迈向再制造5.0：一种面向报废电动汽车锂离子电池再增值的智能可持续方法

《Resources, Conservation & Recycling Advances》：Towards remanufacturing 5.0: A smart sustainable approach for end-of-life electric vehicle lithium-ion battery revalorization

　　

再制造是一种价值保持策略，旨在将使用过的产品恢复至与新产品相当的状态，且所需能源与材料少于制造新产品。尽管再制造具有诸多优势，其实施仍面临内在障碍，且有时无法平衡经济、环境与社会关切，或仅能部分满足利益相关方需求。本研究通过提出再制造5.0（R5.0）来弥补这些缺口。R5.0是一种实施工业5.0（Industry 5.0, I5.0）原则的智能可持续再制造系统。R5.0利用智能系统赋能可持续性，整合以人为中心的方法，并增强系统韧性。研究通过一个说明性案例研究对此进行阐释，该案例模拟了加拿大魁北克省报废（end-of-life, EOL）电动汽车（electric vehicle, EV）锂离子电池（lithium-ion battery, LIB）的R5.0系统。R5.0包括一种智能架构，有助于整合利益相关方、可持续目标、系统韧性、产品生命周期信息（product life cycle information, PLCI）以及运营活动。基于机器学习（machine learning, ML）的方法可通过以低于10%的误差预测寿命来降低不确定性。一个多目标优化模型在建立报废电动汽车锂离子电池回收运输路径与回收处理调度的同时，平衡经济、环境与社会关切。通过实施加权因子并采用Gurobi求解器进行求解，获得了最优帕累托前沿（Pareto frontier）。敏感性分析表明，即使在参数变化超过20%的情况下，该模型仍具有稳健性。最后，研究讨论了R5.0的优势与局限性。

该文发表于《Resources, Conservation 》。论文围绕“再制造5.0（Remanufacturing 5.0, R5.0）”展开，试图将工业5.0（Industry 5.0, I5.0）的可持续性、以人为中心与系统韧性原则系统性引入再制造场景。研究背景在于，再制造作为循环经济中的关键价值保持策略，能够以低于新制造的能源与材料消耗，将废旧产品恢复到与新品相当的功能状态，因此在缓解资源枯竭、降低污染、促进经济增长和就业方面具有重要价值。然而，现有再制造实践仍存在若干突出问题：其一，废旧产品回收数量、质量和返回时间具有高度不确定性；其二，拆解与再装配过程复杂，且产品生命周期信息（product life cycle information, PLCI）缺失；其三，经济、环境与社会三维可持续目标在运营决策中长期失衡，社会维度尤其容易被忽视；其四，原始设备制造商、投资者、工人、社区与用户等利益相关方之间存在目标冲突，同时系统对风险扰动的韧性不足。正是在上述问题背景下，研究人员提出R5.0概念，并以加拿大魁北克省报废电动汽车锂离子电池（lithium-ion battery, LIB）为案例，构建一个智能可持续再制造系统，用于说明如何在逆向物流（reverse logistics, RL）、寿命预测、回收路径规划与再制造/回收调度中落实I5.0原则。

研究人员开展的核心工作包括：构建R5.0系统框架，设计包含运营层、数据恢复与过程控制层、信息管理层、数据分析与决策层及循环商业模式的智能架构；建立一个面向报废电动汽车（electric vehicle, EV）LIB的说明性案例研究；通过电池生命周期退化仿真与基于机器学习（machine learning, ML）的寿命预测模型处理产品返回时间和状态不确定性；进一步构建以总成本、CO₂排放和运输阶段火灾/爆炸风险为目标的多目标优化模型，以同时确定回收调度、处理调度及车辆路径。研究结果表明，R5.0能够在理论与方法层面整合利益相关方需求、平衡可持续目标并强化系统韧性。ML寿命预测误差低于10%，优化模型通过加权因子与Gurobi求解获得最优帕累托前沿，且敏感性分析显示模型在参数上浮20%以上时仍具稳健性。其重要意义在于，该研究不仅提出了再制造领域中较少被系统讨论的I5.0实施路径，还为报废EV锂离子电池高值化利用提供了可操作的智能架构、决策模型与方法学基础。

从方法上看，研究主要采用了三类关键技术路径。第一，基于说明性案例研究方法，以魁北克省2011—2022年登记的15,168辆私人纯电动汽车为对象，模拟其LIB在生命周期末端的回收与处理。第二，基于Severson et al.（2019）公开的124个磷酸铁锂/石墨商业电芯数据，筛选106条有效退化曲线，以放电容量—循环次数关系构建退化仿真模型，并利用前馈多层感知机神经网络进行寿命预测。第三，建立多目标混合优化模型，将运输成本、仓储成本、回收与再制造成本、CO₂排放以及危险风险数（hazard risk number, HRN）纳入统一决策框架，并在Matlab R2024b中实现仿真，借助NEOS-Solver平台上的Gurobi求解器求取最优帕累托前沿。

以下结合论文结果部分的小标题，对主体内容进行浓缩解读。

4.1. Performance of the battery lifespan forecasting
该部分主要评估基于神经网络的电池寿命预测性能。研究人员采用三层前馈多层感知机模型，输入变量包括前400个循环阶段放电曲线提取的统计特征与等间隔采样点，输出为寿命循环数。结果显示，在初始训练阶段和系统运行1,352周后，预测值与目标值之间均保持较高相关性，相关系数R约为0.98167；R²在训练过程中维持在约0.985附近，说明模型能够较好拟合实际寿命。误差直方图进一步表明，随着调度周期推进、训练样本不断增加，预测误差分布更集中于零附近，均方误差在前期波动下降后趋于稳定。通过这一研究，研究人员得出结论：基于ML的寿命预测能够有效缓解报废产品返回时间与质量状态不确定性，是R5.0决策层的重要支撑模块。

