基于人機協作的動力電池系統拆卸序列規劃*

劉驛軒，江志剛，喻劍平

(1.武漢科技大學 a.冶金裝備及其控制教育部重點實驗室；b.機械傳動與制造工程湖北省重點實驗室；c.綠色制造工程研究院，武漢 430081；2.荊楚理工學院電子信息工程學院，湖北 荊門 448000)

0 引言

目前，國內動力電池系統將呈現大批量報廢[1]，同時沒有模塊化設計，主要為人工拆卸，其拆卸的靈活性、彈性高，但機器人拆卸能夠降低對工人健康的危害，同時降低成本、提高拆卸效率。Haper Gavin等[2]提出汽車電池的自動化拆卸高度依賴結構環境，單純機械化拆卸是非常困難的；Liu Yun等[3]提出電池系統冶金和機械拆卸，在自動拆卸和智能回收系統；Zhang Jian等[4]提出動力電池系統拆卸具有復雜性，連接器多樣性，電池中的化學物質不穩定，提出電池回收框架；Herrmann Christoph等[5]提出一種基于場景的拆卸系統開發，設計出不同條件下報廢電池系統；聶應軍等[6]運用逆向思維拆解廢舊鉛蓄電池；Wegener K等[7]提出一種電池拆卸工作站，機器人配合工作人員進行簡單拆卸的工作。國內外現有文獻主要對動力電池拆卸系統進行開發，采用化學與機械方法進行拆卸，但鮮有文獻考慮將人與機器人各自的優勢進行拆卸，以提高拆解效率和降低成本，并減少拆卸對工人的危害。

目前，拆卸序列的研究運用了蜂群算法、蟻群算法和人工魚群算法等。丁力平等[8]提出了蟻群算法解集思想，能在多種解決方案中并兼顧各目標；Xu W等[9]提出人機協作拆卸序列的規劃，運用蜂群算法解決拆卸序列規劃；邢宇飛等[10]運用Pareto蟻群算法，通過拆卸矩陣構建拆卸可行條件獲得拆卸方向，最終實現優化拆卸序列。汪開普等[11]采用人工魚群的算法，運用擁擠距離來篩選解集。以上算法考慮了拆卸序列多目標優化和并行拆卸平衡問題，但在解決大規模復雜的多目標問題時有其局限性，結合Pareto解集的思想在解決多目標過程中，能夠均衡多個目標，利用人工魚群算法在收斂精度與速度方面的優勢，快速得到非支配解、求解速度快和搜索全局最優。

基于此，結合人工與機器人拆卸優勢，考慮有害零部件進行優先拆除，采用Pareto人工魚群算法對動力電池系統拆卸序列優化，考慮到拆卸時間、成本和難度最小化，得到最優拆卸序列。

1 人機協作拆卸工藝過程

動力電池系統主要包括電池模組、電池管理系統(BMS)和必要的電力電子設備。電池單體并聯連接形成電池模塊，電池模塊串聯連接形成電池模組。電池模組和電池系統都布滿冷卻管路。電池管理系統(BMS)放置在絕緣殼外并與電力電子設備相連接。動力電池系統結構如圖1所示。

圖1 動力電池系統結構圖

動力電池系統的拆卸過程如圖2所示。首先動力電池系統進行放電，電池系統具有風冷和液冷兩種冷卻方式，若為風冷則進行拆卸風冷機，若為冷卻管路則進行冷卻液抽排，進而為電池系統拆解做準備。電池系統進行連接件和螺栓拆卸，進而拆卸上殼體和附件。然后拆解電控系統電池線束、保險絲和BMS。完成上述拆卸后進行電池模塊拆解，拆解后的模塊PCB板、電芯等零件進行資源化處理。電池拆卸工藝過程如圖2所示。

圖2 電池拆卸工藝過程

2 人機協作模型的建立

2.1 問題描述

人機協作拆卸序列規劃在滿足零件連接關系和優先約束，合理的將零件分配給人或機器人完成拆卸任務。建立產品拆卸混合圖，得到連接矩陣和優先關系矩陣。

圖3為9個部件產品拆卸混合圖，假定完成拆卸當前任務得到一個零件，實線箭頭為AND優先關系，如任務2、3、4與任務6滿足AND關系，當任務2、3、4全部拆卸后，任務6才能夠被執行;虛線箭頭為OR優先關系，如任務3、4、5，任務3和任務5有一項任務完成，任務4即可執行。對于存在有害零件，任務5為有害零件，任務5為優先拆除零件。

