Kontakt: Dr. rer. nat. Alexander Diedrich
Moderne cyber-physische Systeme (CPS) sind hierarchisch organisiert, modular aufgebaut und zunehmend durch lernbasierte Komponenten geprägt. Rein datengetriebene Ansätze stoßen in sicherheitskritischen und industriellen Anwendungen an strukturelle Grenzen: Sie repräsentieren weder explizite Ursache-Wirkungs-Beziehungen noch berücksichtigen sie die kompositionelle Architektur realer technischer Systeme. Unser Forschungsprogramm entwickelt formal fundierte Systemmodelle, die sich in neuro-symbolische Architekturen für Diagnose, Rekonfiguration und adaptive Supervision von CPS integrieren lassen. Ein zentrales Merkmal unseres Ansatzes ist, dass symbolische und datengetriebene Methoden nicht als konkurrierende Paradigmen behandelt, sondern so gestaltet werden, dass sie sich auf jeder Ebene ergänzen — von der Systemmodellierung über die Fehlererkennung bis hin zu automatisierten Eingriffen.
Forschungsrichtung 1: Strukturmodellierung mit SMT-Logik
Eine zentrale Herausforderung bei der Modellierung technischer Systeme ist die formale Repräsentation hybriden Verhaltens — der Kombination kontinuierlicher physikalischer Dynamiken mit diskreter Steuerungslogik. Unsere Arbeiten verwenden formelle Logik, insb. Satisfiability Modulo Theory (SMT) als Formalismus zur Kodierung von Systemstruktur, Komponentenverhalten und logischen Nebenbedingungen innerhalb eines kohärenten Rahmens. Systemkomponenten werden mit den Observationen des Systems repräsentiert. SMT-Solver operieren dann auf diesen Repräsentationen, um strukturelle Konsistenz durchzusetzen, Widersprüche zu erkennen und gültige Systemzustände abzuleiten. Die hier entwickelten strukturellen Repräsentationen bilden das Fundament der kausalen Modelle in Forschungsrichtung 2 und dienen als formale Systembeschreibungen für die Fehlerdiagnose- und Rekonfigurationsalgorithmen in Forschungsrichtung 3. Das theoretische Fundament, das diese Beiträge vereint, ist ein neuartiger CPS-Modellierungsformalismus, der Ansätze aus KI und Regelungstheorie verbindet und Systemstruktur sowie -verhalten durch SMT über nichtlinearer Arithmetik repräsentiert, wobei sowohl die hybrid diskret-kontinuierliche Natur realer CPS als auch strukturelle Veränderungen über die Systemlebensdauer berücksichtigt werden.
Diedrich, A., Maier, A., & Niggemann, O. (2019). Model-based diagnosis of hybrid systems using satisfiability modulo theory. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 1452–1459. https://doi.org/10.1609/aaai.v33i01.33011452
Heesch, R., Ehrhardt, J., & Niggemann, O. (2023). Integrating machine learning into an SMT-based planning approach for production planning in cyber-physical production systems. ECAI 2023 Workshop on Hybrid Models for Coupling Deductive and Inductive Reasoning (HYDRA), Kraków, Polen.
Heesch, R., Cimatti, A., Ehrhardt, J., Diedrich, A., & Niggemann, O. (2024). A lazy approach to neural numerical planning with control parameters. Proceedings of the 27th European Conference on Artificial Intelligence (ECAI 2024), Santiago de Compostela, Spanien.
Diedrich, A., Heesch, R., Bozzano, M., Ludwig, B., Cimatti, A., & Niggemann, O. (2024). Inferring sensor placement using critical pairs and satisfiability modulo theory. 35th International Conference on Principles of Diagnosis and Resilient Systems (DX 2024), Wien, Österreich.
