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

doi:10.3969/j.issn.1004-132X.2026.04.019

中国机械工程 ›› 2026, Vol. 37 ›› Issue (4): 948-958.DOI: 10.3969/j.issn.1004-132X.2026.04.019

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

孔琳¹^,²(), 曾庆良¹^,²(), 王黎明³, 李方义³, 张鑫¹^,², 逯振国⁴, 王桂杰¹

^1.山东科技大学机械电子工程学院, 青岛, 266590
^2.山东省矿山智能装备协同开采技术重点实验室, 青岛, 266590
^3.山东大学机械工程学院, 济南, 250061
^4.山东科技大学交通学院, 青岛, 266590

收稿日期:2025-11-20 出版日期:2026-04-25 发布日期:2026-05-11
通讯作者: 曾庆良
作者简介:孔琳，女，1992年生，教授。研究方向为全生命周期低碳设计、低碳优化决策。E-mail： konglin@sdust.edu.cn
曾庆良^*（通信作者），男，1964年生，教授、博士研究生导师。研究方向为先进设计与制造技术。E-mail： qlzeng@sdust.edu.cn。
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)

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

KONG Lin¹^,²(), ZENG Qingliang¹^,²(), WANG Liming³, LI Fangyi³, ZHANG Xin¹^,², LU Zhenguo⁴, WANG Guijie¹

^1.College of Mechanical and Electronic Engineering，Shandong University of Science and Technology，Qingdao，Shandong，266590
^2.Shandong Key Laboratory of Collaborative Mining Technology for Intelligent Mine Equipment，Qingdao，Shandong，266590
^3.School of Mechanical Engineering，Shandong University，Jinan，250061
^4.College of Transportation，Shandong University of Science and Technology，Qingdao，Shandong，266590

Received:2025-11-20 Online:2026-04-25 Published:2026-05-11
Contact: ZENG Qingliang

摘要/Abstract

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。

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

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.

Key words: manufacturing scenario, carbon emission prediction, Bayesian-optimized random forest, uncertainty analysis

中图分类号:

TH122

孔琳, 曾庆良, 王黎明, 李方义, 张鑫, 逯振国, 王桂杰. 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[J]. 中国机械工程, 2026, 37(4): 948-958.

KONG Lin, ZENG Qingliang, WANG Liming, LI Fangyi, ZHANG Xin, LU Zhenguo, WANG Guijie. Carbon Emission Prediction and Uncertainty Analysis Method for Machining Processes Driven by Manufacturing Scenarios[J]. China Mechanical Engineering, 2026, 37(4): 948-958.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.04.019

https://www.cmemo.org.cn/CN/Y2026/V37/I4/948

图/表 18

图1 机械加工过程的不同场景

Fig.1 Different scenarios of mechanical processing

图2 制造场景的分类

Fig.2 Classification of manufacturing scenarios

图3 基于贝叶斯优化随机森林的碳排放预测方法

Fig.3 Carbon emission prediction method based on Bayesian-optimized random forest

图4 基于MC-BORF的碳排放不确定性分析流程

Fig.4 Flowchart of uncertainty analysis of carbon emissions based on MC-BORF

图5 风力发电机叶片

Fig.5 Wind turbine blades

表1 风力发电机叶片加工属性信息

Tab.1 Wind turbine blade manufacturing scenario information

输入变量	名称	变量
x₁	工艺类型	预浸料真空袋成形
		真空导入成形
		真空辅助树脂传递模塑成形
x₂	地理位置	济南
		新疆
		无锡
x₃	加工设备类型	高真空度真空泵
		超高真空度真空泵
		粗真空度真空泵
x₄	加工功率/kW	［10，20］
		［15，29］
		［5，13］
x₅	加工时间/min	［55，80］
		［40，60］
		［65，95］
x₆	能源类型	火力发电
x₆	能源类型	混合发电

图6 碳排放实际拟合结果与预测拟合结果的比较

Fig.6 Comparison between actual fitting results and predicted fitting results of carbon emissions

