Lehre

Im Bachelorstudiengang Maschinenbau und im Masterstudiengang Maschinenbau / Smart Systems mit den Vertiefungen Smart Systems, Digitaler Zwilling und KI in Engineering werden diverse Veranstaltungen von CAISA angeboten. Darüber hinaus gibt es die Möglichkeit, Projekte und Abschlussarbeiten durchzuführen.

Bachelor

Sommersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M.Sc. Felix Kuthe

Learning Outcome: Die Studierenden erwerben theoretische und praktische Kenntnisse über Aufbau, Ziele, Funktionen und Methoden der Regelung technischer Produkte, Anlagen, Energie- und Maschinensysteme. Sie Analysieren das Verhalten technischer Systeme aus mechatronischer Sicht, indem sie die Systeme im Zeitbereich, im Frequenzbereich und durch Zustandsmodelle beschreiben und die Eigenschaften von linearen Systemen, wie Stabilität, Steuerbarkeit und Beobachtbarkeit bei gegebenen Systemen überprüfen, um den Entwurf von Regelungen in Maschinen und Anlagen vorzubereiten. Sie verfügen über die Fähigkeit, Regler in Abhängigkeit des Streckentyps und der verfügbaren Informationen auszuwählen und zu entwerfen, indem sie die Methoden zum Reglerentwurf anwenden, um Regelungen in einem Automatisierungsrechner (IPC oder SPS) zu implementieren, Stör- und Führungsverhalten von geregelten Maschinen und Anlagen zu analysieren und in Betrieb zu nehmen.

Modulinhalte:
Einführung in die Regelungstechnik
• Einordnung der Regelungstechnik
• Beschreibung mittels Wirkungsplan
• Steuerung und Regelung
• Der Standardregelkreis
• Forderungen an einen Regelkreis

Eigenschaften von Regelungssystemen
• Mathematische Modelle
• Stationäres und dynamisches Verhalten
• Lineare und nichtlineare Systeme
• Zeitvariante und zeitinvariante Systeme
• Kausale und nichtkausale Systeme
• Stabile und instabile Systeme
• Eingrößen- und Mehrgrößensysteme
• Übertragungsverhalten elementarer Regelkreisglieder
• Zeitdiskrete Systeme

Beschreibung linearer kontinuierlicher Systeme im Zeitbereich
• Beschreibung mittels Differentialgleichungen
• Interpretation von Wirkungsplänen
• Zustandsraumdarstellung
• Allgemeine Lösung der Zustandsdifferentialgleichung

Beschreibung linearer kontinuierlicher Systeme im Frequenzbereich
• Laplace-Transformation
• Beschreibung mittels Übertragungsfunktion
• Rücktransformation in den Zeitbereich
• Blockschaltalgebra
• Pol- und Nullstellenplan
• Ortskurve
• Bode-Diagramm

Verhalten linearer kontinuierlicher Regelsysteme
• Führungs- und Störübertragungsfunktion
• Stationäres Verhalten
• Stabilität nach dem vereinfachten Nyquist-Kriterium
• Anforderungen an eine robuste Regelung
• Vor- und Nachteile der klassischen Reglertypen

Klassische Verfahren zum Reglerentwurf
• Empirische Einstellregeln
• Kompensationsregler
• Regler mit Polvorgabe
• Kaskadenregelung
• Vorsteuerung

Lehr- und Lernmethoden: Teils Seminar, teils Flipped Classroom:
• Video-Podcasts: Vorlesungs- und Übungsvideos
• Tutorien: zweimal pro Woche
• Komplett digitales Praktikum; Praktikumssoftware im ILIAS

Prüfungsformen: Teilleistung: Klausur (70%), Praktikum (30%)

Workload: Summe: 150 Std./5 Credits
Seminar/Flipped Classroom: 45 Std.
Praktikum: 15 Std.
Vor- und Nachbereitung: 90 Std.

Präsenzzeit: 30 Std.

Selbststudium: 120 Std.

