孫文磊，張學東，熊宗慧，劉怡君

(新疆大學機械工程學院，新疆 烏魯木齊 830047)

0 引言

智能制造定義為高度集成的、協(xié)同制造的系統(tǒng).它能對不同工況下的各種問題實時響應(yīng)，以滿足不同工廠、不同客戶的多樣性需求.智能制造是基于新一代信息通信技術(shù)與先進制造技術(shù)深度融合，貫穿于設(shè)計、生產(chǎn)、管理、服務(wù)等制造活動的各個環(huán)節(jié)，具有自感知、自學習、自決策、自執(zhí)行、自適應(yīng)等功能的新型生產(chǎn)方式[1?4].當前智能制造領(lǐng)域的熱點是制造業(yè)的數(shù)字化、網(wǎng)絡(luò)化、智能化的研究和應(yīng)用，主要集中在信息感知、智能控制、智能決策、工業(yè)大數(shù)據(jù)分析等核心關(guān)鍵環(huán)節(jié)[5,6]，工業(yè)物聯(lián)網(wǎng)技術(shù)、工業(yè)大數(shù)據(jù)技術(shù)、數(shù)字孿生模型技術(shù)等成為主要的研究和應(yīng)用內(nèi)容.周光輝和張紅洲[7]采用RFID技術(shù)解決了物料配送小車路徑優(yōu)化和實時導航的難題，周光輝和王杰等人[8]提出了RFID技術(shù)在車間刀具自動識別中的應(yīng)用方案，對車間刀具進行精準地追蹤和控制；王偉驎和張嘉寶[9]構(gòu)建了車間的RFID模具管理系統(tǒng)，有效提高車間模具管理水平；李志明和李揚[10]利用RS485和CAN總線設(shè)計了一種基于分層組網(wǎng)的車間漆包機實時監(jiān)控系統(tǒng)；吳瑾等[11]提出了基于ZigBee的車間設(shè)備組網(wǎng)策略，并設(shè)計了車間設(shè)備組網(wǎng)的軟硬件方案；陸百川等[12]建立了基于數(shù)據(jù)驅(qū)動的故障診斷模型并應(yīng)用于實際工程，取得良好效果；汪俊亮等[13]基于大量歷史數(shù)據(jù)對圓晶制造交貨期進行預(yù)測；楊俊剛等[14]建立了半導體制造大數(shù)據(jù)分析平臺，對半導體制造過程進行預(yù)測和控制.智能制造基礎(chǔ)日益增強，智能制造關(guān)鍵技術(shù)逐漸完善，智能制造為大勢所趨，是確保新的經(jīng)濟增長的關(guān)鍵,是世界制造業(yè)未來發(fā)展的重要方向之一.

1 工業(yè)物聯(lián)網(wǎng)技術(shù)

1.1 智能感知技術(shù)

信息感知是信息物理系統(tǒng)（CPS）的構(gòu)成基礎(chǔ)，通過智能設(shè)備采集物理對象實時動態(tài)的信息，為數(shù)據(jù)的存儲、分析乃至決策提供數(shù)據(jù)來源.目前工業(yè)領(lǐng)域主要包括條形碼、二維碼、RFID 等標志識別技術(shù)和各類傳感器技術(shù).其中RFID技術(shù)是一種無線射頻識別技術(shù)，具有高效、快速、可靠、非視距讀取、多目標識別和可工作于惡劣環(huán)境等優(yōu)點，因此被廣泛應(yīng)用在各場景[15?17].一般RFID系統(tǒng)由閱讀器、電子標簽以及后臺服務(wù)器組成，利用電感藕合或電磁反響散射耦合原理來實現(xiàn)電子標簽和讀寫器之間的通信.RFID系統(tǒng)工作原理如圖1.

