Lehre

Sommersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M.Sc. Joachim Denker

Learning Outcome: Die Studierenden erstellen Automatisierungslösungen für Aufgabenstellungen aus dem Maschinenbau, indem Sie übliche und weitverbreitete Aktoren und Sensoren mit deren analogen oder digitaltechnischen Anbindung sowie ausgewählte Steuerungssysteme kennen, bezüglich ihrer Eigenschaften und Einsatzgebiete beschreiben sowie gezielt für eine definierte Anwendung auswählen und mit einem Softwareprogramm ansteuern bzw. auslesen können, um auf Basis der im Projekt gemachten eigenen Erfahrungen die Stärken, Schwächen und Einsatzgebiete beurteilen zu können.
Die Studierenden wenden das in vorherigen Modulen erworbene theoretische Verständnis auf eine komplexe Problemstellung an, wägen im Team Lösungsoptionen ab und diskutieren sie. Die Studierenden erwerben so Kommunikations-, Kooperations- und Konfliktfähigkeit und steigern ihre self awareness in Hinblick auf die Entwicklung von Handlungskompetenz.

Modulinhalte:
• Elektrotechnische und pneumatische Aktorik
• Sensoren u.a. für Weg, Winkel, Temperatur
• Analoge und digitaltechnische Anbindungen (u.a. analog IO, digital IO, Ethercat)
• Steuerungssysteme (u.a. SPS, Einplatinencomputer, CompactRio)
• Nutzung und Erstellung von Softwaremodulen
• Aufbau von gesteuerten und geregelten Systemen
• Systementwicklung

Lehr- und Lernmethoden: Die Veranstaltung besteht aus einem Einführungsteil und einem Projektteil. In dem Einführungsteil wird im Rahmen einer seminaristischen Veranstaltung der Stoff veranschaulicht und mit praxisnahen Beispielen in einen Zusammenhang gestellt. Im Projektteil erarbeiten die Studierende Automatisierungslösungen für praxisnahe Aufgabenstellungen. Während des Projektteils wird die begleitende Betreuung und Hilfestellung bei individuellen Fragestellungen durch eine Projektbegleitung sichergestellt. Hier werden die Studierenden in regelmäßigen Reflexionsschleifen in Form von Coachings beim eigenständigen und selbstorganisierten Lernen im laufenden Semester unterstützt.

Prüfungsformen: Teilleistung nach dem Einführungsteil (Klausur und/oder mündliche Prüfung)
Teilleistung nach dem Projektteil (Präsentation und/oder Portfolio und/oder Bericht und/oder mündliche Prüfung)

Workload: Summe: 150 Std./5 Credits.
Seminar/ Projektbegleitung 60 Std.
Vor- und Nachbereitung 90 Std.

Präsenzzeit: 60 Std.

Selbststudium: 90 Std.

Empfohlene Literatur:
• Heinrich, Berthold; Linke, Petra; Glöckler, Michael: Grundlagen Automatisierung – Sensorik, Regelung, Steuerung; Springer Vieweg, 2017

Winter- und Sommersemester

ECTS Credits: 12

Modulverantwortliche*r: Prof. Dr.-Ing. Henning Hallmann

Dozierende: Dozentinnen und Dozenten des Bachelorstudiengangs Maschinenbau

Learning Outcome: Mit dem erfolgreichen Abschluss der Bachelorarbeit demonstrieren die Studierenden ihre Fähigkeit, innerhalb einer vorgegebenen Frist selbstständig eine gegebene praxisorientierte Problemstellung aus dem Fachgebiet Maschinenbau unter Einsatz wissenschaftlicher und fachpraktischer Methoden zu lösen. Sie zeigen damit, dass sie in einer typischen Situation des Ingenieuralltags kompetent handeln können. Das Kolloquium dient der Feststellung, ob der Prüfling befähigt ist, die Ergebnisse der Bachelorarbeit, ihre fachlichen Grundlagen, ihre fachübergreifenden Zusammenhänge und ihre außerfachlichen Bezüge mündlich darzustellen, selbstständig zu begründen und ihre Bedeutung für die Praxis einzuschätzen.

Modulinhalte: Die Bachelorarbeit ist eine eigenständige Leistung mit einer theoretischen, konstruktiven, experimentellen, modellbildenden oder einer anderen ingenieurmäßigen Aufgabenstellung mit einer ausführlichen Beschreibung und Erläuterung ihrer Lösung. In fachlich geeigneten Fällen kann sie auch eine schriftliche Hausarbeit mit fachliterarischem Inhalt sein. Die Bachelorarbeit kann auch in einem Industriebetrieb durchgeführt werden.

