制造场景驱动的机械加工过程碳排放预测与不确定性分析方法

Carbon Emission Prediction and Uncertainty Analysis Method for Machining Processes Driven by Manufacturing Scenarios

摘要

针对传统碳排放预测方法中制造信息多源异构、参数不确定性强等突出问题，整合加工、能源、资源、排放多维影响因素，识别并定义制造场景，实现了碳排放影响因素的统一表征与描述；融合随机森林的决策树集成机制与贝叶斯算法的自适应超参数优化，形成了“特征筛选-模型训练-参数调优”的三阶预测体系，支持碳排放的高精度预测；构建了蒙特卡罗-贝叶斯优化随机森林不确定性分析方法，甄别碳排放敏感参数并量化其影响，通过参数优化改进来提高可靠性。以风机叶片加工为例验证预测方法的有效性，结果表明，该方法的碳排放预测结果拟合度良好，经不确定性分析后变异系数降低0.0347，显著提高了预测结果可靠性与决策支撑能力。

Abstract

Conventional prediction methods faced challenges such as multi-source heterogeneity and strong parameter uncertainty， so equipment， process， and resource-related factors were integrated to identify and define manufacturing scenarios， enabling the unified representation and description of carbon emission influences. The ensemble mechanism of random forest decision trees was combined with Bayesian adaptive hyperparameter optimization to establish a three-stage prediction framework “feature selection， model training， parameter tuning” for the high-efficiency prediction of carbon emissions. A Monte Carlo-Bayesian optimized random forest approach for uncertainty analysis was developed， where sensitive carbon emission parameters were identified and their impacts were quantified to enhance reliability through targeted parameter optimization. A case study on wind turbine blade machining demonstrated the effectiveness of the proposed method. The results show excellent agreement between predicted and actual carbon emissions. After uncertainty analysis， the coefficient of variation is reduced by 0.0347， significantly improving the reliability of the prediction results and supporting more robust decision-making.

Graphical abstract

关键词

制造场景 / 碳排放预测 / 贝叶斯优化随机森林 / 不确定性分析

Key words

manufacturing scenario / carbon emission prediction / Bayesian-optimized random forest / uncertainty analysis

0 引言

当前，碳排放精准管控是制造业降碳减排的重要前提。碳排放预测作为源头降碳、工艺优化的前提基础，其准确性与可靠性直接影响低碳工艺决策的科学性^［1］。传统碳排放预测受限于制造过程中多源异构的生产信息及加工参数的动态波动性，预测结果偏差较大、可信度不足，因此，构建适配复杂制造加工过程碳排放的预测方法，建立可量化、可调控的不确定性分析机制以提高预测可信度成为推动制造业低碳转型的关键。

机械加工过程碳排放预测的核心是依据拟定的工艺方案与资源清单构建投入-产出模型，量化温室气体排放^［2］。此过程中，完整的输入信息、高效的预测方法对碳排放预测具有决定性影响。近年来，功能-行为-结构、特征技术等在信息表征领域的应用日益广泛。特征技术能将信息表达为包含零件几何形状或其他属性的集合^［3-4］。贾康等^［5］以产品模型数据交换标准的三维装配体模型为输入，通过解析其隐含的几何信息，自动识别装配特征与配合关系，进而构建集成的装配信息模型。KONG等^［6］提出了加工特征、操作特征和碳排放特征概念，对制造阶段的设备、刀具、切削液、切削参数等信息进行规范化表达。当前信息表达多聚焦于直接作用于加工过程的碳排放显性影响因素，对能源结构、地理位置等间接影响碳排放的因素关注不足，导致模型输入维度不完整，制约碳排放预测精度^［7］。UMEDA等^［8］指出，地理差异可能导致环境法规、资源需求和劳动力成本不同，从而影响产品生命周期设计决策。同时，当前主流的生命周期清单数据库（如SimaPro、Eco-invent）也表明，不同的地理适用性、时间有效性、数据质量等级及系统边界等也会导致环境影响的差异。因此，构建一个综合机械加工核心特征参数与背景因素、实现多维度信息完整表征的碳排放信息模型，是提高碳排放预测精准度的重要前提。此外，当前制造阶段碳排放评估的主流方法是生命周期评估方法，该方法对输入输出清单数据的完整性要求极高，实际应用中存在数据收集耗时久、成本高的问题^［9-10］。随着人工智能的发展，机器学习方法的优势日益凸显^［11］。通过挖掘历史数据的规律，建立从输入参数到输出碳排放的非线性映射关系，为机械加工过程碳排放预测提供了新的技术途径^［12］。因此，构建融合机械加工过程多源信息的机器学习预测模型成为提高制造碳排放预测精度的迫切需求。

