Onverwachte problemen in de productie komen vaak voor en resulteren in downtime en inkomstenverlies. Recent onderzoek gebruikt machinaal leren om deze problemen te voorspellen. Op basis van historische data die de context beschrijven voor deze storingen optreden, worden modellen getraind die patronen in de gegevens kunnen vinden om zo de resterende levensduur van een machine te voorspellen. Het grootste nadeel van deze manier van werken is echter dat deze modellen (heel) veel data nodig hebben om goed te functioneren voor verschillende storingen en bedrijfscontexten. Daarom probeer ik in dit onderzoeksproject om deze modellen te helpen sneller de juiste oplossing te vinden door hen ook fysieke kennis over de machine aan te bieden. Ingenieurs hebben immers vaak gedetailleerde kennis over het fysieke gedrag van de machines die ze ontwerpen. Als bijvoorbeeld een automotor draait, mag hij bepaalde temperaturen of geluidsniveaus niet overschrijden. Wanneer dit toch gebeurt, kan de motor falen. In plaats van modellen te trainen die deze gekende patronen uit historische gegevens leren, zullen we hen vanaf het begin van expertkennis voorzien. Hierdoor kunnen ze veel sneller leren en met minder gegevens. Bovendien willen we deze modellen niet telkens opnieuw trainen voor elke nieuwe omgeving waarin een machine wordt ingezet (bv. verschillende weersomstandigheden). De modellen moeten slim genoeg zijn om triggers geleerd voor één omgeving, te extrapoleren naar een andere omgeving.