《Cleaner Engineering and Technology》：Integrating environmental life cycle assessment in assistive technology selection for inclusive workstations: A novel multi-objective optimisation approach in industry 5.0
编辑推荐：
面向包容性制造工作站的设计体现了工业5.0（I5.0）以人为本的设计标志。此类工作站通常融入辅助技术（Assistive Technologies, ATs），以支持具有各类残障的操作人员在理解、培训、装配执行和质量检验等方面的需求。然而，目前辅助技术通常仅与
面向包容性制造工作站的设计体现了工业5.0（I5.0）以人为本的设计标志。此类工作站通常融入辅助技术（Assistive Technologies, ATs），以支持具有各类残障的操作人员在理解、培训、装配执行和质量检验等方面的需求。然而，目前辅助技术通常仅与可持续性的社会支柱相关联，研究人员往往忽视了使用辅助技术对环境可持续性的潜在影响。本研究提出了一种新颖方法，将生命周期评估（Life Cycle Assessment, LCA）作为设计支持工具，以促进制造车间辅助技术的清洁工程与可持续选择，同时不损害包容性。针对九种不同的辅助技术（从协作机器人到投影仪）开展的LCA结果被整合至多目标优化（Multi-Objective Optimisation, MOO）框架中，以筛选出能够增强躯体、认知和感官可及性，同时最小化不利环境影响的辅助技术组合。从所得帕累托前沿中识别出最优（非支配）的辅助技术组合，可提供高达91%的最大归一化总可及性。与最大环境影响相比，生命周期环境影响降低了65%，证明了该方法在未来辅助技术开发中告知清洁工程策略的能力。因此，所提出的方法作为一种设计反馈回路，使工程师能够识别辅助技术设备及系统中的环境"热点"，并量化在设计阶段的干预措施如何影响工业5.0时代的帕累托最优组合。
本研究发表于《Cleaner Engineering and Technology》期刊，旨在解决工业5.0背景下包容性制造工作站设计中社会包容性与环境可持续性之间的根本矛盾。随着"操作者5.0"范式（Operator 5.0）的兴起，辅助技术在制造工作站的部署日益增多，这些技术虽能弥合残障人士的可及性差距，但其采用可能为清洁工程带来前所未有的挑战。先前手动操作任务（能耗较低）正逐渐转变为协作性、适应性、辅助性和智能化任务，所使用设备可能在长期使用中产生巨大的能源需求和材料消耗，导致追求社会包容性可能以牺牲环境可持续性为代价。现有文献存在三方面显著空白： segregated-640" id="segregated-640" 一是缺乏将可及性作为优化目标的MOO研究，现有研究多聚焦于体能工效学或工业效率，忽视残障人士的功能性可及性；二是社会-环境MOO中生命周期视角的缺失，多数研究仅关注装配线能耗等使用阶段指标；三是MOO中未考虑辅助技术的组合使用，独立进行的生命周期评估未能反映多模态辅助技术同时部署的真实场景。
针对上述空白，研究人员提出了融合环境生命周期评估的多目标优化方法。该方法包含四个阶段：首先筛选相关辅助技术，继而通过感性工学（Kansei Engineering, KE）理论量化残障人士对各项技术的感知可及性，形成躯体、认知和感官三维可及性指数；同步开展从摇篮到 grave 的生命周期评估，采用ReCiPe影响评价方法识别关键中点和端点影响类别；最终将归一化的可及性指数与环境影响评分输入MOO框架，求解帕累托最优组合。研究以九种辅助技术为案例，包括协作机器人（cobot）、扬声器、触摸屏、麦克风、投影仪、耳机、LED视觉反馈、键盘鼠标和显示器，其中显示器作为基线对照物。
在技术方法层面，研究人员招募了48名涵盖躯体、认知和感官障碍的受访者参与Kansei调查，基于 bipolar 量表获取感知数据。生命周期评估采用SimaPro V9.2.0.1软件及Ecoinvent 3.7.1数据库，功能单位定义为10年使用期（每年4000工作小时），系统边界涵盖从原材料提取到生命终结（EoL）的全过程，采用替代点分配（Allocation at the Point of Substitution, APOS）方法处理回收分配。环境影响评价选用ReCiPe 2016层次法（Hierarchist, H），并以淡水生态毒性（Freshwater Ecotoxicity, FETP）为主要关注点。MOO采用穷举组合搜索与暴力帕累托方法，通过自定义Python脚本实现，以归一化的生态系统损害（Damage to Ecosystems, ED）和总可及性为双目标函数，引入1:1:1的权重比综合躯体、认知和感官可及性，并设置至少包含一种输入设备和一种输出设备的可行性约束。
