新時代計算機智能制造模式的研究進展

李佳意 董萬鵬 任夢 張吉超 弓成美琪

摘 要： 在工業4.0的推動下，智能制造備受關注，智能制造的生產模式及其結構現已成為矚目焦點。全文通過以集成制造、數字制造、網絡制造為基礎，構建智能制造框架，分別解釋集成制造、數字制造、網絡制造的特點及其相互之間的聯系，對應智能制造的理論基礎模塊、先進技術模塊以及實時數據采集模塊。運用智能制造的當前應用狀況，展望未來制造業的新模式，智能制造成為21世紀先進制造業的關鍵制造模式。

關鍵詞： 智能制造; 數字化集成; 網絡制造; 計算機應用; 先進技術

文章編號： 2095-2163（2021）03-0098-08 中圖分類號：TH16 文獻標志碼：A

【Abstract】Driven by Industry 4.0， smart manufacturing has attracted much attention， and the production mode and structure of smart manufacturing also have attracted much attention. The full text builds an intelligent manufacturing framework based on integrated manufacturing， digital manufacturing and network manufacturing， which explains the characteristics of integrated manufacturing， digital manufacturing， and network manufacturing as well as their relationships， and corresponds to the theoretical basic modules， advanced technologies of intelligent manufacturing module and the real-time data acquisition module. Using the current application status of intelligent manufacturing and looking forward to the new model of manufacturing in the future， smart manufacturing will become the key manufacturing model of advanced manufacturing in the 21st century.

【Key words】 intelligent manufacturing; digital integration; network manufacturing; computer application; advanced technology

0 引 言

最近幾年來，制造技術面臨著諸多挑戰，例如：越來越高的產品性能指標要求，更加獨特的個性化設計、日益縮短的交付期時間以及更為優秀的環境友好性等。但是同時，新一代信息通信技術和新一代人工智能技術也在與制造技術進行著深度融合，給制造業帶來新的理念、模式、技術以及應用，展現出未來制造技術和制造業發展的新前景[1]。

在制造業由原來的工業1.0發展到工業4.0，智能制造已然成為了制造業的發展趨勢。智能制造是先進制造技術與新一代信息技術、新一代人工智能等新技術深度融合形成的新型生產方式和制造技術，是以產品全生命周期價值鏈的數字化、網絡化、集成化和智能化為核心，以企業內部縱向管控集成和企業外部網絡化協同集成為支撐，以各層級數字孿生映射融合為基礎，建立起具有動態感知、實時分析、自主決策和精準執行功能的智能工廠，實現高效、優質、低耗、綠色、安全的制造和服務[2]。本文將從集成制造、數字制造、網絡制造以及智能制造四個方面對各個制造技術進行調查研究，通過結合各個技術之間的相互聯系，對制造業的發展趨勢進行綜述。

1 計算機集成制造

1.1 計算機集成制造介紹

計算機集成制造主要是將信息技術、 現代管理技術和制造技術相結合，應用于企業產品全生產周期的各個階段;通過信息集成、過程優化及資源優化方式，實現企業產品從產品概念設計、模式建立、產品檢測、工藝規劃、封裝管理到生產制造全過程的數據管理[3]。

計算機集成制造（Computer Integrated Manufacturing，CIM）是由Harrington博士于1973年在其編寫的《Computer Integrated Manufacturing》書中首次提出的[4]。從推出開始，全世界工業國開始對CIM進行深層次的研究和推廣。自 20 世紀 80年代初[5]，美國國家標準所屬自動化研究實驗基地建立了世界上第一個 CIMS 實驗系統。20世紀90年代[6]，國內開始研究和推廣應用計算機集成制造系統（CIMS），清華國家工程研究中心（ERC）、北京第一機床廠等應用工廠先后建成，數字化設計、自動化生產線、自動運輸機械及立體倉庫等設施接連登場。

1.2 CIM的應用與發展

集成技術能夠將制造生產數據有機統一以及深度應用，實現數據的有效更新和存儲。數據集成技術就是把不同來源、多種格式、各種特點和性質的數據在邏輯上和應用上有機結合，為系統存儲大量直面主題的、相對穩定的、能夠反映歷史變化的數據集合，從而為系統提供全面的數據利用和共享[7]。根據數據集成的位置點不同，主要可以分為數據源端集成和數據應用端集成[8]。對此可做闡釋分述如下。

