Das Ziel des Projekts besteht darin, ein System zur prädiktiven Wartung vernetzter Geräteflotten basierend auf Methoden des maschinellen Lernens zu erforschen und zu realisieren. Es soll untersucht werden, unter welchen Voraussetzungen Flottenwissen bzw. Expertinnen- und Expertenwissen vorteilhaft für die Prädiktion des Maschinen- und Komponentenverhaltens genutzt werden kann. Ein Schwerpunkt liegt darauf, was aus systemübergreifend aggregierten Daten gelernt werden kann und wie Erfahrungen aus der Belegschaft automatisiert einfließen können. Zudem soll durch die Kombination von Lernverfahren mit physikalisch motivierten Modellen die Plausibilität der Prädiktionsergebnisse und somit die Praxistauglichkeit erhöht werden. Diese Fragestellungen werden für mechatronische und optische Komponenten vergleichend untersucht. Darüber hinaus wird eine Flotte mobiler Roboter als offene Referenzplattform für die Forschung und für eine breite Zugänglichkeit der Ergebnisse für nicht am Projekt beteiligte Akteure implementiert. Für eine wirtschaftliche Umsetzung in industrielle Anwendungen wird analysiert, was mit bestehender Sensorik erreicht werden kann und welche Verbesserungen nur durch Integration weiterer Sensorik möglich werden. Hierdurch soll sichergestellt werden, dass Ausfälle reduziert und Wartungszyklen optimiert werden.