Künstliche Intelligenz in der technischen Anwendung

Künstliche Intelligenz (KI) wird in allen Bereichen des Instituts eingesetzt.

In der Zuverlässigkeitstechnik [Link zu ZUV Seite] wird neben der intelligenten Prüfplanung [Link zu DOE Seite] mittels maschinellen Lernens auch untersucht, wie die Restnutzungsdauer von Bauteilen auf Basis vorhandener Daten mit KI-Methoden berechnet werden kann.

Zur Vermeidung unvorhergesehener Ausfälle elektronischer Systeme sollen Fehlervorläufer in Datensätzen erkannt und somit eine prädiktive Wartung ermöglicht werden. Hier werden KI-Algorithmen zur Anomalieerkennung eingesetzt um Fehlervorläufer als Abweichungen vom normalen Betriebszustand zu identifizieren, ohne dass eine konkrete Definition der gesuchten Datenpunkte erforderlich ist. Darüber hinaus wird die Erkennbarkeit von Ausfällen elektronischer Komponenten in einem Schaltkreis durch Klassifizierungsalgorithmen evaluiert. Um effiziente Entscheidungen in der Entwicklung von Prognostics and Health Management (PHM)-Algorithmen [Link zu PHM-Seite] treffen zu können, werden durch hybride Anomalieerkennungsalgorithmen verschiedene Arten von Expertenwissen hinsichtlich deren Nutzen zur Fehlererkennung verglichen. Zudem wird die Generierung synthetischer Fehlerdaten mit Hilfe generativer KI-Algorithmen und Fehlersimulationen elektronischer Schaltungen untersucht, um fehlende Ausfalldaten neuer oder hoch-zuverlässiger Systeme zu kompensieren.

KI wird auch im Bereich des autonomen Fahrens eingesetzt, um die strukturelle Integrität von Fahrzeugen während Kollisionsereignissen zu überwachen. KI wird eingesetzt, um das Schadensniveau zu analysieren und operative Handlungsempfehlungen abzuleiten. Andererseits wird KI auch im Rahmen des autonomen Fahrens von Zügen eingesetzt. Ziel ist es, den Lokführer zu unterstützen und zu entlasten bzw. sein Fahrverhalten im Hinblick auf Sicherheit, Verschleiß, Energieeffizienz und Komfort zu optimieren.

In der Antriebstechnik [Link zu AT Seite] wird KI eingesetzt, um Zahnradschäden in sehr frühem Stadium im Betrieb zu erkennen. Genutzt werden Sparse-Autoencoder und anderen Methoden des maschinellen Lernens. Untersucht wird auch die Umsetzung adaptiver Betriebsstrategien zur Lebensdauersteigerung von Getrieben durch intelligente Regelung des Drehmoments.

Im Bereich der Dichtungstechnik [Link zu DT Seite] wird vor allem KI-basierte Bildanalyse genutzt, um unterschiedliche Schadensbilder zu erkennen und zu klassifizieren.