《1. 引言》
1. 引言
智能制造是一个大概念,其内涵伴随着信息技术与制造技术的发展和融合而不断演进。当前,随着互联网、大数据、人工智能等技术的迅猛发展,智能制造正加速向新一代智能制造迈进[1−14]。同时,尽管智能制造的内涵在不断演进[15−24],但其所追求的根本目标是不变的:始终都是尽可能优化以提高质量、增加效率、降低成本、增强竞争力;而且,从系统构成的角度看,智能制造系统也始终都是由人、信息系统和物理系统协同集成的人-信息-物理系统(human-cyber-physical systems,HCPS)[25−28],或者说,智能制造的实质就是设计、构建和应用各种不同用途、不同层次的HCPS。当然,HCPS的内涵和技术体系也在不断演进。本文旨在探讨面向新一代智能制造的HCPS2.0的内涵、特征、技术体系、实现架构以及面临的挑战。
《2. 面向智能制造的 HCPS 的进化过程》
2. 面向智能制造的 HCPS 的进化过程
《2.1. 制造系统发展的第一阶段——基于人 – 物理系统(HPS)的传统制造》
2.1. 制造系统发展的第一阶段——基于人 – 物理系统(HPS)的传统制造
200多万年前,人类就会制造和使用工具[29]。从石器时代到青铜器时代、再到铁器时代,这种主要依靠人力和畜力为主要动力并使用简易工具的生产系统一直持续了百万年。以蒸汽机的发明为标志的动力革命引发了第一次工业革命,以电机的发明为标志的动力革命引发了第二次工业革命,人类不断发明、创造与改进各种动力机器并使用它们来制造各种工业品[13],这种由人和机器所组成的制造系统大量替代了人的体力劳动,大大提高了制造的质量和效率,社会生产力得以极大提高。
这些制造系统由人和物理系统(如机器)两大部分所组成,因此称为人-物理系统(human-physical systems, HPS),如图1所示。其中,物理系统(physical systems)——P是主体,工作任务是通过物理系统完成的;而人(human)——H则是主宰和主导,人是物理系统的创造者,同时又是物理系统的使用者,完成工作任务所需的感知、学习认知、分析决策与控制操作等均由人来完成。例如,在传统手工操作机床上加工零件时,需由操作者根据加工要求,通过手眼感知、分析决策并操作手柄控制刀具相对工件按希望的轨迹运动而完成加工任务。图2表示了HPS的原理简图。
《图1》

图1. 基于人-物理系统(HPS)的传统制造。
《图2》

图2. 人-物理系统(HPS)的原理简图。
《2.2. 制造系统发展的第二阶段——基于 HCPS1.0 的数字 化制造》
2.2. 制造系统发展的第二阶段——基于 HCPS1.0 的数字 化制造
20世纪中叶以后,随着制造业对于技术进步的强烈需求,以及计算机、通信和数字控制等信息化技术的发明和广泛应用,制造系统进入了数字化制造(digital manufacturing)时代[30−33],以数字化为标志的信息革命引领和推动了第三次工业革命[34−36]。
与传统制造相比,数字化制造最本质的变化是在人和物理系统之间增加了一个信息系统(cyber system)——C,从原来的“人-物理”二元系统发展成为“人-信息-物理”三元系统(HPS进化成了HCPS),如图3所示。信息系统是由软件和硬件组成的系统,其主要作用是对输入的信息进行各种计算分析,并代替操作者去控制物理系统完成工作任务。例如,与上述传统手工操作机床加工系统对应的是数控机床加工系统,它在人和机床之间增加了计算机数控系统这个信息系统,操作者只需根据加工要求,将加工过程中需要的刀具与工件的相对运动轨迹、主轴速度、进给速度等按规定的格式编成加工程序,计算机数控系统即可根据该程序控制机床自动完成加工任务[37]。
《图3》

图3. 基于人-信息-物理系统(HCPS1.0)的数字化制造。
数字化制造可定义为第一代智能制造,故而面向数字化制造的HCPS可定义为HCPS1.0。与HPS相比,HCPS1.0通过集成人、信息系统和物理系统的各自优势,其能力尤其是计算分析、精确控制以及感知能力等都得到极大的提高,其结果是:一方面,制造系统的自动化程度、工作效率、质量与稳定性以及解决复杂问题的能力等各方面均得以显著提升;另一方面,不仅操作人员的体力劳动强度进一步降低,更重要的是,人类的部分脑力劳动也可由信息系统完成,知识的传播利用以及传承效率都得以有效提高。图4表示了HCPS1.0的 原理简图。
《图4》

图4. 人-信息-物理系统(HCPS1.0)的原理简图。
从二元系统HPS到三元系统HCPS,由于信息系统的引入,制造系统同时增加了人-信息系统(human-cyber systems)——HCS和信息-物理系统(cyber-physical systems)——CPS[26, 38, 39]。美国学术界在21世纪初提出了CPS的理论[40, 41],德国工业界将CPS作为“工业4.0”的核心技术[42, 43]。
此外,从“机器”的角度看,信息系统的引入也使机器的内涵发生了本质变化,机器不再是传统的一元系统,而变成了由信息系统与物理系统构成的二元系统,即信息-物理系统,因此,第三次工业革命可以看作第二次机器革命的开始[13]。
在HCPS1.0中,物理系统仍然是主体;信息系统成为主导,信息系统在很大程度上取代了人的分析计算与控制工作;而人依然起着主宰的作用[44]:首先,物理系统和信息系统都是由人设计制造出来的,其分析计算与控制的模型、方法和准则等都是在系统研发过程中由研发人员通过综合利用相关理论知识、经验、实验数据等来确定并通过编程等方式固化到信息系统中的,同时,这种HCPS1.0的使用效果在很大程度上依然取决于使用者的知识与经验。例如,对于上述数控机床加工系统,操作者不仅需要预先将加工工艺知识与经验编入加工程序中,同时还需要对加工过程进行监控和必要的调整优化。
《2.3. 制造系统发展的第三阶段 —— 基于 HCPS1.5 的数字化网络化制造》
2.3. 制造系统发展的第三阶段 —— 基于 HCPS1.5 的数字化网络化制造
20世纪末,互联网技术快速发展并得到广泛普及和应用,推动制造业从数字化制造向数字化网络化制造(smartmanufacturing)转变[17,45−47]。数字化网络化制造本质上是“互联网+数字化制造”,可定义为“互联网+”制造,亦可定义为第二代智能制造。数字化网络化制造系统仍然是基于人、信息系统、物理系统三部分组成的HCPS,如图5所示,但这三部分相对于面向数字化制造的HCPS1.0均发生了根本性的变化,故而面向数字化网络化制造的HCPS可定义为HCPS1.5。最大的变化在于信息系统:互联网和云平台成为信息系统的重要组成部分,既连接信息系统各部分,又连接物理系统各部分,还连接人,是系统集成的工具;信息互通与协同集成优化成为了信息系统的重要内容。同时,HCPS1.5中的人已经延伸成为由网络连接起来的共同进行价值创造的群体,涉及企业内部、供应链、销售服务链和客户,使制造业的产业模式从以产品为中心向以客户为中心转变,产业形态从生产型制造向生产服务型制造转变。
《图5》