圖1 RFID系統(tǒng)工作原理Fig 1 Working principle of RFID system

標識與識別的前提和基礎(chǔ)是資源的編碼和尋址標準的制定.只有實現(xiàn)了尋址規(guī)則和資源編碼的標準化、通用化，才能夠保證帶編碼物體被高效、安全地識別和解讀.現(xiàn)國際上主要采用EPC進行編碼，它為物理對象提供了全球獨一無二的編碼，為編碼方案、通信協(xié)議等做了標準化，方便任何被編碼物體接入網(wǎng)絡(luò).EPC編碼結(jié)構(gòu)及字段長度如表1.

表1 EPC編碼結(jié)構(gòu)及字段長度Tab 1 EPC Coding Structure and Field Length

在EPC標準的基礎(chǔ)上，RFID、二維碼等標志識別技術(shù)為工業(yè)生產(chǎn)中的物理對象提供了標準和自動化的標志和識別，可以實現(xiàn)車間、工廠的數(shù)字化監(jiān)控和管理.無線射頻識別技術(shù)（RFID）具有高效、快速、可靠、非視距讀取、多目標識別和可工作于惡劣環(huán)境等優(yōu)點.將RFID技術(shù)應(yīng)用于車間，對車間刀具、物料、在制品、操作人員等的精確標識和識別，能夠非常有效地提高車間信息化管理水平和生產(chǎn)效率.尤其是對物料實時統(tǒng)計、對零部件隨產(chǎn)線流動的追蹤以及對操作人員的實時定位和管理，能夠有效地改善傳統(tǒng)車間手動統(tǒng)計、管理混亂、丟件缺件等缺陷，提高車間透明程度和信息化水平.基于RFID的智能車間體系結(jié)構(gòu)如圖2.

利用RFID定位技術(shù)，結(jié)合相關(guān)定位理論，從智能車間的感知定位出發(fā)，將車間生產(chǎn)的全面感知和精細化管理融入人-機-料-法-環(huán)五大質(zhì)量管理理論要素，對車間生產(chǎn)過程中的物料、在制品和操作人員進行實時的感知和定位，提供給管理者和操作人員及時高效的信息捕捉傳遞和動態(tài)交互，以達到提升質(zhì)量和效率的目的.根據(jù)RFID定位原理，可分為場景感知和三角測量兩種形式，由于車間環(huán)境復(fù)雜，定位難度大，因此必須選擇合適的方案才能達到預(yù)期效果.綜合考慮實際車間環(huán)境、具體布置成本以及目標定位精度，一般采用基于到達時間差（TDOA）的定位方式和基于參考標簽的定位方式，或者這兩種方式的混合應(yīng)用[18,19].RFID定位系統(tǒng)標簽之間的碰撞問題、閱讀器之間的碰撞問題是核心痛點，因此，研究RFID系統(tǒng)的防沖突技術(shù)和算法具有重要意義，基于空分多址、碼分多址、頻分多址、時分多址算法可解決此類問題，實際應(yīng)用中多采用ALOHA算法和二進制搜索算法來解決碰撞問題.

各類傳感器更大程度地豐富了底層的信息感知和數(shù)據(jù)采集.根據(jù)傳感器的原理不同，主要分為物理傳感器和化學傳感器.將各類智能傳感器應(yīng)用于工業(yè)生產(chǎn)，比如壓力、速度、加速度、溫度、電壓電流、視覺傳感器等，對車間的各類對象（設(shè)備、環(huán)境等）的各類物理、化學等信號不斷采集和匯總，實時傳入后臺進行存儲和分析，即時監(jiān)控設(shè)備運行狀態(tài)，并結(jié)合目前先進的人工智能技術(shù)進行故障預(yù)判等.由大量的傳感器和網(wǎng)關(guān)組成了多跳自組織的無線傳感網(wǎng)絡(luò)，傳感網(wǎng)負責對傳感器采集數(shù)據(jù)的匯聚和發(fā)送.無線傳感網(wǎng)的工作原理如圖3.

