Embedded Systems Design

Ziel ist es, dass Absolvent_innen einfache elektrischen Bauelemente und Schaltkreise erklären und einfache elektronische Schaltungen berechnet werden können. Im praktischen Teil werden diese mit spezieller Software simuliert und auf einem Steckbrett aufgebaut und deren Funktion überprüft.

• Das Ohm’sche Gesetz (Widerstand, Leitfähigkeit) 
• Der Gleichstromkreis, Kirchhoffsche Gesetze 
• Energie, Leistung, Wirkungsgrad  
• Wechselstrom: Grundbegriffe 
• RLC-Netzwerke, passive Filter 
• Bode Diagramm 
• Dioden 
• Transistor, FET 
• Operationsverstärker (OPV) 
• Analoge Verstärkerschaltungen
• Elektronische Schalter  
• Oszillatoren 
• Design und messtechnische Überprüfung elektronischer Schaltungen 
• Simulation elektronischer Schaltungen mit LTSpice 

Die Studierenden sind in der Lage … 

• Das Ohmsche Gestz anzuwenden und Netzwerke von elektr. Widerständen zu berechnen. 
• Die Kirchoffschen Gesetze anzuwenden. 
• Leistungen von elektr. Bauelementen zu berechnen. 
• Grundlagen der Wechselstromtechnik anzuwenden sowie Effektivwert und Klirrfaktor zu berechnen. 
• RLC-Netzwerke zu verstehen und passive Filter zu berechnen sowie deren Übertragungsfunktion darzustellen. 
• Dioden, FET- und Bipolartransistoren in einfachen Schaltungen zu analysieren.
• Die Eigenschaften von Eintransistorschaltungen wie Kleinsignalverstärkung, Ein- und Ausgangswiderstand zu berechnen .
• Einfache elektronische Verstärkerschaltungen zu verstehen und zu berechnen.
• Operationsverstärker zu invertierenden und nicht-invertierenden Verstärkern zu beschalten  
• Oszillatorschaltungen zu verstehen und zu berechnen 
• Einfache elektronische Schaltungen zu berechnen, auf einem Steckbrett aufzubauen und deren Funktion zu überprüfen 
• Elektronische Schaltungen mit LTSpice zu simulieren 

Ziel ist es, die Studierenden mit den grundlegenden Elementen und Methoden der Programmierung anhand der Programmiersprache Python vertraut zu machen. Die Studierenden sollen in die Lage versetzt werden, selbstständig Python Programme auf einem Raspberry Pi zu erstellen und auszuführen und mit den erlernten Grundlagen der Programmierung eigenständig einfachen Programmstrukturen zu verstehen, zu analysieren, zu erstellen und selbstständig Fehler methodisch zu behandeln.  

• Grundlegende Konzepte der imperativen Programmierung 
• Installation von Python und einer Entwicklungsumgebung auf einem Raspberry Pi unter Linux 
• Verwendung der Entwicklungsumgebung 
• Syntax von Python 
• Variablen und Kommentare (Sichtbarkeitsbereich, lokale und globale Variablen) 
• Operatoren: arithmetische, zuweisende, vergleichende, logische 
• Umgang mit Fehlermeldungen 
• Datentypen: Zeichenketten, numerische Typen, Sequenzen, Boolean 
• Kontrollstrukturen: Fallunterscheidung, Schleifen 
• Erstellung von Funktionen und Verwendung von Übergabeparameter 
• Kommandozeilenparameter 
• Fehler im Quellcode erkennen, isolieren und beheben 
• Zeichenkettenverarbeitung (Strings), Formatierung und Casting 
• Lesen und Schreiben von Daten in Dateien 
• Überladen von Methoden 
• Objektorientierte Programmierung: Klassen, Objekte, Klassenmethoden und Attribute 
• Module und Libraries laden und benutzen (numpy, matplotlib) 
• Weitere wichtige Datentypen (sets, dictionaries, arrays) 
• Fehlerbehandlung (Exceptions) 
• Interaktion mit dem Dateisystem und Dateibehandlung 
• Debugging mit Hilfe der Entwicklungsumgebung 

