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.