KI und Maschinelles Lernen können zusätzliche Möglichkeiten eröffnen, etwa zur Mustererkennung, Modellergänzung oder Prognose. Ihre Aussagekraft hängt jedoch von Datenbasis, Repräsentativität, Modellarchitektur und Validierung ab. Virtuelle Analysen ersetzen daher nicht pauschal Versuch und fachliche Bewertung, sondern ergänzen diese gezielt.
Das Fraunhofer LBF konzeptioniert, entwickelt und erprobt virtuelle, datenbasierte und hybride Ansätze zur Systemzuverlässigkeitsanalyse.
Von der Datenlage zum validierbaren Modellansatz
Zu Beginn werden Anwendungsfall, Bewertungsziel, vorhandene Modelle, Datenquellen und technische Machbarkeit geklärt. Je nach Aufgabe können physikalische Simulation, Test- und Betriebsdaten sowie datenbasierte oder KI-gestützte Modelle in einer geeigneten Daten- und Modellarchitektur zusammengeführt werden.
Die Unterstützung reicht von der Machbarkeitsstudie über Modell- und Pipeline-Prototypen bis zum Pilotdemonstrator. Modellgüte, Unsicherheit, Interpretierbarkeit und Übertragbarkeit werden in Bezug auf die vorgesehene Entscheidung bewertet. Der Einsatz im laufenden Monitoring kann auf validierten Modellbausteinen aufbauen, steht aber nicht im Mittelpunkt dieser Entwicklungsleistung.
KI dort einsetzen, wo ein begründeter Mehrwert entsteht
KI- oder ML-Verfahren sind nicht für jede Zuverlässigkeitsfrage die passende Lösung. Entscheidend ist, ob Datenmenge, Datenqualität und Problemstruktur einen belastbaren Zusatznutzen gegenüber physikalischen oder statistischen Ansätzen erwarten lassen.
Deshalb werden datenbasierte Methoden mit fachlichem Systemverständnis, physikalischen Modellen und geeigneten Validierungsdaten verbunden. So bleibt die Prognose technisch interpretierbar und an der konkreten Entscheidung ausgerichtet.
Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF