
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 zum Beispiel bei der generativen Konstruktion, beschleunigen Simulationen (FEA/CFD), helfen bei der vorausschauenden Wartung, bei der KI Sensordaten von Maschinen analysiert, um potenzielle Ausfälle vorherzusagen, 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 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
- Ursachenanalyse
- Maschinenbau
AI Aufforderung an Fehlerursachen-Hypothesengenerator
- Kontinuierliche Verbesserung, Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Schlanke Fertigung, Problemlösungs-Techniken, Prozessverbesserung, Qualitätsmanagement, Ursachenanalyse, 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
- Ursachenanalyse
- 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
- Ursachenanalyse
- Maschinenbau
AI Aufforderung an Fehlermöglichkeits-Priorisierungsmatrix
- Kontinuierliche Verbesserung, Abhilfemaßnahmen, Analyse des Versagens, Fehlermöglichkeits- und Einflussanalyse (FMEA), Prozessverbesserung, Qualitätskontrolle, Qualitätsmanagement, Risikoanalyse, Risikomanagement
Mit dieser Eingabeaufforderung wird die KI aufgefordert, eine Prioritätenmatrix für Fehlermodi zu erstellen, die auf einer CSV-Eingabe von Fehlermodi, deren Schweregrad, Auftreten und Erkennungsraten basiert. Sie hilft bei der Priorisierung der Ursachen für mechanische Ausfälle.
Ausgabe:
- CSV
- erfordert kein Live-Internet
- Felder: {csv_failure_modes}
Using the following CSV data of failure modes with columns: Failure_Mode, Severity, Occurrence, Detection: {csv_failure_modes}, calculate Risk Priority Numbers (RPN) for each mode. Sort the failure modes by decreasing RPN and generate a prioritization matrix. Output a CSV with columns: Failure_Mode, Severity, Occurrence, Detection, RPN, Priority_Rank. Provide a brief summary explaining the top 3 prioritized failure modes and recommendations for mitigation.
- Am besten geeignet für: Am besten geeignet für die quantitative Priorisierung von Fehleruntersuchungen und Abhilfemaßnahmen
- Ursachenanalyse
- Maschinenbau
AI Aufforderung an Berichtgenerator für die Ursachenanalyse
- Kontinuierliche Verbesserung, Abhilfemaßnahmen, Analyse des Versagens, Schlanke Fertigung, Prozessverbesserung, Qualitätssicherung, Qualitätsmanagement, Ursachenanalyse, Statistische Prozesskontrolle (SPC)
Diese Eingabeaufforderung weist die KI an, einen detaillierten Bericht zur Ursachenanalyse für ein mechanisches Versagen zu erstellen, der auf einer bereitgestellten Zusammenfassung des Vorfalls, Testergebnissen und Inspektionsergebnissen basiert. Sie fasst die Informationen in einem strukturierten Dokument zusammen.
Ausgabe:
- Markdown
- erfordert kein Live-Internet
- Felder: {Vorfall_Zusammenfassung} {test_results} {inspection_findings}
Generate a comprehensive root cause analysis report for the mechanical failure incident described below. Incident Summary: {incident_summary}. Test Results: {test_results}. Inspection Findings: {inspection_findings}. Structure the report with sections: Executive Summary, Problem Description, Analysis Methodology, Root Cause Identification, Recommendations for Prevention, and Conclusion. Use markdown formatting with headings and bullet points where appropriate. Emphasize clarity, technical accuracy, and actionable insights.
- Am besten geeignet für: Am besten geeignet für die Erstellung einer formalen, strukturierten Dokumentation zur Ursachenanalyse
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
Über 45 Tricks der Kognitionswissenschaft für Spiele und Marketing: Psychologische und Engagement-bezogene
Neueste Veröffentlichungen und Patente zu Zeolithen
Neueste Veröffentlichungen und Patente zu Metall-organischen Gerüstverbindungen (MOFs)
Neueste Veröffentlichungen und Patente zu kovalenten organischen Gerüstverbindungen (COFs)
Neueste Veröffentlichungen und Patente zu Aerogelen und Aerographen
Neueste Veröffentlichungen & Patente zu hochentropischen Oxiden (HEOs)