图7 碳排放预测模型的相关系数

Fig.7 Correlation coefficient of carbon emission prediction model

图8 碳排放预测结果

Fig.8 Carbon emission prediction results

表2 不同算法的评价指标结果

Tab.2 Evaluation index results of different algorithms

评估指标	预测方法	训练集	测试集
相关系数R	贝叶斯优化随机森林	0.9680	0.9758
	随机森林算法	0.9543	0.9583
	粒子群-反向传播神经网络	0.9615	0.9597
	LightGBM	0.9693	0.9626
决定系数R²	贝叶斯优化随机森林	0.9370	0.9522
	随机森林算法	0.9107	0.9184
	粒子群-反向传播神经网络	0.9245	0.9210
	LightGBM	0.9395	0.9266
MAE	贝叶斯优化随机森林	0.0718	0.1127
	随机森林算法	0.1517	0.1380
	粒子群-反向传播神经网络	0.0956	0.1203
	LightGBM	0.0821	0.1154
RMSE	贝叶斯优化随机森林	0.1571	0.2309
	随机森林算法	0.2165	0.2709
	粒子群-反向传播神经网络	0.1897	0.2532
	LightGBM	0.1685	0.2378

表3 风机叶片制造场景加工属性分布情况

Tab.3 Distribution of processing attributes in wind turbine blade manufacturing scenarios

	属性	变量	分布类型	分布范围
x₁	工艺类型	预浸料真空袋成形	离散变量均匀分布	n=3
		真空导入成形
		真空辅助树脂传递模塑成形
x₂	地理位置	北京	离散变量均匀分布	n=3
		新疆
		无锡
x₃	加工设备类型	高真空度真空泵	离散变量均匀分布	n=3
		超高真空度真空泵
		粗真空度真空泵
x₄	加工功率	［10，20］ kW	连续变量正态分布	μ=15，σ=0.83 μ=22，σ=1.17 μ=9，σ=0.67
		［15，29］ kW
		［5，13］ kW
x₅	加工时间	［55，80］ min	连续变量正态分布	μ=67.5，σ=2.58 μ=50，σ=1.67 μ=80，σ=2.91
		［40，60］ min
		［65，95］ min
x₆	能源类型	火力发电	离散变量均匀分布	n=2
x₆	能源类型	混合发电	离散变量均匀分布	n=2

表4 基于蒙特卡罗的数据模拟

Tab.4 Monte Carlo based data simulation

序号	x₁	x₂	x₃	x₄	x₅	x₆
1	真空导入成形	济南	高真空度真空泵	16.46	69.55	混电
2	预浸料真空袋成形	北京	粗真空度真空泵	8.72	82.57	火电
3	真空导入成形	新疆	粗真空度真空泵	9.1	76.74	火电
4	真空导入成形	新疆	高真空度真空泵	18.77	70.37	混电
5	真空辅助树脂传递模塑成形	济南	高真空度真空泵	14.55	77.6	火电
6	预浸料真空袋成形	北京	超高真空度真空泵	20.99	52.19	混电
7	预浸料真空袋成形	北京	高真空度真空泵	14.96	76.47	火电
8	真空辅助树脂传递模塑成形	济南	粗真空度真空泵	9.83	80.57	混电
9	真空辅助树脂传递模塑成形	新疆	超高真空度真空泵	24.20	50.16	混电
10	真空导入成形	济南	超高真空度真空泵	22.06	51.79	火电
…	…	…	…	…	…	…

表5 风机发电机叶片加工制造场景的碳排放结果分析

Tab.5 Analysis of carbon emissions in the manufacturing scenario of wind turbine blades

序号	类别	结果
1	碳足迹最大值/kgCO₂-eq	95 416.29
2	碳足迹最小值/kgCO₂-eq	66 016.95
3	均值/kgCO₂-eq	82 268.58
4	标准差/kgCO₂-eq	313.26
5	离散系数	0.1756
6	峰态系数	0.3789
7	偏态系数	$-$ 0.6435

表5 风机发电机叶片加工制造场景的碳排放结果分析

Tab.5 Analysis of carbon emissions in the manufacturing scenario of wind turbine blades

序号	类别	结果
1	碳足迹最大值/kgCO₂-eq	95 416.29
2	碳足迹最小值/kgCO₂-eq	66 016.95
3	均值/kgCO₂-eq	82 268.58
4	标准差/kgCO₂-eq	313.26
5	离散系数	0.1756
6	峰态系数	0.3789
7	偏态系数	$-$ 0.6435

图9 风力发电机叶片加工属性的敏感性分析

Fig.9 Sensitivity analysis of wind turbine blade manufacturing scenarios

表6 风机叶片制造场景敏感参数的改进

Tab.6 Improvement of sensitive parameters in wind turbine blade manufacturing scenarios

