htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

Digitaler Zwilling

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Digitaler Zwilling
Modulbezeichnung (engl.): Digital Twin
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Engineering und Management, Master, ASPO 01.10.2019
Code: MAM_19_V_3.09.DZW
SAP-Submodul-Nr.:
Die Prüfungsverwaltung mittels SAP-SLCM vergibt für jede Prüfungsart in einem Modul eine SAP-Submodul-Nr (= P-Nummer). Gleiche Module in unterschiedlichen Studiengängen haben bei gleicher Prüfungsart die gleiche SAP-Submodul-Nr..
P241-0029
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
2V+1P+1PA (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 3
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
Praktische Prüfung mit Ausarbeitung

[letzte Änderung 07.05.2019]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

MAM_19_V_3.09.DZW (P241-0029) Engineering und Management, Master, ASPO 01.10.2019 , 3. Semester, Pflichtfach, Vertiefungsrichtung Verfahrenstechnik
MAM_24_V_3.09.DZW Engineering und Management, Master, ASPO 01.10.2024 , 3. Semester, Pflichtfach, Vertiefungsrichtung Verfahrenstechnik
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr.-Ing. Michael Sauer, M.Sc.
Dozent/innen:
Prof. Dr.-Ing. Michael Sauer, M.Sc.


[letzte Änderung 07.05.2019]
Lernziele:
Die Studierenden sollen die Möglichkeiten und Techniken beim Einsatz von digitalen Zwillingen für die die Prozessentwicklung und –Optimierung verstehen und selbst anwenden können.
Die Studierenden verstehen das Internet der Dinge und Big Data als fachübergreifende Themen des Maschinenbaus und der Elektrotechnik. Sie sind in der Lage ausgewählte technische Lösungen zu erläutern, zu simulieren und zu analysieren.


[letzte Änderung 30.04.2019]
Inhalt:
Am Beispiel einfacher technischer Systeme werden deren virtuellen Zwillinge entwickelt und Simulationen durchgeführt, Daten erzeugt und vergleichend dargestellt. Bei im Voraus klar definierten Zielen kann durch das Auslesen der einzelnen Daten und durch den Prozess der Erstellung eines visuellen Abbildes sich das allgemeine Verständnis für das entwickelte System erhöhen. Optimierungen lassen sich so schon in der Entwicklungsphase durchführen.
Die Studierenden bekommen einen vertieften Einblick in das IoT  (Internet of Things), netzwerkfähige Sensoren werden vorgestellt und mit ihnen selbst gearbeitet. Die automatisierte Auswertung von Sensordaten und der Umgang mit großen Datenmengen wird geübt. Mit der beispielhaften Erzeugung neuronale Netzwerke werden Techniken erlernt, mit der ein Modellabbild basierend auf gemessenen Daten erzeugt werden kann.


[letzte Änderung 30.04.2019]
Weitere Lehrmethoden und Medien:
Seminaristischer Unterricht. Vorlesungsanteile komprimiert zu Beginn. Studierende erarbeiten über wissenschaftliche Artikel und (Labview-/ AMESim-)Vorlagen Simulationsmodelle mit Datenmodellierung und Analyse von z.B. Strömungssystemen, Photovoltaikanlagen, Energiespeicher, Blockheizkraftwerke und Netze.

[letzte Änderung 30.04.2019]
Literatur:


[noch nicht erfasst]
 
[Thu Nov 21 10:16:15 CET 2024, CKEY=mdz, BKEY=mm2, CID=MAM_19_V_3.09.DZW, LANGUAGE=de, DATE=21.11.2024]