图5. 基于人-信息-物理系统(HCPS1.5)的数字化网络化制造。
数字化网络化制造的实质是有效解决了“连接”这个重大问题:通过网络将相关的人、流程、数据和事物等连接起来,通过企业内、企业间的协同和各种资源的共享与集成优化,重塑制造业的价值链。例如,数控机床的设计制造商及其关键零部件供应商均可通过网络对自己的产品进行远程运维服务,与数控机床应用企业一起共同创造价值;数控机床的应用企业也可以通过网络实现其加工过程与工艺设计、生产调度、物流管理等的信息互通和集成优化[37,48,49]。
《2.4. 制造系统发展的第四阶段——基于 HCPS2.0 的新一代智能制造》
2.4. 制造系统发展的第四阶段——基于 HCPS2.0 的新一代智能制造
当今世界,各国制造企业普遍面临着进一步提高质量、增加效率、快速响应市场的强烈需求,制造业亟需一场革命性的产业升级。从技术上讲,基于HCPS1.5的数字化网络化制造还难以克服制造业发展所面临的巨大瓶颈和困难。解决问题,迎接挑战,制造业对技术创新、智能升级提出了紧迫要求。
新世纪以来,互联网、云计算、大数据等信息技术日新月异、飞速发展,并极其迅速地普及应用,形成了群体性跨越[12, 50−52]。这些历史性的技术进步,集中汇聚在新一代人工智能的战略性突破,新一代人工智能已经成为新一轮科技革命的核心技术[2, 5, 53−55]。
新一代人工智能技术与先进制造技术的深度融合,形成了新一代智能制造技术,成为了新一轮工业革命的核心驱动力[1]。新一代智能制造的突破和广泛应用将重塑制造业的技术体系、生产模式、产业形态,以人工智能为标志的信息革命引领和推动着第四次工业革命。
图6描述了面向新一代智能制造系统的HCPS,其相对于面向数字化网络化制造的HCPS1.5又发生了本质性变化,因此,面向新一代智能制造的HCPS可定义为HCPS2.0。HCPS2.0中最重要的变化发生在起主导作用的信息系统:信息系统增加了基于新一代人工智能技术的学习认知部分,不仅具有更加强大的感知、决策与控制的能力,更具有学习认知、产生知识的能力,即拥有真正意义上的“人工智能”;信息系统中的“知识库”是由人和信息系统自身的学习认知系统共同建立,它不仅包含人输入的各种知识,更重要的是包含着信息系统自身学习得到的知识,尤其是那些人类难以精确描述与处理的知识,知识库可以在使用过程中通过不断学习而不断积累、不断完善、不断优化。这样,人和信息系统的关系发生了根本性的变化,即从“授之以鱼”变成了“授之以渔”[1,2,6]。图7表示了HCPS2.0的原理简图。
《图6》

图6. 基于人-信息-物理系统(HCPS2.0)的新一代智能制造。
《图7》

图7. 新一代人-信息-物理系统(HCPS2.0)的原理简图。
这种面向新一代智能制造的HCPS2.0不仅可使制造知识的产生、利用、传承和积累效率都发生革命性变化,而且可大大提高处理制造系统不确定性、复杂性问题的能力,极大改善制造系统的建模与决策效果。例如,对于智能机床加工系统,能在感知与机床、加工、工况、环境有关的信息基础上,通过学习认知建立整个加工系统的模型,并应用于进行决策与控制,实现加工过程的优质、高效和低耗运行[48,49,56]。
新一代智能制造进一步突出了人的中心地位[28,57−61]:智能制造将更好地为人类服务;同时,人作为制造系统创造者和操作者的能力和水平将极大提高,人类智慧的潜能将得以极大释放,社会生产力将得以极大解放。知识工程将使人类从大量脑力劳动和更多体力劳动中解放出来,人类可以从事更有价值的创造性工作。
总之,面向智能制造的HCPS随着相关技术的不断进步而不断发展,而且呈现出发展的层次性或阶段性(图8),从最早的HPS到HCPS1.0再到HCPS1.5和HCPS2.0,这种从低级到高级、从局部到整体的发展趋势将永无止境。
《图8》

