数据驱动的机电产品低碳设计与制造研究综述与展望

Overview and Prospects of Data-driven Low-carbon Design and Manufacturing of Electromechanical Products

摘要

碳足迹数据是量化机电产品全生命周期碳排放、驱动制造业低碳转型的核心依据。聚焦于碳足迹数据从获取到应用的全流程，系统综述了其相关研究方法。梳理了多源异构碳足迹数据的获取技术与数据质量评估体系，解决数据“如何来”的问题。围绕“如何用”，重点阐述了数据驱动技术在低碳设计和制造中的应用，包括基于数据的碳足迹关联建模、智能预测、低碳设计方案生成与多目标决策方法，数据驱动下的制造能耗预测、低碳工艺规划与车间智能调度策略。最后分析了低碳设计和制造在数据完整性及系统集成性方面面临的挑战和未来研究方向，为机电产品绿色低碳发展提供理论参考。

Abstract

Carbon footprint data served as the core basis for quantifying the full life-cycle carbon emissions of electromechanical products and driving the low-carbon transformation of the manufacturing industries. Focusing on the whole processes of carbon footprint data from acquisition to application， the relevant research approaches were systematically reviewed. The acquisition technologies for multi-source heterogeneous carbon footprint data and the data quality evaluation system were organized， addressing the question of "how data comes". Focusing on “how to use”， applications of data-driven technologies in low-carbon design and manufacturing were elaborated， including data-based carbon footprint correlation modeling， intelligent prediction， generation of low-carbon design solutions， and multi-objective decision-making methods， as well as data-driven manufacturing energy consumption prediction， low-carbon process planning， and intelligent workshop scheduling strategies. Finally， challenges and future directions for data integrity and system integration in low-carbon manufacturing were discussed， offering theoretical references for the green and low-carbon development of electromechanical products.

Graphical abstract

关键词

碳足迹 / 数据驱动 / 低碳设计 / 低碳制造

Key words

carbon footprint / data-driven / low-carbon design / low-carbon manufacturing

0 引言

机电产品覆盖轨道交通、能源装备、消费电子等关键领域，其原材料获取、制造加工、运输物流、使用运行直至报废回收的生命周期活动产生了大量碳排放，是制造业碳排放的主要来源之一。为应对全球制造业可持续发展的挑战，各国及一些国际组织，颁布了法律法规以加强对进出口机电产品碳足迹的管控，如欧盟颁布的碳边境调节机制法案（CBAM）要求进口商及时披露产品全生命周期碳排放数据，并计划于2026年对部分商品征收碳税^［1］。可持续产品生态设计法规（ESPR）规定产品设计需满足16项可持续性标准，并引入数字产品护照（DPP），要求消费电子产品和小型家用电器等产品提供完整供应链信息，包括材料、生产工艺、能源消耗等数据，并确保产品信息透明可追溯^［2］。因此，如何有效获取机电产品碳足迹数据，并以此为基础驱动低碳设计与制造，是提高机电产品绿色性能、推动制造业绿色化转型的关键。

低碳设计是在考虑质量、功能等基本属性前提下，以降低温室气体排放为目标，将低碳性能引入产品生命周期各阶段开发过程的设计^［3］。研究表明，产品性能及其对环境影响的70%~80%在设计开发阶段就已经被决定^［4］。数据驱动是一种以数据分析替代经验与解析的决策方法，通过对海量原始数据进行系统性组织来辅助决策，形成持续优化的正反馈机制^［5］。因此，利用碳足迹数据驱动机电产品低碳设计，是提高产品绿色性能的有效途径。此外，机电产品制造过程产生的碳排放约占全生命周期排放总量的三分之一^［6］。低碳制造作为一种可持续制造模式，利用碳足迹数据驱动低碳工艺规划与低碳车间智能调度等制造方案的高效生成，是实现制造过程节能降碳的核心环节。

1 总体框架

本文以碳足迹数据为综述主线，探讨如何通过融合产品生命周期碳足迹数据（如材料碳排放因子、制造过程能耗数据、运输与使用阶段排放数据等）和低碳设计与制造过程密切相关的数据（如设计信息、制造工艺信息等）并建立关联关系，以驱动产品实现低碳设计和低碳制造。因为产品生命周期碳足迹数据具有分布广、获取难等特点，因此，本文重点围绕机电产品碳足迹数据从“如何来”到“如何用”的全流程（图1），系统梳理碳足迹数据获取、数据驱动低碳设计及数据驱动低碳制造三个方面的研究进展与热点问题。

2 机电产品碳足迹数据获取与质量评估

机电产品碳足迹数据贯穿其完整生命周期，来源于生命周期活动所造成的资源消耗、能源消耗与环境排放。因为数据来源涉及设计、制造、物流及供应链等多个环节，且依托ERP、MES及现场传感器等多类信息系统，所以数据在语义、格式及时间尺度上存在显著差异，呈现出典型的多源异构特性。对于该特性，可通过数据标准化、本体建模、知识图谱等方式实现碳排放相关实体及其关系的语义描述与跨系统数据对齐。在此基础上，结合多模态表示学习技术，将多源异构数据映射为统一向量表示，以确保数据质量符合研究与应用要求。

根据《温室气体核算体系》，碳足迹数据可划分为表1所示的三个范围。范围1指企业拥有或控制的排放源所产生的直接排放；范围2涵盖企业外购电力、热力等能源引发的间接排放；范围3包括企业价值链中发生的所有其他间接排放，涉及上下游活动，如原材料采购、商务差旅、废弃物处理、产品使用和最终处置等^［7］。依据获取方法，可分为初级数据和次级数据。初级数据指来自组织直接控制或运营过程中产生的实际数据，如原材料消耗、能源使用与污染物排放等，通常通过监测、计量等直接方式获取。次级数据（亦称背景数据）则来源于外部数据库（如Ecoinvent、GaBi）、行业报告、公开发表文献、供应链及第三方平台提供的数据。

如图2所示，依据碳足迹数据的范围与来源，可将其获取方法分为直接获取与间接获取两类。在数据获取完成后，需对其准确性、完整性、一致性及可靠性进行系统评估。此外，供应链的碳足迹数据涉及多个利益相关方，缺少统一的数据标准与规范，数据可信性难以保证。可通过构建数据共享与协同策略，引入区块链等技术，实现碳足迹数据的全流程追溯与安全共享，以提高数据质量^［8］。

本节通过对不同类型碳排放获取方法的分析与比较，为碳足迹数据库的构建提供技术支撑，并为数据驱动的产品碳足迹评估、低碳设计与低碳制造等应用领域提供理论参考与实践依据。

2.1 碳足迹数据直接获取方法

碳足迹数据直接获取是指通过传感器、监测设备或企业信息系统（如MES、能源管理系统等）直接采集生产过程中产生的能源消耗、资源消耗及环境排放等原始数据^［9］，所获数据属于初级数据。该方法主要涵盖两类碳排放：一是环境排放，即机电产品制造和运输过程中产生的CO、挥发性有机物（VOCs）等废气，酸碱液、有机溶剂等废液，以及粉尘、炉渣、污泥等废固，这些排放物直接进入环境，并对生态环境造成直接影响；二是能源消耗，即产品在制造、运输过程中所消耗的各类能源数据，主要包括电能、燃料和热能等。

2.1.1 环境排放数据直接获取

环境排放数据直接获取是指通过现场直接测量的方式，对从组织控制的排放源向环境中直接释放的污染物或温室气体的浓度与流量进行量化、记录与监控的过程。该方法通过部署在排放源处的传感器实现实时监测，具有直接、高效的特点。对于气态排放物的监测，常用气体传感器包括电阻式、电化学式、催化燃烧式和红外线式等多种类型。其中，电阻式气体传感器应用较为广泛，其工作原理是基于气体分子在传感材料表面吸附或发生反应时引起的电阻变化。该类传感器具有能耗低、成本低廉和设备结构紧凑等优点^［10］。在工业应用方面，嵌入式单片机与粉尘传感器结合的采集装置可用于煤矿开采过程中粉尘数据的实时采集与显示^［11］。光离子（PID）传感器通过对有机高分子化合物进行电离来实现对气体浓度的实时测定^［12］。钢铁行业作为碳排放的主要来源之一，杨振朋等^［13］针对钢铁生产工艺复杂，排放源多样，数据容易受到人为误差、监测技术限制等因素影响的特点，建立了一套标准化的排放数据监测体系，涵盖烟气浓度、流量、温度、湿度、含氧量等关键参数的测量与数据传输规范，提高了数据采集的准确性与对比性。针对移动源的排放监测，例如运输车辆尾气，有研究采用便携式排放测量系统（PEMS）以每秒为时间间隔采集柴油货车CO₂排放数据^［14］。亦有学者使用便携式光谱仪对大型摩托车废气排放进行实测，实现了运输过程中碳排放的实时监测^［15］。

碳足迹数据获取是一个涉及长期运维、远程控制、实时传输、数据处理与存储的复杂过程。为提高监测设备的数据采集效率与实时管控能力，诸多研究借助物联网（internet of things， IoT）技术以增强监测系统的动态控制与实时响应能力。相关研究通过融合传感器网络、云计算与大数据分析技术构建生产过程的动态监控体系，实现制造过程状态的实时感知与数据驱动优化^［16］。在体系架构层面，通过“感知层-数据处理层-应用层”的多层物联网架构来实现生产异常的监测预警以及跨层级的数据交互与信息共享。此外，面向具体应用场景，部分研究进一步将排放数据与行为数据进行融合建模，例如将车辆尾气排放与驾驶行为数据集成，用于支撑污染源识别与环境影响分析^［17］。