Diedrich, A., Krysander, M., Heesch, R., & Niggemann, O. (2025). Modelling cyber-physical systems for fault diagnosis. IEEE Transactions on Systems, Man, and Cybernetics: Systems. (SJR Q1)
Forschungsrichtung 2: Kausale Modellierung
Das Verständnis eines technischen Systems erfordert mehr als statistische Korrelation: es erfordert Modelle, die erfassen, wie Variablen durch physikalische Mechanismen aufeinander wirken. Unser Forschungsprogramm entwickelt Methoden zum Lernen und zur Repräsentation kausaler Strukturen in CPS, mit besonderem Augenmerk auf Modularität und hierarchische Organisation. Die hier erzeugten kausalen Modelle sind in den SMT-basierten Systembeschreibungen aus Forschungsrichtung 1 verankert und liefern ihrerseits die strukturierten Fehlersignaturen und Redundanzrelationen, auf die die Diagnose- und Rekonfigurationsmethoden aus Forschungsrichtung 3 aufbauen.
Ein zentraler Beitrag etabliert residuenbasierte Diagnose mithilfe von Systembeschreibungen — Gleichungssystemen, die Sensormessungen mit physikalischen Größen in Beziehung setzen — als Grundlage für die Ableitung analytischer Redundanzrelationen, die eine kausale Fehlerpropagationsanalyse ermöglichen. So haben wir eine Methode entwickelt, um Systembeschreibungen direkt aus Prozessdaten zu lernen und die Abhängigkeit von expertenbasierten Modellen zu verringern. Moddemann et al. stellten Discret2DeepDive vor, einen Deep-Learning-basierten Diskretisierungsansatz, der kontinuierliche CPS-Zeitreihen in die diskreten Zustandsrepräsentationen überführt, die modellbasierte Diagnosealgorithmen benötigen — ein entscheidender Vorverarbeitungsschritt, der die Lücke zwischen rohen Sensordaten und den symbolischen kausalen Modellen schließt, auf denen Forschungsrichtung 3 operiert.
Diedrich, A., & Niggemann, O. (2022). On residual-based diagnosis of physical systems. Engineering Applications of Artificial Intelligence, 109, 104636. https://doi.org/10.1016/j.engappai.2021.104636
Merkelbach, S., Diedrich, A., von Enzberg, S., Niggemann, O., & Dumitrescu, R. (2024). Towards the generation of models for fault diagnosis of CPS using VQA models. Machine Learning for Cyber-Physical Systems (ML4CPS 2024), Berlin, Deutschland.
Diedrich, A., Moddemann, L., & Niggemann, O. (2024). Learning system descriptions for cyber-physical systems. 12th IFAC Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS 2024), Ferrara, Italien.
Moddemann, L., Steude, H. S., Diedrich, A., Pill, I., & Niggemann, O. (2024). Extracting knowledge using machine learning for anomaly detection and root-cause diagnosis. 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2024), Padova, Italien.
Ludwig, B., Diedrich, A., & Niggemann, O. (2024). Using ontologies to create logical system descriptions for fault diagnosis. 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2024), Padova, Italien.
Heesch, R; Eilermann, S; Windmann, A; Diedrich, A; Niggemann, O. (2025). Evaluating Large Language Models for Real-World Engineering Tasks, Australasian Joint Conference on Artificial Intelligence
Diedrich, A., Moddemann, L., & Niggemann, O. (2026). On validating propositional logic system descriptions for fault diagnosis. Engineering Applications of Artificial Intelligence, 165, 113379. (SJR Q1)
Forschungsrichtung 3: Anomalieerkennung, Diagnose und Rekonfiguration
Das operative Ziel unserer Modellierungsarbeiten ist es, technischen Systemen zu ermöglichen, Fehler autonom zu erkennen, zu diagnostizieren und darauf zu reagieren. In kurz: Intelligente, resiliente System zu schaffen. Diese drei Aufgaben — Anomalieerkennung, Diagnose und Rekonfiguration — sind in unserem Rahmen eng miteinander verknüpft und werden gemeinsam statt isoliert entwickelt. Die formalen Systembeschreibungen aus Forschungsrichtung 1 definieren, was Konsistenz für ein gegebenes System bedeutet, während die kausalen Redundanzrelationen aus Forschungsrichtung 2 bestimmen, welche Fehler prinzipiell erkenn- und isolierbar sind. Forschungsrichtung 3 schließt den Kreislauf, indem diese Repräsentationen in laufende, adaptive Fehlerbehandlungssysteme überführt werden.
