智能制造技术论文前沿研究丨从智能科学到智能制造|智能制造|上海羊羽卓进出口贸易有限公司

前沿研究丨从智能科学到智能制造

本文选自中国工程院院刊《Engineering》2019年第4期

作者：Lihui Wang

来源：From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.

编者按

智能科学大致包括自然智能和人工智能两个领域。自然智能是发现生命系统智能行为的科学，而人工智能是制造智能软件和系统的科学和工程。智能制造对人工智能保持着很高的依赖度。

中国工程院院刊《Engineering》刊发《从智能科学到智能制造》一文，基于智能科学到智能制造的视角，探析人工智能发展简史，指出智能制造的目标是利用集成信息技术和人工智能，将先进的计算能力与制造设备相结合，在本地或全球建立灵活、适应性强的制造业务，人工智能在云计算、大数据分析、物联网、移动互联网/5G等新技术的支持下，将为智能制造带来众多机遇：延迟时间短的远程实时监控和控制；通过机会过程计划和调度进行无缺陷加工；具有成本效益和安全的资产预测维护；整体规划和控制复杂的供应链。

一、引言

智能制造的目标是利用集成信息技术（IT）和人工智能（AI），将先进的计算能力与制造设备相结合，在本地或全球建立灵活、适应性强的制造业务。智能制造依赖于及时获取、分发和利用制造车间甚至整个产品生命周期内机器和流程的实时数据。有效的信息共享可以提高生产质量、可靠性、资源效率和报废产品的可回收性。基于数字化的智能制造也旨在更具可持续性，并为未来的工厂做出贡献。然而，智能制造广泛依赖于人工智能。为了更好地掌握智能制造的未来，有必要了解人工智能。笔者从智能科学到智能制造，提出了对人工智能的看法。

二、人工智能的简史

人工智能是智能科学的一个分支，智能科学领域大致涵盖两个领域：自然智能和人工智能 。自然智能是发现生命系统智能行为的科学，而人工智能是制造智能软件和系统的科学和工程。这两个研究领域在过去的几十年相互促进。自然智能的发展为人工神经网络（ANN）、遗传算法（GAS）和蚁群优化（ACO）等的人工智能研究奠定了坚实的基础，而先进的人工智能工具有助于加速自然智能的发现。由于人工智能的历史相对较短，该领域的研究仍然活跃，有前景，并且还有待进一步发现，如在制造业的背景下。

在讨论智能制造之前，有必要简要回顾一下人工智能的历史，如图1所示。人工智能的历史可以追溯到20世纪40年代初。第一个人工智能是伊利诺伊大学的沃伦·麦卡洛克和沃尔特·皮兹创造的二元人工神经网络模型。尽管他们的模型只考虑了二元状态（即每个神经元的开/关），但该模型在20世纪80年代末却是快速人工神经网络研究的基础。在1950年，英国数学家阿兰·图灵提出了著名的“图灵测试”来确定机器是否能思考。“图灵测试”是通过计算机通信进行的，由一个考官、一个人和一台机器（即计算机）在单独的房间中进行。考官可以问任何问题。如果考官无法根据答案区分机器和人，则机器通过测试。1951年，普林斯顿大学的两名研究生马文·明斯基和迪恩·艾德蒙兹建造了第一台用于模拟40个神经元网络的神经元计算机。

图1 人工智能的简史

人工智能开发的一个重要里程碑是第一次人工智能研讨会 ，这个研讨会标志着人工智能历史上“黑暗时代”的结束和“人工智能崛起”的开始 。该研讨会于1956年在达特茅斯学院举行。麦卡锡提出的“人工智能”一词在当时就得到了认可，并沿用至今。麦卡锡后来搬到麻省理工学院。1958年，他定义了第一种人工智能语言LISP，该语言至今仍在使用。该领域最雄心勃勃的项目之一是通用解题程序（GPS），由艾伦·纽厄尔和卡内基梅隆大学的赫伯特·西蒙于1961年创建。GPS基于形式逻辑，可以生成无数个试图找到解决方案的运营商，但在解决复杂问题方面效率低下。1965年，加州大学伯克利分校的拉特飞·扎德发表了他的著名论文《模糊集》，这是模糊集理论的基础。第一个专家系统DENDRAL于1969年在斯坦福大学开发，该项目由美国国家航空航天局（NASA）资助，由诺贝尔遗传学奖获得者乔舒亚·莱德伯格领导。然而，由于当时大多数人工智能项目只能处理玩具问题而不是现实世界的问题，所以许多项目在美国、英国和其他几个国家被取消，人工智能研究进入了所谓的“人工智能冬季”。

尽管被削减了资金，但人工智能研究仍在继续。1969年，Bryson和Ho提出了神经网络学习的反向传播基础。此外，第一个遗传算法是由密歇根大学的约翰·霍兰德于1975年提出的，他使用选择、交叉和变异作为遗传算子进行优化。1976年，MYCIN由斯坦福大学丹德拉的同一个研究小组开发。MYCIN系统是一种基于规则的血液疾病诊断专家系统，使用450个if-then规则，被发现比初级医生表现得更好。

