• Prof. Dr.-Ing. Michael Arndt

• verschiedene Lehrende

keine

Teilnahme am Modul "Fundamentals of sustainable Engineering"

Daten über Zustände von Objekten und Abläufe von Prozessen sind oft die Grundlage für die Entwicklung nachhaltiger Lösungen in den Bereichen Produktion, Mobilität, Versorgung und anderer. Dieses Modul beschäftigt sich daher mit verschiedenen Technologien zur Datenerzeugung mittels Sensoren und Messvorrichtungen über die drahtlose und bedrahtete Datenübertragung bis hin zur Analyse und Verarbeitung solcher Daten mittels Data Analytics, maschinellem Lernen und künstlicher Intelligenz

• Beispielhafte Anwendungen von Sensornetzwerken und Internet of Things (IoT) Lösungen in den Bereichen Smart City, Logistics, Mobility, Agriculture u.a.
• Sensoren und Messvorrichtungen für physikalische und chemische Größen
• Smart Sensors für Anwendungen in den Bereichen Smart Building, Smart City, Smart Mobility, Logistics, Production, Smart Agriculture
• Energieversorgung und Energy Harvesting für Sensoren und Datenübertragung
• Bedrahtete und drahtlose Netzwerke für die Datenkommunikation (Ethernet, WLAN, LPWANs wie LoRA, SigFox, NB-IoT)
• Protokolle für die Datenkommunikation (IP, MQTT, CoAP, XMPP, BLE etc.)
• Speicherung und Weiterverarbeitung von Sensordaten lokal, Edge, Cloud
• Analyse von Sensordaten mittels geeigneter Softwarepakete (z.B. Python, R, RapidMiner u.ä.)
• Architekturen zur Datenverarbeitung im Internet der Dinge, Digital Twins
• Grundlagen des maschinellen Lernens und der künstlichen Intelligenz

Fachkompetenzen

Die Studierenden können

• typische Anwendungen für Sensornetzwerke und IoT Lösungen beschreiben
• geeignete Sensoren und Datenübertragungstechnologien für neue Anwendungsfelder auswählen und anwenden.
• Architekturen für die Datenspeicherung und Weiterverarbeitung entwerfen und realisieren.
• das Konzept des digitalen Zwillings erläutern und dieses auf eine neue Problemstellung anwenden.
• unbekannte Daten, die über ein Sensornetzwerk erhoben wurden, analysieren und logische Schlüsse aus der Analyse ziehen.
• die Grundlagen des maschinellen Lernens erklären und darauf aufbauend Modelle für eine neue Anwendung entwickeln und umsetzen.

Methodenkompetenzen (fachlich & überfachlich)

Die Studierenden können

• die Fachsprache in den Bereichen Sensorik, Datenübertragung, Internet of Things sowie Data Science anwenden.
• selbstständig relevante Fachliteratur identifizieren und für ihren Arbeitsbereich aufarbeiten
• kleine Projekte planen und effektiv durchführen.
• Recherchen durchführen und die Ergebnisse in ihrer Arbeit nutzen.
• komplexe Probleme der Datenerfassung im Bereich nachhaltiger Lösungen analysieren und selbstständig lösen.
• Lösungskonzepte zielgerichtet entwickeln und die Ergebnisse ihrer Arbeit effektiv darstellen.

Sozialkompetenzen

Die Studierenden können

• im Team zusammenarbeiten und ihre jeweiligen Erfahrungen zielgerichtet einsetzen.
• effektiv kommunizieren und Probleme in der Zusammenarbeit ansprechen und lösen.
• Ergebnisse vor einem Fachpublikum sicher präsentieren und fachlich fundiert erläutern und diskutieren
• die Leitung eines Teams übernehmen und dieses führen.

Selbstkompetenzen

Die Studierenden (können)

• mit anspruchsvollen, komplexen Situationen umgehen und haben gelernt, mit geeigneten Strategien Stress abzubauen.
• ihren Lernfortschritt beurteilen, reflektieren und dokumentieren.
• ihr Lernverhalten ggf. anpassen und sich angemessene Lernziele setzen
• die Maßstäbe des wissenschaftlichen Arbeitens auf Ihre Arbeit anwenden.
• haben gelernt mit Kritik konstruktiv umzugehen und diese für ihre Weiterentwicklung zu nutzen.

• 4 CrP
• Arbeitsaufwand 150 Std.
• Präsenzzeit 60 Std.
• Selbststudium 90 Std.

• 5 SWS
• Vorlesung
• Seminar
• PraktikumIn Impulsvorlesungen werden von den Dozenten Grundlagen der behandelten Gebiete vermittelt
• die dann von den Studierenden in praktischen Versuchen und Projekten vertieft werden. Ergänzend erarbeiten die Studierenden zu verschiedenen Themen der Vorlesung Poster und Kurzvorträge
• die den anderen Teilnehmern vorgestellt werden.

• Sustainability Transformation in Engineering and Management (M.Sc. 2024)

keine

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

• TL1: Bericht (60 %)
• TL2: Poster mit Präsentation (40 %)

• R. Herrero: Fundamentals of IoT Communication Technologies, Springer Verlag 2022
• A. Rayes, S. Salam: Internet of Things - From Hype to Reality, Springer Verlag 2017
• A. Meroth, P. Sora: Sensornetzwerke in Theorie und Praxis, Springer Vieweg 2018
• J. Frochte: Maschinelles Lernen, 2. Aufl., Hanser Verlag 2019

weitere Literatur wird im Laufe des Modules bekannt gegeben