
Online-KI-Tools verändern den Maschinenbau rapide, indem sie die menschlichen Fähigkeiten in den Bereichen Konstruktion und Analyse ergänzen, Herstellungund Wartung. Diese KI-Systeme können riesige Datenmengen verarbeiten, komplexe Muster erkennen und neue Lösungen viel schneller als herkömmliche Methoden entwickeln. So kann KI Sie beispielsweise bei der Optimierung von Konstruktionen im Hinblick auf Leistung und Herstellbarkeit unterstützen, komplexe Simulationen beschleunigen, Materialeigenschaften vorhersagen und eine Vielzahl von Analyseaufgaben automatisieren.
Die nachstehenden Hinweise helfen beispielsweise bei der generativen Konstruktion, beschleunigen Simulationen (FEA/CFD), helfen bei der vorausschauenden Wartung, bei der KI Sensordaten von Maschinen analysiert, um potenzielle Ausfälle zu prognostizieren, ermöglichen eine proaktive Wartung und minimieren Ausfallzeiten, helfen bei der Materialauswahl und vieles mehr.
- Diese Seite ist spezifisch für eine Domain. Bei Bedarf können Sie in unserer > Suchmaschine nach allen Domains und allen Kriterien suchen. AI Prompts Verzeichnis <, gewidmet dem Produktdesign Und Innovation.
- Angesichts der Server-Ressourcen und des Zeitaufwands sind die Eingabeaufforderungen selbst nur registrierten Mitgliedern vorbehalten und unten nicht sichtbar, wenn Sie nicht angemeldet sind. Sie können sich registrieren, 100% kostenlos:
Mitgliedschaft erforderlich
Sie müssen Mitglied sein, um auf diesen Inhalt zugreifen zu können.
- Optimierung der Versuchsplanung
- Maschinenbau
AI Aufforderung an Statistische Leistungsanalyse für Experimente
- Entwurf für Six Sigma (DfSS), Prozessverbesserung, Prozess-Optimierung, Qualitätssicherung, Qualitätskontrolle, Statistische Analyse, Statistische Prozesskontrolle (SPC), Statistische Tests, Validierung
Diese Aufforderung fordert die KI auf, eine statistische Power-Analyse für ein Maschinenbauexperiment auf der Grundlage von Eingabeparametern wie Effektgröße, Stichprobengröße und Signifikanzniveau durchzuführen. Sie hilft festzustellen, ob das Experiment ausreichend leistungsfähig ist.
Ausgabe:
- Text
- erfordert kein Live-Internet
- Felder: {effect_size} {sample_size} {significance_level}
Perform a statistical power analysis for a mechanical engineering experiment with the following parameters: Effect Size: {effect_size}, Sample Size: {sample_size}, Significance Level (alpha): {significance_level}. Calculate the statistical power and interpret whether the current design is adequate. If underpowered, suggest adjustments to sample size or effect size. Present calculations step-by-step and summarize the conclusion clearly.
- Am besten geeignet für: Am besten geeignet für die Validierung von Versuchsplänen durch Leistungsberechnungen
- Unterstützung beim Verfassen von Finanzhilfeanträgen und wissenschaftlichen Arbeiten
- Maschinenbau
AI Aufforderung an Forschungspapier Methodologiekritik
- Design für additive Fertigung (DfAM), Maschinenbau, Methodik, Prozessverbesserung, Qualitätssicherung, Qualitätskontrolle, Forschung und Entwicklung, Statistische Analyse, Validierung
Überprüft und schlägt Verbesserungen für den Methodikteil einer Forschungsarbeit im Maschinenbau vor, wobei der Schwerpunkt auf der Klarheit, Vollständigkeit, Rechtfertigung und Angemessenheit der verwendeten Methoden liegt. Diese Aufforderung trägt dazu bei, die Strenge und Reproduzierbarkeit der Forschung zu verbessern. Das Ergebnis ist eine im Markdown-Format erstellte Kritik.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {aktuelle_methodologie_abschnitt_text} {Forschungs_Zielsetzung_text} {Schlüssel_Ausrüstung_oder_Software_verwendet_liste_csv}
Act as a Peer Reviewer for a Mechanical Engineering journal.
Your TASK is to critique the provided `{current_methodology_section_text}` from a research paper
keeping in mind the stated `{research_objectives_text}` and the `{key_equipment_or_software_used_list_csv}` (CSV: 'Item_Name
Model_Specification
Manufacturer').
