For at imødekomme kravene til bæredygtighed, gjort klare gennem De Forenede Nationers 17 verdensmål, sigter Danmark mod en total dekarbonisering af energisektoren inden 2030. Vores samfund afhænger dog af en pålidelig infrastruktur, herunder omkostningseffektiv energiforsyning. Her er vindenergi en naturlig komponent, og Danmark har positioneret sig som verdensledende inden for produktion af møller og drift af parker. Med stadig større møller stiger de samfundsmæssige omkostninger forbundet med svigt af komponenter eller, værre, hele møller. Det er derfor vigtigt at opdage små fejl, fx revner, tidlig, før de eskalerer.
Structural Health Monitoring (SHM) kan bruges til at observere vindmøller og forudsige svigt, hvilket muliggør rettidige modforanstaltninger. Nuværende SHM-teknikker er rent datadrevne eller næsten kun baseret på digitale modeller.
Datadrevne modeller har ingen ide om det underliggende fysiske system, hvilket vanskeliggør forudsigelse af begivenheder, der ikke før har fundet sted. Digitale modeller mangler omvendt indsigt i responsændringer grundet fænomener, der ikke var forventet. Projektet foreslår derfor en hybrid tilgang, som kombinerer målinger og machine learning med effektive digitale modeller, der opdateres for at inkorporere mulige svigtmekanismer. Model- og måleusikkerheder behandles systematisk. Dette tillader realtidsmonitorering, som kan forlænge levetiden for møller med en forventning om mere omkostningseffektiv vindenergiproduktion.