Moderne Prüf­stände für die expe­ri­men­telle Vali­die­rung lie­fern extrem große, meist zeit­ba­sierte und in der Regel hete­ro­gene Daten­men­gen, deren Ver­ar­bei­tung und vor allem deren Aus­wer­tung mit kon­ven­tio­nel­len wis­sens­ba­sier­ten Metho­den all­um­fas­send kaum oder, auf­grund der Größe und Kom­ple­xi­tät, gar nicht mög­lich sind. Im Beson­de­ren noch nicht bekannte Zusam­men­hänge und Feh­ler­mo­delle ent­zie­hen sich so der Ana­lyse. Für den Ein­satz von KI-​​Methoden, z. B. aus dem Bereich des Deep Learning, bie­tet sich hier eine außer­or­dent­lich inter­es­sante, noch wenig erforschte und vor allem zukunfts­re­le­vante Anwen­dung.

An der Uni­ver­si­tät Kas­sel ist seit kur­zem ein neu­ar­ti­ger, hoch­per­for­man­ter Prüf­stand für elek­tri­sche Antriebs­ma­schi­nen im Ein­satz, wel­cher mit umfang­rei­cher Mess­tech­nik sehr große hete­ro­gene Daten­men­gen sowohl zeit­ba­sier­ter elek­tro­ma­gne­ti­scher, elek­tri­scher, akus­ti­scher, mecha­ni­scher und ther­mi­scher Grö­ßen, wie auch nicht-​​zeitbasierter, cha­rak­te­ri­sie­ren­der oder para­me­tri­scher Daten gene­riert und zudem Mes­sun­gen in bis­her wenig erforsch­ten Grenz­be­rei­chen erlaubt.

Das BMBF-​​Verbundprojekt AIMEE adres­siert die Ver­ar­bei­tung und Aus­wer­tung von hete­ro­ge­nen, hoch­vo­lu­mi­gen Daten­sät­zen aus dem Prüf­stand, um anhand von prak­ti­schen Bei­spie­len im KI-​​Labor die Anwend­bar­keit inno­va­ti­ver Metho­den für die Stu­die­ren­den direkt erfahr­bar und inter­pre­tier­bar zu machen. Damit wird für die Ler­nen­den (Stu­die­rende, Dok­to­ran­dIn­nen und Berufs­tä­tige in Wei­ter­bil­dungs­maß­nah­men) die not­wen­dige Vor­aus­set­zung geschaf­fen, anhand von prak­ti­schen Bei­spie­len die unter­schied­li­chen KI-​​Methoden mit umfang­rei­chen und defi­nier­ten Daten­sät­zen zu stu­die­ren und anzu­wen­den.  Zudem eröff­net sich die für Lehre und For­schung hoch­in­ter­es­sante und sel­tene Mög­lich­keit, neue Daten­sätze nach Belie­ben zu erstel­len und die Rand­be­din­gun­gen der Daten­er­stel­lung, also der Mess­läufe und –Struk­tur, den Erfor­der­nis­sen der KI-​​Methoden und –Metho­den­ent­wick­lung anzu­pas­sen. Die enge Zusam­men­ar­beit von Soft­ware, Hard­ware und Anwen­dung erge­ben eine exzel­lente Basis nicht nur für die Lehre, son­dern sind auch für die regio­nale Wirt­schaft von gro­ßem Inter­esse und besit­zen eine hohe wis­sen­schaft­li­che Anschluss­fä­hig­keit.