图8. 面向智能制造的HCPS的演进。
《3. 面向新一代智能制造的 HCPS2.0 的内涵》
3. 面向新一代智能制造的 HCPS2.0 的内涵
面向新一代智能制造的HCPS2.0既是一种新的制造范式,也是一种新的技术体系,是有效解决制造业转型升级各种问题的一种新的普适性方案,其内涵可以从系统和技术等视角进行描述。
《3.1. 系统视角》
3.1. 系统视角
从系统构成看,面向新一代智能制造的HCPS2.0是为了实现一个或多个制造价值创造目标,由相关的人、信息系统以及物理系统有机组成的综合智能系统。其中,物理系统是主体,是制造活动能量流与物质流的执行者,是制造活动的完成者;拥有人工智能的信息系统是主导,是制造活动信息流的核心,帮助人对物理系统进行必要的感知、认知、分析决策与控制,使物理系统以尽可能最优的方式运行;人是主宰,一方面,人是物理系统和信息系统的创造者,即使信息系统拥有强大的“智能”,这种“智能”也是人赋予的,另一方面,人是物理系统和信息系统的使用者和管理者,系统的最高决策和操控都必须由人牢牢把握。从根本上说,无论物理系统还是信息系统都是为人类服务的。总而言之,对于新一代智能制造,制造是主体,智能是主导,人是主宰。
面向新一代智能制造的HCPS2.0需要解决各行各业各种各类产品全生命周期中的研发、生产、销售、服务、管理等所有环节及其系统集成的问题,极大提高质量、效率与竞争力。或者可以说,新一代智能制造的实质就是构建与应用各种不同用途、不同层次的HCPS2.0,并最终集成为一个有机的、面向整个制造业的HCPS2.0网络系统,使社会生产力得以革命性提升。因此,面向新一代智能制造的HCPS2.0从总体上呈现出智能性、大系统和大集成等三大主要特征:
第一,智能性是面向新一代智能制造的HCPS2.0的最基本特征,即系统能不断自主学习与调整以使自身行为始终趋于最优。
第二,面向新一代智能制造的HCPS2.0是一个大系统,由智能产品、智能生产及智能服务三大功能系统以及智能制造云和工业互联网两大支撑系统集合而成[52,62,63]。其中,智能产品是主体,智能生产是主线,以智能服务为中心的产业模式变革是主题,工业互联网和智能制造云是支撑智能制造的基础。
第三,面向新一代智能制造的HCPS2.0呈现出前所未有的大集成特征[4,64−66]:企业内部研发、生产、销售、服务、管理过程等实现动态智能集成,即纵向集成;企业与企业之间基于工业互联网与智能云平台,实现集成、共享、协作和优化,即横向集成;制造业与金融业、上下游产业的深度融合形成服务型制造业和生产性服务业共同发展的新业态;智能制造与智能城市、智能交通、智能医疗、智能农业等交融集成,共同形成智能生态大系统——智能社会。
《3.2. 技术视角》
3.2. 技术视角
从技术本质看,面向新一代智能制造的HCPS2.0主要是通过新一代人工智能技术赋予信息系统强大的“智能”,从而带来三个重大技术进步[6, 67]:
第一,最关键的是,信息系统具有了解决不确定性、复杂性问题的能力,解决复杂问题的方法从“强调因果关系”的传统模式向“强调关联关系”的创新模式转变,进而向“关联关系”和“因果关系”深度融合的先进模式发展,从根本上提高制造系统建模的能力,有效实现制造系统的优化[5−7,13]。
第二,最重要的是,信息系统拥有了学习与认知能力,具备了生成知识并更好地运用知识的能力,使制造知识的产生、利用、传承和积累效率均发生革命性变化,显著提升知识作为核心要素的边际生产力[2,53−55,68−70]。
第三,形成人机混合增强智能,使人的智慧与机器智能的各自优势得以充分发挥并相互启发地增长,极大释放人类智慧的创新潜能,极大提升制造业的创新能力[2,5,8]。
总体而言,HCPS2.0目前还处于“弱”人工智能技术应用阶段,新一代人工智能还在极速发展的过程中,将继续从“弱”人工智能迈向“强”人工智能,面向新一代智能制造的HCPS2.0技术也在极速发展之中[2,5,71]。
HCPS2.0是有效解决制造业转型升级各种问题的一种新的普适性方案,可广泛应用于离散型制造和流程型制造的产品创新、生产创新、服务创新等制造价值链全过程创新,主要包含以下两个要点:
一方面,应用新一代人工智能技术对制造系统“赋能”。制造工程创新发展有许多途径,主要有两种方法:一是制造技术原始性创新,这种创新是根本性的,极为重要;二是应用共性赋能技术对制造技术“赋能”,二者结合形成创新的制造技术,对各行各业各种各类制造系统升级换代,是一种革命性的集成式的创新,具有通用性、普适性。前三次工业革命的共性赋能技术分别是蒸汽机技术、电机技术和数字化技术[1],第四次工业革命的共性赋能技术是人工智能技术,这些共性赋能技术与制造技术的深度融合,引领和推动制造业革命性转型升级。正因为如此,基于HCPS2.0的智能制造是制造业创新发展的主攻方向,是制造业转型升级的主要路径,成为新的工业革命的核心驱动力。
另一方面,新一代人工智能技术需要与制造领域技术进行深度融合,产生与升华制造领域知识,成为新一代智能制造技术。因为制造是主体,赋能技术是为制造升级服务的,只有与领域技术深度融合,才能真正发挥作用。制造技术是本体技术,为主体;智能技术是赋能技术,为主导;两者辩证统一、融合发展。因而,新一代智能制造工程,对于智能技术而言,是先进信息技术的推广应用工程;对于各行各业各种各类制造系统而言,是应用共性赋能技术对制造系统进行革命性集成式的创新工程。
《4. 面向新一代智能制造的 HCPS2.0 的技术体系》
4. 面向新一代智能制造的 HCPS2.0 的技术体系
《4.1. 基于 HCPS 的智能制造总体架构》
4.1. 基于 HCPS 的智能制造总体架构
基于HCPS的智能制造总体架构可以从智能制造的价值维、技术维和组织维等三个维度进行描述[72, 73],如图9所示。
《图9》

图9. 基于HCPS的智能制造总体架构。
4.1.1. 智能制造的价值维与 HCPS 的功能属性
智能制造的根本目标是实现价值创造、价值优化,而构建与应用HCPS是实现价值创造、价值优化的手段。智能制造的价值实现主要体现在产品创新、生产智能化、服务智能化以及系统集成[74,75],与此相对应,HCPS从用途上也可划分为产品研发HCPS、生产HCPS、服务HCPS以及集成复合型HCPS。
智能制造的产品创新一方面通过数字化、网络化、智能化等技术提高产品功能、性能,带来更高的附加值和市场竞争力;另一方面通过产品研发设计手段的数字化、网络化、智能化创新升级以提高研发设计的质量与效率[76]。产品创新可根据需要进一步细分为产品设计、评估验证等环节及其集成。因此,产品研发HCPS也可依此进行细分。
生产智能化通过生产和管理手段的数字化、网络化、智能化创新升级,全面提升生产和管理水平,实现生产的高质、柔性、高效与低耗[75,77]。生产方面一般可细分为工艺设计、工艺过程、质量控制、生产管理等环节及其集成,而其中某些环节还可进一步层层细分,例如,工艺过程可细分为若干产线及其集成,其中产线又可细分为若干装备及其集成。同理,生产HCPS也可相应层层分解。
服务智能化通过数字化、网络化、智能化等技术实现以用户为中心的产品全生命周期的各种服务[63,74,78,79],如定制服务、远程运维等,延伸发展服务型制造业和生产性服务业。由此,服务HCPS亦可相应分解为定制服务HCPS、远程运维HCPS等。
此外,大集成作为新一代智能制造的重要特征,也是新一代智能制造实现价值创造的重要方面[4]。从HCPS的功能属性看,大集成的结果将形成多功能的集成复合型HCPS。
4.1.2. 智能制造的技术维与 HCPS 的技术属性
智能制造从技术演变的角度体现为数字化制造(HCPS1.0)、数字化网络化制造(HCPS1.5)和新一代智能制造(HCPS2.0)三个基本范式(图10)。数字化制造是智能制造的基础,贯穿于三个基本范式,并不断演进发展;数字化网络化制造将数字化制造提高到一个新的水平,可实现各种资源的集成与协同优化,重塑制造业的价值链;新一代智能制造是在前两种范式的基础上,通过先进制造技术与新一代人工智能技术融合所发挥的决定性作用,使得制造具有了真正意义上的人工智能,是新一轮工业革命的核心技术[35]。
《图10》

