Neuronale Netze und Fuzzy Systeme

Einführung in die Modellierung von nichtlinearen Prozessen mit Hilfe von Kennfeldern, Neuronalen Netzen und Fuzzy-Logik. Findet im Wintersemester statt. Umfang 2 SWS. 

Themen:

• Überblick: Statische nichtlineare Modelle
• Überblick: Optimierungsverfahren
• Kennfelder und Polynome
• Multilayer Perzeptrons
• Radiale Basisfunktionen-Netze
• Lokal lineare Modelle
• Fuzzy-Logik und Fuzzy-Systeme
• Nichtlineare dynamische Modelle
• Modellstruktur und -komplexität
• Anwendungen

Ansprechpartner:

M.Sc. Hermann Klein

Systemidentifikation

Die Veranstaltung (2 SWS, 3 CP) beschäftigt sich mit der Identifikation von linearen dynamischen Modellen aus Messdaten. Es werden verschiedene Modelltypen mit (Infinite Impulse Response, IIR) und ohne (Finite Impulse Response, FIR) Rückkopplung vorgestellt und deren Vor- und Nachteile diskutiert.

Ein wesentlicher Bestandteil der Veranstaltung ist die Einführung in Verfahren zur Schätzung der Modellparameter und der Einfluss des Messrauschens auf die Genauigkeit der Parameterschätzung. Weiterhin ist es für eine erfolgreiche Systemidentifikation von großer Bedeutung, wie ein dynamisches System bei der Datenerfassung angeregt wird. Deshalb werden verschiedene Anregungssignale vorgestellt und deren Einfluss diskutiert.
Die Veranstaltung wird im Wesentlichen als eigenständige Projektarbeit mit Matlab durchgeführt:

• Etwa 4 Doppelstunden Vorlesung zur Einführung ins Thema.
• Skript zur weiteren Vertiefung.
• Projektarbeit (Matlab Programmierung).
• Abschlussvortrag über die Ergebnisse der Projektarbeit (20 min).
• Mündliche Prüfung.

Ansprechpartner:

Timo Pütz

Datengetriebene Methoden der Fehlerdiagnose

Diese Veranstaltung führt ein in die Anwendung von Verfahren des maschinellen Lernens im Gebiet der Fehlererkennung und Fehlerdiagnose in den Ingenieurwissenschaften.

Themen 

0. Hintergründe, Motivation, Literatur 
1. Grundlagen der Fehlererkennung und -diagnose
2. 2-Klassen-Klassifikatoren
3. 1-Klassen-Klassifikatoren
4. Nearest Neighbor Methoden
5. Klassifikationsbäume (CART)
6. Support Vector Machine (SVM) Klassifikatoren
7. Schätzung von Wahrscheinlichkeitsdichten
8. Verteilung der Datenpunkte
9. Anwendungsbeispiel: Fehlerdiagnose an einem Drehgestell
10. Anwendungsbeispiel: Fehlerdiagnose an einer Eisenbahnschiene

Ansprechpartner

Dr.-Ing. Geritt Kampmann