Modulare neuronale Netze, die so strukturiert sind, dass sie die physikalische Subsystemtopologie eines CPS widerspiegeln, wurden auf der ETFA 2024 als Mittel zur Verbesserung der Anomalieerkennungsqualität vorgestellt. Die Extraktion von Diagnosewissen aus Daten zur Ermöglichung von Anomalieerkennung und Ursachenanalyse mit reduziertem Modellierungsaufwand wurde ebenfalls auf der ETFA 2024 präsentiert. Der CAIPI-Workshop auf der ECAI hat sich als wiederkehrendes Forum für Arbeiten an der Schnittstelle von Planung, Kausalität und KI für physikalische Systeme etabliert, mit Beiträgen zu gradientenbasierter Optimierung für die Planung und zum Lernen korrekter und vollständiger Vorbedingungen in komplexen realen Domänen. Die Rolle großer Sprachmodelle bei der Unterstützung diagnostischen Reasonings wurde von Sztyber-Betley et al. untersucht, indem die Frage gestellt wurde, ob grundlegende Diagnosekonzepte für aktuelle LLMs erreichbar sind.
Steude, H. S., Moddemann, L., Diedrich, A., Ehrhardt, J., & Niggemann, O. (2023). Diagnosis driven anomaly detection for CPS. 34th International Workshop on Principles of Diagnosis (DX 2023), Loma Mar, USA.
Ehrhardt, J., Overlöper, P., Vranješ, D., Steude, H. S., Diedrich, A., & Niggemann, O. (2024). Using modular neural networks for anomaly detection in cyber-physical systems. 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2024), Padova, Italien.
Moddemann, L., Steude, H. S., Diedrich, A., Pill, I., & Niggemann, O. (2024). Extracting knowledge using machine learning for anomaly detection and root-cause diagnosis. 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2024), Padova, Italien.
Ehrhardt, J., Schmidt, J., Heesch, R., & Niggemann, O. (2025). Using gradient-based optimization for planning with deep Q-networks in parametrized action spaces. ECAI 2025 Workshop on AI-based Planning for Complex Real-World Applications (CAIPI’25), Bologna, Italien.
Heesch, R., Ludwig, B., Ehrhardt, J., Diedrich, A., & Niggemann, O. (2025). Learning sound and complete preconditions in complex real-world domains. ECAI 2025 Workshop on AI-based Planning for Complex Real-World Applications (CAIPI’25), Bologna, Italien.
Sztyber-Betley, A., Chanthery, E., Travé-Massuyès, L., Merkelbach, S., Diedrich, A., & Niggemann, O. (2025). Are diagnostic concepts within the reach of LLMs? 36th International Conference on Principles of Diagnosis and Resilient Systems (DX’25), Nashville, TN, USA.
Overlöper, P. J., Diedrich, A., & Niggemann, O. (2026). State-learning of time series data with contrastive learning. In Proceedings of the IEEE Conference on Artificial Intelligence (CAI). IEEE.
Steude, H. S., Diedrich, A., Pill, I., Moddemann, L., Vranješ, D., & Niggemann, O. (2026). Data-driven diagnosis for large cyber-physical systems with minimal prior information. In Proceedings of the IEEE Conference on Artificial Intelligence (CAI). IEEE.
Forschungsrichtung 4: Quantencomputing für die Diagnose
Die Erzeugung aller Diagnosen für ein komplexes System ist ein NP-vollständiges Problem, weshalb klassische Ansätze auf unvollständige Suchheuristiken angewiesen sind. Quantencomputer bieten ein grundlegend anderes Berechnungsmodell, das diese Einschränkungen überwinden könnte. Diese Forschungsrichtung ergänzt das symbolische Diagnoseframework aus Forschungsrichtung 3, indem sie dessen fundamentalen Rechenengpass adressiert: Während Forschungsrichtung 3 prinzipiell bestimmt, was die korrekten Diagnosen sind, untersucht diese Richtung, wie sie vollständig und in großem Maßstab effizient gefunden werden können. Frühe theoretische Grundlagen zur Bereitschaft von Quantenoptimierungshardware für industrielle Anwendungen wurden in Zusammenarbeit mit Forschenden der NASA, Google und D-Wave erarbeitet. Darauf aufbauend wandten Diedrich et al. Quantenalgorithmen direkt auf die modellbasierte CPS-Diagnose an und schlugen Ansätze auf Basis des Grover-Algorithmus sowie des Quantum Approximate Optimization Algorithm (QAOA) vor, die auf einem IBM-Falcon-Quantenprozessor anhand etablierter Prozessindustrie-Benchmarks evaluiert wurden. Obwohl aktuelle Einschränkungen der Quantenhardware die Skalierbarkeit derzeit begrenzen, positioniert diese Forschungslinie das Quantencomputing als langfristigen Weg zu einer vollständigen Diagnose in komplexen Systemen.