图10. 基于HCPS的智能制造三个基本范式[1]。
基于HCPS的智能制造的三个基本范式体现了智能制造发展的内在规律:一方面,三个基本范式次第展开,各有自身阶段的特点和需要重点解决的问题,体现着先进信息技术与制造技术融合发展的阶段性特征;另一方面,三个基本范式在技术上并不是绝然分离的,而是相互交织、迭代升级,体现着智能制造发展的融合性特征。
4.1.3. 智能制造的组织维与 HCPS 的系统属性
实施智能制造的组织包含智能单元、智能系统和系统之系统三个层次,与之相对应,HCPS也包括单元级HCPS、系统级HCPS和系统之系统级HCPS三个层次[39, 80, 81]。
智能单元是实现智能制造功能的最小单元,是由人、信息系统和物理系统构成的单元级HCPS。智能系统是通过工业网络集成多个智能单元而成,如智能产线、智能车间、智能企业等,形成系统级HCPS。系统之系统是通过工业互联网平台实现跨系统、跨平台的集成,构建开放、协同、共享的产业生态,形成系统之系统级HCPS。图11为面向智能制造的HCPS的三层结构模型。
《图11》

图11. 面向智能制造的HCPS的三层结构模型。
综上所述,基于HCPS2.0的新一代智能制造的总体架构可用如图12所示的多层次分层结构模型描述。
《图12》

图12. 基于HCPS2.0的新一代智能制造分层结构模型。
《4.2. 单元级 HCPS2.0 的关键技术》
4.2. 单元级 HCPS2.0 的关键技术
对于单元级HCPS2.0,无论系统的用途如何(设计系统、生产装备等),其关键技术均可划分为制造领域技术、机器智能技术、人机协同技术等三大方面,如图13所示。
《图13》

图13. 单元级HCPS的技术构成。
4.2.1. 制造领域技术(本体技术)
制造领域技术是指HCPS中的物理系统所涉及的技术,是通用制造技术和专用领域技术的集合[9]。智能制造的根本在于制造,因此制造领域技术是面向智能制造的HCPS的本体技术。同时,智能制造既涉及离散型制造和流程型制造,又覆盖产品全生命周期的各个环节,因此相应的制造领域技术极其广泛[9],并可从多个角度对其进行分类,如按工艺原理包括[82−86]:切削加工技术、铸造技术、焊接技术、塑性成型技术、热处理技术、增材制造技术等。
4.2.2. 机器智能技术(赋能技术与本体技术的深度融合)
机器智能技术是指HCPS2.0中的信息系统所涉及的技术,是人工智能技术与制造领域知识深度融合所形成的、能用于实现HCPS特定目标的技术。信息系统是HCPS的主导,其作用是帮助人对物理系统进行必要的感知、认知、分析决策与控制以使物理系统以尽可能最优的方式运行,因而机器智能技术主要包括智能感知、自主认知、智能决策和智能控制技术等四大部分。
(1)智能感知技术。感知是学习认知、决策和控制的基础与前提。机器智能感知的任务是有效获取系统内部和外部的各种必要信息,包括信息的获取、传输和处理。部分关键技术包括:感知方案的设计、高性能传感器、实时与智能数据采集等[87,88]。
(2)自主认知技术。认知的任务是有效获得实现系统目标所需的知识,是决定决策和控制效果的关键。HCPS2.0的认知任务一般需由信息系统和人共同完成,因此需要解决机器自主认知和人机协同认知等两大方面问题。机器自主认知的核心任务是系统建模,关键技术涉及模型结构的自学习、模型参数的自学习、模型的评估与自学习优化等[85]。
(3)智能决策技术。决策的任务是评估系统状态并确定最优行动方案。HCPS2.0的决策任务一般也需由信息系统和人共同完成,因此需要解决机器智能决策和人机协同决策等两大方面问题。机器智能决策的关键技术涉及系统状态的精确评估、决策模型的优化求解、决策风险的预测分析等[73]。
(4)智能控制技术。控制的任务是根据决策结果对系统进行操作调整以实现系统目标,也需要解决机器智能控制和人机协同控制两方面问题。机器智能控制的关键问题是如何应对系统自身及其环境的不确定性,需要发展自适应控制等智能控制技术[85,89]。
4.2.3. 人机协同技术
智能制造面临的许多问题具有不确定性和复杂性,单纯的人类智能和机器智能都难以有效解决。人机协同的混合增强智能是新一代人工智能的典型特征[70],也是实现面向新一代智能制造的HCPS2.0的核心关键技术,主要涉及认知层面的人机协同、决策层面的人机协同、控制层面的人机协同以及人机交互技术等几大方面[60,61]。
单元级HCPS2.0是新一代智能制造系统的基础。图14给出的是一个单元级HCPS2.0的智能机床示意图,其信息系统具有智能感知、自主学习认知、智能决策和智能控制等技术特征[56]。
《图14》

图14. 单元级HCPS2.0的智能机床。
《4.3. 系统级与系统之系统级 HCPS2.0 的关键技术》
4.3. 系统级与系统之系统级 HCPS2.0 的关键技术
系统级与系统之系统级HCPS的本质特征均在于系统集成与资源优化配置[4]。根据系统集成的广度与深度的不同,可划分为多个层次,如产线级、车间级(部门级)、企业级以至行业级的开放、协同与共享的产业生态。图15展示的是企业级HCPS的一种实现架构:该架构通过建立企业级智能管理与决策系统并基于工业互联网与云平台实现对智能设计HCPS、智能生产HCPS、智能服务HCPS等三个系统级HCPS的集成与优化。
《图15》

图15. 企业级HCPS2.0。
在前述单元级HCPS2.0关键技术基础上,系统级与系统之系统级HCPS2.0新的关键技术主要包括三方面:一是工业互联网、云平台、工业大数据等支撑技术[12,51,52,71,79,90];二是系统集成技术,如互联互通标准;三是实现系统集成管理与决策相关的技术,如企业智能决策技术、智能生产调度技术、智能安全管控技术等。
图16给出的是一个系统级HCPS的COSMOPlat平台示意图[91]。该系统级HCPS的精髓在于“以用户为中心”,可为用户提供产品全生命周期服务。
《图16》