不确定性分析技术能够识别和量化导致碳排放评估偏差或不确定性的关键因素，进而追溯至设计环节的决策优化点，为提高碳排放预测结果的可信度提供有效支撑^［13］。在不确定性分析领域，概率论、模糊理论、灰色系统理论等已得到广泛应用，相关研究主要通过蒙特卡罗分析^［14］、贝叶斯理论^［15］、多元回归分析^［16］等多种方法开展。PENG等^［17］针对再制造生产时间的不确定性问题，采用蒙特卡罗模拟方法对生产时间进行建模，为可持续生产调度优化及能源分配方案评估提供量化依据。MENG等^［18］提出基于特征的快速生命周期评估方法，针对特征信息中定性指标与定量参数的不确定性差异，分别采用直觉模糊理论与蒙特卡罗模拟进行处理，保障评估结果的准确性。机械加工过程碳排放预测时，生产参数的动态波动会对碳排放产生显著影响。目前，输入与输出之间的关联模型多依赖数据驱动的预测模型训练获得，但受限于制造信息的多样性与数据分布的复杂性，模型训练过程往往难以完全捕捉所有潜在的数据规律，进而影响不确定性评估的全面性。蒙特卡罗分析作为一种基于随机抽样的统计模拟方法，能够覆盖传统模型训练中易被忽略的潜在数据特征（如极端参数组合下的碳排放变化），实现对不确定性的全面刻画^［19］。因此，将蒙特卡罗分析与高效的碳排放预测模型相结合开展不确定性分析，可系统量化制造信息波动对碳排放的影响程度。

综上，本文提出制造场景驱动的机械加工过程碳排放预测与不确定性分析方法，聚焦“信息表征-精准预测-可信度提高”的研究主线。

1 制造场景识别与定义

机械加工（mechanical processing， MP）过程中，各加工环节产生的碳排放受到多维度因素的影响，加工所处状态及其外部环境的交互因应用场景的不同而呈现出明显差异，这种差异对碳排放数据有重要影响。机械加工过程产生的碳排放与特定场景紧密相关，不同场景会生成各具特征的数据集，如图1所示。以热处理工艺为例，即便采用相同的热处理方式，由于设备型号、运行功率以及加热时间等因素的不同，最终产生的碳排放量也会存在较大差别。

制造场景的核心逻辑是基于机械加工过程碳排放的形成机理，碳排放源于能源消耗、资源消耗及直接排放，而这些排放源又与加工工艺、设备特性、加工时间、能源结构等场景属性紧密相关，此概念旨在刻画与碳排放密切相关的信息与运行环境。为统一描述和表征与碳排放相关的制造信息，将制造场景归纳为4个维度（图2），表示为

MSi=\{Machi_i， Energ_i， Resou_i， Emiss_i\}（1）

式中：MSi为机械加工过程的第i个制造场景；Machi_i为加工属性场景；Energ_i为机械加工过程中的能源消耗属性；Resou_i为资源属性；Emiss_i为机械加工过程中的环境排放属性。

在这些属性中，特定场景下的碳排放结果Carboni可通过整合Energ_i、Resou_i、Emiss_i的数据得出。

制造场景的属性信息具体如下。

1）加工属性可归纳为6个方面：工艺类型、加工时间、加工功率、地理位置、设备类型和能源类型。工艺类型是指为改变原材料的形状、尺寸、性能或外观，使其成为符合要求的零部件所采用的具体制造方法，常见包括铸造、锻造、焊接等。加工功率与加工时间是衡量能耗的基础参数，直接影响能源消耗总量。地理位置涵盖加工活动的原产地以及目的地，不同地区的电网碳排放因子存在差异，间接调控对应的碳排放。设备类型指加工过程中所使用的设备，不同设备的技术水平和运行模式会导致加工功率与时间需求的显著区别。能源类型指驱动设备所需的电力来源，如火电、水电等，其直接决定单位能源的碳排放因子。

