面向定制化建筑制造中自适应机器设置的嵌入人类知识的贝叶斯优化

《Developments in the Built Environment》:Human-Knowledge-Embedded Bayesian Optimization for adaptive machine setup in customized building manufacturing

【字体: 大 中 小 】 时间:2026年07月13日 来源:Developments in the Built Environment 8.7

编辑推荐:

  工业化建筑施工从大规模生产向大规模定制(mass customization)的范式转变对快速机器设置提出了显著需求,然而当前实践面临两个关键障碍:(1)隐性知识发现(Implicit Knowledge Discovery),由于操作员专业知识难以量化;(2

  
工业化建筑施工从大规模生产向大规模定制(mass customization)的范式转变对快速机器设置提出了显著需求,然而当前实践面临两个关键障碍:(1)隐性知识发现(Implicit Knowledge Discovery),由于操作员专业知识难以量化;(2)跨任务知识迁移(Cross-Task Knowledge Transfer),专业知识很少在不同设计间复用,迫使每项任务的优化从头开始。为解决这些挑战,研究人员提出一种人类知识嵌入贝叶斯优化(Human-Knowledge-Embedded Bayesian Optimization, HK-Embedded BO)框架,利用沙普利加性解释(Shapley Additive exPlanations, SHAP)从历史设置数据中提取隐性人类知识,将隐性经验转化为可解释、可迁移的知识。提取的知识通过动态地将搜索空间导向新任务的高潜力区域来引导贝叶斯优化(Bayesian Optimization, BO)。结果证明了在两个挑战上的有效性。基于SHAP的发现捕获了参数重要性,相比人类操作员减少了14.6%的迭代次数,相比原始BO(vanilla BO)减少了76.7%。知识迁移实现了稳健的跨任务泛化,标准差减少了63.5%和83.3%,证明了人机协作弥补了手动适应性与自动化效率之间的差距。
研究背景方面,工业化建筑施工正处于从大规模生产向大规模定制转型的范式转变期,这一转变由快速变化的客户需求与更短的产品生命周期所驱动。定制化生产要求系统动态调整设置以满足不同产品设计需求,Industry 5.0愿景倡导人机协作确保高混合低批量生产中的设计准确性。然而机器配置空间庞大且具有非线性强耦合的黑箱特性,辊压成型等工艺中滚轮间隙、材料张力与成型速度的设置受材料厚度(h)与摩擦系数(μ)等环境变量影响,操作员依赖试错法导致设置阶段占工厂总利用率达40%,定制风管比标准化产品耗时多10%至30%,并产生大量材料浪费与成本。根本挑战在于高维黑箱优化中隐性启发式难以数学化捕获,且算法在新产品中面临冷启动问题,现有显式知识注入依赖专家先验但难以校准,隐式提取缺乏可迁移性与可解释性,因此亟需一种能发现、解释并复用人类经验且具备跨任务能力的框架。
研究人员开展了人类知识嵌入贝叶斯优化框架的构建与验证研究,得出该框架能有效提取操作员隐性知识并迁移至新任务,显著减少试错迭代并提升稳定性,其意义在于为Industry 5.0落地提供了可解释人机协作优化的实现路径,论文发表于《Developments in the Built Environment》。
关键技术方法包括:采用观察—定向—决策—行动(Observe–Orient–Decide–Act, OODA)循环建模人类试错过程;使用沙普利加性解释(SHAP)基于博弈论量化特征贡献以提取参数重要度(wi)与方向性(di);将提取知识嵌入贝叶斯优化,通过SHAP权重动态收缩搜索空间并引入衰减因子(γ)平衡知识与数据驱动;基于辊压成型模拟器构建5种摩擦系数(μ)与材料厚度(h)组合的设定场景,采集10名操作员(8名工程学生与2名工厂技术员)的试错轨迹作为样本队列;以平均迭代次数、标准差、遗憾分析(regret analysis)与知识迁移效果为指标验证性能。
研究结果部分,各小节结论如下:
  1. 1.
    Introduction中研究人员指出定制化建筑制造机器设置的核心矛盾在于高维黑箱参数空间与人类隐性经验的不可复用性,提出两个研究缺口即隐性启发式数学捕获与防止冷启动的知识迁移方法。
  2. 2.
    Machine setup challenge in practice中基于美国匹兹堡HVAC风管生产线实地数据,设置停机占生产时间33.0%,废品中36.2%源于设置问题,说明当前试错法依赖个体经验且不可持续,直接驱动研究缺口的提出。
  3. 3.
    Related research中综述机器学习设置方法与知识提取途径,对比空间变形BO、约束引导BO、偏好引导BO、二元反馈BO、演示初始化BO与迁移BO,指出尚无方法同时实现隐式知识提取、跨任务迁移、可解释性与动态引导,从而定位HK-Embedded BO的创新点。
  4. 4.
