![\"\"](\"https:\/\/www.hsu-hh.de\/imb\/wp-content\/uploads\/sites\/677\/2026\/04\/T1.jpg\")
<\/figure>\n\n\n\nMaschinelles Lernen f\u00fcr cyber-physische Systeme muss auch unter realistischen St\u00f6rungen verl\u00e4sslich funktionieren. In diesem Themenfeld werden Lernverfahren untersucht, die mit Rauschen, Drift, fehlenden Werten und ver\u00e4nderten Betriebsbedingungen umgehen k\u00f6nnen. Ziel ist nicht nur eine hohe Leistung im Labor, sondern ein stabiles Verhalten im industriellen Einsatz.<\/p>\n\n\n\n
Ein weiterer Schwerpunkt ist die systematische Bewertung von Robustheit. Dazu geh\u00f6ren belastbare Benchmarks, reproduzierbare Versuchsaufbauten und die Analyse, wie sich Modellierungsentscheidungen auf die Verl\u00e4sslichkeit in der Praxis auswirken. Robustheit wird damit als messbare technische Eigenschaft verstanden, die gezielt bewertet und verbessert werden kann.<\/p>\n\n\n\n
Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n 2) Zustands\u00fcberwachung, Anomalieerkennung und Ursachenanalyse<\/strong><\/p>\n\n\n\n Cyber-physische Systeme erzeugen im laufenden Betrieb gro\u00dfe Mengen heterogener Prozess- und Sensordaten. In diesem Themenfeld werden lernbasierte Verfahren zur Zustands\u00fcberwachung und Anomalieerkennung entwickelt, die ungew\u00f6hnliches Verhalten fr\u00fchzeitig erkennen und den zuverl\u00e4ssigen Betrieb komplexer technischer Systeme unterst\u00fctzen. Im Mittelpunkt stehen Ans\u00e4tze, die auch unter realistischen Einsatzbedingungen belastbare Ergebnisse liefern.<\/p>\n\n\n\n Ein zentrales Anliegen ist die engere Verbindung von Anomalieerkennung und Diagnose. Anomalien sollen nicht nur gemeldet, sondern in aussagekr\u00e4ftige Symptome \u00fcberf\u00fchrt und f\u00fcr eine ursachenorientierte Analyse nutzbar gemacht werden. So entsteht ein durchg\u00e4ngiger Weg von Rohdaten aus der Anlage hin zu verwertbarem Systemverst\u00e4ndnis.<\/p>\n\n\n\n Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n 3) Strukturbewusstes Lernen und virtuelle Sensorik<\/strong><\/p>\n\n\n\n Technische Systeme sind modular aufgebaut, hierarchisch organisiert und durch zahlreiche Abh\u00e4ngigkeiten zwischen Komponenten und Signalen gepr\u00e4gt. In diesem Themenfeld werden Lernverfahren entwickelt, die diese Struktur gezielt nutzen. Dadurch entstehen Modelle, die besser zu realen Anlagen passen, leichter verst\u00e4ndlich sind und sich gezielter f\u00fcr industrielle Analyseaufgaben einsetzen lassen.<\/p>\n\n\n\n Dazu geh\u00f6ren auch Verfahren, die fehlende Informationen aus verwandten Messgr\u00f6\u00dfen rekonstruieren und virtuelle Sensoren aus vorhandenen Signalen ableiten. Solche Ans\u00e4tze verbessern die Beobachtbarkeit technischer Systeme und erh\u00f6hen die Belastbarkeit datenbasierter Analysen bei unvollst\u00e4ndiger oder gest\u00f6rter Sensorik.<\/p>\n\n\n\n Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n 4) Maschinelles Lernen f\u00fcr dynamische Systeme<\/strong><\/p>\n\n\n\n Viele technische Prozesse sind durch kontinuierliche Dynamiken, \u00e4u\u00dfere Einfl\u00fcsse und nichtlineare zeitliche Verl\u00e4ufe gepr\u00e4gt. In diesem Themenfeld werden Lernverfahren entwickelt, die diese Eigenschaften gezielt modellieren, etwa mit kontinuierlichen Ans\u00e4tzen, neuronalen Differentialgleichungen und verwandten Modellen f\u00fcr technische Systeme.<\/p>\n\n\n\n Ein zentrales Ziel ist die Verbindung datengetriebener Verfahren mit Vorwissen \u00fcber das Systemverhalten. Dadurch entstehen Modelle, die besser verallgemeinern, leichter interpretierbar bleiben und sich f\u00fcr Analyse, Simulation und Vorhersage in ingenieurwissenschaftlichen Anwendungen eignen.<\/p>\n\n\n\n Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n 5) Sprachmodelle und multimodale KI-Modelle f\u00fcr technische Arbeitsabl\u00e4ufe<\/strong><\/p>\n\n\n\n Gro\u00dfe Sprachmodelle und verwandte KI-Modelle er\u00f6ffnen neue M\u00f6glichkeiten f\u00fcr technische Arbeitsabl\u00e4ufe. In diesem Themenfeld wird untersucht, wie gut solche Modelle bei realistischen ingenieurwissenschaftlichen Aufgaben abschneiden und in welchen Bereichen sie Dokumentation, Anleitungserstellung und wissensintensive Assistenz unterst\u00fctzen k\u00f6nnen.<\/p>\n\n\n\n Im Vordergrund steht der praktische Nutzen im technischen Kontext und nicht die allgemeine Leistung eines Chatbots. Dazu geh\u00f6ren aufgabenbezogene Bewertungen, dom\u00e4nenspezifische Problemstellungen und die Kombination sprachbasierter Verfahren mit weiteren KI-Methoden, wenn dies in realen Arbeitsabl\u00e4ufen einen erkennbaren Mehrwert schafft.