（1）數據源端集成：源端數據集成如圖1（a）所示，在信息膨脹的新時代，數據的來源廣泛，數據的格式存在差異。倘若不加以修改，直接應用與生產，不僅會降低生產效率，還會產生一定的產品質量問題，所以在數據分析之前，需對數據源集成，修改為統一的格式。

（2）數據應用端集成：應用端集成如圖1（b）所示，在制造業的內部存在多個制造行業，即多種應用端，比如設計應用端、制造應用端、調控應用端等。每個應用端都有對應的數據格式，容易在各個應用端上形成孤立，不能進行有效的數據傳遞。通過對應用端數據集成，可以在各個應用部門間構建信息共享的橋梁。

面對越來越嚴格的生產要求，集成制造能力出現“片段化”，無法支撐信息技術、自動化技術及先進制造技術的集成要求。在信息技術與通信技術光速發展下，集成制造需要實現軟件與網絡深度耦合、軟件與硬件相互磨合、應用與服務緊密融合，加快向網絡化、服務化、體系化與智能化方向轉變[10]。

2 數字制造

數字制造（Digital Manufacturing， DM）是一種基于網絡的，基于技術的制造方法，通過數字鏈接建模、仿真、可視化、數據分析、制造、供應鏈，來定義、管理和協作整個產品生命周期。 DM技術可以通過分析數據來優化設計，從而縮短產品上市時間，降低成本，并提高產品和流程的效率，甚至能夠在構建數據之前就即對其進行分析。

2.1 數字制造的背景

傳統制造方法是一種在線過程，其中設計產品并將圖紙轉發到車間以制造原型。 然而數字技術是一個循環制造過程，從概念模型出發，通過計算機輔助設計軟件進行模型繪制與創新，然后對設計及其過程進行仿真，檢驗產品制造的可行性。在生產過程中實行數字化，可以通過檢查技術對產品實行檢測，有效避免加工誤差;在供應鏈管理上實行數字化，能夠實現有效庫存和生產定制產品;在產品營銷上實行數字化，可以通過社交媒體提高盈利能力。

在生產方式方面，數字化新型計算機網絡技術的全方位滲透，促使傳統制造業朝著智能化、綠色化、共享化方向發展;在組織方式方面，在數字制造轉型模式的影響下，傳統制造企業組織形式呈現出平臺化、扁平化、機械化的發展趨勢;在商業模式方面，新時期大量新技術、產品、管理方式的誕生，迫使傳統以生產企業為核心的商業模式朝著以消費者為核心的商業模式轉變;在競爭格局方面，數字化轉變升級改變著傳統制造業競爭格局，憑數量取勝的標準向著質量取勝標準轉變。

2.2 數字制造的應用

數字制造技術的應用范圍極廣[11]，現已應用于汽車、航空航天、醫療、材料、建筑、食品、時裝等各個領域。趙虎林等人[12]將數字化技術應用于焊接工藝中，通過焊接材料數字化、焊接過程數字化、焊接檢驗數字化，將焊接自動化和數字化與設備、材料、設計、工藝以及檢測等一系列工作進行融合，實現全面自動化。劉飛香[13]通過數字化研發五維模型的產品，動態調整產品設計不同的作業環境和作業時間，設計優化環境數據。

數字制造技術還包含精益制造、柔性制造、敏捷制造與并行工程等先進制造工藝。精益生產[14]通過需求量的數據計算，按需要的量生產需要的產品，由準時生產、全面質量管理、全面生產維護和資源管理構成。柔性制造[15]是在自動化與信息化的基礎上擴展了柔性制造能力，能夠根據制造任務或生產環境的變化迅速進行調整，適用于多品種、中小批量生產，系統具備柔性、敏捷和精準的反應能力。并行工程[16]是指將原先串聯進行的制造過程，經過結構重組和流程再造后，實現制造過程并列進行的一種工作方式，強調產品模型設計、工藝方案設計、生產技術準備、以及采購和生產等環節交叉進行，并行且有序。敏捷制造[17]是指通過改善傳統的生產技術，將最新的機械工藝、電子數據、信息傳輸、能源開發、組織管理等成果綜合運用于生產過程，快速配置技術、管理和人力等資源，縮短產品生產周期，快速響應市場需求。

