数据驱动的信息物理生产系统——迈向安全、高效、分布式智能制造丨Engineering

引言

随着工业4.0和智能制造等概念和系统的普及，传统制造业将见证向新模式的转型，以更好地响应用户的需求并实现安全、高效、智能化的操作。在此背景下，清华大学的王笑楠等研究人员聚焦于信息物理生产系统（CPPS）的概念，从整体上阐述了CPPS在这一产业转型中的三个关键驱动作用，即数据驱动的生产系统、分布式的智能制造和保证数据安全的集成区块链技术。通过这三个方面的具体技术和系统实现，基于数据驱动的建模和优化，智能信息物理系统将助力流程工业和制造业转型。同时，分布式的智能制造可以更高效地实现产业升级和低碳化发展。区块链技术可以进一步确保数据共享的可靠性和安全性，实现跨子系统的整合。研究人员详细分析了最近发表的文献研究和行业相关案例支持，并对现有挑战和发展方向进行了总结展望。

当代计算技术得到普遍接受，市场需求强劲且持续，人们不断追求个性化产品，这些都促进了制造业实践的转型。例如，近几年来，汽车行业采用模块化发展理念。在汽车车间的模块化生产模式下，传统的装配流水线大批量生产相同的汽车部件，然后在最后阶段（即流水线的最后一步）添加定制模块，为每个模型或者产品赋予独特性。因此，大批量生产已与定制化生产相结合，实现独特商品的大规模生产，从而在与传统装配流水线相同成本和效率的情况下，实现“大规模定制”生产高度个性化的产品。现代数字技术和网络（ICT和AI）的结合及对个性化产品或定制产品的大规模生产的追求，触发了现有制造业范式转型，并推动全球制造业向更智能、更自动、分布式的模式转变（图1）。
图1 网络技术与物理系统（机器和人类）集成驱动的未来工厂，具备自动化和智能制造技术。
在制造业的框架内，日益普及的工业物联网（IIoT）使数据采集和存储比以往任何时候都更加常见。由于目前传统制造操作的确定性严重依赖人类专家，业内逐渐出现的问题是如何有效且高效地利用所有数据以提供可行的建议。在这种背景下，最近人工智能（AI）领域整体的“技术推动”和智能制造背景下的“市场拉动”，只是拓展了它们的应用，以利用制造中各个层次产生的海量数据。因此，CPPS可以为车间、供应链和企业建立一个动态知识库，其中数据驱动模型可以从历史趋势和模式中学习，并帮助企业采取明智的行动和决策（图2）。这种数据驱动的做法更加直观，并且是以数据为导向的，减轻了其对生产过程或决策的任何负面影响；通过这种方式，它们被证明对生产过程的成本和质量控制都是有利的，从而将“智能”引入了制造。通过实时过程监控、分析和生产过程的数据驱动控制，CPPS还培育了新的服务模型，如预测性维护、故障诊断和性能优化，所有这些都将推动以生产为导向的传统制造业向更基于服务的制造业发展。

图2 基于CPPS的智能工厂的结构层。在智能工厂中，数据驱动制造模式借助自动化和互相连通的实体，从而实现分布式生产制造。分布式制造模式的子系统之间相互排斥，它们从各个实体接收并交换数据，以便做出可靠精准的决策。实现数据共享和信息共享需要区块链技术的支持，而反过来数据和信息互通可以实现透明且安全的智能制造生态系统。

现在各种规模的制造业企业都配备了各种商用信息与通信技术（ICT）工具和解决方案，按照等级依次排列为：电场传感器到生产计划与控制（PPC）、制造执行系统（MES）和企业资源规划（ERP）。每个工具或解决方案负责管理不同级别的企业。无论是历史数据还是实时数据，结构化数据还是非结构化数据，都可以借助这些平台得到收集和利用，以便在产品的整个生命周期中采取明智的行为和决策。这些行为可以根据需求表现为描述性分析、预测性分析和规范性分析的形式。近年来，描述性分析和预测性分析变得更加重要。为了实施这些行为，有必要了解实时生产。过去利用精益生产、六西格玛、离散事件模型和基于智能体的模型（agent-based model）等传统方法做出明智的决策。这些方法严格且周密，但是它们无法交叉部署，也无法实时捕获企业级别所有的复杂动态情况。相比之下，基于机器学习和深度学习算法的数据驱动模型本质上是通用的且可交叉部署。它可以获取上述系统生成的数据，并利用数据进行生产监控、过程控制或根据需求进行实时优化。图3展示了CPPS框架内数据驱动模型在上述应用程序中的流程示意图。

图3 利用机器学习算法基于历史数据库或实时数据库中的数据进行数据驱动建模。这些模型的输出可以存储在单独的数据库中，借助操作员人机界面（HMI）屏幕这些输出可以对生产参数或过程参数的进行离线可视化和分析，或者，可以将它们发送到分布式控制系统（DCS），在生产线上实施必要的控制措施。ML：机器学习；LIMS：实验室信息管理系统；PIMS：生产信息管理系统。该图片经John Wiley & Sons, Inc.许可，©2020。

在日益变化和竞争激烈的生产环境中，随着大规模定制的不断发展，更有效地分配可用资源变得更为重要。分布式制造系统在智能AI算法的驱动下，系统地将众多分布式实体组合成自主、主动的机器或设备组合。它的系统架构是可扩展和模块化的，并不断地相互协作和交互，有助于上述原因下的资源分配。这样的系统提供了许多好处，比如灵活的架构、满足按需生产的能力，以及对消费者市场的响应能力等。考虑到此类系统的不断发展和扩大规模的内在本质，以及数字技术在制造业中的发展和应用，分布式的趋势只会加速。这将有助于制造业的转型，以及其被广泛应用于解决生产计划和控制、工作调度、资源分配和市场与客户邻近性等方面的问题。

以上内容来自：Maarten R. Dobbelaere, Pieter P. Plehiers, Ruben Van de Vijver, Christian V. Stevens, Kevin M. Van Geem.Machine Learning in Chemical Engineering: Strengths, Weaknesses, Opportunities, and Threats [J]. Engineering, 2021, 7(9): 1201-1211.

关键词：智能制造；信息物理生产系统；工业物联网；数据分析；分布式系统；区块链

《中国工程科学》杂志社欢迎您的加入！

Engineering编辑部招聘助理编辑（兼职/实习）

岗位描述

1. 协助编辑参与稿件管理。

2. 协助编辑进行中英文稿件的技术加工、翻译校对。

3. 协助编辑进行专题组稿前期的资料收集、整理。

4. 协助编辑进行期刊宣传，包括文章推送、元数据整理及作者信息整理等。

岗位要求

1. 较好的语言文字功底，对期刊出版感兴趣，具有较强团队合作精神，对待工作认真细致，责任心强。

2. 统招本科以上学历（或在校大三、大四本科生/硕士研究生），理、工、农、医专业背景。

3. 英语六级（或雅思、托福等国际认证考试成绩）。

4. 工作初期，每周到岗至少1天；工作熟悉后，可根据需要在家/学校办公，定期进行交接即可。工作至少需持续1年时间。

5. 兼职岗位有编辑工作经验者优先，实习生岗位有学术论文发表经验者优先。

待遇面议（可开具实习证明）

地址：北京市朝阳区惠新东街4号富盛大厦1座 

工作时间：周一~周五 早8:30~晚5:00

报名方式：有意者请将报名材料发至[e-mail]，邮件标题请注明“兼职（或实习）+姓名+电话”，报名材料须按下列规定表格形式填写（可扫描二维码下载）。

联系人：张老师，010-58582511