Maschinelles Lernen

Kontakt: Alexander Windmann

Cyber-physische Systeme erzeugen große Mengen Daten unter wechselnden Betriebsbedingungen. Rein datengetriebene Verfahren sind dabei oft nicht robust genug und lassen sich nur eingeschränkt auf neue Anwendungen übertragen. Unser Forschungsprogramm verbindet maschinelles Lernen mit physikalischem Systemwissen, um Methoden zu entwickeln, die in der industriellen Praxis verlässlich und übertragbar sind. Die sechs Themenfelder reichen von der Überwachung und Analyse technischer Systeme über die physikalisch fundierte Modellierung bis hin zur Automatisierung von Entwurfs- und Arbeitsprozessen.

1) Robustes und verlässliches Maschinelles Lernen für cyber-physische Systeme

Typische Sensorfehler in technischen Systemen.

Maschinelles Lernen für cyber-physische Systeme muss auch unter realistischen Störungen verlässlich funktionieren. In diesem Themenfeld werden Lernverfahren untersucht, die mit Rauschen, Drift, fehlenden Werten und veränderten Betriebsbedingungen umgehen können. Ziel ist nicht nur eine hohe Leistung im Labor, sondern ein stabiles Verhalten im industriellen Einsatz.

Ein weiterer Schwerpunkt ist die systematische Bewertung von Robustheit. Dazu gehören belastbare Benchmarks, reproduzierbare Versuchsaufbauten und die Analyse, wie sich Modellierungsentscheidungen auf die Verlässlichkeit in der Praxis auswirken. Robustheit wird damit als messbare technische Eigenschaft verstanden, die gezielt bewertet und verbessert werden kann.

Zugehörige Veröffentlichungen

  • Alexander Windmann, Henrik Steude, Daniel Boschmann, Oliver Niggemann: Quantifying Robustness: A Benchmarking Framework for Deep Learning Forecasting in Cyber-Physical Systems, 30th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Porto, Portugal, 2025. https://doi.org/10.1109/ETFA65518.2025.11205527
  • Joshua Schraven, Alexander Windmann, Oliver Niggemann: MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection, 12th International Conference on Information Systems Security and Privacy, Marbella, Spanien, 2026. https://arxiv.org/abs/2506.17041
  • Daniel Vranješ, Jonas Ehrhardt, René Heesch, Lukas Moddemann, Henrik Steude, Oliver Niggemann: Design Principles for Falsifiable, Replicable and Reproducible Empirical Machine Learning Research, The 35th International Conference on Principles of Diagnosis and Resilient Systems, Wien, Österreich, 2024 https://doi.org/10.4230/OASIcs.DX.2024.7

2) Zustandsüberwachung, Anomalieerkennung und Ursachenanalyse

Cyber-physische Systeme erzeugen im laufenden Betrieb große Mengen heterogener Prozess- und Sensordaten. In diesem Themenfeld werden lernbasierte Verfahren zur Zustandsüberwachung und Anomalieerkennung entwickelt, die ungewöhnliches Verhalten frühzeitig erkennen und den zuverlässigen Betrieb komplexer technischer Systeme unterstützen. Im Mittelpunkt stehen Ansätze, die auch unter realistischen Einsatzbedingungen belastbare Ergebnisse liefern.

Ein zentrales Anliegen ist die engere Verbindung von Anomalieerkennung und Diagnose. Anomalien sollen nicht nur gemeldet, sondern in aussagekräftige Symptome überführt und für eine ursachenorientierte Analyse nutzbar gemacht werden. So entsteht ein durchgängiger Weg von Rohdaten aus der Anlage hin zu verwertbarem Systemverständnis.

Zugehörige Veröffentlichungen

  • Lukas Moddemann, Henrik Sebastian Steude, Alexander Diedrich, Ingo Pill, Oliver Niggemann: Extracting Knowledge using Machine Learning for Anomaly Detection and Root-Cause Diagnosis, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024. https://doi.org/10.1109/ETFA61755.2024.10710647
  • Henrik Sebastian Steude, Lukas Moddemann, Alexander Diedrich, Jonas Ehrhardt, Oliver Niggemann: Diagnosis driven Anomaly Detection for Cyber-Physical Systems, 12th IFAC Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS), Ferrara, Italien, 2024. https://doi.org/10.1016/j.ifacol.2024.07.186
  • Mark Tappe, Lukas Moddemann, Henrik Steude et al.: A supervised AI-based toolchain for anomaly detection, diagnosis, and reconfiguration for the life-support system of the COLUMBUS module of the ISS, CEAS Space Journal, 2025.  https://doi.org/10.1007/s12567-025-00654-3

3) Strukturbewusstes Lernen und virtuelle Sensorik

Technische Systeme sind modular aufgebaut, hierarchisch organisiert und durch zahlreiche Abhängigkeiten zwischen Komponenten und Signalen geprägt. In diesem Themenfeld werden Lernverfahren entwickelt, die diese Struktur gezielt nutzen. Dadurch entstehen Modelle, die besser zu realen Anlagen passen, leichter verständlich sind und sich gezielter für industrielle Analyseaufgaben einsetzen lassen.