圖3 產品拆卸混合圖

拆卸混合圖表達產品零件間的關系由若干個節點、無向邊和有向邊組合而成。

G={V,E,DE}

其中，G為混合圖；V節點，表示零部件，假定拆卸n個零件，則V={v1,v2,...,vn}；E為無向邊，為兩個零件間連接關系；DE為有向邊，表示零件間沒有連接配合關系，但具有優先約束關系。為人機協作任務分配數據分析，將無向連線和有向連線的集合用連接矩陣Gc來表示，有向連線用優先關系矩陣Gp表示。連接矩陣Gc=(ali)n×n，其中ali為0、1、-1為變量值，若任務l∈GAND(i)，則ali=1，若l∈Gor(i)，則ali=-1，若兩者都不滿足，則ali=0。優先約束矩陣Gp=(bli)n×n，其中bli為0、1兩個變量值，若i與j之間無優先拆卸關系bli=0，反之存在優先拆除關系bli=1。生成的連接矩陣Gc和優先關系矩陣Gp：

2.2 人機協作任務分配方法

(1)

等式(1)中a1為拆卸零部件(i=1,2,…,n)，r為人工或機器人拆卸(當人工拆卸時r為0，機器人拆卸時為1)。人機協作拆卸等級劃分如圖4所示。

圖4 拆卸等級劃分

動力電池系統的拆卸難度等級劃分，假定在拆卸時已經完成預備工序的拆卸。例如，拆卸動力電池上殼體，手工與機器人都不具有拆卸難度，因此拆卸難度為0。拆卸上殼體螺絲時，需要重復完成，同時要求快速精確拆卸，其拆卸特點更適合機器人拆卸，因此機器人拆卸難度等級為0，手工拆卸針對重復性操作易產生疲勞，因此難度等級為0.25。

2.3 目標函數

本文以拆卸時間、成本和難度作為人機協作拆卸序列的優化指標，進而提高拆卸效率和降低成本，選擇最優拆卸序列。

(1)拆卸時間

為了保證拆卸的連續性和有效性，減少拆卸時間可以提高拆卸效率。人工和機器人的拆卸時間如式(2)所示：

L=max{L0,L1}

(2)

式中，L0表示人工拆卸的總時間，L1表示機器人拆卸總時間。其式子(3)為拆卸工件所需要總時間。

(3)

(2)拆卸難度

由于人工拆卸與機器拆卸的拆卸難度不同，為解決拆卸難度的計算，選取拆卸難度作為人機協作的評價指標優化拆卸過程，等式(4)為拆卸難度優化等式。

(4)

式中，s0，s1為人工和機器人拆卸難度系數，根據圖4的評價指標的方法進而確定。seq0和seq1為人工和機器人的拆卸序列。

(3)拆卸成本

減少拆卸成本能為公司帶來更多效益，拆卸過程中人工成本，機器人拆卸過程中的損傷，拆卸工具的損耗，U0、U1、Ut分別為上述在相對時間情況下的折算。式(5)為拆卸的總成本的計算公式。

B=U0L0+U1L1+UtL

(5)

2.4 約束條件

針對人機協作優化目標的特點，建立如下多目標模型：在滿足連接關系和優先關系約束等條件下，產生多個拆卸序列，將每個拆卸序列合理分配，使得拆卸時優先拆除有害零部件、拆卸時間較少及拆卸效率盡可能高。

人機協作的優化目標為如式(6)所示，其中δ為可行解空間，Lmax、Bmax、Nmax，為拆卸過程中的約束條件。

(6)

3 基于Pareto人工魚群算法的多目標優化

本文采用Pareto結合的多目標優化算法，現有的多目標優化，未將人工和機器人協作拆卸的特點相結合，Pareto解集的思想能很好的解決多個優化目標，魚群算法的魯棒性強和使用靈活性等特點。

3.1 Pareto解集

多目標拆卸一般是將多目標問題轉化為單目標解決問題，不能很好地解決存在沖突關系的多個目標函數。而Pareto解集能夠很好的解決優化間平衡問題，因此本文采用Pareto解集的思想求解。

3.2 人工魚群算法

在人工魚群覓食行為運用交叉算子的方法，進行人機械協作拆卸序列尋優。設定當前人工魚為Xcurrent，感知距離范圍為V，在V內經過n次嘗試后向濃度高的位置游走。

新的人工魚Xnew可以通過交叉變異實現，如圖5所示將父代Xcurrent作為父代序列，隨機選取點進行交叉編譯，保證前后的拆卸序列不變，通過父代Xcurrent拆卸4號零部件為手工拆卸，5號零部件是機器人拆卸，通過變異得到新的子代人工魚群Xnew，4號零部件為機器人拆卸，5號零部件是人工拆卸。任務分配變異不會改變拆卸序列的可行性和穩定性，通過交叉變異增強覓食魚群跳出局部最優的能力。