30年后，人工智能领域再次开始神经网络的研究。人工智能成为一门科学的新时期始于1982年，当时约翰·霍普菲尔德出版了他的霍普菲尔德网络（Hopfield Networks），该网络至今仍广受欢迎。1986年，反向传播在它被提出的16年后成为人工神经网络中真正实现的学习算法。它还通过并行分布式处理触发了分布式人工智能（DAI）的启动。经过22年的发展，日本的公司于1987年成功地将模糊集理论或模糊逻辑构建到洗碗机和洗衣机中。1992年，John Koza提出遗传编程来操纵代表Lisp程序的符号代码。基于DAI和人工生命的思想，智能代理在20世纪90年代中期逐渐形成。20世纪90年代末，模糊逻辑、ANN和遗传算法（GA）的混合系统开始流行用于解决复杂问题。最近，各种新的人工智能方法应运而生，包括ACO、粒子沼泽优化（PSO）、人工免疫优化（AIO）和DNA计算。人工智能在未来的潜力（如制造业）仍然无法预测。

第一个流行的AI工具可能是基于AI的国际象棋计算机程序“深蓝”（Deep Blue），该程序由IBM创造。当世界象棋冠军加里·卡斯帕罗夫在1997年的一场表演赛中与“深蓝”一起比赛时，他以2.5︰3.5输给了“深蓝”。另一个早期的例子是2005年的本田ASIMO机器人，它能够爬楼梯。对于机器人在非结构化环境中移动并由人类指挥，它需要具备在运行时自然语言处理、计算机视觉、感知、对象识别、机器学习和运动控制的能力。在2016年，DeepMind的AlphaGo 使用云计算、强化学习和蒙特卡罗搜索算法结合深度神经网络进行决策，在五场比赛中有四场击败了世界围棋冠军李世石。它的新版本Alphago Zero，通过从头开始的自我学习，在短短三天内就超越了Alphago的能力。如今，从下棋到机器人控制，从疾病诊断到飞机自动驾驶仪，从智能设计到智能制造，人工智能技术和系统无处不在。除了图1中总结的人工智能技术外，机器学习和深度学习显示了智能制造的巨大前景。

表1根据是否受监督或无监督、区分性或生成性以及深度学习或非深度学习对典型的机器学习模型进行分类。

表1 典型的机器学习模型

三、人工智能在制造业中的代表性例子

在制造业背景下，智能科学，或者更具体地说，机器学习模型形式的AI，有助于智能制造 。图2描绘了人机协作（HRC）的一种场景，其中来自传感器和现场设备的数据在应用适当的机器学习模型后被转换为知识。使用特定领域的HRC决策模块进一步将知识转化成行动。因此，操作人员可以在沉浸式环境中安全地使用机器人，而机器人可以预测人类接下来会做什么，并根据需要提供现场帮助。

图2 智能制造中的机器学习

脑机器人是利用有经验的人类操作者的脑电波进行自适应机器人控制的另一个例子 。不需要遵循数据—知识—动作链，只需通过适当的训练将人类脑电波模式映射到机器人控制命令即可实现脑电波—动作的进展，如图3所示。在这种情况下，使用一个14通道的EMOTIV EPOC +设备（EMOTIV，美国）来收集人类的脑波信号。信号处理后的匹配命令被传递给机器人控制器进行自适应执行。

图3 脑机器人人机协作

四、机遇与挑战

人工智能和云计算、大数据分析、物联网、移动互联网/5G等最新IT技术的支持，为智能制造提供了众多机遇。这些新技术将促进智能制造中的实时信息共享、知识发现和知情决策，具体如下 ：

• 物联网为数据收集提供更好的机器和现场设备连接，因此使实时数据收集成为可能。

• 移动互联网/5G使得以超低延迟传输大量数据，实现实时信息共享成为可能。

• 云计算提供快速和按需数据的分析；它还有助于储存数据，这些数据可以轻松地与授权用户共享。

• 大数据分析可以揭示数据中隐藏的模式和有意义的信息，从而将数据转化为信息，并进一步将信息转化为知识。

例如，智能制造的新机遇可能包括 ：①延迟时间短的远程实时监控和控制；②通过机会过程计划和调度进行无缺陷加工；③具有成本效益和安全的资产预测维护；④整体规划和控制复杂的供应链。

此外，近期的智能制造将受益于上述不同时间尺度的技术，具体如下 ：

• 5年内，主要通过物联网和移动互联网实现更好的横向和纵向集成，可以消除自动化岛之间的80%的差距；

• 10年内，主要通过云计算和大数据分析实现经验驱动的制造运营，可能会在先前知识的支持下变成数据驱动；

• 20年内，众多中小型企业（SME）可以通过云制造技术为所有人提供服务，从而在全球市场中获得竞争优势。

然而，复杂性和不确定性仍将是未来几年制造业面临的主要挑战。人工智能和机器学习可以在很大程度上提供缓解甚至解决这些挑战的机会。例如，可以使用深度学习来更好地理解制造环境，并在制造过程发生之前更准确地预测未来的问题或失败，从而实现无缺陷制造。

安全的HRC是智能和灵活的自动化进程中的另一个挑战，其中包括人工参与。这种协作是有用和必要的，特别是在制造装备操作中，深度学习可以帮助机器人变得足够智能，以帮助人类操作员，同时为人类的绝对安全提供更好的情境意识。

最后，在未来的工厂中实施智能制造之前，网络安全和新的商业模式必须得到充分的重视。

注：本文内容呈现形式略有调整，若需可查看原文。

改编原文：

Lihui Wang.From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.

