劉佳琪，郭 斌+，任 磊，王 晨，張 莉，於志文

(1.西北工業(yè)大學(xué) 計算機(jī)學(xué)院，陜西 西安 710129； 2.北京航空航天大學(xué) 自動化科學(xué)與電氣工程學(xué)院，北京 100083; 3.清華大學(xué) 大數(shù)據(jù)系統(tǒng)軟件國家工程研究中心，北京 100080; 4.北京航空航天大學(xué) 軟件學(xué)院，北京 100083)

0 引言

制造業(yè)是國家經(jīng)濟(jì)的主體，是科技創(chuàng)新的主戰(zhàn)場，是立國之本、興國之器、強國之基。推動制造業(yè)快速發(fā)展是包括中國在內(nèi)世界各國的一個重要目標(biāo)。目前，世界各國已經(jīng)在制造業(yè)相關(guān)技術(shù)、平臺等方面進(jìn)行了戰(zhàn)略布局，如德國工業(yè)4.0，美國“工業(yè)互聯(lián)網(wǎng)”等。與此同時，我國也提出并部署了一系列國家戰(zhàn)略和規(guī)劃。

2015年，國務(wù)院發(fā)布實施制造強國戰(zhàn)略第一個十年的行動綱領(lǐng)《中國制造2025》。2016年，國務(wù)院進(jìn)一步發(fā)布《國務(wù)院關(guān)于深化制造業(yè)與互聯(lián)網(wǎng)融合發(fā)展的指導(dǎo)意見》，指出當(dāng)前需要推動工業(yè)產(chǎn)品互聯(lián)互通，面向重點行業(yè)進(jìn)行智能制造單元、智能生產(chǎn)線、智能車間、智能工廠建設(shè)。2021年，十三屆全國人大四次會議表決通過了關(guān)于《國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》的決議，并提出要深入實施智能指導(dǎo)，推動制造業(yè)智能化。因此，推動制造業(yè)智能化是快速發(fā)展制造業(yè)的一個重要方向，制造業(yè)智能化進(jìn)程中，尤其需要關(guān)注工人、機(jī)器、物料等制造主體的智能化以及制造主體間關(guān)系的智能化。

制造業(yè)包含的要素繁多，可分為3類：以操作員、安全員、設(shè)計師、調(diào)度人員等為代表的“人”，以機(jī)械臂、車床、物料運輸車等為代表的“機(jī)”，以及以加工件、耗材、產(chǎn)品零件等為代表的“物”。上述制造業(yè)要素間存在著復(fù)雜的交互關(guān)系，例如在物料搬運任務(wù)中，各運輸車需根據(jù)運輸量、出發(fā)地和目的地進(jìn)行交互，確定具體運輸方案。在傳統(tǒng)制造業(yè)中，各制造要素智能化程度有限，交互方式以集中式、預(yù)定義協(xié)作為主。傳統(tǒng)制造業(yè)能夠保證基本制造任務(wù)的完成，但存在著一些明顯的問題：①在工廠級，基于集中式控制的群體協(xié)作模式使得任務(wù)調(diào)度過程只能進(jìn)行局部優(yōu)化，資源受限影響企業(yè)計劃執(zhí)行；②在產(chǎn)線級，多任務(wù)協(xié)同難，導(dǎo)致只能采用固定的生產(chǎn)模式，影響產(chǎn)線效率；③在單元級，固定控制模式導(dǎo)致受控單元執(zhí)行精度受限，影響產(chǎn)品質(zhì)量。因此，如何對人、機(jī)、物3類制造要素進(jìn)行智能化升級，以及如何構(gòu)建制造要素間的智能交互，是當(dāng)前傳統(tǒng)制造業(yè)升級過程中的一項重要研究內(nèi)容。

制造要素及要素間的交互關(guān)系共同構(gòu)成一個組織靈活、行為自適、自主演化的空間，稱為智慧空間。Gartner[1]將智慧空間列入2020年十大戰(zhàn)略科技發(fā)展趨勢，指出人工智能與物聯(lián)網(wǎng)等技術(shù)的快速發(fā)展及深度融合，可以為智能制造場景提供有效解決方案。因此，探索人機(jī)物群智協(xié)同的基礎(chǔ)理論創(chuàng)新，突破關(guān)鍵技術(shù)，以推動人、機(jī)、物要素間協(xié)作，構(gòu)建具有自組織、自適應(yīng)、自演化能力的制造業(yè)智慧空間具有重要意義。制造業(yè)智能化方面目前已有部分研究。文獻(xiàn)[2-3]提出利用遷移學(xué)習(xí)模型進(jìn)行制造業(yè)產(chǎn)品缺陷檢測，大大提升了檢測流程效率；文獻(xiàn)[4-5]提出將深度模型部署于生產(chǎn)設(shè)備上，通過分析生產(chǎn)設(shè)備狀態(tài)對其使用壽命進(jìn)行預(yù)測；文獻(xiàn)[6-7]等研究了如何對數(shù)量繁多、功能各異的制造要素進(jìn)行調(diào)度，構(gòu)建了大型制造系統(tǒng)。然而，上述工作均僅從制造業(yè)智能化某一具體問題出發(fā)，缺乏制造業(yè)智慧空間的系統(tǒng)性分析。在此基礎(chǔ)上，郭斌等[8]從生物群智角度闡述了人機(jī)物異構(gòu)智能體個體技能和群體智慧的提升，該工作介紹了制造業(yè)智慧空間基本構(gòu)成，然而對理論模型的探索仍有不足。

為解決上述問題，本文從系統(tǒng)論角度出發(fā)，對制造業(yè)智慧空間進(jìn)行數(shù)學(xué)建模，具體包括制造業(yè)智慧空間的構(gòu)成、群智和機(jī)理。首先，利用系統(tǒng)學(xué)方法對制造業(yè)智慧空間進(jìn)行建模，給出其組分、結(jié)構(gòu)的定義并與傳統(tǒng)制造業(yè)進(jìn)行對比。相比傳統(tǒng)制造業(yè)，制造業(yè)智慧空間組分為智慧人機(jī)物，能夠完成一般制造任務(wù)的同時具備自學(xué)習(xí)增強能力，結(jié)構(gòu)以分布式為主，并具備自組織、自適應(yīng)、自演化群體智能。然后，給出制造系統(tǒng)工作時的一般范式，指出制造業(yè)智慧空間具備自組織能力、自適應(yīng)能力、自演化能力3個方面的群體智能，并從數(shù)學(xué)角度對上述群體智能進(jìn)行描述。結(jié)合生物體群智介紹了制造業(yè)智慧空間群體智能背后的機(jī)理，具體包括群智能體學(xué)習(xí)機(jī)制、數(shù)學(xué)建模方法、啟發(fā)式算法和演化博弈動力學(xué)同時介紹了上述映射機(jī)理的具體內(nèi)涵及其在制造行業(yè)中的應(yīng)用。最后，本文以多無人車自組織運輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測系統(tǒng)3個典型場景為例，介紹了制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運作機(jī)理，并分別驗證了其自組織、自適應(yīng)和自演化能力。

