基于Citespace和Vosviewer的智能工厂文献计量可视化分析

摘  要：文章利用文献计量分析方法，对智能工厂领域的研究现状、國家与机构分布情况、知识演进脉络、国内外研究力量等进行了研究。结果表明，智能工厂正处于快速发展阶段，智能制造技术不断融入工业、能源、交通、健康等众多领域;德国、美国等国是该领域的技术领导者;近年来中国智能工厂快速发展，并不断缩小与发达国家的差距。

关键词：智能工厂;文献计量分析;竞争态势;可视化分析

中图分类号：TP391    文献标识码：A 文章编号：2096-4706（2021）12-0116-09

Abstract： Using the bibliometric analysis method， this paper studies the research status in the field of intelligent factory， the distribution of countries and institutions， the context of knowledge evolution， the research strength at home and abroad， etc. The results show that intelligent factories are in the stage of rapid development， and intelligent manufacturing technologies are continuously integrated into many fields such as industry， energy， transportation， health and so on; countries such as Germany and the United States are the technology leaders in this field; in recent years， China's intelligent factories have developed rapidly and continuously narrowed the gap with developed countries.

Keywords： intelligent factory; bibliometric analysis; competitive situation; visual analysis

0  引  言

智能工厂融合了现代传感器技术、自动化技术、网络技术和人工智能技术，通过感知、人机交互、决策、执行和反馈，实现工业制造过程与企业管理及服务的智能化，是信息技术与制造技术深度融合的新兴产物。美国是智能工厂、智能制造的发源地，美国国家科学基金会（NSF）自20世纪90年代起开始资助智能制造领域的研究，提出了“智能加工系统（smart machining system， SMS）”研究计划。2015年德国提出“德国工业4.0战略实施建议”，旨在支持工业领域新一代革命性技术的研发与创新。“中国制造2025”把智能工厂作为重要内容，利用信息技术、数字化技术、网络化技术、集成化技术、智能化技术等优势，在新一轮的工业革命中取得先机。为了解智能工厂研究领域的发展状况，本文基于该领域2011—2020年间的文献数据，采取文献计量可视化分析方法对研究的热点、知识演进脉络、主要国家发展方向与国际合作关系进行分析研究。

1  研究框架与方法

1.1  研究框架

基于WOS核心文献数据库，通过数据检索和预处理，获得智能工厂领域相关文献数据。通过文献统计与分析得到发文态势。通过知识演进分析，获得研究主题的发展态势。通过对主要国家和组织的分析，获得国家和组织合作关系，如图1所示。

1.2  数据与预处理

基于Web of Science数据库的SCI-EXPANDED、CPCI-S、CPCI-SSH三个子数据库，以TS=“smart factory*”or TS=“intelligent factory”为检索表达式，设置检索时间段为2011-01-01至2020-12-31，共检索出2 011篇文献。基于标题、作者、关键词及摘要内容对重复、无关数据等文献进行人工清洗，最终获得与智能工厂相关的文献1 691篇。

1.3  分析方法

1.3.1  文献统计分析

基于文献数量，对2011—2020年间的文献数量进行了变化态势分析，包括主要出版物分析、主要国家与机构分析等。

1.3.2  可视化分析

本文利用Citespace和VOSviewer两款软件进行分析，在VOSviewer中，通过运算分析文献数据标语和摘要等信息，所呈现的共现网络图，展示关键词、国家、机构之间的关联关系，反应研究热点和合作关系。在Citespace中选取一年中引用次数排在前10%的引文进行分析（即设置时间切片为1，共分10个时间段，阈值为25），利用最小树生成算法绘制引文信息架构图和引文网络图，反映知识脉络及其研究演化情况。