Empfohlene Literatur:
• Gassmann, H. (2001): Regelungstechnik, ein praxisorientiertes Lehrbuch;
Frankfurt: Verlag Harri Deutsch
• Lunze, J. (2016): Automatisierungstechnik, Methoden für die Überwachung
und Steuerung kontinuierlicher und ereignisdiskreter Systeme; 4. Aufl.;
[o.O.]: De Gruyter Oldenbourg

Wintersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Jörg Luderich

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, Prof. Dr.-Ing. Jörg Luderich

Learning Outcome: Die Studierenden bearbeiten oder erarbeiten im Rahmen des Produktentwicklungsprozesses eine mechatronische Baugruppe oder ein einfaches mechatronisches Gerät, indem sie ihre Kenntnisse aus vorhergehenden Modulen auf eine konkrete, durch das Zusammenspiel von Mechanik, Elektronik und Software geprägte Aufgabenstellung übertragen und ihre Kenntnisse insbesondere in der softwaretechnischen Ansteuerung bzw. Auswertung von Aktorik und Sensorik zur Bewältigung der Aufgabe ergänzen, um mechatronische Lösungsansätze bei der Realisierung mechatronischer Baugruppen oder einfacher Maschinen erfolgreich einzusetzen. Im Austausch mit Projektpartnerinnen und Auftraggeberinnen sowie im Team üben die Studierenden (fach)wissenschaftliche Diskurse ein. Die Studierenden können so tragfähige Lösungen für praxisnahe Aufgabenstellungen mit wissenschaftlichem Anspruch konzipieren und erarbeiten.

Modulinhalte:
• Programmierung und Ansteuerung von mechatronischen Systemen mittels Labview oder Matlab/Simulink
• Auswahl und Charakterisierung von mechatronischen Modulen und Zukaufteilen
• Vor- und Nachteile von mechanischen, elektrischen und elektronischen Lösungen für eine Aufgabenstellung
• Mess- und Analysetechniken für Bestimmung eines bestimmten Maschinenverhaltens
• Erprobungsverfahren und Optimierungstechniken
• Inbetriebnahme von mechatronischen Systemen
• Selbstständiges Beschaffen von Informationen – wie z.B. Prüfvorschriften, Normen, Lieferantenkatalogen, etc.

Lehr- und Lernmethoden: Die Veranstaltung besteht aus einem Einführungsteil und einem Projektteil. In dem Einführungsteil wird im Rahmen einer seminaristischen Veranstaltung der Stoff veranschaulicht und mit praxisnahen Beispielen in einen Zusammenhang gestellt. Im Projektteil erarbeiten die Studierende Lösungen für praxisnahe Aufgabenstellungen. Während des Projektteil wird die begleitende Betreuung und Hilfestellung bei individuellen Fragestellungen durch eine Projektbegleitung sichergestellt. Hierbei werden Projekt- und Prozesscoachings in Form von fachlichen Feedbacks und Reflexionsmöglichkeiten miteinander verbunden

Prüfungsformen: Teilleistung nach dem Einführungsteil (Klausur, mündliche Prüfung)
Teilleistung nach dem Projektteil (Präsentation, Portfolio, Bericht, mündliche Prüfung)

Workload: Summe: 150 Std./5 Credits.
Seminar/ Projektbegleitung 60 Std.
Vor- und Nachbereitung 90 Std.

Präsenzzeit: 60 Std.

Selbststudium: 90 Std.

Empfohlene Literatur:
• Reim, K. (2017): LabVIEW-Kurs, Grundlagen, Aufgaben und Lösungen; 2. Aufl.;
Würzburg: Vogel Business Media
• Bosl, A. (2017): Einführung in MATLAB/Simulink, Berechnung, Programmierung, Simulation; 2. Aufl.; München: Carl Hanser Verlag

Sommersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Jörg Luderich

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, Prof. Dr.-Ing. Jörg Luderich, M.Sc. Joachim Denker

Learning Outcome: Die Studierenden erstellen Automatisierungslösungen für Aufgabenstellungen aus dem Maschinenbau, indem Sie übliche und weitverbreitete Aktoren und Sensoren mit deren analogen oder digitaltechnischen Anbindung sowie ausgewählte Steuerungssysteme kennen, bezüglich ihrer Eigenschaften und Einsatzgebiete beschreiben sowie gezielt für eine definierte Anwendung auswählen und mit einem Softwareprogramm ansteuern bzw. auslesen können, um auf Basis der im Projekt gemachten eigenen Erfahrungen die Stärken, Schwächen und Einsatzgebiete beurteilen zu können.
Die Studierenden wenden das in vorherigen Modulen erworbene theoretische Verständnis auf eine komplexe Problemstellung an, wägen im Team Lösungsoptionen ab und diskutieren sie. Die Studierenden erwerben so Kommunikations-, Kooperations- und Konfliktfähigkeit und steigern ihre self awareness in Hinblick auf die Entwicklung von Handlungskompetenz.

Modulinhalte:
• Elektrotechnische und pneumatische Aktorik
• Sensoren u.a. für Weg, Winkel, Temperatur
• Analoge und digitaltechnische Anbindungen (u.a. analog IO, digital IO, Ethercat)
• Steuerungssysteme (u.a. SPS, Einplatinencomputer, CompactRio)
• Nutzung und Erstellung von Softwaremodulen
• Aufbau von gesteuerten und geregelten Systemen
• Systementwicklung

Lehr- und Lernmethoden: Die Veranstaltung besteht aus einem Einführungsteil und einem Projektteil. In dem Einführungsteil wird im Rahmen einer seminaristischen Veranstaltung der Stoff veranschaulicht und mit praxisnahen Beispielen in einen Zusammenhang gestellt. Im Projektteil erarbeiten die Studierende Automatisierungslösungen für praxisnahe Aufgabenstellungen. Während des Projektteils wird die begleitende Betreuung und Hilfestellung bei individuellen Fragestellungen durch eine Projektbegleitung sichergestellt. Hier werden die Studierenden in regelmäßigen Reflexionsschleifen in Form von Coachings beim eigenständigen und selbstorganisierten Lernen im laufenden Semester unterstützt.

Prüfungsformen: Teilleistung nach dem Einführungsteil (Klausur und/oder mündliche Prüfung)
Teilleistung nach dem Projektteil (Präsentation und/oder Portfolio und/oder Bericht und/oder mündliche Prüfung)

Workload: Summe: 150 Std./5 Credits.
Seminar/ Projektbegleitung 60 Std.
Vor- und Nachbereitung 90 Std.

Präsenzzeit: 60 Std.

Selbststudium: 90 Std.

Empfohlene Literatur:
• Heinrich, Berthold; Linke, Petra; Glöckler, Michael: Grundlagen Automatisierung – Sensorik, Regelung, Steuerung; Springer Vieweg, 2017

Winter- und Sommersemester

ECTS Credits: 12

Modulverantwortliche*r: Prof. Dr.-Ing. Henning Hallmann

Dozierende: Dozentinnen und Dozenten des Bachelorstudiengangs Maschinenbau

Learning Outcome: Mit dem erfolgreichen Abschluss der Bachelorarbeit demonstrieren die Studierenden ihre Fähigkeit, innerhalb einer vorgegebenen Frist selbstständig eine gegebene praxisorientierte Problemstellung aus dem Fachgebiet Maschinenbau unter Einsatz wissenschaftlicher und fachpraktischer Methoden zu lösen. Sie zeigen damit, dass sie in einer typischen Situation des Ingenieuralltags kompetent handeln können. Das Kolloquium dient der Feststellung, ob der Prüfling befähigt ist, die Ergebnisse der Bachelorarbeit, ihre fachlichen Grundlagen, ihre fachübergreifenden Zusammenhänge und ihre außerfachlichen Bezüge mündlich darzustellen, selbstständig zu begründen und ihre Bedeutung für die Praxis einzuschätzen.

