🤖 AI

Uncertainty Aware Functional Behavior Prediction and Material Fatigue Assessment for Circular Factory

Dieses Paper schlägt ein unsicherheitssensitives Framework für zirkuläre Fabriken vor, das auf Deep Learning basierende Funktionsvorhersage mit physikgestützter Materialermüdungsbewertung integriert, um instanzspezifische Zuverlässigkeits-Workflows für Rückläufer wie beispielsweise Winkelschleifer zu ermöglichen.

Ursprüngliche Autoren: Nehal Afifi, Mehdi Khabou, Victor Mas, Jonas Hemmerich, Patric Grauberger, Stefan Dietrich, Volker Schulze, Sven Matthiesen

Veröffentlicht 2026-06-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nehal Afifi, Mehdi Khabou, Victor Mas, Jonas Hemmerich, Patric Grauberger, Stefan Dietrich, Volker Schulze, Sven Matthiesen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine „Zirkuläre Fabrik“ als ein riesiges, hochmodernes Recyclingzentrum für Werkzeuge vor. Anstatt alte Elektrowerkzeuge wegzuwerfen, wenn sie nicht mehr perfekt funktionieren, möchte die Fabrik ihnen ein zweites Leben schenken. Aber hier ist der Haken: Jedes zurückgegebene Werkzeug ist anders. Das eine wurde vielleicht jahrelang sanft benutzt, während ein anderes in wenigen Monaten misshandelt wurde. Man kann nicht einfach nur auf ein Werkzeug schauen und sagen: „Es funktioniert, also ist es gut so.“ Man muss wissen, ob es weiterhin funktionieren wird und ob seine internen Teile heimlich kaputtgehen.

Dieses Paper präsentiert ein „Digital Twin“-System – ein intelligentes Computergehirn – das wie ein Wahrsager und ein Detektiv zugleich fungiert, speziell für ein gängiges Werkzeug: den Winkelschleifer.

So funktioniert das System, unterteilt in einfache Konzepte:

1. Der zweigleisige Detektiv

Das System betrachtet nicht nur das Werkzeug; es betrachtet zwei verschiedene Dinge gleichzeitig:

Der „Verhaltens“-Detektiv (Der Wahrsager): Dieser Teil fragt: „Wie wird sich dieses Werkzeug morgen verhalten, wenn ich es benutze?“ Er betrachtet die aktuelle „Stimmung“ des Werkzeugs (ist es heiß? summt der Motor seltsam?) und seine jüngste „Geschichte“ (welche schwere Arbeit hat es gerade verrichtet?). Er nutzt eine spezielle Art von KI (genannt LSTM), um die Zukunft vorherzusagen. Es ist wie ein Wettervorhersager, der die heutigen Wolken und die Windmuster der letzten Stunde betrachtet, um vorherzusagen, ob es morgen regnen wird.
- Der Zaubertrick: Er rät nicht nur eine einzelne Zahl. Er sagt: „Ich denke, die Geschwindigkeit wird X sein, aber ich bin mir zu 95 % sicher, dass sie zwischen A und B liegen wird.“ Diese „Unsicherheit“ ist entscheidend, denn sie sagt der Fabrik: „Hey, diese Vorhersage ist wackelig; sei vorsichtig.“
Der „Material“-Detektiv (Der Strukturingenieur): Dieser Teil fragt: „Risst es im Inneren des Werkzeugs heimlich?“ Selbst wenn das Werkzeug reibungslos läuft, könnte die Metallwelle im Inneren durch jahrelange Belastung ermüdet sein. Dieser Detektiv nutzt physikalische Gesetze (wie die Regeln, nach denen Metallrisse wachsen), um zu berechnen, wie viel „Ermüdung“ oder Verschleiß das Metall angesammelt hat. Es ist wie ein Arzt, der die Knie eines alten Läufers überprüft; der Läufer kann zwar noch joggen, aber seine Knie sind nur einen Schritt von einem Riss entfernt.

2. Das „Streaming-Replay“-Spiel

Stellen Sie sich vor, Sie haben einen Videospiel-Charakter (das Werkzeug). Sie wollen wissen, ob er das nächste Level überleben kann.