Dazu gehören auch Verfahren, die fehlende Informationen aus verwandten Messgrößen rekonstruieren und virtuelle Sensoren aus vorhandenen Signalen ableiten. Solche Ansätze verbessern die Beobachtbarkeit technischer Systeme und erhöhen die Belastbarkeit datenbasierter Analysen bei unvollständiger oder gestörter Sensorik.

Zugehörige Veröffentlichungen

  • Jonas Ehrhardt, Phillip Overlöper, Dainel Vranjes, Henrik Sebastian Steude, Alexander Diedrich, Oliver Niggemann: Using Modular Neural Networks for Anomaly Detection in Cyber-Physical Systems, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024. https://doi.org/10.1109/ETFA61755.2024.10711115
  • Phillip Overlöper, Lukas Moddemann, Nemanja Hranisavljevic, Alexander Windmann, Oliver Niggemann: Discretization of CPS Time Series with Neural Networks, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024. https://doi.org/10.1109/ETFA61755.2024.10710901
  • Björn Ludwig, Jonas Ehrhardt, Oliver Niggemann: Creating Virtual Sensors Using Neural Networks, 30th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Porto, Portugal, 2025. https://doi.org/10.1109/ETFA65518.2025.11205672

4) Maschinelles Lernen für dynamische Systeme

Viele technische Prozesse sind durch kontinuierliche Dynamiken, äußere Einflüsse und nichtlineare zeitliche Verläufe geprägt. In diesem Themenfeld werden Lernverfahren entwickelt, die diese Eigenschaften gezielt modellieren, etwa mit kontinuierlichen Ansätzen, neuronalen Differentialgleichungen und verwandten Modellen für technische Systeme.

Ein zentrales Ziel ist die Verbindung datengetriebener Verfahren mit Vorwissen über das Systemverhalten. Dadurch entstehen Modelle, die besser verallgemeinern, leichter interpretierbar bleiben und sich für Analyse, Simulation und Vorhersage in ingenieurwissenschaftlichen Anwendungen eignen.

Zugehörige Veröffentlichungen

  • Bernd Zimmering, Cecilia Coelho, Vaibhav Gupta, Maria Maleshkova, Oliver Niggemann: Breaking Free: Decoupling Forced Systems with Laplace Neural Networks, European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), Porto, Portugal, 2025.  https://doi.org/10.1007/978-3-032-06109-6_15
  • Bernd Zimmering, Jan-Philipp Roche, Oliver Niggemann: Enhancing Nonlinear Electrical Circuit Modeling with Prior Knowledge-Infused Neural ODEs, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024.  https://doi.org/10.1109/ETFA61755.2024.10711112
  • Sebastian Eilermann, Lisa Lüddecke, Michael Hohmann, Bernd Zimmering, Mario Oertel, Oliver Niggemann: A Neural Ordinary Differential Equations Approach for 2D Flow Properties Analysis of Hydraulic Structures, 1st ECAI Workshop on Machine Learning Meets Differential Equations: From Theory to Applications, Santiago de Compostela, Spanien, 2024. https://proceedings.mlr.press/v255/eilermann24a.html

5) Sprachmodelle und multimodale KI-Modelle für technische Arbeitsabläufe

Große Sprachmodelle und verwandte KI-Modelle eröffnen neue Möglichkeiten für technische Arbeitsabläufe. In diesem Themenfeld wird untersucht, wie gut solche Modelle bei realistischen ingenieurwissenschaftlichen Aufgaben abschneiden und in welchen Bereichen sie Dokumentation, Anleitungserstellung und wissensintensive Assistenz unterstützen können.

Im Vordergrund steht der praktische Nutzen im technischen Kontext und nicht die allgemeine Leistung eines Chatbots. Dazu gehören aufgabenbezogene Bewertungen, domänenspezifische Problemstellungen und die Kombination sprachbasierter Verfahren mit weiteren KI-Methoden, wenn dies in realen Arbeitsabläufen einen erkennbaren Mehrwert schafft.

