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

Ein weiteres Hindernis ist das Fehlen einer umfassenden Methodik zur Informationsfusion. W?hrend für einzelne Aspekte, wie die Verarbeitung heterogener Datenformate oder Transfer Learning, bereits erste L?sungen existieren, bleibt die systematische Integration dieser Ans?tze eine offene Forschungsfrage. Hinzu kommt die begrenzte Menge an verfügbaren Daten, die den Einsatz datengetriebener Modelle einschr?nken.

Zus?tzlich erfordert die flexible Anpassung von Betriebsstrategien eine Optimierung der Instandhaltungsplanung, welche aufgrund der Komplexit?t 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 Ans?tze 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 Instandhaltungsvorschl?gen erm?glicht werden, um pr?zise und effiziente Entscheidungen für die Instandhaltung zu treffen.