智能制造的發展歷程可歸納為數字化制造、網絡化制造到智能化制造3個基本發展模式[18]。其中，數字化是智能制造的理論和實踐基礎，為智能制造提供技術基礎和制造方法;網絡化制造是實現智能制造的溝通橋梁，是數字化制造的進一步延伸和擴展，其先進制造技術融合了物聯網、大數據和云制造等新一代信息技術，實現工業制造領域全要素、全產業鏈互聯互通以及優化產品研發、生產和服務，制造模式由生產型制造向服務型制造轉變，由大規模批量生產向個性化定制化生產轉變。

3 網絡制造

工業互聯網由通用電氣公司（GE）在2012年首次提出，其定義網絡制造（Network manufacturing，NM）為“全球工業系統與互聯網所允許的先進計算、分析、低成本傳感能力的融合”[19]。工業互聯網的核心部分主要包括2個方面。一個是用于車間與企業之間的智能傳導和安全傳輸網絡，其覆蓋產品的整個生命周期;另一個是極為強大的計算與分析能力，可以用于設備檢驗維修、能源分配優化、產品質量分析和市場供需預測等 [19-21]。

21世紀初，網絡化制造興起，這是先進的網絡技術、制造技術及其他相關技術結合構建的制造系統，是提高企業的市場快速反應和社會競爭能力的新模式[22]。近幾年，為解決更加復雜的制造問題和開展更大規模的協同制造，網絡制造作用愈加明顯。本節通過網絡制造的三大應用來解釋網絡制造優勢與不足以及網絡制造對智能制造的作用。

3.1 物聯網

物聯網（Internet of Things）指的是將各種信息傳感設備， 如射頻識別（RFID）裝置、激光掃描儀、紅外感應器、全球定位系統（GPS）等裝置與互聯網結合起來形成的巨大網絡平臺[23-25]。物聯網是在計算機、互聯網與移動通信網之后的世界信息產業革命第三次浪潮。

物聯網廣泛應用于多個領域。在農業領域，梁金鑫等人[26]通過物聯網技術手段實現動態監控大棚溫度、光照、棚外天氣狀況等智能操作，實現自動收放大棚棉被和控制卷簾機的升降;在水利領域，陳小英[27]基于細帶物聯網的遠程水文測報系統，使用傳感器進行數據采集，通過細帶物聯網傳輸到數據管理中心，完成水文數據的實時上傳。寧愛民等人[28]基于水位與流速傳感器建立一套物聯網水文監測系統，研究傳感器智能接口開發、數據融合與智庫實現、無線網絡與智庫集成等關鍵技術，并通過室內試驗與室外試點證明該系統的穩定性，達到了預期的效果。在礦物采集領域，蘇建濤[29]把大數據、物聯網、互聯網、人工智能技術以及5G運用到原油開采中，大大提高采油的效率。在計算機通信領域。劉金魁[30]通過物聯網技術有效提升計算機通信網絡的總數量，豐富計算機通信網絡類型，而且能夠有效提升計算機網絡運行的穩定性和系統的安全性。物聯網還具有實時數據收集和在各種制造資源（例如機器、工人、材料和工作）之間共享的功能[31]。例如在車間、裝配線和倉庫，通過為制造對象配備射頻識別（RFID）設備來創建智能對象，從而使得車間的干擾得以實時檢測并反饋給制造系統[32]，如此就提高了制造和生產決策的效率。

以物聯網智能物流系統為例，物聯網智能物流系統是利用物聯網系統，結合先進的現代信息傳感技術和現代信息處理與存儲技術，從產品的生產制造出發，實現從供應商向消費者產品運輸、包裝、配送和卸貨的全過程智能化，在供應商利益最大化的同時，使消費者享受最佳的服務，同時還能消耗更少的能源與社會資源，實現全程綠色化的物流管理系統 [33]。物聯網智能物流系統如圖2所示，傳統物流系統一般指產品出廠后的包裝、運輸、裝卸、倉儲，主要分布在圖2中的物流應用層。與傳統物流系統相比，物聯網智能物流系統包括物聯網感知層、網絡層、信息處理層以及物流應用層。總地來說，物聯網感知層主要功能是收集信息，將收集的信息通過網絡層傳輸到信息處理層;信息處理層提供數據服務中心和信息服務平臺，實現物流從生產到消費以及回收的全面調控，有效提高物流效率，減少失誤[34]。