为构建高效、精准和可视化的碳数据管理体系，部分学者与企业基于数字孪生（digital twin， DT）技术构建物理实体（如设备、产线或整个工厂）的动态虚拟映射，通过集成实时数据与模型仿真，提高碳排放数据的采集质量、分析能力与系统透明度。冯俊熙等^［18］开发了一个垃圾填埋场甲烷数据采集DT框架，基于圆柱形通量平面飞行路径的迭代细化方法来估计区域源分布，以量化排放。李全生等^［19］基于数字孪生的化工碳排放监测与实时决策系统，融合分布式控制系统（DCS）、IoT及物料数据构建混合模型，实现碳排放分钟级追踪。

2.1.2 能源消耗数据直接获取

能源消耗数据直接获取是指通过专用传感器、计量仪表和数据采集系统，对机电产品在其生命周期过程中所消耗的各类能源进行测量、读取、记录和传输的技术过程。如图3所示，能耗数据可在设备级、车间级和企业级等多个维度进行采集，以实现多粒度碳足迹数据的获取与分析。

1）设备级能耗的获取是以单个设备为基本单元，通过部署智能传感器、电表等物联网终端，实时采集电力、燃气等各类能源消耗数据，实现对设备用能状态的精准监测与动态感知。机床服役过程是设备级能耗主要来源之一^［20］，通过对机床碳排放数据进行实时监测，企业可实现从宏观到微观的碳数据管控。针对机床数据的标准化获取，CHEN等^［21］提出了基于MTConnect协议的机床能耗监测模型，通过标准接口采集数据，避免定制局限并支持海量设备数据集成应用。在数控机床能耗数据采集中，通过PCMCIA采集卡、传感器和RS485串口等传输工具和串口通信协议以及数据采集软件，可实现机床加工参数、功率信息等数据的实时采集与监测。张华等^［22］采用互感器与功率采集器，将输入端同时与机床总线路和主轴线路连接，获取机床总功率数据和主轴电机功率数据，通过在主轴处设置光电型传感器，获取主轴转速、进给速度等加工参数。LIU等^［23］提出了一种基于主轴转速数据、能量模型和输入功率信号获取机床实时能效的方法。为了减少传感器的数量、降低运维成本、提高数据采集精度，SELVARAJ等^［24］提出了一种基于一维卷积神经网络的智能能耗和设备状态监测方法。针对压铸设备能效复杂多变、难以实时有效监测的难题，鄢佳豪等^［25］建立了压铸单元在线监测指标体系，提出了基于功率信息进行数据分析的在线监测方法，通过小波变换和极值查找法在线识别了设备的运行状态和加工件数，以获得压铸单元的能耗数据。为提高监测过程的可视化程度，QI等^［26］针对大型复杂曲面加工虚拟可视化程度低、监控能力不足等问题，提出了一种基于数字孪生技术的大型复杂曲面加工六维监测框架，通过集成物理层、虚拟层、数据层、应用层、用户层和连接层，实现曲面加工设备能耗、运行状态等的有效监测。

2）车间级能耗是指在一定时间周期内，车间内所有生产设备、辅助系统及车间管理活动所消耗的各种能源的总量。在机电产品制造车间中，能耗呈现能量流动复杂、动态变化显著的特点。在机加车间中，为有效监测车间能耗和管理能源效率，CHEN等^［27］定义了机加工车间的能源特性和能效指标，提出了基于物联网的能效监测与管理系统框架，通过机床层、加工任务层和机械加工车间层获取加工车间的大量动态变化能量和生产数据。针对机械加工车间能耗规律复杂、设备状态时变性强导致能效实时全面监测困难的问题，李聪波等^［28］提出一种基于数字孪生的机械加工车间多级能效监测方法。针对锻造车间高排放、高能耗的特点，ZHANG等^［29］定义了具有锻造能量特性的多层次能量流模型和能量指标，开发基于物联网和数据驱动的能效评估能源管理系统，获取锻造过程中多层能耗的数据。徐协等^［30］采用工业以太网技术构建功耗能量采集和分析系统，实现了锻造车间辅助设备的管理。在压铸车间中，压铸作为能源密集型的制造工艺之一，能源成本约占生产成本的25%^［31］，因此车间能耗数据的获取与管理是节能优化的前提。CAO等^［32］提出一种基于雾-云计算的多层次能源消耗采集框架，通过对压铸单元、产线与车间实时参数的识别和动态能源效率评估，实现压铸车间能耗数据的管理。

3）企业级能耗指企业或大型组织机构在其生产、运营及辅助活动中所消耗的能源总量。企业级能耗管理通常以监测、统计与分析为基础，旨在提高能效、降低运营成本，并为实施可持续战略提供数据支持。ALI等^［33］提出了一种企业级能源管理系统，在该系统中，每个用电设备均连接一个数据采集模块，该模块负责从各设备实时采集能耗数据，并将这些数据上传至集中式服务器，以进行进一步处理与分析，从而实现了企业级能耗数据的高效采集与集成。针对电厂生产系统监测精度不足、数据传输延迟、能源利用效率低等问题，CHUANG等^［34］提出了一种基于第五代移动通信网络（5G）技术的实时监测和智能数据分析系统，通过5G广泛的连接能力设计了专为电厂生产环境定制的智能监控架构。针对大规模生产过程，已有研究提出了分布式能耗监测框架，通过跨单元能耗信息的集成与统一表征，为企业级能耗数据的全局感知与优化分析提供了基础支撑^［35］。为降低监测成本，开发了基于低成本硬件（如树莓派3B+）的企业能源监测系统，通过RS485接口连接工业电能表，实现日常能源消耗的有效监控与分析^［36］。

2.2 碳足迹数据间接获取方法

碳足迹数据间接获取是指通过查询行业统计数据或模型估算等方式，获取无法直接监测的碳足迹相关数据，如材料碳排放因子、运输排放系数、工艺能耗估算等，所获数据属于次级数据。

2.2.1 基于企业信息系统的碳足迹数据获取

随着CAX（CAD、CAE、CAM）、PDM、ERP等信息系统在企业中的广泛应用，物料清单（BOM）已成为企业制造信息系统的重要基础数据，因此，如何基于BOM获取与产品碳足迹相关的数据，是当前研究热点之一。XIANG等^［37］定义了能耗清单（ECBOM）并分析其数据项的演化过程，提出了一种BOM多视图映射方法，将其转换为ECBOM，用于能耗评估。在碳足迹数据挖掘方面，高乐天等^［38］提出一种基于随机森林重要性排序与多项式升维的数据挖掘方法，并应用于小样本的光伏发电功率数据获取。针对电网运行过程中多时间尺度、多时空维度的海量数据，蔡泽祥等^［39］基于K-means聚类算法挖掘历史运行数据信息，并利用Apriori算法挖掘不同模式下能耗关联规则，实现能耗数据的间接获取。针对设备长期运行中产生的海量冗余数据，梁志豪等^［40］采用聚类算法对运行能耗数据进行分析，通过控制变量法和多项式拟合来分析工况参数对能耗的影响，间接计算能耗数据。

2.2.2 基于数据库的碳足迹数据获取

机电产品碳排放数据库是进行生命周期评价（life cycle assessment， LCA）的基础。本节分析了国内外常用碳排放数据库的适用范围及局限性，如表2所示。机电产品的碳足迹数据通常以碳排放系数的形式嵌入LCA软件的背景清单数据中。然而，现有数据库在过程碳足迹数据方面仍存在显著不足，尤其是缺乏覆盖多行业和细分产品的精确数据，如具体到产品型号、原材料清单及工艺环节的碳排放信息，此外，数据来源和数据质量的差异性导致最终核算评估结果的准确性存疑，因此，建立统一且公认的产品生命周期碳排放数据库尤为重要。为提高机电产品碳足迹核算的规范性与准确性，亟需构建行业级和产品级碳排放数据库。

在行业级碳排放数据库搭建方面，QU等^［41］针对水泥行业碳排放，构建了中国水泥行业烟囱级小时频率排放数据库，评估了排放政策的影响和预测未来的减排潜力，覆盖了2021~2023年92%~96%的中国水泥厂。WU等^［42］结合国际能源署二氧化碳排放数据库数据，基于“驱动-状态-响应”模型构建了电力行业碳排放数据库，为政府和企业制定碳减排战略提供依据。

在产品级碳排放数据库搭建方面，陈继平等^［43］以钢质管道为对象，针对不同牌号管道材料和应用场景，收集、管理和分析从原材料获取、加工制造、运输、使用到废弃处理各环节的碳排放数据，为行业提供了指导减排和优化资源使用的依据。毛超等^［44］从架设在预制构件厂的信息物理融合系统后台数据库提取碳排放活动数据，向基于仿真平台的使用者提供构件各个生产环节的实时碳排放量，形成预制构件碳排放因子数据库。

2.3 碳足迹数据质量评估方法

碳排放数据质量评估是分析与产品全生命周期相关的温室气体排放数据的准确性、完整性、一致性、可靠性和适用性，是确保碳足迹核算准确性和可信度的关键环节。本节从评估范围、优点、潜在限制和适用场景对三种碳足迹数据质量评估方法进行比较，结果如表3所示。

