Modulbeschreibung

Mechatronik 2

Kurzzeichen:
M_MeT2
Unterrichtssprache:
Deutsch
ECTS-Credits:
10
Arbeitsaufwand (h):
300
Leitidee:

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. 

 

  • 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. 

 

  • 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. 

 

  • 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. 
Modulverantwortung:
Prof. Dr. Bach Carlo
Lehrpersonen:
Prof. Dr. Würsch Christoph
Standort (angeboten):
Buchs, Lerchenfeld St.Gallen
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:

Ebenfalls sollten die beiden Module ELA1  und ELA 2 besucht worden sein.

Modultyp:
Wahlpflicht-Modul für Mechatronik BB STD_24(Empfohlenes Semester: 6)Kategorie:Grundlagenmodule (GLM)
Wahlpflicht-Modul für Mechatronik VZ STD_24(Empfohlenes Semester: 4)Kategorie:Grundlagenmodule (GLM)
Wahlpflicht-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 6)Kategorie:Profilmodule (PM)
Wahlpflicht-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 4)Kategorie:Profilmodule (PM)
Bemerkungen:

Das Modul findet im Frühlingssemester statt.

Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Modulschlussprüfung:
Schriftliche Prüfung, 240 Minuten
Bemerkungen zur Prüfung:

Die Modulschlussprüfung findet in vier Teilen statt. Die Kurse Machine Learning, Regelung mechatronischer Systeme, Signale und Systeme sowie Systemauslegung bilden je einen Teil der Modulschlussprüfung. Alle Teile dauern je 60 Minuten.  

Während der Unterrichtsphase:

Im Kurs Regelung mechatronischer Systeme werden Projekte bewertet.

Bewertungsart:
keine Note oder Wertung
Gewichtung:

Im Kurs Regelung mechatronischer Systeme werden Projekte (Gewicht 20%) bewertet.

Es findet eine abgesetzte Modulschlussprüfung in vier Teilen statt. Die Kurse Machine Learning (Gewicht 20%), Regelung mechatronischer Systeme (Gewicht 20%), Signale und Systeme (Gewicht 20%) sowie Systemauslegung (Gewicht 20%) bilden je einen Teil der Modulschlussprüfung.

Bemerkungen:

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

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. 
Modul- und Lerninhalt:
  • 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)
Lehr- und Lernmethoden:

Klassenunterricht mit Übungen und Selbststudium 

Lehrmittel/-materialien:
  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  
Bemerkungen:

Unterrichtssprache ist Deutsch, teilweise sind die Unterlagen auf Englisch