基于知识图谱的过程推理方法,用于实现人机协作拆解退役产品策略

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:Knowledge graph-driven process reasoning of human-robot collaborative disassembly strategy for end-of-life products

【字体: 大 中 小 】 时间:2025年12月22日 来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 11.4

编辑推荐:

  **Jinhua Xiao|Zhiwen Zhang|Yu Zheng|Peng Wu|Sergio Terzi|Marco Macchi** **意大利米兰理工大学管理与经济工业工程系,莱昂纳多·达·芬奇广场32号,20133米兰** **摘要** 由于报废产品(EOL

  **Jinhua Xiao|Zhiwen Zhang|Yu Zheng|Peng Wu|Sergio Terzi|Marco Macchi**
**意大利米兰理工大学管理与经济工业工程系,莱昂纳多·达·芬奇广场32号,20133米兰**

**摘要**

由于报废产品(EOL)具有复杂的结构和异构信息,基于人机协作(HRC)确定最佳拆解方案仍然是一项具有挑战性的任务。随着EOL产品结构和功能的不确定性增加,传统的拆解方法难以满足实际的拆解需求。尽管已经提出了多种优化拆解过程的算法,但仍然存在显著挑战,包括现有模型的适应性有限以及有效表示动态结构化信息的困难。为了解决这些挑战,本研究提出了一种结合知识图驱动的神经网络和信息分解模块的新方法。该机制使网络能够发现结构语义信息和关系连接,从而促进最佳拆解策略的预测,并增强EOL产品数据和知识的处理能力。此外,所提出的方法还为HRC拆解任务分配和工具选择提供了可靠的决策支持,使在复杂拆解过程中能够高效且安全地进行操作。最后,我们通过一个EOL电池组的例子来演示该方法的有效性,推理出在复杂HRC拆解场景中的最佳拆解策略和潜在的过程关系。

**1. 引言**

对循环回收日益增长的需求显著增加了报废产品(EOL)的数量。这一趋势旨在提高复杂生产和再制造过程的经济效率和可持续性。因此,EOL产品的回收变得至关重要,它带来了许多好处:减少环境污染和温室气体排放,同时节约资源并促进经济发展[1]。EOL产品的回收通常包括一系列系统化的操作:拆解、检查、测试和翻新。这一过程旨在确保环境管理得当,最大化资源回收,并实现组件或产品的再利用[2]。拆解是回收过程中的一个关键步骤,它系统地将产品分离成组件、子组件或零件。这一关键过程 minimize 了材料浪费并提高了回收效率。通过破坏性或非破坏性拆解方法,它可以提取有价值的材料转化为可再利用的原材料,从而最大化资源利用率[3]。

然而,拆解不仅仅是组装的逆过程,而是一个具有自身独特特性和复杂性的过程,特别是在拆解EOL产品时[4]。在拆解过程中,复杂产品需要有效的组件分离。这不仅需要技术操作,还需要考虑诸如材料结构和回收价值等各种因素。不同的拆解顺序决策直接影响产品回收的效率和质量,从而显著影响整体经济效益[5]。此外,包括手动和自动操作在内的拆解方法以及工具优化在效率、成本和拆解过程的安全性方面存在很大差异[6]。因此,确定最佳拆解策略需要分析EOL产品的结构、材料和功能特性。这种评估对于提高整个回收过程的效率和成本效益至关重要。

目前,关于EOL产品拆解过程推理的研究已经取得了显著进展。这些进展包括创新的拆解顺序优化方法[7]和拆解线平衡方法[8]。深度神经网络(例如强化学习等)也被用来预测人类操作员的运动模式,从而在拆解过程中实现更精确的机器人控制[9]。然而,这些方法在处理EOL产品的多样性、复杂性和不确定性方面存在显著限制。具体来说,它们通常依赖于固定的决策模型或优化算法。这种刚性阻碍了对EOL产品类型和结构变化的适应,导致对动态环境条件的适应性有限[10]。此外,现有研究主要集中在单个拆解决策上,如顺序优化或机器人执行,而忽略了拆解操作期间多个相互关联因素之间的复杂依赖关系。

为了解决这些挑战,本文介绍了一种知识图推理方法,该方法使用图结构化数据表示和分析来组织现实世界知识。这种方法构建了一个有向图,其中节点表示实体,边表示它们之间的语义关系[11]。构建拆解知识图需要将多源拆解数据集成到一个综合知识网络中[12]。当与神经网络优化结合使用时,这种方法能够实现智能推理和预测。通过为节点分配不同的权重并更新图信息,该方法不仅提高了拆解的灵活性和适应性,还优化了动态拆解环境中的策略[13]。与现有的EOL电池回收中HRC拆解策略的方法相比,本文做出了以下贡献:

- 首先,我们为EOL产品拆解构建了一个多维知识图,该知识图不仅整合了组件、拆解工具和操作约束,还包含了关于人类操作员和机器人等协作代理的信息。这个集成框架实现了跨多种拆解操作的智能任务分配和HRC优化。实验验证表明,在这种图结构化框架内的推理机制的有效性,显示出结构化信息显著提高了拆解任务的推理性能。
- 其次,我们引入了一种改进的多头注意力机制,该机制更好地捕捉了不同知识图节点和关系之间的特征差异。该机制通过加权集成动态地分解和融合来自相邻节点的特征,增强了表示能力和复杂拆解关系的推理准确性。实验结果表明,多头注意力机制的自适应权重分配:任务相关的节点获得更高的权重,而不太相关的节点获得较低的权重。这使得基于重要性的特征信息提取具有任务导向性。
- 第三,我们提出了一种信息分解机制,以减少特征聚合过程中冗余信息的干扰,同时增强关键特征的表示。该机制无缝集成在注意力框架中,通过细粒度特征分解和过滤来优化权重分配。实验验证表明,这种权重分配的精确性优先考虑了核心节点,从而显著提高了整体推理性能和稳定性。

本文提出了一种多注意力图推理方法,以推荐针对复杂EOL产品条件的拆解策略。本文的结构如下:第2节回顾了相关文献并确定了相关工作的关键挑战。第3节介绍了整体框架,详细介绍了使用信息分解和多注意力图结构的每个拆解过程推理模块。第4节将通过EOL电动汽车电池的案例研究来演示该方法,构建知识图并在拆解过程中进行实验分析。第5节提供了讨论,第6节总结了主要工作和研究成果。

**2. 相关工作**

本研究通过提出基于知识图的EOL产品拆解推理策略,超越了现有文献[14]。与传统方法不同,我们的集成方法构建了一个综合知识图,统一了多种拆解过程,为决策优化建立了增强框架。然而,知识图通过精细的网络决策路径,使复杂拆解过程和关系的推理得到优化,从而提高了决策效率和准确性[15]。因此,我们系统地回顾了拆解决策和关系推理文献,比较了方法论方法以确定高效的优化策略[16]。然后我们在表1中将我们的方法与现有的EOL电池拆解策略进行了基准测试。关于EOL产品的不确定性和图神经网络的实现,关键挑战包括:

- **拆解过程决策**:为了解决EOL产品的高不确定性和多样性,拆解策略必须考虑多个相关因素,包括结构复杂性、工具选择、顺序优化以及动态操作环境[17]。这些因素决定了拆解效率和成本,需要精确的决策机制来应对动态和复杂的拆解场景。
- **关系和过程推理**:核心挑战是从拆解知识图中高效提取可操作的推理信息以确定具体的拆解任务[18]。通过构建包含各种节点和边的拆解知识图,拆解实体之间的关系变得可解释。这使得在拆解模型内的推理更加准确。