数据质量指标标定方法（data quality indicator， DQI）具有直观、可追溯的优点，同时可识别低质量数据源。欧盟委员会颁布的《产品环境足迹指南》使用DQI来量化数据质量，从技术代表性TeR、地理代表性GeR、时间代表性TiR和精度不确定性4个方面对产品生命周期碳足迹数据质量进行评分，并通过加权求和得到最终结果^［45］。CBAM也将该方法用于进口产品碳足迹核算，旨在确保进口商品满足欧盟数据质量标准。然而，DQI的局限性在于忽略了模型与算法中数据不确定性的传播，导致最终结果出现偏差的可能性较大^［46］。此外，该方法依赖于专家判断，导致数据质量评估结果的主观性较强，缺乏公信度。此类问题对核算结果造成了两方面直接影响：① 评分不一致性会降低不同产品、不同机构间碳足迹核算结果的可比性与公信力，引发争议；② 忽略了模型与算法中数据不确定性的传递与放大，导致最终核算结果偏差较大，影响低碳决策。

与DQI方法不同，蒙特卡罗分析方法（Monte Carlo simulation， MCS）生成的结果是近似统计趋势的概率置信区间，而并非特定结果的精确数据描述，使得数据质量的评估结果具有不确定性。MCS依靠大量的计算资源，并依赖于准确的概率分布设置来避免偏差，因此，通过足够数据量的模拟，MCS可提供统计上可靠的数据质量趋势近似结果，适用于复杂系统或过程的碳足迹数据质量不确定性分析^［47］。此外，国外主流LCA评估软件，如荷兰的SimaPro、德国的GaBi以及OpenLCA等，均将MCS用于生命周期碳足迹数据质量评估。

DQI+MCS方法可将数据质量指标集成到随机模拟过程中，此方法允许在碳足迹模型中进行详细的不确定性传播分析。DQI+MCS可基于瑞士Ecoinvent数据库，通过简化用户复杂模拟设置和执行过程，减少与高级不确定性建模相关的技术障碍，提高数据质量评估的准确性。部分学者在上述基础上进行了改进，OLANREWAJU等^［48］建立了结合敏感度与DQI-Monte Carlo的数据不确定度定量分析方法，该方法对主要数据进行数据质量判定，甄选出影响评价结果可靠性的关键数据，并提出数据质量改进意见，有效地优化数据收集方案，减少碳足迹评价结果的不确定度。HUANG等^［49］提出了基于混合准蒙特卡罗（HQMC）的数据不确定性量化方法，通过Spearman系数法分析数据灵敏度，该方法经电力能源系统实例验证，可有效评估与控制复杂产品供应链碳足迹的数据质量。

碳足迹数据质量评估是保障数据驱动模型精度的基础。若训练数据中包含噪声或偏差，将会影响驱动模型的可靠性，使碳足迹预测结果产生系统性误差。可采用贝叶斯神经网络、高斯过程回归等概率模型进行预测，这类模型不仅能够输出预测值，还能同时给出预测的不确定性区间，从而为风险评估提供量化依据。此外，在构建设计、制造信息与碳足迹的关联模型时，可以基于输入参数的统计特性，借助蒙特卡罗模拟等方法，对数据质量不确定性的量化与传播过程进行分析，从而为模型的可信度评估与决策支持提供依据。总之，建立有效的数据质量评估体系是确保“数据驱动”决策科学、可信的首要前提。

3 数据驱动的机电产品低碳设计

数据驱动的机电产品低碳设计本质上是一个基于数据智能反馈的“设计-评估-优化”闭环迭代过程^［50］。如图4所示，该过程整合产品设计参数、材料属性、工艺知识及多源碳足迹数据，通过机器学习、统计分析等数据科学方法，构建设计变量与全生命周期碳排放之间的量化关联模型。在此基础上，可实现设计方案的碳足迹动态评估与多目标优化，从而驱动设计向低碳方向持续演进。最终，通过碳足迹与设计信息的关联建模、智能预测以及方案寻优等核心技术，达成机电产品低碳设计的目标。

3.1 碳足迹与设计信息关联建模

碳足迹与设计信息关联建模是指在设计阶段通过对设计方案的结构化表达，并建立设计信息与碳足迹的关联，使设计者能够理解设计中隐含的碳排放信息，支持设计方案的碳足迹评估与低碳决策优化^［51］。本节详细介绍面向特定阶段的关联建模和面向全生命周期阶段的关联建模。

面向特定阶段的关联建模主要包括面向制造碳排放的关联建模、面向装配碳排放的关联建模、面向拆卸碳排放的关联建模等。在面向制造碳排放的关联建模中，KONG等^［52］对制造阶段的设备、刀具、切削液、切削参数等特征信息进行规范化表达，通过构建基于特征的多层级集成框架建立制造阶段设计信息与碳排放的映射关联，支持零部件的低碳设计。ZHANG等^［53］建立了激光熔覆过程后零件二次加工比能耗模型，分析了激光熔覆件特性对比能耗的影响，并将粗糙度与能耗相结合，在保证粗糙度的情况下降低能耗。在面向装配碳排放的关联建模中，ZHANG等^［54］构建了连接单元与碳排放的结构单元映射模型，并基于递归分配法甄别高排放零部件。针对产品装配过程碳排放难以量化的问题，张雷等^［55］以典型连接特征为核心构建输入-处理-输出装配系统模型，提出一种针对产品装配过程的碳排放静态解算方法，分析装配过程的辅助工艺及装配环境对碳排放解算的影响。在面向拆卸碳排放的关联建模中，为推动再制造系统向以人为本的范式转变，促进节能、减碳的升级，WU等^［56］将任务优先级关系、任务属性、人机协作和周期时间与拆解线碳排放进行关联，并提出一种混合进化算法来有效地解决人机协同拆解线平衡问题。

面向全生命周期阶段的关联建模将产品生命周期中所有碳排放活动所涉及的产品信息进行了统一定义与描述。鲍宏等^［57］通过构建功能-结构-设计特征的多层碳排放递归模型，将全生命周期碳排放信息通过层级映射进行关联与表达。KONG等^［58］提出了一种产品全生命周期设计方案多层级低碳设计模型，如图5所示，通过集成功能-结构-设计特征-加工工艺来对全生命周期设计信息进行表达，采用自上而下扩展和自下而上标示，实现产品碳足迹的计算和碳敏感特征的识别。WANG等^［59］进一步将设计信息进行细化与归类，提出基于功能-结构-设计特征的产品碳足迹模型，其中设计特征定义为宏观特征和微观特征的集合，表示为产品生命周期中与碳排放活动相关的设计信息的载体。

上述建模方法存在数据颗粒度大、信息传递路径单一、无法支持跨多个层级信息关联表达等问题。从数据层面来看，面向全生命周期的建模方法多采用宏观层级数据，其依赖的输入数据颗粒度较粗，多停留在物料清单、能耗总量层级，难以表达具体工艺参数、设备状态等细粒度信息，导致模型无法揭示生命周期环节内部的碳排放动态变化，从而削弱了对过程优化决策的支持能力。面向特定阶段的建模方法可提高局部建模精度，但忽略了生命周期过程之间的耦合关系，难以扩展至全生命周期场景。从模型层面来看，需要完整、确定的设计参数、工艺路径和材料属性作为输入进行碳足迹计算，然而，在产品设计早期阶段，信息不完备、不确定性大导致模型难以建立准确的碳排放映射关系，从而限制了其预测精度与可靠性。综上，在信息不完备条件下，探究高精度和可靠性的产品全生命周期过程关键建模方法，是碳足迹精准预测的重要前提。

3.2 数据驱动的设计方案碳足迹预测

数据驱动的设计方案碳足迹预测是指在设计阶段基于已有碳足迹数据和设计信息来对未来产品全生命周期活动产生的碳排放进行评估。这依赖于大量历史数据和机器学习技术，通过模型训练从大数据中提取关联模式和规律，以预测产品的碳足迹。常见的机器学习模型包括回归分析、决策树、神经网络等。易茜等^［60］面向滚齿制造工艺提出了基于生成对抗填补网络的碳足迹预测模型，在数据缺失情况下实现了滚齿加工过程的碳排放预测。KONG等^［61］提出了一种设计场景数据驱动的产品碳排放估算方法，基于大量的历史案例数据进行迁移学习，实现了在设计阶段估算产品的碳排放。数据驱动模型的优势在于能够捕捉难以描述的非线性关系和隐性规律（如碳流中设备特性、工艺参数与能耗、物耗关系等），提高预测的灵活性。然而，产品设计方案的碳足迹预测仍面临如下挑战：碳足迹相关数据具有长时空跨度、高维度与强非线性以及动态关联性强的特性，导致数据分布复杂多变，使现有数据驱动方法（如生成对抗网络（GAN）、迁移学习等）难以直接适用。因此，开发能够捕捉全生命周期过程碳足迹动态演化关系、并适应数据分布不均匀特性的新型预测框架是突破当前瓶颈的关键。

3.3 机电产品低碳设计方案生成与决策

机电产品低碳设计方案生成与优化是以量化数据为依据，通过多目标、多变量、多学科的协调、求解，在机电产品的整个生命周期中寻找并实现碳排放最低或环境效益最优设计方案的过程。

