1.2　国内外文献综述

1.2.1　任务管理研究现状

1.2.1.1　任务调度管理方法研究概述

对于计划调度算法的研究一般从静态调度入手，这样对大规模生产车间调度系统的开发有一定的参考价值。最早的静态调度算法的研究是Manne开发的一种基于数学模型的方法。到了最近的20年里，Laporte等提出了两个整数线性规划公式来解决作业排序和工具切换问题，其中“分支—剪枝”算法和“分支—绑定”算法得到了发展并经常被用来作对比。Asokan等使用自适应遗传算法和粒子群优化来获得最优调度和存储分配。

工艺计划和调度一体化的概念是由Khoshnevis等提出的。在他们的方法中，车间里找不到一个给定零件特征的可行过程，这种情况下，应用实时系统一起生成工艺规划和进度表。在此背景下，Chen等研究了一些集成系统的方法和算法的性能，Tan进一步扩展了该方法。Mohapatra等提出了一种改进的非支配排序遗传算法，以降低调度目标，如最大完工时间、成本、空闲时间和效率，实现了过程规划与调度的集成。Freitag提出了一种基于仿真的多目标超启发式优化调度规则。Li等指出，过程规划和调度的集成将朝着多目标、动态和混合算法应用的方向发展。Rajkumar等针对以最大完工时间、最大工作负荷、总工作负荷、拖期和总流动时间为目标的多目标加工问题，采用贪婪随机自适应搜索算法将工艺规划与生产调度相结合，此外，还可以加入一些特别目标，如可持续发展等。Gahm等建议为制造企业制定节能计划。

然而，静态调度无法处理产品批量小、品种多的情况，尤其是出现意外故障时。因此，有的学者提出了动态调度方法以解决静态调度的这个问题。动态调度使决策过程具有自动快速响应的特点，更适应现代的以传感器和红外射频（Radio Frequency Identification，RFID）为基础的数据采集设备。制造系统的实时调度包括调度和重调度。有些学者提出了一种基于多种实验和实践方法的重调度方法。在他们的方法中，介绍了两种常见的调度策略：动态调度和预测—反应调度。Zhong等提出了一个作业车间调度模型，该模型将实时获取的数据与基于物理互联网的生产车间进行转换。Ham等提出了一种三阶段柔性作业车间调度方法来处理不可预测的系统扰动。Iwamura等提出了一种基于未来状态估计的全电子制造系统（Holonic Manufacturing Systems，HMS）的实时调度方法，在他们的方法中，使用基于神经网络模型的仿真模型来预测HMS的未来状态。此外，一些学者提出了一种基于代理的面向服务的实时车间调度体系结构。Yih等将半马尔可夫决策模型应用于实时调度。Zhou等将蚁群优化应用于两个动态作业调度问题。

对于实时调度，实时决策是关键，目前有很多算法。Metan等通过构建决策树提出了一种实时选择调度规则的调度系统，采用仿真技术、数据挖掘技术和统计过程控制图技术相结合的方法；针对单机调度问题，采用贝叶斯算法从大量的结构化或非结构化数据中发现优先级调度规则。此外，Jain等还开发了实时监测方法。Kohn等提出利用实时RFID信息对制造系统进行修复控制的方法，通过在车间内应用RFID技术，可以实现对操作人员、机器、物料等对象的实时信息的自动获取、绑定且与生产订单同步。

根据文献，动态、灵活性和适应性是现代调度的重要特征，一个调度系统应该能够在发生意外事件时进行任务重排。然而，制造业的工作延误和故障却是不可避免的，仍然很难预测。尽管成果有限，但大数据分析为故障预测带来了曙光。在大数据研究方面，许多文献研究的工作重点是大数据在生产生命周期和供应链管理中的应用。Koksal等将数据挖掘引入到质量改进中。Mavridou等利用汽车行业客户数据进行数据挖掘并开发了大规模定制的推荐系统。Zhang等提出了一种基于大数据的分析方法，用于产品生命周期、供应链管理和复杂产品的维护，其中使用了大数据分析和服务驱动的模式。作者调查了生产阶段的大数据，而这些大数据分析也被用于产品生命周期管理。Chen等提出了一个综合模型，将K-means聚类、特征选择和决策树方法整合成一个评价模型用以解决供应链中供应商的评价问题。Zhong等回顾了服务和制造供应链管理中使用大数据技术的现状，包括数据收集、数据传输、数据存储、处理技术、大数据决策模型、大数据解释和应用六个方面的挑战、机遇和未来展望。Babiceanur等回顾了相关研究，他们认为大数据分析将被用于信息物理制造系统。此外，Zhong等提出了一种用于发现物流轨迹的大数据方法。该方法利用RFID作为工具建立数据仓库，将抽象数据转化为有意义的信息，并在此基础上针对不同的制造目标制定要挖掘的知识和相关的指标。Woo等为制造系统开发了一个大数据分析平台，以创建特定目标机床的预测模型。综上所述，大数据分析在制造行业已经得到了广泛的应用，其中故障预测在车间调度中表现出很好的潜力。当前的任务调度主要关注加工资源的可用性，而不是调度后可能出现的错误。在预测中，加工任务、加工资源和加工过程由数据属性表示，根据车间现有的数据，挖掘潜在的故障/错误模式，包括加工错误、机器故障和维护状态，以发现加工前不合适的调度安排以及加工过程中即将出现的错误，将数据表示的任务与挖掘出的错误模式进行比较，计算其相似性或差异性，根据计算得到的相似度，可以得到计划任务或当前加工任务的故障概率，为任务的调度和重调度提供决策参考。

1.2.1.2　基于传感技术的任务管理方法研究概述

IBM公司在2010年发布的《未来的智能供应链》中指出，智能供应链是仪表化、互联化和智能化的。为了实现这个目标必须做到信息的可见性和透明性，以及供应链运作中的决策绩效的实时改进。作为先进制造业同样面临着全球竞争和不可预测的需求波动，先进制造业为了提升产品品质，应对供应链管理，亟须使用智能化与智慧化的管理平台与管理方法。智能化与智慧化的制造平台能够使先进制造业的管理与生产具有较强的柔性与应对复杂环境的能力以面对当今变化的全球环境，如今年的新冠疫情。

制造企业已经开发和实施了各种信息系统来增加信息的可见性和透明性，这些制造系统中的生产数据的准确性依赖于生产数据获取和监控的有效性与实时性。先进制造业中的生产数据采集主要来源于实时的生产、加工数据条形码扫描和RFID技术的应用。由于RFID设备与标签的成本问题，许多企业还采取条码扫描的流水卡形式，往往导致数据不完整、滞后，在生产环境复杂的先进制造企业车间里，条码标签容易起皱或弄脏。因此需要更有效的数据采集方法帮助先进制造业在复杂、长期的生产线上实时地采集生产数据，以帮助生产车间的管理者进行管理与决策。由于很多先进制造企业工艺流程复杂，生产系统需要保密，并且大多属于国有企业，生产与制造过程中的数据多用于记录或者旨在促进各种业务操作和指令，数据未能体现出实时性，因此这些数据虽然数量庞大，却不能为企业提供生产决策，生产决策依赖于生产管理的经验和主观评价，很少是最优的，如生产计划调度。

现有的数据采集和监控系统安装在每个工厂中，该系统可以从生产前线收集大量的实时生产数据。然而，这些丰富的数据主要用于工资记录和简单的生产报告，无法在生产管理中促进有效的生产决策的产生。针对这个问题，学者们在生产调度领域已经发表了大量全面的综述，包括许多调度问题：单机调度，并行机器调度，作业车间调度，流水车间调度，柔性制造系统调度和供应链管理。

以前的研究将它们的范围限制为单独的生产单元（如机器、车间或工厂）中的独立调度问题，其中每种类型的生产单元对应一个管理级别。因此，调度问题在每个管理级别分别独立地进行研究。在现实生产中，不同管理层次（如公司和工厂）的生产调度决策是建立在相关依赖和相互作用的基础上的。在一个分布式制造企业的多个管理层次上的生产调度问题并没有同时基于一个整体企业视角去制定，而实时的数据能够部分解决这个问题。在分布式的制造环境下，需要建立一种基于实时的生产数据的调度机制，为现实生产调度问题提供有效的调度解决方案。

大多数生产调度问题是不确定性多项式的时间困难问题。先进制造业产品结构复杂、设计标准化程度低、零部件数量庞大，属典型的大型复杂产品。先进制造业具有工艺门类专业且众多、加工工艺难度大、制造流程长、零部件配套关系复杂等典型特征，涉及多产品、多部门、多业务之间的复杂协作，属典型的单件小批量生产方式。这些特性不可避免地增加了生产调度问题的复杂性，传统的方法，如模拟、数学规划和启发式方法，不能解决这些复杂的问题。由于智能优化算法具有搜索全局最优解的潜力，在处理调度问题中得到了广泛的应用。

尽管当前中国先进制造业迫切需要提高生产可视性和调度性能，但以往相关研究普遍有限。在涉及材料和外包生产的多工厂的分布式制造环境中，还没有从整体的角度对生产调度问题进行研究。云技术和智能优化技术可以分别处理分布式生产监控和复杂的生产调度。因此，一种基于RFID技术、云技术和智能优化技术的有效决策支持方法是目前研究的重要方向。这种方法可以提供有效的实时远程生产监控，以及针对具有多个分厂的先进制造业产品生产环境问题给出有效生产调度解决方案。

1.2.1.3　网络制造任务管理概述

随着产品生命周期缩短及网络化制造的到来，为了应对当今激烈的竞争，制造业产品需要实现高度的多样化和定制化以满足“工业4.0”的需求。为了达到这样的要求，制造企业的综合生产计划与调度系统发挥着至关重要的作用。制造企业的制造过程将制造和管理范式从严谨的确定性生产变为更加灵活的、敏捷的、动态的、自我适应的协作生产。满足这一需求的最佳方案是通过网络化制造（Networked Manufacturing，NM）进行集成生产、计划和调度。Liu等将网络化制造定义为一套从市场控制、制造技术到制造系统的制造活动，可以帮助企业提高企业管理水平，增强企业在市场中的竞争力。因此，研究和分析网络化制造已成为必然趋势，网络化制造的优势有很多，如缩短生产周期、缩短交货周期、具有更好的互动性、维护生产的灵活性。这种制造模式需要适当的技术支持来实现，这些技术支持包括集成化、互动化和数字化，以满足以上需求并最终实现企业升级的目标。

虽然传统制造的单目标方法有其自身的优势，但是在目前“工业4.0”高度动态变化的制造环境下，单目标方法还远远不够。与传统制造方法相关的问题已经被清楚地表述为：单一目标的作业调度大多数并不考虑计划、实施和资本投资问题，只专注于全面或非渐进地形成制造单元。为了克服这个问题，研究人员已经认识到，有必要将功能和手段结合起来，以实现更好的系统性能，而集成这两个活动需要以网络化制造与协同制造为基础。

传统的基于集中式或层次化控制架构的车间控制系统无法满足制造系统的自适应和自主控制要求。因此，控制体系结构正逐步向分布式、分散、自主控制（Distributed，Decentralized and Autonomous Control，DDAC）体系结构转变。DDAC车间控制系统可以进行完全的局部自治与控制，具有可重构性、可扩展性和容错性，以适应“工业4.0”需求下的动态变化的环境。为了在不同设施之间实现成功的信息和知识交换，需要互联网技术、通信技术以及物联网技术（Internet of Things，IoT），通过物联网可以将所有设施连接起来。一些关于计划、调度和系统集成的关键文献综述中，研究重点主要集中在学习方法和其他基于人工智能的方法方面，如基于多代理系统的方法、基于仿真的方法等。

在网络化制造中，作业请求来自具有竞争关系的不同客户，即作业调度集中于满足每个作业的个体目标。在网络化的制造环境中，具有不同功能的机器分布在不同的地理位置，以执行产品制造的各种操作。网络化制造作为一种新型的先进制造模式，顺应了知识经济和全球制造环境的发展趋势。在网络化制造环境中，生产方式由“制造—库存”模式向“制造—订单”模式转变，客户主动参与，向制造系统提交作业请求，这往往是高度定制化的。网络化制造系统可以定义为一个以制造为导向的网络，利用互联网和其他相关技术来满足分布式制造环境的需求。它能够封装制造企业的信息，并提供制造服务，从而实现企业之间的互操作性。网络化制造环境在许多方面与传统制造环境不同，关于网络化制造的总结信息如表1-1所示。从表1-1中提供的信息可以看出，要实现适当的网络化制造，需要一系列基本功能。

正如Li等所提到的，在传统的制造系统中，工艺规划和调度函数的目标是获得所有作业的最优结果，这与单个作业的最优结果是不同的。在网络化制造问题中，由于不同工作之间的竞争因素所起的作用，工艺计划和调度的目标与传统制造业略有不同。在传统的制造业中，与工作相关的机器被定位并限制在一个单独的车间或企业中。但在网络化的制造工作中，机器分布在全球不同的车间或企业，这样物理距离更远。由此可知，网络化制造的情况与柔性制造系统中的情况类似，许多可能的机器、操作都是有效的制造资源，但不在同一车间。换言之，在网络化制造的场景中，在几个动态约束条件下，如机器的现状、工具和夹具在给定生产的地方，为每个工作计划所产生的最优过程设计开发适当的综合生产计划与调度系统结构才是真正的挑战。

近年来，综合生产计划和调度（Integrated Production Planning and Scheduling，IPPS）在制造领域扮演着重要的角色，特别是在“工业4.0”中，在许多方面都对当前新兴的制造范式起着重要的作用。工艺规划和调度问题被认为是一个NP困难（Non-deterministic Polynomial Hard，NPHard）问题，因此没有算法能够在多项式时间约束条件内提供精确的解答。一般情况下，制造系统中IPPS的求解主要采用三种方法：非线性过程规划（Nonlinear Process Planning，NLPP）、闭环过程规划（Closed Loop Process Planning，CLPP）和分布式过程规划（Distributed Process Planning，DPP）。这些方法及其特征、优点和缺点的详细描述如表1-2所示。

