集成信息传输与制造输出的多机器人制造系统的预测性维护决策

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Predictive maintenance decision for multi-robot manufacturing systems integrating information transmission and manufacturing output

　　

• •
  为多机器人制造系统开发可靠性模型。
• •
  提出一种MG-XGB-LSTM混合模型用于可靠性预测。
• •
  量化通信中断对维护决策的影响机制。
• •
  提出一种MOWOA-P算法用于预测性维护决策。
• •
  在多机器人制造系统上验证该方法的有效性。

引言

在工业4.0和智能制造不断发展的背景下，多机器人制造系统（MRMS）已成为推动制造业转型和升级的核心技术[1]。通过将物理加工操作与信息技术深度整合，MRMS建立了集精确感知、动态控制和智能决策于一体的协同制造环境[2,3]。然而，随着系统规模的不断扩大和生产任务日益复杂，制造输出与通信干扰的耦合效应变得日益突出[4]。在信息和物理层耦合的背景下实现决策优化已成为确保MRMS长期稳定运行的关键挑战[5]。

传统的维护策略主要关注物理机器人的健康管理[6]，忽视了信息层在生产过程中的支持和约束作用。这种方法难以适应频繁变化和动态调整的工业环境[7,8]。实际上，信息层的通信质量直接影响控制命令的可靠传输和状态数据的实时上传，这是决定维护决策的关键因素[9,10]。现有研究未能建立一个将信号衰减与中断概率联系起来的综合过程，进而影响到状态观测偏差以及最终的维护决策错误。这使得维护决策难以真正适应信息和物理层耦合的动态生产环境。

此外，MRMS中的维护决策问题涉及多种不确定性，包括机器人自然的退化、随机通信干扰以及生产任务的波动[11,12]。它还必须满足各种约束条件，如资源可用性、时间窗口和故障概率，这使得它成为一个高度耦合的多目标优化问题[13]。传统的优化算法在处理这种高维、非线性决策空间时常常难以平衡维护成本和系统可靠性之间的权衡。因此，迫切需要设计一种智能优化算法，结合自适应搜索和多目标协调，在通信干扰环境中实现高效和稳健的维护决策。

总之，连续生产系统的有效维护决策需要一个综合评估系统，该系统应整合信息传输和制造输出可靠性。基于这一基础，可靠性评估可以指导维护决策，并通过智能优化算法建立合理的维护阈值[14]。这为复杂制造环境中的维护决策提供了科学依据。

关键概念和提出的方法相互关联如下：考虑一个由$N$个机器人组成的多机器人制造系统，这些机器人采用混合串并联拓扑结构，受到由路径损耗、阴影衰落和莱斯多径衰落引起的时变通信干扰的影响，以及物理层的外部冲击。从每个机器人收集的基于传感器的物理状况监测数据用于评估停机概率。决策者需要确定在有限的规划时间范围内$\left[0,T\right]$内对哪个机器人进行维护以及维护多长时间，因此需要为每个机器人确定维护优先级以更好地执行维护。优化目标是在资源、备件库存、时间窗口、可靠性阈值和通信中断概率等约束条件下，最小化总维护成本并最大化系统任务可靠性。通信中断会扭曲决策者对机器人状态的观测，导致可靠性评估不准确，从而产生次优的维护计划。

本研究的动机源于先前工作的两个关键局限性。

首先，需要一个混合可靠性预测模型，因为纯机制模型无法吸收实时传感器数据[7,8]，而纯数据驱动模型可能会预测出违反物理定律的可靠性增加[15]。其次，需要一个专门的优化算法，因为决策空间是高维的、多目标的且受到严格约束[13]，标准算法容易陷入局部最优解或产生不平衡的维护解决方案。

为了填补这些空白，本文做出了三项贡献。

首先，提出了一个联合信息-物理可靠性评估框架，将大规模和小规模衰落联系起来，将中断概率与状态观测偏差联系起来，并通过任务可靠性模型量化通信中断对维护决策的影响。

其次，提出了一种机制引导的极端梯度提升-长短期记忆混合模型（MG-XGB-LSTM）用于任务可靠性预测，其中物理一致性损失确保预测结果符合退化规律。

第三，提出了一种嵌入维护优先级的多目标优化算法（MOWOA-P），以解决通信干扰MRMS环境中的复杂维护决策问题。

以上三项贡献形成了一个完整的逻辑链条。贡献（1）建立了从通信干扰到状态观测偏差的定量关系，揭示了信息层不确定性如何传播到维护决策中。贡献（2）基于此基础提供高精度的可靠性预测，为决策提供未来状态信息。贡献（3）利用预测结果在多种约束条件下解决最优维护计划。它们共同实现了感知-预测-决策的闭环维护决策过程。

本文的其余部分组织如下：第2节描述相关工作。第3节提出了一种用于MRMS的预测性维护决策方法。第4节通过案例1证明了所提方法的有效性。第5节通过案例2进一步验证了所提方法。第6节提供了本文的结论。

章节摘要

信息层可靠性评估

在MRMS的维护决策中，信息层在数据传输和实时通信中承担关键功能[16,17]。当无线通信信号在工业环境中传播时，会受到两种类型的衰落效应的影响。大规模衰落是指由于距离依赖的路径损耗和长距离或大面积传播时大障碍物引起的阴影衰落所导致的平均功率衰减，这决定了

预测性维护决策框架

图2展示了MRMS的预测性维护决策框架。该框架包括两个层次：一个基于可靠性预测制定最优维护策略的维护决策层，以及一个机器人执行生产任务和传输操作数据的物理执行层。

案例1验证

为了验证所提出的MRMS预测性维护决策框架的有效性，选择了中国联合机械集团在郑州的一个典型伺服线轴制造系统作为验证平台，特别是其核心阀门生产线。该系统包括四个加工机器人，采用混合协作架构，涵盖了从原材料输入到成品制造的整个制造过程。

案例2验证

在案例2中，我们在一个由20个机器人组成的三相架构的汽车缸体生产线上验证了所提出的方法：5个机器人负责粗加工（端面铣削和外径粗车削），5个机器人负责精加工（缸套内径的精镗和珩磨），10个机器人负责最终检查和辅助操作（去毛刺、清洁、气密性测试和最终外观检查），如图21所示。

为了澄清

结论

本文提出了一种用于MRMS的预测性维护决策方法，该方法在信息传输和制造输出的耦合效应下整合了可靠性评估和维护决策。首先，建立了一个结合大规模衰落和小规模衰落的联合信息-物理可靠性评估框架。该框架定量关联了通信中断概率与状态观测偏差，揭示了

CRediT作者贡献声明

Dui Hongyan：撰写 – 审稿与编辑，资源获取，数据管理。Wang Hengbo：撰写 – 初始草稿，可视化，验证，方法论。Zhang Huanqi：撰写 – 审稿与编辑，可视化，软件开发，调查。Liu Meng：撰写 – 审稿与编辑，可视化，验证，资源获取。Li Xiang：撰写 – 审稿与编辑，验证，资源获取。

Hongyan Dui|Hengbo Wang|Huanqi Zhang|Meng Liu|Xiang Li