3.3.1 低碳设计方案生成

低碳设计方案生成是在机电产品概念设计阶段，依据优化目标，基于数据和算法对产品的生命周期可选项，即替代方案的组合进行迭代生成^［62］。模拟退火算法、遗传算法、粒子群优化、蚁群算法等通过模拟一些自然现象或过程发展来提高优化问题求解速度。在低碳设计领域，DENG等^［63］将碳利用效率定义为材料去除的碳排放量与制造过程总碳排放量的比值，提出将碳利用效率作为低碳制造的综合评价指标，基于粒子群优化方法，对设计方案进行低碳优化。PENG等^［64］采用网络分析法对产品整个生命周期的碳足迹产生重大影响的设计元素进行分析，确定设计方案的优化方向，并提出低碳产品结构优化设计、原理优化设计、功能优化设计和工艺优化设计策略。此类设计方案的低碳优化局限于识别出的部分设计参数，难以实现产品全生命周期设计信息的全局优化。为此，KONG等^［65］通过枚举算法生成设计变量所有候选集，以低碳为目标，通过遗传算法迭代优化获得产品低碳设计方案。

3.3.2 低碳设计方案决策

低碳设计方案决策是在机电产品概念设计阶段，基于设计规范、经验、案例、运行维护、用户反馈、碳足迹等数据进行分析、建模、求解得到最优设计方案的过程。设计方案的合理性较依赖设计人员的经验和现场运行验证，存在主观性较强、可信度较低的问题。为此，学者们提出了定量和定性方法来辅助最优方案的决策。

在定量方法方面，GAO等^［66］建立了环境影响、拆卸性能、回收性能、能源效率、噪声等多属性决策模型，采用模糊优劣解距离法（TOPSIS）实现绿色设计方案的选择。孔琳等^［67］提出了多属性灰色关联分析（TOPSIS-GRA）的决策方法，实现了对产品全生命周期设计方案的排序与优选。

在定性方法方面，吴扬东等^［68］提出了一种数据驱动的产品设计方案多属性决策方法，通过每一组评审者应用理想解排序方法对方案进行评估，采用熵权法确定决策准则的权重，并基于Borda函数法对各组决策进行集结分析，得到最终结果。在综合考虑环境、经济、社会、功能、可制造性和可重用性等因素的基础上，DIAZ等^［69］利用多级分层指标结构及改进模糊多准则决策方法，实现设计方案的可持续性评估与决策。FINK等^［70］提出了一种基于多值神经元的多层前馈神经网络，利用真实数据预测铁路轨道的可靠性和退化问题，支持轨道优化策略的决策。

4 数据驱动的机电产品低碳制造

数据驱动的机电产品低碳制造的核心在于利用制造执行阶段产生的多源异构数据流，如设备能耗、物料流量、工艺参数及环境监测数据，通过机器学习、人工智能及数据分析技术构建制造过程动态与碳排放强度之间的关联模型。基于此模型实现预测、决策与工艺改进的闭环优化，从而在严格保障产品质量、生产效率和经济效益的多重约束下，优化制造系统碳排放。本文重点论述基于制造过程历史能耗和碳足迹数据进行工艺单元与车间系统两个层级的低碳优化。如图6所示，本节阐述三个关键技术方向，即数据驱动的制造过程能耗预测、数据驱动的工艺低碳规划、数据驱动的车间低碳智能调度。

4.1 数据驱动的机电产品制造过程能耗预测

数据驱动的机电产品制造过程能耗预测旨在利用历史数据驱动，通过机器学习或仿真等技术构建预测模型，实现制造过程的能耗预测。机电产品制造过程能耗预测是实现节能优化的基础，精确的能耗预测模型可为能源管控、能源利用效率提供支持^［71］。能耗预测对象可分为面向工艺层和面向车间层。与设计阶段相比，制造过程能耗数据通常具有多源实时性强、数据规模大、时间序列特征显著及噪声干扰强等特点。传统统计模型适用于短期稳定工况下的能耗趋势预测，但难以应对复杂动态变化；传统机器学习模型（如高斯过程、支持向量机等）在中等规模数据下具有较好的预测精度与鲁棒性，适用于工艺层能耗建模；深度学习模型在处理高频时序数据与复杂非线性动态过程方面具有明显优势，尤其适用于车间级及系统级能耗预测，但它对数据质量与计算资源依赖较高。

4.1.1 工艺层

面向机加工艺，在车削加工中，李聪波等^［28］提出了一种数据驱动下基于元动作的数控车削能耗预测方法，使用高斯过程回归构建以元动作状态作为输入的数控车削能耗预测模型，实现数据驱动的数控车削加工能耗动态预测。在五轴加工中，CHEN等^［72］提出一种基于深度学习的数据驱动机床能耗预测方法，以无监督的方式从原始机械数据中提取敏感的能耗特征，实现以监督的方式开发出所提特征与机床能耗之间的预测模型。

面向铸造工艺，FU等^［73］提出了一种涉及产品、模具、设备和工艺参数的压铸机能耗预测方法。ZHENG等^［74］提出了一种基于工艺设计参数的砂型铸造能耗预测方法，通过分析独立参数、耦合参数以及固有属性参数对碳排放的影响，构建了3类砂型铸造碳源模型，实现铸造过程能耗预测。

面向增材制造工艺，GHANSIYAL等^［75］提出了一个多模态回归的概念框架，通过分析打印层的2D图像和处理信息来实现增材制造过程中的分层能量和质量预测，该模型可进一步用于优化零件几何形状、工艺设计和机器级参数，以在不影响质量的情况下使用更少的能源。WANG等^［76］提出了一种3DPECP-Net的新型深度网络，通过多源融合帧堆叠多个Transformer块来捕获全局空间信息，堆叠卷积块来捕获局部特征细节，进而准确预测增材制造过程中的能耗。上述方法为增材制造工艺提供了更可持续的解决方案。

4.1.2 车间层

面向机加车间，根据机床服役过程各时段能耗源的运行特性及能耗特点，GONG等^［77］在单机调度过程中考虑分时电价，建立了机加车间制造过程的能量建模与预测模型。随着物联网技术的发展，数据驱动的能耗预测在车间层面得到广泛应用。ZHUANG等^［78］通过马尔可夫链对机加车间数字孪生的运行状态进行预测，并开发了一套基于数字孪生的车间运行可视化与能耗预测系统。

涂装车间是冲压、焊接、喷漆、总装等四大工艺车间中能耗最大的车间。涂装车间在整个汽车制造过程中消耗约60%的电力。涂料车间生产过程中耗能设备种类繁多，由电泳系统、喷漆系统、干燥系统三个主要部分组成，车间电能耗数据具有非线性和不确定性的特点。基于此，LU等^［79］提出了一种基于Prophet-EEMD-LSTM算法的能耗预测模型，首先引入Prophet算法来识别和提取能耗时间序列数据的周期和趋势特征，然后针对剩余数据不确定性的特点，采用集成经验模态分解（EEMD）方法对数据进行分解，形成具有特定模态的分量，最后将提取的所有特征数据作为输入，利用长短期记忆（LSTM）优异的预测性能预测最终能耗值。

针对铸锻车间设备用能方式模糊、能耗数据难监测等问题，HE等^［80］开发了一种基于锻造生产过程中钢材、燃料和其他材料的材料流动的能量流模型，支持锻造车间能耗预测；CHEN等^［81］研究了一种压铸工艺参数驱动的能量分析方法，以此建立理论能耗模型，结果表明，生产时间和能耗的预测准确率分别达到91.64%和85.55%。

4.2 机电产品工艺低碳规划

机电产品工艺低碳规划旨在利用制造过程中的多源异构数据，如设备能耗、物料消耗、工艺参数、环境排放等，通过知识的重用、规则和机器学习等方法，形成兼顾效率、成本和质量的最优低碳工艺方案。

1）基于重用的工艺低碳规划方法。该方法的核心在于复用相似零件特征的加工工艺。该方法通过构建多属性相似性评估模型，识别相似特征，将与这些特征关联的加工过程映射并适配到目标零件上。在机加工艺中，HAN等^［82］提出了一种数据驱动、知识导向的数控加工工艺规划方法，通过引入基于子加工区域的多层次结构化数控加工工艺模型来表示工艺数据中三维CAD模型与CAM模型的关系，并提出一种基于注意力的工作步骤序列生成模型来预测候选工作步骤及其相关的子加工区域，构建具有层次结构和组合性的过程知识和或图（PK-AOG），最后在PK-AOG的指导下，提出了一种基于语法解析器的数控加工工艺方案生成方法，根据候选工作步骤的概率迭代找到联合最优解。在锻铸工艺中，MAWUSSI等^［83］提出了一种用于复杂锻造模具加工的工艺模型，通过将嵌入在加工特征中的信息与切削刀具参数和加工策略之间的联系形式化，缩短了加工准备时间。在增材制造工艺中，HUANG等^［84］提出了一种基于动态特征的多级结构化增材制造工艺模型，用于工艺复用，以有效捕获嵌入工艺数据中的多粒度工艺设计意图。上述方法都采用了工艺知识复用，但依赖于单个样品的复用水平，对优化结果造成较大限制。

