Optimierungen mit herkömmlichen genetischen Algorithmen oder vergleichbaren Methoden ersparen heute schon viel Zeit, um den optimalen Entwurf eines Motors oder Generators bezüglich einer Anforderungsliste zu finden. Die Komplexität steigt allerdings auch ständig, sodass dieser Prozess dennoch Wochen oder Monate dauert und rechenaufwändig ist.
Um diese Komplexität, insbesondere vor dem Hintergrund schnell veränderlicher Anforderungen und mehrerer Optimierungsziele (Multi-Objective Optimization, MOO) zu verringern, entsteht am iMEK ein Optimierungsframework. Mechatronische Systeme, in diesem Fall elektrische Maschinen, werden in kleinere Segmente, beispielsweise in ihre physikalische Domänen, unterteilt und modelliert. Die Modelle werden mit Design of Experiments-Methoden untersucht und Metamodelle erzeugt, welche das Verhalten der Modelle möglichst präzise und gut vorhersagbar approximiert. Mit den Metamodellen (Approximationsmodellen) lässt sich innerhalb kürzester Zeit ein breiter Entwurfsraum komplett berechnen und mit einfachen Kostenfunktionen auswerten.
Damit ist auch eine Verwertung der Methodik im Engineer-to-Order-Prozess denkbar, bei dem Kund\*innen nach Angabe ihrer Anforderungen innerhalb weniger Minuten ein Datenblatt einer für sie optimalen, simulierten Maschine erhalten. Dadurch werden Entwicklungskosten reduziert, sodass bis zum tatsächlichen Einsatz nur noch eine Validierung eines Musters nötig ist und für jede Anwendung die optimale Maschine gefunden werden kann.
