精选今天0 投票
不确定性感知的循环工厂功能行为预测与材料疲劳评估
从“能用”到“可靠”：循环工厂如何用AI预测再制造部件的剩余寿命？
随着循环经济理念的深入，越来越多的产品在生命周期结束后被回收，重新进入生产流程。然而，这些返回产品的退化状态、使用历史和剩余能力千差万别，给再制造决策带来了巨大挑战。仅仅依靠当前的外观检查或简单测试，无法判断它们在下一个使用场景中能否可靠地履行功能。
近日，一篇发表在arXiv上的论文提出了一种结合不确定性感知的功能预测与组件级疲劳评估的综合框架，为循环工厂中的产品重用决策提供了更科学的依据。该研究以角磨机为案例，展示了如何利用AI和工程力学方法，对再制造部件的未来行为进行精准预测。
现有方法的局限
传统的预测与健康管理（PHM）方法虽然支持退化预测，但通常针对固定运行条件或孤立组件，难以处理循环工厂中多样化的使用历史。而材料疲劳评估往往停留在组件层面，很少与系统级的功能预测相结合。这导致再制造决策缺乏对部件未来可靠性的量化理解。
创新框架：融合AI与力学模型
该研究提出的框架将当前工具状态与近期力-扭矩使用窗口相结合，通过两个并行分支实现全面评估：
- 功能预测分支：使用卷积编码器提取主轴力和轴扭矩的载荷模式，并通过LSTM骨干网络预测九个功能变量的高斯均值和方差估计，从而量化预测的不确定性。
- 材料疲劳评估分支：将同样的载荷历史转化为输出轴的疲劳信息，包括有限元支持的应力重构、基于S-N曲线和Miner线性累积损伤（含Haibach修正）的损伤评估，以及Paris公式裂纹扩展分析。
最终，通过流式重放算法将两个分支的结果综合为功能、材料和系统可靠性轨迹，实现从“当前状态”到“未来可靠性”的动态推断。
实验结果：精度与洞察
在留出测试中，该模型在2%容差精度下达到了0.9652的平均准确率。具体来看：
- 热变量预测近乎完美，而驱动电机电流和负载速度是最具挑战性的动态输出，其决定系数（R²）分别为0.9750和0.9924。
- 扭矩历史对这两个变量的预测尤为重要，表明载荷数据是功能预测的关键输入。
- 在短历史序列设置下，传统LSTM的表现优于GRU和xLSTM，显示出对时间序列建模的稳健性。
- 可靠性校准在驱动电机电流上信息量最大，预测的超出概率与观测值高度一致，为再制造决策提供了量化依据。
行业意义
这项研究为循环工厂的“检测-决策”环节提供了更可靠的工具。通过将AI驱动的功能预测与经典的疲劳力学分析相结合，企业可以更科学地判断：哪些返回部件可以直接重用？哪些需要维修？哪些应该报废？这不仅降低了因过早报废造成的资源浪费，也避免了因低估风险导致的产品故障。
未来，随着更多类型产品数据的积累，这种不确定性感知的预测框架有望成为循环制造智能决策的核心组件，真正推动“从摇篮到摇篮”的闭环经济落地。