2）基于规则的工艺低碳规划方法。该方法以专家经验、工艺规则与低碳约束为基础，通过规则驱动实现工艺决策的优化。在机加工艺中，KONG等^［52］识别了“设计-加工-碳排放”多维映射机制，建立了设计特征、加工工艺、加工特征、操作特征和碳排放特征5层之间的关联机制及“自上而下扩展、自下而上标示”碳足迹核算方法，实现低碳工艺自动规划。在锻铸工艺中，ASHHAB等^［85］建立了齿环“拉深-挤压”成形中模具几何参数与等效应变、接触比和成形力之间的映射关系，该模型可以对不同工艺参数组合下目标值进行预测，实现最优工艺方案规划。在增材制造工艺中，WANG等^［86］规划了粉末床熔融工艺的增减材混合制造流程，提出一种模型自适应补偿算法来保留精加工余量，考虑刀具的可及性和粉床的约束，将补偿模型分解为若干子模型，并按照构建顺序进行子模型混合制造，提高制造精度且降低能耗。上述方法使用独立启发式规则，但在实际应用中，工程师对启发式规则的选择和运用较为复杂，难以通过优化模型中的约束来表示，因此优化结果难以与零件实际加工工艺方案保持一致。

3）基于机器学习的工艺低碳规划方法。该方法是利用监督学习、深度学习等算法，通过对历史工艺数据、设备状态数据、能源消耗数据及环境数据等进行学习，生成、评估和选择碳排放量最低且综合效益最优的工艺参数、生产路径的过程。在机加工艺中，ZHANG等^［87］提出了一种基于深度学习的新型流程路径生成方法，通过四阶张量模型来表示零件的几何形状和技术要求，构建关系矩阵来表示加工特征之间的关系，基于编码器-解码器神经架构自动生成零件的加工工艺路线。在热处理工艺中，易茜等^［88］提出了一种基于历史工艺数据集的数据驱动方法，实现热处理工艺的参数优化，所提方法可提高热处理综合碳效率6.57%，为热处理工艺的低碳运行提供了一种使能工具。在线弧增材制造工艺中，YUAN等^［89］提出了一种自动化处理规划算法，并与自动化机器人离线编程引擎和线弧增材制造硬件进行集成，提高工艺规划效率，降低制造能耗。上述方法通过将数据训练与逻辑算法相结合，有效学习了数据中的部分隐性知识，对高效生成工艺优化方案具有重要作用。 综上，重用方法强调经验复用，规则方法突出工程知识约束，而机器学习方法更适用于数据驱动的复杂工艺低碳优化场景，三种方法的对比如表4所示。

4.3 机电产品车间低碳调度

机电产品车间低碳调度指在满足交货期、工艺和质量等约束条件下，以历史数据为基础，基于机器学习和智能优化算法生成和选择碳排放最低的生产作业计划与资源分配方案。按生产流程和组织结构划分，可将车间类型分为流水车间、柔性车间、分布式车间等。本节重点围绕数据驱动的机电产品制造过程中流水车间、柔性车间及分布式车间的低碳调度方法展开综述。

1）流水车间低碳调度。在流水车间中，不同生产阶段是连续存在的，每个工件依次经过各个生产阶段进行加工。面向一般流水车间，DESTOUET等^［90］以优化车间运行时间、生产成本与总能耗为目标，采用线性加权法将多目标优化问题转化为单目标问题，应用层次分析法确定各优化指标的权重，最终利用遗传算法对模型进行求解。面向混合流水车间，针对预防性维护的两阶段装配流水车间调度问题，ALI等^［91］提出了以最小化完工时间为优化目标，利用混合可变邻域搜索算法对其进行求解的车间调度方法。随着智能制造和工业5.0概念的兴起，智能车间成为提高生产效率和灵活性的关键解决方案。面向智能流水车间，胡炳涛等^［92］提出了一种基于人-信息-物理融合的数字车间制造能力模型与自适应调度方法，用于表示复杂车间生产能力并高效调配生产资源，该研究采用深度强化学习框架，引入分层自注意力机制以提取环境状态特征，支撑智能体决策，可提高流水车间调度效率，降低车间总能耗。

2）柔性车间低碳调度。在柔性车间中，通过具备适应性的生产设备、物流系统和控制系统，构建出高效生产多种不同零件或产品的制造系统。面向柔性作业车间，AMIRI等^［93］针对资源分配和作业顺序不确定的问题，建立了多目标柔性作业车间模型并用组合优化策略进行求解。面向再制造柔性车间，张帅等^［94］针对再制造过程中加工时间和成本的不确定性问题，引入双模糊理论进行二维模糊化处理，同时考虑了再制造操作可重入和机器柔性的特点，构建了再制造可重入柔性车间调度优化模型。面向AGV柔性车间，HAN等^［95］针对最小化制造跨度的灵活车间调度与AGV的集成问题，提出了一种新型混合线性规划模型和一种双群体协同遗传算法，基于机器选择和操作排序的双层编码策略确定AGV的选择，实现最小化制造跨度，降低柔性车间能耗。面向机器人柔性车间，李浚等^［96］提出了一种基于Petri网和监督学习的启发式优化方法，以某机器人柔性流水车间为例，求解给定任务的最优低碳调度策略。

3）分布式车间低碳调度。在分布式车间中，通过将地理上分散、组织上独立的多个制造单元进行集成，构建出统一、可协同运作的制造系统。面向分布式柔性车间，XIE等^［97］提出了一种针对分布式柔性流水车间调度问题的混合遗传禁忌搜索算法，结合了遗传算法的全局搜索能力和禁忌搜索的局部搜索能力，以寻找更多的邻域解决方案，扩充低碳车间调度方案选择空间。面向分布式作业车间，ZHOU等^［98］以最小化制造跨度和总碳排放量为目标，分析了机器故障引起的工厂、作业、机器和AGV之间的复杂耦合作用，提出一种深度Q网络的动态高效模因算法，以实现车间低碳调度目标。面向智能分布式车间，HUANG等^［99］提出了一种基于图神经网络和强化学习的新型优先调度规则生成方法，通过与调度环境交互进行自学习和自进化，以生成最优调度方案。

5 挑战与展望

碳足迹数据获取、数据驱动的低碳设计以及低碳制造等领域已取得显著研究进展，但仍面临以下挑战：

1）在数据采集过程中，受限于传感器技术，部分数据难以直接获取，导致数据采集精度难以保证。同时，多源异构数据在传输效率方面存在瓶颈，无法满足海量数据的处理与存储需求，部分数据仍需依赖人工录入与分散报表的方式获取，整体数据获取效率较低。因此，如何进行数据的自动获取和多模态融合是未来研究的重点。

2）由于碳足迹数据具有多源异构，高维动态的特性，导致数据驱动的产品低碳设计效率较低。目前的设计模型多针对特定的生命周期场景，如面向回收、面向节能及面向拆解设计等，模型泛化能力较差。因此仍需要进一步发展针对全生命周期的低碳设计方法。

3）制造系统常面临订单、物料及设备状态等不确定性扰动，而现有的数据驱动模型多依赖历史或静态样本进行训练，难以反映生产过程中因扰动而产生的状态变化，导致工艺规划决策在鲁棒性与适应性方面仍存在不足。因此，如何在动态环境下综合考虑生产效率、产品质量与碳排放，实现工艺规划的最优决策，成为亟需解决的问题。

针对上述挑战，未来研究应从理论方法、技术体系与系统架构等方面寻求突破，推动数据驱动的低碳设计与制造向智能化、精准化与协同化方向进一步发展。具体可围绕以下方向展开探索：

1）碳足迹数据获取过程应深度融合制造执行系统（MES）、企业资源规划（ERP）等企业信息系统，实现碳足迹数据的自动挖掘与动态获取。在此基础上，应建立一套涵盖数据透明性、可信性、可追溯性的评价准则及技术体系，以支持数据质量评估，提高碳足迹数据公信力与可用性。

2）大语言模型技术具备处理多模态数据的能力，并能够快速生成低碳设计与制造方案。在碳足迹数据获取方面，可从供应链报告、行业文献及标准规范中自动抽取碳排放因子与活动数据，实现非结构化数据向结构化数据的转化；在低碳设计阶段，可基于设计需求与约束条件生成设计方案描述，解析设计变量与碳排放之间的映射关系；在制造与调度决策中，结合历史数据与规则知识，为工艺优化与调度策略提供智能推荐，从而提高决策效率与人机协同水平。

3）数字孪生（DT）技术作为连接物理系统与数据驱动模型的重要桥梁，通过构建制造系统的动态虚拟映射，实现碳排放数据的实时感知、状态演化预测与虚实交互优化。在此基础上，可进一步融合数据驱动模型与机理模型，支撑面向动态环境的低碳设计与制造决策，实现从离线分析向在线优化的转变。

6 结论

数据驱动的机电产品低碳设计与制造研究旨在解决碳足迹数据的获取与应用问题，即“如何来”及“如何用”，形成以机电产品全生命周期碳足迹数据为核心的低碳设计与制造闭环体系。本文针对碳足迹数据的范围和来源，分析了直接获取与间接获取方法，总结了不同形式碳足迹数据在全生命周期阶段的获取路径与系统架构，探讨了碳足迹数据质量评估方法，为建立高质量碳足迹基础数据库提供理论依据。围绕机电产品低碳设计全流程，阐述了碳足迹与设计信息关联建模、数据驱动下的设计方案碳足迹预测与低碳优化。面向机电产品制造过程，探讨了制造过程能耗预测、工艺低碳规划、车间低碳调度等关键问题。最后总结分析了当前碳足迹数据获取与应用面临的主要挑战，并对未来研究方向提出展望。期望本文能为相关学者在碳足迹数据收集及管理、低碳设计及制造等领域的理论探索和工程实践提供参考与启发。

参考文献

[1] MAGACHO G， ESPAGNE E， GODIN A. Impacts of the CBAM on EU Trade Partners： Consequences for Developing Countries［J］. Climate Policy， 2024， 24（2）： 243-259.