Modulinhalte: Die Bachelorarbeit ist eine eigenständige Leistung mit einer theoretischen, konstruktiven, experimentellen, modellbildenden oder einer anderen ingenieurmäßigen Aufgabenstellung mit einer ausführlichen Beschreibung und Erläuterung ihrer Lösung. In fachlich geeigneten Fällen kann sie auch eine schriftliche Hausarbeit mit fachliterarischem Inhalt sein. Die Bachelorarbeit kann auch in einem Industriebetrieb durchgeführt werden.

Lehr- und Lernmethoden: Projekt

Prüfungsformen: schriftlicher Bericht, Präsentation und mündliche Prüfung

Workload: Summe: 390 Std./12 Credits
Kolloquium: 30 Std.
Bachelorarbeit: 360 Std.

Präsenzzeit: keine

Selbststudium: 390 Std.

Empfohlene Literatur:
Ebel, H.F. et. al (2000): Erfolgreich Kommunizieren, Ein Leitfaden für Ingenieure; 1. Aufl.; Weinheim: Wiley-VCH

Master

Sommersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, Dr.-Ing. Loui Al-Shrouf, M.Sc. Fabian Gerz

Learning Outcome: Die Studierenden können Machine Learning-Methoden implementieren und/oder aus geeigneten Bibliotheken auswählen, damit Daten mit Hilfe des Computers analysieren und visualisieren sowie für verschiedene Zwecke und Anwendungsgebiete Vorhersagen machen, indem sie die wichtigsten fortschrittlichen Machine Learning-Methoden und die zugehörigen Algorithmen kennen, erstehen und anwenden, um später den Zustand von Maschinen und Anlagen zu überwachen und zu optimieren, anbahnende Fehler zu erkennen und zu antizipieren.

Modulinhalte:
• Supervised Learning, Unsupervised Learning
• Model Selection, Anomaly Detection
• fully connected Deep Neural Networks
• Convolutional Neural Network
• Reinforcement Learning
• evolutionäres Lernen

Lehr- und Lernmethoden: Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; Fortlaufendes Coaching & Beratung während der Projektdurchführung

Prüfungsformen: Softwareprogramm (60%), schriftlicher Bericht/Präsentation und mündliches Gespräch (40%)

Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.
Projektarbeit: 120 Std.

Präsenzzeit: 30 Std.

Selbststudium: 120 Std.

Empfohlene Literatur:
• Géron, A. (2019): Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition
• Burkov, A. (2019): Machine Learning. mitp Verlag
• Aggarwal, C. C. (2018):Neural Networks and Deep Learning. Springer-Verlag
• Müller, A. C.; Guido, S.; Rother, K. (2017): Einführung in Machine Learning mit Python: Praxiswissen Data Science. O’Reilly Verlag
• Raschka, S.; Mirjalili, V. (2018): Machine Learning mit Python und Scikit-Learn und
TensorFlow. mitp Verlag

ILIAS-Link: Machine Learning

Wintersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M.Sc. Konstantinos Papadopoulos

Learning Outcome: Die Studierenden können mechatronische Systeme, insbesondere modellbasierte Regelungen entwerfen sowie in einer modernen CAE/Software-Plattform simulieren und realisieren, indem sie Systemmodelle mit Hilfe der Methoden zur Modellidentifikation aus Daten ableiten und Verfahren der modellprädiktiven Regelung anwenden, die vorausschauend mit komplexen (Mehrgrößen-)Systemen mit dominanten Totzeiten und Nichtlinearitäten umgehen können, sowie in Rapid-Prototyping-Plattform umsetzen, um später selbstoptimierende Maschinen und Anlagen entwickeln und realisieren zu können.

Modulinhalte:
• Realisierung mechatronischer Systeme in Echtzeit
• Modellierung für unterschiedliche mechatronische Domänen
• Identifikation dynamischer Systeme (Modellidentifikation aus Daten)
• modellbasierter Entwurf von (modellprädiktiven) Regelungen
• rechnergestützte Simulation und Analyse mechatronischer Systeme

Lehr- und Lernmethoden: Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; Fortlaufendes Coaching & Beratung während der Projektdurchführung

Prüfungsformen: Softwareprogramm (60%), schriftlicher Bericht/Präsentation und mündliches Gespräch (40%)

Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.