3.2 云制造

云制造是新一代智能制造的重要組成部分[36-37]。云制造是指在云計算、物聯網、虛擬化的應用下，一種面向服務的先進制造模型，該模型將制造資源轉換為可以全面共享和流通的服務[38-39]。 模型中，蘊含產品從虛擬構造、模型設計、運動仿真、加工制造、成品測試和維護的整個生命周期，因此通常被視為并行工程，網絡化和智能化的制造系統（“制造云”）。云制造中的生產資源和容量可以智能管理。

圖3中說明這項研究工作中開發的云制造框架，該框架能夠共享分布式資源，在工業網絡上循環有效使用，主要由制造商網絡中不同供應商提供的分布式制造資源與Internet云平臺相連接，進而實現用戶動態共享。

3.3 大數據

大數據上有許多不同的定義， Gartner[40]對大數據的定義被廣泛接受。 Gartner通過3個突出的特征（也稱為3V）來定義大數據：大容量、高速度和高多樣性[41]。隨著人工智能進一步發展，深度學習、邊緣計算等新模型和新算法被不斷提出和發展，工業大數據也為智能制造帶來新的理念、方法、技術與應用[42]。

隨著云計算和物聯網技術的積極推動，數據在許多行業中變得越來越可訪問和無處不在，從而導致數據廣泛卻不精確的問題[43]。大數據通常來自各種渠道，包括傳感器、生產設備、視頻資源、網頁瀏覽痕跡、日志文件、事務性應用程序和社交媒體信息[44]。在這種情況下，制造業中的“大數據環境”逐漸形成。盡管物聯網（例如，智能傳感器）的發展簡化了數據收集，但仍然存在以下問題：是否可以正確處理此數據，以便在正確的時間為正確的目的提供正確的信息[45]。

大數據平臺是重要的使能技術，是連通工業資源要素的重要樞紐，是工業數據管理分析的重要載體，是支撐制造系統自學習、自進化的重要基礎，逐漸成為智能制造體系的“操作系統”[46]。

網絡制造[35]通過物聯網、云制造、大數據多種方式實現數據的采集及應用，其主要的功能是發布式的采集及應用數據，實現信息數據的共享。表1展示了云制造、IoT和智能制造的研究現狀，智能制造和網絡制造相互聯系，相互促進，智能制造通過網絡制造實現數據的收集，網絡制造通過智能化實現數據的篩選和調控。

但網絡制造存在許多問題[55]，其各個模塊的結果通常相互矛盾，由于具體涉及的不是直接相關的制造信息和環境（例如，長期戰略計劃與短期運營計劃），在輸入/輸出級別和實際信息內容上的協調通常是一個飽受爭議的問題，阻礙了工具在現實生活中的制造系統的適用性。

4 智能制造

智能制造（Intelligent Manufacturing， IM）是新一代信息技術與先進制造技術的深度融合，貫穿于產品、制造、服務全生命周期的各個環節及相應系統的優化集成，實現制造的數字化、網絡化、智能化，并不斷提升企業的產品質量、效率和服務能力，推動制造業創新化、綠色化、協調化、開放化和共享化發展[56]。

4.1 智能制造的背景

智能制造[57]通過融合新一代信息技術和先進制造技術，實現設備與設備之間、設備與人之間、設備與信息系統之間以及企業與企業之間的信息互聯與集成，具有高敏捷性、強擴展性和可持續發展的特點。

智能制造隨著工業4.0、工業互聯網和中國制造2025的提出，受到了廣泛的關注。工業4.0是由德國 [58]提出的概念，認為制造業未來只能通過智能化的生產創造價值，即制造本身是創造價值的，認為工業4.0 的本質特征便是智能化，即以智能工廠為核心，建立起一整套規模化、定制化的產品設計、生產及服務模式。美國[59]則相應提出工業互聯網，以通用電氣（GE）為代表，注重通過機器互聯、軟件及大數據分析，提升生產效率，創造數字工業的未來。中國[60]提出的智能制造主要包括：制造裝備的智能化、設計過程的智能化、加工工藝的優化、管理的信息化和服務的敏捷化、遠程化等，提出智能制造是基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式。

4.2 智能制造算法

以智能制造的生產調度為例;目前用來解決調度問題的智能算法主要有模擬退火法（SA）、禁忌搜索法（TS）、和遺傳算法（GA）[61]。由于遺傳算法具有良好的魯棒性、隱含并行性以及全局搜索能力等，優點遺傳算法（ Genetic algorithm，GA） 被廣泛應用于作業車間調度中[62]。