[2] CARVALHO C， SILVA C J， ABREU M J. Circular Economy： Literature Review on the Implementation of the Digital Product Passport（DPP） in the textile Industry［J］. Sustainability， 2025， 17（5）： 1802.

[3] ZHANG L， JIANG R， JIN Z， et al. CAD-based Identification of Product Low-carbon Design Optimization Potential： a Case Study of Low-carbon Design for Automotive in China［J］. The International Journal of Advanced Manufacturing Technology， 2019， 100（1）： 751-769.

[4] DOWLATSHAHI S. Product Design in a Concurrent Engineering Environment： an Optimization Approach［J］. International Journal of Production Research， 1992， 30（8）： 1803-1818.

[5] TRELEAVEN P C， BROWNBRIDGE D R， HOPKINS R P. Data-driven and Demand-driven Computer Architecture［J］. ACM Computing Surveys， 1982， 14（1）： 93-143.

[6] NICHOLSON S R， RORRER N A， CARPENTER A C， et al. Manufacturing Energy and Greenhouse Gas Emissions Associated with Plastics Consumption［J］. Joule， 2021， 5（3）： 673-686.

[7] DINIZ E H， YAMAGUCHI J A， RACHAEL DOS SANTOS T， et al. Greening Inventories： Blockchain to Improve the GHG Protocol Program in Scope 2［J］. Journal of Cleaner Production， 2021， 291： 125900.

[8] ZHANG J， ZHONG S， WANG T， et al. Blockchain-based Systems and Applications： a Survey［J］. Journal of Internet Technology， 2020， 21（1）： 1-14.

[9] JÓHANNESSON S E， HEINONEN J， DAVÍÐSD-ÓTTIR B. Data Accuracy in Ecological Footprint’s Carbon Footprint［J］. Ecological Indicators， 2020， 111： 105983.

[10] ZHU Y， LIU Y， SUN Y， et al. Recent Advances in Resistive Sensor Technology for Tactile Perception： a Review［J］. IEEE Sensors Journal， 2022， 22（16）： 15635-15649.

[11] AMOAH N A， XU G， KUMAR A R， et al. Calibration of Low-cost Particulate Matter Sensors for Coal Dust Monitoring［J］. Science of the Total Environment， 2023， 859： 160336.

[12] MEAD-HUNTER R， BRADDOCK R D， KAMPA D， et al. The Relationship between Pressure Drop and Liquid Saturation in Oil-mist Filters–Predicting Filter Saturation Using a Capillary Based Model［J］. Separation and Purification Technology， 2013， 104： 121-129.

[13] 杨振朋， 谢晋. 钢铁行业温室气体排放数据质量控制研究［J］. 标准生活， 2025（5）： 99-102.

[14] YANG Zhenpeng， XIE Jin. Research on Quality Control of Greenhouse Gas Emission Data in Iron and Steel Industry［J］. Standard Living， 2025（5）： 99-102.

[15] ZHANG S， WU Y， LIU H， et al. Real-world Fuel Consumption and CO₂ Emissions of Urban Public Buses in Beijing［J］. Applied Energy， 2014， 113： 1645-1655.

[16] PECHOUT M， JINDRA P， HART J， et al. Regulated and Unregulated Emissions and Exhaust Flow Measurement of Four In-use High Performance Motorcycles［J］. Atmospheric Environment： X， 2022， 14： 100170.

[17] LI X， DENG Q， SHI H， et al. Sustainable Manufacturing Production Process Monitoring and Economic Benefit Analysis Based on IoT Technology［J］. The International Journal of Advanced Manufacturing Technology， 2024： 1-12.

[18] EYERS D. Control Architectures for Industrial Additive Manufacturing Systems［J］. Proceedings of the Institution of Mechanical Engineers， Part B： Journal of Engineering Manufacture， 2018， 232（10）： 1767-1777.

[19] 冯俊熙， 陈多福. 垃圾填埋场甲烷排放监测方法研究进展［J］. 环境科学与技术， 2014， 37（3）： 174-179.

[20] FENG Junxi， CHEN Duofu. Progress in Measurement Methods of Landfill Methane Emissions［J］. Environmental Science & Technology， 2014， 37（3）： 174-179.

[21] 李全生， 刘举庆， 李军， 等. 矿山生态环境数字孪生： 内涵、架构与关键技术［J］. 煤炭学报， 2023， 48（10）： 3859-3873.

[22] LI Quansheng， LIU Juqing， LI Jun， et al. Digital Twin of Mine Ecological Environment： Connotation， framework and Key Technologies［J］. Journal of China Coal Society， 2023， 48（10）： 3859-3873.

[23] 谢俊， 刘飞， 蔡维. 机床服役过程能量效率的可预测特性及预测方法研究［J］. 机械工程学报， 2019， 55（17）： 172-184.

[24] XIE Jun， LIU Fei， CAI Wei. Research on the Characteristics and Methodology for Predicting Energy Efficiency during the Service Process of Machine Tools［J］. Journal of Mechanical Engineering， 2019， 55（17）： 172-184.

[25] CHEN N， YIN Y， YIN Z. Energy Consumption Monitoring System Design of Workshop Processing Equipment Based on MTConnect［C］∥2017 Second International Conference on Information Systems Engineering （ICISE）. IEEE， 2017： 64-68.

[26] 张华， 李曙光， 鄢威， 等. 数据与模型混合驱动的箱体零件加工能耗预测［J］. 机械工程学报， 2023， 59（12）： 97-108.

[27] ZHANG Hua， LI Shuguang， YAN Wei， et al. A Data and Model Hybrid Driven Method for Machining Energy Consumption Prediction of Boxy Parts［J］. Journal of Mechanical Engineering， 2023， 59（12）： 97-108.

[28] LIU P， LIU F， QIU H. A Novel Approach for Acquiring the Real-time Energy Efficiency of Machine Tools［J］. Energy， 2017， 121： 524-532.

[29] SELVARAJ V， XU Z， MIN S. Intelligent Operation Monitoring of an Ultra-precision CNC Machine Tool Using Energy Data［J］. International Journal of Precision Engineering and Manufacturing-Green Technology， 2023， 10（1）： 59-69.

[30] 鄢佳豪， 曹华军， 陈二恒， 等. 压铸单元能效在线监测方法及监测系统［J］. 中国机械工程， 2020， 31（5）： 586-594.

[31] YAN Jiahao， CAO Huajun， CHEN Erheng， et al. On-line Monitoring Method and System for Energy Efficiency of Die Casting Cells［J］. China Mechanical Engineering， 2020， 31（5）： 586-594.

[32] QI T， FANG H， CHEN Y， et al. Research on Digital Twin Monitoring System for Large Complex Surface Machining［J］. Journal of Intelligent Manufacturing， 2024， 35（3）： 977-990.

[33] CHEN X， LI C， TANG Y， et al. An Internet of Things Based Energy Efficiency Monitoring and Management System for Machining Workshop［J］. Journal of Cleaner Production， 2018， 199： 957-968.

[34] 李聪波， 曹宝， 吴畏， 等. 基于数字孪生的机械加工车间多级能效监测［J］. 计算机集成制造系统， 2023， 29（6）： 2102-2117.

[35] LI Congbo， CAO Bao， WU Wei， et al. Multi-stage Energy Efficiency Monitoring in Machining Workshop Based on Digital Twin［J］. Computer Integrated Manufacturing Systems， 2023， 29（6）： 2102-2117.

[36] ZHANG H， LI L， LI L， et al. An Integrated Energy Efficiency Evaluation Method for Forging Workshop Based on IoT and Data-driven［J］. Journal of Manufacturing Systems， 2022， 65： 510-527.

[37] 徐协， 何非， 周玉龙， 等. 大功率锻造设备能耗采集及分析系统［J］. 锻压技术， 2019， 44（10）： 109-115.

[38] XU Xie， HE Fei， ZHOU Yulong， et al. Analysis System and Energy Consumption Collection for High-power Forging Equipment［J］. Forging & Stamping Technology， 2019， 44（10）： 109-115.

[39] BREVICK J R， MOUNT-CAMPBELL A F， MOUNT-CAMPBELL C A， et al. Modeling Alloy and Energy Utilization in High Volume Die Casting［J］. Clean Technologies and Environmental Policy， 2014， 16（1）： 201-209.

[40] CAO H， CHEN E， YI H， et al. Multi-level Energy Efficiency Evaluation for Die Casting Workshop Based on Fog-cloud Computing［J］. Energy， 2021， 226： 120397.

[41] ALI M H， WU B， DOUGAL R A. An Overview of SMES Applications in Power and Energy Systems［J］. IEEE Transactions on Sustainable Energy， 2010， 1（1）： 38-47.

[42] CHUANG X， LI L， ZHU L， et al. The Design of a Real-time Monitoring and Intelligent Optimization Data Analysis Framework for Power Plant Production Systems by 5G Networks［J］. Energy Informatics， 2025， 8（1）： 29.

