Eingabe löschen

Kopfbereich

Hauptnavigation

School of Engineering

Predictive Maintenance

Wir entwickeln KI-basierte Lösungen für technische Systeme und nutzen dabei Datenanalysen, maschinelles Lernen und Deep Learning auf Maschinendaten, um Ausfälle frühzeitig zu erkennen und zu vermeiden sowie die Wartung effizient zu planen.

Wir machen Maschinen intelligenter und Infrastrukturen zuverlässiger.

Wir nutzen die Möglichkeiten der Künstlichen Intelligenz, um das Verhalten technischer Systeme und Infrastrukturen zu verstehen, vorherzusagen und zu optimieren.

Unser Fokus liegt darauf, aus Rohdaten von Maschinen verwertbare Erkenntnisse zu gewinnen – mit Hilfe von Datenanalyse, Machine Learning und Deep Learning. Von der frühzeitigen Fehlererkennung bis hin zur vorausschauenden Wartung erhöhen unsere Lösungen die Verfügbarkeit von Systemen und steigern deren Betriebseffizienz.

In enger Zusammenarbeit mit Industrie- und Forschungspartnern adressieren wir reale Herausforderungen in den Bereichen Zustandsüberwachung, intelligente Instandhaltung und smarte Infrastrukturen – und schaffen KI, die im technischen Umfeld messbaren Mehrwert liefert.

Forschungsprojekte

Unerwartete Maschinenausfälle können kostspielige oder sogar katastrophale Folgen haben.
Um sie zu vermeiden, ist der Einsatz intelligenter Werkzeuge erforderlich, die den Zustand und das Verhalten von Maschinen analysieren. Solche Condition-Monitoring-Systeme liefern automatisch Gesundheitsindikatoren, warnen bei Fehlverhalten und können sogar zukünftige Ausfälle oder die verbleibende Restlebensdauer der Anlage vorhersagen.

Die Analyse des Maschinenzustands wird durch die rasante Entwicklung moderner Sensorik, Datenerfassungs‑ und Speichersysteme sowie intelligenter Datenanalysetools zunehmend möglich.

Im Smart-Maintenance-Team des IDP arbeiten wir gemeinsam mit Partnern aus Industrie und öffentlichem Sektor an der Entwicklung von KI-basierten Werkzeugen zur Fehlererkennung, -diagnose und Zustandsprognose von Maschinen. Diese Tools werden jeweils auf die konkreten Anforderungen und Einsatzkontexte zugeschnitten.

Ziel ist die Optimierung von Instandhaltungsentscheidungen. Unsere Smart-Maintenance-Algorithmen kombinieren Methoden der statistischen Analyse mit Verfahren des maschinellen Lernens und Deep Learning – oft in Verbindung mit physikalischen Modellen.

Lehrtätigkeit

  • MSE Module Lifecycle-Management von Infrastrukturen
  • Bachelor Module Instandhaltung (Studiengang Mobility Science)
  • Bachelor Module RAMS (Studiengang Mobility Science)
  • CAS Instandhaltungsmanagement
  • CAS Industrie 4.0

Team