智能制造調度問題可以描述為：一個任務訂單要求生產a個工件J={Ji}，1≤i≤a;每個工件需要進行b道加工工序O={Oj}，1≤j≤b;一共需要在c臺機床上完成所有a件工件的b道所有加工工序。其中，每一個機床都可以進行工序加工，但加工時間不同（即機床的加工效率不一樣）。此外，當機床d（d≤c）加工完工件Ji的第Oj-1道工序后，機器人需要立即把該工件送到加工Oj工序的機床上進行加工，并且在不同機床之間的工件搬運時間不同。

求解調度問題的數學模型如下所示[63]：

4.3 智能制造框架

智能制造框架如圖4所示，主要分為4個層次，分別為：基礎設施層、技術關聯層、數據管理層和智能應用層。其中，基礎設施層中通過數字制造提供基本技術支持，模具、注塑、沖壓成形等傳統工藝具有大批量、成本低廉等優點，但是其材料利用率低，生產效率低，難成形復雜件的缺點明顯，增材制造、柔性制造等先進制造技術可以有效解決傳統制造技術的問題，但生產成本卻較高，應用范圍小。結合傳統技術與先進制造技術的技術特點，可以依據不同的生產要求，確定相應的制造技術，為智能制造提供必要的技術支撐;技術關聯層是智能制造的數據、工藝、技術的糅合層，通過數據集成、工藝集成和技術集成有效提高生產效率，能夠為智能制造提供生產技術參考。數據集成指的是通過集成不同來源、格式和特點性質的數據，提供全面的數據信息，可以有效避免錯誤再犯;工藝集成指的是結合各個生產部門的工藝生產要求、特點，對生產工藝進行調整，改善;技術集成指的是集成各種來源的相應生產技術，對技術進行改進。數據管理層是信息收集層，通過大數據、云計算、物聯網等方式采集數據信息，實現數據的保存和實時更新，為智能制造提供數據信息支撐，對市場需求和消費具有重大價值。智能應用層是智能制造的體現層，結合數字制造、集成制造和網絡制造的特點，從設計、設備、監控和調試等方面做到了無人化、智能化，既保證了生產的有效運行，又可以實時智能調控，減低生產誤差。

4.4 智能制造的應用與研究

Yang等人[64]把智能制造與3D打印技術相結合，提出了3D復制技術，通過3個流程，分別是基于產品的虛擬設計或者3D掃描建模、結構智能規劃的3D打印磨具以及智能注塑成型來實現產品的快速、高精度和大批量的生產。Priego等人[65]以自動化制造系統為例，通過多代理技術并行控制具有分布式代理體系結構啟用特點的智能機器人，從而簡化智能制造的實施。對于制造企業涉及到的許多不同元素，例如制造流程、車間監控和倉庫管理，Shen等人[66]基于智能制造系統的代理的框架來解決生產計劃和制定計劃問題的合適解決方案。Zhang等人[67]提出一種能夠進行實時信息捕捉和集成的IoMT框架，該框架通過將制造資源如機器、托盤、物料等信息嵌入傳感設備，可以實現企業層、車間層和機器層間的雙向無縫連接和互操作。王婷等人[68]運用系統工程理論分析智能制造和綠色制造協同互補性的基礎上，提出一種大數據驅動的綠色智能制造新模式。張祖國[69]研究從研發創新到產品運維的全制造服務生命周期迭代過程，成功構造智能工廠系統結構模型。智能制造的合理運用，能夠有效解決實際生產問題，提高生產效率。

智能制造的研究主題主要分為智能設計、智能機器、智能監控、智能控制和智能調度。其中，智能設計是指計算機輔助設計（CAD）和計算機輔助制造（CAM）等設計軟件能夠通過與CPS和AR集成的三維（3D）打印實現與物理智能原型系統的實時交互。智能機器是指可以借助智能機器人和其他各種類型的智能對象來實現智能機器，這些對象可以實時感測并可以相互交互。智能監控是指制造系統的監控操作，可以實時獲取有關各種制造因素（例如溫度、電力消耗以及振動和速度）的數據和信息。智能控制可以通過開發網絡物理生產控制系統來實現高分辨率的自適應生產控制、即智能控制，以便通過支持云的平臺物理管理各種智能機或工具。智能調度主要包括高級模型和算法，利用傳感器捕獲的數據進行智能分析。

