检测到您的浏览器版本过低，可能导致某些功能无法正常使用，建议升级您的浏览器，或使用推荐浏览器 Google Chrome 、Edge、Firefox 。 X
智能制造系统的核心挑战之一，在于如何在非平稳生产条件下同步协调生产调度、质量检测与设备维护三类决策。传统制造管理通常将这三类任务分别交由独立模块处理，采用固定检测阈值与定期维护计划，忽视了它们之间的强耦合关系：维护行为改变设备精度并影响缺陷形成概率，检测判定影响物料流向与在制品水平，而质量逃逸又反向作用于生产计划与维护策略。随着工业4.0推进，传感器数据日益丰富，但数据本身并不产生价值，关键在于如何将高维、时变、稀疏标注的信号转化为可稳定执行的闭环决策。尤其当预测模型面临分布漂移时，黑箱式深度强化学习策略虽能优化单一经济指标，却常因不可行动作或资源死锁导致系统提前失效，难以兼顾利润目标与全局质量约束。
针对上述问题，美国伊利诺伊大学芝加哥分校机械与工业工程系的研究人员提出了一种融合可解释人工智能与多智能体系统的新型联合决策算法（MAS-XAI）。该研究旨在构建一个统一的闭环控制框架，使生产投料、工件加工、检测分拣与条件维护四类决策在同一架构下协同运行，并确保长期运营中误报率与漏报率始终满足预设限值。研究的目标不仅是提升经济利润，更在于增强系统在动态工况下的操作鲁棒性与可行性。
算法设计包含四个协同智能体：投料智能体依据库存与在制品状态控制原材料释放；加工智能体按最小工作量优先规则分配工件至并行设备并更新负荷与磨损状态；检测智能体基于缺陷概率与解释保真度分数判定接受、返工或报废；维护智能体通过随机森林回归模型估计的磨损指数触发基于状态的维护。
各智能体不直接通信，而是通过共享环境状态（缓冲水平、设备可用性、质量累计结果等）实现间接协调，兼顾了分布式决策的灵活性与系统一致性。关键创新在于将可解释性信号嵌入决策回路：采用基于Shapley值的解释模块为每个缺陷风险预测生成归因向量与保真度分数。当保真度低于阈值时，检测拒绝阈值与有效维护磨损阈值同步收紧，使系统在预测不可靠时自动采用更保守策略，避免因模型漂移造成质量逃逸。此外，研究采用增广拉格朗日方法将误报率与漏报率作为全局约束纳入目标函数，通过迭代更新惩罚参数与乘子，引导策略参数在长期滚动中既趋近经济最优又严格满足可行性边界。
实验基于博世（Bosch）生产线性能数据集构建离散事件仿真平台，该数据集包含约118万条生产记录。仿真拓扑包含四台额定生产率均为21件/小时的并行设备、三个容量为100件的缓冲区和带返工回路的检测工位，以200,000件固定需求为稳态评估窗口。经济参数设定为：单位收益25美元，原材料成本10美元，维护作业成本1250美元，返工成本12美元，拒收/报废成本6美元，假阴性惩罚600美元。研究将MAS-XAI与定期维护策略及深度Q网络策略进行系统比较。结果表明，缺陷风险模型的ROC-AUC达0.915，具备良好区分能力；磨损代理在维护触发区域与经验分布基本吻合。在端到端生产中，定期维护与MAS-XAI均完成全部订单，而DQN在198,402件处因死锁提前终止。MAS-XAI将维护事件从定期策略的1250次降至560次（减少55.2%），累计维护时间从364.5小时减至163.4小时。质量方面，MAS-XAI的严格漏报率为0.82%，显著低于定期维护的2.11%与DQN的1.54%；误报率为3.69%，高于定期维护（1.72%）但低于DQN（4.18%）。总净收益达1,628,806美元，较DQN提升14.28%，较定期维护提升10.02%。
消融实验进一步揭示了各组件的贡献：去除可解释性保真度反馈后，误报与漏报均上升；将基于磨损指标的维护方式替换为固定的定期维护，会导致维护次数几乎翻倍；取消增广拉格朗日约束循环后，误差率最高且吞吐量未达目标；将多智能体结构换为集中式策略后，利润最低且吞吐量下降。敏感性分析表明，维护阈值τ在0.18附近实现维护成本与漏报损失的最佳平衡，且在漏报率限值从2.5%收紧至0.5%时，MAS-XAI保持可行且利润平缓下降，而DQN在1.0%时频繁出现违反约束的情况，在0.5%时则因不可行及死锁行为而失效，凸显了前者的操作稳健性。
综上，MAS-XAI框架通过将可解释性信号从离线验证工具提升为在线调控信号，并结合分布式决策、状态维护与约束优化，有效解决了动态制造环境中多决策耦合与模型不可靠问题。未来研究可向多模态传感器融合、数字孪生驱动的物理信息建模、以及跨行业策略迁移等方向拓展，以构建更具通用性和可信赖性的工业智能系统。
参考文献
Wang J, Jiang Y, Li L. A new explainable artificial intelligence algorithm integrated with multi-agent system for joint decision-making of smart manufacturing systems[J]. Journal of Manufacturing Systems, 2026, 87: 154-166.
