbenes Wissen in realen Szenarien anwenden können. Dazu gehört die Programmierung eines kleinen mobilen Roboters, beginnend mit der Ansteuerung des Motors bis hin zur Implementierung eines optimierten Bahnplaners für die Navigation durch vorgegebene Punkte im Raum.

Projektarbeit und Modulschlussprüfung

Vorlesung, Laborübungen, Projekt, Selbststudium

Bruno Siciliano, Handbook of Robotics, Springer Verlag, 2016
Peter Corke, Robotics, Vision and Control Fondamental Algorithms in MATLAB, Springer Verlag, 2017
Peter Corke, Robotics, Vision and Control Fondamental Algorithms in Python, Springer Verlag, 2023

Die Studierenden 

• können das Verfahren der Pol-/Nullstellenkompensation anwenden, um das dynamische Verhalten eines Systems zu beeinflussen. 
  (Bsp.: anpassen der Systemdynamik durch ein Kontrollglied.)
• können den geeigneten Regler für ein System festlegen und dessen Parameter bestimmen.
  (Bsp.: Positionsregelung eines einzelnen DC-Motors.)
• können das Konzept der Vorsteuerung (Feed Forward) anwenden, um das Führungsverhalten einer Kaskadenregelung zu verbessern.
  (Bsp.: Geschwindigkeits- und Momentenvorsteuerung beim DC-Motor)
• kennen die Limitierungen des realen Systems und können deren Einfluss auf die Regelung abschätzen.
  (Bsp.: Stellgrössenbegrenzung, Sensorauflösung, Abtastzeit Digitalregler etc.)
• können einen zeitdiskreten PID-Regler auf einem Mikrokontroller implementieren.

Die Studierenden versehen das Konzept der Pol-Nullstellen-Kompensation zur Beeinflussung des Streckenverhaltens. Daraus abgeleitet erfolgt der Entwurf einer Kaskadenregelung mit Vorsteuerung für das mechatronische Beispielsystem «Servoantrieb mit Last». Es wird eine zeitdiskrete Regelung implementiert und in Betrieb genommen um die Limitierungen (Abtastzeit, Sensorauflösung, Stellgrössenbegrenzung, etc.) eines realen mechatronischen Systems aufzuzeigen.

Projekt und Modulschlussprüfung

Vorlesung, Lehrgespräch, Laborübungen, Projekt, Selbststudium

Wilhelm Haager, Regelungstechnik, HPT-Verlag, 2017