智能制造技術（IM）的應用漸漸普及，部分制造企業集團采用IM提高產品的智能化水平，智能化生產線、智能化車間、智能化工廠不斷涌現，各種智能軟件層出不窮，IM已經成為了朝陽產業，具有廣闊的發展空間。

5 結束語

本文通過聯立集成制造、數字制造、網絡制造和智能制造之間的聯系，構建智能制造結構框架，分析智能制造的優勢。智能制造能夠極大提高企業生產效率和服務質量，將是未來制造業發展的必然趨勢。但是智能制造作為新興制造模式存在著些許問題，生產標準未實現統一、基礎技術支撐不夠完善等。在后續的發展和完善后，智能制造模式將會逐步代替傳統制造模式，實現產品優質、生產高效、能源低耗、環保綠色和信息安全。

參考文獻

[1] 劉強. 智能制造理論體系架構研究[J]. 中國機械工程， 2020，31（1）：24-36.

[2]劉強， 丁德宇. 智能制造之路—專家智慧實踐路線[M]. 北京：機械工業出版社，2018.

[3]何志通， 李子旭， 王天立. 淺談汽車產業智能制造中的信息化系統集成[J]. 信息化技術應用，2019 （11）：1.

[4]劉飛， 楊丹， 王時龍. CIMS系列培訓教材-CIM制造自動化[M]. 北京：機械工業出版社，1997.

[5]WU Yaohua. Based on CIMS application of small and medium -sized enterprise information system integration[J]. Advanced Materials Research，2014，3137（912）.

[6]REHGJA， KRACBBER. Computerintegrated manufacturing[M]. New Jersey： Prentice Hall，2005.

[7]彭小圣， 鄧迪元， 程時杰，等. 面向智能電網應用的電力大數據關鍵技術[J].中國電機工程學報， 2015，35（3）：503-511.

[8]李少波，陳永前. 大數據環境下制造業關鍵技術分析[J]. 電子技術應用，2017，43（2）： 18-21，25.

[9]樓巍. 面向大數據的高維數據挖掘技術研究[D]. 上海：上海大學，2013.

[10]王恩海. 系統集成支撐智能制造的未來發展[J]. 現代制造技術與裝備，2019，276（11）：194-195.

[11]PARITALAA P K， MANCHIKATLAB S. Digital manufacturing- applications past， current， and future trends[J]. Procedia Engineering， 2017，174： 982-991.

[12]趙虎林， 茍藏紅. 數字化技術在焊接工藝中的應用[J]. 現代制造技術與設備， 2019（1）：146-147.

[13]劉飛香. 定制化裝備制造企業數字化體系探索與實踐[J]. 科技管理研究， 2019（7）：127-130.

[14]SHAH R， WARD P T. Lean manufacturing： Context， practice bundles， and performance [J]. Journal of Operations Management， 2004， 21（2）： 129-149.

[15]李德貴， 郭鑫， 趙武，等. 發展柔性制造系統的決策方法[J]. 制造業自動化， 2019， 41（6）：54-58，82.

[16]趙一卿. 并行工程在分段起駁和運輸中的應用[J]. 廣東造船， 2019，38（5）：89-91，88.

[17]姜妍. 現代企業的敏捷制造系統初探[J]. 財會學習， 2019 （15）：166-167.

[18]余凱， 賈磊， 陳雨強，等. 深度學習的昨天、今天和明天 [J]. 計算機研究與發展，2013，50（9）：1799-1804.

[19]EVANS P C， ANNUZIATA M. Industrial Internet： Pushing the boundaries of minds andmachines[R]. Boston，USA： General Electric， 2012.

[20]LIN S W， MILLER B， DURAND J， et al. Industrial Internet reference architecture[R]. USA：Industrial Internet Consortium （IIC）， 2015.

[21]XU L D， HE W， LI S. Internet of things in industries： A survey[J]. IEEE Transactions on Industrial Informatics，2014， 10 （4）：2233-2243.

[22]楊叔子， 吳波， 胡春華，等. 網絡化制造與企業集成 [J]. 中國機械工程， 2000， 11（2）： 54-57.

[23]International Telecommunication Union UIT. ITU Internet Reports 2005： The Internet of Things[R]. ?Tunis： ITU， 2005.

