Ingenieurwesen und Betriebswirtschaft

Für zukünftige Anwendungen in Ingenieurwesen und Betriebswirtschaft sind Big Data und Künstliche Intelligenz (KI) entscheidend für mechanische Konstruktion, Wartungsanwendungen, Optimierung und Planung von Verkehr und Logistik sowie für die Analyse von Unternehmensdaten. In Technik und Wirtschaft spielen Big Data und KI eine zentrale Rolle bei der Unternehmensdatenanalyse, dem Business Engineering, virtuellem Prototyping sowie der Optimierung und Planung von Verkehr und Logistik. Unser Fokus liegt auf intelligenten Business-Informationssystemen und KI-basiertem Produktdesign.

Forschungsschwerpunkte

Leichtbau und Materialdesign

Der Prozess der Entwicklung von Leichtbauanwendungen ist durch stark multidisziplinäre und skalenübergreifende Ansätze gekennzeichnet. Dabei werden Aspekte der Materialwissenschaft, Verarbeitungstechnologie, experimentellen Mechanik, Funktionsintegration sowie computergestützte Modellierung und Simulation zusammengeführt. Aus praktischer ingenieurtechnischer und systemischer Perspektive ergeben sich daraus jedoch hochkomplexe und nichtlineare Probleme mit umfangreichen Parameter- und Datenräumen. Traditionelle Bewertungs- und Bearbeitungsstrategien führen oft zu ungenutztem ingenieurtechnischem Potenzial oder sogar zu suboptimalen Lösungen. In diesem Zusammenhang bieten Methoden des Machine Learning (ML) und der KI einzigartige Möglichkeiten, diese Räume auf fortgeschrittene Weise zu erkunden, zu bewerten und zu nutzen. Konkret werden eine verbesserte Konstruktionseffizienz, resilientere Prozesse, fortgeschrittene Sensor-Datenanalyse sowie die Ausnutzung materialinhärenter Eigenschaften zur Verbesserung des Gewichtsverhältnisses und der Ressourceneffizienz adressiert:

• Algorithmen und Methoden für weichrobotische Komponenten
• Datengetriebene Materialmodellierung für effizientere skalenübergreifende Strukturbewertung mithilfe von Surrogatdaten, die aus repräsentativen Volumenelementen abgeleitet werden
• Sensorentwicklung, Dateninterpretation und Kalibrierung für Structural Health Monitoring und prädiktive Instandhaltung
• Überwachung von Fertigungsprozessen, digital verknüpfte Materialentwicklungsprozesse
• Bildanalyse zur Defekterkennung in shearografischen Bildern und CT-Daten

Entwicklung von Steuerungsalgorithmen für weichrobotische Komponenten auf Basis von virtuellem Prototyping

Verkehrsmodellierung und autonomes Fahren

Unser Ziel ist es, ein leistungsfähiges Werkzeug zu entwickeln, das das Fahrzeugverhalten im Kolonnen- und Mischverkehr simuliert, indem es Reinforcement Learning hierarchischer tiefer Netzwerke nutzt und in reale Fahrzeuge integriert. Der Trainingsprozess konzentriert sich auf Quer- und Längsbewegungen, korrektes Verhalten in Kolonnen, natürliche Bewegungen im freien Verkehr und im Stop-and-Go-Verkehr, vorhergesehene Überholvorgänge und Ähnliches.

Das abgeleitete Modell wird auf den selbstlernenden Prozess zur Entwicklung von Straßen, Verkehrsampeln und der gesamten Verkehrsinfrastruktur ausgeweitet und in einen physischen Demonstrator überführt, der von den entwickelten Modellen gesteuert wird.

Beispielsweise wurde Deep Reinforcement Learning (DRL) bereits für die autonome Bewegung von Wasserfahrzeugen mit DRL-Reglern eingesetzt. Dabei wurden Verhaltensrichtlinien berücksichtigt, die in der Lage sind, beliebige Pfade auf eingeschränkten Wasserstraßen unter dem Einfluss variierender Umweltbedingungen zu folgen, etwa wechselnder Wassertiefen und hoher Strömungsgeschwindigkeiten einschließlich Querströmungssituationen.

Auch DRL-Agenten werden in einer simulierten Umgebung für Fahrzeuge so trainiert, dass die Fahrpolitik des Agents das Fahrzeug robust im realen Umfeld leitet und verschiedene Fahraufgaben bewältigt, etwa das Folgen von Fahrspuren und Überholvorgänge.

Virtuell trainierte Deep-Reinforcement-Learning-Agenten (DRL), die reale Fahraufgaben wie Spurhalten und Überholen bewältigen.

Business Engineering

Bisherige Arbeiten umfassen Forschungsaktivitäten im Bereich Process Mining. Insbesondere wurden Deep-Learning-Methoden wie Recurrent Neural Networks, Variational Autoencoders und Attention-Mechanismen untersucht und entwickelt, um seltenes Verhalten in Geschäftsprozessen zu überwachen und zu klassifizieren. Mit dem Übergang in das Feld des Business Engineering kann das gesammelte Wissen aus der Entwicklung von Deep-Learning-Ansätzen weiter genutzt werden.

Dafür werden gängige Deep-Learning-Architekturen, die auf intuitiver, schneller und unbewusster Datenverarbeitung basieren (System 1), in ein System (System 2) überführt, das auf logischer, sequenzieller Datenverarbeitung und bewusstem Schlussfolgern beruht. Die Verbindung dieser beiden Systeme ist durch den Einsatz von Attention-Mechanismen möglich, etwa Self-Attention oder Multi-Head Attention, was eine fokussierte und bewusste Datenverarbeitung ermöglicht.

Der Fokus von System 2 im Bereich Business Engineering liegt auf der Steuerung übergeordneter Geschäftsregeln, die aus verschiedenen Komponenten resultieren, etwa Prozessen, Systemen und Strategien. Die Vision dieses Ansatzes ist es, bestehende Methoden zu erweitern oder neue Methoden und Konzepte zu schaffen, um in Zukunft robuste, intelligente Geschäftsprozesse und resilientere Geschäftssysteme zu erreichen.

Ziele

• Entwicklung von KI-/Machine-Learning-Methoden für die Sensorentwicklung und Kalibrierung, zur Interpretation von Messdaten und zur Auswertung der Ergebnisse bildgebender Messverfahren.
• Prozessmodellierung, -analyse, -steuerung sowie angewandtes Big-Data- und KI-Monitoring.
• Untersuchung, wie parametrisierte FE-Modelle als virtuelle Entitäten genutzt werden können, um Trainingsdaten für KI-/Machine-Learning-Methoden zur Bewertung physischer Komponenten als reale Entitäten zu generieren.
• Identifikation von Materialparametern und rein datengetriebenen Materialmodellen für effiziente skalenübergreifende Strukturbewertung.
• Im Bereich Verkehrsmodellierung: Verhalten von Fahrzeugen im planmäßigen und Mischverkehr mithilfe von Reinforcement Learning hierarchischer tiefer Netzwerke.
• Erweiterung traditioneller Methoden auf Basis neuer wiederverwendbarer Muster, die in Form von Geschäftsregeln definiert sind.
• Entwicklung neuer KI-/Machine-Learning-Architekturen.