Die zunehmende Nutzung von Künstlicher Intelligenz in der Automatisierungstechnik eröffnet neue Möglichkeiten, Engineering-Modelle automatisiert aus heterogenen und teilweise inkonsistenten Engineering-Dokumenten zu erzeugen. Solche Modelle können als strukturierte Repräsentation des Anlagenwissens dienen und für nachgelagerte Aufgaben wie Analyse, Diagnose und Anomalieerkennung genutzt werden. Gleichzeitig stellt die Qualitätssicherung KI-generierter Modelle eine besondere Herausforderung dar. Die erzeugten Modelle müssen nicht nur formal korrekt, sondern auch strukturell konsistent, vollständig und für den jeweiligen Anwendungszweck geeignet sein. Eine rein manuelle Prüfung ist insbesondere bei häufigen Modelländerungen und großen Datenmengen nur eingeschränkt skalierbar.

Im Rahmen der Forschung wird daher untersucht, wie KI-generierte Engineering-Modelle automatisiert auditiert und hinsichtlich ihrer Qualität bewertet werden können. Dabei werden Kriterien zur Bewertung der strukturellen und inhaltlichen Qualität sowie der Eignung für nachgelagerte Anwendungen untersucht. Ein besonderer Fokus liegt auf der automatisierten Analyse von Modelländerungen und deren Auswirkungen auf bestehende Strukturen. Ziel ist es, Bedingungen und Grenzen für einen zuverlässigen Einsatz von KI bei der Erstellung und Aktualisierung von Engineering-Modellen zu bestimmen und eine transparente Qualitätssicherung über den Lebenszyklus von Automatisierungssystemen zu ermöglichen.

• MAGNA - Nutzung von LLMs zur Generierung modularer Anomalieerkennungslösungen in der Automation

• Programmierung und Algorithmen für ETIT (WS)
• Programmierung und Algorithmen für ITE + Programmierpraktikum für ITE (WS)
• Bachelor Vertiefungspraktikum Informationsteechnik (WS)

2026:

• Nutzen von KI-Methoden im Engineering automatisierter Anlagen auf Basis einer objektorientierten Engineering-Datenbank
  Giselle Alejandra Mojica Rodriguez, B.Sc., Masterarbeit, in Bearbeitung.