了解剩余使用寿命的、基于物理知识的贝叶斯数字孪生模型,在机器人集成电池制造过程中实现安全约束控制
《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:Remaining useful life aware physics-informed Bayesian digital twin for safety-constrained control in robot-integrated battery manufacturing
【字体:
大
中
小
】
时间:2026年04月28日
来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 11.4
编辑推荐:
法伊赞巴沙 A. | U. 里兹万 | 西德·塔希尔·侯赛尼 | 纳伊夫·阿尔马卡伊尔 | 法齐拉特·巴沙·阿西夫
印度泰米尔纳德邦瓦尼扬巴迪新城伊斯兰学院数学系,邮编 635752
摘要
在电池制造中,工业机器人单元必须在分配变化和罕见故障的情况下保持高吞吐量而不
法伊赞巴沙 A. | U. 里兹万 | 西德·塔希尔·侯赛尼 | 纳伊夫·阿尔马卡伊尔 | 法齐拉特·巴沙·阿西夫
印度泰米尔纳德邦瓦尼扬巴迪新城伊斯兰学院数学系,邮编 635752
摘要
在电池制造中,工业机器人单元必须在分配变化和罕见故障的情况下保持高吞吐量而不影响安全性。然而,大多数数字孪生模型仅提供数据信息,无法提供未经校准的剩余使用寿命(RUL),或缺乏用于执行的运行时安全机制。为了解决这些重要问题,我们开发了一种基于物理的贝叶斯数字孪生模型(PI-BDT),该模型实现了集成的预测-控制流程。物理信息网络编码了受机器人影响的站点的磨损/热动态(例如,卷绕单元和压延/烘烤交互),并通过贝叶斯集成方法生成基于存活率的RUL,并分解随机/认知不确定性。一个具有位移感知功能的校准循环(漂移检测、不确定性膨胀、保形分位数)保持了名义覆盖范围。这些分布驱动了一个保守的分位数安全层,该层执行操作风险预算(概率约束检查),并通过MPC引导的软代理-评论家策略发布可解释的继续/降速/中止命令,可在边缘设备上以毫秒级延迟部署,并与标准车间集成(PLC/MES/ROS)。在200条故障轨迹试运行和500个模拟边缘案例中,PI-BDT的RUL均方根误差为9.9小时,平均绝对误差为8.0小时,概率置信区间为0.93,与基线相比,计划外停机时间减少了35.2%,设备总体效率(OEE)提高了22.2%,维护成本降低了27.4%。其新颖之处在于,它是一种可审计的、集成机器人的孪生模型,能够将经过校准的、与物理一致的RUL映射到对位移和罕见事件具有鲁棒性的安全约束动作上,从而促进了可信赖的、计算机集成的机器人生产线维护。
引言
智能制造技术的进步显著改变了现代工业生产,尤其是在生产复杂高价值产品(如电动汽车(EV)锂离子电池)的领域[1]。这些生产线涉及复杂的工艺,包括浆料混合、涂层、压延、电池组装、成型和最终测试,所有这些都需要持续监控和精确控制[2] [3]。由于设备故障或维护计划不当导致的计划外停机会带来重大的经济和运营风险,从而增加生产成本、降低吞吐量并损害产品质量[4] [5]。因此,准确预测设备退化并确定工业系统的最佳维护干预措施对于维持效率和竞争力至关重要[6] [7]。