圖2 基于RFID的智能車間體系結(jié)構(gòu)Fig 2 Intelligent workshop architecture based on RFID

圖3 無線傳感網(wǎng)絡(luò)結(jié)構(gòu)Fig 3 Wireless Sensor Network Architecture

1.2 匯聚傳輸技術(shù)

匯聚傳輸技術(shù)主要目的是解決網(wǎng)絡(luò)布置和數(shù)據(jù)傳輸高度可靠的問題.實際生產(chǎn)環(huán)境錯綜復(fù)雜，有線傳輸網(wǎng)絡(luò)布線困難，不易實現(xiàn)和維護，無線傳輸網(wǎng)絡(luò)布置靈活、成本較低，但是存在信號遮擋的問題.簡單易行、可靠性高的組網(wǎng)方式是解決數(shù)據(jù)高效傳輸?shù)年P(guān)鍵，因此，要根據(jù)實際情況靈活選擇組網(wǎng)方案.為應(yīng)對集中時段的大規(guī)模資源請求、公共模塊的同步、標準文檔管理、服務(wù)器并行處理等問題，組網(wǎng)工作需要解決大規(guī)模并行下載、多服務(wù)器數(shù)據(jù)同步、數(shù)據(jù)的分布與集中、多線程編程等核心技術(shù)問題.在工業(yè)生產(chǎn)環(huán)境中，如何高效地匯聚多個RFID閱讀器、各類大量傳感器采集的數(shù)據(jù)是保證工業(yè)環(huán)境下通信質(zhì)量的關(guān)鍵.實際生產(chǎn)環(huán)境錯綜復(fù)雜，有線傳輸網(wǎng)絡(luò)布線困難，不易實現(xiàn)和維護.因此，在保證傳輸質(zhì)量的前提下，應(yīng)該盡量考慮使用無線傳輸?shù)姆绞?

目前，主要的局域通信技術(shù)有ZigBee、藍牙、UWB等.ZigBee和藍牙技術(shù)具有低功耗、低速率的特點，因此適合應(yīng)用于對數(shù)據(jù)傳輸要求相對較低的情況，而UWB技術(shù)對信號的衰減不敏感、傳輸速率非常高，具有抗多徑能力強、保密性好、容量大、成本低等特點，解決了工業(yè)環(huán)境下高速、安全的無線接入.基于UWB的無線傳輸網(wǎng)絡(luò)結(jié)構(gòu)如圖4.

圖4 UWB無線傳輸方案Fig 4 Wireless transmission scheme of UWB

圖5 數(shù)據(jù)融合的結(jié)構(gòu)Fig 5 Structure of data fusion

1.3 異構(gòu)數(shù)據(jù)的融合技術(shù)

數(shù)據(jù)融合技術(shù)是一種對數(shù)據(jù)進行整合和處理的技術(shù).一般包括基于統(tǒng)計方法的融合和基于信息論的融合，貝葉斯法、模板法、聚類分析法、自適應(yīng)神經(jīng)網(wǎng)絡(luò)融合法等都有一定的應(yīng)用.其中，基于神經(jīng)網(wǎng)絡(luò)理論的數(shù)據(jù)融合方法性能優(yōu)異，處理質(zhì)量較高.在實際的工業(yè)生產(chǎn)中，信息來源多種多樣、數(shù)據(jù)體量龐大、數(shù)據(jù)結(jié)構(gòu)千差萬別，使得對數(shù)據(jù)的關(guān)聯(lián)、維護、使用都非常困難.因此，海量異構(gòu)數(shù)據(jù)的傳輸與融合是對信息資源整合的關(guān)鍵.對來自眾多不同種類傳感器、閱讀器等的數(shù)據(jù)進行拼接、相關(guān)性分析、重新組織數(shù)據(jù)結(jié)構(gòu)，用于對目標進行精確分析，做出正確判斷.一般將數(shù)據(jù)融合分為三個層次：數(shù)據(jù)級融合、特征級融合、決策級融合.數(shù)據(jù)融合結(jié)構(gòu)如圖5.