1 制造業(yè)智慧空間系統(tǒng)

本章將從系統(tǒng)學(xué)角度介紹制造業(yè)智慧空間，首先描述制造業(yè)智慧空間系統(tǒng)的組分與結(jié)構(gòu)，然后介紹制造業(yè)智慧空間系統(tǒng)的特點，并將其與傳統(tǒng)制造業(yè)進(jìn)行對比。

1.1 系統(tǒng)的定義

根據(jù)苗東升所著的《系統(tǒng)科學(xué)精要》[9]一書，系統(tǒng)定義為：若對象集S滿足以下兩個條件：①S中至少包含兩個不同對象;②S中的對象按一定方式相互聯(lián)系而成為一個整體，則稱S為一個系統(tǒng)。S=T,R，其中T為系統(tǒng)S中的對象集合，稱為組分；R為系統(tǒng)S中對象的關(guān)聯(lián)關(guān)系集合，稱為結(jié)構(gòu)。對于組T，一般可以將其劃分為更小的組分，構(gòu)成系統(tǒng)的最小組分稱為系統(tǒng)的元素;對于結(jié)構(gòu)R，一般表示系統(tǒng)S中元素之間一切聯(lián)系的總和。

定義1制造業(yè)智慧空間。制造業(yè)智慧空間系統(tǒng)IS表示為：

IS=Ti,Ri。

(1)

式中Ti和Ri為制造業(yè)智慧空間組分和結(jié)構(gòu)。

令TS表示傳統(tǒng)制造業(yè)。制造業(yè)智慧空間IS與傳統(tǒng)制造業(yè)TS中組分與結(jié)構(gòu)的對比如表1所示。下面對其進(jìn)行具體分析。

表1 傳統(tǒng)制造業(yè)系統(tǒng)和制造業(yè)智慧空間系統(tǒng)中的組分與結(jié)構(gòu)

1.2 制造業(yè)智慧空間系統(tǒng)中的組分

對于傳統(tǒng)制造業(yè)TS=Tt,Rt，組分Tt={th,tm,tt}，其中th,tm,tt均為集合，th表示傳統(tǒng)制造業(yè)中的工人，tm表示傳統(tǒng)制造業(yè)中的機(jī)器，tt表示傳統(tǒng)制造業(yè)中的物件。傳統(tǒng)的工人、機(jī)器和物件相互配合，能夠完成一般的制造任務(wù)。

對于本文提出的制造業(yè)智慧空間IS=Ti,Ri，其組分

Ti=ih,im,it。

(2)

其中ih,im,it均為集合，ih表示制造業(yè)智慧空間中的智慧工人，im表示制造業(yè)智慧空間中的智慧機(jī)器，it表示制造業(yè)智慧空間中的智慧物件。與傳統(tǒng)制造業(yè)中工人、機(jī)器和物件不同的是，制造業(yè)智慧空間中的智慧工人能夠充分發(fā)揮其特有的認(rèn)知能力，與機(jī)器和物件進(jìn)行更深層次的互動與協(xié)作；智慧機(jī)器和智慧物件除了能夠完成基本的制造任務(wù)，還能夠在完成任務(wù)的過程中實現(xiàn)自學(xué)習(xí)增強，并具備一定的環(huán)境適應(yīng)能力。

例如，傳統(tǒng)制造業(yè)運輸系統(tǒng)的組分為傳統(tǒng)運輸車。傳統(tǒng)運輸車能夠按照預(yù)設(shè)路線運輸物料，但若預(yù)設(shè)路線上出現(xiàn)障礙物，則無法完成運輸任務(wù)。制造業(yè)智慧空間運輸系統(tǒng)的組分為智能無人車。區(qū)別于傳統(tǒng)運輸車，智能無人車配備智能傳感器和計算單元，傳感器能夠精確感知無人車周圍的環(huán)境信息，計算單元能夠使用一定的算法對環(huán)境信息進(jìn)行計算，判斷當(dāng)前環(huán)境是否能夠通行，并在無法通行時計算出新的有效路徑。可以看出，制造業(yè)智慧空間中的組分相較于傳統(tǒng)空間中的組分具有較為明顯的智能增強。

1.3 制造業(yè)智慧空間系統(tǒng)中的結(jié)構(gòu)

對于傳統(tǒng)制造業(yè)TS=Tt,Rt，其結(jié)構(gòu)Rt={i,c,i∈th,tm,tt}，其中c表示控制中心。傳統(tǒng)制造業(yè)以集中式控制為主，空間中的元素大多與控制中心直接交互。除此之外，系統(tǒng)中元素的交互方式大多遵從提前制定好的規(guī)則進(jìn)行。傳統(tǒng)制造業(yè)中元素之間的這種交互方式能夠保證基本制造任務(wù)的完成，但存在一些明顯的缺陷：①在工廠級，基于集中式控制的群體協(xié)作模式使得任務(wù)調(diào)度過程只能進(jìn)行局部優(yōu)化，資源受限影響企業(yè)計劃執(zhí)行；②在產(chǎn)線級，多任務(wù)協(xié)同難，導(dǎo)致只能采用固定的生產(chǎn)模式，進(jìn)而影響產(chǎn)線效率；③在單元級，固定控制模式導(dǎo)致受控單元執(zhí)行精度受限，進(jìn)而影響產(chǎn)品質(zhì)量。

對于制造業(yè)智慧空間IS=Ti,Ri，其結(jié)構(gòu)

Ri=i,j,i,j∈ih,im,it。

(3)

