순환 공장(circular factory)에서 반환된 제품은 저마다 다른 사용 이력과 성능 저하 상태를 가집니다. 이 때문에 단순히 현재 상태만으로는 제품의 재사용 가능성을 판단하기 어려웠습니다. 독일 연구진은 이러한 문제를 해결하기 위해 인공지능(AI)을 활용, 제품의 미래 기능 수행 능력과 재료 피로도를 동시에 예측하는 새로운 프레임워크를 개발했습니다. 이는 불확실성을 고려한 예측으로, 재활용 제품의 가치를 극대화하고 순환 경제(circular economy)를 실현하는 데 중요한 진전을 이뤘다는 평가입니다.
이번 연구는 특히 전동 그라인더(angle grinder)를 대상으로 진행되었습니다. 연구팀은 제품의 현재 상태 정보와 최근 사용 시점의 힘-토크 데이터를 결합했습니다. 컨볼루션 인코더(convolutional encoder)를 통해 스핀들 힘과 샤프트 토크에서 부하 패턴을 추출하고, LSTM(Long Short-Term Memory) 신경망을 활용해 9가지 기능 변수(예: 열 변수, 모터 전류, 부하 속도)를 가우시안 평균 및 분산 추정치로 예측했습니다. 동시에 동일한 부하 이력을 유한 요소(finite-element) 기반의 응력 재구성, S-N/Miner 손상 평가, Paris-법칙 균열 성장 분석과 같은 재료 피로도 평가에 적용하여 출력 샤프트의 피로 정보를 도출했습니다. 이 두 가지 예측 결과를 스트리밍 리플레이(streaming replay) 알고리즘으로 통합하여 기능, 재료, 시스템 신뢰성 궤적을 생성했습니다. 테스트 결과, 9가지 출력 변수에서 평균 2% 오차 범위 내 96.52%의 정확도를 보였으며, 특히 열 변수는 거의 완벽하게 예측되었습니다.
이 기술은 제품의 재사용 여부를 보다 과학적이고 신뢰성 있게 결정할 수 있게 함으로써 순환 경제의 핵심 과제를 해결하는 데 기여합니다. 기존의 제품 수명 예측(PHM: Prognostics and Health Management) 방식이 고정된 작동 조건이나 개별 부품에 초점을 맞췄던 것과 달리, 이 프레임워크는 시스템 수준의 기능 예측과 재료 피로도 평가를 통합하여 실제 사용 환경에서의 불확실성을 효과적으로 반영합니다. 이는 기업들이 반환된 제품을 단순히 폐기하는 대신, 잔존 가치를 정확히 파악하여 재활용, 재제조, 재사용 등 최적의 순환 경로를 선택하도록 돕습니다. 결과적으로 자원 낭비를 줄이고 지속 가능한 생산 및 소비 시스템을 구축하는 데 중요한 역할을 할 것으로 기대됩니다.