Modulbeschreibung

Digital Twin

Kurzzeichen:
M_VP_20702
ECTS-Credits:
18
Leitidee:

Die Studierenden

  • können Daten in einem industriellen Anwendungsbeispiel erfassen, übertragen und speichern.

  •  

    können einen isolierten industriellen Prozess (z.B. repetitives handling eines Roboters) mit mathematischen Modellen abbilden.

  •  

    können die Betriebsdaten zur Erstellung/Verfeinerung des Modells verwenden.

  •  

    können mithilfe des Modells Fehlsituation detektieren bzw. vorhersagen.
Modulverantwortung:
Frick Klaus
Standort (angeboten):
Buchs
Zusätzliche Eingangskompetenzen:

Grundlagen der Mathametik aus BSc

Modultyp:
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Während der Unterrichtsphase:

Im Kurs "Digital Twin“ wird ein Projekt mittels Bericht und Fachgespräch bewertet. Im Kurs "Pattern Classification“ wird eine schriftliche Prüfung bewertet.

Bewertungsart:
Note von 1 - 6
Gewichtung:

Im Kurs "Digital Twin“ wird ein Projekt mittels Bericht (Gewicht 40%) und Fachgespräch (Gewicht 40%) bewertet. Im Kurs "Pattern Classification“ wird eine schriftliche Prüfung (Gewicht 20%) bewertet.

Bemerkungen:

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

Die Studierenden

  • können Daten in einem industriellen Anwendungsbeispiel erfassen, übertragen und speichern.
  • können einen isolierten industriellen Prozess (z.B. repetitives handling eines Roboters) mit mathematischen Modellen abbilden. 
  • können die Betriebsdaten zur Erstellung/Verfeinerung des Modells verwenden.
  • können mithilfe des Modells Fehlsituation detektieren bzw. vorhersagen.
Modul- und Lerninhalt:
  • MKS Modellierung
  • Sensor Fusion
  • Systemidentifikation
  • Machine Learning Control
  • Pattern Classification