式(3)表明，制造業(yè)智慧空間中任意兩個制造元素可以直接進(jìn)行交互。這種分布式結(jié)構(gòu)能夠有效解決傳統(tǒng)制造業(yè)所面臨的工廠級、產(chǎn)線級、單元級挑戰(zhàn)，實現(xiàn)工廠級的全局協(xié)同優(yōu)化，產(chǎn)線級的柔性生產(chǎn)模式以及單元級的單元自主控制。

同樣，以制造業(yè)中的運輸系統(tǒng)為例。傳統(tǒng)空間中運輸系統(tǒng)結(jié)構(gòu)以集中式為主，需要提前將物料搬運需求、運輸車狀態(tài)、運輸環(huán)境信息發(fā)送至中央單元，由其計算出可行的運輸方案并發(fā)送給各運輸車。該方式下中央單元資源消耗巨大，且不具備環(huán)境適應(yīng)性。在制造業(yè)智慧空間中，智能無人車的交互方式以分布式為主。各智能無人車獨立獲取環(huán)境信息并首先在本地進(jìn)行計算，然后與周圍智能無人車進(jìn)行信息交互，最終得到行動方案。該方式下計算量分散至各智能無人車，每個智能無人車僅需調(diào)用有限資源即可完成任務(wù)。同時，若環(huán)境發(fā)生變化，受影響的智能無人車能夠自主調(diào)整，避免整體運輸方案的重新計算，實現(xiàn)快速響應(yīng)并節(jié)省計算資源。

1.4 制造業(yè)智慧空間

傳統(tǒng)制造業(yè)系統(tǒng)與制造業(yè)智慧空間系統(tǒng)示意圖如圖1所示。圖中：左側(cè)的傳統(tǒng)制造業(yè)組分包含傳統(tǒng)的工人、機(jī)器和物料，組分中元素之間的交互以集中式、預(yù)定義協(xié)作為主。相比于傳統(tǒng)制造業(yè)，制造業(yè)智慧空間的提升主要表現(xiàn)在兩個方面：

(1)系統(tǒng)組分智慧化—制造主體智能感知與自學(xué)習(xí)增強 制造業(yè)智慧空間中的組分是智慧工人、智慧機(jī)器和智慧物件，人、機(jī)、物制造主體的智慧化升級，使其除了能夠完成基本的制造任務(wù)，還能夠在完成任務(wù)的過程中實現(xiàn)自我增強，并具備一定的環(huán)境適應(yīng)能力。

(2)系統(tǒng)結(jié)構(gòu)智慧化—制造個體與群體智能融合 制造業(yè)智慧空間中的結(jié)構(gòu)表現(xiàn)為各個制造元素之間去中心化、靈活自組的交互方式，并在這種交互過程中完成制造個體智能的匯聚及制造群體智能的產(chǎn)生，使系統(tǒng)具備自組織、自適應(yīng)、自演化等能力。

經(jīng)過組分智慧化和結(jié)構(gòu)智慧化，相較于傳統(tǒng)制造業(yè)，制造業(yè)智慧空間在制造主體智能和主體間協(xié)作方式上都具有顯著提升，如圖1b所示。

系統(tǒng)組分智慧化方面，主要體現(xiàn)在制造主體的自適應(yīng)增強。制造主體的自適應(yīng)增強方面目前已有不少相關(guān)研究，包括新興感知、計算算法的提出以及已有相關(guān)算法的應(yīng)用等。例如，在航天、航空、航海等重要制造業(yè)領(lǐng)域，將深度學(xué)習(xí)模型部署于資源受限的制造終端設(shè)備上是推動制造主體智慧化的重要方式。但是，將已研究成熟的具有高計算力和存儲量要求的深度網(wǎng)絡(luò)模型部署于計算、存儲等資源有限且具有嚴(yán)格時延需求的制造終端上是具有挑戰(zhàn)性的，主要體現(xiàn)在兩個方面：①由于體積限制和可移植性要求，終端設(shè)備的計算、存儲資源等通常十分受限；②任務(wù)的性能需求經(jīng)常發(fā)生變化，并且終端設(shè)備的存儲資源、電源消耗等也在動態(tài)變化。因此，需要解決在各種應(yīng)用場景中，終端資源或性能需求不可預(yù)測地發(fā)生變化為模型訓(xùn)練和運行帶來的自適應(yīng)問題。針對該問題，降低模型的資源消耗，以使其能夠部署在嵌入式設(shè)備上，并在運行時主動感知外部環(huán)境變化、自適應(yīng)地對模型進(jìn)行調(diào)整是解決該問題的重要方法。

系統(tǒng)結(jié)構(gòu)智慧化方面，主要體現(xiàn)在群智能體協(xié)同增強和群智知識遷移。制造業(yè)中單個制造元素的智能通常較弱，具體表現(xiàn)為感知范圍有限、優(yōu)化能力較差、協(xié)同能力不足，為了應(yīng)對復(fù)雜制造場景，需要多個制造元素相互協(xié)作、融合，以提升生產(chǎn)效率、激發(fā)群體智能。針對該問題，需要引入基于多智能體強化學(xué)習(xí)等技術(shù)的去中心化、靈活自組的制造群體組織方式。另外，開放式網(wǎng)絡(luò)制造環(huán)境下終端設(shè)備動態(tài)加入或離開，如新設(shè)備的購置、舊設(shè)備的報廢等，制造場景不斷演化，如運輸小車電量變化、制造需求發(fā)生改變等，使得既有訓(xùn)練好的學(xué)習(xí)模型由于數(shù)據(jù)分布差異難以在新環(huán)境下取得好的效果。針對該問題，需要研究如何適當(dāng)調(diào)整已有制造知識并將其應(yīng)用于新的制造場景中，這種已有制造知識的重利用稱為跨制造實體/場景的群智知識遷移。

由于制造系統(tǒng)組分智慧化方面與單體智能增強相似，目前已有較為充分的解決方案，本文后續(xù)內(nèi)容主要針對系統(tǒng)結(jié)構(gòu)智慧化展開。

2 制造業(yè)智慧空間的群體智能涌現(xiàn)

群體智能指的是環(huán)境ES中多個無智能或低智能個體通過相互之間的簡單交互涌現(xiàn)出的高智能行為。系統(tǒng)工作過程中，系統(tǒng)在當(dāng)前環(huán)境ES的基礎(chǔ)上根據(jù)策略F進(jìn)行調(diào)整，得到整個系統(tǒng)的行為B，該過程可以描述為：

B=F(ES)。

(4)

