⚡ electrical engineering

Energy-Aware Integrated Proactive Maintenance Planning and Production Scheduling

本文提出了一种考虑机器退化的双层控制框架，通过协同优化预防性维护计划与实时生产调度，在满足日产量目标的同时有效应对实时电价波动并降低能源成本。

原作者： Hongliang Li, Herschel C. Pangborn, Ilya Kovalenko

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Hongliang Li, Herschel C. Pangborn, Ilya Kovalenko

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章讲述了一个关于工厂如何“精打细算”过日子的故事。

想象一下，你经营着一家繁忙的面包店（这就是工厂）。你的目标有两个：

按时把面包卖给顾客（生产任务）。
少花钱（主要是电费和维护费）。

1. 遇到的难题：两个“死对头”

在这个故事里，有两个主要角色在互相“打架”：

角色 A： fluctuating 的电费（像天气一样多变）
现在的电费不是固定的，而是像打车软件的“动态定价”。中午大家都不做饭，电费便宜（低谷）；晚上大家回家做饭，电费贵（高峰）。聪明的老板会想：“我能不能在电费便宜的时候多烤面包，贵的时候少烤点？”这叫需求侧管理。
角色 B：会累坏的烤箱（机器老化）
你的烤箱用久了会“生病”（机器退化）。
- 生病的后果：烤面包变慢了（产能下降），而且更费电（效率降低）。
- 治疗的方法：你需要定期给烤箱做保养（预防性维护，PM）。
- 治疗的代价：保养的时候，烤箱必须停机，不能烤面包。

矛盾点来了：

如果你为了省电费，特意挑在电费便宜的时候给烤箱做保养，那你白白浪费了那个“便宜时段”的生产机会，太亏了。
如果你为了赶工，在电费贵的时候也不保养，烤箱累坏了，以后烤得慢还费电，甚至可能直接坏掉，导致你交不出货。

以前的工厂做法通常是“死板”的：不管电费多少，每天固定时间保养；或者不管机器累不累，只盯着电费省。结果就是两头不讨好。

2. 这篇文章的解决方案：一个“超级大脑”指挥系统

作者提出了一套**“双层指挥系统”（Hierarchical Bi-level Control），我们可以把它想象成“总指挥”和“现场经理”**的配合：

🧠 第一层：总指挥（离线规划，看长远）

任务：他在前一天晚上，看着明天的电费预测表，决定**“明天哪台机器几点该休息（保养）”**。
聪明之处：他不仅仅看电费，还会问现场经理：“如果我在电费高的时候让机器休息，你会不会手忙脚乱？如果我在电费低的时候休息，你会不会觉得浪费？”
策略：他会把保养时间安排在电费本来就很高、或者机器本来就要休息的时候。这样既修好了机器，又没耽误在便宜时段赚钱的机会。

🏃 第二层：现场经理（实时执行，看当下）

任务：到了第二天，他拿着总指挥的“保养计划表”，开始安排每小时的生产。
聪明之处：他会根据实时变化的电费（比如突然下雨导致电价波动）和机器现在的健康状况（比如某台机器今天特别累），灵活调整烤面包的速度。
互动：如果机器太累了，他会自动放慢速度，避免机器彻底罢工；如果电费突然变便宜，他会赶紧多烤点。

关键点：这两个角色是双向沟通的。总指挥在制定计划时，已经模拟过现场经理会怎么反应，所以他的计划是**“懂行”**的，不会给现场出难题。

3. 打个比方：像“带病跑步的马拉松选手”

想象你是一名马拉松选手（机器）：

电费 = 路边的补给站。有些补给站（低电价）免费发水，有些（高电价）卖得很贵。
保养 = 停下来系鞋带或按摩。
以前的做法：不管前面有没有免费水，你都在固定的时间停下来系鞋带。结果可能刚好错过了免费水，或者在需要冲刺的时候停下来，导致最后累趴下。
这篇文章的做法：
- 总指挥看着明天的路线图和补给站价格，决定：“明天在最贵的那个补给站附近，你停下来系鞋带吧，反正那里本来就没水喝，停了也不亏。”
- 现场经理在跑的时候，如果发现鞋带松了（机器健康度下降），就赶紧停下来处理，或者如果前面有免费水，就加速冲过去。