**表1. 现有方法与所提出算法在EOL产品拆解过程中的比较**


| 应用方法 | 研究对象 | 建模特性 | 交互模式 | 优点 & 缺点 |
| -------- | -------- | -------- | --------- | --------- |
| Kegyes等人 [19] | DLOPTRL | 拆解线优化 | 启发式过滤与Q值 | 高学习效率 | 依赖专家启发式 |
| Yang等人 [20] | MOPSO-GA | 拆解序列 | 风险因素 & 多目标函数 | 多目标平衡 | 高计算要求,实时规划困难 |
| Zhang等人 [21] | TAMP | 拆解规划 | 可追溯符号规划链 | 高自动化和鲁棒性 | 复杂部署,迁移困难 |
| Tapia Sal Paz等人 [22] | SAC | 灵活和适应性拆解 | 自适应奖励函数 | 高成功率 | 大样本,高训练成本 |
| 我们提出的方法 | GCN | 拆解决策 | 多头注意力 & 节点权重 | 人机协作 | 强解释性,可重用性和迁移性 | 高计算量,大图尺寸 |

**注释:**

- DLOPTRL:用于RL代理的动态预过滤动作空间;
- MOPSO-GA:多目标粒子群优化-遗传算法;
- TAMP:任务和运动规划;
- SAC:软演员-评论家;
- GCN:图卷积网络。

**2.1. 拆解过程决策**

拆解EOL产品面临着与简单逆向组装操作不同的独特挑战。以退役的电动汽车电池组为例,不完整的组件、腐蚀损坏和危险物质需要专门的安全协议。因此,HRC拆解对于安全执行至关重要[23]。由于EOL产品的不一致性,特别是组件条件的变化,单个拆解任务可能有多种操作选项。为了优化拆解过程,各种拆解顺序规划算法可以综合考虑操作成本、时间效率和工人安全,以提高任务分配的效果[24]。这些特性影响了表2中总结的拆解优化方法。在图结构框架内,这些因素作为可训练的权重参数,通过图神经网络进行优化[25]。然而,现有文献仅涉及影响因素的子集,忽略了关键元素的全面覆盖。这种限制影响了决策效率和准确性。相比之下,本研究利用图神经网络开发了一个综合模型,整合了多个影响因素。通过优化拆解任务分配,它在效率和准确性之间实现了最佳平衡。

**表2. 不同拆解优化方法与各种拆解特征的比较**


| 拆解任务分配考虑 | 应用方法 | 资源约束 | 人类安全 | 拆解时间 | 操作难度 | 操作成本 | 过渡时间 | 环境影响 |
| -------- | -------- | -------- | -------- | -------- | -------- | -------- |
| Lee等人 [26] | √ | √ | √ | √ | √ | √ | √ |
| Soran等人 [27] | √ | √ | √ | √ | √ | √ |
| Jiang等人 [28] | √ | √ | √ | √ | √ | √ |
| Zhu等人 [29] | √ | √ | √ | √ | √ | √ |
| Lei等人 [7] | √ | √ | √ | √ | √ | √ |
| Natalia等人 [30] | √ | √ | √ | √ | √ | √ |
| Xu等人 [31] | √ | √ | √ | √ | √ | √ |
| Tseng等人 [32] | √ | √ | √ | √ | ACO | √ |

**注释:** GA:遗传算法;NS:邻域搜索算法;ACO:蚁群优化;DSP:拆解序列规划算法。

**2.2. 基于知识图的关系和过程推理**

关系和过程推理是拆解知识图应用中的关键能力,是自动知识库构建等复杂推理任务的基础中间步骤。如表3所示,尽管对各自的优势和劣势进行了广泛的比较分析,现有方法(如AMIE、PRA、NTN等)在处理特定拆解任务的关系推理方面存在明显的局限性[33]。优化EOL产品的工具和操作代表了一个复杂的多目标推理挑战。为了解决这个问题,我们开发了一个由图神经网络驱动的知识图框架,实现了关系推理与拆解决策的有效整合。与传统优化算法相比,这种方法可以高效地聚合多源信息,同时通过批量子图训练显著降低了计算开销。该方法进一步提高了推理速度,并提供了强大的可扩展性:可以使用逻辑规则无缝集成新的部件或工具节点和关系边。此外,尽管数据缺失或动态,邻域信息聚合仍确保了强大的推理能力,提高了拆解任务分配和决策的灵活性和可靠性。

**表3. 与不同关系推理方法的比较**


| 关系推理方法 | 推理方法 | 优点 | 缺点 |
| -------- | -------- | ------- | -------- |
| AMIE | 基于规则的推理 | 强解释性 | 自动发现推理规则 |
| GALarraga等人 [34] | PRAG | 基于图结构的推理 | 基于图结构的强解释性 | 当数据稀疏时效果不佳 |
| Lao等人 [35] | TransED | 分布式表示学习 | 简单高效的模型 | 仅适用于一对一环境 |
| Bordes等人 [36] | NTN | 深度学习 | 比实体数量少得多 | 完全利用了词向量 | 模型更复杂 |
| Richard等人 [37] | IRN | 神经网络 | 存储知识 | 实现多步推理 | 处理非结构化数据的能力强弱 |
| Shen等人 [38] | ConMask | 混合方法 | 动态知识图的知识推理 | 提供的文本信息不足时推理效果较差 |

**注释:** AMIE:不完全证据下的关联规则挖掘;PRA:路径排名算法;TransE:转换嵌入;NTN:神经张量网络;IRN:隐式推理网。

知识图表示了一个结构化的知识库,其中节点对应于实体,边表示它们之间的关系。Michael等人[40]提出使用图卷积网络来推理特定任务的知识关系。Liu等人[41]提出了一种使用图神经网络的归纳知识图完成方法。他们的方法直接将信息编码到图结构中,从而实现直接的三元组预测,无需额外的组件或评分函数。Michihiro等人[42]提出了一种基于知识图谱和语言模型的问答(QA)系统,该系统将上下文信息与图关系联系起来。这些关系通过图神经网络动态更新以生成答案。Dong等人[43]建立了文本-关系驱动的知识推理框架,为电动车辆电池拆解中的问答应用提供了理论基础。此外,电池拆解可以被建模为一个图结构框架,其中最佳操作和工具被表示为查询节点。这些节点集成到一个关系图中,指导拆解策略。为了优化拆解决策,本文提出了一种基于图神经网络的知识推理方法。我们的方法在统一的知识框架内统一定义了实体和关系,特别解决了不确定性下的最佳策略确定问题。此外,一种信息分解机制可以消除冗余数据,而消息传递则有效聚合了多源信息。这使得即使在结构复杂、高度多样化和动态的环境中,也能动态优化拆解策略,并快速匹配适当的工具和操作顺序。为了克服关系推理的挑战,所提出的方法采用了多头注意力机制来捕捉实体之间的关键内部关系。这有助于精确提取与任务相关的信息,显著提高了关系建模的准确性和推理结果的可靠性。

3. 基于知识图谱的过程推理模型

3.1. 终端产品(EOL)拆解的知识图谱
知识图谱通过图结构数据格式描述了概念、实体及其关系。这使得可以像人类认知一样优化拆解序列、制定策略以及解释复杂产品的HRC(人机协作)场景。在这个框架中,节点代表关键实体信息,而边定义了实体之间的关系。为了构建一个健壮的语义结构,知识图谱将复杂的拆解元素(如参数、任务、方法和工具)组织成统一的表示形式。有向边表示节点类型之间的特定关系:“包含”:表示层次包含关系(例如,“拆解过程”节点包含“拆解工具”);“在前”:指定任务的优先级(优先级较高的任务先于优先级较低的任务);“影响”:表示对拆解结果的参数效应。这些关系共同影响人类和机器人拆解实现中的任务操作和排序决策。终端产品拆解图采用了三元组表示G={E,R,F},其中E代表实体集{e1,e2,...ei}。实体是拆解上下文中的基本元素。同样,实体可以表示产品组件、相关参数和拆解模式的信息。R代表关系集{r1,r2,...ri},每个关系r描述了实体之间的连接。F代表事实集{f1,f2,...fi},每个事实由三元组{h,r,t}组成,其中h是头部实体,r是关系,t是尾部实体。如图1所示,它展示了如何通过图神经网络增强知识图谱来支持拆解过程决策的UML类图。使用基于本体的表示,我们通过定义与任务相关的实体和关系来构建这个拆解图。通过拆解过程推理,图神经网络可以生成基于指定要求的最优拆解程序的决策结果。