系統(tǒng)S的調(diào)整過程主要依賴于策略F。策略F需要考慮系統(tǒng)組分中各個智能體的交互，通?？梢越梃b生物群體的交互方式。根據(jù)任務(wù)完成質(zhì)量，系統(tǒng)所采取的行為B可以映射至一個得分A:

R:B→A。

(5)

式中：得分A稱為性能，R為系統(tǒng)行為評價方式。性能A越高，則系統(tǒng)S完成任務(wù)的質(zhì)量越高。

制造業(yè)智慧空間系統(tǒng)IS工作過程中，工人、機(jī)器、物料通過交互能夠?qū)崿F(xiàn)自主調(diào)整系統(tǒng)元素的任務(wù)分工、協(xié)作方式；適應(yīng)環(huán)境的動態(tài)變化，增強魯棒性；更改自身構(gòu)造以適應(yīng)新環(huán)境等，分別稱為自組織能力、自適應(yīng)能力和自演化能力。接下來分別對這3個方面的群體智能進(jìn)行闡述。

2.1 自組織能力

組織指的是系統(tǒng)的結(jié)構(gòu)從混亂轉(zhuǎn)變?yōu)橛行虻倪^程。本文通過制造群體的混亂程度來判斷系統(tǒng)是否具有組織能力。具體地，本文借助群體熵[10]的概念對系統(tǒng)混亂程度進(jìn)行度量。群體熵定義如下：

定義2群體熵。群體熵E定義為群體中平均每個個體的每個行為的不確定性，

(6)

式中：B表示群體的行為集合，I表示群體的個體集合，Pbi表示個體i進(jìn)行行為b的概率。

當(dāng)群體熵E較大時，群體中個體行為的不確定性較高，整個群體的組織呈現(xiàn)混亂的狀態(tài)；反之，當(dāng)群體熵E較小時，群體中個體行為的不確定性較低，整個群體的組織呈現(xiàn)有序的狀態(tài)。制造業(yè)智慧空間系統(tǒng)的組織能力指系統(tǒng)中各制造主體從混亂的高群體熵狀態(tài)變化為有序的低群體熵狀態(tài)，定義如下:

定義3組織能力。若系統(tǒng)S在進(jìn)入一個新環(huán)境后，其群體熵E從一個較大的值逐漸減小，并最終穩(wěn)定在一個較小的值，則稱系統(tǒng)S具備組織能力。

根據(jù)不同的進(jìn)化形式，系統(tǒng)的組織能力可以分為他組織和自組織兩類。他組織指的是系統(tǒng)有序結(jié)構(gòu)的形成過程主要依靠外部指令，傳統(tǒng)制造業(yè)的組織能力便是如此；自組織指的是在不存在外部單元進(jìn)行統(tǒng)一調(diào)控的情況下，系統(tǒng)中各個元素能夠通過試探、交互、學(xué)習(xí)等方法，自發(fā)地、協(xié)調(diào)地、自動地形成有序結(jié)構(gòu)。制造業(yè)智慧空間的組織能力屬于自組織能力。系統(tǒng)的自組織能力定義如下：

定義4自組織能力。若系統(tǒng)S的組織能力不需要外部單元從中調(diào)控，完全由內(nèi)部元素自主獲得，則稱系統(tǒng)S具備自組織能力。

定理1制造業(yè)智慧空間IS具備自組織能力。

在自組織過程中，由于不存在外部單元，制造業(yè)智慧空間中的每個元素需要先自行嘗試可能的行為，然后與其他元素進(jìn)行交互，最終學(xué)習(xí)到一個有效的組織方案。由于需要制造主體自由探索，制造業(yè)智慧空間系統(tǒng)的自組織過程通常分為兩個階段。

(1)階段1：激發(fā)階段。系統(tǒng)中的個體各自進(jìn)行自由探索，該階段群體智能激發(fā)，群體熵E增大；

(2)階段2：匯聚階段。系統(tǒng)中的個體間匯聚探索結(jié)果，該階段群體智能匯聚，群體熵E減小。

制造業(yè)智慧空間的自組織能力使得制造過程更加高效、靈活。例如，在工廠運輸系統(tǒng)中，傳統(tǒng)方案一般需提前制定運輸計劃，由外部單元向各無人車發(fā)送具體的搬運指令。然而，由于運輸需求不斷變化，這種外部調(diào)控的他組織形式往往存在效率低下、靈活度低的問題。而在制造業(yè)智慧空間中，各無人車根據(jù)自身位置、其他無人車位置以及物料地點和數(shù)量自組織地決定任務(wù)分工，這種自組織能力能夠令制造業(yè)智慧空間對運輸需求的變化進(jìn)行快速響應(yīng)，實現(xiàn)高效靈活的智慧運輸。

2.2 自適應(yīng)能力

系統(tǒng)的自適應(yīng)能力和下一節(jié)將要介紹的自演化能力主要刻畫系統(tǒng)應(yīng)對環(huán)境變化的能力，即系統(tǒng)是否能夠在環(huán)境發(fā)生變化后仍維持較好的性能。

自適應(yīng)能力指的是系統(tǒng)按照環(huán)境的變化，調(diào)整其自身行為，使得其在改變了的環(huán)境中達(dá)到最好的或者至少是容許的特性和功能所具有的能力。自適應(yīng)能力的數(shù)學(xué)定義如下：

定理2制造業(yè)智慧空間IS具備自適應(yīng)能力。

由定義可知，一方面，變化后的新環(huán)境是原環(huán)境基礎(chǔ)上的一個偏離，例如，制造業(yè)中運輸系統(tǒng)的環(huán)境為廠房內(nèi)部，在原廠房布置環(huán)境的基礎(chǔ)上，新增/取消貨架、物料堆等障礙物，已有布局發(fā)生一定程度的改變等；另一方面，系統(tǒng)本身，即其組分和結(jié)構(gòu)，不發(fā)生改變。因此，系統(tǒng)的自適應(yīng)能力是對系統(tǒng)的魯棒性、容錯能力的度量。

制造業(yè)智慧空間的自適應(yīng)能力使得制造過程對環(huán)境的適應(yīng)能力得到極大提高。同樣，在工廠運輸系統(tǒng)的物料運輸場景中，不具備自適應(yīng)能力的傳統(tǒng)制造業(yè)運輸方案固化，當(dāng)配送需求、運輸路徑發(fā)生變化后，原有的運輸方案不再適用，導(dǎo)致整個運輸系統(tǒng)的癱瘓。而在制造業(yè)智慧空間中，各無人車能夠快速探知環(huán)境的變化，自主調(diào)整任務(wù)分工和運輸路徑，即使環(huán)境發(fā)生一定程度的變化也能夠保證運輸任務(wù)的有效完成。