数字孪生技术的最新发展为解决这些挑战提供了有前景的途径。数字孪生模型是物理系统的虚拟副本,可以模拟系统行为、预测退化并辅助决策[8] [9]。然而,仅依赖历史数据驱动的传统数字孪生模型往往缺乏鲁棒性,特别是在预测罕见或不可预见的故障模式时,导致预测能力和不确定性管理问题[10] [11] [12]。为了克服这些限制,本文提出了一种将物理信息神经网络(PINNs)与贝叶斯不确定性量化相结合的框架,创建了基于物理的贝叶斯数字孪生模型(PI-BDT)。通过将已知的物理退化过程(如机械磨损和热动态)明确纳入预测模型,PI-BDT显著提高了预测准确性和鲁棒性。此外,利用贝叶斯集成方法可以有效地量化不确定性,区分数据驱动的不确定性(随机性)和基于模型的不确定性(认知性)。这种明确的不确定性量化对于风险敏感的决策至关重要,特别是在确定实时生产中止以进行预防性维护时[13] [14]。
所提出的框架还集成了模型预测控制(MPC)引导的强化学习(RL)算法,以动态优化维护决策。通过将中止策略框定为马尔可夫决策过程(MDP),RL控制器能够根据维护成本和意外故障的风险自适应地平衡生产吞吐量。通过生成性回放和域随机化来包含合成边界案例,进一步增强了模型对罕见或极端故障情景的抵御能力。通过对真实世界和模拟数据的全面验证(来自EV锂离子电池生产线的数据),我们的方法显示出显著的性能提升,包括降低预测误差、减少计划外停机时间、提高设备总体效率(OEE)以及大幅节省维护成本。物理信息建模、鲁棒不确定性量化和自适应控制机制的整合使这一框架成为智能制造的变革性解决方案,在各种工业环境中具有更广泛的适用性。
本节分为四个主要主题:(1) 用于智能制造中实时监控和控制的数字孪生发展;(2) 改进外推能力和可解释性的PINNs;(3) 用于风险感知RUL预测的贝叶斯不确定性量化技术;(4) 利用预测洞察力平衡运营效率和故障风险的动态任务中止决策策略。每个部分不仅回顾了最先进的方法,还指出了推动我们统一PI-BDT方法的差距。
数字孪生已成为工业4.0的关键技术,为物理系统提供虚拟对应物,以实现实时监控、预测性维护和优化控制[15] [16]。特别是在电池制造中,数字孪生有助于环境监测和预测性维护,显著提高了电池单元生产的效率、可持续性和质量控制[17] [18]。Sharma和Tiwari[19]展示了数字孪生在机器人电池生产线上的应用,实现了快速扩展性,减少了手动检查错误,并提高了电池单元制造的精度。Kampker等[20]和Krau?等[21]的最新研究进一步展示了数字孪生在电池单元生产中的重要性和实际益处,包括改进的实时质量预测和优化的生产启动速度。除了电池之外,Jun Yang等[22]应用了基于Modelica的数字孪生模型进行液压系统的智能故障诊断,准确率提高了95.6%,而Shao等[23]将AI与动态贝叶斯网络结合起来,在数据不完整的情况下预测故障,显著提高了RUL估计的准确性。此外,Jinglin Wang和Zhao[24]提出了一个端到端的基于DRL的调度孪生模型,用于多阶段批次工厂,无缝集成了安全和维护事件,实现了快速、鲁棒的优化,无需重新训练。
最近的研究表明,将数字孪生与基于学习的控制相结合可以加速机器人策略的开发,并将其从仿真转移到工厂中,但这些系统通常仅停留在任务执行阶段,并且在运行条件发生变化时无法提供校准过的健康预测或风险受限的动作[25]。对机器人数字孪生的广泛调查描绘了一个分层架构,并强调了生命周期信任、实时保真度方面的持续差距,最重要的是从监控到具体维护和操作决策之间的缺失桥梁,这正是我们研究的重点[26]。用于机器人臂结构健康监测的时空数字孪生方法通过融合数据与物理机制实现了快速的状态预测,但它们无法提供带有量化不确定性的剩余使用寿命或任何明确的安全措施[27]。基于数字孪生的渐进式干扰检测将异常识别与车间瓶颈缓解联系起来,但仍未解决如何对罕见事件保持鲁棒性或如何实施概率约束控制决策的问题[28]。同样,基于数字孪生的过程监测技术用于超声波振动辅助铣削,集成了运动重建、物理状态分析和故障诊断,但未能将检测结果转化为可审计和可信的校准预测或操作策略[29]。然而,现有的数字孪生主要依赖于数据驱动的方法,限制了它们在电池单元生产环境中遇到新操作条件时的通用性和灵活性。
