NEC锂电池基于熵权模糊层级分析和差分演化算法的多目标人机协作拆解计划

全球能源消耗和温室气体排放的上升加剧了人们对可持续制造和循环经济实践的关注（Ali Ilgin & Gupta， 2009）。在电动汽车（EV）领域，退役的电池组必须安全高效地拆解，以便重复利用和材料回收（Harper等，2019）。然而，电池结构的异质性、安全风险（如高电压和电解液泄漏）以及车间环境中的动态约束，对自动化拆解过程构成了重大挑战（Rhee 等，2021）。
拆解顺序规划（DSP）是指基于结构依赖性、工具需求、安全约束和操作规则，系统性确定产品组件的最佳拆解顺序（Chung 和 Peng，2006）。在拆解过程中，正确处理组件间的约束关系对于成功执行至关重要;否则，操作可能会受阻，或组件受损，从而降低其恢复价值（张、李等，2023）。一般来说，组件之间有三种优先级约束：AND 优先级、OR 优先级，以及更复杂的 AND/OR 优先级（Koc 等，2009）。与优先级意味着在完成所有前置任务之前，任何任务都无法执行;OR优先级允许在前任任一个任务完成后继续后续任务;复AND/OR优先级包含了这两种类型。本研究涵盖了所有这些先后关系。
由于拆解过程中存在电化学泄漏、热失控和短路等潜在危害（Wu 等，2022），实现高效且安全的智能拆解仍是一项重大挑战。因此，在如此高风险的环境中，建立以人为本的HRC拆解模型至关重要，充分利用人类操作员的灵活性和机器人系统的稳定性。这一综合方法为未来数字信号处理（DSP）研究带来了有前景的方向。
手动拆解仍然是快速应对复杂情境的主要方法，包括感知、判断和决策。与组装相比，退役电池的拆解过程复杂得多（Harper等，2019），并且存在更高的电解质分解、燃烧和爆炸风险（Rhee等，2021）。拆解事故可能给回收企业带来巨大的经济损失和声誉损害。然而，手工拆解对公司来说成本较高。随着退役电池数量的增加和智能制造技术的进步（Li 等，2018），机器人在智能拆解中的应用预计将日益普及。
与手动拆解相比，机器人更适合处理重复性和危险任务，已被应用于自动化拆解流程中。自动化可以显著降低人员风险和整体拆解成本。（Herrmann 等，2012）基于产品系列和标准目录评估了拆解自动化的潜力。（Liu 等，2020）提出了一个机器人反汇编服务平台，利用数据通信执行最优拆装方案。（Choux 等，2021）开发了一种自动任务规划器，支持模块层面拆解用过的电池组。（Qu 等，2023）提出了基于强化学习技术的机器人拆解学习平台，并研究了不同精度机器人之间所学技能的可转移性。然而，由于各企业采用的不同设计标准，导致电池组内部结构设计存在差异，这种多样化的全自动拆解尚未实现。
HRC整合了工人和机器人的优势（Lee 等，2022）。这种协同效应有助于克服机器人在处理复杂部件上的局限，降低可能导致工人受伤的安全风险。HRC结合了工人和机器人的优势（Lee 等，2022）。这种集成克服了机器人无法处理复杂部件的能力，减少了可能导致人员受伤的安全隐患。（Lee 等，2023）对HRC在拆解工艺中的应用进行了系统综述，强调了人类灵活性与机器人精度之间的协同效应，并识别了技术、组织和再制造系统中的关键挑战。（Yuan 等，2025）开发了一个以人为中心的拆解模型，在优化任务完成时间的同时考虑操作员疲劳，采用改进的人工蜂群算法实现解决方案。（Parsa & Saadat， 2021）基于组件可重构性参数的评估对HRC任务进行了分类。（Wu 等，2022）采用了HRC拆解模型来处理用过的电池模块。（Tan 等，2021）提出了一种混合式拆解工作站框架，专注于缩短拆解时间。（Hellmuth 等，2021）提出了简明的自动拆解评估标准，并对雪佛兰 Bolt 和奥迪 Q5 电动汽车进行了案例研究。（张、张等，2023）提出了一种基于知识的灵活人机混合拆解方法，将电池拆解任务逐层分解为基于知识的原始级子任务，实现高精度螺丝拆解。