Die Studierenden können 

• die grundlegenden Elemente der Programmierung mit Python benennen und erklären; 
• damit Python Code sinnerfassend lesen; 
• und eigene Programme entwickeln und ausführen;
• erweiterte Programmiertechniken mit Python und die Möglichkeiten von externen Libraries erläutern; 
• das Konzept der Fehlerbehandlung nutzen; 
• die Grundlagen der objektorientierten Programmierung erklären; 
• eigenständig Klassen entwickeln und objektorientierte Bibliotheken laden und verwenden; 
• Daten aus Dateien einlesen, formatiert und in Dateien schreiben; 
• automatisiert Ordnerstrukturen erzeugen und Dateien verwalten; 
• Exceptions importierter Klassen behandeln und eigene Exceptions erzeugen

Ziel ist es, den Studierenden die Eigenschaften und Konzepte von Embedded Systems nahezubringen. Die Studierenden erhalten das Wissen über die Funktionsweise der einzelnen Elemente und das Verständnis wie diese miteinander kombiniert und verschalten werden.  

Studierende sollen ein grundlegendes Verständnis der einzelnen Systembausteine erlangen und haben das Wissen, diese über unterschiedlichen Kommunikationsschnittstellen mit Sensoren, Aktoren und Elementen der Digitaltechnik zu verbinden.

Folgende Lerninhalte werden an die Studierenden in folgenden vier inhaltlichen Blöcken vermittelt: 

Aufbau von Embedded Systems 

• Microcomputer/Microcontroller 
• Abgrenzung Embedded System, IoT, CPS  
• Grundlegende Systemkomponenten und Peripherie (MCU, Sensoren, Aktoren) 
• Funktionale Blockschaltbilder    

  Kommunikation 

• Grundlegende Kommunikationskonzepte (Linie, Bus, Pegel) 
• Schnittstellen 10V, 20mA Schnittstelle 
• Digitale Schnittstellen (I2C, SPI, RS232);  
• Protokollprinzipien (Einfache Kommunikation zwischen Baugruppen)   

  Digitaltechnik  

• Elemente der Digitaltechnik 
• Logikschaltungen (TTL/CMOS Familien) 
• A/D und D/A Wandler  

  Einfache Steuer- und Regelkonzepte 

• Grundlegende Theorien der Signalverarbeitung (Abtasten von Signalen, Nyquist-Theorem, Grenzfrequenzen) 
• Open loop und closed loop 
• Aufbau einfacher Regelschleifen mit Sensoren und Aktoren 

Die Studierenden können … 

• die zentralen Komponenten eines Embedded Systems erklären und bestimmen; 
• den Aufbau von Embedded Systems beschreiben und die Systemkomponenten kategorisieren und gegeneinander abgrenzen; 
• dieses Wissen anwenden, um Blockschaltbilder von Embedded Systems zu erstellen.   
• die grundlegenden analogen und digitalen Schnittstellen zwischen MCU und Peripherie beschreiben; 
• die Funktionsweise der Schnittstellen und einfacher Protokolle erklären; 
• Sensoren oder Aktoren mit dem Embedded System zu verbinden.  
• die grundlegenden Elemente der Digitaltechnik erklären; 
• die Basislogikelemente und A/D bzw. D/A Wandlung zusammenfassen und anwenden; 
• mit diesem Wissen einfache Logikschaltungen aufbauen.  
• die grundlegenden Begriffe der Signalverarbeitung und Regelkonzepte erläutern; 
• eine einfache Regelschleife aufbauen; 
• dieses Wissen anwenden, um eine Ist-Größe auf einer Soll-Größe zu halten. 

