Die rechnergestützte Detektion und Diagnose von Fehlern (FDD) stellt eine wesentliche Komponente im Bereich der vorausschauenden Wartung technischer Systeme dar. Die auf systemspezifischen und ausreichend informativen Analysedaten angesetzten FDD-Methoden sind in der Lage symptomatische Zustände vorherzusagen, sind dabei jedoch stets aufgrund des No-Free-Lunch-Theorems in ihrer Klassifikationsperformanz beschränkt. Dies motiviert die Verwendung von mehreren FDD-Methoden in einem Ensemble, die jeweils auf gleichen oder gar unterschiedlichen Analysedaten arbeiten und sich somit gegenseitig in ihren Entscheidungen ergänzen.

Die vorliegende Arbeit beschäftigt sich mit der Fusionierung von FDD-Methoden auf der Entscheidungsebene. Hierzu werden unterschiedliche Fusionsstrategien aus dem Bereich der Mustererkennung und Ensemble-Techniken adaptiert und analysiert. Nach der methodologischen Anforderungsanalyse wird die Architektur des Frameworks zur Entscheidungsfusion eingeführt, gefolgt von Transformationen der Klassifikationsdaten, die zu einer erhöhten Kompatibilität der Fusionsmethoden führt. Zudem wird das Konzept der AutoFusion eingeführt, das neben der automatisierten Auswahl der Fusionsmethoden für den jeweiligen Anwendungsfall auch für ein bestmögliches Fusionsergebnis sorgt. Das Framework wird anhand einer prototypischen Implementierung umgesetzt, dessen Anwendungsarchitektur nicht zuletzt die Integration neuer Fusionsmethoden erleichtert. Um die Verwendbarkeit des Frameworks zu zeigen, wird dieses an synthetischen und realen Ensemble-Klassifikationsausgaben zur Fusion angesetzt, dessen Klassifikationsperformanz evaluiert und den FDD-Methoden gegenübergestellt. Die Auswertung zeigt eine signifikante Verbesserung der Klassifikationsperformanz anhand diverser Metriken.