| 标题 | 智能制造关键技术研究综述 |
| 范文 | 摘 要：当今制造业通过与尖端信息通信融合技术来提高竞争力，以确保新的增长引擎，在制造领域被称为第四次革命的智能制造通过引进各种信息和通信技术与现有的制造技术融合，来实现高效和精确的工程决策实时搜集，本文提出智能制造概念以及综述了智能制造的关键技术，最后分析和预测了智能制造未来发展方向。 关键词：智能制造；云计算；物联网 1绪论 從18世纪的以蒸汽机为代表的工业革命，到19世纪的由于电力的出现产生的大规模生产系统，再到20世纪出现的信息与通信技术和自动化系统，在工业界的每一次进步都视为一种革命[1][2]。80年代到90年代精确制造关注的是通过避免浪费实现生产费用最小化，智能制造旨在通过管理的改进现有制造要素，如生产率、质量、物流、灵活性等，是未来发展的引擎。美国国家标准与技术研究院（NIST）把智能制造定义为高度集成、协同制造系统，对各种问题能够实时做出反应，以满足不同工厂、不同客户、不同网络的各种需求。换句话而言，智能制造能够面对复杂多变的环境。本文通过对现有的研究成果进行调查，对现有的水平进行分析，然后对未来发展方向给出建议。 2 智能制造关键技术 2.1 CPS CPS系统是实现物理世界和虚拟信息世界的纽带，它可以提供数据访问和数据处理服务。广泛应用与航天、汽车、化工、民用基础设备、能源等领域、在制造业领域CPS是实现智能工厂的关键技术，她与云计算、物联网和大数据等技术密切相关[3]。Lee在为实现CPS提出5C框架[4]：（1）智能连接层；（2）数据信息转化层；（3）网络层；（4）认知层；（5）配置层，同时还根据每个层级定义了详细的属性信息。 通过CPS对制造现场和生产过程进行监控研究，着重于对现有的系统如SCADA进行关联，Genge提出并构建了CPS实验室框架，该框架分为由执行器、传感器、硬件设备组成的物理层，以及由信息、通信设备和软件组成的网络层[5]；Wang等人提出了一种基于连接异构网络子系统的系统结构，该结构中控制模块和通信模块相互作用[6]。 2.2 云制造 云制造是云计算技术和制造的一种结合，它被认为是现有制造技术的一种创新。Wu等人把云制造（CM）定义为：云制造是一种以客户为中心的制造模式，利用按需访问的多样式和分布式制造资源，形成临时的和可重构的生产线，以此提高效率和降低产品成本。为了在智能制造中实现云制造，需要引入各种要素，比如环境、关键技术、方案等。 Wu等人分析了云制造技术现状和发展趋势，并在自动控制、信息资源共享、分布式仿真、降低成本等未来研究方向做了研究[7]；同样，Zhang等人开发一个由资源感知层、资源虚拟访问层、云制造核心服务层、网络传输层、终端应用层组成的一个云制造资源平台构架[8]。 对云制造环境的相关研究同样在进行。Luo等人提出云制造系统的多维信息，即资源、任务、过程、知识，通过本体描述、模糊信息、动态行为等方法来描述云制造这一概念[9]；Laili等人在云制造环境开发基于计算资源优化配置的模型和算法[10]。 2.3 大数据分析 由于大数据范围大、机构复杂特点决定了其不适合使用传统的数据处理方法，因此有必要对其进行分析、采集、数据管理、查询、的操作，从数据中提取有用的信息，同时将产品开发和制造系统过程中产生的各种数据可视化用于预测和建模。 Lee在工业4.0的角度，总结了制造数据环境的变化趋势和智能预测信息工具在大数据管理中的应用，他强调机器的自我意识和自我维护必须要基于物联网的CPS中实现。提取在CPS环境下来自制造系统各层重要数据，如信号处理、特征提取、健康评估、性能预测和故障诊断等用来进行预测分析[11]；Shahbaz提出各种技术，如统计技术，神经网络，决策树、遗传算法等概念和平台来进行生产。 众多研究表明、大数据分析是解决各种制造问题的方法。Undey等人在生物制药制造过程中提出了一种数据挖掘方法，通过层次观察级和过程观察级进行监控和批处理[12]；Mdidan等人通过将合成FAB数据转化为可操作的半导体制造业数据来进行辅助决策，通过建立多元线性周期函数，提取系统最大化特征[13]。 2.4 物联网 由电源、软件、传感器，嵌入式物理对象构成的物联网搜集各种数据，通过网络设施来检测或控制物体，支持物理现实世界和计算机系统之间的集成，在制造业中大大提高了生产率。物联网搜集和交换来自传感器的各种数据，是实现智能制造的基础和核心技术。其具体过程为：嵌入式传感器通过互联网以有线或者无线网络连接，将制造过程中的数据传送至应用层，从而实现对设备的智能控制。 3 智能制造发展现状 智能制造是制造业新的革命和形式，从数字化制造、虚拟制造到智能制造，制造技术得到了突飞猛进的发展。对智能制造的研究也是如是中天，但是目前缺乏在复杂环境下支持快速数据交换的网络和数据处理的方法，使得对智能制造的研究局限于对设备的智能化研究，随着网络设施的完善和云计算技术的发展，必将促进智能制造走向成熟。 物联网和智能传感器逐步发展，并将其应用由家庭和建筑业扩展为制造业，领域的拓展为数据平滑分析和大数据搜集处理提供了平台。以这些技术为基础的制造业以新的制造理念和方式实现智能化生产，在CPS背景下，通过建模技术和仿真技术，以及SCADA和DCS的连接，整个制造网络构成一个数字化双连接网络，为基于SOA的云制造提供技术基础，同时，材料的多元化、层压技术以及3D技术的发展使得通过辅助制造来实现大规模定制化生产变为可能。 4 未来发展方向 目前，很多传统的系统仍然在生产现场和工程中使用，虽然它们也有不同的过程系统和数据结构，很多智能制造相关研究停留在概念方法、实现步骤或制造点等分散片区上，未来的研究需要根据生命周期各阶段特点，包括规划、设计、制造、运行、维护等，在产品整个生命周期内开发辅助模型和系统，同时必须构建与现有异构网络可以互操作的模型和标准。 此外，智能制造不仅能够创造经济价值，比如节约成本和提高生产率，而且还应当不断为社会做出新的贡献，比如节能减排。目前智能工厂主要在提高效率方面正在进行创新，而没有考虑其他方面的指标，因此未来的智能工厂一定是不仅能简单通过尖端IT技术融合智能系统，而且可以成为一个可持续发展的新引擎。 5 结论 工业4.0或智能制造是第四次工业革命，它是尖端ICT技术和制造技术的融合，通过更快更准的决策，为生产提供更高效的优化决策。为了实现智能制造，CPS、云制造、大数据分析、物联网、智能传感器等先进技术运用与制造领域。本文综述了智能制造的过去和现在，对未来发展给出了预测，并提出了上述核心技术上的互操作性和系统的集成性是实现智能制造的关键所在，未来的智能制造必将是全面的、全方位的制造，适用于任何领域。 参考文献： [1]白瑞峰，韩洪洪，于赫洋，等.智能制造虚拟实验系统设计与集成[J].实验技术与管理，2016， 33（6）：129131. [2]赵升吨，贾先.智能制造及其核心信息设备的研究进展及趋势[J].机械科学与技术，2017， 36（1）：116. [3]潘健生，王婧，顾剑锋.我国高性能化智能制造发展战略研究[J].金属热处理，2015，40（1）：16. [4] Lee J， Bagheri B， Kao H A. A CyberPhysical Systems architecture for Industry 4.0based manufacturing systems[J]. Manufacturing Letters， 2015， 3：1823. [5]Genge B， Fovino I N， Siaterlis C， et al. Analyzing CyberPhysical Attacks on Networked Industrial Control Systems[C].International Conference on Critical Infrastructure Protection. Springer， Berlin， Heidelberg， 2011：167183. [6]Wang Y， Vuran M C， Goddard S. Cyberphysical systems in industrial process control[J].Acm Sigbed Review， 2008， 5（1）：12. [7]Wu，D.， Greer， M. J.， Rosen， D. W.， and Schaefer， D.， “Cloud Manufacturing： Strategic Vision and StateoftheArt，” Journal of Manufacturing Systems， Vol.32，No.4，pp.564579，2013. [8]Zhang，L.，Luo， Y.， Tao， F.， Li， B. H.， Ren， L.， et al.， “Cloud Manufacturing： A New Manufacturing Paradigm，” Enterprise Information Systems， Vol. 8， No. 2， pp. 167187， 2014. [9]Luo Y，Zhang L，Tao F， et al. A modeling and description method of multidimensional information for manufacturing capability in cloud manufacturing system[J].International Journal of Advanced Manufacturing Technology， 2013， 69（58）：961975. [10]Laili Y， Tao F， Zhang L， et al. A study of optimal allocation of computing resources in cloud manufacturing systems[J]. International Journal of Advanced Manufacturing Technology， 2012， 63（58）：671690. [11]Lee J， Kao H A， Yang S. Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment ☆[J]. Procedia Cirp， 2014， 16：38. [12]ndey C，ErtunS， Mistretta T， et al. Applied advanced process analytics in biopharmaceutical manufacturing： Challenges and prospects in realtime monitoring and control[J].Journal of Process Control， 2010， 20（9）：10091018. [13]Meidan Y，Lerner B， Rabinowitz G， et al. CycleTime Key Factor Identification and Prediction in Semiconductor Manufacturing Using Machine Learning and Data Mining[J]. IEEE Transactions on Semiconductor Manufacturing， 2011， 24（2）：237248. 作者簡介：栗鹏飞（1987），男，河南漯河人，硕士，助教，主要研究方向：机械系统优化与仿真。 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。