數(shù)據(jù)級別融合：數(shù)據(jù)級別融合又稱像素級融合，是最底層的數(shù)據(jù)融合.對各個傳感器采集的原始信息進行綜合分析.數(shù)據(jù)級融合處理的信息量大、消耗時間長，但保持了較多的原始信息.

特征級別融合：處于數(shù)據(jù)融合和決策級融合的中間層，是對傳感器獲得數(shù)據(jù)的特征提取、對特征向量的分類、聚合等操作.

決策級別融合：是最高層次的融合，包括趨勢估計、故障預(yù)判等，旨在為控制和決策提供參考依據(jù).

2 工業(yè)大數(shù)據(jù)技術(shù)

工業(yè)大數(shù)據(jù)是指在工業(yè)領(lǐng)域的信息化應(yīng)用產(chǎn)生的和各類傳感器采集的海量數(shù)據(jù)，是為決策問題服務(wù)的大數(shù)據(jù)集、大數(shù)據(jù)技術(shù)和大數(shù)據(jù)應(yīng)用的總稱，它的價值主要體現(xiàn)在對異常狀況的診斷和預(yù)測上[20].它提供了海量生產(chǎn)數(shù)據(jù)的分布式存儲和計算.以設(shè)備故障預(yù)警為例，系統(tǒng)運行過程中，準確實時地采集、傳輸、存儲設(shè)備的運行狀況數(shù)據(jù)，并進行歸一化處理后輸入設(shè)備預(yù)警模型，從而判斷設(shè)備的健康狀況.診斷模式包括神經(jīng)網(wǎng)絡(luò)、邏輯回歸、感知機、決策樹、支持向量機等機器學習和深度學習模型.設(shè)備的運行狀況判別準確率有了大幅提升.現(xiàn)主要分析工業(yè)大數(shù)據(jù)技術(shù)中的分布式存儲和分布式計算.

2.1 工業(yè)大數(shù)據(jù)存儲與并行化計算

Hadoop是分布式系統(tǒng)的基礎(chǔ)架構(gòu)，主要包括HD FS(分布式文件系統(tǒng))和Mapreduce.HDFS可以在多臺廉價機器組成的集群上構(gòu)成可容錯的大數(shù)據(jù)分布式存儲系統(tǒng)，它將大文件按實際要求分割為多個數(shù)據(jù)塊，分發(fā)到集群各節(jié)點，從而實現(xiàn)高吞吐量的數(shù)據(jù)存儲和訪問.HBase和Hive也是基于Hadoop之上的兩個重要組件.HBase是一個分布式的、列式的非關(guān)系型數(shù)據(jù)庫，非常適合實時的、隨機的大數(shù)據(jù)存儲和訪問.Hive是一個數(shù)據(jù)倉庫工具，可以通過HQL語句完成ETL（數(shù)據(jù)提取、轉(zhuǎn)化、加載）操作，由于其實時性差，適合做離線分析.HDFS原理架構(gòu)如圖6.

Mapreduce是大數(shù)據(jù)批處理計算的編程模型，其思想是將批處理任務(wù)分為兩個階段： Map階段和Reduce階段，Map階段負責把數(shù)據(jù)生成鍵值對，并提供了多種排序方式進行排序，Reduce階段做聚合結(jié)算后把結(jié)果輸出到HDFS上.MapReduce工作流程如圖7.

Spark是一個基于內(nèi)存的并行大數(shù)據(jù)框架，其計算效率高、速度快、容錯性好.Spark平臺建立在RDD之上（彈性分布式數(shù)據(jù)集），提供了很多算子，可以方便地進行多種Transformation 操作和Action 操作.Spark Streaming 是建立在Spark 之上的流式計算框架，在實時大數(shù)據(jù)分析場景中優(yōu)勢顯著.Spark SQL 是處理結(jié)構(gòu)化數(shù)據(jù)的內(nèi)嵌模塊，在Spark 程序中可以方便地使用SQL語句和Data-Frame API操作多種數(shù)據(jù)源.Spark體系的框架如圖8.