4. 结果怎么样？

作者用了一个锂电池组装工厂（就像给手机电池做组装）来测试这个方法。结果非常惊人：

总成本降低了 23.7%：省了一大笔钱。
电费省了 5.38%：因为更聪明地避开了高价时段。
保养费省了 35%：因为不再做“无效保养”（比如在机器还很健康或者不需要停的时候强行保养），把保养时间从 20 小时减到了 13 小时。
机器更健康：平均机器“健康度”提升了 3.45%，不容易坏。
没耽误交货：每天的生产任务都按时完成了。

总结

这篇论文的核心思想就是：不要把“修机器”和“生产计划”分开看。

就像你管理家庭预算一样，你不能只想着“今天买菜便宜”就疯狂囤货，而不管冰箱里还有多少空间，或者冰箱会不会因为塞太满而坏掉。

作者设计的这个系统，就像是一个既懂会计（算电费）、又懂医生（看机器病）、还懂调度（排生产）的超级管家。它让工厂在省钱的同时，还能让机器“延年益寿”，真正实现了**“既要马儿跑，又要马儿少吃草，还要马儿身体好”**。

这是一份关于论文《Energy-Aware Integrated Proactive Maintenance Planning and Production Scheduling》（能源感知的集成主动维护计划与生产调度）的详细技术总结。

1. 研究背景与问题陈述 (Problem Statement)

核心挑战：
制造业面临降低能源成本与维持设备可靠性之间的权衡。

需求侧管理 (DSM) 的局限性： 实时电价 (RTP) 允许制造商将生产转移到低电价时段以节省成本。然而，机器会随着使用而退化 (Degradation)，导致加工能力下降和能耗增加。
维护的矛盾： 主动维护 (PM) 可以恢复机器健康，但需要停机，这会中断生产。
- 若在低电价时段进行维护，会错失利用低价生产的机会。
- 若推迟维护，机器在退化状态下运行，不仅产能受限，且单位能耗更高，抵消了低电价带来的收益。
现有研究的不足： 大多数 RTP 调度假设机器状态静态不变；维护优化通常仅关注可靠性成本，未与能源效率协同优化；现有的集成方法多为顺序决策，未考虑生产（导致退化）与维护（改变未来能力）之间的双向耦合关系。

研究目标：
在考虑机器退化和实时电价 (RTP) 的情况下，联合优化主动维护 (PM) 计划和运行时生产调度，以在满足交付目标的同时，最小化总运营成本（包括能源成本和维护成本）。

2. 方法论 (Methodology)

论文提出了一种分层双层控制框架 (Hierarchical Bi-level Control Framework)，通过不同时间尺度的协调来解决上述问题。

A. 系统建模

制造网络模型： 使用离散时间状态空间模型描述缓冲区和机器的物料流动。
机器退化模型：
- 健康度演化： 采用线性退化模型，健康度 $h(k)$ 随加工量 $u(k)$ 下降，随维护时间 $m(k)$ 恢复。
- 性能耦合： 机器健康度直接影响有效加工能力 $C(k)$ （健康度越低，能力越弱）和单位能耗 $E(k)$ （健康度越低，能耗越高）。
能源成本模型： 基于实时电价 (RTP) 计算加工能耗成本。区分了“日前预测电价” ( $\rho_{est}$ ) 用于离线规划，和“实际实时电价” ( $\rho_{act}$ ) 用于在线控制。