Der „Verhaltens“-Detektiv beobachtet die Videospiel-Aufnahmen der letzten Minuten, um zu erraten, wie sich der Charakter in der nächsten Minute bewegen wird.
Der „Material“-Detektiv schaut auf den „Lebensbalken“ des Charakters, um zu sehen, wie viel Schaden er in vorangegangenen Kämpfen erlitten hat.
Das System spielt dann eine Simulation (ein „Replay“) ab, bei der es diese beiden Ansichten kombiniert. Es aktualisiert den „Lebensbalken“ und die „Bewegungsvorhersage“ jede Sekunde und erstellt so ein Live-Dashboard, das sagt: „Dieses Werkzeug ist für weitere 3 Anwendungen sicher“ oder „Dieses Werkzeug ist riskant, weil das Metall müde ist.“

3. Was sie herausgefunden haben (Die Ergebnisse)

Die Forscher haben dies an einem Haufen alter Winkelschleifer getestet. Hier ist, was der „Digital Twin“ ihnen sagte:

Die Vorhersage war präzise: Die KI war unglaublich gut darin, das Verhalten des Werkzeugs zu erraten. Sie sagte Temperaturänderungen fast perfekt voraus. Sie war auch sehr gut darin, die Drehzahl des Motors und den Stromverbrauch vorherzusagen, obwohl diese etwas schwieriger vorherzusagen waren als die Temperatur.
Die „Geschichte“ zählt: Das System lernte, dass es die jüngste Vergangenheit kennen musste, um die Zukunft vorherzusagen. Nur zu wissen, dass das Werkzeug „an“ ist, reicht nicht aus; man muss wissen, ob es vor fünf Minuten Metall geschliffen oder Holz geschnitten hat. Die KI musste das „Drehmoment“ (die Verdrehungskraft) kennen, um gute Vermutungen anzustellen.
Das Metall ist zäh (aber empfindlich): Unter normaler, sanfter Nutzung war die Metallwelle im Inneren des Winkelschleifers praktisch unzerstörbar. Das System sagte, dass es theoretisch etwa 31 Mal wiederverwendet werden könnte, bevor es verschleißen würde.
Der „Schlechte-Tage“-Eff Effekt: Das System fand jedoch ein erschreckendes Geheimnis. Wenn das Werkzeug ein oder zwei „schlechte Tage“ hatte, an denen es unter extremer Belastung arbeiten musste (wie beim Auftreffen auf einen sehr harten Ast in Holz), sank die vorhergesagte Lebensdauer dramatisch.
- Analogie: Stellen Sie sich eine Büroklammer vor. Wenn Sie sie 30 Mal sanft biegen, ist sie völlig in Ordnung. Aber wenn Sie sie nur einmal hart biegen, könnte sie schon beim 3. Biegen brechen. Das System zeigte, dass seltene, schwere Belastungsereignisse das sind, die die Lebensdauer des Werkzeugs tatsächlich töten, nicht der durchschnittliche tägliche Gebrauch.

4. Das große Fazit

Das Paper kommt zu dem Schluss, dass für eine Zirkuläre Fabrik nicht ausreicht, nur zu prüfen, ob ein Werkzeug jetzt gerade funktioniert. Man braucht ein System, das:

Die Zukunft vorhersagt: „Wird dieses Werkzeug morgen noch funktionieren?“
Den verborgenen Schaden prüft: „Ist das Metall im Inneren müde?“
Beides kombiniert: „Ist das Werkzeug sicher wiederverwendbar oder muss es zuerst repariert werden?“

In diesem speziellen Test war das Metall des Winkelschleifers so stark, dass das „Verhalten“ (wird es überhitzen oder stehen bleiben?) tatsächlich ein größeres Risiko darstellte als das „Material“ (wird das Metall brechen?). Dennoch bewies das System, dass man, wenn man die Geschichte der schweren Belastung ignoriert, ein „müdes“ Werkzeug zurück in die Arbeit schicken könnte, nur damit es später unerwartet versagt.

Kurz gesagt: Dieses Paper hat ein intelligentes System entwickelt, das wie ein Arzt und ein Mechaniker für alte Werkzeuge fungiert und deren jüngste Geschichte nutzt, um vorherzusagen, ob sie bereit für ein zweites Leben sind oder ob sie zuerst eine Reparatur benötigen.