☟ 如请点击文末“阅读原文”

前沿研究：走向新一代智能制造

前沿研究：介尺度中的复杂性——人工智能发展中的共性挑战

智能制造的三个基本范式

前沿研究：智能制造领域的研究进展

战略研究：新一代人工智能引领下的智能制造

智能制造助力制造业高质量发展

中国工程院院刊

工程造福人类

科技开创未来

微信公众号ID ：CAE-Engineering

注：论文反映的是研究成果进展，不代表《中国工程科学》杂志社的观点。

智能制造——比较性综述与研究进展丨Engineering

本文选自中国工程院院刊《Engineering》2021年第6期

作者：王柏村，陶飞，方续东，刘超，刘宇飞，Theodor Freiheit

来源：Smart Manufacturing and Intelligent Manufacturing: A Comparative Review[J].Engineering,2021,7(6):738-757.

编者按

数字化、网络化、智能化技术在制造业的应用，对于全世界科研人员以及制造业从业者来说，已成为一个热门话题。“Smart manufacturing” (SM)和“Intelligent manufacturing” (IM)这两个名词作为专用术语已被广泛使用。虽然SM和IM看起来是类似的，但两者既存在区别、也存在联系。

中国工程院院刊《Engineering》2021年第6期刊发《智能制造——比较性综述与研究进展》一文。为了对SM和IM两种术语进行辨析，消除智能技术在制造业应用中的一些误解，文章系统比较了SM与IM的研究领域与共现关键词、典型技术架构，分析了各自的特征，进一步提出了SM与IM融合发展的未来路径。文章指出，随着新一轮工业革命的发展，人工智能迅速地应用在现代制造业与人-信息-物理系统(HCPS)当中，SM与IM这两个概念有合二为一的发展趋势，因此，深入理解SM和IM变得越越重要，期待本论文能为此提供参考。

一、引言

信息和通信技术（ICT）在制造系统中发挥着重要的作用。网络系统与相关智能技术的不断发展催生出了大数据、工业4.0、物联网（IoT）、云计算、信息物理系统（CPS）、数字孪生（DT）及新一代人工智能技术（AI），同时各种先进的生产模式被提出，基于这些理念可以改良制造工艺、促进生产系统智能化的发展。表1列出了几篇关联或比较分析这些理念及技术的文献。

表1 对工业4.0中新兴理念/技术进行对比分析的相关文章

近几年，大多数国家已经意识到了制造业改造升级的重要性，全社会对制造业数字化、网络化、智能化的关注不断升温。学术界与相关行业的研究人员为了描述制造业与先进信息技术的深度融合，提出了两种制造模式，即“Smart manufacturing” (SM)与“Intelligent manufacturing” (IM)。

学者们对SM与IM的联系已经进行了初步研究。Zhou等将IM的发展划分为三个阶段：2000年前为第一阶段，即数字化制造，使用计算机支持机器及系统层面的操作，并在一定程度上应用了专家决策系统；2000 年之后为第二阶段，即SM阶段，在这个阶段，数字化制造通过改进数字化模型、利用网络来适应动态环境和客户需求；2020年之后为第三阶段，即新一代智能制造阶段（NGIM），使用机器学习（ML）、大数据、物联网更好地实现人机系统融合。Thoben等认为SM 与IM在有些时候虽然意义相同，但是相对于组织管理理念，IM更多地侧重于技术，而SM更多强调分析和控制。Yao和Zhang等将SM看作IM的更新版本，再加以利用物联网、信息-物理系统、云计算、大数据等智能技术可使工业4.0成为可能。

这些研究反映出关于SM与IM之间关系的一些早期观点，然而并不能确定SM与IM之间是否真正存在差异，还是仅仅因为科研人员之间缺乏沟通和共识造成的术语差异。此外，在SM与IM的发展中，各类文献也对SM与IM的定义、理念、内涵及技术发展缺乏考证。“Smart”和“Intelligent”两个含义相近的形容词经常被用于描述聪明的人，而词典中对“Intelligence”的定义在智能程度上要高于“Smartness”。在非英语国家，SM 与IM经常被翻译为同一个词，如果表示不同的含义时则可能会造成混淆。例如，在中国，SM与IM被经常翻译为同一个词“智能制造”。

