Wissensbasierte KI-Systeme

Die Wissenschaftler der Abteilung Strukturdynamik und Schwingungstechnik des Fraunhofer LBF entwickeln maßgeschneiderte KI-Systeme, die Experten- und Anwenderwissen sowie zugrundeliegende physikalische Zusammenhänge integrieren. Hiermit lassen sich transparente und für den Anwender nachvollziehbare Wirkzusammenhänge mit Methoden des maschinellen Lernens und der KI visualisieren oder direkt in kundenspezifische Automatisierungsvorgänge integrieren.

Neue KI-Methoden und Algorithmen des maschinellen Lernens können in vielen Bereichen der Strukturdynamik und der Strukturanalyse genutzt werden. Dabei erlaubt der Einsatz der Methoden des maschinellen Lernens in Verbindung mit wissensbasierten KI-Modellen Prognosen zum strukturdynamischen Verhalten in der Strukturüberwachung, das Erkennung von Anomalien in Mess- und Simulationsdaten oder die Rückführung zusätzlich gewonnener Erkenntnisse in das Produktdesign sowie Automatisierung- und Regelungsprozesse.

Bei der Entwicklung von wissensbasierten KI-Systemen verfolgen die Wissenschaftler der Abteilung Strukturdynamik und Schwingungstechnik zwei wesentliche methodische Ansätze. Das Schwingungsverhalten folgt in vielen Fällen einem physikalischen Verhalten, das sich mit Hilfe partieller Differentialgleichungen beschrieben lässt. Beim Training mit Mess- oder Simulationsdaten und dem Einsatz von Algorithmen des maschinellen Lernens (z.B. implizite oder explizite Regression, Bayes‘sches Modellupdate) können physikalische Modelle automatisiert bestimmt (Modellstrukturidentifikation) und physikalische Modellparameter wie Steifigkeiten oder Eigenfrequenzen fortlaufend bestimmt werden. Durch den Einsatz von KI-Modellen lassen sich insbesondere nichtlineare und zeitvariante Effekte wirkungsvoll modellieren.

Der zweite methodische Ansatz verfolgt die Zielsetzung Anwender- und Expertenwissen unmittelbar in die KI-Modelle zu integrieren. Dazu werden logische Regeln mit linguistischen Beziehungen oder Wissensgraphen mit Anwendern und Experten erstellt und in KI-Modelle überführt. Zuvor beobachtete Ausfallsmerkmale und Fehlerwirkmechanismen sind damit schon in den mathematischen Beziehungen der KI-Modelle selbst verankert. Hierdurch besitzen die KI-Modelle eine hohe Transparenz und sind für den Nutzer und Anwender nachvollziehbar. 

• Zusammenhänge erkennen und Vorhersagen über zukünftige Ereignisse treffen
• Direkte Integration von formalisiertem Expertenwissen
• Simulationsgestütztes Training
• Unsicherheiten aus Messdaten erkennen und nachbilden
• Für Menschen nachvollziehbare und verständliche KI-Modelle
• Einbeziehung in den Design- und Entwicklungsprozess
• Hochrecheneffiziente Modelle zur Integration auf Sensor- oder Steuerungsebene und/oder KPIs
• Online-Ermittlung von Struktureigenschaften im Kontext Industrie 4.0