圖6 分布式文件系統(tǒng)HDFS的原理架構(gòu)Fig 6 Principle architecture of distributed File System

圖7 MapReduce的工作流程Fig 7 Workflow of MapReduce

由于Spark是基于內(nèi)存的框架，因此在數(shù)據(jù)計算方面性能遠遠優(yōu)于Hadoop的Mapreduce框架，因此，在實際應(yīng)用中應(yīng)揚長避短，一般多用Hadoop的分布式文件系統(tǒng)做數(shù)據(jù)存儲，Spark做實時地數(shù)據(jù)處理和分析.

圖8 Spark框架Fig 8 Framework of Spark

基于上述對大數(shù)據(jù)生態(tài)圈相關(guān)核心組件的分析，結(jié)合機器學習、深度學習、Web技術(shù)以及傳感器技術(shù)，提出了完整的大數(shù)據(jù)驅(qū)動的工業(yè)大數(shù)據(jù)總體架構(gòu)，如圖9所示.

圖9 工業(yè)大數(shù)據(jù)總體架構(gòu)Fig 9 Overall architecture of industrial big data

架構(gòu)詳情闡述如下：

技術(shù)支撐是構(gòu)建工業(yè)大數(shù)據(jù)的骨架，包含軟件層面、硬件層面和算法層面.軟件層面包括WEB技術(shù)、大數(shù)據(jù)生態(tài)組件及數(shù)據(jù)采集傳輸中間件；硬件層面包括傳感器、大數(shù)據(jù)集群、Web服務(wù)器；算法層面包括機器學習、深入學習及其他數(shù)值分析理論.其中，硬件布置搭接是基礎(chǔ)，軟件開發(fā)優(yōu)化是靈魂，算法建模是智能預(yù)警的核心.三者有機結(jié)合，協(xié)調(diào)完成高效復(fù)雜的計算工作.

數(shù)據(jù)采集是數(shù)據(jù)分析的前提，數(shù)據(jù)來源主要包括工業(yè)現(xiàn)場的數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)，制造執(zhí)行系統(tǒng)（MES），傳感器實時采集系統(tǒng)，以及其它各種形式的數(shù)據(jù)來源等.

數(shù)據(jù)存儲是數(shù)據(jù)分析的基礎(chǔ)，為數(shù)據(jù)提供了持久化操作.數(shù)據(jù)存儲主要采用以下三種形式：1）分布式文件系統(tǒng)（HDFS），將數(shù)據(jù)按指定時間或大小存入指定文件夾下；2）分布式數(shù)據(jù)庫，通常采用HBase列式數(shù)據(jù)庫和Hive數(shù)據(jù)倉庫，HBase可以提供高效地實時存取，而Hive存取延時高、效率低，通常做離線分析；3）關(guān)系型數(shù)據(jù)庫，主要指Redis和MySQL.Redis是基于內(nèi)存的緩存型數(shù)據(jù)庫，在實時計算框架中，通常采用Redis緩存分析結(jié)果，然后持久化存儲到MySQL數(shù)據(jù)庫中.大數(shù)據(jù)可視化的數(shù)據(jù)來源就是保存在Redis和MySQL數(shù)據(jù)庫中的最終分析結(jié)果.