The critique should focus on improving clarity
completeness
justification
and appropriateness of the described methodology.
**CRITIQUE AND RECOMMENDATIONS (MUST be Markdown format):**
**Critique of Methodology Section for Research Objectives: '`{research_objectives_text}`'**
**1. Overall Clarity and Structure:**
* **Assessment**: [Evaluate the overall readability
logical flow
and organization of the `{current_methodology_section_text}`. Is it easy to follow? Are steps presented in a logical sequence?]
* **Recommendations**: [Suggest improvements to structure
e.g.
'Consider using subheadings for distinct phases of the methodology like Experimental Setup
Data Collection
and Data Analysis.' or 'Clarify the transition between step X and step Y.']
**2. Completeness of Description:**
* **Assessment**: [Are all necessary details provided for another researcher to replicate the study? Consider aspects like:]
* Sample preparation (if applicable).
* Detailed parameters for `{key_equipment_or_software_used_list_csv}`.
* Environmental conditions.
* Duration
frequency
or number of measurements/simulations.
* Specific protocols or standards followed (and if they are cited).
* **Recommendations**: [Point out specific missing information
e.g.
'Specify the sampling rate used for data acquisition with [Sensor Name].' or 'Provide details on the mesh convergence study for the FEA model using [Software Name].' or 'Describe the calibration procedure for [Instrument Name].']
**3. Justification and Appropriateness of Methods:**
* **Assessment**: [Are the chosen methods
materials
and equipment appropriate for achieving the `{research_objectives_text}`? Is the choice of methods justified
either explicitly or implicitly through common practice? Are any limitations of the chosen methods acknowledged?]
* **Recommendations**: [Suggest areas where justification is weak or missing
e.g.
'Explain why [Specific Method A] was chosen over [Alternative Method B] for addressing [Specific Objective].' or 'Discuss the potential impact of using [Material Grade X] if its properties significantly differ from those assumed in the model.']
**4. Data Analysis and Statistical Treatment (if described):**
* **Assessment**: [If data analysis or statistical methods are mentioned
are they appropriate and clearly described? Are error analysis or uncertainty quantification addressed?]
* **Recommendations**: [e.g.
'Specify the statistical tests used to compare groups.' or 'Clarify how outliers were handled in the dataset.']
**5. Reproducibility:**
* **Assessment**: [Overall
does the section provide enough information to ensure that the work is reproducible?]
* **General Recommendations**: [Summarize key actions to enhance reproducibility.]
**Specific Comments/Queries (line numbers or specific phrases can be referenced if the AI were to see the original text with them):**
* [e.g.
'Regarding the statement "...optimized parameters were used..."
please specify how these parameters were optimized and what the final values were.']
* [e.g.
'The description of [Equipment X from `{key_equipment_or_software_used_list_csv}`] lacks details on its accuracy/resolution
which could be important.']
**IMPORTANT**: The critique should be constructive
specific
and aimed at helping the author improve the methodology section. Refer to the `{research_objectives_text}` to ensure alignment.
- Am besten geeignet für: Detaillierte konstruktive Kritik an den methodischen Abschnitten von Forschungsarbeiten, um Maschinenbauingenieuren zu helfen, die Klarheit, Strenge und Reproduzierbarkeit ihrer Arbeit zu verbessern.
- Optimierung der Versuchsplanung
- Maschinenbau
AI Aufforderung an Ersteller der Checkliste für die Validierung experimenteller Daten
- Maschinenbau, Qualitätssicherung, Qualitätskontrolle, Qualitätsmanagement, Statistische Analyse, Testmethoden, Validierung, Überprüfung
Diese Eingabeaufforderung fordert die KI auf, eine detaillierte Checkliste für die Validierung der Qualität und Integrität von experimentellen Daten im Maschinenbau auf der Grundlage der vom Benutzer angegebenen Experimentbeschreibung und Datenart zu erstellen.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {experiment_description} {data_type}
Create a comprehensive checklist for validating the quality and integrity of experimental data in mechanical engineering. The experiment description is: {experiment_description}. The type of data collected is: {data_type}. The checklist should cover data collection methods, calibration, error sources, data consistency, and documentation practices. Format the checklist in markdown with numbered items and subpoints. Highlight critical validation steps.