加工设备类型	设备参数	改进前		改进后
加工设备类型	设备参数	分布函数	区间范围	分布函数	区间范围
高真空度真空泵	加工功率/kW	正态分布	［10，20］	正态分布	［13.34，16.66］
高真空度真空泵	加工时间/min	正态分布	［55，80］	正态分布	［62.34，72.66］
超高真空度真空泵	加工功率/kW	正态分布	［15，29］	正态分布	［19.66，24.34］
超高真空度真空泵	加工时间/min	正态分布	［40，60］	正态分布	［46.66，53.34］
粗真空度真空泵	加工功率/kW	正态分布	［5，13］	正态分布	［7.66，10.34］
粗真空度真空泵	加工时间/min	正态分布	［65，95］	正态分布	［74.18，85.82］

表7 改进后制造场景参数对应的碳排放结果分析

Tab.7 Analysis of carbon emissions corresponding to improved manufacturing scenario parameters

序号	类别	结果
1	碳足迹最大值/kgCO₂-eq	93 895.49
2	碳足迹最小值/kgCO₂-eq	67 659.38
3	均值/kgCO₂-eq	82 375.76
4	标准差/kgCO₂-eq	283.39
5	离散系数	0.1409
6	峰态系数	0.4205
7	偏态系数	$-$ 0.5210

表7 改进后制造场景参数对应的碳排放结果分析

Tab.7 Analysis of carbon emissions corresponding to improved manufacturing scenario parameters

序号	类别	结果
1	碳足迹最大值/kgCO₂-eq	93 895.49
2	碳足迹最小值/kgCO₂-eq	67 659.38
3	均值/kgCO₂-eq	82 375.76
4	标准差/kgCO₂-eq	283.39
5	离散系数	0.1409
6	峰态系数	0.4205
7	偏态系数	$-$ 0.5210

表8 不同能源类型下制造场景信息

Tab.8 Manufacturing scene information under different energy types

制造场景	工艺类型	地理位置	加工设备类型	加工功率/ kW	加工时间/ min	能源类型
1	真空导入成形	新疆	粗真空度真空泵	9.30	75.82	火电/ 混电/ 水电
2	真空辅助树脂传递模塑成形	北京	超高真空度真空泵	22.69	50.38
3	预浸料真空袋成形	新疆	高真空度真空泵	15.53	68.51
4	真空导入成形	济南	高真空度真空泵	15.67	68.57
5	真空辅助树脂传递模塑成形	北京	超高真空度真空泵	23.56	52.61
6	预浸料真空袋成形	北京	超高真空度真空泵	20.99	52.19
7	真空辅助树脂传递模塑成形	北京	高真空度真空泵	15.27	62.38
8	真空导入成形	新疆	高真空度真空泵	14.10	63.52
9	预浸料真空袋成形	济南	粗真空度真空泵	9.87	82.35
10	预浸料真空袋成形	济南	高真空度真空泵	16.21	63.05

图10 不同能源类型产生的碳排放结果

Fig.10 Carbon emissions results generated by different energy types

参考文献 20

[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.
	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
	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.
[6]	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.
[7]	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.
[8]	UMEDA Y， FUKUSHIGE S， TONOIKE K. Evaluation of Scenario-based Modularization for Lifecycle Design［J］. CIRP Annals， 2009， 58（1）： 1-4.
[9]	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.
[10]	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.
[11]	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.
	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.
[12]	KHALOIE H， DOLÁNYI M， TOUBEAU J F， et al. Review of Machine Learning Techniques for Optimal Power Flow［J］. Applied Energy， 2025， 388： 125637.
[13]	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.
[14]	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.
[15]	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.
[16]	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.
[17]	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.
[18]	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.
[19]	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.
[20]	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.

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

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 20

相关文章 2

编辑推荐

Metrics

[1]	曾光1,2，3;段民封1，2;倪冰雨1，2;姜潮1，2. 机械臂架系统的非随机振动分析[J]. 中国机械工程, 2019, 30(10): 1142-1149.
[2]	智鹏鹏1;李永华2;陈秉智2. 考虑参数不确定性的转向架构架结构强度分析[J]. 中国机械工程, 2019, 30(01): 22-29.