综合生产计划和调度功能方法背后的基本思想是由Chryssolouris首先提出的。Sundaram等提出了一种作业车间环境下的组合调度算法，该方法能使最大完工时间最小化，使机器负载均衡。随后，Seethaler等通过集成化方法提高了制造系统的性能，使得涉及制造功能集成的几个问题得到了妥善解决。在他们的工作中，引入了一个动态反馈机制来有效地协调各种资源。该机制反映了生产计划和调度功能对系统性能的显著影响，减少了延迟部件的数量、总延迟和流动时间。Wang等提出了一个集成模型，并提出了动态反馈系统的概念用于寻找网络化制造系统的可选流程计划，通过这种方法，提高了制造系统的灵活性。Cai等的研究指出，使用NLPP方法时，由于其为单向信息流，将过程规划和调度集成在一起无法获得最优结果。如果零件数量巨大，它们的可选工艺方案的数量会呈指数增长，这可能会给数据存储带来巨大的计算负担。此外，由于制造环境是实时动态的，其中一些工艺方案是不可行的。Shafaei等介绍了基于IPPS方法的柔性计划模型，该模型通过考虑可用的制造资源来选择合适的工艺计划。在该研究中，Shafaei等成功地实现了反应性重调度方法以满足在车间发生的扰动。Lee等提出了一种基于仿真的IPPS遗传算法。在他们的工作中，研究者没有创建可选的工艺计划，而是使用代理算法进行接近最优的过程计划选择。以最大完工时间和最迟完工时间为指标，执行最短加工时间和最早交货期等调度规则。结果表明，与随机过程规划选择操作相比，最大完工时间缩短了20%以上。Kumar等在计算机辅助工艺规划中提出了一种在线调度方法，用于确定作业车间调度问题的流程时间和一些延迟作业。随后，在类似的问题中，Kumar在分配操作给机器时考虑了机器的容量和成本，他们将IPPS方法与他们开发的决策支持系统一起使用，对零件加工也进行了处理。

Zhou等提出了一种基于遗传算法的作业车间调度方法，以改善作业车间调度目标，例如最小化最大完工时间、最小化次品数量、最小化加工成本等。通过考虑平衡每台机器上的负载，对上述工作进行了扩展。针对这一问题，提出了一种有效的粒子群优化算法（Particle Swarm Optimization，PSO）。Li等开发了一种基于遗传算法的两层染色体表示法，用于替代工艺计划和调度计划。利用这种有效的遗传表示和操作方案，采用IPPS方法求解最大完工时间的最短工件车间调度问题。在此研究中，他们还证明了集成方法比传统方法的性能要好得多。随后，他们对遗传算法进行了改进，提出了一种混合遗传算法，通过禁忌搜索来解决IPPS作业车间调度问题。为了使最大完工时间最短，他们提出了一个三层结构的加工计划、排程和机串表示方法。Moon等提出了拓扑短测试技术，通过改变订单大小、操作次数和资源选择规则进行不同的实验，通过优化最大完工时间来提高供应链的性能。从多种工艺方案中找出可行的工艺方案的维护成本是非常重要的。有些学者的研究提出了一种基于模拟退火算法的批量生产的IPPS方法来寻找棱柱形零件的最优工艺方案。在他们的方法中，延迟和维护过程计划的成本被联系起来。从研究结果来看，通过降低过程计划的成本，作业的延迟明显得到了改善。Haddadzade等提出了一种IPPS方法来处理作业车间环境中复杂棱柱形构件的操作问题，使到期时间和成本最小化。Baykasoglu等实现了一种IPPS方法，使用通用的过程计划方法来生成可行的过程计划，并使用基于调度规则的启发式方法来生成可行的计划。为了优化流程时间和成本等性能指标，采用了基于多目标的禁忌搜索算法。结果表明，工艺方案灵活性的提高降低了工艺方案的成本。Rajkumar等提出了一种多目标贪婪随机自适应搜索算法，在柔性作业车间环境下，使最大完工时间最小化，使总工作量、总流动时间和总延误最大化。该方法已用于测试四个基准数据集，并证明了其解决IPPS问题的能力，在整体制造系统的背景下被强调用一个IPPS方法来平衡所有机器的负载。Nakandala提出了一个基于全球汽车公司供应链环境的制造和分销网络的集成方法。研究者发现，通过集成方法，单个网络的接口被消除。另外，他们还指出，为了进一步改进供应链网络，集成方法具备灵活性、可视性和可维护性。

1.2.2　车间作业管理研究现状

作业车间调度或作业车间问题（Job-shop Scheduling Problem，JSP）是一个多目标优化问题，其中各种制造作业在特定的时间分配给机器，同时尽量使最大完工时间最小化。生产调度的优劣直接影响着生产系统的生产效率和生产成本，因此作业车间调度算法是目前运筹学、计算科学、工业工程领域研究的重要内容。JSP问题通常是一个NP组合优化问题。现有的集中调度和半分布式调度优化方法在对问题进行规模扩展时，在计算稳定性和时间上都面临着很大的挑战。在“工业4.0”环境下，调度应该处理的是一个以大规模定制生产、信息物理系统（Cyber-Physics Systems，CPS）、大数据、物联网（Internet of Things，IoT）、人工智能（Artificial Intelligence，AI）、数字孪生（Digital Twin，DT）、SMAC（社交网络、移动通信、分析及云）等新兴制造技术为支撑的智能制造系统的优化问题。调度研究需要向智能分布式调度建模与优化方向发展。为了将传统调度转化为智能分布式调度（Smart Distributed Scheduling，SDS），应研究的问题有：

（1）传统调度方法和技术在智能分布式调度中是否可以组合和重用？

（2）智能分布式调度需要哪些新的方法和技术？

因此，本书首先回顾了针对第一个问题的现有研究，并讨论了智能分布式调度未来的研究方向，以减少集中式调度的复杂性，支持智能制造系统。

调度包含了确定车间资源的分配。为了更早和更广泛地解释调度模型的不同方面，出现了一些著名的研究，如Graves、Floudas等以及Floudas等。工厂调度也有不同的分类方法。调度可以根据生产来源的需求、机床数量、生产系统的复杂性、性能指标、生产环境的特点、操作的加工特点和资源约束进行分类；可按生产需求涉及车间和资源约束的来源进行分类，如机床、性能指标、生产环境的特点、处理业务的特点。在问题中加入更多的特征和约束，其问题空间（或结构）将变得更加复杂。对作业车间调度问题进行重构，并对作业车间调度模型的基本类型、多机器类型、多资源类型、多工厂类型和智能工厂类型重新分类，从而对作业车间调度模型的本质和主要特征有一个大致的认识。

（1）虽然作业车间调度模型的基本类型是四种类型中最简单的，但大多数基本JSP仍然是NP问题。在这种模型中，指定的操作在指定的机床上进行，不能选择更多的机床。采用优化算法或多目标优化算法，使最大完工时间、成本或两者同时最小，从而得到最终的最优操作序列。

（2）柔性作业车间调度（Flexible Job-shop Scheduling Problem，FJSP）模型是一种先进而复杂的JSP，可以选择机器进行部分或全部的操作。如果可以在操作中选择所有的机器，则称为完全FJSP（Complete FJSP，C-JSP）。如果只有一部分机器可以在操作中选择，那么就称为部分FJSP（Part FJSP，P-JSP）。多目标优化算法一般能在机器负载均衡的情况下实现最小完工时间和最小成本。然后，得到所选机器的操作序列。目前，大多数调度算法都集中在JSP和FJSP上，尽管它们的结构与实际的制造系统相去甚远。