为了克服纯粹数据驱动方法的固有局限性,PINNs将已知的物理定律直接纳入学习架构中。与标准的深度学习、机器学习和基于变压器的方法不同,PINNs明确地整合了控制方程,显著提高了它们的外推能力,并减少了对大型数据集的依赖[30] [31]。Raissi等[32]通过将偏微分方程作为训练约束引入了PINNs,显著提高了模型的准确性和鲁棒性。在制造领域,PINNs有效模拟了复杂的热学和机械退化,特别是在锂离子电池中。Fernández等[33]开发了用于电池预测的贝叶斯PINNs,提高了可靠性和不确定性量化。García等[34]在纤维板生产中应用了基于PINN的数字孪生模型,以最小化实时调整。Cui等[35]在数据稀疏的情况下使用事件触发型PINNs进行航天器电池SOC估计。Zhang等[36]和Wang等[37]使用多任务和复合PINNs预测了全生命周期老化和电化学动态,具有更高的准确性。对于锂离子电池预测,Wang等[38]、Lixin等[39]和Sun等[40]整合了电化学和退化物理,实现了准确、可解释的RUL估计,而Deng等[41]引入了一种基于物理的ML框架,从少量早期数据预测RUL。此外,Sun等[42]提出了一种混合物理-故障-copula贝叶斯网络方法,通过正向和反向推理预测互相关联的故障机制并推断组件寿命分布。
最近的工作将学习与物理相结合,以改进工业系统的预测和健康状况:自注意力耦合与PINN正则化改善了特征提取,并确保了RUL的物理合理性(AttnPINN; STA-HPINN[43] [44]),而像BPINN这样的贝叶斯公式结合迭代集合卡尔曼反演可以提供更准确的校准后验,更好地区分随机和认知不确定性[45]。然而,大多数研究仅停留在预测阶段,并未将循环闭合到生产环境中的风险感知、可审计的控制决策。相比之下,我们的工作引入了一种新颖且高效的基于物理的贝叶斯数字孪生模型,它:(i) 提供具有位移感知覆盖范围的校准、与物理一致的RUL分布;(ii) 将它们与MPC引导的RL策略结合,用于EV电池生产线上的继续/中止决策,从而将预测洞察力转化为经认证、操作员可信任的动作。
在我们的研究中,PINNs因其能够在利用有限实验数据的同时明确纳入已知退化机制而独具优势,与纯粹的数据驱动或基于变压器的模型相比,提供了更高的准确性、可解释性和通用性。这种基于物理的方法即使在操作环境和历史数据有限的情况下也能确保预测的鲁棒性。准确的剩余使用寿命(RUL)预测对于预测性维护、安全和任务中止决策至关重要[46]。贝叶斯方法,特别是蒙特卡洛丢弃和深度集成,提供了随机(数据)和认知(模型)不确定性的原则性估计,使维护策略更加风险感知[47] [48]。Gal和Ghahramani首次展示了蒙特卡洛丢弃如何在神经网络中产生近似贝叶斯推断,通过捕捉模型不确定性来改进预测[49]。在此基础上,Zhu等人引入了一个使用丢弃不确定性选择故障轨迹标签的贝叶斯深度主动学习框架,减少了40%的训练数据,而没有准确性损失;Lin和Li开发了一个校准的贝叶斯流程,可以预测具有良好校准不确定性的RUL,性能优于非贝叶斯方法[50] [51]。基于LSTM的RUL预测的变分SAC通过显式区分随机性和认知性分解提供了更紧密的区间[52]。贝叶斯大核注意力网络捕获了长期退化并比标准注意力模型更好地量化了不确定性[53]。Sales da Cunha等人提出了一个用于非均匀、区间截断故障数据的经验贝叶斯Weibull模型,使用MCMC在数据稀疏的情况下提供了稳健的可靠性估计[54]。这些方法已在电池[55] [56]和轴承[57]中得到验证,但很少结合物理信息架构。在锂离子电池背景下,Ke等人设计了一个用于电池健康状态估计的贝叶斯流程,利用MC丢弃在特征选择循环中自动化了稳健的、考虑不确定性的SOH预测[58]。Pan等人将贝叶斯神经网络与随机Wiener过程结合,预测了无需寿命标签的RUL,即使在数据稀疏的情况下也能提供概率预测[59]。此外,Meng等人开发了一个集成故障树、动态贝叶斯网络和SVR框架,用于锂离子电池的实时热失控风险预测[60]。