2）能源属性主要指从原材料输入到最终产品输出的整个生产制造过程中，各类生产设备、工艺环节及辅助设施运行所消耗的能源资源。在机械加工阶段，电力作为制造过程中最常用的能源形式贯穿各生产环节，从原材料的处理到零部件的加工制造都离不开电力的支持。同时也可能包括燃气、燃油等其他形式的能源，其碳排放需结合对应能源的低位发热量与排放因子核算。

3）资源属性涵盖原材料转化为最终成品过程中涉及的各类物质与非物质资源。在机械加工过程中，资源消耗主要包括金属、非金属及水资源的消耗。其中，金属与非金属资源消耗除主材外，还涉及多种辅助材料的使用，包括加工润滑剂、表面处理材料等。水资源主要用于冷却、清洗等环节。资源属性全面反映制造过程中资源投入与利用情况。

4）排放属性指机械加工过程中向自然环境释放的各种污染物和温室气体，主要包括固体污染排放、水污染排放、大气污染排放等。其中，大气污染中的温室气体（CO₂、CH₄等）直接计入碳排放总量，固体废弃物与废水通过后续处理环节的能源消耗间接产生碳排放，该属性直接或间接关联制造活动的碳排放结果，是碳排放量化的重要补充。这些排放数据直接关联到制造活动对生态系统和人体健康的潜在影响。

2 基于贝叶斯优化随机森林的碳排放智能预测方法

随机森林（random forest，RF）通过训练数据集进行Bootstrap抽样，对特征空间进行随机子集选择，并行构建多棵结构独立的决策树，再通过结果平均的方式聚合所有决策树的预测输出。RF性能高度依赖超参数配置，不同超参数间存在复杂的非线性耦合关系，其组合形成的搜索空间呈指数级扩张，传统手动调优或网格搜索方法不仅难以触及最优参数区间，还需消耗大量计算资源与时间成本。为解决此问题，本文引入贝叶斯优化算法，其核心优势在于通过高斯过程等概率模型拟合目标函数，并基于采集函数动态指导下一轮参数搜索方向，此方法能够高效识别最优的随机森林超参数组合。因此，本文提出融合贝叶斯优化的随机森林算法（Bayesian-optimized random forest，BORF），形成“特征筛选-模型训练-参数调优”三阶预测体系，实现制造场景驱动的加工过程碳排放高效、精准预测。算法流程如图3所示，具体步骤如下。

1）数据准备与预处理。以机械加工现场实时采集数据为核心，融合企业产品生命周期管理、产品数据管理、企业资源计划及计算机辅助工艺规划系统的多源数据，基于构建的制造场景模型，获得生产过程的制造场景信息集合。①变量定义：将制造场景的加工属性设为输入变量，其维度涵盖加工类型、加工时间、加工功率、地理位置、设备类型及能源类型；将基于制造场景资源属性、能源属性及排放属性计算得到的碳排放量设为输出变量，该数据集用于后续随机森林模型的训练与验证。②数据标准化处理：针对制造场景中“地理位置”“设备类型”等定性数据，采用模糊理论进行量化转换，消除定性指标的主观性偏差；对所有量化后的特征数据，采用最大-最小归一化法将其映射至区间，避免因量纲差异对模型训练产生干扰，确保特征权重的公平性。

2）超参数初始空间设置。初步设置随机森林的超参数，主要包括决策树数量n_trees、最大树深度d_max、叶节点最小样本数m_leaf等。这些超参数将作为贝叶斯优化的初始搜索空间。

3）样本随机抽样。采用自助抽样法（Bootstrap sampling）从总样本集S中随机重复抽取N个训练样本，每个样本可被多次选中。抽取得到的样本子集S_k 将作为随机森林中第k棵独立决策树的专属训练集。这样既可通过样本多样性提高决策树的独立性，降低集成模型的方差，又可以保留部分未被抽取样本，用于后续模型性能的无偏验证。