（3）多资源的FJSP（Multi-resources FJSP，MrFJSP）模型：针对一个FJSP模型，当考虑到多资源时，将其称为具有多资源的FJSP模型或多资源FJSP模型（MrFJSP）。作业车间的生产能力受到机器、工具、模具、夹具、操作工、车辆、机器人等制造资源的制约。一台机器可能用于某些操作，但对于调度来说，它仍然受到其他可用资源的约束。调度必须一次分配不同的可用资源，包括机器和其他资源，这显然比FJSP更复杂、更动态。除了FJSP的输入和约束外，车间资源信息和布局信息也是模型的输入和约束。调度的目的是在每台机器上生成作业的操作序列，以实现约束条件下某些参数的优化。通常采用多目标优化算法来实现资源转移时间最短的FJSP目标。这类模型可以看作是FJSP和JSP数学模型的扩展，如：Lin等使用析取图建立统一模型，其他学者使用通用解析数学模型。

（4）基于MrFJSP模型的多工厂（Multi-plants-based MrFJSP，MpFJSP）模型：当考虑多工厂和多工厂之间的运输时，就变成了多工厂和多运输的MpFJSP模型或MrFJSP模型。这种模型是目前调度模型中最复杂、最动态的模型。由于不同的资源管理模型和动态重调度，集中式调度很难得到最优解。此外，它必须是最灵活和适应的，因为任何异常的变化和干扰都可能会影响所有其他车间。因此，该模型可视为半分布式调度模型。也就是说，它几乎是一个集中式调度模型，只是当重新调度被用来满足工厂之间的动态需求时，它会变成一个分布式调度模型。在多工厂环境中，总是使用代理来处理工厂之间的协作调度。在一个工厂中，它与多资源环境相同，否则MrFJSP中的输入和约束也涉及多工厂供应链、提货和交付。MrFJSP采用多目标优化算法求解车辆的最小完工时间、成本、延误和行驶里程，然后获得具有选定机器和跨工厂资源的操作序列。

上述四种调度模型均集中于集中式调度和半分布式调度。这些类型的调度很难快速响应分布式制造系统中相关元素的实时和动态变化。对于NP困难问题，如果同时发生实时动态更改，则重新调度将花费更多时间，并且通常需要更长的恢复周期，制造过程将受到严重干扰。实际上，这些变化随时都可能发生，如紧急事件、新订单、取消订单和机器故障。因此，对大规模定制和自适应制造进行调度是必不可少的。但是，即使在一个工厂，整个系统也不可能被不断地打断。那么，由于具有自组织、自学习、自决策特征的智能agent确实可以调度自己的进程，因此，未来需要具有智能分布式调度的智能工厂，而车间调度算法需要做进一步的优化。后面，本书将介绍调度优化算法。

调度优化算法分为两类，分别是单目标/多目标算法和分布式优化算法。对于传统的调度问题，JSP、FJSP、MrFJSP和MpFJSP主要集中在半分布式调度问题上，可以通过单目标/多目标优化算法来解决。SFFJSP（MpFJSP with Smart Factory）下的未来作业车间调度问题是一个智能的分布式调度问题，需要使用分布式优化算法来处理。事实上，在一个智能分布式调度问题中，系统被划分为若干局部子系统，每个子系统根据相关的智能代理构建自己的结构。也就是说，最初的问题可以分解为不同的更小、更灵活的并行子问题，这些子问题可以单独处理，我们使用单/多目标优化算法可以比集中调度算法更容易解决调度系统的子问题，并且能够实现使用更少的时间获得更好的解决方案。解决传统作业车间调度问题的方法有很多种，许多学者也对这项工作进行了总结，如早期的学者Jain和Meeran对各种早期算法进行了分类、介绍和比较。近年来，由于智能算法的发展，大多数的学者，如Ju（2007）更加注重智能算法，使用了超启发式算法和一些特殊形式的JSP。调度优化算法主要分为精确优化方法和近似优化方法。精确优化方法包括有效规则方法、数学规划方法、分支定义方法等。近似方法包括构造方法、人工智能、局部搜索和启发式算法。在“工业4.0”环境下以智能工厂为导向的调度中，智能agent或智能体成为主导因素，使得以前的集中式调度系统可以被多个相连的智能调度agent所取代。对于单个agent，调度的复杂性大大降低。因此，在特定的情况下，很有可能再次回到以前使用小规模调度的方法。这就是为什么本书仍然总结了各种方法，包括目前的和早期的方法，以便在未来的智能制造系统中发挥不同方法的优势。

目标约束算法的目的是通过变量和启发式规则来选择变量和分配可能的值，并且应用约束来确定整个搜索空间的顺序和序列，从而在搜索过程中减小有效搜索空间的大小。尽管基于目标约束的启发式搜索算法属于人工智能领域，但许多JSP的约束满足方法都采用了分支定义的搜索算法，这是一种对称的树搜索算法。Simon等提出了一种二维的神经元Hopfield TSP类型矩阵和编码策略来解决JSP，该方法可以最小化每个作业最后一次操作的所有开始时间的总和。Akyol等对神经网络（Neural Networks，NNs）在调度问题上的应用进行了广泛的文献综述，并根据不同的结构将其分为四类：Hopfield型网络（Hopfield type Networks，HNN）、多层感知器、基于竞争的网络和混合方法。许多文献将HNN用于求解静态调度问题，如Fnaiech等将其应用于求解联合生产和维修调度问题。然而，在实际的JSP中很难使用它，因为所涉及的变量非常大，导致了各种各样的问题，如：计算效率较低，而且可能无法收敛到高质量的解。

BP神经网络是一种多层前馈网络，被提出后迅速得到了广泛的应用。BP神经网络不直接参与优化，它对输入层和输出层使用训练数据集，并通过反向传播算法进行训练。在训练之后，网络的应用只涉及前馈阶段的计算。这些网络的性能一般由其泛化能力和泛化精度决定。一般的竞争人工神经网络由输入层和竞争层的神经元节点组成。输入层的每个节点都要建立连接权值，以便连接到竞争层的每个节点。然后，竞争层中一个节点的输入值之和与相邻节点的输入值之和相竞争，最极端的一个称为赢家通吃节点的输出信号则为非零。基于以上所描述的过程，一些研究人员研究竞争网络来解决调度问题，通过优化和分类的手段使得问题更有效和简单。Min等将该网络应用于Kohonen学习规则的训练，并开发了一个多目标调度程序来选择初始变量的调度规则以满足最终目标。专家系统和基于知识的方法由知识库和推理机制组成，知识库包括许多规则、过程和启发信息，利用推理机制选择一种策略来处理知识库中的知识。比较著名的专家系统有ISIS、MPECD、OPIS、SONIA等。由于单个专家系统的容量有限，一些学者提出了并行或分布式策略来解决调度问题。Van Dyke Parunak提出了一种柔性制造系统的动态研究，该研究采用多智能体结构的分布式决策方法进行。Chen等研究了多agent的生产线调度问题。

在单一的人工智能算法被提出来之后，一系列面对不同对象的改进算法随后被提出，如Pesch等、Sadeh等所提出的算法。随后的研究将这些方法成功地应用于车辆的排序、规划过程和路线规划中。更多关于约束条件的启发式算法在不同领域都进行了应用。Bartak等综述了线性规划和作业调度中的多约束条件的优化技术。近年来，在人工智能方法中，只有人工神经网络方法得到了大幅的发展，但人工神经网络方法也需要与其他方法相结合形成混合方法来克服它的一些局限性。在混合方法中，一种方法是主要的问题解决者，另一种方法是辅助解决者。神经网络可以看作是神经网络和进化搜索过程的结合，这两种方法将它们的功能混合在一起，以更有效地处理问题。改进的人工神经网络技术与其他混合方法不同。人工神经网络的改进方向通常基于3个因素：连接权值、结构和学习规则。Adibi等提出了一种基于变邻域搜索和人工神经网络的动态作业车间混合调度方法来处理随机到达作业和机器故障。Xanthopoulos等利用BP神经网络来近似动态排序优先级规则与生产系统性能指标之间的函数关系。训练后的BP神经网络的调度结果可用于预测调度规则的系统输出，指导建立新的调度启发式算法，大大减少仿真研究的时间。Wang等提出了通过广义回归神经网络建立显式的映射函数，把在高维空间中的数据点映射到低维嵌入空间的数据点，再进行局部线性学习，然后使用最小平方支持向量机（Least Square-Support Vector Machine，LSSVM）进行训练并选择一个适当的重调度作为最优调度方案。

约束满足技术、神经网络和专家系统以及基于知识的方法是人工智能方法的代表。以BP神经网络为代表的这些人工智能技术具有非线性映射能力、自学习能力、故障学习能力和预测能力，因此这些方法都得到了广泛的应用。众所周知，BP网络存在许多不足之处，如不满足训练逼近和泛化、过度拟合或过度学习、不收敛、结构选择缺乏科学规则等。一些专家系统和基于知识的方法是所谓的“分布式”的，但它们由系统而不是各个智能agent本身来做决策。对于一个庞大而复杂的系统来说，需要考虑太多的因素，因此建立整个系统的规则是困难的。利用深度神经网络对训练后的近似和泛化进行改进是有可能的，这对未来的实时动态分布式调度是有帮助的。

1.2.3　制造资源优化配置及制造过程监控研究现状

第四次工业革命促进了制造业的计算机化、云计算技术、物联网和信息物理系统技术的出现和应用。这在欧洲被称为“工业4.0”，美国则称之为智能制造，实时制造或智能云制造是在亚洲被广泛认可的概念，这些概念的典型代表为分布式制造，在设计生产设施和制造设备方面带来了新的挑战。在“工业4.0”中，智能工厂或未来工厂（Factory of Future，FoF）是价值链的重要组成部分。

1.2.3.1　资源优化的智能性

智能工厂的一个重要问题是快速而经济地改变制造资源的功能和能力，以适应生产需求的变化。因此，FoF的设计必须关注其制造资源的易变性和可重构性。易变性是指适应性和自适应性、灵活性、可伸缩性、可修改性、鲁棒性和可服务性，以便以成本效益高的方式处理制造系统生命周期中的变化。可重构性侧重于模块化、可激活性、可扩展性、互操作性、灵活性、可转换性和可诊断性。可重构性和可变更性在许多方面相互重叠，但两者都在寻找在制造系统中嵌入特定功能的方法，以确保在必要的时间需要这些功能的时候，这些功能的实时成本、质量和功能处于合理的范围。在很长一段时间内，这项研究的范围被限制在智能制造子公司，智能制造子公司需要将这两个概念部署为一系列技术特征，以便拥有顺利适应生产需求变化的能力。由于当今市场的演变，生产的变化（如功能、能力）在频率和强度上都在增加。在这种情况下，制造资源的用户将更愿意与能够提供基于总拥有成本（TCO）模型的制造解决方案的生产商进行合作。因此，智能制造单元也必须具备能够嵌入TCO模型的特性。为了支持快速响应市场需求、缩短周期时间、以更好的资源利用和更低的成本来生产高度定制的产品，智能化也必须成为制造资源的一个重要属性。智能化是通过部署到智能工厂的制造资源中的信息物理系统来整合软件和物理资源的结果。通过信息物理系统加入物联网，制造系统可以更好地连接和方便地在制造资源之间进行通信，实现实时反应。

在“工业4.0”范式的推动下，现代制造企业正在应对一个重大的数字化转型，其目的是更好地应对日益复杂的全球化企业所带来的挑战。这种基于“工业4.0”的集成范式的一个基本原则是：沿着整个工厂的价值链创建一个将企业的产品、机器、系统和业务总是连接在一起的智能网络。根据这一愿景，制造资源正从单一实体转变为分布式的组成部件。这些组成部件由日益广泛的工业物联网技术所支持，是松散耦合并且自主的，同时被赋予了联网和连接能力。在这些条件下，它们能够以可靠和可预测的方式一起工作，以高效的方式协作。在这种协同协作关系中，所涉及的制造资源可以相互交换相关的演化信息。根据特定的外部变化，每个制造资源都可以详细说明接收到的信息，以做出决策并触发操作。这些制造资源还能够对周围环境中发生的变化做出反应，并形成自组织物流或生产机器。这种“社交化”的模型能够通过对制造资源的控制来帮助企业的制造系统实现高度柔性化和自响应。

1.2.3.2　资源优化配置的网络性

近年来，“工业4.0”范式在制造业和学术界的普及速度非常快，为一场新的工业革命创造了条件。与前三次由单一技术驱动的工业革命（如蒸汽、电力等）不同，第四次工业革命是基于大量围绕IIoT和信息物理制造系统（Cyber Physical Production Systems，CPPS）概念的现有技术和新技术的组合和交互。此外，这些技术都按照以下六个原则联系在一起：互操作性、虚拟化、去中心化、实时能力、模块化、面向服务。这种异构技术的混合为工厂的数字化进程增加了复杂性，因此需要对它们进行调整和重新思考，以满足来自复杂场景的需求。具体来说，为了充分发挥其潜力，必须将现有的各种信息和通信技术解决方案整合并使之适应工业需要，然后在车间内进行部署。在这方面，为了清晰地强调由“工业4.0”范式提出的新视角所产生的概念和关系，有必要特别定义相关的体系结构框架。在制造系统领域研究中，文献中已有的一个著名框架是用于信息物理系统的5C架构。此架构旨在为开发和部署用于制造应用程序的信息物理系统（Cyber Physical Systems，CPS）提供逐步的指导方针，包括以下几个层次：“智能连接”“数据到信息的转换”“网络”“认知”“配置”。5C架构可以作为智能制造框架的有效参考模型，尽管它有一个应该进行大量扩展的限制，即没有考虑到要增强资源之间的互操作性。

