Elektronische Komponenten, die in sicherheitsrelevanten Systemen eingesetzt werden, müssen besonders hohe Voraussetzungen bzgl. ihrer Zuverlässigkeit erfüllen. Neben festen Prüf- oder Austauschintervallen oder dem Einsatz redundanter Systeme kann es lohnenswert sein, auf eine Ausfallprognose zu setzen. Das heißt, dass anhand einer Zustandsüberwachung die vom System bereits konsumierte Lebensdauer errechnet wird. Durch Abgleich mit einem für das System geltenden Lebensdauermodell kann dann aus den historischen Daten zum Lebensdauerkonsum in die Zukunft prognostiziert werden. Es entsteht die sogenannte Restlebensdauer (Residual Ultimate Lifetime – RUL) oder auch Restnutzungsdauer.
Klassische Lebensdauermodelle für Elektronik basieren auf der Ermüdung der Lotkontakte. Dabei stellt der Zuwachs der Kriechdehnung infolge des thermischen Mismatches zwischen Substrat und Komponente das Schädigungsinkrement dar. Dieses lässt sich nicht direkt messen, sondern wird mittels eines virtuellen Zwillings numerisch berechnet. Eine Nutzdauerprognose auf dieser Basis ist sehr rechenintensiv, sodass sie auf zentralen Servern ausgeführt werden muss. Dies erfordert weiterhin eine Kommunikationsinfrastruktur. Ansätze der künstlichen Intelligenz (KI) bzw. des maschinellen Lernens (ML) ermöglichen hingegen eine deutlich effizientere Bewertung vorliegender Lastszenarien. Hierbei konnte das Fraunhofer IKTS zeigen, dass ein Mikrocontroller (MCU), beispielsweise ein Arduino Nano oder ein STM32 Nucleo, ausreichend Ressourcen mitbringt, um die Kette von der Zustandserfassung mittels geeigneter Sensoren, der Datenvorverarbeitung, der Auswertung eines vortrainierten ML-Ansatzes bis hin zur Ergebnisausgabe abzuarbeiten. Damit kann die RUL-Ermittlung direkt auf dem zu überwachenden System erfolgen. Eine etwaige Kommunikationskette entfällt.