《Advanced Engineering Informatics》：A human-AI agents collaborative disassembly depth reasoning method for end-of-life automotive batteries under uncertain operating conditions
编辑推荐：
摘要报废汽车电池通常表现出VUCA环境（即易变性、不确定性、复杂性和模糊性）典型的运行状态不确定性，包括结构变形、部件腐蚀和电芯性能退化，使得人工操作员仅凭经验或固定规则难以确定适当的拆解深度。针对该问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解
摘要
报废汽车电池通常表现出VUCA环境（即易变性、不确定性、复杂性和模糊性）典型的运行状态不确定性，包括结构变形、部件腐蚀和电芯性能退化，使得人工操作员仅凭经验或固定规则难以确定适当的拆解深度。针对该问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法。首先，开发了一种小样本电池状态感知与异常检测方法，用于在复杂人机协同拆解场景中识别关键部件并检测非结构化异常状态。其次，构建了一种多维特征量化与模糊评估方法，将异常检测结果转化为结构化的部件状态画像，用于后续推理。第三，提出了一种名为B-MADD的人机AI智能体协同拆解深度推理框架，协同融合电芯状态参数、部件异常状态画像、历史案例和经济效益评估结果，实现不确定运行条件下的自适应且可解释的拆解深度推荐。利用从真实人机协同拆解场景中收集的报废电池拆解数据集进行了案例研究和实验。结果表明，所提出的感知模块在关键电池部件识别中达到85.7%的平均类别准确率，而推理框架将预测拆解深度与最优拆解深度之间的平均偏差降低至0.20。这些结果证明了所提出框架的有效性，并为智能化和以人为本的拆解决策提供了方法学支持，有助于实现更安全、更高效、更可持续的报废电池回收利用。
引言
随着新能源汽车的快速增长，报废汽车电池数量持续增加，预计到2030年动力电池回收市场将超过1400亿元人民币[[1], [2], [3]]。因此，报废电池的高效回收和安全处理变得越来越重要[4]。在报废汽车电池拆解中，拆解深度是指在当前运行状态下建议停止拆解过程的步骤，它直接影响资源回收效率、运营成本和安全风险[[5], [6], [7]]。过度拆解不仅增加了时间和经济成本，还可能引入额外的安全风险；而拆解不足则限制了高价值部件和材料的有效回收，降低了整体资源利用效率。然而，受服役环境差异、循环退化和结构老化的影响，报废汽车电池在形态和性能上表现出显著差异，使其拆解处于典型的VUCA环境，该环境以动态变化的状态、不确定的异常、交互决策因素和模糊的停止条件为特征。这些不确定的运行条件通过改变不同拆解步骤相关的安全风险、运营成本和回收效益，直接影响拆解过程。因此，确定适当的拆解深度需要全面了解多源信息，包括结构异常、电芯性能状态、安全风险、运营成本和回收效益。因此，人工操作员仅凭经验或固定规则很难持续评估复杂的运行条件并确定适当的拆解深度[[8], [9], [10], [11]]。在此背景下，如何构建一种AI赋能机制，协助人工操作员在高度不确定的条件（如结构变形和部件腐蚀）下理解电池状态[[12], [13]]、评估异常严重程度并确定适当的拆解深度[[14], [15], [16], [17]]，已成为一个亟待解决的关键工程问题。
场景感知和状态理解是人机协同拆解报废汽车电池智能决策的前提。现有研究主要聚焦于基于视觉分割、三维感知和视觉-语言联合建模的方法，在一定程度上能够支持复杂环境中的目标识别和异常检测。然而，由于小样本、强环境干扰和多样化的异常形态，现有方法仍难以准确感知部件异常并定量表征其几何特征和损伤严重程度。
在拆解评估方面，基于规则的推理、启发式优化和强化学习方法已被应用于分析拆解风险、成本和效益，能够在特定条件下支持拆解决策。然而，在面对结构变形和部件腐蚀等高度不确定的条件时，现有方法在综合利用多源状态信息和捕捉其对安全风险、运营成本和回收效益的综合影响方面仍有局限，难以实现鲁棒且灵活的拆解深度评估。因此，在获取电池性能参数和部件异常状态后，如何整合包括安全风险、运营成本和回收价值在内的多重约束，综合分析当前拆解状态并完成拆解深度推理，已成为支持人机协同拆解决策的核心问题。