此外,构建终端产品拆解图需要理解基于本体的表示和实体关系推理,以增强过程分析和信息管理。这个本体框架在统一的拆解过程中标准化了概念、属性和关系,建立了统一且标准化的信息系统。此外,它可以确保准确性和一致性,同时促进不同拆解任务之间的互操作性和可扩展性。然而,拆解系统根据零件特性决定拆解操作应由人类还是机器人代理执行。这种标准化的知识表示使图卷积网络(GCNs)能够理解拆解操作和特定任务的要求。实体关系以有向边的形式在拆解图中表示,捕捉节点之间的连接,并促进复杂依赖关系的学习,从而优化任务决策。在电动汽车电池拆解图中,电池组件可以被表示为带有属性的实体,包括组件大小、重量和拆解难度。这些关系可以被建模为有向边。例如,螺丝可以用作连接电池壳的部件,表明在拆卸壳体之前必须先拆卸螺丝。通过关系学习,GCN确定最佳代理分配,识别最适合机器人或人类操作员的步骤,以建立最有效的拆解策略。

3.2. 拆解推理策略
拆解终端产品(EOL)产品面临由产品结构、使用环境以及多种内部和外部回收因素影响的复杂挑战。为了提高效率并降低成本,拆解过程需要通过以下方式进行优化:
(1)外部组件检查和拆解;
(2)模块化组件分离;
(3)子模块化组件拆解。
当前的手动拆解方法效率低下、成本高昂且存在安全风险。因此,有必要提出实施HRC(人机协作)策略来进行拆解决策。这种方法为手动操作和自动化设备提供了平衡的支持,显著提高了整体拆解效率和安全性。
如图2所示,它展示了一个针对终端产品的系统化拆解过程框架,包括三个核心模块:EOL拆解信息、优化和决策、以及HRC拆解操作。首先,智能拆解系统提取相关信息和原始操作数据。在优化模块中,原始数据经过预处理,包括清洗、转换和标准化,以确保质量和一致性。然后,图模型通过定义任务属性(如任务名称和相关参数)、组装特征(即组件之间的连接模式和拆解操作的优先级关系)以及工具参数来提取优化特征。基于这些特征,HRC拆解分析模型实施优化策略和任务分配。

在模型分析过程中,使用节点特征向量和目标标签计算隐藏层输出和误差值。当误差超过收敛阈值时,反向传播计算单元误差和梯度以迭代更新模型权重。这个过程一直持续到满足收敛条件为止。最后,优化模块输出最优拆解计划,包括拆解方法、工具选择和操作步骤,以便在实际拆解过程中实施。通过数据驱动的优化和基于模型的决策,该框架显著提高了效率和质量,同时为终端产品资源的回收和回收提供了理论和方法论支持。
框架分析确定了终端产品拆解过程中的三个核心决策任务:拆解方法、工具和操作。首先,拆解方法通过三种方式确定任务执行者,包括手动拆解、机器人拆解和HRC拆解。手动拆解适合需要灵活决策的复杂任务,适应性高但效率和安全性较低。机器人拆解在稳定条件下使用自动化设备进行高精度或危险任务,效率高但缺乏适应性。HRC拆解通过优化决策整合了手动和机器人的优势,以适应复杂环境。

其次,拆解工具的选择对效率和安全性有重大影响,尤其是在处理不确定的拆解操作时。必须通过平衡拆解利益与任务要求和物体特性来选择最佳工具。手动拆解工具(如扳手、螺丝刀和钳子)在处理复杂结构时表现出色,尽管效率有限但可行性高。机器人拆解工具(如机械臂、末端执行器的切割器和精密夹具)能够高效处理重复或危险任务,降低风险的同时提高吞吐量。最后,动态拆解操作必须根据实时状态和环境条件进行调整,以优化任务完成。拆解动作按执行代理分类:
手动操作:如松紧螺栓和拆除外壳等任务为非标准程序提供了高灵活性。
机器人操作:自动化抓取、精密切割和组件分离通过自动化控制确保稳定高效的执行。对于重复性任务,动态调整操作模式可以增强对复杂拆解环境的适应性,并优化整个拆解过程。

3.3. 理论关系和过程推理
如图3所示,它展示了将拆解知识图谱与图神经网络相结合的深度拆解推理框架。该架构包括三个相互连接的组件:GraphSAGE层、协同-唯一-冗余分解(SURD)模块和图注意力网络(GAT)层。GraphSAGE层通过邻居采样和聚合从大规模拆解知识图中高效提取局部结构特征,将节点连接性和上下文信息压缩成低维表示。SURD模块对节点特征进行信息论分解,将节点间信息划分为协同、唯一和冗余组件,同时计算综合信息值。GAT层将SURD衍生的信息值纳入注意力权重计算中,增强对高价值协同信息的关注度,同时抑制冗余。通过推理过程中平衡特征相似性和信息质量,可以优化拆解策略。

这种集成框架建立了全面的图推理:GraphSAGE捕捉结构模式,而SURD评估信息质量,GAT在聚合过程中动态加强关键连接。这种协同作用生成的拆解决策在不确定和复杂的场景中提高了准确性。过程执行步骤如下:
(1)邻域采样:中心节点周围的局部子图支持小批量训练和归纳学习。
(2)信息传播:邻居特征更新中心节点,保持局部图结构。
(3)特征融合:节点特定属性与非线性转换结合的聚合邻居数据。
(4)嵌入丰富:集成的邻居嵌入捕捉结构和语义模式。
(5)最终表示:另一种非线性转换结合了内在特征和邻居上下文,保留了独特属性的同时融入了相关的图特征。
所提出的模型以GraphSAGE为中心,这是一种针对图结构数据的深度学习框架,通过邻居采样和关系聚合生成低维节点/边表示。该方法将局部邻域信息编码成紧凑的向量表示,最大化整个图的结构信息利用率。GraphSAGE通过两种核心机制操作:采样和聚合。采样组件为每个目标节点随机选择固定数量的邻居,以减少计算复杂性。聚合组件将采样的邻居特征与目标节点的特征结合以更新表示。该模型使用K个嵌入层。设hvk表示第k层的目标节点的特征向量,hui表示采样邻居的特征,u是层索引,i表示随机序列中的节点索引。在每一层,GraphSAGE随机采样固定数量的邻居,并将其特征与目标节点的特征结合以生成更新后的表示。这个更新过程可以正式表示为:
(1)hvk=σ(W·mean({hvk?1}∪{huk?1,?u∈N(v)})
其中hvk表示第k层目标节点的特征向量,编码了k次聚合更新后的结构和语义信息。hvk?1表示第k-1层的节点特征表示。huk?1表示来自邻居集合N(v)的先前层的邻居节点u的特征表示,这可以定义目标节点v的邻居节点集。在拆解知识图中,这些可能是工具节点、过程节点或其他连接到组件节点的节点。此外,mean(·)是邻居特征聚合函数,用于平均目标节点和邻居节点的特征以获得综合表示。W是可学习的特征转换矩阵,用于将聚合的特征映射到新的表示空间。σ(·)是非线性激活函数,用于引入非线性变换以增强模型的表现力。通过将每个节点视为目标,GraphSAGE在保持拓扑结构的同时高效处理图结构数据。通过随机采样一阶/多阶邻居和多层聚合,它间接捕获了多跳关系,并将节点间关联编码为SURD模块输入的低维向量。

