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 für die Lehre, sind für die regionale Wirtschaft von großem Interesse und besitzen eine hohe wissenschaftliche Anschlussfähigkeit.