研究结果部分如下：
**帕累托最优组合与帕累托前沿膝点**：图10展示了包含九个帕累托最优解的前沿曲线。通过几何距离法识别出膝点A和B，分别代表最可持续选项和高可及性选项。膝点A仅达到最大归一化总环境影响的4%，同时提供74%的归一化总可及性，组合包含麦克风、显示器、触摸屏和协作机器人；膝点B则可实现91%的可及性，但环境影响增至35%，额外增加了投影仪和耳机。该发现在全球变暖潜势（GWP）和FETP中点指标下保持稳定，验证了端点指标ED的稳健性。图12显示投影仪引入导致使用阶段能耗剧增，而协作机器人的引入使GWP增加约183%、能耗增加112%。
**基于变化率的权衡阈值识别**：研究人员对帕累托前沿拟合幂律模型，得到关系式f_ED(j)=0.98(f_a(j))^8。该高指数表明可及性接近归一化值1时生态毒性急剧加速上升。通过计算一阶导数确定临界阈值dx/dy=1位于x≈0.745处，即超过约75%归一化总可及性后，环境影响的增速超过可及性增益。膝点A恰好位于该阈值下方，而膝点B则超出"最优可及性范围"，揭示了增量式可及性提升的环境代价。图13以矩阵形式可视化各组合的ED与可及性权衡关系。
**敏感性分析：评估MOO在可变运行场景下的稳健性**：改变每日工作班次（1班、2班、3班）进行敏感性分析，结果显示帕累托最优解和膝点位置不变，但ED值沿y轴向上偏移，表明更高服务强度导致更高环境负担。这一趋势与多目标LCA中的敏感性分析文献一致，验证了方法在运行强度变化时的稳健性。
**基于场景的敏感性分析：从完整辅助技术集中排除协作机器人**：排除环境影响最大的协作机器人后，幂律指数从8降至3.6，权衡阈值从75%降至65%。修订后的膝点A'（可及性0.48，ED 0.01）排除了触摸屏，膝点B'（可及性0.81，ED 0.23）则与原始膝点A重合。该分析揭示了协作机器人作为"主导性"设备对整体前沿的拉伸效应，以及移除外围设备后环境影响的相对变化规律。
**从辅助技术选择到辅助技术设计：所提出的MOO方法作为清洁工程设计工具**：研究强调该方法超越单纯的技术筛选，可作为设计反馈工具指导辅助技术的清洁工程设计。通过颗粒化生命周期清单数据，工程师可量化材料选择、能耗组件等设计决策的影响；AI驱动的预测性维护等工业5.0技术可延长辅助技术寿命、推展帕累托最优前沿；模块化设计和可回收性将获得方法论的激励，因更易升级的辅助技术在MOO中更易被选为最优组合。
在讨论部分，研究人员系统回应了文献中的三个关键空白。针对可及性作为明确优化目标的缺失（G1），Kansei工学的应用将抽象的社会属性转化为可量化的优化目标；针对生命周期视角的忽视（G2），从摇篮到坟墓的LCA使MOO转变为参数化设计工具，可识别全生命周期的材料和能源热点；针对组合使用的缺乏考虑（G3），组合层面的归一化计算反映了多模态输入输出的真实场景，拓展了协同清洁工程效益的识别机会。
研究结论部分翻译如下：本研究引入了一种前所未有的新颖方法，将生命周期评估（LCA）与多目标优化（MOO）相统一，从而回应了一个切题的研究问题：如何将LCA整合到辅助技术（ATs）的选择中，以同时增强制造领域中残障人士的躯体、认知和感官可及性，同时最小化其全生命周期的环境影响？该方法的优势在于将源自不同学科的两大冲突目标——包容性制造工作站的可及性与环境可持续性——桥接至一个MOO中，支持不牺牲任一目标的辅助技术选择。通过Kansei工学量化可及性，将残障人士对辅助技术的感知予以量化，并与通过严谨LCA量化的辅助技术环境影响相结合，这两类输出被用于MOO。