2.3 自演化能力

自演化能力同樣是反映系統(tǒng)適應(yīng)環(huán)境的能力，但是在環(huán)境改變量與系統(tǒng)適應(yīng)方式方面，與自適應(yīng)能力具有明顯區(qū)別。自演化能力的數(shù)學(xué)定義如下：

定理3制造業(yè)智慧空間IS具備自演化能力。

由定義可知，一方面，變化后的新環(huán)境是區(qū)別于原環(huán)境的一個全新環(huán)境，而非原環(huán)境基礎(chǔ)上的一個偏離，例如，制造業(yè)中運輸系統(tǒng)的環(huán)境為廠房內(nèi)部，后因業(yè)務(wù)需求場景變化，需要將運輸系統(tǒng)部署至室外環(huán)境，相較于原工廠環(huán)境，室外環(huán)境是一個全新環(huán)境；另一方面，系統(tǒng)本身，即其組分和結(jié)構(gòu)發(fā)生改變，例如，上面描述的運輸場景中，當(dāng)運輸系統(tǒng)從廠房環(huán)境變化至室外環(huán)境，為了適應(yīng)夜場無光源情況下的運輸，需要加裝車燈(組分T改變)，為了適應(yīng)解決外場路面崎嶇且障礙物多導(dǎo)致的運輸效率低下問題，可能需要將原有的一部分運輸車改裝為清障車，車輛間關(guān)系由原來的全運輸同質(zhì)關(guān)系改變?yōu)檫\輸清障異質(zhì)關(guān)系(結(jié)構(gòu)R改變)。

制造業(yè)智慧空間的自演化能力使得制造系統(tǒng)更具長周期生命力。同樣，以制造業(yè)運輸系統(tǒng)為例，制造工廠轉(zhuǎn)型后運輸環(huán)境可能發(fā)生較大的變化，例如從室內(nèi)的有序可控運輸環(huán)境轉(zhuǎn)變?yōu)槭彝獾臒o序雜亂運輸環(huán)境。在傳統(tǒng)制造業(yè)中，更換環(huán)境后往往需要廢棄現(xiàn)有運輸設(shè)備，購置新的運輸設(shè)備。而在制造業(yè)智慧空間中，運輸系統(tǒng)中的無人車能夠自主改變角色分工、交互模式等，在新環(huán)境中完成相應(yīng)的工作內(nèi)容。

自適應(yīng)能力和自演化能力的區(qū)別可以總結(jié)為以下兩個方面：

(1)環(huán)境 自適應(yīng)能力中環(huán)境變化指的是新環(huán)境為原環(huán)境的一個偏離，隨時間推移會繼續(xù)變化回原環(huán)境或原環(huán)境的另外一個偏離。系統(tǒng)需要在新環(huán)境、原環(huán)境以及原環(huán)境的其他偏離中均具備良好性能；自演化能力中新環(huán)境為區(qū)別于原環(huán)境的一個全新環(huán)境，但通常與原環(huán)境具有一定的聯(lián)系，隨時間推移新環(huán)境可能產(chǎn)生新的性質(zhì)，但不會變化回原環(huán)境。系統(tǒng)需要在新環(huán)境中具備良好性能，但不要求其同樣在原環(huán)境中具備良好性能。

(2)系統(tǒng) 自適應(yīng)能力中系統(tǒng)組分和結(jié)構(gòu)不發(fā)生改變；自演化能力中系統(tǒng)組分和結(jié)構(gòu)發(fā)生改變。

3 制造業(yè)智慧空間機(jī)理

為了使制造業(yè)智慧空間具備自組織、自適應(yīng)和自演化能力，需要建立相應(yīng)的內(nèi)在機(jī)制，即上一章中給出的策略F。其中一個重要的方法是借鑒生物群體智能，并將其映射至制造業(yè)智慧空間中。本章將結(jié)合生物群智行為，探索仿生學(xué)驅(qū)動的生物群體智能到制造業(yè)群體智能的映射機(jī)理。

3.1 智能體學(xué)習(xí)機(jī)制

生物個體所特有的學(xué)習(xí)、認(rèn)知和理解能力是制造主體所不具備的。目前，已有部分機(jī)器學(xué)習(xí)算法借鑒生物體學(xué)習(xí)方式設(shè)計出了仿生的制造主體學(xué)習(xí)方法。例如，遷移學(xué)習(xí)借鑒了生物體舉一反三的學(xué)習(xí)能力，強化學(xué)習(xí)借鑒了生物體的試錯能力。采用基于學(xué)習(xí)的策略，則系統(tǒng)的工作過程可以描述為：

B=Fl(ES)。

(7)

接下來以遷移學(xué)習(xí)和強化學(xué)習(xí)為例對這類方法進(jìn)行介紹。遷移學(xué)習(xí)的核心在于捕捉相似任務(wù)之間的關(guān)聯(lián)性，將智能體在某任務(wù)中已學(xué)習(xí)到的知識服務(wù)于新的任務(wù)。LIU等[11]提出了基于元學(xué)習(xí)的多城市知識遷移方法，該方法通過融合多個已有城市之間的差異互補知識來提升目標(biāo)城市時空預(yù)測模型的預(yù)測準(zhǔn)確度。遷移學(xué)習(xí)實質(zhì)上是將知識從知識豐富體向知識缺乏體的轉(zhuǎn)移?；谶w移學(xué)習(xí)的策略可以具體表示為B=Fl(ES)=Fls⊕Flt(ES)=Fls(ESs)⊕Flt(ESn)，其中Fls表示源環(huán)境ESs中已成熟的策略。此時，僅需要針對目標(biāo)環(huán)境與源環(huán)境之間的變量ESn學(xué)習(xí)新策略Flt并進(jìn)行融合即可。強化學(xué)習(xí)模擬生物體的試錯行為，不設(shè)置具體目標(biāo)，而是允許智能體自由探索，通過判斷智能體所采取的行為對于最終目的是有利的或者有弊的來設(shè)計獎勵和懲罰，讓智能體在不斷探索的過程中學(xué)習(xí)解決方案。基于遷移學(xué)習(xí)的策略可以具體表示為B=Fl(ES)=Fi→∞(ES)，其中Fi→∞由初始隨機(jī)策略F0多次迭代得到，迭代規(guī)則為：對于第i次嘗試動作Bi=Fi(ES)，根據(jù)某規(guī)則Rd對其效果進(jìn)行評分，并根據(jù)得到的分?jǐn)?shù)Gi及其他既往得分Gi-1,…,G0決定策略調(diào)整方向。多智能體強化學(xué)習(xí)實現(xiàn)了單智能體自主學(xué)習(xí)向多智能體協(xié)同學(xué)習(xí)的拓展，該方法進(jìn)一步借鑒生物界的協(xié)作、競爭、博弈行為，能夠?qū)崿F(xiàn)群體能力的有效提升?！缎请H爭霸Ⅱ》中的群智能體AlphaStar憑借該方法達(dá)到Grandmaster級別[12]。

