Modulbeschreibung

Mechatronik 2

ECTS-Credits:
10
Lernziele:

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. 

Kurse in diesem Modul

Machine Learning:
  • 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)
Klassenunterricht mit 2 Lektionen pro Woche
Regelung mechatronischer Systeme:
  • 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 
Klassenunterricht mit 4 Lektionen pro Woche
Signale und Systeme:
  • 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 
Klassenunterricht mit 2 Lektionen pro Woche
Systemauslegung:
  • 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. 
Klassenunterricht mit 2 Lektionen pro Woche
Disclaimer

Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.