Skip to main content

Modulbeschreibung - Grundlagenlabor 4

Nummer
glaL4
ECTS 3.0
Anspruchsniveau intermediate
Inhaltsübersicht In diesem Modul lernen die Studierenden im Teil «Simulationstools» moderne Simulationstools kennen und wenden diese an unterschiedlichen Problemstellungen an. Im Teil «Angewandte Physik» lernen die Studierenden, moderne Anwendungen der Elektrotechnik (z.B. Leistungselektronik, CMOS, Photovoltaik und Kühlung elektronischer Komponenten) durch fortgeschrittene Versuchsaufbauten und physikalische Prinzipien zu analysieren und zu verstehen. Im Teil «Machine Learning» werden moderne Verfahren des maschinellen Lernens eingeführt und an praktischen Beispielen angewandt.

Der Kurs gliedert sich in zwei Teile:

a) Simulationstools:
Bei Problemstellungen aus der Mathematik, Analogtechnik, Signalverarbeitung und Regelungstechnik werden moderne Simulationstools eingeführt und angewendet (PSpice oder SIMetrix sowie MathWorks Simscape). Dabei findet ein Transfer und Verknüpfen von Wissen und Können aus verschiedenen Fachgebieten statt, was zu einem besseren Verständnis der Zusammenhänge führt. Als wichtige Ingenieurskompetenz werden die Simulationsergebnisse kritisch hinterfragt und auf geeignete Weise verifiziert.

b) Wahlweise

b1) Angewandte Physik:
Auf Basis der in glaL3 erlernten Grundlagen werden fortgeschrittene Experimente mit Bezug zur Elektrotechnik durchgeführt, wobei der Schwerpunkt auf der Kominbation aus moderner Hardware und Datenanalyse liegt. Dieser Teil ist in drei Themenbereiche unterteilt:
    1. Fortgeschrittene Experimente: Magnetkräfte, Atomphysik, Quantenmechanik, Lichtgeschwindigkeit etc.

        2. Experimente mit Bezug zur Elektrotechnik: Charakterisierung von Halbleiterdioden (PiN und SB), MOSFETs für leistungselektronische Anwendungen, CMOS-Bauelementen, Photovoltaik-Zellen, elektrisch-thermisch-optische Charakterisierung der Kühlung von Leistungselektronik, etc.

            3. Virtual-Reality-Experiment: VR-gestützte Designoptimierung einer Solaranlage mit KPI-Analyse und finanziellem Business Case

          b2) Machine Learning:
          Maschinelles Lernen – ein Teilgebiet der künstlichen Intelligenz – hat in den letzten Jahren dank gestiegener Rechenleistung einen rasanten Aufschwung erlebt. Begriffe wie «Deep Learning» sowie zahlreiche Anwendungen (z. B. der Sieg des Programms AlphaGo über den Weltmeister im Brettspiel Go) sind mittlerweile auch dem breiten Publikum geläufig. Die Anwendungen in der Technik sind vielfältig und zukunftsweisend, so dass Kenntnisse in diesem Gebiet für Ingenieurinnen und Ingenieure zunehmend wichtig werden.

Lernziele Teil "Simulationstools":
  • Die Studierenden lernen moderne Simulationstools kennen und können damit ausgewählte Problemstellungen aus der Praxis bearbeiten.
  • Sie lernen die gleichzeitige Simulation von Systemen im Frequenz- und Zeitbereich kennen und lösen damit sehr anspruchsvolle Aufgabenstellungen mit simultaner Optimierung.
  • Sie können durch Simulation "virtuelle Laborversuche" aus den Gebieten der Signalverarbeitung und Regelungstechnik durchführen.
  • Die Studierenden kennen auch die Grenzen der Simulationstools (falsche Ergebnisse) und können die Resultate verifizieren.
Teil "Angewandte Physik":
  • Die Studierenden erweitern ihre experimentellen Arbeitsfähigkeiten durch die Durchführung fortgeschrittener Experimente.
  • Sie können Experimente mit Bezug zur modernen Elektrotechnik im Detail verstehen, indem Sie deren physikalisches Verhalten analysieren.
  • Sie sind in der Lage, fortschrittliche Hardware, wie sie auch in der Industrie anzutreffen ist, einzusetzen.
  • Die Studierenden können komplexe physikalische Phänomene modellieren und fortgeschrittene Methoden der Datenanalyse anwenden.
  • Sie können Virtual-Reality-Engineering-Tools einsetzen und Photovoltaik-Anlagen entwerfen und optimieren.
Teil "Machine Learning":
  • Die Studierenden kennen die Grundbegriffe, die Fachterminologie sowie die mathematischen Grundlagen des maschinellen Lernens und können sie auf konkrete Problemstellungen abbilden.
  • Sie kennen gängige Algorithmen sowie deren Umsetzung in Form von Bibliotheken, insbesondere für die Programmiersprache Python.
  • Sie können Daten erfassen und aufbereiten sowie Ergebnisse visualisieren und interpretieren.
  • Sie können Problemstellungen aus der Praxis mit Hilfe von Algorithmen des maschinellen Lernens lösen.
  • Die Studierenden können die Güte einer Lösung anhand verschiedener Kriterien beurteilen.


Empfohlene Vorkenntnisse Teil «Simulationstools»:
  • Signalverarbeitung (siv)
Teil «Angewandte Physik»:
  • Grundlagenlabor 3 (glaL3)
Teil «Machine Learning»:
  • Grundlagenlabor 2 (glaL2, MATLAB- oder alternativ Python-Kenntnisse)

Leistungsbewertung Erfahrungsnote
Diese Seite teilen: