智能制造技术的研究现状与发展趋势

欧阳华兵

(上海电机学院 机械学院,上海 201306)

上世纪80年代开始，人工智能技术逐步运用到制造领域。提出了智能制造技术和智能制造系统，随后出现了精益制造、虚拟制造、快速响应制造等现代制造模式，集成化与智能化也逐步成为下一代制造系统的特征。智能产品、智能产线、智能车间、智能工程等不断涌现[1]。

智能制造不是简单的传统产品改造和技术突破，而是信息技术与制造业的深度融合与集成创新[2]，通过深度学习、迁移学习和增强学习等技术手段，将制造数据和信息加工成知识，实现知识的智能化制造与服务，它是实现中国制造业由大到强的关键路径。

本文以智能制造技术为研究对象，在分析智能制造技术发展背景的基础上，阐述了智能制造技术的基本内涵，针对实现智能制造的4个关键共性技术及其研究现状进行了深入分析与探讨，并对智能制造的未来发展趋势进行了展望。

1 智能制造概述

1.1 国外智能制造发展概况

国外智能制造起步较早，最早可追溯到1988年，美国怀特教授和布恩教授出版了《智能制造》专著，首次提出了智能制造概念，指出了智能制造的具体设想和实施途径[3]。1989年，日本提出了智能制造系统，开发了世界上最早的智能工厂。德国奔驰和宝马等著名车企，将智能制造技术应用于车辆总装中，取得了良好效果。

21世纪以来，随着物联网、大数据、云计算、人工智能等新一代信息技术的不断成熟，智能制造技术的研究及其实践取得了快速发展。2011年，美国提出了重返制造业的“再工业化”战略。2012年美国智能制造领导联盟提出“先进制造业国际战略计划”。2013年，由西门子、德国工程院、弗劳恩霍夫协会倡议，德国提出了“工业4.0”战略[2]。

2004年，日本制定了《新产业创新战略》。2014年将机器人、新能源汽车和3D打印等作为重点，推行了“再行战略”[3]。2016年韩国实行了“新增长动力战略”，法国实施“新工业法国”计划[4-5]。

1.2 国内智能制造发展概况

我国智能制造技术起步较晚，1994年以清华大学、南京航空航天大学、华中科技大学、西安交通大学为代表的高校率先开展智能制造相关技术研究。2015年由工业和信息化部发起，中国工程院起草，制定了《中国制造2025》的国家战略，该战略以促进制造业创新发展为主题，以加快下一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向，强化工业基础能力，提高综合集成水平，主要解决数字化、网络化和智能化制造等3大核心问题，通过工业制造的智能化带动产业数字化和智能化，大力发展高端智能制造业，实现制造业由大变强的历史跨越。2016年，工业和信息化部发布了《智能制造发展规划(2016-2020)》，将构建智能制造支撑体系，初步实现重点产业的智能转型[5]。

2 智能制造技术的基本内涵

智能制造技术作为一种先进的智能化制造技术，其目标是实现整个制造企业价值链的智能化，实现专家系统、机器学习、人工智能、云计算、数据挖掘、神经网络、物联网、机器视觉等智能技术与产品设计、产品制造和产品装配等制造技术的深度融合[6]。现已形成了信息物理融合技术、基于物联网的先进感知技术、基于大数据的智能调度与优化技术、基于云制造的智能服务技术等各种形式的智能制造技术[6-7]。智能制造关键技术架构如图1所示。

图1 智能制造关键技术架构

通过对制造过程中资源的智能感知、智能推理、智能决策与智能控制等环节，在物联网、大数据和云计算技术的支持下，提高了产品全生命周期中的制造流程(包括产品设计、加工、装配等环节)、企业管理及服务等环节的智能化水平。通过人机间的相互协同，可实现产品需求的动态响应、新产品的快速开发，对生产和供应链网络进行实时优化，保证了成本、效率和能耗的最优化，显著提高了整个制造系统的自动化及柔性化程度。

3 智能制造关键共性技术及其研究现状

为了实现智能技术与制造技术的深度融合，必须重视对制造过程的感知、控制、决策和执行等的研究，大力推进智能制造关键共性技术的研发[8-9]。本节结合当前智能制造的发展现状，重点围绕智能制造具体实现路径中所涉及的4个关键技术进行阐述，即赛博物理系统(Cyber-Physical Systems，CPS)、基于物联网的先进感知技术、基于大数据的智能生产调度与优化技术、基于云制造的智能服务技术[6]。