拆解知识图谱展现出具有非线性依赖性和随机交互的复杂变量关系。这些动态特性产生了重叠和互补的信息流,表现为:冗余信息(通过不同路径传输的相同内容)、唯一信息(仅由特定变量提供)和协作信息(通过变量交互共同生成)。在拆解任务中,实体(部件、工具、操作、约束)之间的复杂关联本质上包含这种重叠和互补的信息。传统的图神经网络通常通过简单的叠加来聚合邻居特征,无法有效区分这些信息类型。此外,传统的信息分解方法要么仅测量成对互信息,要么缺乏区分信息类别的显式机制。为了解决这一挑战,我们提出了SURD框架,通过将信息相关性分解为冗余信息、独特信息和协同信息来量化由未观察变量引起的外来信息。基于信息论,SURD利用香农熵和互信息来衡量节点间的信息贡献[44]。这为信息依赖性、推理过程中关键非冗余信息的识别以及节点间相互增强的协同信号的收集提供了一个稳健的分析框架。通过消除冗余和减轻噪声引起的过拟合,SURD能够在复杂场景中准确确定拆卸策略和工具选择。具体来说,随机变量X的不确定性可以使用香农熵来衡量:
(2)H(X) = ?∑x∈X p(x) log2p(x)
其中p(x)是随机变量X的概率分布,x是变量X的所有可能值的集合。较高的熵值表示更大的不确定性,而接近零的值表示更高的确定性。然而,拆卸过程推理不仅需要分析单个节点的信息,还需要测量节点间的依赖性以识别协同信息并消除冗余。因此,有必要引入互信息I(X;Y)来描述变量X和Y之间的共享信息:
(3)I(X;Y) = ∑x∈X ∑y∈Y p(x,y) log2(p(x,y)p(x)p(y))
其中p(x,y)是X和Y的联合概率分布,p(x)和p(y)分别是X和Y的边缘概率分布。较高的互信息值表示两个变量之间的依赖性更强,而零互信息表示完全独立。例如,固定电池壳的螺丝与壳具有高互信息,因为它们之间存在功能依赖性。利用互信息,SURD模型将信息贡献分解为四个部分:冗余信息、独特信息、协同信息和由未观察变量生成的不相关信息。具体来说,对于由N个时间依赖变量组成的系统Q=[Q1(t),Q2(t),…,QN(t)],目标变量Qj+ = Qj(t+Δt)的信息内容可以表示为:
(4)H(Qj+) = ∑i∈CΔIi→jR + ∑i=1N ΔIi→jU + ∑i∈CΔIi→jS + ΔIleak→j
其中ΔIi→jR表示冗余信息,用于衡量不同源变量路径上的重复贡献,可以用香农熵的交叉面积来表示。ΔIi→jU表示独特信息,用于表示扣除冗余部分后的单个变量的独立贡献。ΔIi→jS是协同信息,用于衡量多个变量的联合贡献。ΔIleak→j表示由未观察变量引起的不相关信息。此外,冗余信息可以用香农熵的交叉面积来描述:
(5)ΔIi→jR = min{I(Qj+;Qi), I(Qj+;Qk)} ?Qi,Qk∈Q
其中I(Qj+;Qi)是目标变量和源变量Qi之间的互信息。该公式表明冗余信息取决于多个源变量之间共享的最小信息量。在拆卸知识图中,相同的工具可能适用于同一组件的子组件。例如,需要使用螺丝刀拆卸电池的正负极。这种重复信息构成冗余信息。独特信息是由单个变量单独贡献的信息,不能由其他变量解释:
(6)ΔIi→jU = I(Qj+;Qi) ? ΔIi→jR
其中ΔIi→jR是扣除变量Qi的冗余信息后的剩余部分。它确保独特信息仅包含Qi的独特贡献。不同组件有不同的参数。例如,拆卸螺丝具有高重复性和低复杂性,而拆卸电池单元则具有低重复性和高复杂性。这些信息构成了两个节点之间的独特信息。协同信息描述了多个变量一起产生的信息量,其总贡献超过了独立互信息之和:
(7)ΔIi→jS = I(Qj+;Qi,Qk) ? I(Qj+;Qi) ? I(Qj+;Qk) + ΔIi→jR
其中I(Qj+;Qi,Qk)表示目标变量和多个变量之间的联合互信息。在推理过程中,通过整合部件参数值来确定拆卸方法。拆卸方法与工具节点结合使用,以推断适合任务的工具。拆卸方法节点与工具节点之间的交互代表协同信息。如图4所示,SURD增强的GAT利用变量关系来共同为边和节点分配关注权重。
下载:下载高分辨率图像(736KB)
下载:下载全尺寸图像
图4. 使用SURD方法对各种变量的信息分解和逻辑规则建模。
具体来说,SURD首先通过计算综合信息值将连接节点之间的信息交换分解为协同信息、独特信息和冗余信息。然后将这个值整合到GAT关注度得分计算中,调节邻居影响以强调高价值的关系,同时抑制冗余贡献。此外,GAT采用自注意力机制来确定邻居的重要性,根据任务需求自适应调整邻居贡献。这一核心机制通过自注意力分配不同的权重,增强了聚合的灵活性和表达能力。在我们的框架中,关注度得分量化了每个邻居节点在聚合过程中对目标节点的贡献。对于一对节点(i,j),关注度得分可以定义为:
(8)eij = LeakyReLU(aT(Whi∥Whj))
其中hi和hj是节点i和j的特征表示。W是一个可学习的权重矩阵。a是注意力机制的参数向量。||表示向量连接,LeakyReLU作为激活函数,引入非线性以增强模型的表示能力。关注度得分动态评估特征空间中节点对之间的相关性,允许根据节点的内在特性在信息聚合期间进行自适应加权。这种方法超越了对固定图结构或均匀邻居贡献的依赖。然而,原始关注度得分eij通常在邻居之间的范围内变化很大且尺度不一致。直接应用于加权聚合可能会导致数值不稳定并阻碍训练收敛。为了减轻这个问题,我们对关注度得分进行归一化,将所有邻居权重限制在一个可比的范围内。因此,我们将SURD派生的信息值ΔIi→j整合到归一化过程中,将其与关注度得分结合起来确定最终的边权重。这种方法选择性地强调高价值的协同信息,同时抑制冗余,增强了聚合过程的稳定性和有效性。
(9)αij = exp(eij * ΔIi→j) ∑k?Ni exp(eij * ΔIi→k)
其中Ni表示节点i的邻居节点集;eij是节点i和j之间的初始关注度得分,反映了它们在特征空间中的相关性;ΔIi→j表示SURD模块计算出的总信息值,包括冗余信息、独特信息和协同信息,用于衡量信息传递过程中的邻接关系质量。通过归一化,所有邻居的加权得分被映射到[0,1]区间内进行特征聚合。通过将eij与ΔIi→j相乘,得到的关注度权重不仅反映了节点之间的特征相关性,还反映了传输信息的内在质量。该机制使网络能够优先考虑高价值的信息来源,并抑制来自冗余信息的干扰。例如,当工具节点为拆卸对象节点提供大量信息时,较大的ΔIi→j会显著增加关注度权重αij,鼓励网络在特征更新期间从工具节点提取更多信息。为了减少依赖单一关注度权重可能导致的偏差,我们在图注意力网络中加入了多头注意力机制。该机制并行执行多个独立的注意力计算,每个注意力头使用不同的参数来评估不同特征子空间中邻居节点的重要性。通过从多个角度捕获关系模式,多头注意力增强了特征多样性并提高了模型稳定性。每个头学习自己的关注度权重,所有头的输出随后连接起来形成更丰富和更具表现力的节点表示,如下计算:
(10)hioutput = ∥k=1K σ(∑j?N(i)αij(k)Wkhj)
其中K代表注意力头的数量,即并行运行的注意力计算单元的数量;N(i)是节点i的邻居节点集;αij(k)表示第k个注意力头分配给邻居节点j的关注度权重;Wk表示第k个注意力头的特征转换矩阵,用于将输入特征投影到该注意力头对应的子空间;hj表示邻居节点j的输入特征表示;σ(·)是用于增强特征表示的非线性激活函数;∥k=1K表示沿特征维度的所有注意力头的输出连接。通过跨多个特征空间聚合信息,多头注意力机制使模型能够捕捉拆卸知识图中的多样关系模式,从而支持更全面的推理,并提高模型的准确性和鲁棒性。在GAT之后,节点特征被传递到前馈层进行进一步处理。该层实现为一个全连接网络,对特征进行线性变换和非线性激活。具体来说,输入特征首先进行线性变换如下:
(11)hi′ = Wfc·hi + bfc
其中Wfc是全连接层的权重矩阵,bfc是偏置项。在线性变换之后,输出通过ReLU激活函数进行非线性变换,然后进行规范化,再传递到下一层。这种非线性变换使模型能够更好地捕捉节点特征之间的复杂关系。通过将SURD模块与GAT结合,所提出的模型能够在特征聚合之前有效区分关键信息和冗余信息。然后可以使用信息值来调整GAT的关注度得分,使网络放大提供关键或补充信息的邻居节点的影响,同时抑制低价值连接的影响。因此,包含噪声鲁棒的GAT提高了边和节点权重分配的准确性,并显著提高了模型捕捉拆卸知识图中复杂关系的能力。
4. 案例研究
4.1. 知识图数据表示
为了验证所提方法的可行性,我们系统地开发了一个基于本体的知识框架,以EOL电池组作为研究对象。该框架的开发不仅限于少数代表性组件,而是整合了多种参考来源。一方面,相关学术文献[45,46,6]的回顾表明,锂离子电池通常包括常见的组件,如电池单元、单元封装和结构部件以及电气连接和控制元件。因此,选择了六个代表性组件作为本研究的重点:外壳、密封件、继电器、螺丝和电池单元,如图5所示。这些组件作为知识推理的核心元素,能够系统地调查拆卸类型(手动或机器人操作)、相应工具以及操作约束和要求。所选部件具有不同的结构特性和多样的连接方式,这些都是HRC拆卸任务的典型特征。例如,外壳和密封件通常使用粘合剂固定,拆卸时需要破坏粘合剂 bond。螺丝必须通过旋转操作松开。同样,电池单元涉及机械和电气连接,增加了整体拆卸的复杂性。这些差异直接影响拆卸决策,使得选定的组件非常适合实验分析,以验证所提方法的有效性。
下载:下载高分辨率图像(564KB)
下载:下载全尺寸图像
图5. 基于拆卸顺序结构的退役EV电池组的实体定义和关系。
此外,构建的知识图涵盖了五个关键维度:(1)电池组件的层次结构;(2)拆卸类型;(3)拆卸工具;(4)拆卸操作;(5)拆卸参数。关于拆卸类型,我们主要考虑了HRC拆卸环境,定义了两种模式:手动和机器人拆卸。对于拆卸工具,需要确定用于执行拆卸操作的具体工具,包括螺丝刀、扳手和切割工具。另外,还收集了不同组件的拆卸时间和难度级别数据。核心拆卸操作涉及应用于EOL电池组的特定任务执行,包括固定装置移除、精确切割和组件提取。