4）特征选择。假设加工属性输入变量每个样本的特征维度为M，设定特征子集规模为m（m远小于M），在每棵决策树的节点分裂过程中，仅从M个特征中随机选取m个特征构成候选特征集，并从该候选集中选择最优分裂特征。每棵决策树允许自由生长至最大规模，不进行剪枝操作。

5）决策树构建。以第k棵决策树的训练集S_k 为输入，从根节点开始自上而下递归构建决策树，具体如下：①以根节点为初始分裂节点，输入样本集S_k；②基于候选特征集（m个特征），计算每个特征的不同分裂阈值对应的分裂指标；③采用分类回归树算法，以最小均方误差（MSE）为分裂准则，选择使MSE最小的特征-阈值组合作为当前节点的最优分裂方案，将当前节点分裂为左、右两个子节点。最小均方误差e_MS计算式为

e_MS=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i{-\overline{y})}^{\mathrm{2}}

式中：n为当前节点的样本数量；y_i为第i个样本的真实碳排放量；\overline{y}为当前节点样本的碳排放均值。

6）随机森林预测模型构建。通过样本集训练，随机森林模型中生成K棵独立决策树，每棵决策树对待预测的输入样本X输出一个碳排放预测结果，记为h_k （X）（k=1，2，…，K）。将所有决策树预测结果的均值作为随机森林模型的最终碳排放预测值Y，即

Y=\frac{\mathrm{1}}{K}{\displaystyle \sum _{k=\mathrm{1}}^n}{h}_k(X)

7）贝叶斯优化。确定待优化的随机森林超参数取值范围：n_trees∈［50，500］、d_max∈［5，30］、m_leaf∈［1，20］。以随机森林模型的均方误差作为优化目标函数，利用贝叶斯优化算法在设定的搜索空间内寻找最优超参数组合。此外，构建初始高斯过程代理模型：

p(e_{\mathrm{M}\mathrm{S}}(\theta ))~GP(\mu (\theta ),t(\theta ,\theta \mathrm{\text{'}}))

采用期望改进准则，并通过采集函数选择下一组待评估的超参数：

EI(\theta )=E[\mathrm{m}\mathrm{a}\mathrm{x}(L(\theta )-L^{\mathrm{*}},\mathrm{0})]

式中：GP表示高斯过程；μ（θ）为均值函数，通常取常数或零；t（θ，θ'）为核函数，用于衡量样本间的相似度；L（θ）为当前观测到的最小均方误差值；L^∗ 为该超参数组合对应的均方误差预测值。

8）机械加工过程碳排放预测。采用选定的超参数组合训练随机森林模型，并利用新的训练结果更新概率模型，直至满足停止准则或达到预设迭代次数。最终，通过所提的贝叶斯优化随机森林方法得到碳排放预测模型。

3 基于蒙特卡罗-贝叶斯优化随机森林的碳排放不确定性分析方法

制造场景中，因加工属性输入参数存在的不确定性（如数据误差、代表性不足等）会显著影响碳排放结果的可靠性，因此，本文开展机械加工过程中碳排放的不确定性分析。制造场景的碳排放输出通过构建的贝叶斯优化随机森林模型进行预测。制造场景信息复杂多样、数据分布复杂，随机森林采用有放回的自助抽样难以充分捕捉数据的全部潜在特征，影响对不确定性传播的准确建模。蒙特卡罗方法能够系统生成覆盖数据潜在分布的样本集合，使随机森林中每棵决策树在训练过程中接触到不同的特征组合与节点分裂方式，进而增强模型的泛化能力与结构稳定性。

基于此，本文结合贝叶斯优化随机森林的强泛化能力与高预测精度，以及蒙特卡罗分析方法高效处理不确定性的优势，提出一种集成蒙特卡罗-贝叶斯优化随机森林的不确定性分析方法（MC-BORF）。分析流程如图4所示，具体步骤如下。

1）输入输出参数设定。明确不确定性分析的输入与输出边界，以制造场景的加工属性为输入信息；以制造场景的碳排放量为输出变量，通过能源属性、资源属性和排放属性综合计算。