我们在基于物理的数字孪生中采用了贝叶斯不确定性量化,因为它:(1) 与PINN集成以捕捉物理和数据不确定性;(2) 提供了对于高风险中止决策至关重要的良好校准置信区间;(3) 在准确性和可靠性方面优于确定性或纯粹数据驱动的替代方案。尽管取得了这些进展,但目前还没有现有工作将基于物理的数字孪生与贝叶斯RUL不确定性量化相结合,专门用于智能制造中的实时任务中止策略。这一空白激发了我们PI-BDT框架的创作,它将贝叶斯不确定性量化嵌入到基于物理的孪生模型中,以在不确定性下驱动自适应中止决策。
优化生产中止决策以进行维护涉及平衡风险和运营效率,通常被建模为马尔可夫决策过程[61]。传统方法将中止调度视为使用历史退化预测的顺序决策问题。较新的方法通过实时预测和不确定性测量实现强化学习,以适应中止阈值,从而提高可用性和维护结果。Yang等人[62]进一步为无人机(UAV)开发了任务中止策略,强调了早期警告信号和经济考虑。最近,Yang等人[63]提出了结合关键组件健康和老化条件的任务中止决策框架,有效管理了关键任务系统中的风险。Ma等人引入了带有贝叶斯参数学习的自适应中止策略,以最小化成本并提高可靠性[64]。Faizanbasha和Rizwan将深度学习集成与动态中止策略相结合,提高了运行寿命(RUL)的准确性和维护效率[65]。Liu等人将深度强化学习(RL)应用于随机依赖条件下的运输中止决策[66],而Yang等人则通过基于条件的贝叶斯学习联合优化了采样和中止决策,显著降低了故障率[67],[68]。然而,这些动态策略很少整合数字孪生技术(digital twins)、物理信息网络(PINNs)或贝叶斯不确定性量化(Bayesian uncertainty quantification)。我们通过开发一个统一的数字孪生框架来填补这一空白,该框架集成了PINNs、贝叶斯集成方法和基于RL的中止策略,以提高智能制造中的预测准确性、不确定性管理和运营韧性。所提出的PI-BDT框架的整体结构如图1所示,突出了其四个交互层:学习、预测、控制和任务安全。尽管数字孪生技术、PINNs、贝叶斯不确定性量化以及自适应决策策略各自都取得了进展,但它们的统一集成仍较少被研究。具体来说,现有文献缺乏以下方面的框架:1. 将物理信息退化模型与贝叶斯不确定性量化相结合,以增强预测的鲁棒性和泛化能力;2. 在实时自适应任务中止控制策略中明确使用不确定性估计,有效平衡运营风险和生产率;3. 采用合成数据生成技术,有效处理罕见或极端运营条件。本文提出的“物理信息贝叶斯数字孪生”框架结合了模型预测控制(MPC)引导的RL,填补了这些空白,为电动汽车电池生产等复杂制造场景提供了一个全面而稳健的框架。本研究的主要贡献如下:
• 物理信息贝叶斯数字孪生框架:开发了一种新的框架,将基于物理的退化模型与贝叶斯神经网络相结合,显著提高了预测准确性和鲁棒性;
• 不确定性量化与管理:通过贝叶斯集成技术明确量化和管理随机性和认知不确定性,提高了实时决策的可靠性和有效性;
• MPC引导的强化学习用于维护策略:实施了MPC引导的RL算法,动态优化维护中止策略,有效平衡了生产率和风险;
• 合成极端情况生成:通过生成性回放和领域随机化引入合成极端情况生成,大大提高了模型对罕见或极端故障场景的鲁棒性;