Lehr- und Lernmethoden: Projekt

Prüfungsformen: schriftlicher Bericht, Präsentation und mündliche Prüfung

Workload: Summe: 390 Std./12 Credits
Kolloquium: 30 Std.
Bachelorarbeit: 360 Std.

Präsenzzeit: keine

Selbststudium: 390 Std.

Empfohlene Literatur:
Ebel, H.F. et. al (2000): Erfolgreich Kommunizieren, Ein Leitfaden für Ingenieure; 1. Aufl.; Weinheim: Wiley-VCH

Wintersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M.Sc. Konstantinos Papadopoulos

Learning Outcome: Die Studierenden können mechatronische Systeme, insbesondere modellbasierte Regelungen entwerfen sowie in einer modernen CAE/Software-Plattform simulieren und realisieren, indem sie Systemmodelle mit Hilfe der Methoden zur Modellidentifikation aus Daten ableiten und Verfahren der modellprädiktiven Regelung anwenden, die vorausschauend mit komplexen (Mehrgrößen-)Systemen mit dominanten Totzeiten und Nichtlinearitäten umgehen können, sowie in Rapid-Prototyping-Plattform umsetzen, um später selbstoptimierende Maschinen und Anlagen entwickeln und realisieren zu können.

Modulinhalte:
• Realisierung mechatronischer Systeme in Echtzeit
• Modellierung für unterschiedliche mechatronische Domänen
• Identifikation dynamischer Systeme (Modellidentifikation aus Daten)
• modellbasierter Entwurf von (modellprädiktiven) Regelungen
• rechnergestützte Simulation und Analyse mechatronischer Systeme

Lehr- und Lernmethoden: Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; Fortlaufendes Coaching & Beratung während der Projektdurchführung

Prüfungsformen: Softwareprogramm (60%), schriftlicher Bericht/Präsentation und mündliches Gespräch (40%)

Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.

Projektarbeit: 120 Std.

Präsenzzeit: 30 Std.

Selbststudium: 120 Std.

Empfohlene Literatur:
• Heimann, B. et al. (2016): Mechatronik. Carl Hanser Verlag
• Isermann, R. (2008): Mechatronische Systeme. Springer-Verlag
• Dittmar, R.; Pfeiffer, B. (2004): Modellbasierte prädiktive Regelung. Oldenbourg Wissensch.
• Vlg. Camacho, E. F.; Bordons Alba, C. (2007): Model Predictive Control. SpringerVerlag
• Maciejowski, J. M. (2002): Predictive Control with Constraints. Prentice Hall

ILIAS-Link: MEMS

Wintersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M. Sc. Konstantinos Papadopoulos, Dr.-Ing. Hammoud Al-Joumaa

Learning Outcome: Die Studierenden können am Ende des Moduls selbständig eigene Machine-Vision-Automationslösungen für einfache industrielle Anwendungsfälle im Bereich der Qualitätssicherung unter Berücksichtigung von Kundenanforderungen konzipieren, entwerfen, realisieren, in Betrieb nehmen und optimieren. Hierfür nutzen Sie ein breites Wissen an unterschiedlichen Systemtechnologien (insbesondere Kamera-, Linsen-, Beleuchtungstechnik und Verarbeitungsplattformen), Bildverarbeitungsverfahren sowie Machine Learning/Deep Learning-Verfahren, um die Inspektionssysteme mit fortschrittlichen Objektdetektions- und Klassifikationsalgorithmen ausstatten zu können.

Modulinhalte:
• Grundlagen zu Computer Vision, Machine Vision und ML/DL
• Aufbau von Machine-Vision-Systemen, Technologien und Systemkonzepten
• Verfahren für die Vorverarbeitung von Bilddaten (Farbkorrekturen, Entzerrung, Rauschunterdrückung, Kerneloperationen etc.)
• Aufbau von ML-Verarbeitungspipelines, Modelltraining und Evaluation
• Entwurfsmethodik für Machine-Vision-Systemlösungen

Lehr- und Lernmethoden: Methodenmix aus seminaristischem Unterricht inkl. Screencasts für die Vorlesungsinhalte und Übungen sowie Projektphase mit fortlaufendem Coaching und Beratung

Prüfungsformen: Softwareprogramm (50%), Softwareprogramm mit Code-Dokumentation (70 %) und mündliche Präsentation (30%)

Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.
Projektarbeit: 120 Std.

Empfohlene Literatur:

• Hornberg, A. (2006): Handbook of Machine Vision. Wiley-VCH.
• Beyerer, J.; León, F. P.; Frese, C. (2016): Machine Vision – Automated Visual Inspection: Theory, Practice and Applications. Springer Berlin-Heidelberg.
• Batchelor, B. G. (2012): Machine Vision Handbook, Springer London
• Corke, P. (2017): Robotics, Vision and Control. Springer International Publishing

Hornberg, A. (2006): Handbook of Machine Vision. Wiley-VCH.