关于SM与IM之间关系的其他问题包括：

• SM与IM的起源与学术上的定义是什么？

• 它们与其他生产模式/范式（包括柔性制造和云制造等）的关系是什么？

• 它们的发展情况是否有所不同，特别是关键技术、框架架构等方面？

• SM与IM的发展趋势是相互融合还是相互背离？

为了对两种术语进行辨析，消除智能技术在现代制造业应用中的一些误解，本文系统地比较了SM与IM的研究领域、典型技术和架构，强调了各自的特征，并进一步提出了SM与IM融合发展的未来路径。

二、研究方法

本文研究内容包括了对SM与IM概念和定义的概述和比较，对两者研究内容及架构的讨论。分析研究（图 1）按照下面的步骤展开。

图1 研究范畴和章节划分

（1）通过对Web of Science (WoS) Core Collection和 Scopus数据库的文章标题、摘要及关键词进行文献计量学分析，然后通过网络分析对高频率关键词进行定量分析。

（2）以高频率关键词为基础，从文献中回顾研究进展，并确定SM与IM的起源、发展、关键技术及实现架构等关键主题。确定SM/IM发展时间顺序并定性分析常见定义、特征与原则。

（3）评估SM、IM及其他模式/范式之间的关系，并且对SM和IM相关关键概念的共现关系进行量化。

（4）通过计算关键词频率讨论共性关键技术并综述相关案例。

（5）回顾SM和IM的实现构架和国家/地区的发展重点，并寻找其中典型的影响因素。

三、文献计量学分析

文献计量学能分析评估当前文章研究的趋势，提供整个领域的框架结构和未来研究的指导方针和动机。通过将“intelligent manufactur*”及“smart manufactur*”作为查询词条对标题、摘要和关键词进行检索，从WoS和Scopus中收集截至2019年的文献计量学数据。在这一部分，我们比较了SM和IM的文献数量的增长、国家地区的分析与协作、顶级期刊及会议分布和关键词的共现频率。

（一）每年文献发表量

从每年WoS（图2）和Scopus（图3）中SM与IM文献的发表量可以反映出学者们的研究兴趣。在数据库中发现的第一篇有关SM的文章是Schaffer在1986 年写的，文中提出“人工智能是智能制造（SM）的一种工具”。从1985年到2008年，关于IM的文献数量增长较缓慢，从WoS及Scopus数据库中得知从1991年到 2012 年IM文章年发表量大约在20~60篇。在2008年， Scopus中有关SM的论文数量出现了一个小峰值，数量超过了100篇，实际他们主要来源于当年的智能制造应用国际会议（ICSMA），但这些文章只有极少数真正地讨论SM。图2和图3都显示大约从2013年开始，学者们才在SM与IM上投入了更多的关注，在2015年开始变得更热。

图2 在WoS数据库中，从1988年到2019年每年关于SM与IM的文献发表量。其中，关于SM共1069篇，关于IM共1467篇

图3 在Scopus数据库中，从1985年到2019年每年关于SM与IM的文章发表量。其中，关于SM共1968篇，关于IM共2297篇

（二）国家 / 地区及研究机构分析

表2为在WoS数据库中不同地区的文献发表数量。发表SM相关文献最多的国家是美国，其次是中国、德国、韩国和英国；中国在IM相关文献发表数量上领先，其次是美国、英国、加拿大和德国。总的来说，美国、中国、德国所有关于SM和IM的文章占全球总量的 53%，这三个国家实际上也已经将SM与IM作为国家制造业计划或政策的核心。其他国家或地区似乎更倾向于其中某一种术语。例如，日本、法国、加拿大、西班牙和葡萄牙总的来说在两种术语中更倾向于IM，发表关于IM和SM的文章数目比例是2 ∶ 1，罗马尼亚、斯洛伐克、墨西哥和匈牙利基本只使用IM。相反地，意大利和韩国更倾向于使用SM，发表关于SM和IM的文章数目比例是1.6 ∶ 1，而澳大利亚、奥地利、新西兰和芬兰基本只使用SM。英国、印度、瑞典和巴西使用两种术语的文献数目基本相同，偏差不超过15%。

表2 发表SM/IM相关文章数量排名靠前的国家/地区

图4展示了国家地区间合作发表文章情况。不同节点大小代表国家/地区的合作强度，线的粗细代表了两个国家或地区间的合作频率。图中出现的较为清晰的国家的文章发表量均超过10篇。在图4（a）中可以看到，美国、中国、英国和瑞典在SM领域的合作最多，同时，文章发表量较少的国家（如澳大利亚、巴西和加拿大）合作频率也很高。在图4（b）中可以看到，中国、美国、英国、加拿大和德国在IM上的合作最多，同时，SM出版物较少的国家（如新西兰和芬兰），也有较高的合作频率。

图4 SM（a）和IM（b）国际合作研究网络

表3是在WoS数据库中已发表与SM和IM有关论文的研究机构情况。美国国家标准与技术研究院（NIST）已发表SM相关论文数量最多，大约是排名2~6的机构各自发表数目的6~7倍。发表关于IM论文数目最多的都是高校，其中华中科技大学和北京航空航天大学的论文数目为后面五所大学的1.6~1.8倍。在SM与IM相关文章发表机构中，北美洲、亚洲和欧洲的大学在其中都占有一席之地。

表3 发表SM/IM相关文章最多的机构

NIST: US National Institute of Standards and Technology; HUST: Huazhong University of Science and Technology.

