本文发表于 Journal of Manufacturing Systems 第89卷（2026年），页码34至65，由Elsevier Ltd代表制造工程师学会（Society of Manufacturing Engineers）以开放获取形式出版。论文的通讯作者为Justus Rein，隶属德国达姆施塔特工业大学（Technical University of Darmstadt）产品生命周期管理系。共同作者包括Renan Vieira、Roberto Ferreira、Hanyu Liu、Victor Pepe、Eduardo Zancul、Linda Lee Ho和Benjamin Schleich，分别来自达姆施塔特工业大学产品生命周期管理系和巴西圣保罗大学理工学院（Polytechnic School - University of São Paulo）生产工程系。研究接收于2026年5月30日，修订于2026年7月26日，2026年8月5日录用，并于2026年9月2日在线发布。
本研究属于循环制造（circular manufacturing）与产品生命周期管理（product lifecycle management, PLM）的交叉领域。随着可持续制造与循环经济理念的深化，工业重心正从线性生产模式向维修、再利用、再制造和产品寿命延长方向转移。在循环维修环境中，产品不再被视为报废资产，而是可恢复并重新进入生产循环的资源。然而，此类维修过程面临产品高度可变、部件状态不确定以及过程信息不完整等核心挑战，使自动化难度远高于传统大批量制造。
现有自动化装配与拆卸方法通常针对重复性高、批量大的制造场景优化，难以直接适用于灵活的维修环境。尽管数字孪生（digital twin, DT）技术在制造中的应用日益广泛，但现有实现多聚焦于单一生命周期阶段，缺乏全生命周期数据集成，限制了生命周期信息的复用。在机器人抓取规划方面，基于学习的方法在已知物体集上表现优异，但对维修场景中常见的未知物体类别或退化表面条件泛化能力有限；基于几何的方法虽不需先验训练数据，但尚未与生命周期数据充分整合。（拆）装规划领域同样缺乏将产品数据、执行反馈、抓取可行性与人机决策相连接的生命周期驱动框架。
基于上述研究空白，本文提出以下三个研究问题：（1）如何设计数字孪生基生命周期管理方法，使循环维修工厂中的自适应（拆）装规划成为可能；（2）在不确定的循环维修条件下，如何建立自适应决策准则以选择最合适的（拆）装任务执行模式；（3）定量机器人抓取规划如何在以不确定产品状态为特征的循环维修环境中支持自适应（拆）装操作。
本研究采用面向设计的研究方法，从文献综述识别的研究空白出发，推导功能性与操作性需求，进而开发数字孪生基生命周期管理方法。方法包含概念框架要素与原型实现模块两部分，本文重点验证了机器人抓取规划与部分优化方法的原型实现。
需求定义阶段（Section 4）确立了23项功能需求（表2），涵盖产品生命周期数据集成（R1–R6）、灵活机器人抓取规划（R7–R13）、人本与协作装配（R14–R18）以及数据驱动自适应（拆）装规划（R19–R23）。其中R7–R13和R19–R20达到原型实现层级，其余为概念层级。
方法论构建阶段（Section 5）提出了完整的生命周期驱动方法架构。数字孪生定义遵循[55]的理解，包含数字主模型（digital master）与数字影子（digital shadow），通过信息反馈回路形成双向通信。图1展示了循环维修工厂的整体架构，涵盖物理工厂与数字工厂之间的交互及所涉及的生命周期阶段。图2定义了信息模型，扩展了[56]中的MEX AM过程信息模型，以支持数字孪生驱动的决策。循环维修工作流（图3）从产品需求定义与CAD建模开始，贯穿制造与装配规划、产品使用、检测、维修评估、拆卸、替换件制造与再装配，形成闭环。生命周期基维修评估（图4）在受损部件识别与拆卸规划之间增加了产品级维修可行性评估阶段，结合检测结果、使用历史、维护历史、传感器数据、预测的剩余使用寿命（remaining useful life, RUL）、预期维修成本与价值。拆卸与详细检测后，在部件级进行第二次评估，将部件分类为可维修部件与需替换部件。
自适应执行框架（Section 5.3，图5）根据仿真产生的定量可行性指标选择执行策略。评估指标包括拆卸图分析、碰撞评估、抓取规划结果与机器人可达性评估。操作按机器人引导（robot-guided）、人机协作（human–robot collaborative）或人工引导（human-guided）三种模式进行分类。该框架是定量决策支持方法，而非完全自主决策系统。
