Die Forschungsprojekte des Lehrstuhls für Zuverlässigkeitstechnik und Risikoanalytik befassen sich mit der Risiko- und Zuverlässigkeitsanalyse bei Produktschadensfällen in Entwicklung, Produktion und Feld, sowie mit der Entwicklung statistischer Modelle, Algorithmen und Systematiken zur Analyse des Ausfallverhaltens technisch komplexer Produkte und Produktionsprozesse. Derzeitig werden folgende Forschungsprojekte (repräsentativer Auszug) bearbeitet:

• Forschungskooperation Automobilbau: Zuverlässigkeitsanalyse und Machine Learning/Deep Learning auf Basis von Operating Data zur Bewertung und Prognose von Schadenssymptomen während der Produktnutzungsphase (vgl. Abb. unten links)

Durch Auswertung von Daten aus der Produktnutzungsphase werden Analysemethoden der Zuverlässigkeitstechnik angewandt und weiterentwickelt, um folgende Forschungsthemen zu bearbeiten. Untersuchung des Fehlerursache-Wirkungsgefüges auf Grundlage von Mustern innerhalb der Datenbasis sowie Entwicklung von Degradationsmodellen zur präventiven Schadensanalyse. Ermittlung vom Grenzwertverhalten von Fahrzeugen zur präventiven Schadensvermeidung. Prognose der Gewährleistungs- und Kulanzfälle auf Basis kundenspezifischer Lastkollektive.

• BMBF-Verbundprojekt MuPro2: Multivariate Produktionsprozessoptimierung zur Beherrschung technisch anspruchsvoller Bauteilformen und Oberflächen (vgl. Abb. unten rechts).

Ziel des Projekts ist die Optimierung technisch hoch anspruchsvoller Fertigungsprozesse auf Basis von Prozessdaten. Hauptaugenmerk liegt dabei auf der Prozeßbeherrschung sowie Reproduzierbarkeit der Fertigungsprozessergebnisse. Die Prozessoptimierung erfolgt unter Berücksichtigung von Fertigungsprozessparametern, auf Basis derer Maschineneinstellungen gefunden werden sollen, die eine Prozeßbeherrschung sowie Qualitätsfähigkeit sicherstellen um optimale Produktqualität gewährleisten.

Weitere Forschungsprojekte sind:

• EFRE.NRW Projekt ENRANOM: Entwicklung eines energieeffizienten und automatisierten Recyclingverfahrens und Anlagenprototyps für die Wiederverwendung von Anodenkomponenten in der elektrolytischen Metallgewinnung.
• AIF-IGF-Forschungsprojekt Formgedächtnisaktoren: Erprobung von Produktprototypen.
• Forschungskooperation Automobilbau/Windpark: Machine Learning/Deep Learning auf Basis von Operating Data zur Optimierung der Produkterprobung.