（三）排名靠前的来源期刊

表4是在WoS数据库收录SM和IM文章最多的期刊列表。IEEE Access中收录SM相关文章数量最多，紧接着是Journal of Manufacturing Systems和International Journal of Advanced Manufacturing Technology，排名前七的每个刊物收录SM相关文章都超过10篇。Journal of Intelligent Manufacturing中收录IM相关文章数量最多，超过了IFAC-PapersOnLine的两倍，排名前十的刊物收录IM相关文章数目均超过10篇。在这些刊物列表中， IEEE Access、International Journal of Advanced Manufacturing Technology和IFAC-PapersOnLine同时都收录了 SM与IM相关文章。

表4 收录SM和IM相关文章最多的期刊

（四）关键词共现频率

VOSviewer是一种广泛使用的信息可视化工具，本文使用VOSviewer进行了关键词共现频率分析。通过分析发现工业4.0、CPS、设计、大数据、物联网、框架和模型占了SM的共现词的约50%。其他排名靠前的概念包括：优化、互联网、管理和智能工厂。关于IM排名前50%的共现词包括：（智能制造）系统、设计、架构、最优化、工业4.0、建模、遗传算法和仿真。 其他排名靠前的概念包括：代理、大数据（分析）和（架构）神经网络。

通过分析SM与IM的共现词随时间的变化，可以观察使用倾向和发展趋势，见图5和图6（为保证图片清晰度，只有共同出现8次以上的名词才出现在网络中）。在网络中，从蓝到黄的颜色梯度代表了文献发表时间从早到晚。与IM相关的早期名词出现在2000年左右，有专家系统、模糊逻辑、神经网络、代理、柔性制造系统、计算机集成制造（CIM）和计算机辅助设计（CAD）等；与SM相关的早期名词出现在2010年左右，有工业4.0和自动化，这可能揭示了两个模式起源的核心。更多关于起源的细节和SM与IM的发展将会在第4部分详细阐述。与IM有关的最新关键词是工业互联网、智能工厂、云计算和信息-物理系统（图5）。与之类似的是，与SM有关的最新关键词是：信息-物理系统、智能工厂、云计算、大数据、物联网（图6）。工业4.0 概念和实践的拓宽应用很可能推动了SM与IM相关关键词的使用。

图5 WoS数据库中关于IM的关键词共现词的可视化网络。CNC：计算机数字控制；NC：数字控制

图6 WoS数据库中关于SM的关键词共现词的可视化网络

关键词使用频率揭示了SM与IM共同的理念和技术，包括工业4.0、信息-物理系统、物联网、大数据、数字孪生、云计算和人工智能。第6部分将会综述和讨论这些技术。框架、架构也是SM和IM的共同关键词，第7部分将讨论相关内容。

表5 SM/IM的高频率共现词

四、智能制造的起源与发展

本部分主要回顾和讨论SM和IM的起源、定义、功能和准则。

（一）SM 和 IM 的起源

有种观点认为SM最早出现在20世纪80年代末，据我们所知，这个观点可以被最早的将人工智能与SM联系起来的文章——Artificial intelligence: a tool for smart manufacturing所证明。紧接着是1987年出版的 Smart manufacturing with artificial intelligence，阐述了人工智能如何提高生产率和生产过程中的利润率。这本书包含的主题：人工智能、专家系统和计算机辅助工艺过程设计、机器人及展望、柔性制造系统、检测和过程控制。经过近20年较缓慢的发展，有关SM的现代理念更多地伴随着工业4.0而重新出现。今天关于 SM的核心观点是基于NIST和美国Smart Manufacturing Leadership Coalition（SMLC）的定义而提出的。

学者们相信IM最初的起源来自人工智能和机器智能领域。 早期关于IM的文章在1988年、1990年、1995年被发表。在20世纪90年代，日本对IM 率先进行了研究并发起了智能制造系统（IMS）项目。也是在20世纪90年代，美国和欧盟开始了IM的研究，并和日本的IMS项目展开合作。近几年，IM和 IMS正努力向更高的智能化程度发展。

（二）SM 与 IM 的相关定义

过去几年，学术界提出了SM不同的定义。

• 从工程的角度看，SM是一种先进智能技术的应用，可以提高新产品的生产速度和可靠性，对个性化的产品需求做出响应，及时对生产和供应链网络进行优化调整。SM平台可以整合设计、产品、运营及跨越车间、中心、工厂、企业和整个供应链的商务系统。

• 从网络的角度看，SM是信息物理系统、物联网和工业物联网（IIoT）的应用，可以通过传感器和通信技术捕获整个生产中各个层次的数据。随着时间推移，SM会变得更智能，生产率会提高，错误和生产过程中的浪费会减少。

