循环工厂中的退货产品在重新进入生产环节时，往往带有各不相同的老化状态、使用历史和剩余能力。仅凭当前检测结果无法决定这些产品能否被再次使用，因为在下一个服务场景下，其未来功能履行情况和部件完整性可能呈现出不同的演变路径。现有故障预测与健康管理（PHM）方法虽然能够支持退化预测，但通常针对固定的运行条件或孤立的部件基准，而材料疲劳评估很少与系统级的功能预测相衔接。为填补这一空白，论文以一台角磨机为对象，将不确定性感知的功能预测与部件级疲劳评估结合在同一个实例化可靠性工作流中。
论文由Nehal Afifi等八位作者完成，于2026年6月3日提交至arXiv（编号arXiv:2606.05334，cs.AI分类），共27页，投稿至《Journal of Manufacturing Systems》关于循环工厂的特刊，目前处于审稿阶段。
所提出的框架将工具的当前状态与近期的力—扭矩使用窗口结合起来。一个卷积编码器从主轴力和轴扭矩中提取载荷模式，随后由LSTM主干网络以高斯均值和方差估计的形式预测九个功能变量。与此同时，同一段载荷历史被转换为输出轴的疲劳信息，具体通过有限元支持的应力重建、带Haibach扩展的S–N/Miner损伤评估以及Paris定律裂纹扩展分析来完成。随后，一种流式回放算法将两条分支整合为功能、材料和系统三个层面的可靠性轨迹。
在留出测试中，九个输出在2%容差范围内取得了0.9652的平均准确率。热学变量被近乎完美地预测，而驱动电机电流和负载转速仍是最具挑战性的动态输出，其R²分别为0.9750和0.9924。扭矩历史对这些变量尤为重要，并且在短历史设置下，传统LSTM的表现优于GRU和xLSTM。可靠性校准在驱动电机电流上提供的信息量最大，在该变量上预测与观测的超限概率对比最具参考价值。
这项工作将不确定性量化引入功能预测，并将其与材料层面的疲劳退化分析贯通，使循环工厂能够依据更完整的可靠性图景、而非单次检测来判断退货产品是否适合再利用。