[43] PENG T， KELLENS K， TANG R， et al. Sustainability of Additive Manufacturing： an Overview on Its Energy Demand and Environmental Impact［J］. Additive Manufacturing， 2018， 21： 694-704.

[44] MUDALIAR M D， SIVAKUMAR N. IoT Based Real Time Energy Monitoring System Using Raspberry Pi［J］. Internet of Things， 2020， 12： 100292.

[45] XIANG F， HUANG Y， ZHANG Z， et al. Research on ECBOM Modeling and Energy Consumption Evaluation Based on BOM Multi-view Transformation［J］. Journal of Ambient Intelligence and Humanized Computing， 2019， 10（3）： 953-967.

[46] 高乐天， 顾文波. 基于RFI与PFE的光伏功率预测数据挖掘方法［J］. 太阳能学报， 2025， 46（4）： 256-262.

[47] GAO Letian， GU Wenbo. Data Mining Method for Photovoltaic Power Prediction Based on RFI and PFE［J］. Acta Energiae Solaris Sinica， 2025， 46（4）： 256-262.

[48] 蔡泽祥， 马国龙， 孙宇嫣， 等. 基于数据挖掘的电力设备运维与决策分析方法［J］. 华南理工大学学报（自然科学版）， 2019， 47（6）： 57-64.

[49] CAI Zexiang， MA Guolong， SUN Yuyan， et al. Decision Analysis Method for Operation and Maintenance Management of Power Equipment Based on Data Mining［J］. Journal of South China University of Technology （Natural Science Edition）， 2019， 47（6）： 57-64.

[50] 梁志豪， 巫江虹， 谢子立. 变频空调实际运行模式识别及数据挖掘［J］. 机械工程学报， 2019， 55（6）： 194-202.

[51] LIANG Zhihao， WU Jianghong， XIE Zili. Variable Frequency Room Air Conditioner Operation Pattern Recognition and Data Mining［J］. Journal of Mechanical Engineering， 2019， 55（6）： 194-202.

[52] QU J， LV S， QIAN S， et al. Plant-level Emissions and Synergistic Control of Pollutants and Carbon Dioxide in China’s Cement Industry Based on Real-time Monitoring Data［J］. Earth’s Future， 2025， 13（8）： e2025EF006035.

[53] WU L， LI K， HUANG Y， et al. Optimization of Carbon Footprint Management Model of Electric Power Enterprises Based on Artificial Intelligence［J］. PLOS One， 2025， 20（1）： e0316537.

[54] 陈继平， 颜安， 王鹏， 等. 全生命周期视角下的油气化工钢质管道碳排放数据库构建与评估［J］. 山东化工， 2025， 54（4）： 201-204.

[55] CHEN Jiping， YAN An， WANG Peng， et al. Construction and Evaluation of a Carbon Emission Database for Steel Pipelines in Oil and Gas Chemical Industry from a Full Life Cycle Perspective［J］. Shandong Chemical Industry， 2025， 54（4）： 201-204.

[56] 毛超， 袁甜， 刘贵文， 等. 预制构件生产阶段碳排放数据库系统设计［J］. 工程管理学报， 2020， 34（1）： 31-36.

[57] MAO Chao， YUAN Tian， LIU Guiwen， et al. System Design of Greenhouse Gas Emissions Database for Manufacturing Prefabricated Components［J］. Journal of Engineering Management， 2020， 34（1）： 31-36.

[58] ZAMPORI L， PANT R. Suggestions for Updating the Product Environmental Footprint（PEF）Method ［R］. Ispra：European Commission，2019.

[59] MARSH E， ALLEN S， HATTAM L. Tackling Uncertainty in Life Cycle Assessments for the Built Environment： a Review［J］. Building and Environment， 2023， 231： 109941.

[60] CHEN W， ZHANG J， CHI C， et al. Innovative Blockchain-based Application of Carbon Footprint of Products： a Case Study in Textile and Apparel Industry［C］∥2022 IEEE 8th International Conference on Computer and Communications （ICCC）. IEEE， 2023： 1350-1355.

[61] OLANREWAJU O I， ENEGBUMA W I， DONN M. Challenges in Life Cycle Assessment Implementation for Construction Environmental Product Declaration Development： a Mixed Approach and Global Perspective［J］. Sustainable Production and Consumption， 2024， 49： 502-528.

[62] HUANG R， MAO S. Carbon Footprint Management in Global Supply Chains： a Data-driven Approach Utilizing Artificial Intelligence Algorithms［J］. IEEE Access， 2024， 12： 89957-89967.

[63] 徐兴硕， 李方义， 周丽蓉， 等. 产品低碳设计研究现状与发展趋势［J］. 计算机集成制造系统， 2016， 22（7）： 1609-1618.

[64] XU Xingshuo， LI Fangyi， ZHOU Lirong， et al. Status and Future Trends Research on Low Carbon Design［J］. Computer Integrated Manufacturing Systems， 2016， 22（7）： 1609-1618.

[65] HE B， ZHANG D， GU Z， et al. Skeleton Model-based Product Low Carbon Design Optimization［J］. Journal of Cleaner Production， 2020， 264： 121687.

[66] KONG L， WANG L， LI F， et al. Multi-layer Integration Framework for Low Carbon Design Based on Design Features［J］. Journal of Manufacturing Systems， 2021， 61： 223-238.

[67] ZHANG P， DU J， ZHOU T， et al. Sustainable Manufacturing： Re-contouring of Laser Cladding Restored Parts by Machining Method with Cutting Energy Management［J］. Archives of Civil and Mechanical Engineering， 2020， 20（2）： 42.

[68] ZHANG X， ZHANG S， HU Z， et al. Identification of Connection Units with High GHG Emissions for Low-carbon Product Structure Design［J］. Journal of Cleaner Production， 2012， 27： 118-125.

[69] 张雷， 马军， 符永高， 等. 产品装配过程碳排放解算［J］. 机械工程学报， 2016， 52（3）： 151-160.

[70] ZHANG Lei， MA Jun， FU Yonggao， et al. Carbon Emission Analysis for Product Assembly Process［J］. Journal of Mechanical Engineering， 2016， 52（3）： 151-160.

[71] WU T， ZHANG Z， GUO L， et al. A Hybrid Evolutionary Algorithm for the Stochastic Human-robot Collaborative Disassembly Line Balancing Problem Considering Carbon Emission Optimization［J］. Engineering Applications of Artificial Intelligence， 2024， 135： 108703.

[72] 鲍宏， 胡迪， 张城， 等. 基于进化潜力分析的产品低碳创新设计［J］. 计算机集成制造系统， 2018， 24（8）： 2053-2060.

[73] BAO Hong， HU Di， ZHANG Cheng， et al. Innovative Design Method for Low-carbon Product Based on Evolution Potential Analysis［J］. Computer Integrated Manufacturing Systems， 2018， 24（8）： 2053-2060.

[74] KONG L， WANG L， LI F， et al. A Life-cycle Integrated Model for Product Eco-design in the Conceptual Design Phase［J］. Journal of Cleaner Production， 2022， 363： 132516.

[75] WANG G， LI F， ZHAO F， et al. A Product Carbon Footprint Model for Embodiment Design Based on Macro-micro Design Features［J］. The International Journal of Advanced Manufacturing Technology， 2021， 116（11）： 3839-3857.

[76] 易茜， 柳淳， 李聪波， 等. 数据缺失下基于改进生成对抗填补网络的碳耗预测方法［J］. 机械工程学报， 2023， 59（11）： 264-275.

[77] YI Qian， LIU Chun， LI Congbo， et al. Prediction Method of Hobbing Carbon Consumption Based on Improved Generative Adversarial Imputation Net with Missing Data［J］. Journal of Mechanical Engineering， 2023， 59（11）： 264-275.

[78] KONG L， NIE Y， WANG L， et al. Product Carbon Emissions Estimation Method in the Early Design Stage Based on Multi-perspective Similarity Matching of Design Scenarios［J］. Advanced Engineering Informatics， 2025， 64： 103094.

[79] 孔琳， 李方义， 王黎明， 等. 产品方案低碳设计研究综述与展望［J］. 机械工程学报， 2023， 59（7）： 2-17.

[80] KONG Lin， LI Fangyi， WANG Liming， et al. Overview and Prospects of Low Carbon Design of Products［J］. Journal of Mechanical Engineering， 2023， 59（7）： 2-17.

[81] DENG Z， LV L， HUANG W， et al. Modelling of Carbon Utilisation Efficiency and Its Application in Milling Parameters Optimisation［J］. International Journal of Production Research， 2020， 58（8）： 2406-2420.

[82] PENG J， LI W， LI Y， et al. Innovative Product Design Method for Low-carbon Footprint Based on Multi-layer Carbon Footprint Information［J］. Journal of Cleaner Production， 2019， 228： 729-745.

[83] KONG L， WANG L， LI F， et al. Toward Product Green Design of Modeling， Assessment， Optimization， and Tools： a Comprehensive Review［J］. The International Journal of Advanced Manufacturing Technology， 2022， 122（5）： 2217-2234.

[84] GAO Y， LIU Z， HU D， et al. Selection of Green Product Design Scheme Based on Multi-attribute Decision-making Method［J］. International Journal of Sustainable Engineering， 2010， 3（4）： 277-291.