近年来，大语言模型和多智能体协同方法为复杂工业任务中的多源信息融合[[18], [19], [20]]、任务分解和层次推理提供了新的技术途径，在推理过程中展现出强大的灵活性和可解释性[[21], [22], [23], [24]]。然而，现有方法在将异构决策信息组织为一致的拆解深度推理过程方面仍支持有限。拆解深度推理涉及安全风险、回收模式、运营成本和剩余价值收益，而推理结果不仅需要提供一个深度推荐，还需要为人类理解和策略确认提供可解释的证据。这些特点使得复杂异常条件下的拆解深度推理对单一智能体框架而言难以实现，而通用的多智能体推理框架也缺乏对此任务的充分领域特定支持。
现有研究仍缺乏一个统一的框架来进行不确定运行条件下报废汽车电池拆解的拆解深度推理，难以容纳以多样化部件异常、多源异构数据和多个交互决策约束为特征的复杂场景。具体而言，仍有两个关键局限。第一，现有感知方法受限于稀缺的异常样本、复杂的环境干扰和多样化的异常形态，难以准确识别、量化和结构化表征复杂的部件异常。第二，现有拆解评估方法在有效整合多源异构数据和组织多重约束下拆解深度推理所需的评估逻辑方面仍有局限。针对这些问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法。通过整合异常状态检测、状态量化和多智能体协同推理，所提出的方法实现了从异常感知到深度决策的有效信息传递和协同分析，从而为VUCA环境下的拆解决策提供了可解释的支持。相应地，所提出的框架通过动态更新电池状态信息、结构化不确定的异常证据、协调交互决策因素，以及在可用证据不足或冲突时纳入人类反馈，来支持拆解深度推理。
本文其余部分组织如下。第2节回顾了工业场景感知、拆解评估和多智能体协作的相关研究。第3节介绍了所提出方法框架的技术细节。第4节提供了报废汽车电池人机协同拆解场景下的案例研究和实验结果。第5节讨论了所提方法的优缺点。第6节总结本文并概述了未来研究方向。
章节摘要
人机协同中的场景感知
场景感知近年来被认为是智能感知和机器人领域的重要研究方向。其主要目标是整合视觉信息、空间结构信息和语义知识，实现对复杂工业环境中物体状态和空间关系的全面感知，从而为后续的状态评估、决策推理和任务规划提供准确可靠的数据支持。现有……
方法论
针对上述问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法。所提方法旨在实现复杂报废汽车电池拆解场景中腐蚀和变形等非结构化异常的准确感知，并通过整合电池性能状态和结构异常信息，进一步实现拆解深度推理。
案例研究与实验结果
为验证所提出的面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法的有效性和实用性，使用具有S471标准C-pack配置的报废汽车锂离子电池进行了人机协同拆解实验。所有实验均在代表性异常条件下于实验室人机协同拆解平台上进行。
讨论
针对报废汽车电池动态拆解场景中复杂异常状态和强决策不确定性的问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法。基于第4节的实验结果，所提方法能够在复杂耦合异常条件下实现稳定且可解释的拆解深度推理，其……
结论
针对由服役状态大幅变化、部件变形和腐蚀等复杂异常、以及电芯性能退化与结构损伤之间的耦合所导致的拆解深度推理中强不确定性和多重约束冲突问题，本文提出了一种面向不确定运行状态下报废汽车电池的人机AI智能体协同拆解深度推理方法。所提方法整合了2D-3D异常……
CRediT作者贡献声明
江聪：撰写—初稿。姚杰：正式分析。肖文杰：数据整理。庄维斌：资金获取。王吉：调查研究。鲍金松：软件。李心宇：撰写—审阅与编辑，概念化。
利益冲突声明
作者声明他们不存在可能影响本文所报告工作的已知竞争财务利益或个人关系。
致谢
作者感谢国家自然科学基金（编号：52405256）和东华大学学科发展科研能力提升计划2025年度项目（2025XKNLTS-18）的资助支持。
江聪|姚杰|肖文杰|庄维斌|王吉|鲍金松|李心宇
