HAIEM vloeit voort uit de meerdere interacties die plaatsvonden in het onlangs voltooide Flanders Make ICON project MODA. Flanders Make DecisionS, FlandersMake@UGent-EEDT-DC, Bekaert en Atlas Copco waren partners in het MODA.      Deze interacties, evenals die met vele andere bedrijven, bevestigden dat de Vlaamse industrie sterk afhankelijk is van modellen van fysisch dynamische systemen (bijv. aandrijflijnmodellen, thermische modellen, actuatormodellen) om toepassingen te realiseren zoals monitoring (bijv. anomaliedetectoren, conditieschatters, levensduur voorspellers), selectie van (besturings)instellingen (bijv. modelgebaseerde regelaars) en ontwerp van regelaars (bijv. datagestuurde regelaars). Het fysisch modelleren van bepaalde grootheden zoals wrijving, flexibiliteit en slijtage tot het gewenste nauwkeurigheidsniveau is echter zeer tijdrovend. De groeiende beschikbaarheid van industriële data is een kans die benut kan worden om deze tekortkomingen te verhelpen door fysische modellen te combineren met AI-technologie. Hybride modellen (HM's), waarvoor een basisraamwerk is ontwikkeld binnen het MODA-project, maken het mogelijk om fysische modellen en AI-gedreven modellen samen te laten werken. De belangrijkste innovatie is dat in plaats van alleen onbekende parameters in een fysiek model te matchen met data, onbekend dynamisch gedrag datagedreven wordt gemodelleerd.   Hybride modellen hebben een grotere extrapoleerbaarheid en/of overdraagbaarheid (hierna "transpoleerbaarheid" genoemd) vergeleken met pure AI-modellen. Ze zijn ook beter interpreteerbaar door de toevoeging van deskundige kennis. Het beperkte aantal vrijheidsgraden in de hybride modellen – in vergelijking met pure AI-modellen – leidt natuurlijk tot een hogere robuustheid, wat in combinatie met interpreteerbaarheid hun betrouwbaarheid aanzienlijk verhoogt. HAIEM zal het MODA-raamwerk verder ontwikkelen naar transpoleerbaarheid. Hiertoe zal specifiek worden gefocust op methoden om de extrapoleerbaarheid naar andere bedrijfsomstandigheden te kwantificeren en op methoden om een ​​betere overdraagbaarheid van modellen naar andere machines te waarborgen. Dit laatste zal worden bereikt door te onderzoeken hoe transfer learning-methoden voor pure AI-modellen kunnen worden aangepast voor toepassing op hybride modellen zonder de sterke behoefte aan uitgebreide datasets. Hiertoe zullen we de relatie onderzoeken tussen de grootte en kwaliteit van de trainingsdataset en de prestaties van het hybride model om de verzameling experimenten te sturen om de prestaties te verbeteren.