- Am besten geeignet für: Am besten geeignet, um eine hochwertige, zuverlässige experimentelle Datenerfassung und -analyse zu gewährleisten
- Unterstützung beim Verfassen von Finanzhilfeanträgen und wissenschaftlichen Arbeiten
- Maschinenbau
AI Aufforderung an Struktur der Literaturübersicht für die Einleitung
- Additive Fertigung, Kontinuierliche Verbesserung, Design für additive Fertigung (DfAM), Innovation, Maschinenbau, Qualitätsmanagement, Nachhaltigkeitspraktiken
Hilft bei der Strukturierung des Literaturüberblicks für den Einleitungsteil einer Forschungsarbeit, indem es die wichtigsten Themen aus den bereitgestellten Zusammenfassungen identifiziert und einen logischen Ablauf vorschlägt, um die Forschungslücke für ein Thema im Maschinenbau zu ermitteln. Das Ergebnis ist eine Gliederung und ein Leitfaden mit Erläuterungen.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {research_topic_title} {Liste_der_Schlüssel_Abstracts_oder_papers_text} {Hauptforschungslücke_oder_Frage}
Act as a Research Methodology Advisor specializing in scientific writing for Mechanical Engineering.
Your TASK is to help structure the literature review part of an introduction section for a research paper on '`{research_topic_title}`'.
You will be given a `{list_of_key_abstracts_or_papers_text}` (a block of text containing several abstracts or summaries of key papers) and the `{main_research_gap_or_question}` the author intends to address.
Your goal is to propose a logical flow and thematic organization for the literature review that effectively leads to the stated research gap/question.
**PROPOSED LITERATURE REVIEW STRUCTURE (MUST be Markdown format):**
**Research Topic**: `{research_topic_title}`
**Stated Research Gap/Question**: `{main_research_gap_or_question}`
**I. Broad Context and Motivation (1-2 paragraphs)**
* **Guidance**: Start by establishing the general importance and relevance of the broader field related to `{research_topic_title}`.
* **Content to draw from `{list_of_key_abstracts_or_papers_text}`**: Identify abstracts that provide this wider context or highlight the significance of the area.
* **Example Phrasing**: "The field of [Broader Field of `{research_topic_title}`] has garnered significant attention due to its implications for..."
**II. Key Themes/Sub-areas from Existing Literature (organized thematically
3-5 paragraphs typically)**
* **Guidance**: Analyze the `{list_of_key_abstracts_or_papers_text}` to identify recurring themes
established findings
common methodologies
or different approaches related to `{research_topic_title}`. Group papers by these themes.
* **For each Theme/Sub-area X**:
* **A. Introduce Theme X**: Briefly state what this theme covers.
* **B. Summarize Key Contributions**: Discuss what important studies (from the provided list) have found regarding Theme X. Mention specific authors or papers if they are seminal (e.g.
"Smith et al. (Year) demonstrated...
while Jones (Year) focused on...").
* **C. Highlight Consistencies or Contradictions**: Note if findings are generally in agreement or if there are conflicting results or debates within this theme.
* **Example Themes (AI to derive from abstracts)**: Based on typical mechanical engineering topics
themes could be "Material Development for [Application]"
"Advancements in [Specific Manufacturing Process]"
"Computational Modeling of [Phenomenon]"
"Experimental Validation of [Theory/Model]"
"Limitations of Current [Technology/Approach]".
**III. Identification of a Specific Gap or Unresolved Issues (1-2 paragraphs)**
* **Guidance**: Transition from the summary of existing work to pinpointing specific limitations
unanswered questions
or underexplored areas that emerge from the reviewed literature. This section directly sets the stage for the `{main_research_gap_or_question}`.
* **Content to draw from `{list_of_key_abstracts_or_papers_text}`**: Look for phrases in abstracts like "further research is needed..."
"limitations of this study include..."
or areas where fewer studies exist.
* **Example Phasing**: "Despite these advancements
several aspects remain underexplored..." or "A critical review of the literature reveals a gap in understanding..."
**IV. Statement of Current Work and How It Addresses the Gap (1 paragraph)**
* **Guidance**: Clearly state the `{main_research_gap_or_question}` that YOUR proposed paper will address.
* Briefly outline how your paper aims to fill this gap or answer this question
linking it to the shortcomings identified in section III.
* **Example Phasing**: "Therefore
the present study aims to address this gap by investigating [your specific objective related to `{main_research_gap_or_question}`] through [your brief method]..."
