Rec-PdM：面向智能制造不确定性感知规范性维护的决策校准递归多智能体系统

《JOURNAL OF MANUFACTURING SYSTEMS》：Rec-PdM: Decision-calibrated recursive multi-agent systems for uncertainty-aware prescriptive maintenance in smart manufacturing

　　

• Rec-PdM 通过递归协调对齐专业化维护信念。• 决策校准将预测性不确定性连接到成本、遗憾和尾部风险。• 六个公开数据集验证了预测、诊断和异常接口。• RecursiveLink 在评估的协调器中实现了最佳平均成本排名。• 先验守护将未服务故障从 70 减少到 5，以应对漂移。引言智能制造中的维护是一个动作选择问题：执行哪种干预、何时安排、造成什么生产中断、以及延迟会留下多少风险。经典预防性维护策略平衡计划干预和纠正性修理 [1]、[2]。基于状态的维护（CBM）和预测与健康管理（PHM）增加了用于故障诊断和剩余使用寿命（RUL）估算的状态证据 [3]、[4]、[5]。这些预测为决策提供信息，但不决定其价值。更低的 RUL 均方根误差（RMSE）仍可能产生更差的维护策略，当误差落在干预阈值的不安全一侧时，延迟行动会带来故障、停机、安全暴露和紧急维修成本。随着制造系统向网络物理生产、工业物联网和智能工厂架构转变，预测与处方之间的区别变得更加明显 [6]、[7]。处方分析寻求在概率环境中进行成本和风险感知的决策 [8]、[9]。在维护中，这一理念出现在类 PriMa 网络物理生产模型 [10]、处方维护综述 [11]、强化学习维护计划器 [12] 以及用于大型组合动作空间的深度强化学习方法 [13] 中。这些工作将维护框定为耦合健康推理、资源约束和生产影响的序贯决策问题。多智能体系统（MAS）为制造提供了自然的架构基础，因为车间决策分布在资源、产品、控制器、操作员和计划功能中 [14]、[15]、[16]。先前的制造 MAS 研究研究了全息控制、分布式调度、协作预测和成本敏感架构选择 [17]。新的大语言模型（LLM）智能体系统进一步扩展了制造中的自然语言交互和工具使用 [18]、[19]。RecursiveMAS 通过将协作视为具有紧凑内部协调的迭代潜在空间计算提供了互补途径 [20]。Rec-PdM 将这一原则应用于工业处方维护，并将其建立在 PHM、可靠性和制造决策理论之上。我们介绍 Rec-PdM，一个用于不确定性感知处方维护的决策校准递归多智能体系统。其架构反映了维护决策的一个实际特征：证据和约束有不同的所有者、更新速率和验证要求，但它们共同决定最终行动。单向模块化管道保持组件边界，但无法在下游安全或生产冲突后修订上游健康信念。统一模型纠缠了健康估计、成本规则、安全检查和生产环境，使得在站点更改成本模型或操作策略时难以进行受控更新。混合专家结合了预测专家，但没有协调维护成本、资源和验证信念。Rec-PdM 保留模块化所有权，同时通过迭代协调算子将全局决策后果反馈给参与智能体。该框架明确对齐了来自信号证据、故障模式、RUL 分布、成本模型、生产状态、资源约束和安全规则的信念。其分解架构保留了工业知识来源的可审计性，同时启用了迭代全局协调。RecursiveLink 更新专业化潜在状态，并将结果策略与预测、诊断、校准、预期成本、尾部风险、约束和通信术语进行校准。论文做出三项贡献。1. 我们将决策校准预测性表述为处方维护的理论核心，将主要目标从预测误差转移到预期决策损失、遗憾和尾部风险。2. 我们开发了 Rec-PdM，一个递归潜在空间 MAS，其中六个决策智能体和两个操作接口保留了功能所有权，同时通过 RecursiveLink 对齐信念；我们还建立了稳定对齐的充分收缩条件。3. 我们在六个公开数据集上建立了可重复验证协议，将退化预测、故障诊断和异常检测连接到共同的维护决策层。受控研究然后隔离了不确定性校准、协调结构、成本不对称、共享资源、故障依赖和运行漂移的效果。章节片段CBM、PHM 和 RUL 估算CBM 和 PHM 提供了构建处方维护的传感和预测性基础。Jardine 等人 [3] 建立了 CBM 中的诊断-预测性联系，而 Si 等人 [4] 强调 RUL 是从状态信息推断的随机未知量。后来的综述将 PHM 管道扩展到包括数据采集、健康指标构建、健康阶段划分和 RUL 预测 [5]。深度学习大幅扩展了机器健康特征学习。部分可观察退化过程让资产或资产群在离散决策时期 t=1,…,T 上演化。潜在退化状态 s_t∈S 不能直接观察到。相反，系统接收多源观察 x_t={x_t^vib, x_t^temp, x_t^elec, x_t^audio, x_t^prod, x_t^maint}，其中组件可以表示振动、温度、电流、声学信号、生产环境和维护历史。信念状态 b_t(s)=p(s_t=s∣x_1:t, a_1:t-1) 总结了可用证据。寿命结束时间 τ 是一个停止时间。智能体分解Rec-PdM 将维护循环分解为六个决策智能体和两个操作接口。分解遵循处方维护决策所需的最小功能循环：证据提取、故障解释、不确定性表示、经济估值、动作选择和独立约束验证。生产影响接口提供外部操作环境，人类处方接口暴露了验证后的决策和。数据集验证研究涵盖涡轮风扇退化、过程级故障事件、轴承振动、工业声学和运行至失效的轴承退化。表 2 说明了每个公开基准的作用。补充图 S1 记录了用于获取图 2 中输入嵌入的数据集特定清理、特征或序列构建和划分纪律；这些转换也可在可重复性包中执行。基线基准跨越预测、维护策略，公共数据实验结果评估从健康证据开始，到其支持的决策。C-MAPSS 和 XJTU-SY 涵盖退化，而 AI4I、CWRU、Paderborn 和 MIMII-DCASE 涵盖故障预测、诊断和异常检测。随后的实验在适当情况下保持这些接口固定，并检查维护成本、尾部风险、资源分配和验证后的动作。这种排序将预测准确性与下游决策价值区分开来。为什么需要递归多智能体协调当维护决策跨越所有权边界时，Rec-PdM 是合理的。健康证据、生产状态、成本规则、资源容量和安全授权以不同速率变化，很少由一个模型所有者管理。独立管道保持这些边界，但无法在下游冲突后修订上游信念。一次性融合和共享表示有效地压缩状态，但压缩在决策时期内是不可逆的。结论Rec-PdM 在成本、资源、生产和安全约束下将校准的健康信念连接到维护动作，同时保留对每个证据来源的明确责任。RecursiveLink 提供了普通组件组合中缺失的反馈路径，并在所述收缩条件下收敛。六个公开数据集的证据验证了预测、诊断和异常检测接口；受控决策压力测试显示最佳平均成本排名。CRediT 作者贡献声明汤鑫：写作 - 审阅和编辑、监督、方法论、资金获取、概念化。王成：可视化、验证、软件、方法论。高永斌：验证、调查、数据整理。吴晨茂：可视化、软件、形式分析。方志军：写作 - 审阅和编辑、监督、概念化。利益冲突声明作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能影响本文所报告的工作。致谢这项工作部分由上海自然科学基金（项目编号 25ZR1402180）和上海教育发展基金会及上海市教委晨光计划（项目编号 25CGA57）资助。汤鑫|王成|高永斌|吴晨茂|方志军