2  智能工厂领域基于文献计量分析结果

2.1  文献发文趋势分析

2011—2020年智能工厂研究领域发文总量为1 691篇（如图2所示），第一篇关于智能工厂（Smart factory）学术领域的文章诞生于2011年，发布于关于薄膜晶体管液晶显示器（TFT—LCD）制造行业的学术期刊上。2012—2016年为缓慢增长阶段，研究数量呈现缓慢增长趋势，其中2012—2015年年增长量均为个位数，从2016年开始出现十位数的增长趋势，受关注程度不断提高。智能工厂领域在2016年后成为新兴学术热点。2017—2020年为快速增长期，2017年的发文数量相较于2016年呈倍数级增长，在2019年达到峰值470篇（包含学术期刊、会议和其他），四年发文总量达1 592篇，占总发文数量的94.15%。

2.2  主要出版物分析

1 691篇文献中有57.48%为学术期刊来源，有38.49%为会议来源。期刊来源的出版物前十如表1所示（P表示出版物数量的百分比;C表示引用数量）。发文数量前十位中，关于智能工厂相关领域研究成果主要出现在2017—2020年，其中《PROCEDIA MANUFACTURING》《IEEE ACCESS》《SENSORS》前三位机构的主要研究方向为：制造、传感和控制、工程、电信、计算机科学、信息系统、生物化学、遗传学、分子生物学、化学、计算机科学、工程、医学、物理学和天文学等领域;会议中比较有代表性的学术组织为《IEEE INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGIES AND FACTORY AUTOMATION ETFA》《IFIP ADVANCES IN INFORMATION AND COMMUNICATION TECHNOLOGY》《IFIP ADVANCES IN INFORMATION AND COMMUNICATION TECHNOLOGY》，三者的研究方向主要集中于计算机科学、决策科学工程、电气及电子、电信、信息系统、工程及控制系统。通过分析主要期刊与会议所涉及的学科领域，可知目前关于智能制造的研究除了致力于传统工业制造领域外，更多集中在信息系统、生物学、化学、医学、物理学等学科领域内。

3  智能工厂领域研究演进分析

3.1  研究主题分析

借助VOSviewer和CiteSpace软件，对论文数据进行关键词共现与聚类分析，得到智能工厂领域内研究主题的分布情况，如图3所示。关于智能工厂的6类聚合图谱，统计情况如表2所示。另外，根据图4关键词时间线共现关系图可知，关于智能工厂领域研究关键词最初出现于2015—2016年，由于本文中的数据研究成果集中在2017—2020年，因此热点关键词的出现应该是在2017年之后，而新型关键词出现于2019年之后。

聚类1主要涉及物联网与信息物理系统主题，智能工厂在一定程度上可视为传统工业制造行业未来升级迭代的趋势，近年来移动计算出现了范式转变，从集中式移动云计算向移动边缘计算（MEC）转变[1]。热点关键词主要出现在2015—2016年，如“云计算（Cloud computing）”“计算建模（Computational modeling）”“物联网（iot）”，在2015—2016年间奠定了该学科的学科基础知识，关于物联网与信息物理系统相关主题中的关键词出现在2018年左右，如“5G”“区块链（Blockchain）”“边缘计算（edge computing）”“云计算（fog computing）”“网络安全（Cybersecurity）”。

聚类2主要涉及人工智能、深度学习、仿真模型主题，该领域内的深度学习、仿真模型与智能工厂连接紧密。该领域内热点关键词：“诊断（Diagnosis）”“故障诊断（fault diagnosis）”“机器学习（machine learning）”，从时间线聚类分析图谱得知更多新兴关键词出现在2019年以后，如“人工智能（artificial intelligence）”“数据挖掘（data mining）”“深度学习（deep learning0”为几个主要的新兴关键词。

聚类3主要涉及人机交互、数字工厂、生产设计系统主题，工业界对人机交互的兴趣主要集中在人和机器人的能力在工业生产中的区别和数字人体建模系统在人-机器人任务规划[2]等方面。热点关键词：“算法（Algorithm）”“环境（environment）”“算子4.0（operator 4.0）”“制造（manufacturing）”“性能（performance）”，新兴关键词为“协同（Collaboration）”“装配（assembly）”“自动化（automation）”。

聚类4主要涉及循环经济与可持续、制造系统、方法论主题，循环经济的总目标是资源的综合有效利用，2019年，Elsevier公司为实现这一目标开展废物管理领域开发和实施工业4.0的新方法，目前已取得四个方面的成果：“收集和物流、机器和废物处理厂、商业模式和数据工具”[3]。热点关键词：“框架（Framework）”“管理（management）”“可持续性（sustainability）”。新兴关键词为“循环经济（circular economy）”“供应链（supply chain）”。

聚类5主要涉及数字化转型、成熟度模型主题，连接物联网的新型数字技术的发展，以及人工智能和自动化的进步，正在推动制造业创新的新浪潮，智能工厂将利用用户和其他机器通信的工业设备、自动化流程和机制，促进工厂和市场之间的实时通信，以支持动态适应以及最大限度地提高效率[4]。该领域内的热点关键词为“大数据（big data）”，新兴关键词为“数字化转型（digital transformation）”“成熟度模型（maturity model）”。

聚類6主要涉及工业4.0、智能制造等，智能工厂在本质上是以工业制造为基础的产业升级，工业4.0和智能制造是智能工厂的组成部分，通过推动智能制造技术和智能工厂的建设，可以有效促进工业4.0制造革命[5]。本文的论文数据中，智能制造技术应用在智能工厂和工业4.0的背景下最早研究成果出现在2015年。由华南农业大学岳学军等人首次提出：随着“工业4.0”理论的兴起，云技术与工业信息物理系统（ICPS）的融合变得越来越重要，这将极大地改善制造业链和商业服务[6]。热点关键词：“信息物理系统的生产（cyber-physical production）”“工业4.0（industry 4.0）”，新兴关键词为“数字孪生（digital twins）”。

3.2  知识演进脉络分析

借助CiteSpae和Vosviewer软件，利用论文数据的引文信息建立1 691个引用文献节点，对3 602篇引文组成的引文网络进行分析，将引文阈值设定为12，进行筛选后得到25篇核心引用文献，如图5所示，同时得到引用文献中心性热点图，如图6所示。在智能工厂领域核心出版物从2013年横跨至2020年，其中有7篇（28%）来自德国，具体研究机构主要为德国国家科学与工程研究院、亚琛工业大学、德国人工智能研究中心（DFKI）、波鸿大学等;有6篇（24%）来自中国，具体研究机构为北京航空航天大学、上海交通大学、中国科技大学、华中科技大学等;有4篇（16%）来自美国，具体研究机构为加利福尼亚大学、美国辛辛那提大学等。而智能工厂研究领域的技术知识主要包含“智能制造”“CPS系统”“大数据”“物联网”“云计算”“制造预测”“制造服务”“供应链管理”“能源效率”“实时系统”等十个主要方面，其中关联性强度排名第一位的《Recommendations for Implementing the Strategic Initiative INDUSTRIE 4.0——Securing the Future of German Manufacturing Industry》报告系统地讲述了德国在未来智能工业发展中的关键——灵活运用信息通讯技术（ICT），其中的关键技术是信息通信技术（CT），具体包括联网设备之间自动协调工作M2M（Machineto machine）、通过网络获得的大数据的运用、与生产系统以外的开发销售/ERP（企业资源计划）/PLM（产品生命周期管理）/SCM（供应链管理）等业务系统联动等等[7]。美国所提出的“智能制造”“智慧生产”“能源效能”“供应链效能”通过数字技术提升工业生产效率、服务;中华人民共和国科技部2017年公布的《“十三五”先进制造技术领域科技创新专项规划》中的13个主要方面：增材制造、激光制造、智能机器人、极大规模集成电路制造装备及成套工艺、新型电子制造关键装备、高档数控机床与基础制造装备、智能装备与先进工艺、制造基础技术与关键部件、工业传感器、智能工厂、网络协同制造、绿色制造、先进制造科技创新示范工程[8]。

进一步分析70%以上的核心引文期刊以工业4.0为主要研究方向，主要包括“智能制造”“CPS系统”“云技术”“物联网”“大数据”和“能源效率”。例如2012年Davis Jim等人基于智能制造、制造智能与需求动态性能所提出的新的动态需求经济模型[9];2015年Monostori L发表基于信息物理生产系统：源于制造科学与技术的预期与新研发技术研究[10];2014年Tao F等人发表基于面向云制造的基于物联网的制造资源智能感知与访问，提出了制造资源和服务的分类及其相互关系。设计并提出了一种基于物联网的五层结构（包括资源层、感知层、网络层、服务层和应用层）资源智能感知与接入系统。描述了在CMfg中实现各种资源（硬制造资源、计算资源和智能资源）智能感知和访问的关键技术[11]。同时，30%左右的文章论述了其他领域的研究方向，主要包含“实时系统”“制造系统仿真与优化行为运作管理”“制造业服务化”“预测”“自适应柔性自动化”，从2014年开始，Agnieszka Radziwon等人根据智能工厂建设、运行进行了新方向的探索“智能工厂：探索适应性和柔性制造解决方案”[12]。Lee J等人则是从“制造预测”“工业预测与健康管理”等方面进行研究，Lee J指出世界经济的全球化是对当地工业的重大挑战，它正在推动制造业走向下一个转型——预测性制造。为了变得更有竞争力，制造商需要拥抱新兴技术，如先进的分析和基于网络物理系统的方法，以提高其生产效率和生产力[13]，阶段性总结大数据环境下预测制造系统的最新进展与趋势。同样，2014年Tao F等人在互联网、信息系统中融入“互联网服务”“互联网使用者”等关键词，首次将云计算与物联网云制造服务系统相融合，在此基础上，提出了一种基于云制造和物联网的云制造服务系统（CCIoT-CMfg）及其体系结构，分析了云制造、物联网和云计算三者之间的关系。建立了实现CCIoT-CMfg的技术体系[14]。同年Chen M等人则从大数据的生成、获取、存储和分析四个角度对大数据的几个代表性应用（包括企业管理、物联网、在线社交网络、医疗应用、集体智能和智能电网）做出了探讨与分析[15]。另外，2014年德国人工智能研究中心Gorecky d等人首次提出将“人工智能”“人机交互”和“智能工厂”领域相结合，通过技术支持，可以保证工人充分发挥自身的潜力，发挥战略决策者和问题解决者的核心作用，展现了工人技术援助的解决方案[16]。

核心引用文献日期均不超过2017年之前，智能工厂研究领域从大数据、CPS、IoT等传统方向逐渐向人工智能、循环经济与可持续发展、人机交互等领域发展。

智能工厂文献研究领域的核心文献如表3所示，2015年，Khorov Evgeny等人首先提出智能技术（如智能电网、智能电表、智能住宅、智慧医疗系统、智能工业等应用）在经济可持续增长中发挥着关键作用，新型自主控制系统将在未来发挥更大作用[17];同年，Fortino Giancarlo等人提出身体传感器网络（BSNs）的新型应用，如电子医疗保健、健身/健康系统、运动表现监测、互动游戏、工厂工人监测和社会物理互动[18]。

2016年，Wang Shiyong等人对工业4.0、物联网和服务在制造业中的应用做出了分析，在本文中我们关注的是垂直集成，以实现灵活和可重構的智能工厂。我们首先提出了一个简单的框架，将工业无线网络、云、固定或移动终端与机器、产品和传送带等智能构件结合起来[19]。同年，该作者发表面向工业4.0的智能工厂：基于大数据反馈和协调的自组织多智能体系统，指出我们提出了一个智能工厂框架，它将工业网络、云和监控终端与机器、输送机和产品等智能车间对象结合在一起[20]。将智能对象分类为各种类型的代理，利用自主决策和分布式协作使协调器具有较高的灵活性。Kang Hyoung Seok等人通过引入各种ICT技术以及与现有制造技术的融合，支持有效和准确的实时工程决策[21]，并预测了未来在智能工厂研究领域相关技术的发展方向。通过分析德国、美国、韩国政府主导的智能制造运动的政策和技术路线图，确定了与智能制造相关的主要关键技术，并预测了未来发展的趋势。Ivanov、Dmitry等人于2016年首次提出基于智能工厂工业4.0的短期供应链调度动态模型与算法[22]。