• 从决策的角度看，SM利用可访问的大量区域数据来协助生产企业更好地预测和维持生产过程与系统，并提高生产率。基于大数据分析，SM 会优化生产实践中的控制过程，包括进度规划、故障诊断、供给预测和评估。

在过去10年，学者们也提出了关于IM不同的定义。

• 从代替人类智慧的角度看，IM中自动化的生产操作就像熟练工在执行任务一样。IM系统利用人工智能技术最大限度减少了人类在生产活动和生产系统中的介入。

• 从系统集成的角度看，IM使用不同等级的机器智能融入生产过程和系统，包括人工智能支持系统、人工智能集成系统和全智能系统。

• 从智能科学的角度看，IM旨在通过整合先进的信息技术、计算能力和人工智能，建立全球性或地区性的可适应的生产车间和系统。从数据智能处理的角度看，IM依赖于实时性获取、分配、分析和利用来自人、机器以及整个车间、工厂和整个跨产品生命周期过程中的实时数据。

从人-信息-物理系统（HCPS）的角度看， IM是一个为实现生产目标整合人、物理系统、信息系统的复合系统。IM是一种在不同系统层次上设计、架构和应用HCPS的组织系统。先进信息技术已促进IM从数字化制造演变为了数字化网络化制造，并正走向新一代智能制造。

（三）SM/IM 的特征和准则

学者们已经提出了关于SM的特征、性能和准则，NIST对其关键性能的总结是：敏捷性、高质量、高生产率和可持续性。

• 敏捷性：在不断变化和充满竞争的环境中，通过有效反馈来实现满足客户需求的产品设计和服务，以此生存并能保持活力的能力。技术对敏捷性的实现至关重要，包括建模和仿真、供应链集成和分布式智能。

• 高质量反映了如何按设计规范很好地完成产品制造。在应用SM的情况下，质量也意味着产品的创新程度和用户定制化程度。

• 传统意义上，生产力是生产中产入和产出的比率，包括制造时间、成本、劳动力、材料和能量效率。对SM来说，生产力的衡量标准还包括对客户需求的响应，这更体现了个性化的重要性。

• 可持续性被定义为制造业对环境、社会及员工福祉的影响，以及其经济可行性。与时间、成本等驱动传统产业的因素相比，可持续性已经变得更加重要。然而，在热门的研究领域，可持续性还不是十分成熟。

Kusiak、Oztemel和Rzevski提出IM系统应该有以下特征：

• 适应性是最重要的特征之一，是在不影响目标结果的情况下适应不断变化环境的能力。

• 自维护是一种无需人为干预便可检测故障并进行校正的能力，IM系统可利用该特征进行重新配置。

• 学习和自我进步是IM系统的一个重要特征，可以通过不断更新知识库或通过对现有知识进行试验并评估其性能来升级系统。

• 自主性表示一种独立程度，没有它，智能性会受到限制。

• 通信通过生成报告、下达命令和开始运行使子系统和组件展开合作。

• 预测能力是一种预测变化以及该变化对系统性能所产生的影响的能力。

• 目标搜寻是一种根据系统当前状态和任务制定、提炼和升级目标的能力。

• 创造性是希望IM系统可以创造新理论、新原则及预测等。这个能力需要与系统组件进行交互，和更高等级的自主性一样，这也是当前IM系统想要达到的效果。

在IM系统的前期设计中，人类起着十分重要的作用，“以人为中心”可以处理不断出现的未知问题，使人类可以保持对生产过程的控制，但目前对人机协作原则的关注较为缺乏。与20世纪90年代的IM不同的是，周济和王柏村等在人-信息-物理系统（HCPS）理念的基础上，将数字化网络化智能化制造定义为新一代智能制造（NGIM）。受AI2.0 的启发，新一代智能制造反映了最新人工智能技术与先进制造技术的深度融合。新一代智能制造系统最基本的特征是在信息系统增加了强大的认知及学习能力，去不断提高系统学习能力、扩大其知识储量。

（四）SM/IM 的发展比较

第3部分总结的文献计量数据可以用来分析和比较 SM和IM的演变发展，仔细观察它们的发展轨迹可以更好地理解它们的相关性和一致性。

从图2中展示的每年文献数量增长情况看，SM/IM的发展可以被分为4个阶段： 1990—2000年为第一阶段，2001—2010年为第二阶段，2011—2015年到第三阶段，2016年到2020年5月（文章投稿时）为第四阶段，见表6。尽管其他的划分方法也是可能的，但是我们相信这种划分方法可以更好地帮助理清SM和IM相关研究的发展情况。

表6 从文献分析角度看SM/IM的发展

第一阶段（1990—2000年）： 这个阶段发表了约 270篇文章。出现次数最多的关键词按顺序分别是：IM （系统）、神经网络/人工智能、专家系统、自动代理、计算机集成制造、并行工程、模糊控制和柔性制造系统。在这一阶段，SM/IM最基础的特征包括了专家系统、柔性和神经网络的应用。在这个阶段，最多被提起的术语是IM、计算机集成制造、并行工程和柔性制造。