B. 分层控制架构

该框架包含两个层级：

高层：离线主动维护 (PM) 规划 (Bi-level Optimization)
- 目标： 制定全天的维护计划，最小化总成本（维护成本 + 预期生产/能源成本）。
- 结构： 这是一个双层优化问题。
  - 上层主问题： 决定维护时间窗口 $m$ 。
  - 下层子问题： 嵌入的模型预测控制 (L-MPC)，用于评估给定维护计划下的生产可行性和最优成本。
- 求解算法： 采用广义 Benders 分解 (Generalized Benders Decomposition, GBD)。
  - 主问题生成候选维护计划。
  - 子问题 (L-MPC) 求解该计划下的最优生产调度，并返回对偶乘子（Subgradient）。
  - 利用对偶乘子生成 Benders 割 (Cuts)，迭代更新主问题，直到收敛。
低层：运行时生产调度 (Lower-level MPC)
- 目标： 在每小时的时间步长上，执行闭环生产调度，跟踪生产目标并最小化实际能源成本。
- 约束： 必须遵守高层制定的维护计划（即维护时段机器不可用），同时考虑机器当前的健康状态对产能和能耗的影响。
- 凸化技术： 由于能耗项涉及健康度与加工率的乘积（双线性项），论文使用了 McCormick 包络 (McCormick Envelopes) 进行凸松弛，将问题转化为凸二次规划 (QP)，确保求解效率。

3. 主要贡献 (Key Contributions)

统一的状态空间模型： 建立了将缓冲区/机器动态、健康度演化与能源消耗直接关联的数学模型，量化了机器退化对产能和能效的双重影响。
分层双层控制框架： 提出了一种新颖的架构，将离线维护规划与在线生产调度协同优化。高层利用低层 MPC 作为子问题来评估维护计划的可行性，实现了“维护 - 生产 - 能源”的闭环决策。
高效的求解算法： 应用广义 Benders 分解 (GBD) 解决混合整数线性规划 (MILP) 问题，并通过 McCormick 松弛处理非线性项，保证了算法在计算上的可行性。
实证案例研究： 通过锂离子电池组装线的案例，验证了框架在实际工业场景中的有效性。

4. 实验结果 (Results)

研究在锂离子电池组装线（6 个缓冲区，7 台机器）上进行了为期 5 天（120 小时）的仿真，对比了基准控制器（固定日历式维护）与提出的框架。

关键性能指标对比：

指标	基准控制器 (Baseline)	提出框架 (Proposed)	改善幅度
总运营成本	$3232.91 \|$ 2466.62	降低 23.70%
能源成本	$1232.91 \|$ 1166.62	降低 5.38%
维护成本	$2000.00 \|$ 1300.00	降低 35.00%
单位成本	$16.44 \|$ 15.55	降低 5.41%
平均机器健康度	0.87	0.90	提升 3.45%
总维护时间	20 小时	13 小时	减少 35%

结果分析：

策略性调度： 提出的框架将维护活动策略性地安排在高电价时段，从而保留了低电价时段用于高负荷生产，显著降低了能源成本。
按需维护： 维护计划根据机器实际退化程度和生产负荷动态调整，避免了不必要的维护（减少停机时间）和过晚维护（防止性能严重下降）。
平滑生产： 相比基准控制器因固定维护导致的剧烈生产波动，新框架实现了更平滑的生产曲线，提高了系统效率。
计算效率： 5 天仿真总耗时约 36 秒，每小时 MPC 决策平均耗时 0.25 秒，满足在线实时控制要求。

5. 意义与展望 (Significance & Conclusion)

学术与工业意义：

该研究打破了传统上将“维护”与“生产调度”及“能源管理”割裂处理的局限，证明了协同优化能带来显著的经济效益。
为制造业在动态电价环境下实现绿色制造和智能制造提供了理论依据和实用工具。
通过考虑机器健康对能耗的直接影响，揭示了设备管理对能源效率的深层影响机制。

未来工作：

引入随机退化模型（如机会约束或鲁棒优化），以应对机器故障的随机性。
扩展目标函数，纳入碳排放和水资源消耗等更多可持续性指标。
研究滚动时域重规划机制，以应对实际条件与日前预测的重大偏差。

总结：
这篇论文通过构建一个分层双层控制框架，成功解决了在实时电价和机器退化双重约束下的维护与生产协同优化难题。其提出的方法不仅在理论上严谨（利用凸松弛和 Benders 分解），而且在实践中被证明能显著降低总成本并提升设备可靠性，为现代制造系统的能源高效运行提供了重要的解决方案。