Technisches Resümee: Unsicherheitsbewusste funktionale Verhaltensvorhersage und Materialermüdungsbewertung für die Circular Factory

1. Problemstellung

Der Übergang zu einer Kreislaufwirtschaft erfordert Fertigungssysteme, die in der Lage sind, zurückgegebene Produkte über mehrere Lebenszyklen hinweg wiederzuverwenden. Rückgegebene Produkte (z. B. gebrauchte Elektrowerkzeuge) treten jedoch mit heterogenen Degradationszuständen, Nutzungsgeschichten und verbleibenden Fähigkeiten in die „Circular Factory“ (CF) ein. Konventionelle Zuverlässigkeitsbewertungen, die oft auf Annahmen über homogene Populationen oder feste Betriebsbedingungen beruhen, sind für die instanzspezifische Wiedereinsatzentscheidung unzureichend.

Es besteht eine kritische Lücke in aktuellen Ansätzen des Prognostics and Health Management (PHM):

Trennung von Funktion und Material: Die systemseitige funktionale Vorhersage (Wird das Werkzeug funktionieren?) wird selten mit der komponentenbezogenen Materialermüdungsbewertung (Wird ein kritisches Teil versagen?) verknüpft.
Unsicherheit und Historie: Bestehende Methoden haben oft Schwierigkeiten mit variablen Nutzungsgeschichten und versäumen es, unsicherheitsbewusste Vorhersagen zu liefern, die für die Risikobewertung unter zukünftigen, vorgegebenen Nutzungsszenarien notwendig sind.
Entscheidungsunterstützung: Entscheidungen über die Wiedereinführung können nicht allein auf der Basis der aktuellen Inspektion getroffen werden; sie müssen berücksichtigen, wie sich das funktionale Verhalten und die Materialintegrität unter spezifischen zukünftigen Einsatzbedingungen entwickeln werden.

Dieses Paper adressiert diese Herausforderungen durch den Vorschlag eines einheitlichen Frameworks zur instanzspezifischen Bewertung eines zurückgegebenen Winkelschleifers, das die funktionale Verhaltensvorhersage mit der Materialermüdungsbewertung verknüpft, um Entscheidungen über die Wiedereinführung zu unterstützen.

2. Methodik

Das vorgeschlagene Framework integriert zwei komplementäre Pipelines – die funktionale Verhaltensvorhersage und die Materialermüdungsbewertung – in einen einzigen Streaming-Zuverlässigkeits-Workflow.

2.1. Funktionale Systemverhaltensvorhersage

Der funktionale Zweig modelliert den zukünftigen Zustand des Werkzeugs als ein bedingtes Sequenzlernproblem.

Eingaben: Das Modell akzeptiert einen Ist-Zustandsvektor (thermische, elektrische, rotatorische und geometrische Variablen wie Spielräume) und eine jüngste Nutzungshistorie (Kraft- und Drehmomentfenster).
Architektur:
- Encoder: Ein 1D-Convolutional Neural Network (CNN) extrahiert lokale zeitliche Muster (Peaks, Transienten) aus den Kraft-Drehmoment-Fenstern. Ein Multi-Layer Perceptron (MLP) kodiert den Ist-Zustandsvektor.
- Rekurrentes Backbone: Die fusionierten Repräsentationen werden durch ein Long Short-Term Memory (LSTM)-Netzwerk verarbeitet. Das LSTM sagt Inkremente statt Absolutwerte voraus, um die Vorhersagen an bekannten Ausgangsbedingungen zu verankern.
- Output Head: Ein probabilistischer Head gibt einen Gaußschen Mittelwert und eine Varianz für neun funktionale Variablen aus (z. B. Motorstrom, Geschwindigkeit, Spielräume).
Training: Das Modell wird mit einem gewichteten Gaußschen negativen Log-Likelihood (NLL)-Loss trainiert, was die Schätzung sowohl der Erwartungswerte als auch der prädiktiven Unsicherheit ermöglicht.
Szenario-bedingte Inferenz: Das Framework ermöglicht eine „Szenario-bedingte Inferenz“, indem zukünftige Nutzungswindow vorgegeben werden, was eine Zuverlässigkeitsbewertung unter geplanten oder hypothetischen Betriebsbedingungen ermöglicht.

2.2. Komponentenspezifische Materialermüdungsbewertung

Der Materialzweig bewertet die verbleibende Ermüdungsfähigkeit der Ausgangswelle anhand derselben Lastgeschichte.