第二阶段（2001—2010年）： 这个阶段约有327篇文章被发表。这些文章中使用最多的关键词包括：IM （系统）、（遗传）算法、（多）代理、最优化、建模/仿真、合弄制造、人工智能、集成、知识、模糊逻辑、神经网络、射频识别技术（RFID）、SM等。这一阶段最基础的特征包括代理应用、集成化和知识工程。在这个阶段被提到最多的术语按顺序分别是：IM、合弄制造，一小部分文章提到了SM。

第三阶段（2011—2015年）： 在这个阶段约有276 篇文章被发表。在这些文章中使用最多的关键词包括：IM（系统）、SM、最优化、建模/仿真、多代理、管理、工业4.0、框架、射频识别技术、大数据、互联网和可持续制造。在这一阶段，SM/IM最基础的特征包括：优化、网络和管理。在这个阶段，最常被提起的术语按顺序分别是：IM、SM和工业4.0。

第四阶段（2016年至2020年5月）： 在这个阶段大约有1570篇文章被发表，显示了对SM/IM的研究快速增长的现象。这些文章中被使用最多的关键词包括：SM （系统）、工业4.0、IM（系统）、大数据（分析）、互联网、信息-物理系统、最优化、物联网、数字孪生、智慧工厂、（遗传）算法、机器语言、云计算、深度学习、工业物联网和工业网络。在这个阶段SM/IM主要特征包括：物联网、大数据、云计算和机器学习。最常被提起的术语按顺序分别是：SM、工业4.0和IM。

通过对SM/IM的发展轨迹进行文献计量学比较，我们发现随着技术研究和热点的改变，关键词也发生了改变。从国家层面技术发展的战略和计划看，模式/范式上的改变可能已经越来越多。最新相关研究包括： 在 SM/IM语义下的信息链接、人类的角色、制造系统数据、智能科学、算法学习和成熟指数。通过对SM和IM发展进行分析，可以得出一个观点：SM/IM发展水平相对较低的企业和地区，可以在以往的文献中找到范式转化、制定发展战略、选择合适技术、评估成熟度阶段的指南。

五、智能制造与其他制造模式/范式的关系

在SM与IM的发展的同时，也诞生了许多其他生产模式/范式，包括计算机集成制造、数字化制造、云制造、网络化制造、信息-物理生产和社群化制造等。 表7对这些模式以及它们的相关技术进行了总结。一般来说，这些模式都是相似的，都有诸如更智能决策和对制造资源优化利用的目标要求，除此之外，它们也有各自的多元性和差异性。

每个模式的研究都基于其技术和理念。例如，数字化制造使用计算机提高生产效率并减少成本；云制造利用分散管理、网络化制造和服务型架构（SOA）；信息物理制造系统在工业4.0中扮演了一个重要的角色。在特定区域或特定时间，制造业部门进行升级时，相关生产模式都发挥了一定的作用。

这些模式和SM/IM都展现了一个或多个共同原则，为现代SM和IM建立基础做出了贡献。为了帮助理解 SM和IM的研究热点，我们根据WoS数据库中文章标题、摘要和关键词数据研究了SM或IM的共现词频率，见表7 。除了先进制造外，与SM共同出现频率最高的术语为：信息-物理制造系统、云制造、数字制造和可持续制造。 相应地，与IM共同出现频率最高的四个术语是：柔性制造、合弄制造、计算机集成制造和敏捷制造。SM和IM有不同的优先标准，但都利用当前最好的技术，对制造规模、成本、质量、服务和智能化进行转型升级。特别是计算机模拟、监控、信息/ 数据分析都在这些模式/范式中被应用。在下一部分，将会更多地讨论SM和IM的共性技术。

表7 与SM和IM相关的其他制造模式

Co-SM: co-occurrence frequency with SM; co-IM: co-occurrence frequency with IM. Source: WoS database; timespan: 1998–2018.

六、共性关键技术和研究领域

SM与IM的共性技术包括工业4.0、信息-物理系统、物联网、工业互联网、大数据、云计算与雾计算、人工智能和机器学习，在一定程度上，这些技术可以被认为是新一代信息技术（New-IT）。表8列出了通过研究标题、摘要或关键词的共现频率得出的与SM和IM有关的共性关键技术。在文献中被提到的其他关键技术包括无线传感器网络（WSN）、增强现实（AR）、移动网络和第五代蜂窝网络技术（5G）。

（一）工业 4.0 与信息 - 物理系统

工业4.0是德国提出的一项倡议，强调传统制造系统与新一代IT系统的全面集成，并引起了SM 和IM相关研究人员的关注。工业4.0强调通过价值网络进行横向集成、纵向集成和贯穿整条价值链的端到端集成。它与SM、IM、信息-物理系统和信息通信技术有密切关系。 Thoben等对工业4.0和SM 进行了概述，并且分析了信息-物理系统的潜在应用，包括产品设计、生产、物流、维护和开发。Zheng等对工业4.0中的SM系统进行了分析，包括SM系统的框架、脚本说明、关键技术和潜在应用。研究工业4.0背景下IM的学者将信息-物理系统、物联网、云计算和数字工厂作为关键技术。Cheng等对工业4.0未来发展方向也进行了分析，为IM的应用提供了一定参考。与IM相关的内容还包括人-信息-物理系统、人在回路的信息-物理系统和信息-物理-社会系统。