此外,在自动化拆卸应用中,组件的特征参数在确保操作效率和质量方面起着关键作用。通过回顾相关文献[16,10,48],确定了六个核心参数类别,并将其纳入拆卸过程的分析和推理中:空间约束、组件状态、拆卸复杂性、任务优先级、安全风险和过程可重复性。其中,空间约束直接影响设备布局和操作灵活性,而组件状态决定了操作难度和方法选择。由EV电池内部结构决定的拆卸复杂性要求更高的设备精度和适应性。同时,任务优先级支持工作流优化,以提高整体效率。必须通过严格的设计和操作标准来控制安全风险。最终,工艺重复性与设备耐用性和长期运行稳定性密切相关。关于这些参数的数据来源,主要来自相关文献和多个标准,包括GB/T 34,013–2017、JIS C 8715–2:2019、ISO 12,405–1和IEC 62,660–2。这些来源提供了有关电池系统的部分结构信息,构成了构建图6所示形式化拆卸图实体所需的数据基础。下载:下载高分辨率图像(650KB)下载:下载全尺寸图像图6. 电动汽车电池组的本体实体定义和关系描述。知识图可以以多种方式存储,例如文件系统、内存数据库、基于RDF的三 Tuple存储库和图数据库,后者现在被广泛采用。在这些选项中,Neo4j因其高效的图数据模型和对复杂查询的强大支持而被广泛用于知识图管理。通过将实体和关系直观地表示为节点和边,Neo4j特别适合于建模EOL电池拆卸过程中固有的复杂、多维和多实体关系。在本研究中,选择了Neo4j作为数据库管理系统。知识图的构建遵循四个步骤:数据采集、数据清洗和转换、存储导入以及关系建模。在数据处理阶段,原始数据被组织、清洗,然后转换成结构化的JSON文件。每个JSON文件对应一个特定的拆卸对象,并包含200条拆卸任务记录。总共创建了15个JSON文件,生成了3000个样本。每个样本遵循统一的JSON模式,并涵盖六个维度。具体来说,该方法记录了任务是由人工完成还是由机器人完成的可能性分布,注明了组件依赖关系,指定了所需的工具及其可能用途,并描述了相应的拆卸操作。同样,这些参数量化了任务的空间约束、复杂性、重量、安全性和重复性,而其他节点补充了与任务上下文相关的本体信息。为了确保可重复性,数据集被分为80%的训练集和20%的测试集。使用Python脚本将JSON数据转换为Neo4j兼容的格式并导入数据库。在建模阶段,根据拆卸本体抽象出实体,并通过四个核心关系进行连接。相关关系表示参数和方法之间的影响,通过描述两个节点之间的关系来表明一个实体包含或影响另一个实体。操作员和机器人之间的关系可以通过拆卸过程中的拆卸工具来表示。部件由子组件组成的关系也可以表示出来。通过这个系统的过程,构建了EOL电池拆卸知识图,如图7所示。Neo4j提供了实体及其相互连接的清晰表示,突出了拆卸过程的结构和逻辑。下载:下载高分辨率图像(691KB)下载:下载全尺寸图像图7. EOL电池组拆卸的部分知识图建模及相关实体连接。4.2. 基于知识图的拆卸过程推理为了优化EOL电池的拆卸过程,本研究提出了一个由知识图驱动的神经网络驱动的关系挖掘和过程推理模型。如图8所示,整个框架包括三个主要阶段:数据预处理、知识图表示和基于神经网络的过程推理模型。在数据预处理阶段,可以从多个来源收集EOL电池的拆卸相关数据,包括开源数据库、学术文献和专利文档。通过多源和异构数据采集,可以通过清洗过程过滤掉冗余和噪声信息,以确保数据质量。清洗后的数据被标准化为CSV格式,以便于结构化存储和传输。随后,Python脚本将CSV文件转换为JSON格式,以便提取关键拆卸相关特征,如任务效率和复杂性。然后将JSON数据导入Neo4j图数据库,以支持拆卸信息的统一存储和有效管理。在知识图表示阶段,基于EOL电池拆卸本体对实体及其关系进行建模,使用Neo4j平台。例如,关键实体(即拆卸对象、拆卸工具、拆卸操作等)被表示为节点,而它们的交互也可以通过有向边来定义。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图8. 基于深度图神经网络模型的HRC拆卸过程推理过程。同样,结构化图不仅可视化了实体之间的关系,还嵌入了丰富的上下文信息以支持后续推理任务。在关系挖掘和过程推理阶段,可以使用GraphSAGE模型通过从相邻节点采样和聚合信息来提取节点特征,有效地捕捉图中的结构依赖性。为了进一步增强拆卸过程的推理能力,集成了多头注意力机制(GAT),使模型能够动态地为相邻节点分配参数权重,并强调拆卸过程决策中的特征。在特征提取之后,应用图池化层来降低维度并简化图结构,然后全连接层完成过程推理任务。通过将知识图与基于神经网络的推理相结合,所提出的模型有效地提高了EOL电池的拆卸能力,为实际拆卸操作提供了坚实的理论基础和实用指导。初始模型参数可以在训练过程中进行描述,如表4所示。表4. 知识图神经网络模型的参数设置。参数值具体描述学习率0.01控制模型权重更新步长输入维度15输入特征维度中间维度8隐藏层特征维度输出维度15输出特征维度训练轮次150SURD中的箱子数量10控制信息分解的离散粒度注意力头数4多头注意力的数量此外,将知识图与数据集相结合对于执行EOL电池HRC拆卸中的多任务决策推理任务至关重要。具体来说,这包括确定拆卸模式(即机器人或人工操作员)、选择拆卸工具和推理拆卸操作。为了实现这一目标,本研究使用完整的数据集对拆卸参数、拆卸部件和拆卸模式进行模型训练。损失函数被定义为通过反向传播计算预测值和真实值之间的差异,并结合适当的优化方法。同样,模型参数不断调整和更新,以优化不同因素之间的可能影响关系。为了验证模型的有效性,本研究使用深度学习框架来测试模型性能,并根据准确性指标评估图神经网络在EOL电池多任务拆卸操作中的可行性。在实验中,使用200组EOL电池拆卸数据存储在Neo4j数据库中进行测试。每个数据集通过整合知识图并输入模型进行训练。数据集被分为训练集和测试集,80%的数据用于训练,以学习知识图中节点之间的关系并优化模型参数。经过200次迭代后,获得了训练好的图神经网络模型。剩余的20%数据用作测试集,以验证模型在实际场景中的预测性能和准确性。此外,在实验过程中考虑了不同组件的不同拆卸条件。所提出的模型采用顺序拆卸策略,即在一个组件的决策过程完成之前,不会自动进行后续操作的推理。由于部件在大小、重量、复杂性和安全风险方面存在差异,相应的拆卸参数也会相应变化。这些变化直接影响工具选择和拆卸操作策略,从而导致不同的拆卸操作路径。在这种动态拆卸场景中,所提出的图神经网络模型能够根据输入部件及其参数信息实时更新节点表示和边关系。这使得模型能够推断出最合适的工具和拆卸操作。根据上述参数设置,所提出的方法用于推断六个关键组件的拆卸过程,如表5所示。表5. 各拆卸组件的拆卸过程推理结果。组件子组件拆卸模式拆卸工具拆卸操作外壳箱子机器人切割工具切割支撑撬棍撬开电缆电线人工剪刀切割绝缘材料剥线器剥离连接器扳手松动密封圈密封圈机器人撬棍撬开螺丝螺丝刀拧开继电器线圈人工剪刀切割接触扳手松动弹簧针提取器抽取外壳撬棍撬开电池正极机器人螺丝刀拧开负极螺丝刀拧开电解质吸音材料吸收电池外壳切割工具切割通过全面评估影响EOL电池拆卸过程的各种因素,所提出的模型可以科学合理地分配HRC拆卸任务,并在操作期间确定适当的工具选择。特别是,具有高重复性和风险的HRC拆卸任务优先分配给人工操作员或机器人代理,他们随后使用适当的拆卸工具完成相关操作。此外,对于EOL电池组中结构复杂或损坏的组件,模型将这些任务分配给人工操作员,因为它们需要更多的适应决策和灵活的操作能力。值得注意的是,当前的HRC拆卸研究主要集中在……方面,而实时交互和控制建模方面的研究仍然不足。此外,所提出模型的训练性能如图9所示,该图展示了损失函数与训练迭代次数之间的关系。损失函数在前50个时期内迅速下降,随后趋于稳定,表明模型收敛良好。值得注意的是,密封圈和外壳在早期训练阶段的损失值波动显著,这可能是由于它们的复杂结构特征或拆卸过程中的高不确定性所致。相比之下,电池单元和连接电线的损失曲线相对稳定,表明这些组件的预测性能一致。下载:下载高分辨率图像(418KB)下载:下载全尺寸图像图9. 模型训练过程中各种拆卸组件的损失值曲线。此外,图10详细分析了模型训练过程中的准确性曲线,提供了有关模型学习动态的宝贵见解。结果显示,在前20个训练时期内,整体准确性急剧提高,反映了模型对拆卸知识图的快速学习和适应。在此早期阶段观察到的小幅波动归因于学习权重的优化和内部参数的调整,因为模型对其推理过程进行了微调。随着训练的进行,准确性曲线逐渐稳定,表现出一致的上升趋势,并在大约第50个时期达到稳定的平台。从这一点开始,模型保持了稳定可靠的性能,准确性的变化很小。通过对训练过程的分析,模型在所有测试组件上实现了高预测准确性,最终准确率超过96%。特别是电池单元和外壳组件的准确性始终保持在99%以上,突显了模型的鲁棒性、精度和泛化能力。这些发现清楚地证明了所提出模型的强大推理能力和操作稳定性。因此,它有效地完成了自动化拆卸任务的决策过程推理,使其非常适用于现实世界的智能拆卸系统。下载:下载高分辨率图像(436KB)下载:下载全尺寸图像图10. 模型训练过程中各种拆卸组件的准确性曲线。为了进一步评估所提出模型的性能,在测试集上进行了全面实验。如图11所示,模型对所有拆卸组件的预测准确性均超过了90%。值得注意的是,螺丝、电缆和外壳的准确性超过了97%,表明模型能够有效捕捉结构依赖性并在复杂拆卸场景中进行精确推理。总之,开发的模型展示了强大的预测能力。它在多个关键组件上保持了高准确性,并在训练过程中表现出一致的收敛行为。尽管某些组件的预测性能仍有进一步提高的空间,但这些发现清楚地验证了图神经网络在EOL电池组拆卸过程推理中的可行性和有效性。根据拆卸任务分配的结果,所提出的模型用于优化拆卸工具的选择过程。为了展示这一能力,选择螺丝组件作为代表性示例,如图12所示。该图表展示了模型训练过程中关键性能指标的变化情况,包括损失函数曲线以及训练集和测试集上的动态准确性趋势。从损失函数曲线可以看出,模型在训练初期表现出很强的学习效率,损失值迅速下降。下载:下载高分辨率图片(678KB)下载:下载全尺寸图片