Spannungsrekonstruktion: Mittels Finite-Elemente-Analyse (FEA) werden externe Kraft-Drehmoment-Lasten auf lokale Kerbspannungen abgebildet. Ein Interpolationsmodell überträgt die gemessenen Zeitverläufe in Spannungs-Zeit-Verläufe an der kritischen Kerbe.
Ermüdungsmodellierung:
- Einleitung: Eine Basquin-Typ S-N-Kurve (angepasst an Rotationsbiegedaten) kombiniert mit der Palmgren-Miner-Regel und der Haibach-Erweiterung (für Zyklen unterhalb der Grenzspannung) schätzt die kumulierte Schädigung ab.
- Ausbreitung: Ein Paris-Gesetz zur Risswachstumsrate schätzt die Lebensdauer eines Risses von einer Anfangsgröße ( $a_0$ ) bis zu einer kritischen Größe ( $a_c$ ), begrenzt durch die Einsatzhärtetiefe.
Integration: Das Materialmodell gibt die kumulierte Schädigung und eine Materialzuverlässigkeit ( $R_{mat}$ ) aus.

2.3. Konsolidierung der Streaming-Zuverlässigkeit

Ein Streaming-Replay-Algorithmus (Algorithmus 3) konsolidiert beide Zweige:

Er verarbeitet Datenfenster sequenziell und aktualisiert die funktionale Zuverlässigkeit ( $R_{func}$ ), die Materialzuverlässigkeit ( $R_{mat}$ ) und die Systemzuverlässigkeit ( $R_{sys} = \min(R_{func}, R_{mat})$ ).
Er handhabt Lücken in der Beobachtung, indem er Schadensschätzungen über fehlende Zyklen hinweg propagiert.
Er identifiziert den „führenden Zweig“ (funktional vs. Material) an jedem Inspektionspunkt, um den limitierenden Faktor für die Wiedereinführung zu bestimmen.

3. Kernbeiträge

Vereinheitlichter funktionaler-materieller Raum: Das Paper etabliert ein Framework, das den aktuellen Systemzustand, die jüngste Nutzungshistorie und die Materialdegradation in einer gemeinsamen Repräsentation für die instanzspezifische Wiedereinführung kombiniert.
Unsicherheitsbewusste Vorhersage: Eine LSTM-Architektur, die mit Gaußschem NLL trainiert wurde, sagt sowohl die erwartete funktionale Reaktion als auch deren Unsicherheit voraus, was eine schwellenwertbasierte Zuverlässigkeitsbewertung erleichtert.
Szenario-bedingte Inferenz: Die Möglichkeit, zukünftige Nutzungswindows vorzugeben, ermöglicht die Bewertung des funktionalen Verhaltens und der Zuverlässigkeit unter expliziten, geplanten Betriebsbedingungen.
Integrierte Materialbewertung: Die komponentenbezogene Ermüdung wird über Spannungsrekonstruktion, S-N/Miner-Schadensbewertung und Paris-Gesetz-Risswachstumsanalyse integriert und direkt mit der System-Nutzungshistorie verknüpft.
Streaming-Workflow: Ein konsolidierter Algorithmus aktualisiert Zuverlässigkeitstrajektorien in Echtzeit und unterstützt so die dynamische Entscheidungsfindung für zurückgegebene Produkte.

4. Ergebnisse

Das Framework wurde anhand einer Fallstudie mit einem Winkelschleifer validiert, unter Verwendung experimenteller Daten von einem Prüfstand (400 Betriebsstunden) und Materialtests der Ausgangswellen.

4.1. Leistung der funktionalen Vorhersage

Genauigkeit: Das Modell erreichte eine mittlere Genauigkeit innerhalb einer 2%-Toleranz von 0,9652 über neun Outputs auf den Testdaten.
Variablenleistung:
- Thermische Variablen (Getriebe- und Statortemperatur) wurden nahezu perfekt vorhergesagt ( $R^2 \approx 0,9999$ ).
- Dynamische Variablen (Antriebsmotorstrom und Lastgeschwindigkeit) waren am anspruchsvollsten, zeigten aber dennoch eine hohe globale Trenderfassung ( $R^2 = 0,9750$ bzw. $0,9924$), wenngleich die strikte lokale Toleranzgenauigkeit niedriger war (0,9174 und 0,8675).
Architekturvergleich: Das konventionelle LSTM übertraf GRU und xLSTM in diesem Setting mit kurzer Historie, was wahrscheinlich auf die Stabilität des einfachen rekurrenten Blocks zurückzuführen ist, wenn lokale Muster vorab durch das CNN extrahiert werden.
Input-Sensitivität: Ablationsstudien bestätigten, dass der Einschluss der Drehmomenthistorie die Vorhersagen für den Motorstrom und die Lastgeschwindigkeit signifikant verbesserte, was die Notwendigkeit von Last-Historien-Daten gegenüber einer rein statischen Inspektion unterstreicht.

