MASTERSTUDIENGANG MASCHINENBAU & DIGITALISIERUNG (M.ENG.) BERUFSBEGLEITEND

1. Cyber Physical Systems: Aufbau und Funktion
2. Digitale Kommunikationssysteme in der Produktion RFID und QR-Code
3. Anwendung und Nutzen des Electronic Product Code (EPC)
4. Schnittstellen und Bussysteme in der digitalen Produktion
5. Anwendung der Companion Specification im Datenaustausch zwischen Maschine und Produkt
6. Schachbrettproduktion statt Fertigungslinie
7. CANVAS Model nach Osterwalder und Pineuer zur Definition relevanter Digitalisierungsbereiche
8. Umsetzungszenarien der digitalen Produktion: Fraunhofer Studie Industrie 4.0 Maturity Index
9. Best Practice und Fallbeispiele Volldigitaler Produktionen 
10. Volkswirtschaftliche Auswirkung der digitalen Produktion: Arbeit 4.0

1. Funktionale Gliederung und Prozessorganisation einer Produktion
    1.1 Fabrikplanung / Strukturierung / Segmentierung
    1.2 Materialflussplanung / Lagerplanung / Linien / Verkettung

2. Grundsätzliche Steuerungsmechanismen 
    2.1 Vorbereitende Arbeitsplanung / Stücklisten und Arbeitspläne
    2.2 Make or Buy-Entscheidungen
    2.3 Just-in-Time / Just-in-Sequence
    2.4 ABC-Analyse

3. Planungsfelder 
    3.1 Transportmatrix
    3.2 Bedarfsermittlung / Brutto-Netto-Bedarfe / X-, Y-, Z-Güter
    3.3 Arbeitssteuerung / Verbrauchsgesteuerte versus Bedarfsgesteuerte Disposition
    3.4 Auftragsorientierte Durchlaufterminierung
    3.5 Mengen- / Kapazitätsplanung
    3.6 Primär-, Sekundär- und Tertiärbedarfe
    3.7 Losgrößenplanung
    3.8 Optimale Losgröße
    3.9 Reihenfolgeplanung
    3.10 Bereitstellungsplanung/Kommissionierung
    3.11 Rüstzeitoptimierung
    3.12 übergeordnet: Investitionsplanung, Standardisierung, etc.

4. Methodische Ansätze / Werkzeuge 
    4.1 Zeitstudien (nach REFA, MTM)
    4.2 Materialbereitstellung: Milkruns zur flächendeckenden Versorgung, Supermärkte für produktionsnahe Versorgung

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

1. Einblick in additive Fertigungstechniken – Voraussetzungen, Eignung, Chancen, Grenzen und Vergleich
2. Treffsichere Gestaltung additiv erstellter Bauteile – Unterschiede zum bekannten Produktentstehungsprozess
3. Bearbeiten eines Projektes von der Idee bis zur praktischen Herstellung

1. Grundlagen des Requirements Engineering
2. Techniken der Ermittlung und Dokumentation von Anforderungen
3. Erfordernisse versus Nutzungsanforderungen
4. Qualitative versus quantitative Nutzungsanforderungen
5. Analyse und Aufgaben der Stakeholder bezüglich der Anforderungen
6. Prüfung und Abstimmung von Anforderungen
7. Verwaltung von Anforderungen
8. Auswirkung auf Unternehmensprozesse

1. Modellbasierte Systementwicklung mechatronischer Systeme
2. Modellbasierter Entwicklungsprozess von Requirementspezifikation über Systementwurf und Implementierung bis zum Systemtest & Verifikation
3. Modellbildung elektromechanischer Antriebssysteme
4. Entwurf und Simulation zeitdiskreter Steuer- und Regelalgorithmen
5. Autocodegenerierung mit MATLAB Embedded Coder® und Simulink PLC-Coder®
6. Anwendungsbeispiele aus dem Maschinenbau und Automotive Bereich
7. Implementierung der Funktionssoftware auf Mikrocontrollerplattformen in der Programmiersprache C
8. Rapid-Control-Prototyping für Servoantriebe mit MATLAB Simulink Real-Time®

1. Hardwarenahe Programmierung in C
2. Mikrocontroller Architektur
3. Periphere Hardwarekomponenten und -schnittstellen
4. Embedded Toolchain
5. Echtzeitsysteme
6. Prototyping

1. Introduction: What is AI?
   Build an understanding of what constitutes AI, beyond marketing buzz-words.
2. Introduction: Python & Machine Learning
   Learn 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
   Improve on the predictive accuracy by applying meta models.