Schlüsseltechnologie im Fahrzeugbau: SCALE forscht zu Künstlicher Intelligenz

SCALE stellt seine Aktivitäten zu Künstlicher Intelligenz und Maschinellem Lernen vor.

Künstliche Intelligenz (KI) gewinnt als Schlüsseltechnologie des 21. Jahrhunderts zunehmend an Bedeutung. Mit der deutschen Automobilindustrie ist hierzulande ein großer, wirtschaftsstarker KI-Anwendungsbereich verankert, der vor einer digitalen Transformation großen Ausmaßes steht. Auch SCALE ist auf dem Gebiet der Künstlichen Intelligenz und des Maschinellen Lernens (ML) aktiv und beschäftigt sich mit Fragen zur Anwendung von KI-Methoden im Automotive-Bereich.

Forschungsprojekte

 

ViPrIA: Seit Oktober 2019 koordiniert SCALE das vom BMBF geförderte Forschungsprojekt zur „Virtuellen Produktentwicklung mittels intelligenter Assistenzsysteme“ (kurz: ViPriA). Gemeinsam mit SIDACT und dem Fraunhofer-Institut SCAI werden KI-Methoden zur Nutzbarmachung im CAE-Bereich erforscht. Ziel des Projektes besteht darin, mit intelligenten Assistenzsystemen Berechnungsingenieure in der Fahrzeugentwicklung zu unterstützen. Beim Aufsetzen numerischer Simulationen sollen unter Zuhilfenahme von KI-Ansätzen etwa Hinweise auf sinnvolle Modifikationen und Ergebnisprognosen geliefert werden. Durch automatisierte Analysen von Simulationsergebnissen sollen u.a. Anomalien effizienter dargestellt werden.

 

ML@KaroProd: Bereits seit Dezember 2018 ist SCALE an einem weiteren BMBF-Projekt beteiligt, das auf dem Gebiet des Maschinellen Lernens als Teilbereich der KI angesiedelt ist. Gemeinsam mit Fraunhofer IWU und der Professur für Künstliche Intelligenz an der TU Chemnitz wird erforscht, wie ML-Ansätze für die Prognose von Prozessparametern und Bauteilqualität in der automobilen Karosserieproduktion eingesetzt werden können.

 

Abschlussarbeiten


Neben der Beteiligung an Forschungsprojekten zu Künstlicher Intelligenz hat SCALE Masterarbeiten auf dem Gebiet des Maschinellen Lernens zu folgenden Themen betreut.

 

Erkennung von FEM-Geometrien mit Methoden des Maschinellen Lernens: Die Arbeit stellt einen konzeptionellen Ansatz zur effizienten Verarbeitung von FEM-Daten und einen bewertenden Vergleich zweier Deep-Learning-Ansätze zur Geometrieerkennung bestehender Konstruktionen vor.

 

 

Parameter Estimation for Spot Weld Design in Automotive Construction: Die Arbeit widmet sich der Parameterschätzung für Punktschweißkonstruktionen im Automobilbau.


ML-supported Design Methods for Determining Permissible Input Variables for Crash Simulation using the Example of FEM: Die Arbeit untersucht ML-gestützte Konstruktionsmethoden zur Bestimmung zulässiger Eingabevariablen für die Crashsimulation am Beispiel der FEM.


Parametervorhersage und automatisiertes Erzeugen von Verbindungstechnologien in CAX-Anwendungen von Automobil-Karosserien: Die Arbeit widmet sich der Grundlagenforschung, um automatisiert Schweißpunkte auf Karosseriebauteilen zu plazieren und diese in CAX-Anwendungen umzusetzen.


Kontakt
contact Heiner Müllerschön
  • Projekte
  • Software Sales