• 智能制造中的任务中止策略:在电动汽车电池生产线上对动态中止决策进行了实际评估,展示了适应性的任务中止阈值,减少了计划外停机时间,防止了灾难性故障,并在不同运营条件下提高了整体设备效率(OEE)。
我们的核心任务是从流式工业遥测数据中实现风险校准的剩余使用寿命(RUL)预测和安全约束的任务中止控制。给定同步的传感器历史数据x1:t和控制输入u1:t,我们的方法输出一个概率性的RUL估计pθ(rt∣x1:t,u1:t)(带有校准的不确定性和保守的统计量,如qLB,t和p?fail(t;L)),以及由运行时安全门强制执行的离散操作决策∈{CONTINUE,DERATE,ABORT}。为了确保每个提出的贡献都有实证支持,我们将贡献明确链接到实验中:(i) 物理信息建模通过改进的预测准确性/校准和在消融实验中移除物理项得到验证(第5.2节);(ii) 贝叶斯不确定性和校准通过PICP/CRPS以及在名义和偏移制度下的实验违规率得到验证(第5节,第4.2.1节);(iii) 决策模块通过仅基于实数据的工业KPIs(停机时间、成本、OEE)以及统计测试和决策级控制器消融得到验证(表10,表12);(iv) 合成极端情况生成通过轨迹保真度指标和敏感性分析得到验证,这些分析与仅基于实数据的KPI评估分开报告(第4.2.1节)。
本文的其余部分结构如下:第2节阐述了任务中止决策问题;第3节介绍了我们的物理信息贝叶斯数字孪生框架及其MPC引导的SAC;第4节详细描述了电动汽车电池生产环境和评估协议;第5节展示了结果、比较和消融实验;第6节总结了研究的关键发现和未来方向。
**问题表述**
在本节中,我们建立了问题背景。我们描述了电动汽车电池生产线及其传感器,定义了变量和物理意识状态模型,将RUL预测表述为具有不确定性的概率任务,并将继续/中止维护决策视为一个考虑风险的MDP(马尔可夫决策过程)。
**提出的框架**
在本节中,我们详细介绍了我们框架中的物理信息贝叶斯数字孪生组件。首先,我们将电动汽车锂离子电池生产线中主要退化模式的物理规律推导并嵌入到物理信息神经网络(PINN)中。然后,我们描述了贝叶斯集成策略,用于捕捉和量化RUL预测中的随机性和认知不确定性。
**实验设置**
在本节中,我们描述了试点生产线的背景、200条失效轨迹的采集和标记过程、预处理/分割协议,以及用于生成合成轨迹以进行鲁棒性分析的物理基础的数字孪生模拟器。
**结果与讨论**
在本节中,我们对提出的PI-BDT框架结合MPC引导的SAC进行了全面评估,并与多个基线和消融实验进行了比较。
**结论**
本研究提出了一种新颖的物理信息贝叶斯数字孪生(PI-BDT)框架,该框架结合了MPC引导的强化学习,专门针对智能制造环境中的实时任务中止决策进行了优化。通过将物理退化机制明确嵌入到神经网络架构中,并使用贝叶斯集成进行鲁棒不确定性量化,所提出的PI-BDT显著提高了预测准确性和可靠性,优于传统方法。
**作者贡献声明**
Faizanbasha A.:撰写——审稿与编辑、初始草稿撰写、可视化、软件开发、方法论研究、数据分析、概念化;
U. Rizwan:撰写——审稿与编辑、验证、监督、资源协调、方法论研究;
Syed Tahir Hussainy:验证、资源协调、数据分析、概念化;
Naif Almakayeel:撰写——审稿与编辑、可视化、验证、资源协调、方法论研究、资金筹措、概念化。
**利益冲突声明**
作者声明没有已知的财务利益冲突或个人关系可能影响本文报告的工作。
**致谢**
作者感谢King Khalid大学的研究与研究生院通过大型研究项目(项目编号RGP2/50/46)提供的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号