    Method中研究人员形式化OODA四阶段观测生产控制参数u、环境状态x、产品状态y,通过误差e(t)与容差ε判断调整,决策策略π基于Δu;SHAP值计算?i聚合绝对均值得重要性、符号分布得方向性;HK-Embedded BO在每k次迭代以wi对称收缩边界Li、Ui并施以γ衰减,将di嵌入采集函数倾向,实现动态空间引导。
  5. 5.
    Test bed中建立辊压成型模拟器优化5个滚轮间距使最大尺寸落在101.32 mm的1%误差内,设5种场景(μ=0.1,h=0.90至0.94及μ=0.3,h=0.92),基线显示Vanilla BO平均132.20次迭代、Std 24.08,人类操作员平均51.52次但Std达19.33,体现人机互补优劣。
  6. 6.
    Case study中从Operator 1的Task 1提取SHAP得Roller 5均值4.56最高、Roller 1为0.81最低,方向R1为正其余为负;嵌入后HK-Embedded BO仅需35次迭代达目标,较人类46次降24%、较Vanilla BO 115次降70%;遗憾分析累积遗憾由Vanilla BO的1274.84降至962.15至1094.08,标准差更小;敏感性分析更新频率k∈{3,5,10,15,20}与衰减γ∈{0.5至1.0}显示性能对非精确调参具鲁棒性;知识迁移中HK-Embedded BO平均34.03次迭代,较Vanilla BO降74.05%、较人类降33.95%,Std降至7.77,Wilcoxon检验W=0、p=1.78×10?15证实显著;源任务效率与迁移效果呈对数关系y=?13.42+55.68 ln(x),非对角项非最小证明提取为泛化模式而非过拟合。
讨论与结论部分,研究人员总结HK-Embedded BO通过OODA与SHAP提取人类知识嵌入BO,平均迭代较人类降33.95%、较Vanilla BO降74.05%,标准差较人类降59.80%、较Vanilla BO降67.77%,高效源知识(20≤x≤60)迁移效果最优且严格优于Vanilla BO(x<130)。局限性在于SHAP难以捕获隐藏非线性与复杂交互,静态重要性可能限制算法发现新路径,参与者以工程学生为主需更多工厂技术员验证,且仅限辊压5种场景需拓展至更广制造过程。未来应发展自适应框架动态权衡启发式与数据驱动、实时人机回路、混合策略及跨工艺验证,以桥接Industry 5.0中人直觉与机器智能的差距。结论原文翻译为:在本研究中,研究人员提出了一种人类知识嵌入贝叶斯优化框架,该系统通过SHAP分析提取人类知识并将其整合至定制化建筑生产中动态辊压设置的的数据驱动优化过程中。通过首先使用OODA循环建模人类试错过程,随后通过SHAP量化关键决策洞察,研究人员动态细化了贝叶斯优化算法的搜索边界。这种整合不仅加速了向最优配置的收敛,还减少了试错迭代次数,如实验结果所示。在跨多场景与10人的案例研究中,提出的HK-Embedded BO方法较人类操作员平均迭代次数减少33.95%,较原始BO方法相对减少74.05%。此外,试迭代次数的标准差较人类操作员和原始BO分别减少59.80%和67.77%,表明优化过程更高效稳定。值得注意的是,当此类知识源自高性能操作员时,嵌入人类知识的收益尤为显著,强调了利用人类洞察引导设置任务搜索空间探索的价值。尽管结果积极,本研究存在若干局限需关注。虽HK-Embedded BO在大多数场景展现更高效稳定,某些任务中性能未超越人类,揭示当前方法根本限制。首先,某些制造任务可能涉及未被SHAP启发式提取捕获的隐藏或微妙因素,如复杂参数交互、环境依赖或非线性关系,有经验操作员直觉识别但难通过可解释机器学习量化。其次,人类启发式整合可能无意限制算法发现新优化模式的能力,表明利用人类专长与保持算法灵活性间的权衡。此外,源任务提取知识可能未完全捕获经验操作员在不同制造背景下的深层细微策略,这些策略涉及隐含决策模式、情境适应与动态调整,难以通过静态特征重要度与方向效应编码,这一核心科学限制需更精细的知识提取机制以捕获人类决策的时间、情境与自适应本质。另参与者主要为具辊压领域知识的机械工程学生及两名工厂技术员,虽基线结果证明他们一致优于原始BO且轨迹提取知识具可迁移引导性,但严格工业意义上的专家级隐性知识提取仍受限,未来需更大规模经验技术员验证。除方法局限,实证验证限于两环境变量五场景的单辊压应用,虽在此设置内表现一致改善,但属概念验证非全面验证,需在真实工厂设置与实际操作员数据下跨更多制造过程与环境变化评估以确立工业采纳主张。因此未来研究应聚焦发展自适应框架,基于任务特征与环境动态评估何时强调人类启发式 versus 数据驱动优化策略,需包括:实时评估机制识别最受益任务;动态人机回路系统在任务执行中整合实时反馈而非静态提取;混合优化策略基于多样制造场景连续学习无缝过渡启发式引导与纯算法探索;跨更广制造过程与环境验证以确立框架多样性工业背景泛化性。总体而言,结果强调了将可解释人类专长整合至先进优化算法以提升动态制造环境中设置效率、减材与提质的一致性潜力,同时也揭示了实现最优人机协作的复杂性,需更细致方法智能利用人类直觉与算法优化互补优势,未来将拓展框架至更多生产任务并研究更广义知识迁移机制,最终桥接Industry 5.0设置中人类直觉与机器智能差距。
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