图11. 测试集过程中各种拆卸组件(即电缆、电池单元、继电器、螺丝、密封圈和外壳)的预测准确性。下载:下载高分辨率图片(325KB)下载:下载全尺寸图片

图12. 组件螺丝拆卸工具选择的结果,包括损失值(a)、训练集准确性(b)和测试集准确性(c)。

大约经过30个训练周期后,损失值稳定在较低水平,表明模型已达成良好的收敛效果。训练集的准确性呈现持续上升的趋势,从最初的83%上升到91%,之后保持在一定的波动范围内。这一趋势证实了模型在训练数据上的稳定学习能力,说明既没有出现严重的欠拟合也没有过拟合现象。此外,测试集的准确性始终保持在90%左右,仅有轻微波动,进一步验证了模型的泛化能力和鲁棒性。这些结果共同证明了所提模型在拆卸任务中的高可靠性和预测性能。此外,如表5所示,还提供了拆卸剩余组件的推荐工具,为实际拆卸操作提供了实用且可靠的指导。

最后,基于前述结果,使用拆卸过程推理方法推断出螺丝组件的具体拆卸操作步骤,结果如图5所示。模型的训练性能包括损失函数曲线、训练准确性和测试集准确性。如图13所示,在初始训练阶段,模型的损失值迅速下降,而准确性稳步上升。最终,这两个指标均趋于稳定,表明模型已达成良好的收敛效果,并表现出稳定可靠的性能。测试集的准确性进一步验证了模型在处理未见数据时的泛化能力,显示出其强大的预测性能。表5还全面总结了剩余组件的具体拆卸操作步骤,为高效精确的HRC拆卸提供了实际指导。

