基于循环性的混合学习框架用于早期设计阶段的拆卸序列规划

《CIRP Journal of Manufacturing Science and Technology》：Circularity-based hybrid learning framework for disassembly sequence planning in early-stage design

　　

本研究提出了一种基于循环性的混合学习框架，用于在早期设计阶段进行拆卸序列规划（DSP）。该框架能够从部分工程物料清单（eBOM）中推导出拆卸序列，无需详细的CAD几何数据。研究将遗传算法（GA）、Q学习和图神经网络（GNN）嵌入到一个统一的工作流中。框架依据四项循环性标准进行评估：时间、组件质量、邻接性和复杂性。该方法在一个智能开关案例上与16种方法进行了基准测试，并扩展应用于一个包含60个部件的电池包。通过人在环的规划者反馈机制，可以优化输出的拆卸物料清单（dBOM），以便与CAD系统集成。

一、研究背景与问题

随着循环经济理念在制造业中的深入推广，产品可拆卸性已成为影响维修、再利用、再制造和回收可行性的关键因素。拆卸序列规划旨在确定一组有序的拆解操作，使其满足产品结构与工艺约束的同时，支持零部件的回收利用。然而，这一组合优化问题随着零部件数量和约束条件的增加而变得愈发复杂。对于设计工程师而言，更大的挑战在于：在产品架构尚未完全定型、详细CAD几何模型尚不可用时，就必须评估产品未来的可拆卸性能。

在早期设计阶段，设计工程师通常只能获得部分工程物料清单以及关于物理接触、功能依赖、材料和运动副的不完整信息。详细的CAD几何、工具可达性以及部件在生命周期结束时的状态往往无法获取。在此条件下，目标是从部分eBOM及其无向连接图中推导出一个拆卸物料清单，将零件分组为子装配体并定义合理的分离顺序。因此，核心挑战并非优化一个完全明确的拆卸过程，而是在明确承认不确定性的前提下提供早期决策支持。

现有的大多数DSP方法依赖于完整的几何模型、预定义的优先约束或生命周期结束条件数据，这些信息通常在产品架构成熟后才能获得，限制了其在初步设计阶段的直接应用。文献综述识别出数据驱动方法的三个反复出现的局限性：(i) 对不完整eBOM数据处理不足；(ii) 难以平衡多个循环性关键绩效指标；(iii) 在不断变化的工业环境中可解释性差。因此，有必要开发一种能够在早期设计阶段、仅利用部分信息即可生成合理拆卸序列的方法，并将循环性指标直接纳入优化过程。

二、研究内容与结论

研究人员提出了一个基于循环性的混合学习框架，旨在解决上述问题。该框架的核心贡献包括：开发了一个归一化的多准则评价函数用于遗传算法，平衡拆卸时间、部件质量、邻接保持和结构复杂度四个维度；提出了一个适用于Q学习的奖励函数，允许强化学习代理整合拆卸规划者的反馈，惩罚有限的可达性并奖励有效完整的序列；开发了一个度归一化的消息传递更新规则用于图神经网络以评估序列可行性；通过基于优先级、稳定性和功能性的启发式子装配体识别方法推导出dBOM；定义了主要性能指标及其基于层次分析法（AHP）的加权方案；并在两个案例研究——智能开关和模块化电池包上进行了实验验证。

研究表明，该混合学习框架能够从部分eBOM生成可行的拆卸序列，同时优化循环性指标。通过与GA单独、RL单独以及GA+RL混合方法的对比，所提出的GA+RL+GNN方法在循环性导向的设计情境下展现出明显优势。该框架不仅提供了早期、可追溯的拆卸方案评估，还通过人在环反馈机制使规划者能够根据循环性KPI和业务因素筛选候选序列，最终输出可用于CAD集成的CADBOM。

三、关键技术方法

研究人员采用了三项核心技术方法构建混合学习管道：遗传算法用于从部分信息中演化候选拆卸序列，通过多准则适应度函数引导搜索方向；Q学习强化学习方法用于细化序列，模拟产品拆卸过程并整合来自拆卸规划者的专家反馈；图神经网络用于评估序列的结构合理性，通过度归一化的消息传递机制沿组件连接传播质量和循环性信息。此外，研究采用了层次分析法启发的加权方法定义性能指标，并通过子装配体识别启发式方法从选定序列中提取层次化dBOM。

四、研究结果

4.1 图编码与遗传算法搜索

研究人员将部分eBOM建模为无向连接图，节点代表组件，边代表物理接触，并将其编码为邻接矩阵。遗传算法通过排列节点来探索可能的拆卸顺序，适应度函数综合考虑归一化的拆卸时间、组件质量得分、邻接保持比例和结构复杂度四个循环性指标。

4.2 强化学习细化

强化学习代理首先选择遗传算法生成的最佳候选序列，然后将其视为初始状态，通过迭代改进序列。奖励函数设计考虑了拆卸时间成本、工具更换惩罚、组件质量收益以及序列完整性奖励，同时允许整合规划者的可达性反馈。

4.3 图神经网络可行性验证

图神经网络在同一连接图上运行，通过度归一化的消息传递更新规则评估每个组件的结构贡献，并检验最佳序列的可行性。该模块能够捕捉组件间的结构性依赖关系，为序列评估提供基于图的全局视角。

4.4 子装配体识别与dBOM生成

基于选定的拆卸序列，研究人员应用基于优先级、稳定性和功能性的启发式规则识别子装配体，将无向连接图转换为指定拆卸顺序的有向连接图，从而生成层次化的拆卸物料清单。

4.5 案例验证与基准测试

在智能开关案例上，研究人员将所提出的GA+RL+GNN方法与16种现有方法进行了基准测试。结果显示，该混合方法在循环性KPI的综合表现上优于单一方法。进一步将框架扩展应用于包含60个部件的模块化电池包，验证了其在大规模装配体上的可扩展性。

五、讨论与结论

讨论部分指出，该框架的主要优势在于能够在信息不完备的条件下提供早期设计决策支持，通过显式整合循环性指标弥补了现有DSP方法的空白。GA、RL和GNN三种机制的协同作用使得框架兼具探索能力、自适应优化能力和结构合理性验证能力。人在环反馈机制进一步增强了框架的实用性和可接受性。

研究结论部分总结如下：本研究提出了一个基于循环性的混合学习框架，用于在早期设计阶段从部分eBOM生成拆卸序列。该框架通过遗传算法进行序列探索，通过强化学习整合规划者反馈进行序列细化，通过图神经网络验证结构可行性。四项循环性指标——时间、质量、邻接性和复杂度——被直接纳入优化过程。在智能开关和60部件电池包上的实验验证了该方法的有效性。生成的dBOM可通过CADBOM格式导出至PLM平台和CAD工具，使设计工程师能够将拆卸约束直接集成到产品结构中。未来研究方向包括进一步提升计算效率、探索更复杂的奖励函数设计以及在更多工业产品上进行验证。