Künstliche Intelligenz
Die Themen künstliche Intelligenz, maschinelles Lernen und digitale Transformation finden sich in allen Forschungsfeldern des IGMR wieder.
Künstliche Intelligenz zur Struktur- und Maßsynthese
Am IGMR wird unter anderem auch das Zusammenwirken von Methoden der künstlichen Intelligenz mit Methoden der klassischen Getriebetechnik erforscht. Dabei geht es vor allem um intelligente Struktur- und Maßsynthese ebener Getriebe. Dazu wurde zum Beispiel in der Dissertation "Künstliche Intelligenz zur Struktur- und Maßsynthese ebener Führungs- und Übertragungsgetriebe" von Dr. Mario Müller ein Ansatz vorgestellt. Demnach kann zuerst durch ein Expertensystem die richtige Getriebestruktur für eine Bewegungsaufgabe aus einer Datenbank generiert werden. Die Getriebeabmessungen der gewählten Struktur können daraufhin mithilfe nichtlinearer Optimierungsalgorithmen passend zur Erfüllung der gegebenen Bewegungsaufgabe synthetisiert werden.
Machine Learning in der Schwingungstechnik
Ziel unserer Forschung ist es, durch die Kombination klassischer Methoden der Schwingungsanalyse mit Ansätzen des Machine Learnings neue, hochautomatisierbare Verfahren zum Aufbau von Prozess- und Zustandsüberwachungssystemen, auch Condition Monitoring genannt, zu entwickeln. Zusätzlich ergeben sich, über die hiermit geschaffene Automatisierung der Schwingungsanalyse, neue Möglichkeiten auch große Datenmengen effizient auswerten und hierdurch auch komplexe Prozesse besser zu verstehen.
Robotik
Aufgabenplanung und Flottenmanagement
KI-basierte Aufgabenplanung erlaubt es Multi-Roboter-Systemen und kollaborativen Teams dynamisch Aufgaben zu allokieren, zu planen und auszuführen, sowie auf unvorhergesehene Ereignisse adaptiv reagieren zu können.
Sensordatenauswertung und Computer Vision
Basierend auf maschinellem Lernen kann einem künstlichen Agenten durch Sensordatenauswertung ein Verständnis über seine Umgebung vermittelt werden. Dadurch lernt ein künstlicher Agent seine Position und Interaktionsmöglichkeiten in der Umgebung. Außerdem erlaubt die Analyse von Sensordaten die prädiktive Wartung von Maschinen und Geräten. Diese wird auch als Predictive Maintenance bezeichnet. Durch Nutzung von maschinellem Lernen ist eine Überwachung des Prozesses und der Wertschöpfungskette möglich.
Mobile autonome Systeme
KI ermöglicht mobilen autonomen System sich autark in ihrer Umgebung zu bewegen und dynamisch auf Umgebungsereignisse und veränderliche Anforderungen reagieren zu können. Durch entsprechende Intelligenz können Mobilroboter Prozesse erlernen, Intentionen erkennen und selbstständig Entscheidungen über die Einsatzzwecke und zu fahrenden Pfade treffen.