另一个有价值的体系结构模型是基于“工业4.0”的参考体系结构模型（Reference Architecture Model for Industry 4.0，RAMI 4.0），该模型用于映射和分类基于“工业4.0”的任何组件。RAMI 4.0是一个三维坐标系，右侧横轴表示工厂世界中通用对象的层次结构级别；这个对象可以是制造出来的产品，一个机器的组成部分。左侧横轴代表设备和产品的生命周期。纵轴分为六层，以描述分解成其内涵的机器，包括业务层、功能层、信息层、通信层、集成层和资产层。信息和通信系统是连接应用程序的传统方法，利用客户端/服务器模式实现点到点集成。然而，这样一个系统中的连接数量可能会随着所涉及的应用程序数量的增加而成倍地增加，并且这个问题会使系统变得僵化，不容易维护。信息和通信系统的另一种解决方案是事件驱动的系统，它具有松散耦合和高度分布式的体系结构，因此可以提供更好的上下层感知和实时响应。Lee等研究了一种事件驱动的管理方法，支持一个基于红外射频装置的框架，将规划、调度和控制作为一个整体进行集成，解决了动态调度问题。另一种事件驱动方法能够适应并利用生产车间实时监控数据的动态变化。此外，LISA（Line Information System Architecture）是一个事件驱动的制造信息系统框架，该框架是为“工业4.0”而开发的，用于集成工厂的设备和服务，来自所有设备的消息都被发送并转换为用于在线监视、控制和优化的知识。此解决方案为每个设备提供一个适配器，对于每个新设备，都需要一个新适配器来执行设备的数据存储格式与公共数据存储格式之间的映射。

1.2.3.3　资源优化配置的社交性

中间件应用程序可以为增强资源之间的互操作性做出重要贡献，它是一个应用程序、操作系统和网络层之间的“软件黏合剂”层。特别是在几种可用的中间件类型中，基于“发布—订阅”交互的技术提供了一种支持信息通信系统（Information Communication System，ICS）的有效解决方案。事实上，它们将适应在物联网网络中分布的解耦组件之间同步变化信息的需求。就目前所知，文献中提供的中间件解决方案仅提供了选择要订阅的信息的静态方法。通常这些方法是基于预定义的语法主题的，但是它们没有考虑不同的灵活性和表达性需求，这些需求通常需要支持制造领域中广泛存在的复杂场景。增强语义互操作性的一种潜在方法是通过利用标准窗口组件（Standard Widget Toolkit，SWT）的公共模型来定义和表示所涉及资源的共享知识。这种基于SWT的方法在Modoni等的研究中被提出，其目的是通过对机器到机器的通信数据的组合、丰富和推理，简化跨域应用程序之间的集成。基于语义的方法的潜力已经在虚拟工厂的背景下得到验证。虚拟工厂研究框架（VFF）项目旨在提高不同的软件应用程序的语义互操作性以支持工厂的整个生命周期，使这些应用程序可以共享和利用相同的信息。在考虑资源、流程、产品及其随时间共同演化的情况时，SWT被用来在语义模型中正式地描述该信息。另外，该模型提供了工厂作为一个整体的整体视图。语义模型也是1.1.1.3中的支柱之一。实际上，它背后的思想是，语义模型始终与实际工厂同步，可以作为实现中间件语义增强的有效基础，从而有助于弥补传统“发布—订阅”中间件的上述语义功能不足。

为了加强IIoT网络各组成部分之间的协作，另一种可能的方法是将网络视为一个基于代理的分布式协作系统。在这样的环境下，每个制造资源背后都有一个特定的代理来管理它的协作。相应资源的功能代理可以与其他代理协作，主动收集数据，更新系统的当前状态。基于多智能体的技术在过去的不同领域（如电信、医疗、制造业等）中得到了应用。在制造业领域，第一个提出基于代理（Agent）的解决方案的是整体制造，它是能够体现制造业自治、合作的实体代表。代理技术方面受到研究项目UBIWARE提出的体系结构的启发，该项目实现了一个物联网中间件，以支持创建一个由一组不同性质的分布式和异构组件组成的自适应管理系统。最近，Katasonov等的研究中引入了一个基于代理的系统，提出了一种智能代理的协商机制，代理之间可以相互协作。在Wang等的研究中，展示了另一个基于代理的制造系统框架，该框架为制造系统提供快速适应和重新配置的能力，允许覆盖生产资源的插拔以及生产活动中参数的调整。与SWT相结合的基于多代理的解决方案已经在分布制造的自适应整体控制框架（Adaptive Holonic Control Architecture for Distributed Manufacturing Systems，ADACOR）体系结构中使用，该体系结构的特点是能够作为一组自主的、协作的、整体开发的、每个整体代表一个特定事件的制造组件。语义模型和多代理技术的另一个有意义的组合可以在Java代理开发（JADE）框架中找到，这个框架使用了一个专有的语义模型。此外，JADE仅对提供的词汇和语法检查使用语义，而采用语义模型可以带来的显著优势是可以创建具有推理能力的认知模型。此外，JADE中语义信息的交换是基于约束元模型的，约束元模型包括概念、代理行为和谓词等实体。由于这些消息是FIPA（FIPA 2008）兼容的，JADE代理可以与其他代理交互，这些代理也可以由其他与JADE不同的FIPA框架管理。在这样的背景下，分布式代理之间的异步通信也包含了交换消息的内容意义，这些内容意义是根据本体论进行标准化的。

1.2.4　智能制造方法研究现状

1.2.4.1　制造专家知识库

专家系统或知识发现系统使用知识和推理方法来解决问题，这些问题在没有这些系统之前需要人类专家来解决。知识发现系统是人工智能的一个分支，雏形产生于20世纪60年代，其基本原理是把专业知识在特定的数据库中进行存储。专家系统是维持知识的有效工具，由此特性专家系统能够以最小的成本简化知识的转移。这些知识对企业竞争力至关重要，并可以在组织中用于培训和传播。人工智能在20世纪60年代的应用状况是研究通用问题求解器，这种通用问题求解器在解决复杂问题时能力较弱并且效率较低。专家系统的力量来自知识，而不是具体的推理，其发展为人工智能的发展开拓了新的发展方向。知识发现系统存储的内容为专业知识相关的事实、启发规则和过程，专家系统由数据库、知识库和推理引擎三部分组成。基于知识发现的专家系统的总体架构如图1-5所示。数据库根据用户对特定问题领域的兴趣，以及事实或启发法来存储信息。知识库拥有用数学逻辑表达的领域知识。因此，将其分为基于规则的系统、基于框架的系统、面向对象的系统和基于案例的推理。规则系统以“if-then-else”条件为驱动，一旦条件满足，将执行某些任务。框架系统使用“框架”为表达概念或情况的结构。面向对象的系统从类的层次结构、子类和对象的行为等方面转变为更结构化的信息表示形式。推理引擎用来控制环境并与用户交互，它接收来自用户关于问题的输入，并根据需要获取其他信息；它理解知识库以制定推论并提供专家建议。在过去的几十年里，各种关于专家系统（Expert System，ES）的各种元素的研究工作都得到了例证。