[24]GUSTAVO R G， MARIO M O， CARLOS D K. Early infrastructure of an Internet of Things in Spaces for Learning [C]// Eighth IEEE International Conference on Advanced Learning Technologies. NW Washington， DC， USA：IEEE， 2008： 381-383.

[25]SARMA A C， GIR[AKA～]O J. Identities in the future Internet of Things[J]. Wireless Personal Communications， 2009， 49：353-363.

[26]梁金鑫， 劉海英， 王蘭超，等. 基于51單片機的智能大棚卷簾機控制系統[J]. 齊魯工業大學學報，2019，33（6）：69-73.

[27]陳小英. 基于窄帶物聯網的遠程水文測報系統[J]. 電子技術與軟件工程，2019（24）：7-8.

[28]寧愛民， 張存吉. 基于物聯網的水文監測系統關鍵技術研究[J]. 物聯網技術，2019，9（12）：11-14.

[29]蘇建濤. 數字采集傳輸技術在采油工程的應用[J]. 集成電路應用，2020，37（1）：34-35，38.

[30]劉金魁. 物聯網對計算機通信網絡產生的影響[J]. 通信電源技術，2019，36（12）：162，164.

[31]BI Z， XU L D， WANG C. Internet of Things for enterprise systems of modern manufacturing[J]. IEEE Transactions on Industrial Informatics， 2014，10（2）：1537-1546.

[32]HUANG G Q， ZHANG Y F， CHEN X， et al. RFID-enabled real-time wireless manufacturing for adaptive assembly planning and control[J]. Journal of Intelligent Manufacturing ， 2008，19（6）：701-713.

[33]BUJARI A， FURINI M， MANDREOLI F， et al. Standards， security and business models： key challenges for the IoT scenario [J]. Mobile Networks and Applications， 2018， 23（1）： 147-154.

[34]郭榮佐， 馮朝勝， 秦志光. 物聯網智能物流系統容錯服務組合建模與分析[J]. 計算機應用， 2019， 39（2）：589-597.

[35]ZHONG R Y， XU Xun， ?KLOTZ E，et al. Intelligent manufacturing in the context of Industry 4.0： A review[J]. Engineering ，2017，3（5）： 616-630.

[36]ZHANG Lin， LUO Yongliang， TAO Fei， et al. Cloud manufacturing： A new manufacturing paradigm[J]. Enterprise Information Systems， 2018（2）：167-187.

[37]ZHOU Longfei， ZHANG Lin， ZHAO Chun， et al. Diverse task scheduling for individualized requirements in cloud manufacturing[J]. Enterprise Information Systems， 2012（3）：300-318.

[38]LI B H， ZHANG L， WANG S L， et al. Cloud manufacturing： A new service-oriented networked manufacturing model[J]. Computer Integrated Manufacturing Systems， 2010，16（1）：1-7.

[39]XU X. From cloud computing to cloud manufacturing[J]. Robot Computer-Internet Manufacturing， 2012，28（1）：75-86.

[40]ULARU E， PUICAN F， APOSTU A， et al. Perspectives on big data and big data analytics[J]. Database Systems Journal， 2012，4（3）：3-14.

[41]LOSHIN D. Big Data Analytics： From strategic planning to enterprise integration with tools， Techniques， NoSQL， and Graph[M]. San Francisco， CA， USA： Morgan Kaufmann Publishers Inc.， 2013.

[42]王東強， 鄢萍， 劉飛，等. 基于EPC規范的車間層多源信息集成技術[J]. 中國機械工程，2010， 21（3）：319-377.

[43]MANYIKA J， CHUI M， BROWN B， et al. Big data： The next frontier for innovation， competition， and productivity[EB/OL].[2011-05]. http：//www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation.

[44]RICH S. Big data is a “new natural resource”[EB/OL].[2012-06-27]. http：//IBM says.

[45]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.

[46]張潔，汪俊亮，呂佑龍，等. 大數據驅動的智能制造[J]. 中國機械工程，2019， 30（2）：127-133.

[47]FEENEY A B， FRECHETTE S P， SRINIVASAN V. A portrait of an ISO STEP tolerancing standard as an enabler of smart manufacturing systems[J]. Journal of Computing and Information Science in Engineering ，2015，15（2）：021001.

[48]HELU M， HEDBERG T J. Enabling smart manufacturing research and development using a product lifecycle test bed[J]. Procedia Manufacturing， 2015，1：86-97.