3.1 CPS技术

为了实现智能制造中物理系统与信息处理的深度融合，其核心措施就是改变传统制造中依靠实体空间中通过生产设备制造产品的模式，转变为以工业物联网为核心的人机交互模式，构建基于物理设备与制造过程数字模型的CPS[10]，其框架如图2所示。

图2 CPS系统框架

CPS技术通过智能感知、分析、预测、优化和协同等技术手段，依托计算机网络、大数据和云计算技术，将生产系统中的制造信息与物理对象深度融合，提升工业产业链的智能化与信息化水平[11]。

有关CPS研究已引起了国内外广泛关注，目前研究重点主要集中在系统建模、网络技术和安全性技术领域[9,11]。

在CPS建模时，必须考虑CPS所包含的大量信息物理交互过程中能量流动与信息流动[12]。如何真实再现现实系统的运作方式是构建CPS的关键。文献[13]提出了CPS离散建模、连续建模和混合建模的改进方法，在此基础上提出了统一模型理论、扩展模型理论、混合模型与基于数据驱动等4种CPS建模的方法。

针对CPS相关网络技术的研究主要集中在传输协议、拥塞控制和服务质量(Quality of Service, QoS)管理等方面[11]。传输协议主要解决时空数据传输过程的可靠性和安全性，并能够有效降低系统的能耗带宽。拥塞控制则重点解决重要物理数据传输率的问题，采用不同粒度的时间和空间方法，控制网络拥堵，以消除拥塞问题，保障数据传输的正确性。QoS管理则强调了不同应用应满足不同QoS需求的问题。

CPS安全性指系统阻止未授权用户访问并发现入侵的能力[11-12]。主要包括解决恶意攻击下的实时控制、加密技术、故障传播和自我诊断等问题的研究。文献[14]提出了一种受资源约束的可靠安全的CPS，强调了安全机制和控制算法协同设计的重要性。

综上所述，目前有关CPS的研究在局部功能上取得了突破，但在具体实现的科学基础和工程原理方面，还难以完全满足CPS的需求，有待进一步研究。

3.2 基于物联网的先进感知技术

目前，物联网架构上一般分为感知层、网络层和应用层，其中感知层所涉及的相关技术称之为感知技术。实现智能制造的前提就是利用先进的感知技术，将制造过程全生命周期中涉及到人、物、机、环境和信息等制造资源、过程与服务等信息透彻地感知。

先进感知技术主要涉及3大关键问题：数据采集、数据处理和数据通信技术[9,15]，其技术架构体系如图3所示。

图3 先进感知技术架构体系

在数据采集方面，通过各种传感器技术对制造过程的设备、加工对象及其状态等进行识别与感知[16]。目前常用的数据采集方式有：手工采集、半自动化采集和自动化采集等。其中手工采集方法有电子表格、纸质文档、数控面板录入、触摸屏录入等；半自动化采集方法有二维码、条形码、刷卡、手持终端设备等；自动化采集方式有：芯片卡、蓝牙、射频识别(Radio Frequency Identification, RFID)等。由于RFID技术具有非接触识别、多目标识别和高速识别的特点，被广泛应用于机械加工、物料运输、生产监控、质量控制、设备维护、智能仓储等诸多环节。借助于工业物联网，使得基于智能制造精确数据的制造、决策和优化成为可能，加快了数字化车间、智能化工厂的构建。

在数据分析处理方面，主要存在数据传输过程中传感器节点能量、存储容量、通信带宽和处理计算能力等问题[17]。目前主要解决措施是采用数据融合技术，其研究主要集中在以下4个方面：① 基于统计学的数据融合，有参数估计法[18]、卡尔曼滤波法[19]和回归分析法[19]，能有效解决数据的不确定融合，但鲁棒性较差；② 基于人工智能的数据融合，主要有遗传算法、神经网络和模糊逻辑等[20-21]；③ 基于拓扑学的数据融合，有平面网络结构法和层次网络结构法[22]；④ 基于信息论的数据融合，主要有聚类分析法和熵值法[23]。

在数据通信技术方面，主要围绕通信协议和通信的可靠性等展开。鉴于无线通信较有线通信具有成本低、效率高和距离远等诸多优点，它在工程实践中得到了广泛的应用。目前，物联网中基于无线通信协议主要有3G/4G/5G，ZigBee，蓝牙，IEEE802.11，GPRS和WIFI等[24]。对通信可靠性的研究主要集中在混合机制、冗余机制、协作机制和重传机制等方面[25]。

综上所述，基于物联网的先进感知技术在数据采集、处理和通信方面取得了非常大的进展，未来研究仍然是向无线化与智能化方向发展，同时不断提高数据采集的精度、效率、数据传输的有效性以及数据通信的可靠性。

