In het tijdperk van Industrial Internet of Things (IIoT) en Industry 4.0 zullen complexe elektromechanische systemen worden uitgerust met een verscheidenheid aan sensoren die nieuwe kansen bieden voor de ontwikkeling van systemen voor gezondheidsmonitoring en -beheer, gericht op een optimale benutting van beschikbare informatie om de prestaties van machines. Een van de 10 prioriteiten van de Europese Commissie sinds 2015 is de "digitale eengemaakte markt" (om ervoor te zorgen dat de Europese economie, industrie en werkgelegenheid optimaal profiteren van wat digitalisering biedt), terwijl wereldleiders op het gebied van technologie, zoals Rolls Royce, Siemens en GE, toewerken naar de ontwikkeling van speciale digitale platforms (R2Data®, MindSphere® & Predix®). Gericht op de verhoging van de betrouwbaarheid en veiligheid van de productie en op de verlaging van de kosten, is er een steeds toenemende industriële behoefte, niet alleen voor nauwkeurige, vroegtijdige, tijdige en online foutdetectie en diagnose met een minimum / optimaal aantal valse alarmen en gemiste detecties maar ook voor een robuuste, vroege, nauwkeurige en tijdige schatting van de resterende gebruiksduur (RUL) van de defecte componenten, binnen een betrouwbaarheidsinterval, onafhankelijk van de bedrijfsomstandigheden. Prognostics and Health Management (PHM) is een opkomende technische discipline, die de faalmechanismen koppelt aan het beheer van de levenscyclus van het systeem, maar is nog steeds een achilleshiel in Condition Based Monitoring die nog onvolwassen is. Prognostics is uiterst belangrijk voor veiligheidskritische componenten en daarom zijn de eerste prognostische toepassingen gericht op ruimtevaartvoertuigtoepassingen (NASA, GE, Rolls Royce, Pratt & Whitney), op elektronica en batterijtoepassingen (voornamelijk gerelateerd aan ruimtevaart) en recentelijk op industriële toepassingen zoals als machines voor het maken van papier. Bovendien hebben de bestaande Prognostic and Health Monitoring (PHM) -technieken nog niet het nauwkeurigheidsniveau bereikt dat nodig is voor systemen die onder verschillende bedrijfsomstandigheden werken en hebben ze hun positie in de industriële wereld nog niet massaal gevonden. Een belangrijke technologische barrière is het ontbreken van echte (voornamelijk trillings) meetgegevens van het industriële veld in voldoende hoeveelheden (genoeg om de juiste training en validatie van Machine Learning-algoritmen te verzekeren), vastgelegd onder verschillende bedrijfsomstandigheden en met verschillende faalwijzen en afwijkingen, aangezien industrieën hun machines zelden laten mislukken. Bovendien vertonen de fysieke afbraakproeven, zelfs in hun versnelde versie, een lange duur en extreem hoge kosten zonder de natuurlijke ontwikkeling van verschillende faalwijzen te verzekeren. Om de bovengenoemde beperkingen te overwinnen, is het kerndoel van het project daarom de ontwikkeling van een Digital Twin-benadering voor gezondheidsmonitoring en voorspellend onderhoud van transmissies, bestaande uit lagers en tandwielen. De belangrijkste doelstellingen van het project zijn: a) de ontwikkeling van een Digital Twin van een fysiek onderdeel / systeem in werking, om gegevensgestuurde prognostische methodologieën te ondersteunen door simulaties en kunstmatige gegevensgeneratie, waarbij wordt geprobeerd het klassieke probleem van niet-beschikbare, schaarse of ingekorte gegevens op te lossen en b) het voorstel van geavanceerde prognostische technieken voor het schatten van de resterende nuttige levensduur van mechanische componenten / systemen, gebaseerd op de combinatie van het Digital Twin-perspectief met machine learning en parameterschattingstechnieken.