Die fortschreitende Digitalisierung und Vernetzung der Produktion ermöglicht den Einsatz von datengetriebenen Analysen zur Optimierung automatisierungstechnischer Industrieprozesse. Durch die Interpretation der Analyseergebnisse unterschiedlicher Datenquellen können Entscheidungen im Sinne einer Handlungsempfehlung vorbereitet oder automatisch vom zugrundeliegenden IT-System getroffen werden. So können beispielsweise Handlungen des Wartungspersonals veranlasst oder direkt Maschinenparameter verändert werden. Im industriellen Prozessumfeld, das durch sich häufig ändernde Umgebungsbedingungen und sehr spezielle Anwendungsfälle gekennzeichnet ist, besteht eine Herausforderung in der Ableitung von nachvollziehbaren Handlungsempfehlungen bzw. Systementscheidungen von hoher Zuverlässigkeit und zweckmäßiger Qualität. Hierzu ist es notwendig, die Wissenswelt der Datenanalyse mit der Modellwelt von Komponenten und Systemen sowie mit dem Expertenwissen von Werkern und Ingenieuren über ein lernendes System zu vereinen. Es ist zudem erforderlich, den Erfahrungsgewinn aus bereits getroffenen Entscheidungen in zukünftigen Systemzuständen zu berücksichtigen, damit sich das System weiter selbstoptimiert.

Als Ziel dieses Forschungsprojekts sollen Methoden entwickelt werden, um unterschiedliche Daten- und Wissensquellen in einem lernenden und selbst optimierenden System zu kombinieren. Auf diese Wiese soll schließlich die Qualität und Nachvollziehbarkeit von Handlungsempfehlungen bzw. autonomen Systementscheidungen erhöht werden. Hierbei gilt es zu untersuchen, welche Arten von Vorgehensmodellen, algorithmischen Methoden und Software-Werkzeugen für welchen Anwendungsfall zwischen Handlungsempfehlung und autonomer Systementscheidung sinnvoll eingesetzt werden können.