**Logical Flow Summary**:
* `General Importance -> Specific Area Review (Thematic) -> Limitations/Gaps in Specific Area -> How Current Paper Fills a Specific Gap.`
**IMPORTANT**: The AI should analyze the provided `{list_of_key_abstracts_or_papers_text}` to suggest plausible themes. The structure should provide a compelling narrative that justifies the need for the research addressing the `{main_research_gap_or_question}`.
- Am besten geeignet für: Hilfe für Maschinenbauingenieure bei der Strukturierung des Literaturüberblicks in der Einleitung einer Forschungsarbeit, indem Informationen aus vorhandenen Zusammenfassungen thematisch geordnet und logisch zur Forschungslücke geführt werden.
- Prädiktive Modellierung
- Maschinenbau
AI Aufforderung an Material Property Prediction Model Builder
- Maschinelles Lernen, Materialien, Maschinenbau, Mechanische Eigenschaften, Algorithmen für die vorausschauende Wartung, Qualitätskontrolle, Qualitätsmanagement, Statistische Analyse
This prompt guides the AI to build a predictive model for mechanical material properties based on historical test data provided by the user in CSV format. It includes model selection, training, and validation steps.
Ausgabe:
- Python
- erfordert kein Live-Internet
- Fields: {csv_material_data} {target_property}
Using the following CSV data of mechanical material test results: {csv_material_data}, build a predictive model to estimate the target property: {target_property}. Follow these steps: 1) Preprocess the data (handle missing values, normalize features) 2) Select suitable modeling techniques (e.g., regression, machine learning) 3) Train the model and validate it with cross-validation 4) Output performance metrics (R², RMSE) 5) Provide the final model code snippet in Python. Respond only with the Python code and brief comments.
- Best for: Best for creating data-driven models to forecast material behavior
- Prädiktive Modellierung
- Maschinenbau
AI Aufforderung an Tool zur Vorhersage der Systemleistung
- Umweltverträglichkeitsprüfung, Umwelttechnologien, Maschinelles Lernen, Algorithmen für die vorausschauende Wartung, Qualitätsmanagement, Statistische Analyse, Statistische Prozesskontrolle (SPC), Systementwurf
Mit dieser Aufforderung wird die KI aufgefordert, die zukünftige Leistung eines mechanischen Systems auf der Grundlage historischer Betriebsdaten und Umgebungsfaktoren, die im JSON-Format bereitgestellt werden, zu prognostizieren. Die KI gibt eine Zeitreihenprognose mit Konfidenzintervallen aus.
Ausgabe:
- JSON
- erfordert kein Live-Internet
- Felder: {historical_data_json} {environmental_factors_json}
Given the historical operational data: {historical_data_json} and environmental factors data: {environmental_factors_json}, forecast the mechanical system's performance over the next 12 months. Use appropriate time series forecasting methods and provide confidence intervals for predictions. Structure the output as a JSON object with keys: 'month', 'predicted_performance', 'confidence_interval_lower', and 'confidence_interval_upper'. Include brief comments on model choice and assumptions.
- Am besten geeignet für: Am besten geeignet für die Vorhersage des mechanischen Systemverhaltens unter verschiedenen Bedingungen
- Prädiktive Modellierung
- Maschinenbau
AI Aufforderung an Modell zur Schätzung der Ausfallwahrscheinlichkeit
- Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Wartung, Maschinenbau, Algorithmen für die vorausschauende Wartung, Risikoanalyse, Risikomanagement, Statistische Analyse
Diese Aufforderung weist die KI an, ein Vorhersagemodell zu entwickeln, das die Ausfallwahrscheinlichkeit mechanischer Komponenten auf der Grundlage von Eingabemerkmalen und historischen Ausfalldaten, die im CSV-Format bereitgestellt werden, schätzt. Sie enthält eine Erklärung des Modells und Anweisungen zur Verwendung.
Ausgabe:
- Python
- erfordert kein Live-Internet
- Felder: {csv_failure_data} {component_features}
Using the provided CSV dataset of historical failures: {csv_failure_data} and the list of component features: {component_features}, build a predictive model estimating failure probability of mechanical components. Steps: 1) Data preprocessing 2) Feature importance analysis 3) Model training (e.g., logistic regression, random forest) 4) Model evaluation 5) Provide Python code with comments explaining usage. Return only the code and brief explanations.