2）基于蒙特卡罗的随机抽样。基于概率论与数理统计理论对输入参数的不确定性特征进行建模，为蒙特卡罗抽样提供分布依据。具体流程如下：①概率分布类型确定。根据输入参数的数值特征，通过数据的数理统计拟合得到该类信息的概率分布函数。输入的加工属性可分为离散型和连续型，分布形式包括均匀分布、正态分布。其中，工艺类型、地理位置、设备类型、能源类型均属于离散型变量，其取值为有限互斥类别（如能源类型包含火电、水电等），此类参数服从均匀分布。加工时间、加工功率属于连续型变量，其不确定性主要源于设计指标与实际工况的偏差，这类连续变量服从正态分布。②基于上述确定的概率分布函数，采用伪随机数生成算法Mersenne Twister进行蒙特卡罗抽样。设定抽样次数N，针对每个输入参数，按照其概率分布函数独立生成N个抽样值，最终形成N组完整的输入参数样本。

3）基于贝叶斯优化随机森林的碳排放预测。利用贝叶斯优化随机森林方法进行训练，获得碳排放预测模型，将通过蒙特卡罗分析采样得到的输入参数输入该预测模型，形成碳排放预测值集合。

4）不确定性分析。常用的不确定性评估指标包括碳排放最大值、最小值、均值、标准差、变异系数（coefficient of variation，CoV）、峰度和偏度。本文采用CoV作为评估相对离散程度的关键指标，其定义为标准差与均值的比值，能够反映结果的相对离散程度。若CoV值低于预设阈值，碳排放预测结果具备较高可信度与稳健性；若CoV值超过阈值，则表明输入参数或模型存在较大不确定性，需进一步优化，以提高碳排放评估结果的可靠性。

4 案例分析

风力发电机作为可再生能源转换装置，其工作原理是风带动叶片旋转，进而驱动发电机运行，最终产出清洁电力。叶片是该能量转换过程中的关键部件，如图5所示，根据团队之前的研究，其机械加工过程的碳排放量占产品总碳排放量的21.83%^［20］。因此，本文以风力发电机叶片的机械加工过程为例，验证所提方法的可行性和有效性。

4.1 碳排放预测结果分析

4.1.1 参数设置

风力发电机叶片可通过多种工艺加工成形，包括预浸料真空袋成形、真空导入成形和真空辅助树脂传递模塑成形。本案例对风力发电机叶片三种机械加工过程的制造场景进行碳排放预测及不确定性分析。

本案例使用MATLAB 2020开发程序进行碳足迹预测与分析，该程序在一台Intel Core i7 2.8 GHz处理器、8 GB内存的Windows 10计算机上运行。在训练过程中，以制造场景的加工属性信息为输入，范围如表1所示。研究团队在中车山东风电有限公司进行了实地调研，并通过文献调研和前期团队开发的风机案例库获取了补充数据，最终形成了一个包含258个制造场景的综合数据集。样本数据集被分为训练集（70%）和测试集（30%）。贝叶斯随机优化森林算法的决策树的数目n_trees=100，最大深度d_max=15，叶节点最小样本数m_leaf=1。

4.1.2 碳足迹预测结果分析

通过本文提出的贝叶斯优化随机森林方法进行训练，得到碳排放预测模型。训练集和测试集中实际碳排放量与预测结果的对比如图6所示。结果显示，预测碳排放量与实际值高度吻合，预测值与真实值之间的偏差相对较小。训练集和测试集的均方根误差（RMSE）分别为0.0902和0.1369，表明所提预测方法能有效估算碳排放量，且保持较高的预测精度。经贝叶斯优化后的超参数为：n_trees=320、d_max=18、m_leaf=5。

此外，生成碳排放预测模型的相关系数如图7所示，其中，虚线代表可达到的最优相关性，实线代表目标值与输出值之间的实际相关性。结果显示，本文提出的贝叶斯优化随机森林方法的相关系数R接近1，表明数据拟合效果良好，预测模型精度较高，且具备较强的解释力。