图16. 系统级HCPS——COSMOPlat。
《5. 基于 HCPS2.0 的新一代智能制造面临的重大挑战》
5. 基于 HCPS2.0 的新一代智能制造面临的重大挑战
作为第四次工业革命的核心技术,基于HCPS2.0的新一代智能制造涉及方面之广泛、研究问题之困难、面临挑战之严峻,都是前所未有的[20,40,73,92−99]。相对应于前文讨论过的三个重大技术进步,新一代智能制造面临着三个重大难题和严峻挑战:系统建模、知识工程、人机共生。
《5.1. 系统建模——数理建模与大数据智能建模的深度融合》
5.1. 系统建模——数理建模与大数据智能建模的深度融合
系统建模是信息-物理系统和数字孪生技术的关键[22,42,49,74,77,100−102]:有效建立制造系统不同层次的模型是实现制造系统优化决策与智能控制的基础前提。数理建模方法虽然可以深刻地揭示物理世界的客观规律[103],但却难以胜任制造系统这种高度不确定性与复杂性问题[49,75,104],而大数据智能建模可以在一定程度上解决制造系统建模中不确定性和复杂性问题[5,53]。理论上,基于HCPS2.0的新一代智能制造通过深度融合数理建模与大数据智能建模所形成的混合建模方法,可以从根本上提高制造系统建模的能力,但面临以下挑战:
(1)在大数据智能建模方面,如何有效获取与管理工业大数据?如何实现大数据中知识的有效学习?如何进一步提高解决不确定性、复杂性问题的能力?[50,93,97,105−107]
(2)在混合建模方面,如何充分发挥两种主要建模方法的优势并形成新的混合建模方法?比如,如何有效建立制造系统的动力学模型? [11, 67, 75, 103, 108]
《5.2. 知识工程——制造技术(本体技术)和智能技术(赋能技术)的深度融合》
5.2. 知识工程——制造技术(本体技术)和智能技术(赋能技术)的深度融合
新一代智能制造本质上是先进制造知识工程:各行各业各种各类制造系统通过数字化网络化智能化技术的赋能,使制造领域知识的产生、利用和传承发生革命性变化,进而升华成为更高层面更加先进的智能制造科学与技术[21, 109],推动新一轮工业革命。先进制造知识工程由制造技术(本体技术)与智能技术(赋能技术)融合而成,因而挑战来自于三个方面:
(1)制造领域技术(本体技术)自身发展面临的挑战,在设计、工艺、材料及产业形态等方面如何不断创新? [86, 110, 111]
(2)智能技术(赋能技术)自身发展面临的挑战,如何在通用性、稳健性、安全性等方面不断提升?弱人工智能如何向强人工智能发展? [2, 53, 54, 70]
(3)更重要的是制造技术与智能技术的跨界深度融合所面临的挑战[112−114]:智能技术如何有效对制造技术赋能?制造业的各个行业各个领域如何运用智能技术来升华与发展制造领域知识?如何建立和优化求解各行各业各种各类制造系统的动力学级别的数字孪生模型?如何跨越制造技术与智能技术相关学科之间、企业之间、专家之间的巨大鸿沟?制造业的企业家、技术专家、技能人才如何成为新一代智能制造创新的主力军?
《5.3. 人机共生 —— 人与信息 - 物理系统(智能机器)的深度融合》
5.3. 人机共生 —— 人与信息 - 物理系统(智能机器)的深度融合
基于HCPS的智能制造需要更加突出人的作用,形成人机共生形态[2, 8, 28, 38, 57−60, 70, 73, 115, 116],这将带来多方面的挑战:
(1)如何最好地实现人与智能机器的任务分工与合作?如何使人的智慧与机器智能的各自优势得以充分发挥并相互启发地增长? [53, 70]
(2)如何实现人机协同的混合增强智能? [70]
(3)如何解决好人工智能与智能制造带来的安全、隐私和伦理等问题? [2, 99]
遵循“天人合一”这一中国古代哲学思想,在新一代智能制造系统中,人类需要与信息物理系统(智能机器)紧密合作、深度融合,不断实现制造系统的优化,最终达到人机共生的和谐状态,让智能制造更好地造福人类。
《致谢》
致谢
感谢路甬祥、李培根、潘云鹤、朱高峰、吴澄、李伯虎、柳百成、王天然、卢秉恒、谭建荣、杨华勇、李德群、段正澄、蒋庄德、林忠钦、马伟明、丁荣军、高金吉、刘永才、冯培德、柴天佑、孙优贤、袁晴棠、钱峰、屈贤明、邵新宇、董景辰、陈警、朱森第、蔡惟慈、张纲、黄群慧、吕薇、余晓晖、宁振波、赵敏、郭朝晖、李义章、朱铎先、西奥多∙弗莱海特等各位专家所作出的贡献。
感谢延建林、胡楠、古依莎娜、杨晓迎、孟柳、刘宇飞、徐静、刘默、刘丽辉、韦莎、马原野、张欣、洪一峰等各位同事所作出的贡献。
本研究由中国工程院重大咨询研究项目(2017-ZD-08)以及中国博士后国际交流计划派出项目(20180025)资助,特此感谢。
《Compliance with ethics guidelines》
Compliance with ethics guidelines
Zhou Ji, Zhou Yanhong, Wang Baicun, and Zang Jiyuan declare that they have no conflict of interest or financial conflicts to disclose.
参考文献
[1] Zhou J, Li P, Zhou Y, Wang B, Zang J, Meng L. Toward new-generation intelligent manufacturing. Engineering 2018;4(1):11–20.
链接1
[2] Pan Y. Heading toward artificial intelligence 2.0. Engineering 2016;2 (4):409–13.
链接1
[3] Zhong RY, Xu X, Klotz E, Newman ST. Intelligent manufacturing in the context of Industry 4.0: a review. Engineering 2017;3(5):616–30.
[4] Chen Y. Integrated and intelligent manufacturing: perspectives and enablers. Engineering 2017;3(5):588–95.
链接1
[5] 潘云鹤等 . 中国人工智能 2.0 发展战略研究 . 杭州 : 浙江大学出版社 ; 2018.
[6] 李杰 , 邱伯华 , 刘宗长 , 魏慕恒 . CPS:新一代工业智能 . 上海 : 上海交通大学出 版社 ; 2017.
[7] 吴军 . 智能时代 : 大数据与智能革命重新定义未来 . 北京 : 中信出版社 ; 2016.
[8] 胡虎 , 赵敏 , 宁振波 . 三体智能革命 . 北京 : 机械工业出版社 ; 2016.
[9] 国家制造强国建设战略咨询委员会 , 中国工程院战略咨询中心 . 智能制造 . 北京 : 电子工业出版社 ; 2016.
[10] 谭建荣 , 刘达新 , 刘振宇 , 程锦 . 从数字制造到智能制造的关键技术途径研究 , 中 国工程科学 2017;19(3):39–44.
链接1
[11] 李伯虎 , 柴旭东 , 张霖 , 李潭 , 卿杜政 , 林廷宇 , 刘阳 . 面向新型人工智能系统的 建模与仿真技术初步研究 . 系统仿真学报 2018;30(2):349–62.
[12] Kusiak A. Smart manufacturing must embrace big data. Nature 2017;544 (7648):23–5.
链接1
[13] Brynjolfsson E, McAfee A. The Second Machine Age: work, progress, and prosperity in a time of brilliant technologies. New York: W.W. Norton & Company; 2014.
[14] Marsh P. The new industrial revolution: consumers, globalization and the end of mass production. New Haven: Yale University Press; 2012.
[15] Kusiak A. Intelligent manufacturing systems. Old Tappan: Prentice Hall Press; 1990.
[16] 杨叔子 , 丁洪 . 智能制造技术与智能制造系统的发展与研究 . 中国机械工程 1992;(2): 15–8.
[17] 严隽琪 . 数字化与网络化制造 . 工业工程与管理 2000;(1):11.
[18] 熊有伦 , 吴 波 , 丁 汉 . 新一代制造系统理论及建模 . 中国机械工程 2000;11(1):49–52.
[19] 路甬祥 . 走 向 绿 色 和 智 能 制 造 —— 中 国 制 造 发 展 之 路 . 中国机械工程 2010;21(4):379–386,399.
[20] Bonvillian WB. Technology. Advanced manufacturing policies and paradigms for innovation. Science 2013;342(6163):1173–5.
链接1
[21] 姚锡凡 , 刘敏 , 张剑铭 , 陶韬 , 蓝宏宇 , 葛动元 . 人工智能视角下的智能制造前世 今生与未来 . 计算机集成制造系统 2019;25(1):19–34.
[22] Tao F, Zhang M, Nee AYC. Digital twin driven smart manufacturing. Pittsburgh: Academic Press; 2019.
[23] 荣烈润 . 面向 21 世纪的智能制造 . 机电一体化 2006;12(4):6-10.
[24] Koren Y. The global manufacturing revolution: product–process–business integration and reconfigurable systems. Hoboken: John Wiley & Sons; 2010.
[25] Nunes D, Silva JS, Boavida F. A practical introduction to human-in-the-loop cyber–physical systems. Hoboken: John Wiley & Sons; 2018.
[26] Krugh M, Mears L. A complementary cyber–human systems framework for Industry 4.0 cyber–physical systems. Manuf Lett 2018;15(Pt B):89–92.
链接1
