News
KI für komplexe Systeme: Von der Mikroalgenanalyse bis zur autonomen Hochwasseraufklärung
Von der automatisierten Analyse von Mikroalgen bis zur Koordination von Drohnen bei Hochwasserkatastrophen: Forschende des IMM präsentierten auf der ESREL 2026 in Braga aktuelle Forschungsergebnisse.
01/09/2026
Auf der diesjährigen „European Safety and Reliability Conference“ (ESREL 2026), kamen internationale Expertinnen und Experten aus Wissenschaft und Praxis zusammen, um aktuelle Fragestellungen rund um Sicherheit, Zuverlässigkeit und Risikomanagement zu diskutieren. Mit dabei waren auch vier Mitarbeitende des Fachgebiets KIM – Künstliche Intelligenz im Maschinenbau am Institut für Mensch und Mobilität (IMM) der Hochschule München. Mit mehreren Forschungsbeiträgen präsentierten sie aktuelle Arbeiten und tauschten sich mit der internationalen Fachcommunity über neue Ansätze und Anwendungsmöglichkeiten aus.
Die vorgestellten Arbeiten zeigen die thematische Bandbreite des Fachgebiets: Sie reichen von der KI-gestützten Analyse einzelner Mikroalgenzellen bis zur intelligenten Koordination unbemannter Luftfahrzeuge für die Hochwasseraufklärung. Trotz der unterschiedlichen Anwendungsfelder verbindet die Beiträge ein gemeinsamer Ansatz: Mit datenbasierten Methoden und Künstlicher Intelligenz sollen komplexe Prozesse besser verstanden, automatisiert ausgewertet und für reale Anwendungen nutzbar gemacht werden.
Mikroalgen mit KI präzise charakterisieren: Jonas Strohhofer
Mikroalgen binden CO₂ und liefern nachhaltige Rohstoffe zur Erreichung der UN Sustainable Development Goals, verlangen industriell jedoch eine exakte Prozesskontrolle.Da manuelle Zählungen bei Zellkonzentrationen von Millionen Zellen pro Milliliter unmöglich sind, fehlte eine skalierbare Methode zur ganzheitlichen Zustandserfassung.
Dieser Ausgangslage widmete sich der Promovierende Jonas Strohhofer in seinem Beitrag „Quantitative Characterization of Individual Algae Cells via Machine Learning-Based Clustering“.
Diese Studie präsentiert ein KI-basiertes Bildanalyseverfahren zur Charakterisierung von Mikroalgen (Dunaliella salina), um deren Wachstum in Photobioreaktoren automatisiert zu überwachen. Der Ansatz kombiniert moderne Zellsegmentierung mit der Extraktion von Einzelzell-Merkmalen wie Form, Farbe, Textur und nutzt unüberwachtes Clustering (GMM, K-Means, DBSCAN) zur Phänotypisierung. Bei der Analyse von über 16.000 Algenzellen zeigte sich, dass GMM kontinuierliche biologische Übergangszustände präzise abbildet und Bildartefakte verlässlich aussortiert. Das System ersetzt die fehleranfällige und subjektive manuelle Mikroskopie durch objektive Daten und ermöglicht eine automatisierte Grundlage für Wachstumsvorhersagen.
Intelligente Drohnenaufklärung im Katastrophen: Kilian Thoma
Nach schweren Hochwasserereignissen ist die lokale Infrastruktur oft so stark beschädigt, dass Rettungsmaßnahmen am Boden extrem gefährlich oder völlig unmöglich sind. Die schnelle Identifizierung von Überlebenden und die strukturelle Einschätzung der Schäden sind oft absolut entscheidend für den Ausgang einer Rettungsaktion.
Unter diesen Voraussetzungen präsentierte Kilian Thoma seinen Beitrag "Context-Aware Multi-UAV Fleet Coordination for Flood Response using Deep Reinforcement Learning".
Diese Studie präsentiert ein zentralisiertes Koordinationssystem für eine Flotte unbemannter Luftfahrzeuge (UAVs), das Deep Reinforcement Learning (DRL) nutzt, um die Aufklärung nach Hochwasserkatastrophen zu optimieren. Der Ansatz verknüpft die lokale Wahrnehmung der Drohnen über eine sogenannte "Late-Fusion"-Architektur mit statischen Geodaten, wie OpenStreetMap und digitalen Höhenmodellen. In einer Simulation der Flutkatastrophe im Ahrtal 2021 zeigte sich, dass die Drohnen lernen, wichtige Wohngebiete proaktiv zu priorisieren, anstatt ein Gebiet nur blind abzufliegen. Da die rechenintensiven Kartenabgleiche auf eine leistungsstarke Bodenstation ausgelagert werden, kann das System trotz der strengen Größen-, Gewichts- und Leistungseinschränkungen (SWaP) handelsüblicher Drohnen in der realen Welt eingesetzt werden. Es verschafft Ersthelfern einen enormen Zeitvorteil, da die Flotte wichtige Infrastrukturkorridore gezielt abscannt und wertvolle Informationen deutlich schneller liefert als ein geometrisches Suchraster.
Spannungsprognose mit KI: Benedikt Bubert
Auch in der industriellen Fertigung kann KI helfen, Prüfprozesse effizienter zu gestalten. Benedikt Bubert untersucht in seiner Arbeit „An Application of Semi-Supervised Learning to Convolutional Neural Networks for Surface Roughness Classification“, wie sich die Oberflächenqualität geschliffener Messerklingen anhand von Bildern zerstörungsfrei beurteilen lässt.
Die Herausforderung: Für das Training eines neuronalen Netzes werden normalerweise große Mengen manuell gekennzeichneter Daten benötigt. Der entwickelte Ansatz nutzt deshalb Semi-Supervised Learning und kombiniert einen kleineren Anteil gelabelter Daten mit umfangreichen unbeschrifteten Bilddaten. Mit 50 Prozent gelabelten Trainingsdaten erreichte das Verfahren eine Genauigkeit von 83,7 Prozent und konnte zusätzlich 1.800 Datenpunkte korrekt automatisch klassifizieren. Perspektivisch könnte die Methode als automatisierter Vorfilter in der Qualitätskontrolle eingesetzt werden: Eindeutige Fälle werden direkt bewertet, während nur unsichere Ergebnisse weiterhin konventionell geprüft werden müssen.
KI für Schweißkonstruktionen: Lukas Pürner
Wie lassen sich sicherheitsrelevante Spannungen in Schweißkonstruktionen schneller berechnen, ohne auf die Genauigkeit aufwendiger Simulationen zu verzichten? Dieser Frage widmet sich Lukas Pürner im Rahmen seiner Masterarbeit. In seiner Arbeit werden Graph Neural Networks (GNNs) eingesetzt, um Spannungsverteilungen auf Basis von Finite-Elemente-Simulationen vorherzusagen. Besonderes Augenmerk liegt dabei auf den lokal auftretenden Spannungsspitzen an Schweißnähten, die für die Ermüdungsfestigkeit und Lebensdauer von Bauteilen entscheidend sind.
Ein physik-informierter Ansatz konnte diese kritischen Maximalspannungen genauer vorhersagen als ein herkömmliches GNN. Damit zeigt die Arbeit, wie maschinelles Lernen physikalische Simulationen perspektivisch ergänzen und deutlich schneller nutzbar machen kann – etwa für die Auslegung und Optimierung sicherheitsrelevanter Konstruktionen.