Projektets syfte var att öka tillgängligheten i äldre pressgjutmaskiner och pressgjutceller med minst 10 % genom att identifiera och analysera data som redan idag loggas digitalt, och genom att identifiera vilket slags data som eventuellt ytterligare behöver loggas och hur detta i sådana fall skall ske. En analysmetod som gavs särskilt fokus baserades på maskininlärning, och syftade till att utveckla en modell för tillståndsbaserat, det vill säga prediktivt, underhåll. Projektet kunde slå fast att de deltagande gjuterierna loggar driftstoppdata som endast genom visualisering sannolikt skulle kunna hjälpa dem att fatta beslut som markant kan höja tillgängligheten. För att kunna utveckla mjukvara för tillståndsbaserat underhåll krävs däremot loggning av fler maskinrelaterade processparametrar än vad de i projektet eftermonterade sensorerna klarade av att logga, och dessutom behöver denna loggning ske under mycket längre tid, eftersom driftstoppen visade sig ske med så långa tidsmässiga mellanrum att mängden träningsdata inte hann bli stor nog. Tre olika maskininlärningsbaserade modeller utvecklades och testades, inklusive ett djupt faltningsnätverk, där den bästa av dem uppnådde ett resultat där 11,3 % av alla predikterade maskinstopp var falska positiva, vilket visserligen är bättre än slumpen men inte tillräckligt bra för praktisk implementering. Projektet har resulterat i kunskap och praktisk erfarenhet kring sensorer samt insamling och bearbetning av mätdata som kommer att ligga till grund för vidare arbete mot digitalisering av svenska pressgjuterier, ett arbete som är absolut nödvändigt för att kunna stå sig i den internationella konkurrensen.