4.1.3 不同预测方法的对比分析

为验证提出BORF方法的有效性，将其与随机森林算法、粒子群-反向传播神经网络（PSO-BPNN）、LightGBM进行对比分析。图8所示为这3种方法的拟合结果，各方法的评价指标数值如表2所示。

不同预测方法的对比分析结果表明，BORF算法具有更优的拟合性能，该方法的均方根误差和平均绝对误差均接近零，表明预测值与实际值的误差极小，验证了该碳排放预测模型的有效性。与其他算法相比，BORF训练集的RMSE精度分别提高了37.81%、45.51%和7.56%，MAE精度分别提高了52.67%、38.26%和12.55%。相较于随机森林，BORF性能提高主要源于其通过贝叶斯优化对超参数进行调优，既能实现更精准的数据拟合，又能缓解过拟合问题，从而减小预测误差。对比PSO-BPNN算法，虽然PSO算法对BPNN的初始权重和阈值进行了一定优化，加速了BPNN的收敛并提高了部分性能，但BORF的集成框架和贝叶斯优化超参数调优的综合作用，使其在数据拟合和泛化能力上更胜一筹。LightGBM具有基于直方图的决策树学习算法和并行学习能力，能够高效处理数据并捕捉复杂模式。然而，BORF凭借贝叶斯优化对超参数的精准搜索，在模型性能上依然展现出优势，能够在保证较高拟合精度的同时，更好地控制预测误差的波动。综上所述，本文提出的基于BORF的碳排放预测方法能够高效、准确地输出预测结果。

4.2 不确定性分析结果

4.2.1 不确定性分析参数设置

本案例采用基于蒙特卡罗-贝叶斯优化随机森林方法对不同制造场景下风机叶片的碳排放进行不确定性分析，其中，风力发电机叶片制造场景的加工属性分布情况如表3所示。

在上述变量中，x₁和x₃共同影响x₄和x₅，即不同加工设备选型会导致加工过程中的功率消耗和时间消耗产生差异。此外，x₁和x₂共同影响温室气体排放量，反映了不同地理位置下采用不同加工技术所产生的排放差异。

4.2.2 基于输入信息的蒙特卡罗模拟

基于输入信息的概率分布函数，通过蒙特卡罗模拟进行随机抽样，生成2000组制造场景信息，部分数据如表4所示。

4.2.3 基于MC-BORF的不确定性分析结果

随后，基于贝叶斯优化随机森林训练获取的碳排放预测模型，获得所有输入信息对应的碳排放结果，如表5所示。

本文选取变异系数量化碳排放量结果的不确定性，其阈值设定为0.15。从上述结果来看，碳排放结果存在较大程度的不确定性，未达到企业要求，影响结果的可信度。

为有效降低风机叶片机械加工过程中的不确定性，需对其制造场景中的输入参数进行优化改进，精准识别对碳排放量具有显著影响的关键属性至关重要。本文运用敏感性分析方法探究制造场景中各输入属性信息的变化对碳排放结果的影响程度，结果如图9所示。

基于上述分析，离散变量中的能源类型和工艺类型、连续变量中的加工功率和加工时间均对碳排放结果产生显著影响。不同能源类型（如火力发电与混合发电）由于在发电原理、资源消耗以及技术配置参数等方面存在差异，导致碳排放量结果明显不同。具体来说，火力发电主要依靠化石燃料进行发电，这一过程会产生大量的碳排放；而混合发电则通过灵活整合多种能源与技术，实现了高效的能源利用以及有效的排放控制，进而降低了碳排放量。叶片成形过程中，所采用的具体工艺类型也显著影响碳排放。不同工艺在材料利用率以及与外部环境的交互程度上存在差异，导致其碳排放存在明显区别。此外，加工时间和加工功率会直接影响叶片加工过程中的能源消耗。无论是固定加工功率下时间发生变化，还是固定时间内加工功率出现改变，都会显著改变能源消耗量，最终对碳排放量产生影响。

根据敏感性分析结果，加工功率与加工时间被证实对碳排放具有重要影响。然而，在实际加工过程中，由于设备运行特性与工艺要求，额定功率通常高于实际运行功率，加工时间也存在一定波动。为有效降低叶片制造过程中碳排放的不确定性，需要对这两个关键变量的可行范围设定明确约束条件。鉴于两者均呈正态分布，新的取值范围设定在95%置信区间（μ±2σ）内，具体参数如表6所示。