从2017年开始，Li Xiaomin等人对工业4.0下的工业无线网络进行了概述，讨论了工业无线网络的特点和相关技术，提出了一种基于服务质量和数据质量的工业无线网络体系结构[23]。

2018年，Chen Baotong等人提出了智能工厂的层次结构，然后从物理资源层、网络层和数据应用层等层面分析了智能工厂的关键技术[24]。同年，Moeuf A、Pellerin R等人介绍了关于中小企业工业4.0不同问题的现有应用研究的文献综述[25]。该文章是根据一种新的框架分类的，这种框架可以确定目标的业绩目标、所需的管理能力和每一个选定案例的选定技术组。

2020年，Oztemel E和Gursev S[26]对工业4.0这个关键词在不同领域的研究给出了综述。制造业深刻影响着经济和社会的进步，与“智能工厂”关联性最强的关键词为“工业4.0”，工业4.0作为研究中心和大学一个普遍接受的术语，受到了商界和研究界的高度关注。

4  智能工厂领域主要国家分析

4.1  主要国家学术研究聚焦点分布

借助VOSviewer软件，选取总发文量大于等于10篇的国家，以及总发文量大于等于5篇的机构构建作者共现网络且根据节点之间关系强度与方向的测度指标进行聚类以分析智能工厂领域内的国家、机构合作情况，网络中节点大小表示国家/机构发文数量，节点之间的连线粗细则代表合作频次高低，结果如表4所示。

在国家层面上，合作网络中包含42个节点，网络整体上呈现为较为稠密状且不存在离散节点。VOSviewer中自带的聚类方法将国家合作网络聚为六类。

4.2  主要国家学术研究合作分析

如图7所示，最大聚类节点为红色，由11个国家构成，包含意大利、西班牙、澳大利亚等，其中欧洲国家占比超过50%，集中合作以意大利和西班牙为主，其中意大利与26个国家（包括中国大陆、德国、法国、西班牙等）进行智能工厂领域的学术合作，合作方向主要集中在“工业4.0”“物联网”“智能制造”“大数据”“信息物理系统”等方面，值得注意的是，意大利在“人工智能”领域与中国、德国、西班牙等国开展了新的研究合作模式。

第二聚类为绿色，由10个国家构成，以法国、英国、瑞典、芬兰为主要代表，在该合作领域中法国和瑞典占据主导地位，在该聚类中“区块链技术”成了新兴关键词。

第三聚类为深蓝色，由8个国家构成，以新加坡、墨西哥、葡萄牙等国家为主要代表，具体的合作为西班牙、新加坡等国与中国大陆、法国、瑞典、西班牙等国的紧密合作。其中巴西在2018年开始与意大利、法国、新加坡、德国、丹麦等国建立了紧密的学术合作关系。

第四聚类为黄色，由7个国家构成，包含德国、中国台湾、挪威等国，聚类中除了德国与35个国家进行合作，中国台湾与14个国家进行合作外，其他国家合作数量均小于8。德国则在“优化”“增强现实”“5G”等新兴领域率先与其他国家建立学术合作关系。

第五聚类为紫色，由4个国家构成，分别为中国大陆、美国、日本和韩国，其中中国、美国与其他国家合作数量均为29，但在连接强度上中国达到了142，是42个国家中最高的，主要研究方向与美国、韩国大致相同，但值得注意的是，中国更注重“数字孪生”“深度学习”“区块链”等方向的研究，而美國更注重“人工智能”“能源效率”方向的研究。

