Die Herausforderung „Software-Kompetenz“ für Ingenieure ist inzwischen in der Presse und im Alltag angekommen. Vom Elektroauto über das Smart Meter bis zu Industrie 4.0 ist derzeit mangelndes Software-Know-how bei Ingenieuren der Flaschenhals zu innovativeren Produkten und einer besseren Qualität. Der Anteil von Software an der Wertschöpfung steigt stetig und schnell an, so dass diese Herausforderung nach und nach alle Bereiche unseres Lebens erfassen wird. 

Ein zweiter dominanter Treiber für Innovationen ist die „künstliche Intelligenz“, insbesondere das maschinelle Lernen. Im Ingenieurumfeld kommen zunehmend neben klassischen White-Box-Modellen (first principles models) basierend auf die Gesetzen der Mechanik, Elektrotechnik, Thermo- und Fluiddynamik, etc. auch datengetriebene Modelle zum Einsatz. Diese sog. Black-Box-Modelle sind z.B. neuronale Netze und werden anhand von Messdaten (oder auch Simulationsdaten) trainiert. Dadurch können relativ schnell und günstig viele sehr komplexe Prozesse beschrieben werden. Hier ergeben sich viele neue wichtige Fragestellungen in Forschung und Praxis in Bezug auf Robustheit, Zuverlässigkeit und Interpretierbarkeit, die sowohl Informatik- als auch Ingenieur-Know-how erfordern. 

Weitere wichtige Anwendungsbereiche des maschinellen Lernens im modernen Industrieumfeld sind u.a. die automatisierte Auswertung großer Datenmengen (Big Data), sog. Data Mining, die Bildverarbeitung und Expertensysteme basierend auf großen Sprachmodellen (ChatGPT) und intelligenter Suche (Google, Bing). 

 

• Entwicklung und Software-Implementierung neuer Funktionen in Steuergeräten, Regelungen, Überwachungs- und Diagnosesystemen, für virtuelle Sensoren, ...
• Optimierung von Prozessautomatisierungen
• Robuste KI-Anwendungen in der Industrie
• Data Mining: Entdecken, Nutzbarmachen, Visualisieren von Zusammenhängen, Korrelationen, Mustern, Clustern in großen hochdimensionalen Datenmengen
• Cyber-physische Systemen, die mechanische, elektrisch/elektronische und Software-Komponenten integrieren und Kybernetik mit Mechatronik vereinen
• Überwachung und vorausschauende Wartung (Predictive Maintenance) erfordert gute Modelle, die physikalisches Verständnis und datengetriebene Lernverfahren kombinieren und damit Zuverlässigkeit erhöhen und gleichzeitig Kosten senken 
• Wirkungsgradoptimierungen durch modellbasierte Ansätze – die Modelle können aus der Physik stammen (White-Box), aus Daten gelernt werden (Black-Box) oder aus einer Kombination von beidem (Grey-Box) generiert werden 
• Prüfstandsautomatisierung und -optimierung durch intelligente Versuchsplanung (Design of Experiments) 
• Überführung von traditionellen Hardware-Lösungen in flexible Software-Realisierungen 
• Metamodellierung von CAD/CAE-Entwürfen mittels neuronaler Netze zur schnellen Optimierung 
• Industrie 4.0, z.B. Vernetzung, Cloud-Integration, Big Data, Verschlüsselung, Visualisierung und Interpretation komplexer, nichtlinearer, multivariater Zusammenhänge 
• Automatisierung mittels autonomer Fahrzeuge 
• Integration von moderner Bild- und Videoverarbeitung in die Prozessautomatisierung, insb. Qualitätskontrolle 
• Maschinenoptimierung durch Vernetzung und KI 
• Aufbereitung von Cloud-Daten mit dem Ziel einer optimierten Steuerung von Produktionsprozessen, z.B. bei additiver Fertigung (3D-Druck) 
• Knowledge Transfer Management: Unterstützung von Wartungs- und Reparaturarbeiten mittels Augmented Reality, Datenhandschuh u.ä.