Projektarbeit: 120 Std.

Präsenzzeit: 30 Std.

Selbststudium: 120 Std.

Empfohlene Literatur:
• Heimann, B. et al. (2016): Mechatronik. Carl Hanser Verlag
• Isermann, R. (2008): Mechatronische Systeme. Springer-Verlag
• Dittmar, R.; Pfeiffer, B. (2004): Modellbasierte prädiktive Regelung. Oldenbourg Wissensch.
• Vlg. Camacho, E. F.; Bordons Alba, C. (2007): Model Predictive Control. SpringerVerlag
• Maciejowski, J. M. (2002): Predictive Control with Constraints. Prentice Hall

ILIAS-Link: MEMS

Wintersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, Dr.-Ing. Loui Al-Shrouf, M.Sc. Fabian Gerz

Learning Outcome: Die Studierenden können Regelsysteme basierend auf Methoden der künstlichen Intelligenz (von an der Natur angelehnten Methoden) entwerfen, implementieren, simulieren und analysieren, indem sie Modelle basierend auf künstlichen neuronalen Netzen oder Fuzzy-Logik herleiten (d. h. aus Daten identifizieren), die Methoden zum Entwurf von intelligenten Regelungen auswählen und anwenden, um später intelligente (selbstlernende) Maschinen und Anlagen zu realisieren.

Modulinhalte:
• Fuzzy-Logik, Fuzzy-Systeme
• künstliche neuronale Netze
• KI-Modellidentifikation (Lernalgorithmen)
• Fuzzy-Regelungen
• Neuro-Regelungen
• Neuro-Fuzzy Regelungen (Optional)
• Einsatz klassische vs. KI-gestützte Regelungen

Lehr- und Lernmethoden: Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; fortlaufendes Coaching & Beratung während der Projektdurchführung

Prüfungsformen: Softwareprogramm (50%), schriftlicher Bericht/Präsentation und mündliches Gespräch (50%)
Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 90 Std.

Projektarbeit: 60 Std.

Präsenzzeit: 90 Std.

Selbststudium: 60 Std.

Empfohlene Literatur:
• Kahlert, J. (1995): Fuzzy Control für Ingenieure. Vieweg
• Bothe, H.-H. (1998): Neuro-Fuzzy-Methoden. Springer-Verlag
• Nauck, D.; Klawonn, F.; Kruse, R. (1994): Neuronale Netze und Fuzzy-Systeme. Vieweg
• Nørgaard, M. et al. (2000): Neural Networks for Modelling and Control of Dynamic
Systems. Springer-Verlag
• Bemporad, A.; Morari, M.; Ricker, N. L. (2016): Model Predictive Control Toolbox: User’s Guide. Benutzerhandbuch zur Software MATLAB R2016a

ILIAS-Link: KI-gestützte Regelsysteme

Winter- und Sommersemester

ECTS Credits: 10

Modulverantwortliche*r: Prof. Dr. phil. Anja Richert

Dozierende: Alle Lehrenden des Studiengangs

Learning Outcome: Die Studierenden können eigenständig organisierte Forschungsprojekte initiieren und methodisch sowie organisatorisch auszugestalten, indem sie:
• ihr individuelles Forschungsthema in den Zusammenhang mit einer übergeordneten wissenschaftlichen Ingenieurfragestellung stellen und zu erwartende Vorteile und Risiken im Rahmen der übergeordneten Problemstellung beschreiben und begründen
• ihr individuelles Forschungsthema inhaltlich analysieren, abgrenzen, strukturieren und ordnen
• die Bearbeitungsrisiken zum individuellen Forschungsthema identifizieren und z.B. anhand von Machbarkeitsstudien Abschätzen, ob eine erfolgreiche Bearbeitung wahrscheinlich ist
• ausgehend vom individuellen Forschungsthema die eigene wissenschaftliche Vorgehensweise systematisch planen, mit dem Ziel eine nachvollziehbare Argumentationskette für ein wissenschaftliches Paper aufzubauen
• Maßnahmen, z.B. Experimente, zur wissenschaftlichen Beantwortung der Forschungsproblemstellung planen und zielgerichtet durchführen
• ggf. weiterführende Problemstellungen formulieren
• respektvoll konstruktiv im Forscherteam arbeiten
• mit materiellen Ressourcen schonend umgehen

