{"id":3134,"date":"2026-03-02T14:16:35","date_gmt":"2026-03-02T13:16:35","guid":{"rendered":"https:\/\/www.hsu-hh.de\/imb\/?page_id=3134"},"modified":"2026-03-18T14:17:53","modified_gmt":"2026-03-18T13:17:53","slug":"symbolische-kuenstliche-intelligenz","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/imb\/symbolische-kuenstliche-intelligenz","title":{"rendered":"Symbolische K\u00fcnstliche Intelligenz"},"content":{"rendered":"\n

Kontakt: Dr.<\/abbr> rer.<\/abbr> nat. Alexander Diedrich<\/p>\n\n\n\n

Moderne cyber-physische Systeme (CPS) sind hierarchisch organisiert, modular aufgebaut und zunehmend durch lernbasierte Komponenten gepr\u00e4gt. Rein datengetriebene Ans\u00e4tze sto\u00dfen in sicherheitskritischen und industriellen Anwendungen an strukturelle Grenzen: Sie repr\u00e4sentieren weder explizite Ursache-Wirkungs-Beziehungen noch ber\u00fccksichtigen sie die kompositionelle Architektur realer technischer Systeme. Unser Forschungsprogramm entwickelt formal fundierte Systemmodelle, die sich in neuro-symbolische Architekturen f\u00fcr 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 erg\u00e4nzen \u2014 von der Systemmodellierung \u00fcber die Fehlererkennung bis hin zu automatisierten Eingriffen. <\/p>\n\n\n\n

Forschungsrichtung 1: Strukturmodellierung mit SMT-Logik<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Eine zentrale Herausforderung bei der Modellierung technischer Systeme ist die formale Repr\u00e4sentation hybriden Verhaltens \u2014 der Kombination kontinuierlicher physikalischer Dynamiken mit diskreter Steuerungslogik. Unsere Arbeiten verwenden formelle Logik, insb.<\/abbr> Satisfiability Modulo Theory (SMT) als Formalismus zur Kodierung von Systemstruktur, Komponentenverhalten und logischen Nebenbedingungen innerhalb eines koh\u00e4renten Rahmens. Systemkomponenten werden mit den Observationen des Systems repr\u00e4sentiert. <\/p>\n<\/div><\/div>\n\n\n\n

SMT-Solver operieren dann auf diesen Repr\u00e4sentationen, um strukturelle Konsistenz durchzusetzen, Widerspr\u00fcche zu erkennen und g\u00fcltige Systemzust\u00e4nde abzuleiten. Die hier entwickelten strukturellen Repr\u00e4sentationen bilden das Fundament der kausalen Modelle in Forschungsrichtung 2 und dienen als formale Systembeschreibungen f\u00fcr die Fehlerdiagnose- und Rekonfigurationsalgorithmen in Forschungsrichtung 3. Das theoretische Fundament, das diese Beitr\u00e4ge vereint, ist ein neuartiger CPS-Modellierungsformalismus, der Ans\u00e4tze aus KI und Regelungstheorie verbindet und Systemstruktur sowie -verhalten durch SMT \u00fcber nichtlinearer Arithmetik repr\u00e4sentiert, wobei sowohl die hybrid diskret-kontinuierliche Natur realer CPS als auch strukturelle Ver\u00e4nderungen \u00fcber die Systemlebensdauer ber\u00fccksichtigt 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<\/em>(01), 1452\u20131459. https:\/\/doi.org\/10.1609\/aaai.v33i01.33011452<\/a><\/p>\n\n\n\n

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)<\/em>, Krak\u00f3w, Polen.<\/p>\n\n\n\n

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)<\/em>, Santiago de Compostela, Spanien.<\/p>\n\n\n\n

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)<\/em>, Wien, \u00d6sterreich.<\/p>\n\n\n\n

Diedrich, A., Krysander, M., Heesch, R., & Niggemann, O. (2025). Modelling cyber-physical systems for fault diagnosis. IEEE Transactions on Systems, Man, and Cybernetics: Systems<\/em>. (SJR Q1)<\/p>\n\n\n\n

Forschungsrichtung 2: Kausale Modellierung<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Das Verst\u00e4ndnis 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 Repr\u00e4sentation kausaler Strukturen in CPS, mit besonderem Augenmerk auf Modularit\u00e4t 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.<\/p>\n<\/div><\/div>\n\n\n\n

Ein zentraler Beitrag etabliert residuenbasierte Diagnose mithilfe von Systembeschreibungen \u2014 Gleichungssystemen, die Sensormessungen mit physikalischen Gr\u00f6\u00dfen in Beziehung setzen \u2014 als Grundlage f\u00fcr die Ableitung analytischer Redundanzrelationen, die eine kausale Fehlerpropagationsanalyse erm\u00f6glichen. So haben wir eine Methode entwickelt, um Systembeschreibungen direkt aus Prozessdaten zu lernen und die Abh\u00e4ngigkeit von expertenbasierten Modellen zu verringern. Moddemann et al. stellten Discret2DeepDive vor, einen Deep-Learning-basierten Diskretisierungsansatz, der kontinuierliche CPS-Zeitreihen in die diskreten Zustandsrepr\u00e4sentationen \u00fcberf\u00fchrt, die modellbasierte Diagnosealgorithmen ben\u00f6tigen \u2014 ein entscheidender Vorverarbeitungsschritt, der die L\u00fccke zwischen rohen Sensordaten und den symbolischen kausalen Modellen schlie\u00dft, auf denen Forschungsrichtung 3 operiert.<\/p>\n\n\n\n