數(shù)據(jù)計算與分析是整個項目架構(gòu)的核心，該模塊主要分為計算框架和問題建模兩個層面.計算框架是指針對具體計算任務(wù)所采用的大數(shù)據(jù)軟件框架，主要包含離線分析和實時計算兩種方式.而問題建模作為數(shù)據(jù)分析的關(guān)鍵環(huán)節(jié)，過程相對復(fù)雜.涉及到建模前期的問題分析、數(shù)據(jù)清洗、特征提取、數(shù)據(jù)標準化和建模實時的算法選擇、模型訓練、模型測試以及建模后的模型評價體系的建立、模型的驗證和評估等.其中，異常原因分析是針對異常問題，根據(jù)實際情況詳細剖析各種異常問題的形成原因及其特點；特征提取是工業(yè)現(xiàn)場采集的許多數(shù)據(jù)并不能直接用來計算和表征解決問題所需要的信息，因此必須根據(jù)問題和數(shù)據(jù)的特點先進行特征的提取，然后再利用特征向量作為輸入去計算；數(shù)據(jù)標準化是學習模型對輸入的數(shù)據(jù)具有嚴格的要求，為了保證計算順利進行，必須對輸入數(shù)據(jù)的格式進行嚴格規(guī)定；算法建模是分析此類問題的特點，選擇合適的深度學習算法訓練模型、測試集測試模型；性能評價體系是建立適合問題特點的模型評價體系，對模型好壞性能進行評價.

應(yīng)用層是利用建立的計算模型進行異常狀況的預(yù)警、參數(shù)的預(yù)測、實時監(jiān)控，為工業(yè)生產(chǎn)活動提供豐富的服務(wù).

模型軟件化是將智能模型程序化、系統(tǒng)化，作為工業(yè)生產(chǎn)的智慧大腦，實現(xiàn)真正的知識→模型化→軟件化.為工業(yè)生產(chǎn)提供可靠、高效的監(jiān)控后臺.

2.2 工業(yè)問題大數(shù)據(jù)建模

人工智能技術(shù)和大數(shù)據(jù)技術(shù)的發(fā)展為工業(yè)大數(shù)據(jù)的智能分析和工業(yè)生產(chǎn)的智能決策帶來了新的發(fā)展思路.基于解析模型和知識經(jīng)驗的傳統(tǒng)建模方法推理過程比較困難，模型結(jié)構(gòu)不宜隨著外在條件的變化而改變，建模成本高、效果難以保證.隨著大數(shù)據(jù)技術(shù)的發(fā)展，基于機器學習和深度學習的建模算法日益豐富和實用.不需要分析和理解數(shù)據(jù)與結(jié)果之間的具體內(nèi)在關(guān)系，只要建立了適合該問題的學習模型，利用大量歷史數(shù)據(jù)進行訓練，就可以得到準確率較高的預(yù)測或決策模型.

機器學習和深度學習包括分類、回歸、聚類、關(guān)聯(lián)規(guī)則、推薦、神經(jīng)網(wǎng)絡(luò)及深度神經(jīng)網(wǎng)絡(luò)等算法，常用的有支持向量機、樸素貝葉斯、BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等性能優(yōu)良的算法.工業(yè)問題的機器學習系統(tǒng)建模方法如圖10.

分析問題與模型選擇：針對特定的問題，分析其特點，選擇合適的機器學習算法.

特征選擇：特征即用來對問題預(yù)測、分類等操作的表征參數(shù)，根據(jù)實際問題和算法模型合理選擇輸入的特征參數(shù)，實現(xiàn)有效信息的最大化，對模型性能的好壞有著至關(guān)重要的作用.

模型建立：將數(shù)據(jù)分為訓練集和測試集.訓練集作為輸入來獲得計算模型，測試集用來測試計算模型的性能.

模型評估：基于準確率、失誤率、擬合度、ROC、AUC和Kappa系數(shù)等的模型性能評價，評估模型的準確度和泛化能力，對模型的重構(gòu)和優(yōu)化進行指導，提高泛化性能.

重構(gòu)與優(yōu)化：隨著時間的推移和實際應(yīng)用環(huán)境的變化，模型的性能可能會大幅減弱，及時評估、及時對模型進行重構(gòu)和優(yōu)化，提高應(yīng)用性能.

