원인 모호성에 대한 기능적 행동 예측 및 원형 공장 재료 피로 평가

원형 공장에서 반환된 제품은 다양한 노후 상태, 사용 기록, 남은 기능성 상태를 가지고 재생산에 들어간다. 재생산 여부를 현재 검사 alone 에서 결정할 수 없으며, 미래 기능 충족 및 부품完整성은 다음 서비스 시나리오에서 다르게 진화할 수 있다. 현재 PHM 접근법은 노후 예측을 지원하지만, 고정 운영 조건이나 고립된 부품 벤치마크를 대상으로 하며, 재료 피로 평가를 시스템 수준의 기능적 예측과 연결하는 경우는 드물다. 이 논문은 이러한 빈칸을 채우기 위해, 각기 다른 노후 상태, 사용 기록 및 남은 기능성 상태를 가진 각기 다른 재생산 제품에 대한 예측을 지원하기 위해, 모호성에 대한 기능적 행동 예측을 위한 새로운 접근법을 제안한다.

제안된 framework 는 현재 도구 상태와 최근 force--torque 사용 기록을 결합한다. convolutional encoder 는 spindle forces 와 shaft torque 에서 loading patterns 를 추출하고, LSTM backbone 는 9 개의 기능 변수를 Gaussian mean 과 variance estimates 로 예측한다. 동시에 동일한 loading history 는 finite-element-supported stress reconstruction, S--N/Miner damage evaluation with Haibach extension, 및 Paris-law crack-growth analysis 를 통해 output-shaft fatigue 정보로 변환된다. streaming replay algorithm 는 두 가지 branch 를 기능적, 재료 및 시스템 신뢰도 경로로 통합한다.

하용 테스트에서는 9 개의 출력에 대한 평균 2\% tolerance 정확도가 0.9652로 나타났다. 열 변수는 거의 완벽하게 예측되었으며, drive motor current 및 load speed 는 가장 어려운 동적 출력으로 남아 있으며, R^2 값이 각각 0.9750 및 0.9924로 나타났다. torque history 는 이러한 변수에 특히 중요하며, conventional LSTM 는 GRU 및 xLSTM 에서 short-history 설정에서 더 우수한 성능을 나타냈다. 신뢰도 조정은 drive motor current 에서 예측된 및 관찰된 초과 확률에서 가장 정보가 많았다.

• Convolutional encoder
• LSTM backbone
• Finite-element-supported stress reconstruction
• S--N/Miner damage evaluation with Haibach extension
• Paris-law crack-growth analysis
• Streaming replay algorithm