3.3 基于大数据的智能生产调度与优化技术

随着先进感知技术不断成熟，对制造过程所涉及到人、机、物等制造资源进行全面感知，产生了大量的制造数据，这些数据具有量大、多源异构、时序性强和动态增长等特点。为了缩短产品制造周期、提高生产效率并加快产品的市场响应速度，目前一般采用数学、物理、机器学习、人工智能等科学技术相融合的先进方法，对CPS所感知到的工业大数据进行挖掘处理，有助于提高制造过程生产调度的智能化水平[26]。

生产调度旨在尽可能满足生产约束的条件下，合理配置有效资源，实现车间作业和加工工序的合理安排，达到某些性能指标的最优化。生产调度研究的核心与重点就是调度方法。目前，主要有线性规划、目标规划、整数规划、动态规划等基于运筹学的方法，并解决了车间流水线调度、模块化制造、生产资源链调度等实际工程问题，但上述方法经常会导致调度结果不理想和难以解决复杂的车间调度问题。

随着计算机技术、网络技术、优化技术和人工智能技术的不断发展，出现了启发式调度、基于仿真的调度和基于人工智能的调度等方法[27]。启发式调度方法充分利用了面向特定问题的知识和经验的优势，具有易于实现、计算复杂度低等特点，能够用于动态实时调度系统中，该方法的不足是搜索效率不高，用来评估解决方案质量手段较少，还需要进一步探索。文献[28]采用启发式方法解决了并行多机成组工作总流水时间调度问题。基于仿真的调度则通过运行仿真模型收集数据，对实际系统进行性能和状态分析，采用合适的控制调度方法。基于人工智能的调度方法是采用人工智能技术和人类调度专家经验建模并求解调度问题，主要包括专家系统、基于Multi-agent的调度方法[29]、人工神经网络[30]、模糊逻辑、遗传算法、模拟退火方法、禁忌搜索算法、免疫算法和蚁群算法等[26]。

综合上述文献研究可知：为了解决生产调度问题，开发应用了不同的智能算法，通过模仿自然行为过程，快速求解调度模型。但至今仍未形成一套完整的普适理论与方法，实际应用与理论研究间还存在较大差距，对于复杂的工程调度问题，特别需要开发能求解实际问题的智能算法。

3.4 基于云制造的智能服务技术

基于云计算的云制造已经发展为一种全新的制造业模式和手段[31]，受到了国内外高度关注，目前我国已将云制造列入了国家863计划重大专项。

云制造主要融合信息化制造、网络技术和智能科学技术等优势，以“制造即服务”理念，为制造全生命周期活动的高效组织和管理提出了一种新型制造模式[32]。云制造理念及其优势在制造业中也逐步凸显出来，赋予云制造服务更多特点：① 服务资源虚拟化；② 服务资源个性化、多样化、共享化和协同化；③ 服务高安全性和高可靠性；④ 服务全生命周期化；⑤ 服务流程绿色化、低碳化。云制造加快了制造业从“生产型”向“服务型”的转变，提高了资源的优化配置和资源的利用率。

近年来，有关云制造的智能服务技术研究主要集中在3个方面：① 云制造服务的智能搜索与匹配；② 云制造服务的组合优化[33]；③ 云制造服务的评价[32]。

云制造服务的智能搜索与匹配，指在海量制造服务资源中搜索与需求资源相匹配的服务资源过程[34]，其求解方法主要有基于本体的方法[35]、语义描述法[34]和遗传算法等[36]方法，但由于制造资源的复杂性、异构性和动态性等，目前研究主要局限于单一信息或特定领域，搜索和匹配方法准确率和快速性还有待提高，这些都制约了资源服务匹配效率。

云制造服务的组合优化，指针对多资源服务的需求任务，从云制造服务平台获得满足各子任务功能性约束需求的服务资源，并按一定顺序组装成资源服务组合，协同完成多资源服务任务的过程[36]。多年来，国内外研究人员对其进行了大量的研究，提出了许多智能求解算法，主要有：遗传算法[37]、粒子群算法、人工蜂群优化算法[38]、小生境免疫算法[39]、量子和声搜索算法[40]等。文献[41]构建基于云制造模式下的多资源服务组合优化模型，并采用PSO组合优化算法，以实现制造资源的智能化多向选择。文献[42]提出一种任务粒化算法，可快速有效地求解大规模服务组合优化问题。