此外，通过在辅助技术选择的案例研究中实施该方法，若干关键成果得以揭示。针对九种独特辅助技术开展了LCA，使用SimaPro和ecoinvent数据库。淡水生态毒性（FETP）成为生态系统损害（ED）端点的首要贡献者。采用暴力帕累托优化识别可及性与ED之间的权衡。尽管案例中实施的辅助技术数据集较小，可能的组合数仍然很高（>200）。随后通过膝点识别最优组合，其中一种组合提供高达91%的归一化总可及性，同时仅为归一化总ED的35%。还进行了第二次迭代，在省略ED贡献最大的离群辅助技术——协作机器人后，评估帕累托最优解。这产生了一修订的帕累托最优组合和膝点池。此外，还计算了ED超过可及性增益的变化率，发生在最大可及性分数的75%处。然而，观察到该变化率取决于第一阶段方法中筛选的辅助技术数量和类型。例如，省略协作机器人（FETP影响的最大贡献者）后，帕累托前沿移动，修订后的变化率为65%。
因此，通过所提出的方法及其在上述案例研究中的应用，本研究解决了包容性工作站设计文献中被忽视的方面：G1通过Kansei工学，将可及性感知等抽象社会属性量化为可明确比较环境可持续性的优化目标；G2对所有辅助技术开展完整从摇篮到坟墓的LCA，将MOO转变为参数化工具，通过识别全生命周期材料和能源热点来告知辅助技术的内在清洁工程；G3计算辅助技术组合的归一化总ED和总可及性而非单独计算，该方向反映了具有多模态输入输出的包容性工作站现实，拓展了识别多模态集合协同清洁工程效益的机会，而非孤立处理设备。
尽管这些贡献显著，未来研究仍需识别战略途径以扩展该方法对清洁工作站的全面影响。案例研究收敛于少量辅助技术，但其模块化、即插即用的特性使其广泛适用，包括当前文献中尚未涉及的较不知名设备。因此，应考虑更大的辅助技术数据集以扩展MOO问题规模，并引入NSGA-II等先进算法。超越从摇篮到坟墓的系统边界，针对个体生命周期阶段、不同功能单位和地理位置，可能产生更具针对性的洞见。本研究围绕寻找社会与环境可持续性之间的权衡，使用LCA数据在环境支柱内建立研究边界，同时忽略了经济属性。然而，在整个生命周期中优化最小化能耗和材料使用是与经济目标内在一致的清洁工程关键方面。通过选择减少环境位移的辅助技术组合，从业者间接针对更低的运营和资源成本。通过明确整合生命周期成本（LCC），将成本纳入不同生命周期阶段（初始资本支出、运输、维护和处置成本），将支持涵盖可持续性三大支柱的综述框架。
本研究主要关注辅助技术的硬件层面影响。虽然显示器等设备的图形用户界面（GUI）为可及性定制提供了重要机会（如可调字体大小和高对比度模式），但这些软件层面的干预被认为超出范围。此外，通过首先关注"感知"指数，建立了优先考虑人性化和操作者福祉的工业5.0方法的基础逻辑。这限制了指标集中于感知可及性而非客观绩效数据。尽管如此，这些指数的稳健性植根于48名受访者样本的异质性。通过涵盖广泛的残障概况，研究捕捉了超越单纯个体主观性的集体经验。设计师和从业者可以利用这些信息指导智能和包容性制造工作站的决策，帕累托前沿作为不同使用场景和硬件约束下的可视化权衡指南。膝点尤为重要，代表平衡可及性增益与 resulting 环境影响的最优折衷。通过利用该框架，设计工程师可以脱离非系统性的硬件选择，而转向与社 会（包容性）和环境（LCA）关键绩效指标（KPIs）一致的数据驱动选项。这通过所提出MOO框架的模块化特性得以实现，允许从业者交换Kansei输入数据而不改变底层优化逻辑，确保方法的可迁移性。这邀请开展更大样本量的研究。
Kansei分数反映了参与者对机器人或增强现实指令等先进技术无先前经验时的体验和认知。未来的工作将涉及通过目标人群的试点测试验证帕累托最优组合，以测量功能性绩效KPIs，如错误率和任务完成时间。这将允许对辅助技术组合的"感知"和"功能"有效性进行交叉比较。虽然关注归一化总可及性分数已解决了G1，但考察帕累托最优解在针对躯体、认知和感官可及性个体维度评估时的比较也是极具价值的。这种比较能够更深入理解为总可及性优化的解是否与特定可及性领域优化的解一致或偏离。此外，虽然该方法通过Kansei工学优先考虑"终端用户"（残障操作者），但将其应用于社会生命周期评估（S-LCA）存在重大机遇。这将允许"双重社会"视角，评估为残障操作者最大化可及性的辅助技术生产，是否会在供应链其他地方无意中施加社会负担，如电子行业中常与童工相关的"冲突矿产"（如钴）采购（Orola et al., 2022）。此类途径将为清洁工程设定更全面的视角。
本工作为三重底线（Triple Bottom Line, TBL）优化工具提供了基础性逻辑和方向。所呈现的方法体现了使可及性与可持续性更紧密而不牺牲人性化的首次尝试。通过从单一关注可及性转向整合的社会-环境模型，本研究指导了向不仅人性化而且全球负责任、伦理透明、并植根于清洁工程原则的工业5.0方法的过渡。