Die Studierenden können Methoden der beschreibenden Statistik von Daten erklären und anwenden.  Sie sollen in die Lage versetzt werden, Daten anhand der FAIR Principles abzuspeichern, zu verarbeiten und zu analysieren sowie geeignete Metadaten zu erstellen. 

Sie erhalten weiters eine Einführung in das maschinelle Lernen sowie von ethischen und rechtlichen Aspekten der Datenverarbeitung.

• Statistische Grundlagen
• Datenbeschreibung über Metasprache - Nachvollziehbarkeit
• Datenspeicherung
• Grundlagen zur Datenvisualisierung
• Optik, Auflösung und Display
• Helligkeit, Kontrast und Gleichmaßigkeit
• Farben
• Visuelle Auffälligkeiten
• Statische und bewegte Muster
• Raumwahrnehmung
• Visualsierungswerkzeuge am Beispiel von Veusz
• Einführung in Methoden des maschinellen Lernens
• Hyperparameteroptimierung mit Grid Search
• Kreuzvalidierung
• Neuronale Netze und Deep Learning
• Lösung eines Fallbeispiels zur Regression mit Enscheidungsbäumen bzw neuronalen Netzen
• Einführung in ethischen und rechtlichen Aspekten der Datenverarbeitung
• Grundlagen der vertrauenswürdigen KI
• Anforderungen an vertrauenswürdige KI
• Technische und nicht-technische Methoden zur Realisierung vertrauenswürdiger KI
• Bewertung von vertrauenswürdiger AI

Die Studierenden sind in der Lage … 

• Daten abzulegen und geeignete Metadaten zu erstellen; 
• die FAIR Principles zu erklären; 
• Daten mittels beschreibender Statistik zu diskutieren;
• Daten mittels Graustufen und Farben darzustellen;
• Farben richtig einsetzen;
• Schnell und gezielt die Aufmerksamkeit des_der Betrachters_in auf die wichtigste Kernbotschaft zu lenken;
• multivariante Informationen und Vektorfelder darzustellen;
• Grundlagen der Wahrnehmungen umzusetzen, um 3D-Darstellungen zu erstellen;
• ein Projekt des maschinellen Lernens umzusetzen;
• die dazu notwendigen Daten vorzubereiten;
• Merkmale zu selektieren, um das Modell zu verbessern;
• ein Regressionsmodell mit Hilfe von Entscheidungsbäumen zu erstellen;
• ein Regressionsmodell mit Hilfe von neuronalen Netzen zu erstellen;
• eine Feinabstimmung des Regressionsmodells durchzuführen;
• Die Grundlagen zur Selbstevaluierung für ethische und rechtliche Aspekte zu beherrschen.

Im Praxisprojekt, der Abschlussarbeit, werden die erworbenen Fähigkeiten gemeinsam umgesetzt. Von der Festlegung des Entwicklungsablaufes über die Planung eines eigenen Embedded Systems bis zur Umsetzung und dem Test des fertiggestellten Systems werden alle Phasen der Entwicklung vom Studierenden ausgeführt und ein Prototyp eines Embedded Systems erstellt.

Zusätzlich lernen die Studierenden ihre Planung und (Zwischen-)Ergebnisse zu präsentieren und ähnlich wie im beruflichen Setting mit Reviews umzugehen.

• Präsentationstechniken 
• Verwendung von Feedback aus Peer-Gruppen zur Verbesserung der Arbeit
• Erfahrung in der Umsetzung eines Embedded System Designs
• Praktische Erfahrung in der Umsetzung unter Berücksichtigung aller Komponenten

Absolvent_innen können

• Planung und (Teil-)ergebnisse kompakt präsentieren und deren Ziele darstellen;
• Feeback aus Peer-Gruppen analysieren und das Feedback aus einer Peer-Gruppe in die eigene Arbeit integrieren;
• ein Embedded System konzeptionell planen und  entwickeln;
• einen Prototyps oder Demonstrator vollständig mit allen Komponenten aufbauen.