第六聚类为浅蓝色，由2个国家构成，分别为印度和土耳其，但由于链接数量与强度偏低，且仅与少数国家形成学术合作关系，还未形成完整的学术合作关系网络。

5  结  论

为全面展示目前智能工厂领域的研究现状及发展趋势，弥补现有的不足，本文根据文献计量作以下分析：（1）智能工厂领域自2015年起成为全球关注的焦点，目前该研究领域正处于快速增长期，在未来一段时间内将呈现快速攀升的趋势，并吸引更多的国家与研究机构进入。美国和德国是最早进入智能工厂研究领域的国家，中国紧随其后，在文献数量上也渐渐呈现出优势。另外，韩国和意大利在该领域内也占据一定的主导地位，其中德国的西门子股份有限公司、德国国家科学与工程研究院、亚琛工业大学以及北京航空航天大学、上海交通大学，美国加利福尼亚大学、美国辛辛那提大学等在该领域内拥有较强的科研能力。（2）当下智能工厂领域的研究主题主要以电学、控制科学、信息科学与计算机科学为基础，逐渐向工业、能源、交通、健康等诸多领域辐射，建立智能化、自动化、服务化的新兴产业模式。智能制造是可持续发展的制造模式，它借助计算机建模仿真和信息通信技术的巨大潜力，优化产品的设计和制造过程，大幅度减少物质资源和能源的消耗以及各种废弃物的产生，同时实现循环再用，减少废弃物排放，保护环境。（3）智能工厂领域的科学研究活动中美国、中国、德国之间已形成密切合作，其中德国与中国之间的合作最为频繁，各主体间的合作研究主题与全球智能工厂研究主题以及各国的关注焦点相一致。其余合作子网络中仍存在地域性特点，特别是欧洲各国间的交流合作，以及存在部分发文量较高但与他国合作频次较低的国家（如韩国）。（4）智能工厂研究领域的活跃研究机构多以制造领域为背景，其中中国高校更注重数据分析研究，而德国高校与企业更注重系统研发与应用，美国更注重循环可持续发展、生产设计系统研发，中国在科学研究活动中的合作多产生于高校或科研机构中，应注重提升与企业和协会的合作机会，智能工厂领域的产学研合作还有较大的挖掘空间。

参考文献：

[1] MAO Y Y，YOU C S，Zhang J，et al. A Survey on Mobile Edge Computing：The Communication Perspective [J].IEEE Communications Surveys & Tutorials，2017，19（4）：2322-2358.

[2] TSAROUCHI P，MAKRIS S，CHRYSSOLOURIS G. Digitalisation and intelligent robotics in value chain of circular economy oriented waste management - A review [J].International Journal of Computer Integrated Manufacturing，2016，29（8）：916-931.

[3] SARC R，CURTIS A，KANDLBAUER L，et，al. Digitalisation and intelligent robotics in value chain of circular economyoriented waste management - A review [J].Waste Management，2019（95）：476-492.

[4] SJODIN D R，PARIDA V，LEKSELL M，et al. Smart Factory Implementation and Process Innovation [J].Research-Technology Management，2018，61（5）：22-31.

[5] MOORE S. Top Trends From Gartner Hype Cycle for Digital Government Technology，2019 [EB/OL].（2019-08-17）.https：//www.gartner.com/smarterwithgartner/top-trends-from-gartner-hype-cycle-for-digital-government-technology-2019.

[6] YUE X J，CAI H，YAN H H，et al. Cloud-assisted industrial cyber-physical systems： An insight [J].Microprocessors and Microsystems，2015，39（8）：1262-1270.

[7] Recommendations for implementing the strategic initiative GERMAN INDUSTRIE 4.0. Final report of the Industrie 4.0 Working Group [EB/OL].（2013-04-08）https：//en.acatech.de/publication/recommendations-for-implementing-the-strategic-initiative-industrie-4-0-final-report-of-the-industrie-4-0-working-group/.