除了上述研究外，智能优化算法在解决DSP模型中的应用也日益深入。（任 等，2017）通过结合更快速的元启发式算法（如遗传算法）来获得增强型人工蜂群算法，以获得数字信号处理的最优解。谢等人（2021）在传统的灰狼优化算法中引入了新的算子，以应对数字信号处理（DSP）的挑战。（Huang 等，2024）提出了一种离散蜜蜂算法，用于HRC拆解中的任务分配和序列规划，实现了时间、成本和实用性之间的平衡权衡。（Shen 等，2024）通过开发多目标离散蜜蜂算法解决了HRC拆装线的平衡问题，该算法在优化工作站利用率和能耗方面表现出优异性能。
近年来，DSP越来越多地采用模糊多准则决策技术，以应对任务评估中的不确定性和主观性。其中，FAHP因其在不精确条件下将专家判断与定量权重整合的能力而备受关注。（Alharairi 等，2025）对 FAHP 在工程决策中的应用进行了系统综述，强调其在多目标环境中的方法论优势。（Lin. 2022）探讨了FAHP的理论基础，并强调其在数据驱动决策场景中与熵权方法结合时的适应性。在实际应用中，（Cui 等，2023）采用模糊建模评估元件失效特性，证明了模糊逻辑在管理拆解过程中不确定性的有效性。尽管他们的优化方法采用了强化学习，但模糊评估框架在概念上与基于FAHP的任务优先级排序相符。此外，（Alqahtani & Noman， 2024）开发了一个结合模糊德尔菲和FAHP的综合模型，用于评估手工组装中的人为错误因素，进一步验证了FAHP在以人为中心的决策环境中的适用性。在这些研究的基础上，本研究引入了熵加权的FAHP框架，以确定多目标规划模型中的拆解方案优先级。
如表1所述，现有关于反组析序列规划的研究大致可分为三类：自动拆解、以人为本的拆解和HRC反组建。早期研究主要聚焦于自动拆解，强调可行性和效率，同时忽视安全风险和人为因素。近期研究越来越多地探索基于HRC的拆解，以利用人类的灵活性和机器人精度的互补优势。然而，大多数现有的HRC模型要么关注有限的客观维度（如时间或成本），要么简化资源约束，而未明确模拟人类和机器人在严格资源限制下协作执行同一任务的情景。此外，多目标优化与系统化的后帕累托决策框架的整合仍未得到充分解决，尤其是在高风险应用如退役电池拆解方面。因此，本文开发了一个多目标的WEVB数字信号处理模型。通过整合DSP特征，结合帕累托原理及拥挤距离方法，开发出一种带有外部档案的多目标差分进化算法。该算法利用成功历史信息，形成一种适应性的多目标进化方法，用于解决协作人机数字信号处理问题。图1展示了本研究的研究框架。与现有研究相比，本研究的主要贡献如下：

• (1)
  为了改善WEVB拆解顺序的规划，充分利用其独特的环境效益，同时在拆解过程中最大限度地减少环境污染，所提模型旨在最大限度地减少能源消耗和潜在危害。同时，它全面考虑了关键指标，如拆解效率和回收成本，贯穿整个过程。
• (2)
  采用了双层编码方案来表征并行反汇编过程，并设计了遵循“安全第一”和“自动化优先”原则的两阶段译码策略。在解码过程中，危险等级、自动化潜力、资源可用性以及工具/定向连续性被整合起来，以支持在线安全执法和自适应任务分配。
• (3)
  提出了一种自适应混合进化算法AGDE-ASH。通过协调两个子群体——随机进化和精英差分进化，结合基于成功历史的参数适应和外部帕累托档案维护机制，本方法提升了离散且强约束的HRC-DSP的收敛稳定性和解集多样性。此外，引入了后帕累托FAHP-EWM决策排序程序，形成实用的“先优化，后决定”方案选择流程。

为了确定最优的反汇编方案选择，在使用所提出的算法获得帕累托解集后，引入了一种综合方法，结合了模糊解析层次过程（FAHP）和熵权方法（EWM）。