圖10 工業(yè)問題學習系統(tǒng)的建模方法Fig 10 Modeling method of industrial problem learning system

3 數(shù)字孿生模型

在工業(yè)生產(chǎn)領(lǐng)域，實體的成本遠遠高于虛擬數(shù)字編碼的成本.因此，可以利用數(shù)字代碼信息代替實體完成工業(yè)各環(huán)節(jié)的生產(chǎn)活動，用預(yù)先模擬和仿真來分析系統(tǒng)的性能.基于數(shù)字化模擬來改進和預(yù)測生產(chǎn)活動的布局方式和工藝方案，從而達到降本增效的目的，數(shù)字孿生模型的概念應(yīng)運而生.數(shù)字孿生模型是物理事件或系統(tǒng)的動態(tài)軟件模型，它依賴傳感器數(shù)據(jù)理解其狀態(tài)，對變化做出相應(yīng)改進操作，從而增加價值.“工四100術(shù)語”把數(shù)字孿生模型定義為：數(shù)字孿生模型是充分利用物理模型、傳感器更新、運行歷史等數(shù)據(jù)，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成映射，從而反映相對應(yīng)的實體裝備的全生命周期過程.數(shù)字孿生包括一個由元數(shù)據(jù)（如分類、組成、結(jié)構(gòu)）、條件或狀態(tài)（如位置、溫度）、事件數(shù)據(jù)（如時間序列）和分析（如算法和規(guī)則）形成的組合[21?23]，它是對真實物理世界的動態(tài)映射，實現(xiàn)了虛擬數(shù)字模型與現(xiàn)實物理空間的交互和融合.

通過數(shù)字孿生模型，可以實時掌握物理系統(tǒng)的整體狀態(tài)，捕捉系統(tǒng)內(nèi)局部細節(jié)，更利于構(gòu)建和理解物理對象系統(tǒng)，從而提出優(yōu)化建議.將物理對象的空間、時間進行疊加，突破物理對象的數(shù)量和空間限制，實現(xiàn)多對象協(xié)同.數(shù)字孿生模型可以應(yīng)用在制造業(yè)各環(huán)節(jié)，進行實景建模、Web可視化等.比如在研發(fā)階段，通過數(shù)字孿生來降低研發(fā)成本，縮短研發(fā)周期，優(yōu)化產(chǎn)品設(shè)計；在車間制造階段，通過數(shù)字孿生構(gòu)建車間孿生模型，將整個車間的生產(chǎn)狀態(tài)映射于數(shù)字孿生模型，實現(xiàn)實時、透明的車間監(jiān)控和管理；在運營階段，通過數(shù)字孿生來改善運營，并實現(xiàn)全部價值鏈的閉環(huán)反饋和持續(xù)改進.數(shù)字孿生模型結(jié)構(gòu)如圖11.

圖11 數(shù)字孿生模型結(jié)構(gòu)Fig 11 Structure of digital twin model

4 結(jié)論

智能制造是全球制造業(yè)未來的發(fā)展趨勢，是經(jīng)濟發(fā)展的新型驅(qū)動力.為了更加詳細準確地總結(jié)智能制造及其關(guān)鍵技術(shù)，本文分析了智能制造領(lǐng)域主要研究方向和熱點問題；介紹了智能制造關(guān)鍵技術(shù)的研究和應(yīng)用現(xiàn)狀；研究了智能感知、可靠組網(wǎng)、海量異構(gòu)數(shù)據(jù)的傳輸與融合、數(shù)字孿生模型以及工業(yè)大數(shù)據(jù)等智能制造關(guān)鍵技術(shù)，提出了適用于特定工業(yè)生產(chǎn)環(huán)境下的技術(shù)應(yīng)用架構(gòu)和部署方案.對智能制造領(lǐng)域的研究和發(fā)展有一定借鑒意義.