遷移學(xué)習(xí)和強化學(xué)習(xí)等仿生方法能夠有效實現(xiàn)制造業(yè)智慧空間系統(tǒng)組分的智慧化，使得智造主體具備智能感知和自學(xué)習(xí)增強能力。例如，制造業(yè)智慧空間中的運輸系統(tǒng)，基于強化學(xué)習(xí)，無人車能夠自主探索可能的運輸路徑，并在不斷試錯后學(xué)習(xí)到有效的運輸方案；基于遷移學(xué)習(xí)，在變換運輸環(huán)境后無人車能夠?qū)⒃谠h(huán)境中學(xué)習(xí)到的運輸知識應(yīng)用于新環(huán)境，快速提高對于新環(huán)境的適應(yīng)性。

3.2 數(shù)學(xué)建模方法

從數(shù)學(xué)角度刻畫生物群體協(xié)同運動的內(nèi)在機(jī)理，能夠有效指導(dǎo)制造業(yè)人、機(jī)、物群體智能的形成，是生物群智向制造群智映射的一種重要模式。采用基于建模的策略，則系統(tǒng)的工作過程可以描述為：

B=Fm(ES)。

(8)

通過集群動力學(xué)映射模式等，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，實現(xiàn)制造個體與群體智能融合并激發(fā)制造業(yè)智慧空間的自組織能力。例如，借鑒鳥群的集體行進(jìn)方式并通過集群動力學(xué)映射模式映射至制造業(yè)智慧空間中的運輸系統(tǒng)，無人車集群能夠自主編隊并有序行進(jìn)，實現(xiàn)大批量貨物的高效運輸。

3.3 啟發(fā)式算法

鳥群、魚群、蜂群、獸群等動物群體為了實現(xiàn)個體利益和群體利益的最優(yōu)，在捕食、筑巢等活動中往往具有一定的社會行為，并涌現(xiàn)出群體智能。為了研究上述行為及其涌現(xiàn)出的智能，啟發(fā)式算法應(yīng)運而生，并被廣泛應(yīng)用于人工集群。采用基于啟發(fā)式的策略，則系統(tǒng)的工作過程可以描述為：

B=Fh(ES)。

(9)

下面以蟻群算法和狼群算法為例進(jìn)行詳細(xì)介紹。螞蟻在外出搜尋食物時往往結(jié)隊而行，為了在復(fù)雜多變的環(huán)境中進(jìn)行搜尋往往需要分開探索，分開的螞蟻依靠信息素進(jìn)行交流以交換獲知到的信息。蟻群算法便是借鑒蟻群基于信息素的交流方式設(shè)計的。該算法將所有可能路徑作為待優(yōu)化問題的解空間，行走路徑作為其可行解，信息素濃度作為轉(zhuǎn)移概率，不斷迭代得到最優(yōu)路徑。該算法由3個步驟組成，即Fh:S1(根據(jù)信息素濃度選擇路徑)→S2(前進(jìn)并釋放信息素)→S3(檢查是否滿足終止條件，不滿足則回到S1)。狼群算法則是借鑒了狼群捕獵時的角色分工方式。狼群捕獵時，每頭狼根據(jù)其作用分為頭狼、猛狼、探狼，頭狼負(fù)責(zé)組織，猛狼負(fù)責(zé)攻擊，探狼負(fù)責(zé)偵查，各司其職而達(dá)到良好的捕獵效果。狼群算法最早由YANG等[18]提出。MIRJALILI等[19]提出了灰狼優(yōu)化算法。狼群算法包含5個步驟，即Fh:S1(競爭頭狼)→S2(召喚猛狼)→S3(圍攻獵物)→S4(分配食物并更新狼群)→S5(檢查是否滿足終止條件，不滿足則回到S1)

通過蟻群算法、狼群算法等群智優(yōu)化算法，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，實現(xiàn)制造個體與群體智能融合并激發(fā)制造業(yè)智慧空間的自適應(yīng)能力。具體來說，蟻群算法能夠有效提升制造系統(tǒng)中各種運輸系統(tǒng)在復(fù)雜多變的環(huán)境中的適應(yīng)能力，狼群算法能夠指導(dǎo)制造業(yè)集群在應(yīng)對不同任務(wù)需求時的自我調(diào)節(jié)能力。目前，這兩個算法在制造業(yè)中的柔性生產(chǎn)[20]、作業(yè)調(diào)度[21]等方面都起到了重要的作用。

3.4 演化博弈動力學(xué)

演化博弈是指群體中的個體隨時間推移不斷進(jìn)行博弈，并在該過程中不斷更新自己的策略，以實現(xiàn)收益的提高。這個概念最早來自于達(dá)爾文的進(jìn)化論，描述的是生物界中生物群體在自然環(huán)境中能力的動態(tài)變化過程。采用基于演化博弈動力學(xué)的策略，則系統(tǒng)的工作過程可以描述為：

B=Fe(ES)。

(10)

