工业4.0中用于废弃物衍生功能材料生产质量保证和可追溯性的技术选择支持模型

《Materials》：A Technology Selection Support Model in Industry 4.0 for Quality Assurance and Traceability in the Production of Waste-Derived Functional Materials

　　

循环经济提高了由工业、市政和农业废弃物生产的功能材料中质量和可追溯性的重要性。然而，在废弃物价值化过程中，工业4.0（I4.0）技术的选择仍然缺乏系统性，并且与材料和工艺要求的关联较弱。本研究开发了一个决策支持模型，用于选择用于废弃物衍生功能材料生产中的质量保证和可追溯性的I4.0解决方案。该模型基于一项根据PRISMA-ScR（系统综述和荟萃分析扩展范围综述报告指南）报告的双轨范围综述。轨道A（Track A）绘制了I4.0（工业4.0）技术在质量控制和制造可追溯性中的功能，而轨道B（Track B）识别了与废弃物衍生生物聚合物、复合材料、吸附剂、催化剂和纳米材料相关的挑战。在322项主要材料研究中，微观结构、形态和孔隙率占主导地位（69.9%），而可追溯性代表性不足，需要进一步验证。在轨道A中，明确映射了629项研究，其中检验和监测是主要功能。然后将材料特定的挑战与所需的功能和候选技术联系起来，并根据它们对决策情境的契合度和文献支持进行排序。由此产生的模型涵盖了48种材料情境和95个功能-技术对。该模型支持基于材料类别、废弃物类型、工艺阶段以及质量或可追溯性要求的技术选择，而不仅仅是基于技术可用性。所提出的方法可以扩展到其他应用领域的废弃物衍生材料，包括建筑和运输，但需经过行业特定、材料特定和工业验证。

### 论文解读：废弃物衍生功能材料生产中I4.0技术选择支持模型

#### 研究背景与研究问题
随着循环经济理念的深入，工业、市政和农业废弃物被转化为具有可重复性能和可追溯来源的功能材料（如生物聚合物、复合材料、吸附剂、催化剂和纳米材料），其重要性日益凸显。然而，这些材料的生产面临原料组成、污染水平、水分含量等变异性问题，导致质量一致性难以保证。同时，在循环经济背景下，材料的可追溯性（即能够将最终材料及其性能与废弃物来源、工艺条件、批次历史等关联）变得尤为关键。工业4.0（I4.0）技术（如物联网IoT、监控与数据采集系统SCADA、人工智能/机器学习、机器视觉、数字孪生、实验室信息管理系统LIMS、制造执行系统MES、企业资源规划系统ERP、机器人流程自动化RPA等）可在不同阶段支持质量控制和可追溯性，但目前这些技术在废弃物价值化中的选择缺乏系统性，很少与材料特性和工艺要求紧密关联。现有研究多聚焦于单一技术或单一材料类别，缺乏一个整合材料类别、废弃物来源、工艺阶段和质量/可追溯性要求的系统性决策支持方法。因此，本研究旨在开发一个模型，用于在废弃物衍生功能材料生产中选择I4.0技术，以支持质量保证和可追溯性。

#### 研究内容与结论
研究人员构建了一个名为Ω的决策支持模型，该模型通过双轨范围综述（遵循PRISMA-ScR指南）收集证据。轨道A（Track A）从文献中提取I4.0技术在制造质量控制和可追溯性中的功能（监测、预测、检验、仿真与优化、数据集成、文档与报告、审计追踪），轨道B（Track B）识别五种废弃物衍生功能材料（生物聚合物、复合材料、吸附剂、催化剂、纳米材料）中存在的质量与可追溯性挑战。模型将材料挑战映射到所需功能，再链接到候选技术，并基于对决策情境的契合度（fit score）和文献支持状态（status A/B/C）进行排序。最终模型覆盖48种材料情境和95个功能-技术对，支持基于材料类别、废弃物类型、工艺阶段、质量或可追溯性要求的技术选择，而非仅依赖技术可用性。该模型可扩展至建筑和运输等其他应用领域，但需经行业和工业验证。论文发表在《Materials》。

#### 关键技术方法
- **双轨范围综述**：根据PRISMA-ScR指南，在Scopus和Web of Science数据库检索英文文献。轨道A搜索I4.0技术（如IoT、SCADA、数字孪生、AI/ML、机器视觉、RPA、区块链等）与质量/可追溯性相关术语，共纳入718项研究，其中629项可明确映射技术-功能关系。轨道B搜索废弃物衍生材料与质量/可追溯性挑战，从材料科学子集中筛得322项主要研究。**样本来源**：数据库检索，仅限英文文献。
- **功能编码与挑战分类**：轨道A按监测、预测、检验、仿真与优化、数据集成、文档与报告、审计追踪七类功能编码；轨道B按七类挑战编码（C1原料变异性、C2组成与纯度、C3微观结构与孔隙率、C4性能控制与预测、C5可重复性与标准化、C6稳定性与降解、C7可追溯性）。
- **模型构建与排序**：通过整合层，将材料挑战与所需功能关联，再链接到轨道A中识别的技术。推荐排序依据契合度评分（^fitS_norm，基于材料特性、工艺阶段、质量/可追溯性要求的匹配度）和文献支持状态（A为直接对应案例，B为功能合成支持，C为类比或外推）。辅助AB集用于确定直接文献对应性。