[85] 孔琳， 王黎明， 吕晓腾， 等. 基于多层级约束满足问题的产品全生命周期设计方案决策研究［J］. 机械工程学报， 2023， 59（11）： 276-289.

[86] KONG Lin， WANG Liming， XiaotengLYU， et al. Decision-making for Product Life Cycle Design Solution Based on Multi-layer Constraints Satisfaction Problem［J］. Journal of Mechanical Engineering， 2023， 59（11）： 276-289.

[87] 吴扬东， 张太华， 刘丹， 等. 复杂产品设计方案的数据驱动多属性优化决策［J］. 中国机械工程， 2020， 31（7）： 865-870.

[88] WU Yangdong， ZHANG Taihua， LIU Dan， et al. Data-driven Multi-attribute Optimization Decision-making for Complex Product Design Schemes［J］. China Mechanical Engineering， 2020， 31（7）： 865-870.

[89] DIAZ A， SCHÖGGL J P， REYES T， et al. Sustainable Product Development in a Circular Economy： Implications for Products， Actors， Decision-making Support and Lifecycle Information Management［J］. Sustainable Production and Consumption， 2021， 26： 1031-1045.

[90] FINK O， ZIO E， WEIDMANN U. Predicting Component Reliability and Level of Degradation with Complex-valued Neural Networks［J］. Reliability Engineering & System Safety， 2014， 121： 198-206.

[91] VISHNU V S， VARGHESE K G， GURUMOORTHY B. Energy Prediction in Process Planning of Five-axis Machining by Data-driven Modelling［J］. Procedia CIRP， 2020， 93： 862-867.

[92] CHEN Z， GUO R， LIN Z， et al. A Data-driven Health Monitoring Method Using Multiobjective Optimization and Stacked Autoencoder Based Health Indicator［J］. IEEE Transactions on Industrial Informatics， 2021， 17（9）： 6379-6389.

[93] FU M W， YONG M S. Simulation-enabled Casting Product Defect Prediction in Die Casting Process［J］. International Journal of Production Research， 2009， 47（18）： 5203-5216.

[94] ZHENG J， HUANG B， ZHOU X. A Low Carbon Process Design Method of Sand Casting Based on Process Design Parameters［J］. Journal of Cleaner Production， 2018， 197： 1408-1422.

[95] GHANSIYAL S， YI L， STEINER-STARK J， et al. A Conceptual Framework for Layerwise Energy Prediction in Laser-based Powder Bed Fusion Process Using Machine Learning［J］. Procedia CIRP， 2023， 116： 7-12.

[96] WANG K， YU L， XU J， et al. Energy Consumption Intelligent Modeling and Prediction for Additive Manufacturing via Multisource Fusion and Inter-layer Consistency［J］. Computers & Industrial Engineering， 2022， 173： 108720.

[97] GONG X， de PESSEMIER T， JOSEPH W， et al. A Generic Method for Energy-efficient and Energy-cost-effective Production at the Unit Process Level［J］. Journal of Cleaner Production， 2016， 113： 508-522.

[98] ZHUANG C， MIAO T， LIU J， et al. The Connotation of Digital Twin， and the Construction and Application Method of Shop-floor Digital Twin［J］. Robotics and Computer-Integrated Manufacturing， 2021， 68： 102075.

[99] LU Y， SHENG B， FU G， et al. Prophet-EEMD-LSTM Based Method for Predicting Energy Consumption in the Paint Workshop［J］. Applied Soft Computing， 2023， 143： 110447.

[100] HE F， MA X， SHEN K， et al. Study on Material and Energy Flow in Steel Forging Production Process［J］. IEEE Access， 2020， 8： 12921-12932.

[101] CHEN E， LI H， CAO H， et al. An Energy Consumption Prediction Approach of Die Casting Machines Driven by Product Parameters［J］. Frontiers of Mechanical Engineering， 2021， 16（4）： 868-886.

[102] HAN Z， HUANG R， HUANG B， et al. Data-driven and Knowledge-guided Approach for NC Machining Process Planning［J］. Computer-Aided Design， 2023， 162： 103562.

[103] MAWUSSI K B， TAPIE L. A Knowledge Base Model for Complex Forging Die Machining［J］. Computers & Industrial Engineering， 2011， 61（1）： 84-97.

[104] HUANG R， JIANG J， HUANG B， et al. Multilevel Structured NC Machining Process Model Based on Dynamic Machining Feature for Process Reuse［J］. The International Journal of Advanced Manufacturing Technology， 2019， 104（5）： 2045-2060.

[105] ASHHAB M S， BREITSPRECHER T， WARTZACK S. Neural Network Based Modeling and Optimization of Deep Drawing – Extrusion Combined Process［J］. Journal of Intelligent Manufacturing， 2014， 25（1）： 77-84.

[106] WANG Y， CHEN Y， WEN C， et al. The Process Planning for Additive and Subtractive Hybrid Manufacturing of Powder Bed Fusion （PBF） Process［J］. Materials & Design， 2023， 227： 111732.

[107] ZHANG Y， ZHANG S， HUANG R， et al. A Deep Learning-based Approach for Machining Process Route Generation［J］. The International Journal of Advanced Manufacturing Technology， 2021， 115（11）： 3493-3511.

[108] 易茜， 刘益君， 卓俊康， 等. BRBP-MOSOA融合数据驱动的热处理工艺低碳优化方法［J］. 机械工程学报， 2022， 58（16）： 370-383.

[109] YI Qian， LIU Yijun， ZHUO Junkang， et al. BRBP-MOSOA Hybrid Data-driven Optimization Method for Low Carbon Heat Treatment Process［J］. Journal of Mechanical Engineering， 2022， 58（16）： 370-383.

[110] YUAN L， PAN Z， POLDEN J， et al. Integration of a Multi-directional Wire Arc Additive Manufacturing System with an Automated Process Planning Algorithm［J］. Journal of Industrial Information Integration， 2022， 26： 100265.

[111] DESTOUET C， TLAHIG H， BETTAYEB B， et al. Multi-objective Sustainable Flexible Job Shop Scheduling Problem： Balancing Economic， Ecological， and Social Criteria［J］. Computers & Industrial Engineering， 2024， 195： 110419.

[112] NIKOUEI M ALI， ZANDIEH M， AMIRI M. A Two-stage Assembly Flow-shop Scheduling Problem with Bi-level Products Structure and Machines’ Availability Constraints［J］. Journal of Industrial and Production Engineering， 2022， 39（6）： 494-503.

[113] 胡炳涛， 钟锐锐， 冯毅雄， 等. 人-信息-物理互联环境下数字车间制造能力建模与自适应调度［J］. 机械工程学报， 2025， 61（3）： 23-39.

[114] HU Bingtao， ZHONG Ruirui， FENG Yixiong， et al. Digital Shop Floor Manufacturing Capability Modeling and Adaptive Scheduling in Human-cyber-physical Interconnected Environment［J］. Journal of Mechanical Engineering， 2025， 61（3）： 23-39.

[115] AMIRI F， SHIRAZI B， TAJDIN A. Multi-objective Simulation Optimization for Uncertain Resource Assignment and Job Sequence in Automated Flexible Job Shop［J］. Applied Soft Computing， 2019， 75： 190-202.

[116] 张帅， 王军， 张文宇. 不确定环境下再制造可重入柔性车间调度优化研究［J］. 计算机集成制造系统， 2025， 31（7）： 2529-2542.

[117] ZHANG Shuai， WANG Jun， ZHANG Wenyu. Uncertain Remanufacturing Re-entrant Flexible Job-shop Scheduling［J］. Computer Integrated Manufacturing Systems， 2025， 31（7）： 2529-2542.

[118] HAN X， CHENG W， MENG L， et al. A Dual Population Collaborative Genetic Algorithm for Solving Flexible Job Shop Scheduling Problem with AGV［J］. Swarm and Evolutionary Computation， 2024， 86： 101538.

[119] 李浚， 罗继亮， 李旭航， 等. 基于Petri网和监督学习的机器人柔性流水车间调度方法［J］. 控制理论与应用， 2025， 42（5）： 1008-1016.

[120] LI Jun， LUO Jiliang， LI Xuhang， et al. Scheduling Method of Robot Flexible Flow Shops Based on Petri Nets and Supervised Learning［J］. Control Theory & Applications， 2025， 42（5）： 1008-1016.

[121] XIE J， LI X， GAO L， et al. A Hybrid Genetic Tabu Search Algorithm for Distributed Flexible Job Shop Scheduling Problems［J］. Journal of Manufacturing Systems， 2023， 71： 82-94.

[122] ZHOU X， WANG F， WU B， et al. Deep Reinforcement Learning-based Memetic Algorithm for Solving Dynamic Distributed Green Flexible Job Shop Scheduling Problem with Finite Transportation Resources［J］. Swarm and Evolutionary Computation， 2025， 94： 101885.

[123] HUANG J， PAN Q， MIAO Z， et al. Effective Constructive Heuristics and Discrete Bee Colony Optimization for Distributed Flowshop with Setup Times［J］. Engineering Applications of Artificial Intelligence， 2021， 97： 104016.

基金资助

国家科技重大专项(2024ZD0713801)

山东省泰山学者青年专家计划(tsqn202408007)

山东省自然科学基金-青年基金(ZR2024QE206)