Uber人工智能實驗室的STANLEY等[22]提出了基于演化的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)策略，能夠?qū)崿F(xiàn)對網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)、超參數(shù)等的優(yōu)化迭代。此外，斯坦福大學(xué)李飛飛團(tuán)隊[23]提出了一種新型計算框架——深度進(jìn)化強化學(xué)習(xí)(Deep Evolutionary Reinforcement Learning, DERL)。該框架基于DERL創(chuàng)建了具有具身智能的智能體，該智能體可在多個復(fù)雜環(huán)境中執(zhí)行不同任務(wù)。除了軟件的演化，演化博弈動力學(xué)在硬件方面也發(fā)揮著重要的作用。演化硬件指的是一種具備演化能力的硬件電路，主要包括演化算法和可編程邏輯器件兩部分。演化硬件能夠像生物一樣根據(jù)環(huán)境的變化改變自身的結(jié)構(gòu)，以達(dá)到適應(yīng)生存環(huán)境的目的，具有自組織、自適應(yīng)、自修復(fù)能力[24]。基于特定的演化算法，硬件的電路結(jié)構(gòu)、參數(shù)等具有進(jìn)化能力，能夠?qū)崿F(xiàn)電路中邏輯單元的重構(gòu)，使得FPGA芯片、嵌入式開發(fā)板等硬件發(fā)生進(jìn)化。對比自然界生物的碳基結(jié)構(gòu)，這種進(jìn)化往往被稱為硅基進(jìn)化。

通過演化博弈動力學(xué)，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，并實現(xiàn)制造個體與群體智能融合并激發(fā)制造業(yè)智慧空間的自演化能力。具體來說，借鑒生物界的進(jìn)化理論并通過演化博弈動力學(xué)將其映射至制造業(yè)智慧空間，能夠?qū)崿F(xiàn)人、機(jī)、物智造主體和制造群體交互模式的不斷更新和制造業(yè)智慧空間功能的演化。

4 研究實例

本章將以多無人車自組織運輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測系統(tǒng)為例，介紹制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運作機(jī)理并分別驗證其自組織、自適應(yīng)和自演化能力。

4.1 多無人車自組織運輸系統(tǒng)

利用多無人車進(jìn)行不同車間材料的自動配送，需要解決無人車的任務(wù)調(diào)度、資源分配、路線規(guī)劃等問題。同時，由于車間環(huán)境干擾多、運輸需求變化快等原因，預(yù)先制定運輸策略的方法往往無法有效勝任，因此需要開發(fā)自組織的多無人車運輸系統(tǒng)。

多無人車運輸系統(tǒng)S1的組分主要包括多個無人車v，表示為：

T1={v1,…,vnv}。

(11)

各無人小車之間分布式交互，因此結(jié)構(gòu)可以表示為：

R1={i,j|i,j∈T1}。

(12)

運輸系統(tǒng)自組織配送過程中，需要重點解決不同位置物料和小車之間的任務(wù)匹配問題，避免小車爭搶部分物料、部分物料無車配送、遠(yuǎn)距離小車任務(wù)匹配等情況的發(fā)生。

本團(tuán)隊在前期工作中對上述問題進(jìn)行了研究，并提出了基于群智能體強化學(xué)習(xí)的MADDPG-IPF/BiCNet-IPF方法[25]。該方法屬于第3章中提到的智能體學(xué)習(xí)機(jī)制策略，即B=Slearning(ES)。具體實現(xiàn)過程如下：將車間配送優(yōu)化問題抽象為部分可觀測馬爾科夫決策過程，確定包括小車狀態(tài)信息，目標(biāo)貨物信息在內(nèi)的狀態(tài)空間；無人車動作空間設(shè)置為前、后、左、右移動與停留；并采用基于信息勢場的獎勵函數(shù)。

該工作在3個智能體3個物料點和6個智能體6個物料點兩種場景下進(jìn)行了實驗。在3個智能體3個物料點場景下，MADDPG-IPF和BiCNet-IPF可分別達(dá)到95.00%和97.56%的任務(wù)完成率，在復(fù)雜6v6場景下仍能分別達(dá)到80.22%和91.61%的任務(wù)響應(yīng)率，具有較高的性能。由于該工作采用了強化學(xué)習(xí)策略，實驗過程中各個智能體前期處于“激發(fā)階段”，即各智能體以較大的概率進(jìn)行隨機(jī)嘗試(試錯)，該階段系統(tǒng)群體熵E增大；后期處于“匯聚階段”，即各智能體根據(jù)嘗試結(jié)果進(jìn)行交互，以獲取有效、穩(wěn)定的策略，該階段系統(tǒng)群體熵E減小。因此可得，將MADDPG-IPF/BiCNet-IPF方法應(yīng)用于多無人車自組織運輸系統(tǒng)，可使其具備良好的自組織能力。

4.2 自適應(yīng)深度學(xué)習(xí)模型部署

在實際制造場景中，任務(wù)的性能需求經(jīng)常發(fā)生變化，制造設(shè)備的存儲資源、電源消耗等也會發(fā)生動態(tài)變化。因此，根據(jù)上下文信息自動地調(diào)整模型結(jié)構(gòu)與參數(shù)以自適應(yīng)匹配上下文變化是解決該問題的重要途徑。

接下來以廠房環(huán)境感知系統(tǒng)為例進(jìn)行介紹。為了保證安全，廠房感知系統(tǒng)S2中需要部署溫度傳感器t、濕度傳感器h、煙霧傳感器s、水浸傳感器w等固定傳感器及視頻監(jiān)控小車v等移動傳感器。則該系統(tǒng)的組分為：

T2={t1,…,tnt;h1,…,hnh;s1,…,sns;

w1,…,wnw;v1,…,vnv}。

(13)

各傳感器之間以分布式交互為主，則該系統(tǒng)的結(jié)構(gòu)可以表示為：

R2={i,j|i,j∈T2}。

(14)

上述組分中的元素計算能力有限，需要采用模型分割技術(shù)對深度模型進(jìn)行分割，并分布式部署在各傳感器上。同時，當(dāng)存儲、帶寬和能量等資源動態(tài)變化時，系統(tǒng)需要能夠自適應(yīng)地作出調(diào)整。