<\/p>\n\n\n\n Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n 6) KI f\u00fcr Entwurfsautomatisierung und 3D-Modellierung<\/strong><\/p>\n\n\n\n Maschinelles Lernen kann den technischen Entwurf unterst\u00fctzen, indem es Varianten unter Randbedingungen erzeugt, Entwurfsr\u00e4ume erschlie\u00dft und geometrische Repr\u00e4sentationen mit funktionalen Anforderungen verkn\u00fcpft. In diesem Themenfeld werden generative Verfahren mit Entwurfsautomatisierung und 3D-Modellierung f\u00fcr technische Anwendungen verbunden.<\/p>\n\n\n\n Ziel ist nicht die reine Formgenerierung, sondern die Unterst\u00fctzung strukturierter Entwicklungsprozesse. Dadurch wird KI-gest\u00fctzte Entwurfsunterst\u00fctzung f\u00fcr Anwendungen relevant, in denen Geometrie, Randbedingungen und Herstellbarkeit gemeinsam ber\u00fccksichtigt werden m\u00fcssen.<\/p>\n\n\n\n Zugeh\u00f6rige Ver\u00f6ffentlichungen<\/strong><\/p>\n\n\n\n Auswahl an aktuellen Projekten<\/strong><\/p>\n\n\n\n dtec.bw: SmartShip \u2013 Digitale Zwillinge f\u00fcr intelligente Schiffe und Schiffsflotten<\/strong> dtec.bw: KIPro \u2013 KI-basierte Assistenzsystemplattform f\u00fcr komplexe Produktionsprozesse im Maschinen- und Anlagenbau<\/strong> DFG: Datenbasierte Werkzeugeinarbeitung in der Blechumformung<\/strong> BMFTR: BioMLAgrar-2 \u2013 Biodiversit\u00e4t, Maschinelles Lernen und Agrarwirtschaft<\/strong> <\/p>\n","protected":false},"excerpt":{"rendered":" Kontakt: Alexander Windmann Cyber-physische Systeme erzeugen gro\u00dfe Mengen Daten unter wechselnden Betriebsbedingungen. Rein datengetriebene Verfahren sind dabei oft nicht robust genug und lassen sich nur eingeschr\u00e4nkt auf neue Anwendungen \u00fcbertragen. […]<\/p>\n","protected":false},"author":2852,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-3130","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3130","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/users\/2852"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/comments?post=3130"}],"version-history":[{"count":33,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3130\/revisions"}],"predecessor-version":[{"id":3567,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3130\/revisions\/3567"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/media?parent=3130"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/categories?post=3130"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/tags?post=3130"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
![\"\"](\"https:\/\/www.hsu-hh.de\/imb\/wp-content\/uploads\/sites\/677\/2026\/04\/T2-1024x416.jpg\")
<\/figure>\n\n\n\n\n
![\"\"](\"https:\/\/www.hsu-hh.de\/imb\/wp-content\/uploads\/sites\/677\/2026\/04\/T3-1024x429.jpg\")
<\/figure>\n\n\n\n\n
![\"\"](\"https:\/\/www.hsu-hh.de\/imb\/wp-content\/uploads\/sites\/677\/2026\/04\/T4-1024x470.jpg\")
<\/figure>\n\n\n\n\n
\n
\n
SmartShip erforscht, wie digitale Zwillinge sowie Methoden der k\u00fcnstlichen Intelligenz und des maschinellen Lernens maritime Eins\u00e4tze unterst\u00fctzen k\u00f6nnen. Dazu werden heterogene Datenquellen wie Navigations-, Kamera- und Maschinendaten zusammengef\u00fchrt, um Schiffsbetrieb und Flottenverhalten besser zu analysieren, Anomalien fr\u00fchzeitig zu erkennen und datenbasierte Entscheidungen zu unterst\u00fctzen.<\/p>\n\n\n\n
KIPro entwickelt KI-basierte Assistenzsysteme, die Besch\u00e4ftigte entlang des gesamten Arbeitsprozesses bedarfsgerecht unterst\u00fctzen. Dazu geh\u00f6ren die automatische Anpassung von Anlagenkonfigurationen, die fr\u00fchzeitige Fehlererkennung sowie eine flexible Produktionsunterst\u00fctzung, die Qualifikationen und Arbeitsaufkommen ber\u00fccksichtig<\/p>\n\n\n\n
Dieses Projekt entwickelt Verfahren des maschinellen Lernens f\u00fcr die datenbasierte Werkzeugeinarbeitung in der Blechumformung. Ziel ist es, die Gestaltung von Werkzeugaktivfl\u00e4chen und Maschinenparametern aus Daten zu erlernen und die bislang stark erfahrungsbasierte Werkzeugeinarbeitung gezielt zu unterst\u00fctzen und schrittweise zu automatisieren.<\/p>\n\n\n\n
BioMLAgrar-2 untersucht, wie datengetriebene Analyse- und Prognosemodelle zur Unterst\u00fctzung des Biodiversit\u00e4tsmanagements in der Landwirtschaft eingesetzt werden k\u00f6nnen. Ein besonderer Schwerpunkt liegt auf ML-Verfahren, die auch bei begrenzter Datenlage belastbare Modelle erm\u00f6glichen und fachliches Expertenwissen in die Modellbildung einbeziehen.<\/p>\n\n\n\n