Im Messtechnikpraktikum findet die Theorie aus den Vorlesungen „Physikalische Grundlagen der Messtechnik“ und „Messtechnik“ praktische Anwendung. In kleinen Gruppen lernen Studierenden den Umgang mit verschiedenen Messtechniken aus der Industrie und Forschung kennen. Im Rahmen des Praktikums wird ein breites Spektrum an unterschiedlichen Messmethoden vermittelt, hierzu zählt unter anderem der Einsatz von HLPC-Säulen zur qualitativen Stoffanalyse, die Bestimmung von Stoffübergangskoeffizienten mithilfe von optischen Sauerstoffsensoren oder die Auswertung von Bilddaten zur Gewinnung von Prozessparametern. In dem Praktikum wird ebenfalls erlernt, wie Messdaten statistisch ausgewertet und Versuche korrekt dokumentiert werden.
Leistungsnachweis:
345 - Messtechnik für VT / BVT<ul><li>345 - Messtechnik für VT / BVT: Klausur schriftlich</li><li>801 - Verpflichtende Studienleistung Messtechnik für VT / BVT - Testat: Testate</li></ul><br>m1497-2021 - Messtechnik für VT / BVT<ul><li>345 - Messtechnik für VT / BVT: Klausur schriftlich</li><li>vl356-2021 - Freiwillige Studienleistung Messtechnik für VT / BVT - Testat: Übungsaufgaben</li></ul><br>m1497-2022 - Messtechnik für Chemie- und Bioingenieurwesen<ul><li>p1446-2022 - Messtechnik für Chemie- und Bioingenieurwesen: Klausur schriftlich</li><li>vl356-2021 - Freiwillige Studienleistung Messtechnik für VT / BVT - Testat: Übungsaufgaben</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Prozessbildgebung (V-10)
In Stud.IP angemeldete Teilnehmer: 121
Anzahl der Dokumente im Stud.IP-Downloadbereich: 20
Betreute Abschlussarbeiten
laufende
beendete
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.