Zugehörige Veröffentlichungen

  • René Heesch, Sebastian Eilermann, Alexander Windmann, Alexander Diedrich, Oliver Niggemann: Evaluating Large Language Models for Real-World Engineering Tasks, Australasian Joint Conference on Artificial Intelligence 2025, Canberra, Australien, 2025.  https://doi.org/10.1007/978-981-95-4969-6_5
  • Frederic Meyer, Lennart Freitag, Sven Hinrichsen, Oliver Niggemann: Potentials of Large Language Models for Generating Assembly Instructions, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024.  https://doi.org/10.1109/ETFA61755.2024.10710806
  • Niklas Widulle, Frederic Meyer, Oliver Niggemann: Generating Assembly Instructions Using Reinforcement Learning in Combination with Large Language Models, 22nd IEEE International Conference on Industrial Informatics (INDIN), Beijing, China, 2024.  https://doi.org/10.1109/INDIN58382.2024.10774545

6) KI für Entwurfsautomatisierung und 3D-Modellierung

Maschinelles Lernen kann den technischen Entwurf unterstützen, indem es Varianten unter Randbedingungen erzeugt, Entwurfsräume erschließt und geometrische Repräsentationen mit funktionalen Anforderungen verknüpft. In diesem Themenfeld werden generative Verfahren mit Entwurfsautomatisierung und 3D-Modellierung für technische Anwendungen verbunden.

Ziel ist nicht die reine Formgenerierung, sondern die Unterstützung strukturierter Entwicklungsprozesse. Dadurch wird KI-gestützte Entwurfsunterstützung für Anwendungen relevant, in denen Geometrie, Randbedingungen und Herstellbarkeit gemeinsam berücksichtigt werden müssen.

Zugehörige Veröffentlichungen

  • Michael Hohmann, Sebastian Eilermann, Willi Großmann, Oliver Niggemann: Design Automation: A Conditional VAE Approach to 3D Object Generation under Conditions, 29th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Padova, Italien, 2024.  https://doi.org/10.1109/ETFA61755.2024.10710828
  • Michael Hohmann, Adili Yiming, Lars Penter, Steffen Ihlenfeldt, Oliver Niggemann: A Data-Driven Approach for Automating the Design Process of Deep Drawing Tools, The 13th International Conference and Workshop on Numerical Simulation of 3D Sheet Metal Forming Process (NUMISHEET), München, Deutschland, 2025. https://doi.org/10.1088/1742-6596/3104/1/012061
  • Sebastian Eilermann, René Heesch, Oliver Niggemann: ConTiCoM-3D: A Continuous-Time Consistency Model for 3D Point Cloud Generation, International Conference on 3D Vision 2026, Vancouver, Kanada.  https://arxiv.org/abs/2509.01492

Auswahl an aktuellen Projekten

dtec.bw: SmartShip – Digitale Zwillinge für intelligente Schiffe und Schiffsflotten
SmartShip erforscht, wie digitale Zwillinge sowie Methoden der künstlichen Intelligenz und des maschinellen Lernens maritime Einsätze unterstützen können. Dazu werden heterogene Datenquellen wie Navigations-, Kamera- und Maschinendaten zusammengeführt, um Schiffsbetrieb und Flottenverhalten besser zu analysieren, Anomalien frühzeitig zu erkennen und datenbasierte Entscheidungen zu unterstützen.

dtec.bw: KIPro – KI-basierte Assistenzsystemplattform für komplexe Produktionsprozesse im Maschinen- und Anlagenbau
KIPro entwickelt KI-basierte Assistenzsysteme, die Beschäftigte entlang des gesamten Arbeitsprozesses bedarfsgerecht unterstützen. Dazu gehören die automatische Anpassung von Anlagenkonfigurationen, die frühzeitige Fehlererkennung sowie eine flexible Produktionsunterstützung, die Qualifikationen und Arbeitsaufkommen berücksichtig

DFG: Datenbasierte Werkzeugeinarbeitung in der Blechumformung
Dieses Projekt entwickelt Verfahren des maschinellen Lernens für die datenbasierte Werkzeugeinarbeitung in der Blechumformung. Ziel ist es, die Gestaltung von Werkzeugaktivflächen und Maschinenparametern aus Daten zu erlernen und die bislang stark erfahrungsbasierte Werkzeugeinarbeitung gezielt zu unterstützen und schrittweise zu automatisieren.

BMFTR: BioMLAgrar-2 – Biodiversität, Maschinelles Lernen und Agrarwirtschaft
BioMLAgrar-2 untersucht, wie datengetriebene Analyse- und Prognosemodelle zur Unterstützung des Biodiversitätsmanagements in der Landwirtschaft eingesetzt werden können. Ein besonderer Schwerpunkt liegt auf ML-Verfahren, die auch bei begrenzter Datenlage belastbare Modelle ermöglichen und fachliches Expertenwissen in die Modellbildung einbeziehen.

HSU

Letzte Änderung: 18. März 2026