Kurzbeschreibung

Komplexe mechanische Systeme operieren unter sich ständig ändernden Lasten und Umweltgrößen, und können dabei ungewünschtes Schwingungsverhalten zeigen. Viele dieser Systeme stellen außerdem große Herausforderungen an die Systemidentifikation. In diesem Kontext zeigen wir hochautomatisierte ML-Verfahren, die eine sehr akkurate Schwingungs-Detektion sowie - Klassifizierung vornehmen können. Des Weiteren werden Methoden vorgestellt, um das Schwingungsverhalten in Abhängigkeit von Lasten rein datenbasiert vorherzusagen. Konkret stellen wir in diesem Workshop Use Cases aus dem Bereich der Maschinendynamik vor. Ziel ist es, den Zuhörern einen ersten Einblick in mögliche Anwendungen zu geben. Dabei werden die Chancen aber auch die Limitierungen von ML aufgezeigt und diskutiert. Anhand des Anwendungsfalls von Bremssystemen im Automobilbereich wird der Entwurf digitaler Zwillinge vorgestellt. Es wird ein Ausblick in die Themen "Explainable ML" und "Physics-Informed Learning" gegeben, welche die Kombination herkömmlicher Simulationsmethoden mit ML-Verfahren erlauben.