Im SS 2025: Vorlesung Montags 10:15 - 11:45, Geb. A5.1, Raum 2.23 (Bibliothek LMT) oder hybrid via MS Teams

Die Vorlesung startet am 14. April (2. Vorlesungswoche)

Für angemeldete Studierende wird die Lehrveranstaltung auch hybrid angeboten. Zudem stehen die Aufzeichnungen der Vorlesungen vom SS 2021 zur Verfügung im Teamsverzeichnis

Zur Anmeldung senden Sie bitte eine Email (vorzugsweise von Ihrem UdS-Studierenden-Account) an Prof. Schütze (Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein.) mit vollständigem Namen, Studiengang, Semester und Matrikelnummer oder melden Sie sich in der Vorlesung an. Sie erhalten dann alle erforderlichen Informationen.

Die Lehrveranstaltung führt ein in die Multisensorsignalverarbeitung, d.h. die Erkennung von Mustern primär mit statistischen Methoden, aber auch mit künstlichen neuronalen Netzen ("Maschinelles Lernen"). Dabei orientiert sie sich an Fragestellungen einerseits aus dem Bereich Gasmesstechnik und andererseits aus dem Condition Monitoring von Maschinen und Anlagen, jeweils mit Bezug zu aktuellen Forschungsprojekten des Lehrstuhls. Begleitet werden die Vorlesungen durch praktische Übungen am Computer, auch zum Kennenlernen der entsprechenden Software-Tools wie DAV³E, sowie durch ein Projektseminar, in dem die Studierenden selbst eine Fragestellung aus dem Spektrum der Vorlesung bearbeiten und ihr Ergebnis präsentieren. Die Computerübung und die Seminarpräsentation stellen jeweils Teilprüfungsleistungen dar, den Abschluss bildet eine kurze mündliche Prüfung.

 

Terminplan (unverbindlich - Unterlagen werden über Teams bereitgestellt)

Vorlesungen:Datum:Inhalt:
Vorlesung 1 14.04.2025

Kap. 1: Einführung, Grundlagen der Signalverarbeitung, Zielsetzung

Kap. 2.1: Beispielprojekt Lösungsmittelerkennung

  21.04.2025 Keine Vorlesung (Ostermontag)
Vorlesung 2 28.04.2025

Kap. 2.2: Update 2021: VOC-Quantifizierung für IAQ

Weiterführende Literatur:
- A. Gramm, A. Schütze: High Performance Solvent Vapor Identification with a Two Sensor Array using Temperature Cycling and Pattern Classification, Sensors & Actuators B 95 (2003)
- A. Schütze, A. Gramm, T. Rühl: Identification of Organic Solvents by a Virtual Multisensor System with Hierarchical Classification, IEEE Sensors Journal 4(6) (2004)
- P. Reimann, A. Schütze: Sensor Arrays, Virtual Multisensors, Data Fusion, and Gas Sensor Data Evaluation; in: C.-D. Kohl, T. Wagner (eds.): Gas Sensing Fundamentals, Springer Series on Chemical Sensors and Biosensors, Volume 15 2014

Kap. 2.3: Beispielprojekt iCM-Hydraulik

Weiterführende Literatur:
- A. Schütze, N. Helwig: Sensorik und Messtechnik für die Industrie 4.0; tm - Technisches Messen, 84(3), 198-206, 2017.
- A. Schütze, N. Helwig, T. Schneider: Sensors 4.0 – smart sensors and measurement technology enable Industry 4.0; J. Sens. Sens. Syst., 7, 359–371, 2018.

Vorlesung 3 05.05.2025

Kap. 3: Validierungsmethoden

Weiterführende Literatur:
- S. Youssef et al.: Bewertung subjektiver und automatisierter Merkmalsextraktion periodischer Zeitsignale am Beispiel des 3MA-X8-Verfahrens, tm - Technisches Messen, 86 (5), 267-277, 2019.
- P. Goodarzi et al.: Comparison of different ML methods concerning prediction quality, domain adaptation and robustness, tm - Technisches Messen, vol. 89(4), 224-239, doi: 10.1515/teme-2021-0129

Kap. 4: Automatisierte Merkmalsextraktion und -selektion

Weiterführende Literatur:
- T. Schneider et al.: Industrial condition monitoring with smart sensors using automated feature extraction and selection, Meas. Sci. Technol. 29 (2018) 094002 (15pp).

Vorlesung 4 12.05.2024

Kap. 5: Lineare Multivariate Methoden (PCA, LDA)

Weiterführende Literatur:
- Aleix M. Martinez, Avinash C. Kak: PCA versus LDA, IEEE Trans. Pattern Analysis and Machine Intelligence, 23(2) (2001), 228-233.

Kap. 6: Suppport Vector Machine (SVM)

Computerübung Nach Vereinbarung
Einführende Übung zur Nutzung von DAV³E und zur Erprobung der grundlegenden Konzepte für Validierung, Merkalsextraktion, -selektion und Dimensionsreduktion
Vorlesung 5

19.05.2025

Kap. 7.1-2: Künstliche Neuronale Netze: Grundlagen und Simulation

Vorlesung 6

26.05.2025

Kap. 7.3-4: Künstliche Neuronale Netze
- Backpropagation Algorithmus
- Empirische Optimierungen des BackProp Algorithmus

Vorlesung 7 02.06.2025

Kap. 7.5-7: Künstliche Neuronale Netze
- Cascade Correlaion: Automatische Optimierung der Netzstruktur
- Rekurrente Netzwerke
- Anwendungsbeispiel Branderkennung

  09.06.2025 Keine Vorlesung - Pfingstmontag
Vorlesung 8

16.06.2025

Kap. 7.8: Deep learning, convolutional networks etc.

Weiterführende Literatur:
- Yann LeCun, Yoshua Bengio, and Geoffrey Hinton: "Deep learning," Nature 521.7553 (2015): 436-444
- Yannick Robin et al.: High-Performance VOC Quantification for IAQ Monitoring Using Advanced Sensor Systems and Deep Learning, Atmosphere (2021) 12(11), 1487, DOI 10.3390/atmos12111487
- Payman Goodarzi, Andreas Schütze, and Tizian Schneider: Comparison of different ML methods concerning prediction quality, domain adaptation and robustness (Vergleich verschiedener ML-Methoden bezüglich Vorhersagequalität, Domänenanpassung und Robustheit), tm - Technisches Messen, vol. 89(4), 224-239, doi: 10.1515/teme-2021-0129

Vorlesung 9 23.06.2025

Kap. 8: LVQ und SOM

Vorlesung 10 30.06.2025

Kap. 9: Novelty detection
Teil 1: Grundlagen und Algorithmen

Primär zum Selbststudium:
Teil 2: Applikationsszenarien CM
Teil 3: Anwendungsbeispiel Gasmesstechnik

Weiterführende Literatur:
- T. Schneider et al.: Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors, tm - Technisches Messen (2019), 86 (11), 706–718, doi: 10.1515/teme-2019-0086
- Y. Robin et al.: Machine Learning based calibration time reduction for Gas Sensors in Temperature Cycled Operation, Atmosphere 2022, 13, 1614. doi: 10.3390/atmos13101614

Kap. 10: Zusammenfassung und Ausblick

Vorbereitung Seminarpräsentationen   Abstimmung in Kleingruppen mit zugeordneten Betreuern
Seminarpräsentationen

07.07.2025

Präsentation der Kleingruppen:

     
Mündliche Prüfung   nach individueller Vereinbarung (Dauer ca. 30 min)