Diedrich, A., & Niggemann, O. (2022). On residual-based diagnosis of physical systems. Engineering Applications of Artificial Intelligence, 109<\/em>, 104636. https:\/\/doi.org\/10.1016\/j.engappai.2021.104636<\/a><\/p>\n\n\n\n

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)<\/em>, Berlin, Deutschland.<\/p>\n\n\n\n

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)<\/em>, Ferrara, Italien.<\/p>\n\n\n\n

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)<\/em>, Padova, Italien.<\/p>\n\n\n\n

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)<\/em>, Padova, Italien.<\/p>\n\n\n\n

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<\/p>\n\n\n\n

Diedrich, A., Moddemann, L., & Niggemann, O. (2026). On validating propositional logic system descriptions for fault diagnosis. Engineering Applications of Artificial Intelligence, 165<\/em>, 113379. (SJR Q1)<\/p>\n\n\n\n

Forschungsrichtung 3: Anomalieerkennung, Diagnose und Rekonfiguration<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Das operative Ziel unserer Modellierungsarbeiten ist es, technischen Systemen zu erm\u00f6glichen, Fehler autonom zu erkennen, zu diagnostizieren und darauf zu reagieren. In kurz: Intelligente, resiliente System zu schaffen. Diese drei Aufgaben \u2014 Anomalieerkennung, Diagnose und Rekonfiguration \u2014 sind in unserem Rahmen eng miteinander verkn\u00fcpft und werden gemeinsam statt isoliert entwickelt. Die formalen Systembeschreibungen aus Forschungsrichtung 1 definieren, was Konsistenz f\u00fcr ein gegebenes System bedeutet, w\u00e4hrend die kausalen Redundanzrelationen aus Forschungsrichtung 2 bestimmen, welche Fehler prinzipiell erkenn- und isolierbar sind. <\/p>\n<\/div><\/div>\n\n\n\n

Forschungsrichtung 3 schlie\u00dft den Kreislauf, indem diese Repr\u00e4sentationen in laufende, adaptive Fehlerbehandlungssysteme \u00fcberf\u00fchrt 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 Anomalieerkennungsqualit\u00e4t vorgestellt. Die Extraktion von Diagnosewissen aus Daten zur Erm\u00f6glichung von Anomalieerkennung und Ursachenanalyse mit reduziertem Modellierungsaufwand wurde ebenfalls auf der ETFA 2024 pr\u00e4sentiert. Der CAIPI-Workshop auf der ECAI hat sich als wiederkehrendes Forum f\u00fcr Arbeiten an der Schnittstelle von Planung, Kausalit\u00e4t und KI f\u00fcr physikalische Systeme etabliert, mit Beitr\u00e4gen zu gradientenbasierter Optimierung f\u00fcr die Planung und zum Lernen korrekter und vollst\u00e4ndiger Vorbedingungen in komplexen realen Dom\u00e4nen. Die Rolle gro\u00dfer Sprachmodelle bei der Unterst\u00fctzung diagnostischen Reasonings wurde von Sztyber-Betley et al. untersucht, indem die Frage gestellt wurde, ob grundlegende Diagnosekonzepte f\u00fcr aktuelle LLMs erreichbar sind.<\/p>\n\n\n\n

<\/p>\n\n\n\n

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)<\/em>, Loma Mar, USA.<\/p>\n\n\n\n

Ehrhardt, J., Overl\u00f6per, P., Vranje\u0161, 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)<\/em>, Padova, Italien.<\/p>\n\n\n\n

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)<\/em>, Padova, Italien.<\/p>\n\n\n\n

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)<\/em>, Bologna, Italien.<\/p>\n\n\n\n

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)<\/em>, Bologna, Italien.<\/p>\n\n\n\n

Sztyber-Betley, A., Chanthery, E., Trav\u00e9-Massuy\u00e8s, 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)<\/em>, Nashville, TN, USA.<\/p>\n\n\n\n

Overl\u00f6per, 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.<\/p>\n\n\n\n

Steude, H. S., Diedrich, A., Pill, I., Moddemann, L., Vranje\u0161, 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.<\/p>\n\n\n\n

Forschungsrichtung 4: Quantencomputing f\u00fcr die Diagnose<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Die Erzeugung aller Diagnosen f\u00fcr ein komplexes System ist ein NP-vollst\u00e4ndiges Problem, weshalb klassische Ans\u00e4tze auf unvollst\u00e4ndige Suchheuristiken angewiesen sind. Quantencomputer bieten ein grundlegend anderes Berechnungsmodell, das diese Einschr\u00e4nkungen \u00fcberwinden k\u00f6nnte. Diese Forschungsrichtung erg\u00e4nzt das symbolische Diagnoseframework aus Forschungsrichtung 3, indem sie dessen fundamentalen Rechenengpass adressiert: W\u00e4hrend Forschungsrichtung 3 prinzipiell bestimmt, was die korrekten Diagnosen sind, untersucht diese Richtung, wie sie vollst\u00e4ndig und in gro\u00dfem Ma\u00dfstab effizient gefunden werden k\u00f6nnen.<\/p>\n<\/div><\/div>\n\n\n\n

