Ziel des Forschungsprojektes ist die Entwicklung eines adaptiven Empfehlungssystems zur Unterstützung von manuell durchgeführten Nacharbeitsprozessen im EoL-Prüffeld technischer Produkte. Dieses Empfehlungssystem macht den Mitarbeitern mithilfe einer Datenanalyse Vorschläge, wie sie einen konkreten Qualitätsmangel mit wenig Reparaturversuchen beheben können. Von besonderer Relevanz ist die Untersuchung von Methoden aus dem Bereich des maschinellen Lernens, um die Eignung dieser Methoden für Fertigungsdaten mit den domänenspezifischen Datencharakteristika zu bewerten sowie geeignete Methoden zu kombinieren und an die Domäne anzupassen.

Ziel des Forschungsprojekts ist die konzeptionelle Entwicklung von datengetriebenen Ansätzen zur Unterstützung der Ursachenanalyse technischer Produktmängel. Im Kontext der Produktbewährung soll z.B. die Ursachenforschung von Bauteilausfällen in Kundenfahrzeugen unterstützt werden. Als Grundlage können Datenquellen wie Produktions-, Garantie- oder Diagnosedaten herangezogen werden. Des Weiteren werden verschiedene Techniken und Methoden aus dem Bereich der Datenanalysen sowohl konzeptionell als auch experimentell evaluiert.

Im Rahmen dieses Forschungsprojektes wird ein ganzheitlicher Ansatz für die Verwaltung und Integration heterogener Daten von Mehrphysik- und Mehrskalensimulationen entwickelt. Der Fokus liegt dabei darauf, eine Plattform zu schaffen, welche als Basis für Datenanalysen dienen kann. Anwendungsmöglichkeiten umfassen neben prädiktiver Analysen zur Vorhersage relevanter Produkteigenschaften auch präskriptive Analysen zur Herleitung von Empfehlungen für Verbesserungen von Produktdesigns hinsichtlich der Eigenschaften. Ein weiteres Hauptaugenmerk liegt auf Analysen zur Verbesserung der Datenqualität und der datengetriebenen Optimierung des Simulationsprozesses.