4.2. Multi-objective optimization model for scheduling a r5.0 system
该部分展示了R5.0系统多目标优化调度模型的求解结果。研究人员在第1,352周调度周期上进行分析，此时对应2037年末，系统已累积较为充分的产品生命周期信息。模型同时最小化经济目标f_eco、环境目标f_env与社会目标f_soc，分别对应总成本、CO₂排放以及运输过程中的LIB火灾/爆炸风险。求解结果得到100个帕累托最优解，并选取三目标综合值最小的方案作为最佳解。结果表明，该最佳解在成本与排放维度接近原点，在社会风险目标上处于中间水平，但满足全部约束并对火灾和爆炸风险保持控制。针对具体回收路径，研究给出了卡车1的最优回收行程及对应电池的末端处理方式，表明系统可在同一次回收任务中同时识别应回收再制造和应回收再循环的电池。进一步的处理调度结果显示，再循环序列更连续，而再制造序列则受电池退化状态影响具有不同处理时长。通过这部分研究，研究人员证明所提出模型能够将利益相关方共同关切的经济、环境和职业健康安全目标纳入统一运营决策中，实现面向R5.0的可持续调度控制。

4.3. Sensitivity analysis
该部分包括两类敏感性分析：一类针对电池生命周期仿真与寿命预测中的不确定性来源，另一类针对优化模型参数变化下的稳健性。首先，研究人员考察了车辆年里程均值μ和标准差σ变化对预期寿命日期的影响。结果表明，当σ增加时，平均寿命日期可能上升；当σ≤2000时，不同里程曲线下的平均寿命日期较稳定。另一方面，随着μ增大，平均寿命日期整体下降，这意味着需要更早收集和处理更多电池，从而影响系统能力配置。该结果说明实际应用中应尽量获取用户里程信息，或按品牌、车型、区域等进行数据分组，以降低寿命离散性，提高预测精度。其次，研究人员检验了运输成本C_t、运输排放E_t和HRN对决策变量X_ik、S_ijkr的影响。结果显示，在较大范围参数波动下，运输成本和运输排放对应的车辆分配与路径变量保持稳定，显示出较好稳健性；而HRN对电池分配至不同卡车具有显著影响，说明风险指标在运输安全决策中具有关键调节作用。由此可见，该模型不仅具有较强鲁棒性，也能够对高风险情境作出敏感响应。

4.4. Discussion
讨论部分从系统实现条件、方法局限与应用启示三个层面总结研究发现。首先，研究强调PLCI在R5.0中的核心地位。由于寿命预测与优化调度均依赖大量生命周期数据，若OEM不共享数据，第三方实施R5.0将面临较高初始不确定性。因此，已有拆解或回收经验、处于价值链中的企业更适合作为R5.0的实施主体，因为其更有机会逐步积累产品数据并降低信息缺口。其次，ML寿命预测虽有效降低产品状态与返回时间不确定性，但仍对里程等外部因素敏感，说明PLCI获取策略仍是系统精度与稳健性的关键。再次，多目标优化模型展示了如何通过目标函数和约束条件平衡经济、环境与社会维度，其中社会目标以工人健康与安全为中心，并通过风险评估增强系统韧性。研究还指出，目标尺度失衡问题可通过加权因子与风险阈值约束处理，从而避免社会目标被经济目标挤压。最后，案例研究归纳出实施R5.0的三个关键前提：获取PLCI的能力、产品具备可再制造结构、可接入成熟价值链。论文同时提醒，智能产品与I5.0技术虽然能提升性能与寿命，但也可能被用于计划性报废，因此在智能系统设计与部署中需强化伦理导向。

研究结论部分可译为：
本研究讨论了“再制造5.0（R5.0）”或“智能可持续再制造系统”，即工业5.0（I5.0）原则在再制造中的一种实现方式。整个研究围绕四个研究问题（RQ1–RQ4）展开，并分别在文献综述、研究方法以及结果与讨论部分予以回应。一个模拟加拿大魁北克省报废电动汽车锂离子电池再增值过程的案例研究，为上述研究目标的实现提供了支撑。该案例旨在阐明R5.0的主要构成要素及运行机制，同时应对再制造中的不确定性、利益相关方需求，以及可持续目标的整合与平衡。
研究讨论了R5.0的组成部分，包括运营层与智能架构，为其提供了理论与方法学知识。运营层涵盖从用户到处理工厂的逆向物流网络，以及检测、拆解、回收、再制造和处置等关键过程；智能架构则整合I5.0，用于PLCI的获取、处理与分析，并支持决策过程。这也凸显了从逆向物流交互视角研究再制造的重要性。
基于放电容量的电池生命周期仿真有助于示例化其退化过程，但该仿真的数值结果在实践中存在局限，因为这一过程无法准确代表所有不同的电池化学组成与用户里程模式。这也会影响所采用的基于ML方法的寿命预测，而后者依赖PLCI的准确性，因此进一步凸显了在R5.0中获取、存储和处理PLCI的重要性。
所提出的多目标优化模型有助于协调可持续目标，体现了智能架构中投资者、社区或用户以及工人的利益相关方导向。模型通过将社会关切——工人健康与安全——引入运营决策，展示了以人为中心的特征；同时通过风险评估避免意外事件，增强了系统韧性。
未来研究机会包括：可持续产品拆解、当前不可再制造产品如EV LIB的修复；开发用于以人为中心可持续生产或再制造的新型优化模型；面向中小企业赋能R5.0的智能架构；更快速弥补PLCI不足的方法；可实施R5.0的价值链识别；以及EV LIB供应链韧性研究。