- Am besten geeignet für: Am besten geeignet für die Vorhersage der Zuverlässigkeit von Komponenten und die Planung von Wartungsarbeiten
- Prädiktive Modellierung
- Maschinenbau
AI Aufforderung an Biomechanische Reaktionsvorhersage für Materialien
- Biomaterialien, Design für additive Fertigung (DfAM), Finite-Elemente-Methode (FEM), Werkstoffkunde, Maschinenbau, Mechanische Eigenschaften, Algorithmen für die vorausschauende Wartung, Tragwerksplanung
Mit dieser Eingabeaufforderung wird die KI aufgefordert, biomechanische Reaktionen von Materialien unter bestimmten Belastungsbedingungen vorherzusagen. Der Benutzer gibt Materialeigenschaften und Belastungsparameter ein, und die KI gibt ein detailliertes Reaktionsmodell aus.
Ausgabe:
- LaTeX
- erfordert kein Live-Internet
- Felder: {material_properties} {load_conditions}
Predict the biomechanical response of a material with the following properties: {material_properties}, subjected to load conditions: {load_conditions}. Include stress-strain behavior, deformation, and failure criteria. Present the response model using LaTeX formatted equations and explanations. Highlight assumptions and boundary conditions clearly.
- Am besten geeignet für: Am besten geeignet für die Modellierung des mechanischen Verhaltens von Materialien unter biomechanischer Belastung
- Analyse der Grundursache
- Maschinenbau
AI Aufforderung an Fehlerursachen-Hypothesengenerator
- Kontinuierliche Verbesserung, Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Schlanke Fertigung, Problemlösungs-Techniken, Prozessverbesserung, Qualitätsmanagement, Analyse der Grundursache, Sechs Sigma
Diese Aufforderung weist die KI an, plausible Ursachenhypothesen für ein mechanisches Fehlerereignis auf der Grundlage einer detaillierten Fehlerbeschreibung und beobachteter Symptome zu erstellen, die vom Benutzer bereitgestellt wurden.
Ausgabe:
- Text
- erfordert kein Live-Internet
- Felder: {failure_description} {observed_symptoms}
Analyze the following mechanical failure description: {failure_description}, along with observed symptoms: {observed_symptoms}. Generate a list of 5 plausible root cause hypotheses ranked by likelihood. For each hypothesis, provide supporting rationale and suggest diagnostic tests or inspections to confirm or rule out the cause. Format the output as a numbered list with clear headings.
- Am besten geeignet für: Am besten für erste Untersuchungen und die Eingrenzung von Fehlerursachen
- Analyse der Grundursache
- Maschinenbau
AI Aufforderung an Builder für die Fehlerbaumanalyse
- Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Fehlerbaumanalyse (FTA), Maschinenbau, Prozessverbesserung, Qualitätskontrolle, Qualitätsmanagement, Risikoanalyse, Risikomanagement
Diese Eingabeaufforderung fordert die KI auf, ein Fehlerbaumanalysediagramm im Textformat für ein bestimmtes mechanisches Systemfehlerereignis zu erstellen. Der Benutzer gibt die Beschreibung des Fehlerereignisses und die beteiligten Komponenten an.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {failure_event} {system_components}
Construct a fault tree analysis for the mechanical failure event described as: {failure_event}. Consider the following system components: {system_components}. Present the fault tree in markdown using indentation and bullet points to represent logical AND/OR gates and failure paths. Include explanations of each branch and possible root causes. Use uppercase for failure events and lowercase for components.
- Am besten geeignet für: Am besten geeignet für die Visualisierung von Fehlerfortpflanzung und Abhängigkeiten in mechanischen Systemen
Gehen wir davon aus, dass KI im Maschinenbau immer die besten Prompts generieren kann? Wie werden diese im Übrigen generiert?
Wird die KI menschliche Ingenieure überflüssig machen?
Verwandte Artikel
Use or Abuse 25 Cognitive Biases in Product Design and Manufacturing
Überarbeitete NIOSH-Hebegleichung in der Bankergonomie
Dark Web vs. Darknet vs. Deep Web: 101 und mehr
Neueste Veröffentlichungen und Patente zu Zellulären Automaten
Darknet-Tools für Technik und Wissenschaft
101 zum optimalen Lesen eines Patents (für Nicht-Patentanwälte)