Fr\u00fche theoretische Grundlagen zur Bereitschaft von Quantenoptimierungshardware f\u00fcr 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 Ans\u00e4tze 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 Einschr\u00e4nkungen der Quantenhardware die Skalierbarkeit derzeit begrenzen, positioniert diese Forschungslinie das Quantencomputing als langfristigen Weg zu einer vollst\u00e4ndigen Diagnose in komplexen Systemen.<\/p>\n\n\n\n

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<\/em>. https:\/\/doi.org\/10.1103\/PhysRevApplied.8.014004<\/a><\/p>\n\n\n\n

Diedrich, A., Windmann, S., & Niggemann, O. (2024). Solving industrial fault diagnosis problems with quantum computers. Quantum Machine Intelligence, 6<\/em>, 66. https:\/\/doi.org\/10.1007\/s42484-024-00184-x<\/a> (SJR Q1)<\/p>\n\n\n\n

Auswahl an aktuellen Projekten<\/strong><\/p>\n\n\n\n

DTEC: (K)ISS \u2013 K\u00fcnstliche Intelligenz f\u00fcr die Diagnose der Internationalen Raumstation ISS<\/strong><\/p>\n\n\n\n

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.<\/p>\n\n\n\n

DTEC:<\/strong> ProMoDi \u2013 Produktionsnahe Modellwerkstatt zur Forschung an Digitalisierungsthemen im Bereich der Flugzeuginstandhaltung<\/strong><\/p>\n\n\n\n

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.<\/p>\n\n\n\n

DTEC: KIPRO \u2013 KI-basierte Assistenzsystemplattform f\u00fcr Produktionsprozesse<\/strong><\/p>\n\n\n\n

KIPRO develops an AI-powered assistance system platform for manufacturing environments, with a focus on woodworking machinery \u2014 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.<\/p>\n\n\n\n

DFG<\/strong>: Nutzung von Large Language Models zur Generierung modularer Anomalieerkennungsl\u00f6sungen in der Automation<\/strong><\/p>\n\n\n\n

Das Projekt entwickelt Methoden, um datenbasierte Anomalieerkennung in der industriellen Automation durch Nutzung von Vorwissen \u00fcber das betrachtete System robuster und genauer zu machen. Daf\u00fcr werden Large Language Models eingesetzt, um aus Anlagendokumenten eine modulare Struktur- und Dynamikbeschreibung der Anlage zu gewinnen. Dieses Vorwissen wird anschlie\u00dfend in ein physikalisch informiertes KI-Modell zur Anomalieerkennung integriert. Die Ans\u00e4tze werden exemplarisch an automatisierten Produktionsanlagen unterschiedlicher Komplexit\u00e4t evaluiert.<\/p>\n\n\n\n

BMFTR: BioMLAgrar-2 \u2013 Biodiversit\u00e4t, Maschinelles Lernen und Agrarwirtschaft<\/strong>
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

Publizierte Benchmarks<\/strong><\/p>\n\n\n\n

Moddemann, L., Ehrhardt, J., Diedrich, A., & Niggemann, O. (2025, September). The HAI-CPPS Benchmark: Evaluating AI Capabilities across Hybrid Data Spaces. In\u00a02025 IEEE 30th International Conference on Emerging Technologies and Factory Automation (ETFA)<\/em>\u00a0(pp. 1-8). IEEE.<\/p>\n\n\n\n

Ehrhardt, J., Ramonat, M., Heesch, R., Balzereit, K., Diedrich, A., & Niggemann, O. (2022, September). An AI benchmark for diagnosis, reconfiguration & planning. In\u00a02022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA)<\/em>\u00a0(pp. 1-8). IEEE.<\/p>\n\n\n\n

Balzereit, K., Diedrich, A., Ginster, J., Windmann, S., & Niggemann, O. (2021, July). An ensemble of benchmarks for the evaluation of AI methods for fault handling in CPPS. In\u00a02021 IEEE 19th International Conference on Industrial Informatics (INDIN)<\/em>\u00a0(pp. 1-6). IEEE.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Kontakt: Dr. rer. nat. Alexander Diedrich Moderne cyber-physische Systeme (CPS) sind hierarchisch organisiert, modular aufgebaut und zunehmend durch lernbasierte Komponenten gepr\u00e4gt. Rein datengetriebene Ans\u00e4tze sto\u00dfen in sicherheitskritischen und industriellen Anwendungen […]<\/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-3134","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3134","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=3134"}],"version-history":[{"count":3,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3134\/revisions"}],"predecessor-version":[{"id":3359,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/3134\/revisions\/3359"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/media?parent=3134"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/categories?post=3134"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/tags?post=3134"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}