#### 研究结果

**3.1 轨道A结果：I4.0技术功能**
在629项可映射研究中，检验功能占主导（264项，42.0%），其次为监测（198项，31.5%）、预测（80项，12.7%）、仿真与优化（41项，6.5%）、审计追踪（38项，6.0%），数据集成（6项，1.0%）和文档与报告（2项，0.3%）极少。约93%的研究涉及质量方面，可追溯性及两者兼顾各占约3.5%。大多数应用处于新兴阶段（emerging level，^gG_ind为新兴级别_e），工业成熟度低。

**3.2 轨道B结果：废弃物衍生材料的质量与可追溯性挑战**
在322项主要研究中，69.9%（225项）集中于微观结构、形态和孔隙率（C3）；其次为性能控制与预测（C4，33项，10.2%）、原料变异性（C1，26项，8.1%）、可重复性与标准化（C5，18项，5.6%）、组成与纯度（C2，15项，4.7%）、稳定性与降解（C6，5项，1.6%）。可追溯性（C7）未作为主要挑战出现，仅在二次挑战中记录2例。复合材料（175项，54.3%）是最大材料组。

**3.3 结果整合与模型推荐**
在48个模型情境中，预测和仿真与优化各占15个（31.3%），监测10个（20.8%），检验5个（10.4%），数据集成2个（4.2%），文档与报告1个（2.1%）。共生成95个功能-技术对。最高排名推荐中，10个（20.8%）为直接支持（状态A），16个（33.3%）为功能合成支持（状态B），22个（45.8%）为类比或外推（状态C）。敏感性分析表明，模型对权重变化稳健，但局部评分变化影响较大。可追溯性相关推荐（如MES、LIMS、区块链）因证据基础薄弱，视为探索性方向。

#### 讨论与结论
**讨论总结**：轨道A和B的分布显示文献集中于质量相关的观察和检测，而可追溯性相关功能薄弱。复合材料挑战最广，主要推荐预测和仿真优化；生物聚合物因原料变异性更需预测和监测；吸附剂和纳米材料推荐基于结构特征；催化剂证据基础最小。模型Ω区别于现有方法，以材料问题为起点，通过功能层连接技术，而非预设技术集。其方法学贡献在于系统化从问题到功能再到技术的转化，并区分直接、功能合成和探索性文献支持。局限性包括：轨道B过滤可能遗漏化学、环境工程领域文献；数据提取主要基于标题、摘要和关键词；情境选择为非随机；模型未经验证。可追溯性在48个情境中均未作为主动需求，因此相关推荐为假设性。

**研究结论翻译**：本研究的目的是开发一个模型，用于支持在废弃物衍生功能材料生产中选择用于质量保证和可追溯性的I4.0技术。所提出的Ω模型将由材料类别、废弃物类型、工艺阶段以及质量或可追溯性要求描述的决策情境与所需的I4.0功能以及随后能够执行该功能的技术联系起来。每条推荐还通过文献支持状态（^sS_rec）、契合度评分（^fitS_norm）和指标（^gG_ind）来描述，该指标指所分析文献中功能-技术关系的扎根程度。该模型基于双轨范围综述的结果，辅以直接案例的辅助集。轨道A提供了技术-功能图，而轨道B使得识别和组织五种废弃物衍生功能材料（生物聚合物、复合材料、吸附剂、催化剂和纳米材料）的挑战成为可能。两个层的整合使得生成和排序技术推荐成为可能。轨道B的分析揭示了强烈的主题集中：在322项主要研究中，225项（69.9%）主要涉及材料微观结构、形态和孔隙率（C3）。可追溯性（C7）未作为主要挑战出现在任何出版物中；考虑二次挑战后仅记录2例。在技术方面，对629项可明确映射技术-功能关系的研究进行分析显示，检验（264项，42.0%）和监测（198项，31.5%）占主导。在48个模型情境的深入样本中，预测和仿真与优化各占15个（31.3%）。操作矩阵包含48个情境和95个功能-技术对。在每条情境的最高排名结果中，10个案例（20.8%）为状态A，16个（33.3%）为状态B，22个（45.8%）为状态C。敏感性分析确认推荐对权重变化稳定，而涉及平局和接近评分的情况对契合度评分的一分变化更敏感。两个轨道整合显示推荐的直接文献基础不均匀。可追溯性在证据基础中代表性不足，因此在当前模型中，关于数据集成、文档、审计追踪、MES、LIMS和区块链的推荐应视为需要进一步验证的探索性方向。本研究的主要方法学贡献在于系统化从问题到功能再到技术的转化，并明确区分直接记录的推荐与间接和探索性推荐。该模型有若干局限性，包括轨道B中材料导向过滤可能限制部分文献的代表性，映射主要基于标题、摘要和关键词，情境选择为非随机，以及模型尚未进行独立外部验证。因此，该模型应视为决策支持工具，而非最优技术选择的验证指标。进一步研究应聚焦于模型的独立验证，包括应用于未用于构建的新材料情境，并与实际观察到的解决方案进行比较。