云制造的服务评价，则重点反映了用户对产品后期服务的一种反馈机制。对其研究主要集中在两个方面：① 云制造服务评价体系的构建；② 云制造服务评价方法的研究。前者重点研究如何更加真实合理地对云制造服务进行科学合理可靠的评价，主要解决云制造服务的信誉评价体系[43]、质量评价体系[44]和资源组合评价体系[45]等问题，其研究核心是如何针对特定的云制造服务，提出或制定一套通用普适的评价体系。在云制造服务评价方法的研究方面，从传统的基于层次分析法[46]、模糊数学法[47]、主成分分析法[48]和概率密度函数法[49]等评价方法，逐步发展到多种方法相结合的综合评价法，逼近理想排序法(Technique for Order Perference by Similarity to Ideal Solution，TOPSIS)算法、蚁群算法、免疫算法等智能算法的多属性决策评价方法[51]。

综上所述，关于云制造智能服务技术的研究成果大多数针对特定环境进行建模、匹配、组合与优化，具有一定的局限性。这些无法完全解决云制造平台各类制造资源的复杂性问题，对资源服务的组合、优化和评价方法还需不断完善。基于云制造的智能制造还应进一步融合物联网、知识网、工业互联网等云服务模式，不断提升服务的智能化水平。

4 智能制造技术研究展望

智能制造是未来制造业发展的必然方向，它是一个复杂的系统工程，既是一种技术，更是一种系统、模式与生态环境。人工智能技术在制造业智能化生命周期各个环节中的地位不断凸显，解决了制造业资源的互联互通、实时控制、数据优化、智能服务等问题，促进了智能优化技术在设备智能检测维护、加工过程实时监控、生产经营智能服务等各个环节中的应用，推动了制造业向智能化水平迈进。

未来的智能制造必将朝着集成化、智能化、无人化、规模化、绿色低碳化等方向不断发展，智能制造技术理论和方法也将呈现出如下的发展趋势[6,52]。

(1) 智能设备间的互联互通。智能设备间的互联互通是实现智能制造的前提和基础，新一代智能制造对生产系统与生产设备间数据通信提出了更高的要求，设备连接中涉及到的通信协议、传输方式、拥塞控制、可靠性、稳定性、安全性等相关技术还需进一步完善。

(2) 基于物联网的设备实时感知、智能控制与人工交互技术。传感器技术是物联网实现对制造设备实时全面感知的重要手段[6,52]。传感器正朝着微型化、复合化和智能化方向转变，未来的智能传感器除了具备感知能力外，还具备一定的数据处理、智能判断与自适应能力等。另外，还需进一步重视人在智能制造系统中的作用，对人、机、物的协同与人工交互技术与方法展开进一步的研究，通过人与智能化技术的融合来推进智能制造的发展。

(3) 生产调度与系统的智能化技术。随着生产调度朝着协同化、柔性化和大规模化方向发展，如何针对生产调度中的组合优化问题，尤其是多领域及实时调度问题，开发出能解决大规模、柔性化生产调度的智能算法，已成为生产调度发展的一个重要研究方向。基于人工智能、计算智能和实时智能的智能调度算法将会是未来生产调度算法的趋势，利用各种调度算法开发调度系统解决实际问题，是实现生产调度智能化的必然措施。

(4) 基于云制造平台的制造资源自主决策与智能服务技术。如何根据云制造平台上用户的需求与现有车间的制造资源，将车间资源实时状态按规则进行搜索匹配，实现基于云平台的制造资源自主决策与加工，这是未来智能制造的必然选择。这涉及到制造过程的柔性化技术，用户需求的智能分析技术，云制造服务的智能匹配、组合优化与智能评价技术等。未来应加强云制造中云计算研究，发展云制造服务的高维多目标组合优化方法，加大对云制造服务的评估方法研究，不断为云用户提供更加优质的智能服务，推进智能制造的水平，增强智能制造即服务的内涵[53]。

5 结 语

智能制造综合运用了CPS、物联网、智能传感器、大数据分析、生产调度、云制造、智能服务、人工智能等先进技术，通过感知、人机交互、决策、执行等环节实现产品全生命周期的智能化，它是信息技术与制造技术的深度融合，是多种先进制造模式的理念融于一体的可持续发展模式，实现了传统制造的智能化升级。本文对智能制造技术的研究作了综合性的阐述，提出了智能制造技术的基本内涵，重点从技术层面分析了智能制造的4个关键共性技术及其研究现状，并展望智能制造技术的未来研究方向。为了推进我国智能制造的进程，需要加强制造技术、信息科学、计算机科学、网络技术、人工智能等相关技术领域的研究，促进智能制造技术理论的发展，加快智能制造技术在某些关键制造领域的部署，逐步实现制造过程中人、机、物的智能协同，最终实现智能制造的升级。