Die digitale Transformation führt in technischen Systemen zu einer Aufweitung der Funktionalitäten. Moderne technische Systeme werden mit Sensornetzen ausgestattet, die neben den ohnehin verfügbaren Betriebsdaten eine umfassende Überwachung des technischen Systems ermöglichen. Ein derartiges Condition Monitoring, im Deutschen auch Zustandsüberwachung genannt, dient typischerweise der Diagnose des aktuellen Systemzustands und der Prognose zukünftiger Systemzustände oder der Produktqualität in einem Produktionsprozess. Diese Methoden des Condition Monitorings lassen sich unterteilen in modell-basierte, datengetriebene sowie hybride (eine Kombination der beiden vorherigen) Verfahren, mit denen aus Sensordaten mögliche Schädigungszustände technischer Systeme bestimmt und die nutzbare Restlebensdauer prognostiziert wird. Darauf aufbauend ermöglicht die Instandhaltungsstrategie Predictive Maintenance einen ressourcenschonenden und kosteneffizienten Betrieb der überwachten Systeme.

Ein Forschungsschwerpunkt liegt hier auf der Entwicklung robuster Prognosemethoden für technische Systeme, die unter instationären Bedingungen betrieben werden, beispielsweise stark variierende Umgebungsbedingungen mit großer Auswirkung auf die nutzbare Restlebensdauer. Um das Potential eines Condition Monitoring Prozesses für Instandhaltungsingenieuren zu einem vertretbaren Aufwand nutzbar zu machen, werden Möglichkeiten erarbeitet die Methoden einerseits zu automatisieren und andererseits die datengetriebenen Verfahren erklärbar zu machen, sodass die Entscheidungen der trainierten Modelle für den Menschen verständlich sind. Dabei stellt insbesondere die Kombination von ingenieurwissenschaftlichem Wissen über ein technisches System und datengetriebener Algorithmen des Maschinellen Lernens zu einem hybriden Condition Monitoring Verfahren ein Forschungsfeld dar.

Im Entwurf mechatronischer Systeme bildet die Absicherung der Verlässlichkeit, als Sammelbegriff verschiedener Aspekte wie Zuverlässigkeit, Verfügbarkeit, Sicherheit und Integrität, ein wichtiges Ziel. Dabei steht die Selbstoptimierung technischer Systeme im Vordergrund, die eine autonome Anpassung des Systemverhaltens an variierende Betriebsbedingungen und Nutzeranforderungen ermöglicht. So entwickelt der Lehrstuhl Maßnahmen zur Steigerung der Verlässlichkeit selbstoptimierender Systeme während des Betriebs in Form von Konfigurationssteuerungen, aktiver Regelungen der Zuverlässigkeit des Systems sowie Digitale Zwillinge für die Unterstützung der Instandhaltung.