基于专业知识的专家系统是具有自主决策能力并解决指定专业领域问题的计算机程序，是一门用计算机去创建并模拟人类智慧行为的智能系统的科学。1956年，约翰•麦卡锡（John McCarthy）发明了人工智能（Artificial Intelligence，AI），探索出一种像我们人类一样，可以推理、解决问题和自我提升的机器。它具有自适应控制，能够更好地处理和存储知识，将关键性的知识反复利用的特点。专家系统根据给定解决问题的复杂程度执行感知、解释、推理、学习、交流和决策等操作。从最初的专家系统开始，已经完成各种各样的开发，这些开发扩展了人工智能的应用范围。目前主流人工智能应用包括模式识别、自动化、计算机视觉、虚拟现实、诊断、图像处理、非线性控制、机器人技术、自动推理、数据挖掘、过程规划、智能代理和控制、智能制造等。

工艺设计（Process Planning，PP）使用计算机进行自动化生产的一系列的过程准备操作中涉及制造的每个环节。计算机辅助工艺设计（Computer Aided Process Planning，CAPP）是计算机辅助设计（Computer Aided Design，CAD）和计算机辅助制造（Computer Aided Manufacturing，CAM）的集成，在制造过程中起着至关重要的作用。传统的方法涉及让专家来解决工艺设计有关的问题。如果用人工来解决这个问题，他们会使用相关领域知识和技能，并在确定可用资源范围内来确定所需的处理步骤。而在工艺设计问题求解的过程中会产生相应的问题，包括专家的依赖性、耗时性和不一致性。为了克服这种算法的瓶颈，Niebel在1965年使用计算机来解决工艺设计问题。在此期间，计算机辅助工艺设计系统成为各种研究工作的焦点。计算机辅助工艺设计一般分为变体法和生成法。变体法是一种基于成组技术来感知部件相似度的变分技术，并遵循相关部件需求计划。它要求专业人员对零件进行分类，输入特征信息，并进行必要的修改。在智能或创成式中，工艺规划是根据几何信息、决策逻辑和算法来制定的，它基于零件形状、材料和其他影响生产决策的变量，综合了新产品的工艺计划。系统的主要输入是几何描述，它为设计人员提供快速的建议，并与产品建模活动密切相关。

自1960年CAPP面世以来，在为一系列相关领域的应用进行生产计划决策时，与专家系统的交互越来越明显。Weill等综述了计算机应用领域的典型应用和CAPP系统的特点。Austin等对人工智能规划的特点进行了综述，并对其研究进展进行了阐述。Steudel提出了在规划离散产品生产时使用计算机的方法。Eversheim等对CAPP系统进行了调查，并指出了当前的趋势。到了21世纪，基于专家系统的CAPP的研究又有了新的突破。Liao对知识管理（Knowledge Management，KM）技术及其应用进行了分析，从专家定位、不同社会方法学实施知识管理技术的建议等方面提出了未来的研究方向。Duflou等对与工艺规划有关的板材弯曲操作的研究进行了综述，讨论了弯曲操作的建模、过程中观察、自适应控制技术、部件演示和特征分类方法，提出了板料成型的工艺设计瓶颈问题，并进行了工艺方案评价的工效学研究。Tisza提出了一种基于知识与模拟相结合的板料成型过程的工艺规划，并开发了模具设计方法。Tisza采用基于有限元的分析方法，旨在最大限度地减少冲压缺陷，并进行重新设计，以缩短生产周期和开发成本。

竞争性定价的报价准备是企业的一个关键过程，由于报价过程中存在大量的变量，所以报价准备是一项复杂的任务。Garcia-Crespo等强调了实施知识发现系统的成本和价格固定方法，对未来知识发现系统的价格估算需求提出了建议。生产中使用的夹具直接影响零件的质量、生产率和成本。Wang等对2000年至2010年计算机在夹具设计中的应用及其自动化进行了综述，重点介绍了夹具的类型及其应用，以及各种方法，包括智能和自动化的夹具设计方法，夹具的配置布局和验证过程，并对未来的研究方向进行了展望。Li等综述了知识发现系统的最新发展，介绍了知识获取技术、基于规则和案例的知识库开发方法和软件工具，同时还介绍了实时控制在制造中的应用和未来的研究方向。Tripathi讨论了基于知识发现的专家系统的架构、特点、生活方式、知识表示技术和在人力资源中的应用。Xu等对2000年至2010年的计算机辅助工艺规划文献进行了回顾。计算机辅助工艺规划方法包括基于特征的技术、知识发现系统、人工智能技术，如人工神经网络、遗传算法、模糊集理论、Petri网、基于代理的终端和产品模型数据交换标准的兼容方法。Sahin等对混合专家系统的方法与神经模糊系统的联系进行了综述，对1988年至2010年发表的文章进行了分析和观察，发现神经模糊和粗糙神经网络的工业应用是最近发展起来的。Isnaini对CAPP在材料去除过程中的应用进行了综述，描述了模型约定、操作、资源、切削条件、刀具路径和设置选择等要素，并给出了未来的扩展。Yusof对2002—2013年的知识系统、人工神经网络、遗传算法、模糊集和、Petri网、基于智能代理的系统、互联网、步骤兼容和功能模块方法进行了全面的调查，大部分的研究工作集中在CAPP系统的应用上。可以看出，专家系统是一个不可或缺的工具，以支持在制造计划、调度、加工、检验等制造领域的决策。其架构如图1-5所示。

1.2.4.2　智能集成制造系统

集成制造（Integration in Manufacturing，LiM）是一个将人和机器组织成一个整体系统的系统架构。通过管理与制造的集成产生一个集成的、可互操作的企业系统。其集成的整体性不仅体现在现场层面，更体现在管理和企业层面。业务流程软件和制造执行系统现在可以满足这种完全计算机化和自动化集成的需求。企业层面和生产车间层面之间的接口仍然存在主要问题：如何在一个封闭的循环中，根据产品、流程和企业内外人员的生命周期动态来动态调整生产速度？目前的研究在该领域的作用是为技术突破创造理论支撑，使企业投资不只是由信息技术拉动。最近关于制造的文献表明，目前的研究重点是智能制造。然而，该行业的未来依赖于网络协同和可以在公司、个人和社会之间建立的信息物理制造系统，从而产生共享的知识和财富。这种制造模式需要有一种网络架构的支持，这种架构包括常见的参考模型、有效的互操作机制和方法，支持基础设施基于开放体系结构、设计和工程方法来实例化/复制已经成功的标准化市场技术和工具。

在全球范围内，离散的制造工厂是按照客户/企业的要求和预期的性能来生产产品/服务的工厂。可以将其与离散事件系统进行合并，其中每个状态都引用其整个生命周期内的产品状态。车间层与物理层（如传感和驱动装置）一样，至少利用一个工业控制系统来实现实时处理不同地区的控制（如监控、执行、监督、跟踪）。其中的工业控制系统需要多个具备不同的性能且具有可靠性的信息系统。在工程上，控制是指逻辑控制、回路控制和监控控制，它是制造业工厂尤其是先进制造业工厂成功的关键因素，因为它直接影响工厂的灵活性、生产力、模块化等。为了支持必要的同步，控制必须考虑构成制造系统的活动、过程和资源之间的所有交互。该系统的复杂性随着工厂的动态变化而变化，例如时间变化、组件的年龄、客户/企业需求、其他需求（如规范和法规方面的需求）。早期的研究，如Diltis等考虑了四种基本类型的控制架构：集中式、层次化、改进的层次化和非层次化。Morel等对这一分类进行了更新，他们根据不同的视角提出了五个层次，从而在系统体系结构的特定特性与要实现的理论和建模范例之间展示一个清晰的关系。该架构如智能制造系统（IMS）所倡导的那样，第五层以“智能”作为特征的代表。这样，专门用于制造的制造信息物理系统必须遵循信息物理系统的原则，而这些原则已经在实际应用中提出了许多科学问题，如：如何在实际应用中有效地建模？信息物理系统紧密地连接计算软件和物理元素，并进行二者的协调，同时可以促进数据使用、数据访问和数据处理服务的协同效果。因此，制造信息物理系统由自治和合作的子系统元素组成，通过生产设备连接流程、生产和物流网络。这种基于信息物理系统的制造信息物理系统可视为由三种基本功能组成：智能（计算）、连通性（通信）和响应性（控制），如图1-6所示。