ILU-Link: Machine Vision

Winter- und Sommersemester

ECTS Credits: 10

Modulverantwortliche*r: Prof. Dr. phil. Anja Richert

Dozierende: Alle Lehrenden des Studiengangs

Learning Outcome: Die Studierenden können eigenständig organisierte Forschungsprojekte initiieren und methodisch sowie organisatorisch auszugestalten, indem sie:
• ihr individuelles Forschungsthema in den Zusammenhang mit einer übergeordneten wissenschaftlichen Ingenieurfragestellung stellen und zu erwartende Vorteile und Risiken im Rahmen der übergeordneten Problemstellung beschreiben und begründen
• ihr individuelles Forschungsthema inhaltlich analysieren, abgrenzen, strukturieren und ordnen
• die Bearbeitungsrisiken zum individuellen Forschungsthema identifizieren und z.B. anhand von Machbarkeitsstudien Abschätzen, ob eine erfolgreiche Bearbeitung wahrscheinlich ist
• ausgehend vom individuellen Forschungsthema die eigene wissenschaftliche Vorgehensweise systematisch planen, mit dem Ziel eine nachvollziehbare Argumentationskette für ein wissenschaftliches Paper aufzubauen
• Maßnahmen, z.B. Experimente, zur wissenschaftlichen Beantwortung der Forschungsproblemstellung planen und zielgerichtet durchführen
• ggf. weiterführende Problemstellungen formulieren
• respektvoll konstruktiv im Forscherteam arbeiten
• mit materiellen Ressourcen schonend umgehen

Das Modul dient dazu, dass die Studierenden eigene Forschungs- und Entwicklungsthemen auch später wissenschaftlich bearbeiten können
Modulinhalte: Seminaristischer Unterricht zu empirischen und ingenieurwissenschaftlichen Forschungsmethoden und -praktiken, Entwicklung und Bearbeitung eines wissenschaftlichen Forschungsprojektes in anhand von realen Aufgabenstellungen, die von den beteiligten Lehrenden fakultätsübergreifend gemeinsam formuliert werden. Die Studierenden arbeiten selbstständig nach dem Ansatz des „Problem Based Learning“ und werden dabei nach Absprache durch die jeweiligen Aufgabenstellenden (Coaches) unterstützt. Regelmäßig sowie am Ende des Semesters präsentieren die Studierenden ihre Arbeitsergebnisse in Form von Kurzvorträgen oder selbst gestalteten wissenschaftlichen Postern. Am Ende des Semesters arbeiten die Studierenden den Forschungsprozess oder ihre Forschungsergebnisse in einem wissenschaftlichen Paper auf.

Lehr- und Lernmethoden: Seminar mit Projektphase

Prüfungsformen: Wissenschaftliches Paper (50%), Präsentation und ausführliche Verteidigung des Ergebnisses (50%)

Workload: Summe: 300 Std./10 Credits
Seminar: 90 Std.Projektarbeit: 210 Std.

Präsenzzeit: 90 Std.

Selbststudium: 210 Std.

Empfohlene Literatur: keine

ECTS Credits: 27+3

Modulverantwortliche*r: Prof. Dr.-Ing. Ulf Müller

Dozierende: Alle Lehrenden des Studiengangs

Learning Outcome: Die Studierenden können innerhalb einer fest vorgegebenen Frist ein begrenztes, aber komplexes wissenschaftliches Problem selbstständig nach wissenschaftlichen Methoden und Regeln durchdringen, geeignete Lösungsverfahren und -methoden auswählen, sowie diese sachgerecht anwenden, indem sie, die erarbeiteten Losungen interpretieren und be- werten, sich fehlendes Detailwissen z.B. unter Nutzung wissenschaftlicher Literatur, selbstständig erarbeiten, sowie die erzielten Ergebnisse adäquat in schriftlicher Form do- kumentieren und wissenschaftlich korrekt präsentieren und erläutern, um später auf die Probleme der in sich immer schneller verändernden technischen Anforderungen mit selbstständiger Wissenserweiterung technikbasierte Lösungsstrategien entwickeln zu können und diese hinsichtlich der Auswirkungen unter Berücksichtigung der sozialen, ökologischen und kulturellen Anforderungen zu gestalten, zu evaluieren und zu kommunizieren

Modulinhalte: Die Masterarbeit ist in der Regel eine eigenständige, kreative, wissenschaftliche Leistung mit einer komplexen Aufgabenstellung mit einer ausführlichen Beschreibung und Erläuterung Ihrer Lösung.

Lehr- und Lernmethoden: Projekt

Prüfungsformen: Masterthesis (90 %); Präsentation und mündliche Prüfung (10 %)

Workload: 900 Std / 30 Credits