下载:下载高分辨率图片(331KB)下载:下载全尺寸图片

图13. 组件螺丝拆卸操作推理的结果,包括损失值(a)、训练集准确性(b)和测试集准确性(c)。

另外,如表6所示,在拆卸过程推理过程中分配给不同节点类型的注意力权重分布提供了宝贵见解,表明模型在不同推理阶段如何优先处理不同类型的信息。首先,在拆卸类型分类阶段,参数节点始终收到接近0.5的注意力权重,表明模型能够将参数特征作为任务分配的核心依据。这种注意力权重分布的一致性不仅反映了模型对参数信息的高度敏感度,还展示了其在提取关键任务特征方面的鲁棒性。

表6. 多注意力机制在拆卸任务中的应用结果

拆卸任务 节点对 注意力权重(提出方法) 注意力权重(GAT)
机器人工作者 头部1 0.5 0.5 0.5 0.5 20.4 30.4 0.4 0.4 0.0
头部2 0.5 0.5 0.5 0.4 0.4 0.4 0.4 0.4
参数(复杂性) 0.5 0.5 0.5 0.4 0.4 0.4 0.4 0.4
参数(重量) 0.5 0.5 0.5 0.4 0.4 0.4 0.4 0.4
参数(危险性) 0.5 0.5 0.5 0.5 0.4 0.4 0.4 0.4
参数(优先级) 0.5 0.5 0.5 0.4 0.4 0.4 0.4 0.39
拆卸工具(模式,机器人) 0.49 0.49 0.49 0.49 0.49 0.49 0.49 0.49
斜螺丝刀 0.49 0.49 0.49 0.49 0.45 0.48 0.48 0.44
参数(模式,参数) 0.21 0.17 0.18 0.21 0.21 0.17 0.18 0.23
参数 0.11 0.11 0.11 0.11 0.16 0.16 0.16 0.16

在选择合适的拆卸工具阶段,注意力分配发生了显著变化,与工具选择关系较弱的节点(如模式-参数)仅收到0.16的权重,而工具节点(如斜螺丝刀)则获得较高权重(例如0.49)。这种差异化的分配表明模型能够有效区分直接相关信息和辅助信息,并根据任务需求动态调整关注重点。例如,在拆卸螺栓时,斜螺丝刀显然是最合适的工具,模型赋予了它较高的注意力权重。这种行为不仅反映了数据的内在分布,还增强了模型在拆卸工具选择方面的可解释性。

在拆卸操作推理过程中,模型进一步强调了其对操作节点的关注,其中“拧开”操作的权重高达0.49,远高于“移除”操作(0.16)。结果表明,模型能够动态分配不同节点类型的注意力,同时在同一节点类别内进行细致区分,从而专注于对任务完成最关键的拆卸操作。总体而言,这些结果证实了模型具有鲁棒且灵活的注意力机制,能够动态调整关注焦点以满足每个推理任务的需求,从而提高了复杂多步骤拆卸规划场景中的准确性、相关性和可解释性。

此外,对所提方法进行全面性能评估还需要超出基本准确性的指标。如图14(a)所示,工具选择优化在大多数组件上实现了高精度、高召回率和F1分数。电缆和电池单元的整体性能相对较高,表明模型在这些类别中的区分能力和稳定性强。然而,结果也显示了不同组件类型之间的性能差异。例如,螺丝和密封件的精度和召回率较低,表明模型在拆卸识别和分类方面的泛化能力存在不足。这种差异可能源于结构复杂性、特征表示不均匀或分布不一致等因素。基于模型的决策结果,使用机器人、人工和HRC模式进行了电池拆卸实验。图14(b)通过甘特图表比较了任务执行情况。HRC模式的整体耗时较短,任务分配更加均衡,这验证了HRC决策的优势,并通过合理分配拆卸任务提高了拆卸效率。

下载:下载高分辨率图片(332KB)下载:下载全尺寸图片

图14. 人机协作任务分配的拆卸决策优化和性能评估。

根据模型的决策输出,拆卸操作可以按照图15所示进行。以螺丝为例,机器人首先利用集成视觉系统定位并识别目标组件。根据模型的推理结果,系统确定需要拆卸螺丝。随后,机器人从工具库中选择合适的工具,确保工具与螺丝的尺寸、类型和空间方向匹配。选择正确的工具后,机械臂自动执行高精度的拧开操作。最后,人工操作员收集并回收拆卸出的螺丝,确保材料得到妥善处理和回收。

下载:下载高分辨率图片(1MB)下载:下载全尺寸图片

图15. 组件螺丝的拆卸过程推理,包括(a)拆卸任务和结构信息,(b)任务分配和工具选择,(c)HRC拆卸环境的构建,以及(d)不同条件下的拆卸操作推理。

该程序体现了无缝的人机协作拆卸过程,结合了智能决策、机器人自动化和人工监督,提高了效率和经济性。

4.3. 基于多种算法的比较和消融实验

此外,我们还将所提方法的性能与GNN、GCN、GraphSage和GAT进行了比较。为了验证该方法在特殊或复杂条件下的鲁棒性,我们设计了一个模拟组件信息不完整的实验,其中网络层通过邻居聚合推断缺失的节点表示。图16展示了在这种情景下相同组件的决策结果。所提方法表现出显著优势,在大多数情况下保持了98%的准确率,性能比竞争算法更平稳、更稳定。相比之下,GNN、GCN、GraphSage和GAT的曲线波动较大。GNN的准确率在95%-96%之间波动,GCN和GraphSage在96%-97%左右,而GAT的波动较大,约为97%。从定量上看,所提方法在这种情景下的预测准确率为98.1%,远高于GAT(97.3%)、GCN(96.1%)和GraphSage(96.2%)。这些结果表明,即使在信息不完整或关系复杂的情况下,所提方法在预测螺丝拆卸模式方面也具有更高的稳定性和准确性。

下载:下载高分辨率图片(212KB)下载:下载全尺寸图片

图16. 不同算法在螺丝拆卸模式下的预测准确性。

我们进一步通过定量运行时间和内存分析来评估算法的实际性能,如表7所示。在运行时间效率方面,所提算法的平均运行时间为70.8秒,略高于GCN和GraphSage,但显著低于GAT。在内存使用方面,所提方法消耗了389.6MB,比GCN和GNN分别多出约14%-15%,比GraphSage和GAT多出约22%。尽管所提方法的运行时间和内存成本略高,但在拆卸预测方面实现了更高的准确性。这证明了其在实际应用(如EOL电池拆卸)中的高效性能平衡。

表7. 不同优化算法在小型到中型知识图谱上的准确性、运行时间和内存消耗

为了评估所提算法的优势,我们进行了消融实验,比较了不同组件(电缆、电池单元、继电器)的拆卸过程有效性。如图17所示,实验结果揭示了三种算法在电缆拆卸过程中的不同性能特征,特别是在初始训练阶段。GraphSage模型的损失曲线波动较大,收敛速度较慢,表明其从简单线性拓扑结构(如电缆)中提取特征的能力有限。虽然GraphSage+GAT混合模型在收敛效率和准确性方面有所提升,但仍存在较大的训练性能波动。值得注意的是,我们提出的GraphSage+GAT+SURD方法表现出卓越的稳定性、最快的损失收敛速度和最高的预测准确性。这些结果证实了该方法在处理简单拆卸目标(如电缆结构)时的增强特征聚合能力和鲁棒性。