这些功能允许考虑以信息物理制造系统作为支持，将生产过程转换为高度分布但互相联络的“实体”，对这些基于分布式的工作实体的协作方式提出了新的需求，例如，协同控制理论、智能协作工厂等。这种自主性与合作性的融合为信息物理制造系统提供了与生俱来的特征，如自我组织、自我维护等。这表示IMS的演进研究方向要重新考虑车间控制/自动化的目的，因为信息物理制造系统提供了面对内部和外部变化时的自我意识、自我预测和自我重新配置的创新能力，新的制造系统应该能够监控物理过程，创建物理世界的“数字孪生”（Digital Twins，DT），并通过人、机器、智能设备、传感器等之间的实时通信和合作做出智能决策。较低水平的基于信息物理系统的自动化（主要集中在车间级别）负责高级连接，确保来自物理世界的实时数据获取和来自网络空间的信息反馈（较高级别）。它实现了Lee等提出的5C架构的两个第一层（智能连接层和数据转换层）。通过对海量数据（大数据）的收集和智能分析，可以实现高级的联通性。通过这种方式，基于信息物理系统的机器配备了预测工具，可以处理数据以提取信息并做出实时的、明智的决策。

1.2.4.3　机器学习在制造业的应用现状

今天的制造业正在经历制造过程数据的指数级增长。这些数据被存储为各种不同的格式、语义和质量，例如来自生产线的传感器数据、环境数据、机床参数等。这一现象在学界有不同的名称，如德国的“工业4.0”、美国的智能制造、韩国的智能工厂。这种大量数据的增加和可用性通常被称为制造业大数据。例如，质量相关数据的可用性为可持续地改进过程和产品质量提供了挖掘的潜力。然而，人们已经认识到，大量的信息也可能提出挑战，并可能产生负面影响，例如：分散对主要问题/因果关系的注意力，或者导致有关解决问题的行动延迟或得到错误结论。总的来说，制造业必须面对制造业大数据能够解决制造业许多问题这个事实，为了使制造业所获得的大数据具有更强的实用性与价值，例如将其用于质量改进计划、制造成本估算或者流程优化、更好地理解客户的需求等，这些应用要求挖掘数据的机器学习算法能够处理维数高、复杂性和动态性的数据。数学与计算科学（如统计学习）的新发展令计算机处理数据更加地具有易用性，这种发展也令制造业能够更好地处理存储于数据仓库中的制造业大数据。计算机领域最具应用性发展的一个领域是机器学习（Machine Learning，ML），包括数据挖掘（Data Mining，DM）、知识发现（Knowledge Discovery，KD）和人工智能（Artificial Intelligent，AI）领域。机器学习领域是非常多样化的，有许多不同的算法、理论和方法。对于许多制造业从业人员来说，如何有效采用这些强大工具是一个障碍，因此可能会阻碍挖掘大量数据的价值。

在过去的20年里，机器学习技术的应用由于各种各样情况的变化而增加。尽管如此，机器学习的主要定义为允许计算机解决问题而不需要专门编写程序。该定义在1959年被提出，到今天仍然有效。机器学习与其他术语都有一定的关系，如数据挖掘、知识发现、人工智能等。如今，机器学习已经广泛应用于不同的制造领域，例如优化、控制和故障排除。许多机器学习技术，如支持向量机（Support Vector Machines，SVM）被设计用来分析大数据，并能够很好地处理高维（>1000）数据。然而，在应用过程中也要考虑可能的过拟合等问题。如果维数被证明是一个问题，尽管不太可能完全由于算法的力量而减少维数，但也有可用的其他方法来减少维数。这些方法也可以在研究维度减少时降低对算法预期结果的影响。在这种情况下，使用机器学习的支持向量机方法的重要性在于：维度其实不是一个实际问题但支持向量机减少了降维的需要。这意味着，在制造业数据中包含看似不相关的信息的可能性更大，这些信息在某些情况下可能是相关的。这可能会对前面描述的现有知识差距产生直接影响。

在制造业中应用机器学习可能会从现有的数据集中挖掘出有用的模式，这可以为系统未来行为的近似值的标准提供依据。这些新的信息（知识）可以支持流程管理者进行决策，或者直接用于改进系统。最后，某些机器学习技术的目标是检测描述关系的特定模式或规则。考虑到快速变化的、动态的制造环境的挑战，机器学习作为人工智能的一部分，继承了学习和适应变化的能力，“系统设计者不需要预见并为所有可能的情况提供解决方案”。因此，机器学习提供了一个强有力的论据，说明之所以它在制造业的应用可能是有益的，是因为大多数原生的模型与解决问题的方案都难以具有自适应性。学习和自动适应变化的环境是机器学习的主要优势。

机器学习技术旨在从现有数据中获取知识。Alpaydin强调“存储的数据只有在被分析并转化为我们可以利用的信息（如进行预测）时才有用”。对于制造业来说尤其如此，因为在技术、财务和知识限制的情况下，在实时制造程序运行期间很难获得实时数据。这也可能对流程检查点的定位问题产生影响。在考虑哪些数据是有用的情况下，仔细选择检查点是有意义的，但是考虑到机器学习技术的分析能力，从以前认为无用的数据中获得信息的方法可能已经过时了。按照生产计划采集数据的话可能会导致状态的更加多样化，这是否有益还是一个有待研究的问题。考虑到机器学习处理高维数据的能力，分析附加数据的技术是成熟的，然而获取及采集数据可能仍然是一个问题，特别是获取实时数据的能力。在机器学习的领域中，处理高维数据已经不是主要问题，只要能获取实时的数据就可以进行状态的决策了。表1-3总结了机器学习技术在制造业的应用。

总之，正如Monostori等所强调的，“智能与学习紧密相连，学习能力必须是智能制造系统不可或缺的特征”。当讨论到理论概念面临的限制和挑战时，机器学习提供了强有力的论据。基于上述分析，机器学习技术似乎提供了一个基于继承需求的有前途的解决方案。机器学习成功地处理了大多数已确定的需求。但是，必须更详细地分析可用的机器学习技术以及它们在需求方面的优势和限制。最重要的是，在做出最后的判断之前，必须进一步阐述与理论产品状态概念及其对生产计划的看法之间可能存在的兼容性。此外，还有许多问题需要回答，比如机器学习技术如何处理定性信息。