MASTERSTUDIENGANG MASCHINENBAU & DIGITALISIERUNG (M.ENG.)

1. Design of Experiments

1.1 Statistische Grundlagen, Korrelation und Regression

1.2 Einführung in die statistische Versuchsplanung

1.3 Strategien der Planung

1.4 Planung und statistische Auswertung an einem Modellsystem

1.5 Zweistufige Versuchspläne zum Screening

1.6 Mehrstufige Versuchspläne für Wirkungsflächen und zur Optimierung Maschinenschwingungen

2. Fahrdynamik

2.1 Fahrdynamische Beanspruchung an Achsen

2.2 Modellbildung und Aufstellen von Bewegungsgleichungen im Antriebstrang

2.3 Lösen von Bewegungsgleichungen

2.4 Simulation des Antriebstrangs 

2.5 Auswertung der Simulationsergebnisse

2.6 Validierung der Simulation

1. Management von Kundenanforderungen für innovative Phasen
2. Vier Felder Struktur zur methodischen Generierung von Innovationen
3. Ermittlung von Innovationsgraden und Ableitung organisatorischer Konsequenzen
4. Design und Applikation von betrieblichen Innovationsprozessen
5. Kostenvorhersagetechniken alternativer Techniken
6. Entwickeln von Produktarchitekturen, Standardmodularitäten und Produktplattformen
7. Entscheidungsmethodik zur Auswahl des besten Innovationsprojektes
8. Management von betrieblichen Widerständen bei Innovationsprozessen

1. Einführung in die Systementwicklung
2. Modellbildung
3. Industrielle Regelungen
4. Architekturen vernetzter Automatisierungssysteme
5. Software-Modulentwicklung
6. Verifikationsmethoden

1. Darstellung des Produktentwicklungsprozesses im Allgemeinen (vgl. VDI 2221 ff.). Von der Idee bis zum Prototyp sowie Digitalisierungsmöglichkeiten und finale Qualitätssicherung
2. Aufbau von CAD-Systemen und Modellierungsgrundlagen
3. Prototypenerstellung mittels additiver Fertigung
4. Digitalisierung von Objekten mittels 3D-Scanner und Qualitätssicherung (Soll-Ist-Vergleich, messtechnische Auswertungen)
5. Praxisbeispiele

1. Introduction: What is Machine Learning? Building an understanding of what constitutes ML, beyond marketing buzz-words.
2. Introduction: Python & Machine Learning: Learning the basics of a programming language ubiquitous in Data Analytics.
3. CRISP-DM: A process to develop ML-Solutions: Quality and reproducibility built into this standardized, encompassing approach.
4. Modelling – general procedure & principles explained using regression: Creating models with low bias and high precision by introducing additional steps.
5. Methods: The core of any ML solution, learning methods for prediction.
6. Ensemble Methods: Improving on the predictive accuracy by applying meta models.

1. Pre E-Learning Phase 1

1.1 Projektvorstellung Leichtbau

1.2 Hybridbauweise: Funktionsanalyse und Lastenheft (projektbezogen)

1.3 Grundprinzipien des Leichtbaus

1.4 Werkstoffe im Leichtbau, Faserverstärkte Werkstoffe

1.5 Leichtbau-Designkriterien (projektbezogen)

1.6 Krafteinleitung im Leichtbau (projektbezogen)

1.7 Leichtbauelemente 1: Dünnwandige Balkenquerschnitte

1.8 Leichtbauelemente 2: Schalenstrukturen

1.9 Leichtbauelemente 3: Schubfeldträger

1.10 Leichtbauelemente 4: Sandwichstrukturen

1.11 Herstellverfahren im Leichtbau

1.12 Dimensionierung einer Leichtbaustruktur (projektbezogen)

1.13 Festigkeitsanalyse einer Leichtbaustruktur (projektbezogen)

1.14 Prinzip der numerischen Optimierung (projektbezogen)

2. Präsenz Phase 1

2.1 Funktionsanalyse, Anforderungsanalyse (projektbezogen)

2.2 Einsatz von Kreativitätstechniken zur Lösungsfindung (projektbezogen)

2.3 Einführung FE-Programm Ansys mit Schwerpunkt auf Strukturanalyse im Leichtbau

2.4 Projektbezogene Modellerstellung einer Leichtbaustruktur in Ansys

2.5 Strukturanalyse und Aufzeigen von alternativen Lösungswegen (projektbezogen)

2.6 Grundlagen der Optimierung einer Leichtbaustruktur

3. Post E-Learning Phase 1

3.1 Analyse des projektbezogenen Bauteils aus der Präsenzphase bzgl. Leichtbaupotential: Geometrie / Werkstoff

3.2 Strukturierte Optimierung des projektbezogenen Bauteils bzgl. Gewicht

3.3 Funktionsnachweis und Abgleich mit Lastenheft (Nachweisführung)

3.4 Vollständige Beschreibung des ausgewählten Konzeptes

1. Modellbasierte Systementwicklung mechatronischer Systeme
2. Entwurf und Simulation zeitdiskreter Steuer- und Regelalgorithmen
3. Entwicklungsprozess von Requirementspezifikation über Systementwurf und Implementierung bis zum Systemtest & Verifizierung
4. Anwendungsbeispiele aus dem Automotivebereich und des Maschinenbaus
5. Elektromechanische Antriebssysteme
6. Autocodegenerierung mit Matlab Embedded Coder und Simulink PLC-Coder
7. Integration des Funktionssoftware in die Basissoftware auf Mikrocontrollerplattformen (Programmiersprache C)
8. Labor „Drehzahlregelung eines DC-Motors“ mit Simulink Desktop Realtime

Individuell aus dem thematischen Umfeld der Studieninhalte des Masterstudiengangs.