[27] Schirner G, Erdogmus D, Chowdhury K, Padir T. The future of human-in-theloop cyber–physical systems. Computer 2013;46:36–45.
链接1
[28] Sowe SK, Zettsu K, Simmon E, de Vaulx F, Bojanova I. Cyber–physical human systems: putting people in the loop. IT Prof 2016;18(1):10–3.
链接1
[29] Harari YN. Sapiens: a brief history of humankind. Toronto: McClilland & Stewart; 2014.
[30] Brown RG. Driving digital manufacturing to reality. In: Proceedings of 2000 Winter Simulation Conference; 2000 Dec 10–13; Orlando, FL, USA. Washington, DC: IEEE; 2000. p. 224–8.
链接1
[31] Chryssolouris G, Mavrikios D, Papakostas N, Mourtzis D, Michalos G, Georgoulias K. Digital manufacturing: history, perspectives, and outlook. Proc Inst Mech Eng Part B 2009;223(5):451–62.
链接1
[32] Chen D, Heyer S, Ibbotson S, Salonitis K, Steingrímsson JG, Thiede S. Direct digital manufacturing: definition, evolution, and sustainability implications. J Clean Prod 2015;107:615–25.
链接1
[33] Yoshikawa H. Manufacturing and the 21st century—intelligent manufacturing systems and the renaissance of the manufacturing industry. Technol Forecast Soc Change 1995;49(2):195–213.
链接1
[34] Wiener N. Cybernetics, or control and communication in the animal and the machine. 2nd ed. Cambridge: MIT Press; 1961.
[35] 臧冀原 , 王柏村 , 孟柳 , 周源 . 智能制造的三个基本范式 : 从数字化制造、“ 互联 网 +” 制造到新一代智能制造 . 中国工程科学 2018;20(4):13–8.
链接1
[36] Freeman C, Louca F. As time goes by: from the industrial revolutions to the information revolution. Oxford: Oxford University Press; 2002.
[37] Xu XW, Newman ST. Making CNC machine tools more open, interoperable and intelligent—a review of the technologies. Comput Ind 2006;57(2):141–52.
链接1
[38] Fonseca F, Marcinkowski M, Davis C. Cyber–human systems of thought and understanding. J Assoc Inf Sci Technol 2019;70(4):402–11.
链接1
[39] 中国信息物理系统发展论坛 . 信息物理系统白皮书 (2017). 北京: 中国电子技术 标准化研究院; 2017.
[40] Lee EA. Cyber physical systems: design challenges. In: Proceedings of the 11th IEEE International Symposium on Object and Component-Oriented Real-Time Distributed Computing; 2008 May 5–7; Orlando, FL, USA. Washington, DC: IEEE; 2008. p. 363–9.
链接1
[41] Lee EA. Cyber–physical systems—are computing foundations adequate? [position paper]. In: NSF Workshop on Cyber–Physical Systems: Research Motivation, Techniques and Roadmap; 2006 Oct 16–17; Austin, TX, USA; 2006. p. 1–9.
链接1
[42] Monostori L, Kádár B, Bauernhansl T, Kondoh S, Kumara S, Reinhart G, et al. Cyber–physical systems in manufacturing. CIRP Ann 2016;65(2):621–41.
链接1
[43] Lee J, Bagheri B, Kao HA. A cyber–physical systems architecture for Industry 4.0-based manufacturing systems. Manuf Lett 2015;3:18–23.
链接1
[44] 张伯鹏 , 汪劲松 . 制造系统中知识信息与人的作用 . 机械工程学报 1994;30(5):61-5.
[45] 杨叔子 , 吴波 , 胡春华 , 程涛 . 网络化制造与企业集成 . 中国机械工程 2000;(Z1):45- 8.
[46] Mittal S, Khan MA, Romero D, Wuest T. Smart manufacturing: characteristics, technologies and enabling factors. Proc Inst Mech Eng Part B 2019;233 (5):1342–61.
链接1
[47] Wang B. The future of manufacturing: a new perspective. Engineering 2018;4 (5):722–8.
链接1
[48] Xu X. Machine tool 4.0 for the new era of manufacturing. Int J Adv Manuf Technol 2017;92(5–8):1893–900.
链接1
[49] Chen J, Yang J, Zhou H, Xiang H, Zhu Z, Li Y, et al. CPS modeling of CNC machine tool work processes using an instruction-domain based approach. Engineering 2015;1(2):247–60.
链接1
[50] Evans PC, Annunziata M. Industrial Internet: pushing the boundaries of minds and machines. Boston: General Electric; 2012.
[51] John Walker S. Big data: a revolution that will transform how we live, work, and think. Int J Advert 2014;33(1):181–3.
[52] Li BH, Zhang L, Wang SL, Tao F, Cao JW, Jiang XD, et al. Cloud manufacturing: a new service-oriented networked manufacturing model. Comput Integr Manuf Syst 2010;16(1):1–7,16. Chinese.
链接1
[53] Zhuang Y, Wu F, Chen C, Pan Y. Challenges and opportunities: from big data to knowledge in AI 2.0. Front Inf Technol Electron Eng 2017;18(1):3–14.
链接1
[54] Li W, Wu W, Wang H, Cheng X, Chen H, Zhou Z, et al. Crowd intelligence in AI 2.0 era. Front Inf Technol Electron Eng 2017;18(1):15–43.
链接1
[55] Zhu J, Huang T, Chen W, Gao W. The future of artificial intelligence in China. Commun ACM 2018;61(11):44–5.
[56] Chen J, Zhang K, Zhou Y, Liu Y, Li L, Chen Z, et al. Exploring the development of research, technology and business of machine tool domain in new-generation information technology environment based on machine learning. Sustainability 2019;11(12):3316.
链接1
[57] Nunes DS, Zhang P, Silva JS. A survey on human-in-the-loop applications towards an Internet of all. IEEE Comm Surv and Tutor 2015;17(2):944–65.
链接1
[58] Trentesaux D, Millot P. A human-centered design to break the myth of the ‘‘magic human” in intelligent manufacturing systems. In: Borangiu T, Trentesaux D, Thomas A, McFarlane D, editors. Service orientation in holonic and multi-agent manufacturing. Heidelberg: Springer; 2016. p. 103–13.
