Die Entwicklung eines Smart Factory Grids bringt spezifische Herausforderungen mit sich. Insbesondere die Heterogenität der Informationsquellen stellt ein zentrales Problem dar. Die Daten sind oft hochdimensional, unterschiedlich formatiert und variieren in ihrer Verfügbarkeit und Qualität. Dies erschwert die Kombination und Nutzung dieser Daten zur Zustandsdiagnose und -prognose erheblich.

Ein weiteres Hindernis ist das Fehlen einer umfassenden Methodik zur Informationsfusion. Während für einzelne Aspekte, wie die Verarbeitung heterogener Datenformate oder Transfer Learning, bereits erste Lösungen existieren, bleibt die systematische Integration dieser Ansätze eine offene Forschungsfrage. Hinzu kommt die begrenzte Menge an verfügbaren Daten, die den Einsatz datengetriebener Modelle einschränken.

Zusätzlich erfordert die flexible Anpassung von Betriebsstrategien eine Optimierung der Instandhaltungsplanung, welche aufgrund der Komplexität der Fertigung nicht mehr klassische Verfahren durchgeführt werden kann.

Der Forschungsansatz zielt auf die Entwicklung einer ganzheitlichen Methodik zur Zustandsdiagnose und -prognose in einem Smart Factory Grid ab. Ein zentraler Schritt ist die Klassifikation der relevanten Informationsquellen, wie Sensor- und Betriebsdaten, Simulationsergebnisse oder physikalische Modelle. Darauf aufbauend werden problembezogene Methoden zur Informationsfusion erarbeitet. Ziel ist es, Daten unterschiedlicher Formate und Quellen konsistent zusammenzuführen und sowohl physikalische als auch datengetriebene Ansätze zu kombinieren.

Der Forschungsansatz zielt darauf ab, das Health Management in einem Smart Factory Grid als komplexes Optimierungsproblem zu adressieren. Hier wird die Einbindung einer Fertigungssimulation, die bislang in der Literatur fehlt, untersucht. Mit Predictive bis Prescriptive Maintenance soll die automatisierte Generierung von Instandhaltungsvorschlägen ermöglicht werden, um präzise und effiziente Entscheidungen für die Instandhaltung zu treffen.