根据上述改进后的参数范围，再次通过蒙特卡罗模拟随机生成2000组数据，利用训练获取的预测模型获取碳排放结果，如表7所示。

对上述结果进行分析可知，将加工功率与加工时间的参数进行约束改进后，风力发电机叶片碳排放的变异系数为0.1409，较原结果降低了0.0347；峰度系数和偏度系数分别为0.4205和-0.5210，较原始结果均有改善。这一结果表明，与原始结果相比，不确定性得到显著降低，且改进后加工过程碳排放量的变异系数满足企业要求，确保了碳排放结果的可信度和可靠性。

风力发电机叶片加工属性的不确定性分析表明，能源类型作为均匀分布的离散变量，是影响碳排放的最敏感因素，为此，本文进一步分析能源类型对机械加工过程碳排放的影响。随机选取10个制造场景（表8），各制造场景能源类型涵盖火力发电、混合发电和水力发电三类。不同能源类型下叶片加工产生的碳排放如图10所示。

研究结果进一步印证了能源类型是决定加工过程碳排放的关键因素。在机械加工过程中，当能源类型从传统火力发电转换为混合发电与水电站发电时，其碳排放量可平均降低8.76%与40.32%。表明清洁能源在削减制造业碳足迹方面的巨大潜力。然而，中国现有的能源体系仍高度依赖火电，而包括水电、风电在内的可再生能源尚有巨大发展潜力。

5 结论

1）提出制造场景概念，通过整合加工属性、资源属性、能源属性和排放属性等多维影响因素，构建了机械加工过程碳相关信息统一的结构化表征框架，有效解决制造信息多源异构、难以系统描述的痛点，为碳排放量化奠定了理论基础。

2）提出了三阶段融合的贝叶斯优化随机森林预测算法。通过特征筛选、集成学习和超参数自适应优化三个阶段的协同作用，在保证预测效率的同时显著提高了精度。在风机叶片加工案例中，预测结果与实测数据相关系数达0.9680，证明了所提出算法在复杂制造场景下的强适应性和高可靠性。

3）构建了蒙特卡罗-贝叶斯优化随机森林混合不确定性分析框架，实现了从参数识别到可靠性提高的全流程分析。该方法能精准识别敏感参数，并通过参数优化使结果的变异系数降低0.0347，显著提高了预测结果的鲁棒性和可信度。

4）本研究可在以下方向继续深化：一是将本文方法对接企业信息管理系统，实现数据的实时共享和交互，提高预测的时效性和准确性，为企业实时监控和优化碳排放提供支持；二是探索更深入的机理-数据融合架构，用机理先验知识约束数据驱动模型的训练过程，从根本上解决数据驱动模型可解释性不足的问题，实现预测精度与可解释性的双重提高。

参考文献

[1] 闫萌， 李涛， 杨晨， 等. 面向机电产品绿色设计与评价协同的生命周期评价参数计算方法［J］. 中国机械工程， 2023， 34（12）： 1453-1464.

[2] YAN Meng， LI Tao， YANG Chen， et al. Calculation Method of LCA Parameters for Green Design and Assessment Collaboration of Electromechanical Products［J］. China Mechanical Engineering， 2023， 34（12）： 1453-1464.

[3] BRILLINGER M， WUWER M， SMAJIC B， et al. Novel Method to Predict the Energy Consumption of Machined Parts in the Design Phase to Attain Sustainability Goals［J］. Journal of Manufacturing Processes， 2023， 101： 1046-1054.

[4] PARK J H， LIM S， YEO C， et al. DFGAT for Recognizing Design Features from a B-rep Model for Mechanical Parts［J］. Robotics and Computer-Integrated Manufacturing， 2025， 93： 102938.

[5] ZHOU Tianyu， LI Hengxu， LI Xinming， et al. Feature-based Modeling for Variable Fractal Geometry Design Integrated into CAD System［J］. Advanced Engineering Informatics， 2023， 57： 102006.