链接1
[59] Romero D, Stahre J, Wuest T, Noran O, Bernus P, Fast-Berglund Å, et al. Towards an operator 4.0 typology: a human-centric perspective on the fourth industrial revolution technologies. In: Proceedings of International Conference on Computers & Industrial Engineering; 2016 Oct 29–31; Tianjin, China; 2016.
链接1
[60] Romero D, Bernus P, Noran O, Stahre J, Fast-Berglund Å. The operator 4.0: human–cyber–physical systems & adaptive automation towards human– automation symbiosis work systems. In: Proceedings of IFIP International Conference on Advances in Production Management Systems; 2016 Sep 3–7; Iguassu Falls, Brazil. elberg: Springer; 2016. p. 677–86.
链接1
[61] Romero D, Noran O, Stahre J, Bernus P, Fast-Berglund Å. Towards a humancentred reference architecture for next generation balanced automation systems: human–automation symbiosis. In: Proceedings of IFIP International Conference on Advances in Production Management Systems; 2015 Sep 7–9; Tokyo, Japan. elberg: Springer; 2015. p. 556–66.
链接1
[62] 张平 , 刘会永 , 李文璟 , 周凡钦 . 工业智能网——工业互联网的深化与升级 . 通信 学报 2018;39(12):134-140.
[63] Tao F, Cheng Y, Xu LD, Zhang L, Li BH. CCIoT-CMfg: cloud computing and Internet of Things-based cloud manufacturing service system. IEEE Trans Industr Inform 2014;10(2):1435–42.
链接1
[64] Taki H. Towards technological innovation of society 5.0. J Inst Electr Eng Jpn 2017;137(5):275.
[65] Xiong G, Zhu F, Liu X, Dong X, Huang W, Chen S, et al. Cyber–physical–social system in intelligent transportation. IEEE/CAA J Autom Sin 2015;2(3):320–33.
链接1
[66] Cassandras CG. Smart cities as cyber–physical social systems. Engineering 2016;2(2):156–8.
链接1
[67] Wang J, Ma Y, Zhang L, Gao RX, Wu D. Deep learning for smart manufacturing: methods and applications. J Manuf Syst 2018;48(Pt C):144–56.
链接1
[68] Li B, Hou B, Yu W, Lu X, Yang C. Applications of artificial intelligence in intelligent manufacturing: a review. Front Inf Technol Electron Eng 2017;18 (1):86–96.
链接1
[69] Peng Y, Zhu W, Zhao Y, Xu C, Huang Q, Lu H, et al. Cross-media analysis and reasoning: advances and directions. Front Inf Technol Electron Eng 2017;18 (1):44–57.
链接1
[70] Zheng N, Liu Z, Ren P, Ma Y, Chen S, Yu S, et al. Hybrid-augmented intelligence: collaboration and cognition. Front Inf Technol Electron Eng 2017;18(2):153–79.
链接1
[71] Tegmark M. Life 3.0: being human in the age of artificial intelligence. New York: Alfred A. Knopf; 2017.
[72] 王春喜 , 王成城 , 汪烁 . 智能制造参考模型对比研究 . 仪器仪表标准化与计量 2017;(4):1-7,42.
[73] Ma M, Lin W, Pan D, Lin Y, Wang P, Zhou Y, et al. Data and decision intelligence for human-in-the-loop cyber–physical systems: reference model, recent progresses and challenges. J Signal Process Syst 2018;90(8– 9):1167–78.
链接1
[74] Tao F, Cheng J, Qi Q, Zhang M, Zhang H, Sui F. Digital twin-driven product design, manufacturing and service with big data. Int J Adv Manuf Technol 2018;94(9–12):3563–76.
链接1
[75] Vogel-Heuser B, Wildermann S, Teich J. Towards the co-evolution of industrial products and its production systems by combining models from development and hardware/software deployment in cyber–physical systems. Prod Eng 2017;11(6):687–94.
链接1
[76] Liu SX, Liu H, Zhang Y. The new role of design in innovation: a policy perspective from China. Des J 2018;21(1):37–58.
链接1
[77] Uhlemann THJ, Lehmann C, Steinhilper R. The digital twin: realizing the cyber–physical production system for Industry 4.0. Procedia. CIRP 2017;61:335–40.
链接1
[78] Hu SJ. Evolving paradigms of manufacturing: from mass production to mass customization and personalization. Procedia CIRP 2013;7:3–8.
链接1
[79] Lee J, Ardakani HD, Yang S, Bagheri B. Industrial big data analytics and cyber– physical systems for future maintenance & service innovation. Procedia CIRP 2015;38:3–7.
链接1
[80] 中国电子技术标准化研究院 . 工业互联网平台标准化白皮书 (2018). 北京 : 中国 电子技术标准化研究院; 2018.
[81] 中国电子技术标准化研究院 . 工业物联网白皮书 . 北京 : 中国电子技术标准化研 究院; 2017.
[82] Csikor FF, Motz C, Weygand D, Zaiser M, Zapperi S. Dislocation avalanches, strain bursts, and the problem of plastic forming at the micrometer scale. Science 2007;318(5848):251–4.
链接1
[83] Byrne G, Dornfeld D, Denkena B. Advancing cutting technology. CIRP Ann 2003;52(2):483–507.
链接1
[84] Pattnaik S, Karunakar DB, Jha P. Developments in investment casting process—a review. J Mater Process Technol 2012;212(11):2332–48.
链接1
[85] Günther J, Pilarski PM, Helfrich G, Shen H, Diepold K. Intelligent laser welding through representation, prediction, and control learning: an architecture with deep neural networks and reinforcement learning. Mechatronics 2016;34:1–11.
链接1
[86] Frazier WE. Metal additive manufacturing: a review. J Mater Eng Perform 2014;23(6):1917–28.
