Die industrielle Produktion befindet sich an der Schwelle eines fundamentalen strukturellen Wandels. Das häufig mit dem Stichwort Industrie 4.0 identifizierte Umdenken von einzelnen, isolierten Produktionsschritten hin zur ganzheitlichen Betrachtung von Produkten entlang ihres kompletten Lebenszyklus ist eine Vision, die mehr und mehr zum Innovationstreiber für die gesamte Branche wird.

Das damit verbundene Potenzial in der Effizienzsteigerung der Rohstoffnutzung, der Flexibilisierung der Produktions- und Betriebsprozesse und der damit einhergehende Zugewinn an Nachhaltigkeit unterstreichen die Unabdingbarkeit dieses Wandels, dem sich die Industrie stellen muss.

Damit dies gelingen kann, ist ein grundsätzliches Umdenken darüber, wie in diesem Kontext Daten erfasst werden, erforderlich. Klassische Verfahren der zerstörungsfreien Prüfung (ZfP) sind hierfür nicht zur zu unflexibel, ihre bloße Skalierung auf den Kontext digitalisierter Produktionsprozesse führt auch zu Datenmengen, die kaum noch beherrschbar und dazu stark redundanzbehaftet sind.

Aus Sicht der Signalverarbeitung entsteht vor diesem Hintergrund die dringende Notwendigkeit, die Erfassung und Auswertung von Materialdaten möglichst effizient und redundanzarm zu gestalten. Statt als Resultat der Digitalisierung blind große Datenmengen (Big Data) anzuhäufen, muss das Ziel sein, den signifikanten Anteil (Relevant Data oder Smart Data) bereits in der Datenakquise zu identifizieren und sich auf diese relevanten Informationen zu beschränken. Hierfür sehen wir großes Potenzial, da bisherige digitale Verfahren in der ZfP häufig noch direkt auf ihren analogen Vorgängern fußen. Neue Erkenntnisse aus der Signalverarbeitung, die klassische Kriterien wie die Nyquistbedingung überwinden, finden in diesem Feld bisher keine Anwendung.

Die Gruppe SigMaSense (Signalverarbeitung für die Materialdatengewinnung mit intelligenter Sensorik) widmet sich diesem Forschungsfeld. Sie bedient sich dabei innovativer Methoden der Signalakquise wie Compressive Sensing, die es erlauben, unter Ausnutzung von Vorwissen über das zu untersuchende Objekt, einen erheblichen Grad an Redundanz bei der Datenaufnahme zu vermeiden. Dies ermöglicht es, die Sensorsysteme mit Hilfe von vorhandenem Vorwissen zu adaptieren und so zu einem kognitiven Sensorsystem zu kommen, welches sich selbst für die gerade vorliegende Fragestellung optimal parametriert, um die aktuell relevante Information mit möglichst geringem Aufwand zu gewinnen. Für die Interpretation der so gewonnen Daten bedient sich die SigMaSense-Gruppe innovativer Methoden der Signalverarbeitung wie Model-based Imaging, Sparse Signal Recovery und multimodaler Datenfusion.

Kerinidee kognitive Sensorsysteme: Vorwissen nutzen

• - Ziel der Gruppe ist die Entwicklung neuartiger kognitiver Sensorik
• • Gewinnung intelligenter Materialdaten
• • nutzt Vorwissen aus digitalem Produktgedächtnis
• • fügt ihm kontinuierlich weitere Informationen hinzu
• • basiert auf innovativen Signalakquisekonzepten (Compressed Sensing)
• - Kernkompetenz Compressed Sensing
• • Redundanzarme Signalakquise, hybride Analog-Digital-Architekturen, Rekonstruktionsverfahren: Computational Imaging, Sparsity-promoting Inversion, Model-based Imaging
• - Darüber hinaus weitreichende Erfahrung im Gebiet der Signalverarbeitung
• • Mehrdimensionale Signalverarbeitung (Tensoren, multilineare Algebra)
• • Statistische Signalverarbeitung (insb. Schätztheorie)
• • Hochauflösende Parameterschätzung