Digital Engineering

Hier finden Sie Beschreibungen zu den einzelnen Forschungsthemen der Fachgruppe.
Für aktuelle Angebote zu einem der Themen aus dem Bereich wenden Sie sich bitte direkt an die zuständigen wissenschaftlichen Mitarbeiter*innen.

Für aktuelle Angebote zu einem der Themen aus dem Bereich wenden Sie sich bitte direkt an die zuständigen wissenschaftlichen Mitarbeiter*innen.

Daten- und wissensbasierte Auslegung mechanischer Fügeverbindungen

Die Fokussierung auf Leichtbau und Multi-Material-Verbindungen erfordert neue Fügeverfahren. Clinchen bietet Vorteile gegenüber Schweißen, da es Bleche ohne Zusatzmaterialien oder hohe Temperaturen verbindet. Aufgrund der komplexen Zusammenhänge zwischen Werkzeuggeometrie und Eigenschaften ist der Auslegungsprozess stark iterativ. Um dem Abhilfe zu schaffen, soll mithilfe von maschinellem Lernen und formalisiertem Wissen eine daten- und wissensbasierte Methode zur Auslegung mechanischer Fügeverbindungen entwickelt werden.

Erfordert Interesse an:
Finite-Elemente Methoden
Machine Learning
Mechanische Fügeverbindungen
Ansprechpartner:
Jonathan-Markus Einwag, M.Sc.

Design-Automatisierung in der Entwurfs- und Auslegungsphase

Machine Learning, insbesondere Reinforcement Learning ermöglicht die Automatisierung von Routinetätigkeiten in der Produktentwicklung. Diese Machine Learning Verfahren werden jedoch oftmals als Blackboxen in den Entwicklungsprozess integriert, deren Lösungen häufig nur für Experten nachvollziehbar sind. Um die Lösungen zugänglicher zu gestalten, werden Potentiale zur Steigerung der Nachvollziehbarkeit im Reinforcement Learning erforscht.

Erfordert Interesse an:
Reinforcement Learning
Programmierung
Produktentwicklung
Ansprechpartner:
Yannick Utz, M.Sc.

KI-gestützte Anforderungsformalisierung und Architekturerstellung in der Automobilbranche

Im Rahmen der Systemmodellierung im Model-Based Systems Engineering werden Systemanforderungen über unterschiedliche Diagrammtypen modelliert. Dies ist mit einem großen manuellen Arbeitsaufwand verbunden.
Auf Basis von Methoden des Natural Language Processing und Machine Learning wird ein Assistenzsystem entwickelt, das die Architekturerstellung im Rahmen der Anforderungsmodellierung automatisieren soll.

Erfordert Interesse an:
Programmierung
Natural Language Processing
Model-Based Systems Engineering
Ansprechpartner:
Simon Schleifer, M.Sc.

Model-based Systems Engineering zur Entwicklung komplexer und interdisziplinärer Systeme

Der steigende Vernetzungsgrad sorgt für einen Komplexitätsanstieg bei technischen Systemen. Um damit umgehen zu können, bedarf es der Einführung neuer Entwicklungsmethoden. Mit dem Systems Engineering ist ein Ansatz dafür geschaffen worden, der Denkweise, Prozesse und Rollen in einer einzelnen entwicklungsmethodischen Herangehensweise vereint. Dennoch ist die Einführung in die industrielle Praxis nicht trivial. Daher werden am KTmfk neue Potenziale für die Anwendung und Erweiterung des Systems Engineerings erforscht.

Erfordert Interesse an:
Systementwicklung
Funktionale Modellierung
Programmierung
Ansprechpartner:
Fabian Wilking, M.Sc.

Multikriterielle Entscheidungsfindung – Ontologien im Produktentwicklungsprozess

Die wachsende Komplexität moderner Produkte führt zu neuen Herausforderungen für Produktentwickelnde, die aufgrund von zahlreichen Anforderungen eine Vielzahl an Entscheidungen zu treffen haben. Relationen zwischen den Merkmalen und Eigenschaften nehmen dabei zusätzlichen Einfluss auf die Entscheidungsfindung. Am KTmfk werden demnach Produktentwicklungsontologien erforscht, die den Entwickler unterstützen, relevante Daten und Wissen anwendungsbezogen zur Verfügung zu stellen.

Erfordert Interesse an:
Ontologien
Semantische Wissensbasis
Entscheidungsfindung
Ansprechpartner:
Jessica Pickel, M.Sc.

Anwendung von Data-Mining zur Auswertung von strukturmechanischen FE-Simulationen

Die Finite-Elemente-Simulation ist ein elementarer Bestandteil im Produktentwicklungsprozess und wird zunehmend von weniger erfahrenen Benutzern durchgeführt. Diesen Anwendern soll ein Tool zur Verfügung gestellt werden, welches die Auswertung der FE-Ergebnisse erleichtert und somit die Ergebnisqualität entscheidend verbessert. Die Umsetzung erfolgt mittels einer automatisierten Plausibilitätsprüfung für strukturmechanische Finite-Elemente-Simulationen, basierend auf Data-Mining Methoden.

Erfordert Interesse an:
Finite-Elemente-Analyse
Data-Mining/Machine Learning
Programmierung
Ansprechpartner:
Sebastian Bickel, M.Sc.