圖5 覓食變異行為

3.3 Pareto人工魚群算法步驟

步驟1：人機協作拆卸信息模型，設定相關參數；

步驟2：初始化種群，設定相關參數，包括種群規模Nfish、覓食行為嘗試最大次數ntry、擁擠度δ、視野V、最大迭代次數gmax、節拍Tc等;

步驟3：根據Gc和Gp生成初始種群，外部檔案Q=t;

步驟4：基于Pareto快速支配選出非劣解，更新t；

步驟5：聚群和追尾行為；

步驟6：將步驟5的結果與非劣解進行比較更新t;

步驟7：判斷是否達到最大迭代次數gmax，若達到,則轉下一步;否則轉步驟5;

步驟8：輸出外部檔案中的非劣解,得到最優拆卸序列。

多目標Pareto人工魚群算法流程如圖6所示。

圖6 Pareto人工魚群算法流程圖

4 案例研究

本文以特斯拉Model1s動力電池系統為研究對象，其動力系統包含16個電池模組、電池管理系統(BMS)和必要的電力電子設備。圖7為Model1s動力電池系統圖。根據動力電池零件間的連接關系和優先拆卸關系生成拆卸混合圖，如圖8所示。動力電池拆卸系統信息如表1所示。零件22為泄露重金屬對人體有害電池模組。

圖7 Model 1s動力電池系統圖

結合實際拆卸情況算法初始參數為：Nfish=100,N0=8,δ=0.8,try_number=10,visual0=20,visualmin=20,max_gen=20,T0=100,ρ=0.9,L=10。

圖8 動力電池拆卸混合圖

表1 Model1s動力電池系統拆卸信息

續表

本文的優化目標之間存在差異性，對非支配解的目標函數為式(7)。

(7)

其中，PF代表非支配解，min為對應的最小值，max由約束條件決定。在約束條件為L≤400,N≤2.0,B≤2.0得到的非支配解，Pareto的真實解集如圖9所示。

圖9 可行解與Pareto前沿分布

人機協作拆卸序列不同于單目標問題，比較多目標優化算法的性能借助世代距離(GD)和超體積(HV)。GD表示算法非支配解集(PF*)與真實前沿(PF)之間的逼近關系，來衡量算法的收斂性和有效性。GD值越小，說明算法的收斂性能越好。HV用于表示非支配解在解空間的覆蓋程度， HV值越大，則說明多樣性與收斂性越佳。驗證Pareto人工魚群算法和多目標人工魚群算法的優越性，采用在初始化種群同為100的情況下，迭代次數不同的情況下，運行的平均值HV和GD進行比較。不同迭代次數算法下的HV與GD如圖10所示。

(a) 平均HV值 (b) 平均GD值

Pareto人工魚群算法在一定種群規模，不同迭代次數條件下，HV和GD具有相應優勢。然后在迭代次數一定的條件下，不同種群規模條件下進行試驗，不同種群規模算法下的HV與GD如圖11所示。在不同種群和不同迭代次數的條件下，能得到Pareto人工魚群算法有更好的求解效果。綜上所述，Pareto人工魚群算法在求解人機協作拆卸序列具有有效性和優越性。

表2為Pareto人工魚群算法部分非支配解，為其工作人員提供決策。根據Pareto前沿分布圖，選擇出三組最優拆卸序列。根據所需的拆卸時間、拆卸成本與拆卸難度進行選擇。均衡三個子目標，可以選擇第一個支配方案，此時生成的拆卸序列具有較優的時間、成本和難度，同時優化了人體在拆卸過程中的損傷，機器人在拆卸過程中靈活性擴展性不足的特點。

(a) 平均HV值 (b) 平均GD值

表2 Pareto人工魚群算法部分非支配解

5 結論

本文對廢舊動力電池系統特斯拉Models零件間連接關系建立拆卸混合圖，在混合圖中對有害零部件進行優先拆卸，然后建立連接矩陣Gc和優先關系矩陣Gp。雖然人機協作屬于并行拆卸，但是與普通的并行拆卸不同，人機協作拆卸要確保零件在拆卸過程中各自的分配任務，考慮任務分配中的拆卸成本、時間和拆卸難度的優化目標，從而生成符合人機協作的拆卸序列。動力電池系統拆卸序列優化運用Pareto的多目標優化和人工魚群算法魯棒性強、收斂速度快的特點快速生成拆卸序列。最后運用了世代距離和超體積指標驗證了該算法可以提高求解速度和穩定性。該人機協作拆卸序列規劃是以單一產品作為研究對象，下一步對多產品進行人機協作拆卸序列規劃研究。