本團(tuán)隊在前期工作中對上述問題進(jìn)行了研究，并提出了基于模型分割技術(shù)的GADS(graph based adaptive DNN surgery)方法[26]。該方法屬于第3章中提到的啟發(fā)式算法策略，即B=Sheuristic(ES)。具體實現(xiàn)過程如下：首先對設(shè)備中的存儲、信號帶寬和能量等動態(tài)資源進(jìn)行建模，利用函數(shù)關(guān)系映射到當(dāng)前設(shè)備可使用的資源上限，將情境中的動態(tài)資源狀態(tài)轉(zhuǎn)化為約束條件。其次，對模型的不同劃分構(gòu)建為分割狀態(tài)圖，頂點表示劃分方案，邊表示分割方案下的分割點是相鄰的。基于該發(fā)現(xiàn)規(guī)律——“近鄰效應(yīng)”，即在尋找合適的模型劃分時最優(yōu)分割點周圍總是存在次優(yōu)分割點。受“近鄰效應(yīng)”的啟發(fā)，提出GADS方法，該方法根據(jù)實時感知的資源上限約束，以當(dāng)前分割狀態(tài)為導(dǎo)向，優(yōu)先在近鄰的分割狀態(tài)里，參考KD樹最近鄰算法尋找滿足的分割狀態(tài)，將廠房環(huán)境感知系統(tǒng)中的深度學(xué)習(xí)模型進(jìn)行分割。最后，按照尋找到的分割狀態(tài)重新部署網(wǎng)絡(luò)，實現(xiàn)根據(jù)情境實時自適應(yīng)的快速調(diào)優(yōu)。

該工作模擬不同場景和各種指標(biāo)的運行情境變化來對系統(tǒng)的自適應(yīng)能力進(jìn)行驗證。設(shè)置穩(wěn)態(tài)環(huán)境ES中終端電量E=0.02 J，傳輸帶寬B=6 MB/s，時延需求T=0.01 s，分別減小終端電量至E1=0.005 J，記為環(huán)境ES1；減小傳輸帶寬至B1=1 MB/s，記為環(huán)境ES2；減小時延需求至T=0.005 s，記為環(huán)境ES3，并在3個新環(huán)境中對系統(tǒng)進(jìn)行測試，結(jié)果發(fā)現(xiàn)系統(tǒng)仍能維持良好性能。

當(dāng)環(huán)境ES變?yōu)榄h(huán)境ES1，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0.015 J,0,0}；當(dāng)環(huán)境ES變?yōu)榄h(huán)境ES2，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0,0.5 MB/s,0}；變?yōu)榄h(huán)境ES3，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0,0,0.005 s}，3種情況下環(huán)境變化量均足夠大，且系統(tǒng)性能變化量足夠小。另外，該方案僅改變模型分割點，而未改變系統(tǒng)的組分T2和結(jié)構(gòu)R2。由此可以證明，將GADS方法應(yīng)用于廠房環(huán)境感知系統(tǒng)，可使其具備良好的自適應(yīng)能力。

4.3 自演化零件缺陷檢測系統(tǒng)

基于機(jī)器視覺的零件表面缺陷檢測方法可以實現(xiàn)高效質(zhì)檢。然而，零件加工機(jī)器技藝改造、物料批次變化等因素會導(dǎo)致零件表面缺陷的種類發(fā)生改變。例如，原來的漏底、起坑、臟點、桔皮等表面缺陷改變?yōu)橥狗?、擦花等表面缺陷。?dāng)零件表面缺陷變化后，原有的檢測模型不再適用。模型需要進(jìn)行相應(yīng)的變化，以適應(yīng)新的檢測目標(biāo)。

零件表面缺陷檢測系統(tǒng)S3的構(gòu)成相對簡單，一般由攝像頭c、圖像處理模型m構(gòu)成。該系統(tǒng)的組分為：

T3={c,m}。

(15)

攝像頭c對待檢測的零件表面拍攝照片，然后將照片送至圖像處理模型m進(jìn)行分析判斷。因此該系統(tǒng)的組分可以表示為：

R3={c,m|i,j∈T2}。

(16)

本團(tuán)隊在前期工作中對上述問題進(jìn)行了研究，并提出了遷移學(xué)習(xí)的少樣本表面缺陷檢測TL-SDD方法[27]。該方法屬于第3章提到的智能體學(xué)習(xí)機(jī)制策略，即B=Slearning(ES)。該方法包含基于度量的表面缺陷檢測模型和兩階段的遷移學(xué)習(xí)策略。其中，基于度量的表面缺陷檢測模型包含3個模塊：①特征提取模塊,使用ResNet-101作為基礎(chǔ)網(wǎng)絡(luò)，并結(jié)合特征金字塔網(wǎng)絡(luò)進(jìn)行特征融合；②特征重加權(quán)模塊,以缺陷圖像及其標(biāo)注為輸入，并將這些信息嵌入到權(quán)重向量中，實現(xiàn)缺陷定位；③距離度量模塊,為每個缺陷類別生成一種類別表示，通過計算待測樣本表示與各種類別表示之間的歐式距離進(jìn)行缺陷分類。整個模型的訓(xùn)練過程分為兩個階段：①基礎(chǔ)訓(xùn)練階段,將常見缺陷樣本分為足量的少樣本任務(wù)，并在這些足量的任務(wù)上預(yù)訓(xùn)練表面缺陷檢測模型;②少樣本微調(diào)階段,將稀有缺陷樣本和少量的常見缺陷樣本，分為大小相同的少樣本任務(wù)，在預(yù)訓(xùn)練的表面缺陷檢測模型上進(jìn)行微調(diào)。

表2 自演化零件缺陷檢測系統(tǒng)平均精度 %

5 結(jié)束語

本文對制造業(yè)智慧空間進(jìn)行了系統(tǒng)性的介紹。首先，使用系統(tǒng)學(xué)方法對制造業(yè)智慧空間進(jìn)行建模，指出其組分為智慧人機(jī)物，能夠完成一般制造任務(wù)的同時具備自學(xué)習(xí)增強能力，結(jié)構(gòu)為分布式為主，并將其與傳統(tǒng)制造業(yè)進(jìn)行了對比。然后，給出制造系統(tǒng)工作時的一般范式，指出制造業(yè)智慧空間具備自組織、自適應(yīng)、自演化3個方面的群體智能。接下來，結(jié)合生物體群智介紹了制造業(yè)智慧空間群體智能背后的機(jī)理，具體包括群智能體學(xué)習(xí)機(jī)制、數(shù)學(xué)建模方法、啟發(fā)式算法和演化博弈動力學(xué)。最后，以多無人車自組織運輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測系統(tǒng)3個典型場景為例，介紹了制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運作機(jī)理并分別驗證其自組織、自適應(yīng)和自演化能力。

未來將進(jìn)一步完善本文提出的理論模型，深入挖掘自然界中其他群智行為并將其映射至制造空間。另外，未來將考慮該模型在更多實際制造場景中的應(yīng)用，為實際制造任務(wù)提供理論依據(jù)。