4.2. Zuverlässigkeit und Unsicherheit

Kalibrierung: Für den Antriebsmotorstrom (die einzige Variable mit ausreichenden Überschreitungsereignissen) entsprachen die vorhergesagten Überschreitungswahrscheinlichkeiten eng den beobachteten Raten (z. B. vorhergesagt 0,0600 vs. beobachtet 0,0646). Der erwartete Kalibrierungsfehler (ECE) war niedrig (0,0085–0,0086).
Überlebensanalyse: Die Weibull-Analyse ergab eine B10-Lebensdauer von 5,22 relativen Schritten für die Überschreitung des Motorstroms.

4.3. Materialermüdung und Wiederverwendbarkeit

Nominelle Bedingungen: Unter nominellen Dienstspannungen (ca. 2,88 MPa Kerbspannung) zeigte die Ausgangswelle eine vernachlagetbare Miner-Schädigung, was auf eine hohe Wiederverwendbarkeit hindeutet.
Sensitivität gegenüber Hochlastereignissen: Die Paris-Gesetz-Analyse zeigte eine extreme Sensitivität gegenüber seltenen Hochlastereignissen.
- Nominallast: ~31 potenzielle Wiederverwendungszyklen.
- 1,2x Verstärkung (oberes 10%-Perzentil der Spannung): ~20 Zyklen.
- 1,6x Verstärkung: ~3 Zyklen.
- 2,0x Verstärkung: ~1 Zyklus.
Implikation: Die Materialwiederverwendbarkeit wird durch den oberen Rand des Lastspektrums bestimmt, nicht nur durch den Durchschnittsgebrauch.

4.4. Integrierter Replay

Ein sequenzieller Replay über 18 Inspektionsdateien demonstrierte, dass die funktionalen und materiellen Zweige kohärent arbeiten. Im getesteten Szenario blieben sowohl $R_{func}$ als auch $R_{mat}$ bei 1,0 (sicher), wobei der materielle Zweig aufgrund eines Gleichstands als führendes Limit identifiziert wurde. Der Antriebsmotorstrom blieb der primäre funktionale Risikofaktor.

5. Bedeutung und Ansprüche

Das Paper beansprucht, das erste integrierte Bewertungsframework bereitzustellen, das die gemessene operative Belastung sowohl mit der zukünftigen funktionalen Erfüllung als auch mit der verbleibenden strukturellen Ermüdungslebensdauer innerhalb eines einzigen Streaming-Workflows verknüpft.

Paradigmenwechsel in der Entscheidung: Die Arbeit unterstützt einen Wechsel von der inspektionsbasierten Klassifizierung zur vorhersagebasierten Wiedereinführung. Es wird argumentiert, dass die Eignung eines zurückgegebenen Produkts von seiner erwarteten zukünftigen Funktion und der Komponentenintegrität abhängt, nicht nur von seinem aktuellen Zustand.
Instanzspezifität: Das Framework ermöglicht Entscheidungen für einzelne Produkte mit heterogenen Historien und bewegt sich damit weg von Populationsebene-Annahmen.
Modeste Einschränkungen: Die Autoren stellen explizit fest, dass das Framework zwar eine konsistente Workflow-Integration zeigt, die spezifische Fallstudie jedoch keine starke physikalische Kopplung zwischen funktionaler Degradation und Materialermüdung aufwies, da die getesteten Lasten weit unter dem ermüdungskritischen Regime lagen. Die Ergebnisse beweisen primär die Machbarkeit der Methode und des Workflows, weniger einen starken physikalischen Degradationspfad in diesem spezifischen Datensatz.
Zukünftiger Bedarf: Das Paper schließt mit dem Hinweis, dass eine robuste Anwendung eine Validierung auf heterogenen, realen zurückgegebenen Produkten, datenreichere Degradationsdaten zur Kalibrierung und verbesserte Methoden zur Last-zu-Spannungsrekonstruktion erfordert.