[6] 贾康， 唐竟， 任东旭， 等. 面向STEP模型装配特征自动提取的装配信息模型构建［J］. 中国机械工程， 2025， 36（1）： 123-132.

[7] JIA Kang， TANG Jing， REN Dongxu， et al. Construction of Assembly Information Model Based on Assembly Feature Automatic Extraction for STEP Models［J］. China Mechanical Engineering， 2025， 36（1）： 123-132.

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

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

[10] UMEDA Y， FUKUSHIGE S， TONOIKE K. Evaluation of Scenario-based Modularization for Lifecycle Design［J］. CIRP Annals， 2009， 58（1）： 1-4.

[11] AKASAPU U， HEHENBERGER P. A Design Process Model for Battery Systems Based on Existing Life Cycle Assessment Results［J］. Journal of Cleaner Production， 2023， 407： 137149.

[12] ZHANG Xiufen， ZHANG Shuyou， HU Zhiyong， 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.

[13] 郭洪飞， 陆鑫宇， 任亚平， 等. 基于强化学习的群体进化算法求解双边多目标同步并行拆解线平衡问题［J］. 机械工程学报， 2023， 59（7）： 355-366.

[14] GUO Hongfei， LU Xinyu， REN Yaping， et al. Reinforcement Learning-based Swarm Evolutionary Algorithm to Solve Two-sided Multi-objective Synchronous Parallel Disassembly Line Balancing Problem［J］. Journal of Mechanical Engineering， 2023， 59（7）： 355-366.

[15] KHALOIE H， DOLÁNYI M， TOUBEAU J F， et al. Review of Machine Learning Techniques for Optimal Power Flow［J］. Applied Energy， 2025， 388： 125637.

[16] RAIAN S， ALI S M， SARKER M R， et al. Assessing Sustainability Risks in the Supply Chain of the Textile Industry under Uncertainty［J］. Resources， Conservation and Recycling， 2022， 177： 105975.

[17] AHN H， CLERMONT M， LANGNER J. Comparative Performance Analysis of Frontier-based Efficiency Measurement Methods—a Monte Carlo Simulation［J］. European Journal of Operational Research， 2023， 307（1）： 294-312.

[18] MRÓWCZYŃSKA M， SKIBA M， LEŚNIAK A， et al. A New Fuzzy Model of Multi-criteria Decision Support Based on Bayesian Networks for the Urban Areas' Decarbonization Planning［J］. Energy Conversion and Management， 2022， 268： 116035.

[19] BAUDRY G， MACHARIS C， VALLÉE T. Range-based Multi-actor Multi-criteria Analysis： a Combined Method of Multi-actor Multi-criteria Analysis and Monte Carlo Simulation to Support Participatory Decision Making under Uncertainty［J］. European Journal of Operational Research， 2018， 264（1）： 257-269.

[20] PENG Shitong， LI Tao， ZHAO Jiali， et al. Petri Net-based Scheduling Strategy and Energy Modeling for the Cylinder Block Remanufacturing under Uncertainty［J］. Robotics and Computer-Integrated Manufacturing， 2019， 58： 208-219.

[21] MENG Qiang， LI Fangyi， ZHOU Lirong， et al. A Rapid Life Cycle Assessment Method Based on Green Features in Supporting Conceptual Design［J］. International Journal of Precision Engineering and Manufacturing-Green Technology， 2015， 2（2）： 189-196.

[22] MIRZAEI D， BEHBAHANINIA A， ABDALISOUSAN A， et al. A Novel Approach to Repair Time Prediction and Availability Assessment of the Equipment in Power Generation Systems Using Fuzzy Logic and Monte Carlo Simulation［J］. Energy， 2023， 282： 128842.

[23] KONG Lin， WANG Liming， LI Fangyi， et al. Life Cycle-oriented Low-carbon Product Design Based on the Constraint Satisfaction Problem［J］. Energy Conversion and Management， 2023， 286： 117069.

基金资助

国家自然科学基金(U23A20599)

国家自然科学基金(52175473)

山东省自然科学基金(ZR2024QE206)

青岛市博士后基金(QDBSH20250102076)