[8] 中華人民共和国科学技术部.“十三五”先进制造技术领域科技创新专项规划 [J].中国计量，2017（12）：9-20.

[9] DAVIS J，EDGAR T，PORTER J，et al. Smart manufacturing，manufacturing intelligence and demand-dynamic performance [J].Computers & Chemical Engineering，2012（47）：145-156.

[10] MONOSTORI L. Cyber-physical production systems：roots from manufacturing science and technology [J].at-Automatisierungstechnik， 2015，63（10）：766-776.

[11] TAO F，ZUO Y，XU L D，et al. IoT-Based Intelligent Perception and Access of Manufacturing Resource Toward Cloud Manufacturing [J].IEEE Transactions on Industrial Informatics，2014，10（2）：1547-1557.

[12] RADZIWON A，BILBERG A，BOGERS M，et al. The Smart Factory：Exploring Adaptive and Flexible Manufacturing Solutions [J].Procedia Engineering，2014（69）：1184-1190.

[13] LEE J，LAPIRA E，BAGHERI B，et al. Recent advances and trends in predictive manufacturing systems in big data environment [J].Manufacturing Letters，2013，1（1）：38-41.

[14] TAO F，CHENG Y，XU L D，et al. CCIoT-CMfg：Cloud Computing and Internet of Things-Based Cloud Manufacturing Service System [J].IEEE Transactions on Industrial Informatic.2014，10（2）：1435-1442.

[15] CHEN M，MAO S W，LIU Y H，et al. Big Data：A Survey [J]，Mobile Networks & Applications.2014，19（2）：171-209.

[16] GORECKY D，SCHMITT M，Loskyll M，et al.Human-machine-interaction in the industry 4.0 era [C]//2014 12th IEEE International Conference on Industrial Informatics （INDIN）.Porto Alegre：IEEE.2014：289-294.

[17] KHOROV E，LYAKHOV A，KROTOV A，et al. A survey on IEEE 802.11ah： An enabling networking technology for smart cities [J].Computer Communications，2015（58）：53-69.

[18] FORTINO G，GALZARANO S，GRAVINA R，et al. A framework for collaborative computing and multi-sensor data fusion in body sensor networks [J].Information Fusion，2015（22）：50-70.

[19] WANG S Y，WAN J F，LI D，et al. Implementing Smart Factory of Industrie 4.0：An Outlook [J].International Journal of Distributed Sensor Networks，2016（1）：1-10.

[20] WANG S Y，WAN J F，ZHANG D Q，et al. Towards smart factory for industry 4.0：a self-organized multi-agent system with big data based feedback and coordination [J].Computer Networks，2016（101）：158-168.

[21] KANG H S，LEE J Y，CHOI S S，et al. Smart Manufacturing： Past Research，Present Findings，and Future Directions [J].international journal of precision engineering and manufacturing-green technology，2016（3）：111-128.

[22] IVANOV D，DOLGUI A，SOKOLOV B，et al. A dynamic model and an algorithm for short-term supply chain scheduling in the smart factory industry 4.0 [J].International Journal of Production Research，2016，54（2）：386-402.

[23] LI X M，LI D，et al. A review of industrial wireless networks in the context of Industry 4.0 [J].Wireless Networks volume，2017，23（1）：23-41.

[24] CHEN B T，WAN J F，SHU L，et al. Smart Factory of Industry 4.0： Key Technologies，Application Case，and Challenges [J].IEEE Access，2018（6）：6505-6519.

[25] MOEUF A，PELLERIN R，LAMOURI S，et al. The industrial management of SMEs in the era of Industry 4.0 [J].International Journal of Production Research，2018，56（3）：1118-1136.

[26] OZTEMEL E，GURSEV S. Literature review of Industry 4.0 and related technologies [J].Journal of Intelligent Manufacturing.2020，31（1）：127-182.

作者簡介：程浩伦（1997—），男，汉族，湖北仙桃人，硕士研究生在读，研究方向：信息可视化、交互设计、服务设计。