链接1
[87] Paulovich FV, De Oliveira MCF, Oliveira ON Jr. A future with ubiquitous sensing and intelligent systems. ACS Sens 2018;3(8):1433–8.
链接1
[88] Fujishima M, Mori M, Nishimura K, Takayama M, Kato Y. Development of sensing interface for preventive maintenance of machine tools. Procedia CIRP 2017;61:796–9.
[89] Li H, Si H. Control for intelligent manufacturing: a multiscale challenge. Engineering 2017;3(5):608–15.
链接1
[90] Zhang L, Luo Y, Tao F, Li B, Ren L, Zhang X, et al. Cloud manufacturing: a new manufacturing paradigm. Enterp Inf Syst 2014;8(2):167–87.
链接1
[91] 曹仰锋 . 海尔 COSMOPlat 平台 : 赋能生态 . 清华管理评论 2018;11:28–34.
[92] Chen B, Wan J, Shu L, Li P, Mukherjee M, Yin B. Smart factory of Industry 4.0: key technologies, application case, and challenges. IEEE Access 2017;6:6505–19.
链接1
[93] Li JQ, Yu FR, Deng G, Luo C, Ming Z, Yan Q. Industrial Internet: a survey on the enabling technologies, applications, and challenges. IEEE Comm Surv Tutor 2017;19(3):1504–26.
链接1
[94] Bonvillian WB. Advanced manufacturing: a new policy challenge. Ann Sci Technol Policy 2017;1(1):1–131.
链接1
[95] Shi W, Cao J, Zhang Q, Li Y, Xu L. Edge computing: vision and challenges. IEEE Internet Things J 2016;3(5):637–46.
链接1
[96] Sadeghi AR, Wachsmann C, Waidner M. Security and privacy challenges in industrial Internet of Things. In: Proceedings of the 52nd ACM/EDAC/IEEE Design Automation Conference; 2015 Jun 8–12; San Francisco, CA, USA. Washington, DC: IEEE; 2015.
链接1
[97] Lee I, Lee K. The Internet of Things (IoT): applications, investments, and challenges for enterprises. Bus Horiz 2015;58(4):431–40.
链接1
[98] Fitzgerald J, Larsen PG, Verhoef M. From embedded to cyber–physical systems: challenges and future directions. In: Fitzgerald J, Larsen PG, Verhoef M, editors. Collaborative design for embedded systems. New York: Springer; 2014. p. 293–303.
链接1
[99] Weber RH. Internet of Things—new security and privacy challenges. Comput Law Secur Rev 2010;26(1):23–30.
链接1
[100] Rosen R, von Wichert G, Lo G, Bettenhausen KD. About the importance of autonomy and digital twins for the future of manufacturing. IFACPapersOnLine 2015;48(3):567–72.
链接1
[101] 陶飞 , 刘蔚然 , 张萌 , 等 . 数字孪生五维模型及十大领域应用 . 计算机集成制造系 统 2019;25(1):1-18.
[102] Tao F, Qi Q, Wang L, Nee AYC. Digital twins and cyber–physical systems toward smart manufacturing and Industry 4.0: correlation and comparison. Engineering. Forthcoming 2019.
[103] Fowler JW, Rose O. Grand challenges in modeling and simulation of complex manufacturing systems. Simulation 2004;80(9):469–76.
链接1
[104] Sterman JD. System dynamics modeling: tools for learning in a complex world. California Manage Rev 2001;43(4):8–25.
链接1
[105] Li S, Xu LD, Zhao S. 5G Internet of Things: a survey. J Ind Inf Integr 2018;10:1–9.
[106] Mourtzis D, Vlachou E, Milas N. Industrial big data as a result of IoT adoption in manufacturing. Procedia CIRP 2016;55:290–5.
链接1
[107] O’Donovan P, Leahy K, Bruton K, O’Sullivan DTJ. Big data in manufacturing: a systematic mapping study. J Big Data 2015;2(1):20.
链接1
[108] Negahban A, Smith JS. Simulation for manufacturing system design and operation: literature review and analysis. J Manuf Syst 2014;33(2): 241–61.
链接1
[109] Hedberg TD Jr. Hartman NW Rosche P, Fischer K. Identified research directions for using manufacturing knowledge earlier in the product lifecycle. Int J Prod Res 2017;55(3):819–27.
链接1
[110] Esmaeilian B, Behdad S, Wang B. The evolution and future of manufacturing: a review. J Manuf Syst 2016;39:79–100.
链接1
[111] Busnaina AA, Mead J, Isaacs J, Somu S. Nanomanufacturing and sustainability: opportunities and challenges. In: Diallo MS, Fromer NA, Jhon MS, editors. Nanotechnology for sustainable development. New York: Springer; 2013. p. 331–6.
链接1
[112] Liang S, Rajora M, Liu X, Yue C, Zou P, Wang L. Intelligent manufacturing systems: a review. Int J Mech Eng Rob Res 2018;7(2):324–30.
[113] Tao F, Qi Q, Liu A, Kusiak A. Data-driven smart manufacturing. J Manuf Syst 2018;48(Pt C):157–69.
链接1
[114] Jeschke S, Brecher C, Meisen T, Özdemir D, Eschert T. Industrial Internet of Things and cyber manufacturing systems. In: Jeschke S, Brecher C, Song H, Rawat DB, editors. Industrial Internet of Things. New York: Springer; 2017. p. 3–19.
链接1
[115] Pacaux-Lemoine MP, Berdal Q, Enjalbert S, Trentesaux D. Towards humanbased industrial cyber–physical systems. In: Proceedings of 2018 IEEE Industrial Cyber–Physical Systems; 2018 May 15–18; St. Petersburg, Russia; 2018 p. 615–20.
链接1
[116] Pacaux-Lemoine MP, Trentesaux D, Rey GZ, Millot P. Designing intelligent manufacturing systems through human–machine cooperation principles: a human-centered approach. Comput Ind Eng 2017;111:581–95.
链接1