Messverfahren zur Bestimmung unterschiedlicher gasförmiger Schadstoffe in Autoabgasen kennengelernt und angewandt werden.
Versuch 1: Emissions- und Immissionsmessung gasförmiger Schadstoffe: Im Rahmen dieses Versuches sollen verschiedene
Versuch 2: Simulation und Messung von Asynchronmaschine und Kreiselpumpe: Das dynamische Verhalten eines Drehstromasynchronomoters in einem Pumpenantrieb wird untersucht. Der Anlaufvorgang wird auf einem Rechner simuliert und mit Messungen an einem Versuchsstand verglichen.
Versuch 3: Michelson-Interferometer und Faseroptik: Dieser Versuch soll dem Verständnis grundlegender optischer Phänomene dienen und deren Anwendung am Michelson-Interferometer und an Lichtleitfasern demonstrieren.
Versuch 4: Identifikation der Parameter einer Regelstrecke und optimale Einstellung eines Reglers
Leistungsnachweis:
311 - Messtechnik für Maschinenbau- und Verfahrensingenieure<ul><li>311 - Messtechnik für Maschinenbau- und Verfahrensingenieure: Klausur schriftlich</li><li>811 - Verpflichtende Studienleistung Laborpraktikum: Mess-, Steuer- und Regelungstechnik: Fachtheoretisch-fachpraktische Studienleistung</li></ul><br>m956 - Messtechnik für Maschinenbau<ul><li>811 - Verpflichtende Studienleistung Laborpraktikum: Mess-, Steuer- und Regelungstechnik: Fachtheoretisch-fachpraktische Studienleistung</li><li>p425 - Messtechnik für Maschinenbau: Fachtheoretisch-fachpraktische Arbeit</li></ul><br>m956-2021 - Messtechnik für Maschinenbau<ul><li>811 - Verpflichtende Studienleistung Laborpraktikum: Mess-, Steuer- und Regelungstechnik: Fachtheoretisch-fachpraktische Studienleistung</li><li>p425-2021 - Messtechnik für Maschinenbau: Fachtheoretisch-fachpraktische Arbeit</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Studiendekanat Maschinenbau (M)
In Stud.IP angemeldete Teilnehmer: 1
Supervised Theses
ongoing
completed
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.