下载:下载高分辨率图片(386KB)下载:下载全尺寸图片

图17. 所提方法与其他两种传统算法在电缆拆卸任务中的损失值和准确性。

图18展示了电动汽车电池单元拆卸相比简单组件更高的结构复杂性和特征多样性。在这些具有挑战性的条件下,GraphSage模型表现出明显的不稳定性,训练损失和准确性波动较大,收敛速度缓慢。虽然GraphSage+GAT模型的性能有所提升,准确率较高,但其训练过程仍不稳定,准确性曲线波动较大。相比之下,我们提出的GraphSage+GAT+SURD方法保持了出色的稳定性,收敛迅速,损失波动小,准确性始终如一,最终超越了两个基线算法。结果表明SURD模块在有效过滤冗余特征和增强相关结构信息方面的关键作用,特别是在处理高度复杂的拆卸目标(如电池单元)时。

下载:下载高分辨率图片(472KB)下载:下载全尺寸图片

图18. 三种算法在EOL电池单元拆卸任务中的损失值和准确性。

图19展示了继电器拆卸任务的实验结果,该任务因其结构依赖性和复杂的节点关系而具有挑战性。在此拆卸场景中,GraphSage模型表现出明显的局限性,收敛速度慢,预测准确性低。虽然GraphSage+GAT混合模型有所改进,但在后期训练阶段准确性波动较大,无法保持稳定性能。我们提出的GraphSage+GAT+SURD算法在所有评估指标上均表现出色,收敛迅速,损失波动小,准确性始终较高。因此,结果强调了SURD模块在有效过滤冗余特征和增强相关结构信息方面的关键作用,特别是在处理电池单元等高度复杂拆卸目标时。

下载:下载高分辨率图片(466KB)下载:下载全尺寸图片

图19. 三种算法在继电器拆卸任务中的损失值和准确性。

图19表明,GraphSage的简单特征聚合无法捕捉复杂图结构中的高阶关系,也无法动态区分邻居节点。此外,其多层采样会导致梯度传播路径过长,增加梯度消失/爆炸的风险,从而导致训练不稳定和收敛缓慢。GAT 通过自注意力机制解决了这些限制,该机制动态计算目标节点与邻居节点之间的注意力系数,在特征聚合过程中自适应地权衡邻居节点的贡献。这种方法更准确地捕捉了复杂的节点关系,同时增强了特征表示和训练效率。为了进一步提高性能,我们整合了 SURD 模块。SURD 通过分解冗余信息、突出关键特征和优化节点表示来提高特征聚合的准确性和鲁棒性。这种改进通过去除冗余信息、保留独特特征和协作特征挖掘来增强精确的特征识别能力。结合这两种架构显著提升了对复杂图结构的建模能力,同时提高了拆解任务的稳定性和效率。因此,我们的算法在拆解性能上表现出色,在复杂关系下提供了稳健的特征选择和过程推理能力,特别适用于 EOL 电池的 HRC 拆解,为整个拆解工作流程提供了可靠的决策支持。

5. 讨论
随着电动汽车电池行业的不断发展,与 EOL 电池拆解相关的问题吸引了许多研究人员的关注。然而,EOL 电池拆解的不确定性仍然是一个相对复杂的过程,这使得拆解过程决策难以高效完成。本文提出了一种基于深度图神经网络的 HRC 拆解过程和关系推理方法,通过消除冗余信息来优化拆解决策。本文的主要创新和贡献如下:
- 首先,深入分析现有的 EOL 电池拆解挑战并识别拆解顺序优化和决策的关键障碍,为研究奠定基础。不同类型电池之间的结构差异在智能拆解过程中引入了显著的不确定性。为了解决这一复杂性,需要提出一种使用定量拆解参数分析过程关系的创新拆解过程推理方法。我们的图结构方法为 EOL 电池拆解提供了标准化的推理方式。该框架在不确定性条件下有效提取拆解操作参数,提高了复杂场景下拆解过程规划和关系推理的效率。
- 为了解决 EOL 电池组拆解信息的复杂性,需要构建一个 EOL 电池拆解知识图,系统地建模拆解参数、组件、模式、工具和操作之间的关系。拆解数据被整合到一个支持图神经网络推理和关系挖掘的结构化数据库中,并通过信息分解策略来最小化冗余。实验结果表明,知识图显著增强了实体关系建模的能力,多头注意力机制提高了复杂关系模式的区分度,信息分解模块通过为与任务相关的节点分配更大的权重有效减少了冗余干扰,从而提高了模型的泛化和效率。
尽管本研究已经取得了一定的成果,但仍有一些改进的空间。在未来的研究中,可以进一步探索以下方向,以改进基于知识图和深度神经网络的 EOL 电池拆解过程推理和预测方法:
- 在知识图和深度神经网络的基础上,改进模型架构和算法,以提高 EOL 电池拆解推理的准确性和可靠性。虽然我们的模型在六个目标组件上表现优异,但尚未涵盖所有电动汽车电池元素。过程推理还扩展到了确定模式、工具和操作之外,包括拆解排序和参数优化。对于复杂的 EOL 产品知识图,SURD-GAT 融合模型需要在特征聚合之前进行信息分离以量化冗余。当与多头注意力结合时,这会引入随着图密度增加而增长的计算和内存需求。在大规模应用中,这种开销可能会影响实时性能。开发高效的采样和聚合策略以减少复杂性同时保留关键信息是关键的研究方向。
- 尽管我们的知识图支持模型开发中的关键元素(操作、任务、工具),但其当前范围仍不足以覆盖全面的 EOL 电池拆解。现实世界的流程涉及更多的组件和复杂的相互关系,需要通过增加组件类型、详细工具规格和动态操作数据来扩展。我们的图依赖于手动构建,以确保在验证过程中的语义准确性,这限制了大规模产品的可扩展性。工业部署需要自动化的本体生成、关系提取和图填充能力。未来的研究应该探索自然语言处理的集成,以实现自适应的自动化知识图构建。
- 未来的工作必须优先考虑数据集的改进。虽然我们的 EOL 电池拆解数据库基于开源数据和文献构建,并验证了过程推理模型,但其有限的多样性未能捕捉到现实世界的拆解复杂性。因此,开发更丰富、更多样化的数据集对于支持稳健的模型训练、预测和验证至关重要。这种改进将直接提高泛化能力、鲁棒性和任务性能。当前的数据集限制也限制了模型的可扩展性:尽管在有限的数据上表现良好,但更广泛的适用性需要在不同的电池配置、任务环境和复杂场景中进行验证。构建更大、异构的数据集并结合数据增强和迁移学习将显著提升模型的泛化能力、鲁棒性和可扩展性,从而加强现实世界的拆解决策。

6. 结论
本文提出了一种针对 EOL 电池 HRC 拆解的新过程推理方法,解决了拆解过程的固有复杂性和不确定性问题。该方法将知识图与 GraphSAGE 和图注意力网络相结合,有效地捕获和建模拆解组件之间的复杂关系。明确考虑现实世界拆解任务中的相互依赖性和不确定性,显著增强了拆解过程的推理能力,使得在多方面条件下能够做出更明智和可靠的决策。此外,还开发了一个标准化的 EOL 电池拆解知识图,提供了一个支持理论研究和实际部署的统一数据框架。该框架促进了结构化数据共享,提高了不同企业之间的互操作性,并为集成智能技术奠定了基础。此外,所提出的方法还包括一个信息分解模块,它将可解释性与自适应学习相结合,允许在优化任务执行策略的同时实现透明的推理。因此,这些结果不仅提高了拆解效率,减少了对手动判断的依赖,还降低了不确定或复杂场景下的操作风险。未来的研究可以将该框架扩展到多智能体推理,或在动态 EOL 电池条件下实现实时自适应规划,最终促进更智能、灵活和适应性更强的拆解系统的开发。

CRediT 作者贡献声明:
- 肖金花:撰写原始草案、验证、监督、项目管理、资金获取、形式分析、数据 Curation、概念化。
- 张志文:可视化、数据 Curation。
- 郑宇:验证、软件开发。
- 吴鹏:撰写原始草案、监督。
- Sergio Terzi:撰写、审稿与编辑。
- Marco Macchi:撰写、审稿与编辑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号