Perdomo-Ortiz, A., Feldman, A., Ozaeta, A., Isakov, S. V., Zhu, Z., O’Gorman, B., et al. (2017). On the readiness of quantum optimization machines for industrial applications. Physical Review Applied. https://doi.org/10.1103/PhysRevApplied.8.014004
Diedrich, A., Windmann, S., & Niggemann, O. (2024). Solving industrial fault diagnosis problems with quantum computers. Quantum Machine Intelligence, 6, 66. https://doi.org/10.1007/s42484-024-00184-x (SJR Q1)
Auswahl an aktuellen Projekten
DTEC: (K)ISS – Künstliche Intelligenz für die Diagnose der Internationalen Raumstation ISS
This project develops AI-based solutions to support ground station operators in monitoring and diagnosing the International Space Station (ISS). With over 20,000 sensors generating complex data streams, the project combines machine learning methods with symbolic AI to automatically detect anomalies, identify root causes of failures, and assist operators in real-time decision-making. It is funded through dtec.bw and involves both Helmut Schmidt University Hamburg and the Bundeswehr University Munich, with industry partners including Airbus Defence & Space. The project won the Airbus internal DevOps Innovation Award.
DTEC: ProMoDi – Produktionsnahe Modellwerkstatt zur Forschung an Digitalisierungsthemen im Bereich der Flugzeuginstandhaltung
ProMoDi (Production-Oriented Model Workshop for Research on Digitalization Topics in Aircraft Maintenance) investigates digitalization challenges specific to aircraft maintenance, using a model workshop environment that closely mirrors real production conditions to develop and test new digital methods and processes.
DTEC: KIPRO – KI-basierte Assistenzsystemplattform für Produktionsprozesse
KIPRO develops an AI-powered assistance system platform for manufacturing environments, with a focus on woodworking machinery — a field traditionally characterized by high levels of manual work and growing product variety. The platform uses machine learning to provide personalized operator support, automatically adapt machine configurations, and detect errors early. It also enables flexible workforce deployment by matching employees to tasks according to their skill levels, aiming to improve both productivity and employee competency development. The project is funded by dtec.bw and hosted at Helmut Schmidt University.
DFG: Nutzung von Large Language Models zur Generierung modularer Anomalieerkennungslösungen in der Automation
Das Projekt entwickelt Methoden, um datenbasierte Anomalieerkennung in der industriellen Automation durch Nutzung von Vorwissen über das betrachtete System robuster und genauer zu machen. Dafür werden Large Language Models eingesetzt, um aus Anlagendokumenten eine modulare Struktur- und Dynamikbeschreibung der Anlage zu gewinnen. Dieses Vorwissen wird anschließend in ein physikalisch informiertes KI-Modell zur Anomalieerkennung integriert. Die Ansätze werden exemplarisch an automatisierten Produktionsanlagen unterschiedlicher Komplexität evaluiert.
Publizierte Benchmarks
Ehrhardt, J., Ramonat, M., Heesch, R., Balzereit, K., Diedrich, A., & Niggemann, O. (2022). An AI benchmark for diagnosis, reconfiguration & planning. 27th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2022), Stuttgart, Deutschland.
Moddemann, L., Ehrhardt, J., Diedrich, A., & Niggemann, O. (2025, September). The HAI-CPPS Benchmark: Evaluating AI Capabilities across
Letzte Änderung: 2. März 2026