Fortgeschrittene Methoden der Zuverlässigkeitstechnik
| Studiengang: | Master of Science Sicherheitstechnik und Master of Science Qualitäts- und Zuverlässigkeitsingenieurwesen |
| Kontext: | Qualitätsingenieurwesen - Modul "Fortgeschrittene Methoden der Zuverlässigkeitstechnik" |
| Veranstaltungsnummer: | SIC_FMZ-a_0 bzw. SIC032085 |
| Lehrform: | Vorlesung + Übung (2 + 2 SWS) |
| Aufwand: | 150 h (5 LP) |
| Semester: | Wintersemester |
| Termin: | Vorlesung: Montags 12-14 Uhr ab dem 20.10.2025 im HS 25 |
| Übung: Montags 14-16 Uhr ab dem 27.10.2025 im HS 25 | |
| Prüfung: | Präsentation mit Kolloquium |
Digitalisierung und Industrie 4.0 stellen neuartige Herausforderungen an die Zuverlässigkeitstechnik. Das Erfassen und Überwachen von Maschinen in Echtzeit ermöglichen die Verfügbarkeit und Zuverlässigkeit von Produktionsanlagen zu verbessern, wodurch Wartungskosten reduziert werden können. Dies erfordert statistische Kenntnisse zur Verarbeitung multivariater Datensätze. Ziel dieser Lehrveranstaltung ist es, einen Überblick über statistische Methoden und Algorithmen des maschinellen Lernens zu geben, die für die vorausschauende Instandhaltung und Zustandsüberwachung (Condition-Monitoring) relevant sind. Mit Hilfe dieser Methoden können beispielsweise Systemzustände automatisch klassifiziert und Ausfallzeitpunkte oder Restnutzungsdauern (RUL) prognostiziert werden. Die Studierenden werden verschiedene Algorithmen, mit Hilfe der Open-Source-Software R, auf reale Daten anwenden.
1. Einleitendes Beispiel aus der Kompressorenindustrie
2. Grundlagen der deskriptiven Statistik für univariate und bivariate Datensätze
3. Unsupervised-Learning Methoden zur Visualisierung und Clusterung multivariater Datensätze
4. Supervised-Learning Methoden zur automatischen Ausfallprognose und Zustandsklassifikation
5. Seminararbeit: Anwendung maschineller Lernverfahren zur
- prädiktiven Instandhaltung (RUL-Prognose) von Flugzeugtriebwerken,
- Prognose von Spurwechselmanövern auf Autobahnen,
- Analyse einer beliebigen, von den Studierenden gewählten Datensammlung
- S. Matzka: Künstliche Intelligenz in den Ingenieurwissenschaften. Springer (2021).
- S. Bracke: Technische Zuverlässigkeit – Datenanalytik, Modellierung, Risikoprognose. Springer Verlag (2022).
- A. Meyna et al.: Sicherheit und Zuverlässigkeit technischer Systeme, 3. Aufl., Carl Hanser Verlag (2023).
- E. Cramer und U. Kamps: Grundlagen der Wahrscheinlichkeitsrechnung und Statistik. 5. Aufl., Springer (2020).
- NASA Daten-Repository: nasa.gov/content/prognostics-center-of-excellence-data-set-repository
- Kaggle Dataset mit Schüsselwort "Predictive Maintenance".
- Zeit Online 05.01.2017, Schaue Luft.
- TGA Fachplanner 24.07.2020, Maschinengeräusche warnen vor dem Ausfall.
- The R project for statistical computing: r-project.org.
