ИИ-модель предсказывает износ угловых шлифмашинок в циркулярной экономике
В циркулярных фабриках возвращенные изделия поступают в производство с разной степенью износа и историей использования. Решение о повторном использовании требует оценки будущей работоспособности и целостности компонентов. Существующие методы часто ориентированы на фиксированные условия эксплуатации, а оценка усталости материалов редко связывается с системным прогнозированием.
Группа исследователей предложила новый подход, объединяющий прогнозирование функциональных параметров с оценкой усталости материалов на уровне компонентов. Работа выполнена на примере угловой шлифмашинки — распространённого электроинструмента.
Предложенная система использует текущее состояние инструмента и недавние записи усилий и крутящего момента. Свёрточный энкодер извлекает характеристики нагружения, а рекуррентная нейросеть LSTM предсказывает девять функциональных переменных в виде среднего и дисперсии гауссовского распределения.
Параллельно на основе тех же данных о нагрузке строится оценка усталости выходного вала. Для этого применяется восстановление напряжений с помощью конечно-элементного анализа, расчёт повреждений по кривым S-N с поправкой Хайбаха и анализ роста трещин по закону Париса.
Алгоритм «стриминг-повтора» объединяет обе ветви в траектории функциональной, материальной и системной надёжности. Тестирование на отложенных данных показало среднюю точность 0,9652 по девяти выходам при допуске 2%.
Тепловые переменные предсказываются почти идеально, а ток двигателя и скорость под нагрузкой оказались наиболее сложными динамическими выходами (R? 0,9750 и 0,9924 соответственно). История крутящего момента особенно важна для этих переменных. Обычная LSTM показала лучший результат, чем GRU и xLSTM, при короткой истории.
Калибровка надёжности наиболее информативна для тока двигателя — прогнозируемые и наблюдаемые вероятности превышения хорошо согласуются. Разработка может повысить эффективность повторного использования инструментов в циркулярной экономике.