Das Modul dient dazu, dass die Studierenden eigene Forschungs- und Entwicklungsthemen auch später wissenschaftlich bearbeiten können
Modulinhalte: Seminaristischer Unterricht zu empirischen und ingenieurwissenschaftlichen Forschungsmethoden und -praktiken, Entwicklung und Bearbeitung eines wissenschaftlichen Forschungsprojektes in anhand von realen Aufgabenstellungen, die von den beteiligten Lehrenden fakultätsübergreifend gemeinsam formuliert werden. Die Studierenden arbeiten selbstständig nach dem Ansatz des „Problem Based Learning“ und werden dabei nach Absprache durch die jeweiligen Aufgabenstellenden (Coaches) unterstützt. Regelmäßig sowie am Ende des Semesters präsentieren die Studierenden ihre Arbeitsergebnisse in Form von Kurzvorträgen oder selbst gestalteten wissenschaftlichen Postern. Am Ende des Semesters arbeiten die Studierenden den Forschungsprozess oder ihre Forschungsergebnisse in einem wissenschaftlichen Paper auf.

Lehr- und Lernmethoden: Seminar mit Projektphase

Prüfungsformen: Wissenschaftliches Paper (50%), Präsentation und ausführliche Verteidigung des Ergebnisses (50%)

Workload: Summe: 300 Std./10 Credits
Seminar: 90 Std.Projektarbeit: 210 Std.

Präsenzzeit: 90 Std.

Selbststudium: 210 Std.

Empfohlene Literatur: keine

Sommersemester

ECTS Credits: 5

Modulverantwortliche*r: Prof. Dr.-Ing. Mohieddine Jelali

Dozierende: Prof. Dr.-Ing. Mohieddine Jelali, M.Sc. Konstantinos Papadopoulos

Learning Outcome: Die Studierenden können am Ende des Moduls komplexe Regler auf einer industriellen Automatisierungsplattform (SPS, IPC o. A.), die an einem Modell der Maschine oder Anlage gekoppelt wird, implementieren und das Führungs- und Störverhalten des Regelsystems untersuchen, bewerten und optimieren, indem sie geeignete Verfahren der Modellbildung, des Reglerentwurfes und der mathematischen Optimierung kombinieren und anwenden, um Regelsysteme in der Designphase von intelligenten Maschinen und Anlagen zu testen, zu optimieren und vorab in Betrieb zu nehmen.und zu optimieren, anbahnende Fehler zu erkennen und zu antizipieren.

Modulinhalte:
• Aufbau und Programmierung von industriellen Automatisierungsplattformen (SPS, IPC o. A.)
• Modellierung von Maschinen oder Anlagen
• Entwurfsmethoden für komplexe (modellprädiktive) Regelungen
• Verfahren zur Regleroptimierung
• Werkzeugkette Simulation bis zur Hardwareanbindung

Lehr- und Lernmethoden: Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; Fortlaufendes Coaching & Beratung während der Projektdurchführung

Prüfungsformen: Softwareprogramm (70%), schriftlicher Bericht/Präsentation und mündliches Gespräch (30%)

Workload: Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.

Projektarbeit: 120 Std.

Präsenzzeit: 30 Std.

Selbststudium: 120 Std.

Empfohlene Literatur:
• Bertsche, B.; Bullinger, H.-J. (Hrsg.) (2007): Entwicklung und Erprobung innovativer
Produkte – Rapid Prototypin. Springer-Verlag
• Abel, D.; Bollig, A. (2006): Rapid Control Prototyping. Springer-Verlag
• Abel, D.; Bollig Epple, U.; Spohr, G.-U. (Hrsg.) (2008): Integration von Advanced
Control in der Prozessindustrie. Wiley Verlag

ILIAS-Link: Virtuelle Prozessoptimierung

Projekt- und Abschlussarbeiten