机器人引导（拆）装方法（Section 5.4，图6）考虑了所有可能的机器人臂与末端执行器组合，对每个组合确定最高排名的抓取配置。核心评价指标为抓取适宜性评分（grasp suitability score, GSS），提供统一可比的抓取质量评估。方法涵盖平行夹爪（Section 5.4.1，图7）和真空吸盘（Section 5.4.2，图9）两类末端执行器。平行夹爪抓取规划基于3D点云的平面分割与配对、PCA投影、轮廓检测、测试网格生成、可行性过滤与GSS排序。真空吸盘抓取规划采用体素降采样、半径离群点移除、向内射线投射进行目标发现、间隙验证、绕Z轴旋转生成候选姿态，以及基于垂直性、力矩和多吸盘密封性的稳定性评分。此外提出了装配组基抓取规划（Section 5.4.3）与制造几何基抓取规划（Section 5.4.4），后者利用G代码解析和增材制造逐层点云数据将制造引起的几何偏差纳入抓取规划。
原型实现阶段（Section 6）在Python中开发了软件模块。平行夹爪实现基于Open3D、NumPy、OpenCV和Shapely库，采用RANSAC平面分割与SVD贪婪平面合并，参数化YAML配置文件定义夹爪几何。测试使用了Franka Hand和SCHUNK两种工业平行夹爪，以及Franka和UR5e机器人臂的终端关节尺寸。GSS的两个权重（质心距离与接触面积）各占50%。真空吸盘实现采用面向对象架构，利用Open3D的张量基raycastingscene进行并行射线计算，trimesh库进行CAD网格碰撞检测。动态尺度不变参数（如全局点密度ρ）在运行时计算，避免硬编码阈值。
验证实验使用了工业合作伙伴提供的STEP模型装配体，通过计算机生成完整装配体及各子装配体的点云（PCD和PLY格式）作为抓取估计输入。所有仿真结果与附加文件可在指定GitHub仓库获取。
重复性验证实验（Section 7.1）：两种抓取规划方法分别在相同输入条件下独立执行500次。平行夹爪使用相同PCD点云表示，真空吸盘抓取规划器使用相同STL几何体。因真空抓取规划算法本身是确定性的，执行间变异仅源于从STL几何体随机生成点云表示的过程。对螺纹部件，真空吸盘抓取规划器在500次运行中仅38次产生了至少一个有效TCP，因此在自助法（bootstrap）分析中仅考虑有效运行。
为评估统计不确定性，进行了10,000次自助法重采样，从500次执行的原始数据集中有放回随机抽样。图13和图14展示了平行夹爪和真空吸盘500次运行的GSS值分布。图15总结了自助法分析结果，比较了两类方法在不同部件上的GSS分布和置信区间。图16展示了自助法基的GSS差异置信区间，用于评估两类方法性能差异的统计显著性。
结果表明，两种抓取规划方法在不同部件几何上均成功运行，并在重复执行中展示出稳定的性能。这为循环维修环境中的仿真基机器人（拆）装规划提供了可靠基础。
本文提出了一个数字孪生基生命周期管理方法，将异构生命周期数据集成到统一数字孪生环境中，并利用仿真驱动方法在物理执行前评估机器人抓取可行性、装配可达性、末端执行器适宜性与过程约束。研究的创新性在于将生命周期数据、自适应执行策略和仿真驱动规划整合为面向柔性循环维修操作的统一框架。
在应用价值层面，所实现的原型模块表明，方法有潜力提升过程成功率并降低柔性循环维修过程的重新规划工作量。GSS框架可对平行夹爪与真空吸盘末端执行器进行定量比较，为机器人配置选择提供数据依据。制造数据集成方法旨在改善抓取规划仿真的真实性与准确性，缩小数字仿真与物理执行之间的差距。
在科学价值层面，研究指出了现有文献中各领域孤立发展的不足，提出了将PLM数据管理、机器人（拆）装规划、数字孪生仿真与决策框架融合为一个连贯的生命周期驱动数字过程孪生系统的路径。方法区别于现有方法之处在于，它将装配图作为生命周期信息的结构化载体，使未来面向生命周期的规划与决策成为可能。
本研究的主要亮点包括：将剩余使用寿命评估与维修可行性决策嵌入循环维修工作流，使维修决策不再仅基于检测结果，而是综合产品技术寿命与经济效益；提出了装配组基与制造几何基抓取规划优化方法，利用装配上下文和制造过程数据提升抓取规划的准确度；开发了硬件无关的真空抓取规划框架，通过仅替换配置文件即可在不同末端执行器配置间切换。
然而，研究者明确指出，整体生命周期驱动框架与执行决策策略仍处于概念阶段，尚未实现为完整集成的软件框架。验证仅限于抓取可行性分析、机器人配置比较和制造数据几何近似，尚未进行物理机器人实验验证。GSS权重（各50%）是中性折衷，未来需基于实验抓取结果进行应用特定校准。质心估计基于均匀材料分布假设，在内部空腔或变密度材料情况下精度受限。