[49]SHEN Weiming， HAO Qi， YOON H J， et al. Applications of agent-based systems in intelligent manufacturing： An updated review[J]. Advanced Engineering Informatics，2006，20（4）：415-431.

[50]HUANG G Q， ZHANG Y F， JIANG P Y. RFID-based wireless manufacturing for real-timemanagement of job shop WIP inventories[J]. International Journal of Materials and Product Technology， 2008，36（7-8）：752-764.

[51]ZHANG Yingfeng， JIANG Pingyu， HUANG G Q. RFID-based smart Kanbans for Just-In-Time manufacturing[J]. International Journal of Materials and Product Technology，2008，33（1-2）：170-184.

[52]WANG Meilin， ZHONG R Y， DAI Qingyun， et al. A MPN-based scheduling model forIoT-enabled hybrid flow shop manufacturing[J]. Advanced Engineering Informatics， 2016，30（4）：728-736.

[53]ZHONG R Y， LAN Shulin， XU Chen， et al. Visualization of RFID-enabled shopfloor logistics big data in cloud manufacturing[J]. The International Journal of Advanced Manfacturing Technology， 2016，84（1-4）：5-16.

[54]QU T， LEI S P， WANG Z Z， et al. IoT-based real-time production logistics synchronization system under smart cloud manufacturing[J]. International Journal of Advanced Manufacturing Technology， 2016，84（1-4）：147-164.

[55]LEE J Y， KANG H S， KIM G Y， et al. Concurrent material flow analysis by P3R-driven modelling and simulation in PLM[J]. Computers in Industry， 2012，63（5）：513-527.

[56]ZHOU Ji， LI Peigen， ZHOU Yanhong， et al. Toward new-generation intelligent manufacturing [J]. Engineering， 2018， 4（4）： 11-20.

[57]張明建. 智能制造系統框架運作模型研究[J]. 寧德師范學院學報（自然科學版），2018，30（2）：127-131.

[58]KAGERMANN H， WSHLSTER W， HELBIG J. Recommendations for implementing the strategic initiative INDUSTRIE 4.0： Final report of the Industrie 4.0 Working Group[R]. Munich： National Academy of Science and Engineering， 2013.

[59]EVANS P C， ANNUNZIATA M. Industrial Internet： Pushing the boundaries of minds and machines[R/OL].（2012-12-26）[2021-01-19].https：//www.researchgate.net/publication/271524319_Industrial_Internet_Pushing_th.

[60]制造強國戰略研究項目組. 制造強國戰略研究：智能制造專題卷[M]. 北京：中國工信出版集團，電子工業出版社，2015.

[61]GAO Liang， PENG Chuanyong， ZHOU Chi， et al. Solving flexiblejob-shop scheduling problem using general particle swarm optimization[C]// Proceeding of The 36th International Conference on Computers & Industrial Engineering. Taipei， China：ACM， 2006：3018-3027.

[62]張國輝， 吳立輝. 求解柔性作業車間調度的GATOC混合方法[J]. 計算機工程與應用， 2015， 51（23）：266-270.

[63]徐金輝， 涂海寧， 陸遠. 智能制造單元生產調度算法研究[J].制造技術與機床， 2020（3）：134-138.

[64]YANG Weimin， JIAN Ranran Jian. Research on intelligent manufacturing of 3D printing/copying of polymer[J]. Advanced Industrial and Engineering Polymer Research. 2019，2：88-90.

[65]PRIEGO R， IRIONDO N， GANGOITI U， et al. Agent-based middleware architecture for reconfigurable manufacturing systems[J]. The International Journal of Advanced Manufacturing Technology，2017，92（5-8）：1579-1590.

[66]SHEN Weiming， HAO Qi， WANG Shujing， et al. An agent-based service-oriented integration architecture for collaborative intelligent manufacturing[J]. Robot Computer-Integrated Manufacturing， 2007，23（3）：315-325.

[67]ZHANG Y， ZHANG G， WANG J， et al. Real-time information capturing and integration framework of the internet of manufacturing things[J]. Internation Journal of Computer Integrated Manufacturing， 2015， 28（8）：811-822.

[68]王婷， 廖斌， 楊承誠. 大數據驅動的綠色智能制造模式及實現技術[J]. 重慶大學學報，2020，43（1）：64-73.

[69]張祖國. 基于全制造服務周期的智能工廠系統結構模型[J]. 艦船科學技術，2016，38（5）：121-128.