（二）物联网和大数据分析

物联网是一个将计算机、机器和人连接在一起的网络，可以被识别并进行数据共享。大数据是指新的数据处理程序需要分析在生产环境中收集到的数据的理念，然而大数据的实现对传统模式来说过于庞大和复杂。物联网和大数据分析（BDA）是SM和IM 中的热门话题。 Yang 等回顾了物联网技术在SM中数据驱动上的创新，并提出了制造业物联网（IoMT）。Kusiak 提出SM必须与大数据相融合，并指出SM创新中需要填补的空白：战略旋转、数据收集和共享的升级、模型预测、工厂网络和过程控制。Tao等对生产数据周期和大数据在SM中的作用进行了讨论，并提出大数据能将现在的生产制造模式转化为SM模式。Bai]对IM中的工业物联网技术进行了研究，并对它的基础设施和信息交互设备进行了概述。Zhu等认为IM的成功依赖于及时的获取、分配和使用大量数据；Xiao和Liu 将大数据处理应用在IM环境下的机械工具；Zhong等介绍了利用物联网和无线技术的IM车间的大数据分析。

表8 与SM和IM有关的关键技术

Source: WoS database; timespan: 1998–30 September2019.

（三）云计算与雾计算

云计算提供可拓展的、请求式计算机资源，包括数据存储和计算能力，用户可以通过网络进行远程访问。基于云计算可以实现云制造，这是一种服务型的制造模式，可减少资源浪费，提高资源利用率。雾计算和边缘计算是一种与之相关的概念，其将分布式计算拓展到网络边缘的设备上，可支持新的应用和服务。Park和Tran研究了一种基于云技术的SM系统，该系统使用了先进的信息技术，如认知智能、云计算和群体智能。Qi和Tao为SM引入了一种层次性参考架构，将计算和网络功能部署到云的边缘。Zhong等回顾了云计算在IM中的应用，与周济等观点一致，将云计算看作IM的关键使能技术。

（四）工业互联网

工业互联网被认为是自18世纪中叶的工业革命以及 20世纪50年代的计算机革命之后的新工业革命的推动力。工业互联网的未来很大程度上取决于先进信息和通信技术在传统工业的应用，包括射频识别技术、传感网络、物联网、信息物理系统、云计算、大数据和人工智能。工业互联网相对SM/IM是一种重要且独立的研究，典型的工业互联网构架对发展早期SM/IM构架产生了重要影响。 Zhou等提出工业互联网的特征是以智能网络、平台和安全系统的支持作为基础。Wang 等阐述了工业互联网平台可通过整合制造设备来完成复杂任务，这是实现SM的一件关键技术。此外，研究工业4.0和CPS应用的学者对工业互联网的理解是类似的。近期，学者们将工业互联网和物联网结合起来，并提出了工业物联网，本文对此不作展开讨论。

（五）数字孪生

数字孪生描述的是一种多层次生产过程或系统的虚拟表现方法。数字孪生在广义上说是一个可以实现仿真、计算、监控、过程控制与系统监视的集成系统。虽然它对SM和IM来说都是标志性技术，但是数据显示更多的文章倾向将数字孪生与SM联系在一起。 Tao和Zhang 等将数字孪生车间定义为SM模式的一部分，讨论了物理和虚拟车间、服务系统和四个关键数字孪生组件的数据。Qi等研究比较了SM服务与数字孪生相结合后从根本上改变设计、生产、使用和其他过程。Lu等讨论了由数字孪生驱动的SM模型、应用和研究问题。Zheng等提出随着虚拟技术和数据采集技术的迅速发展，数字孪生逐渐成为IM一种关键研究。Zhou等提出了一种由知识驱动的数字孪生制造单元IM框架，通过结合认知智能、仿真、优化、预测和控制可实现自动化制造。

（六）人工智能和机器学习

人工智能是一种通过应用逻辑、if-then规则、专家系统、决策树和机器学习等使计算机可模仿、加强或者代替人类大脑的技术。人工智能早期的应用使用代理和通用算法。机器学习是人工智能的子集，包括统计技术，使机器根据经验改进任务。深度学习是机器学习的子集，它使用的软件算法是通过将大量数据导入到多层神经网络实现的。Schaffer将AI视为SM的一种重要的工具，Wang等回顾了SM中由数据驱动的人工智能演化中的深度学习部分，讨论了SM中典型深度学习的构架，包括卷积神经网络、自动编译和递归神经网络。Ozteme阐述了为实现制造系统智能化，必须使用多重人工智能技术，而且它们必须展示出如学习、推理和决策制定的特征。Wang从智能科学的角度提出IM的未来在很多方面将会依赖于人工智能。他提出了人机协作和大脑机器人这两个在IM模式下人工智能发展的典型例子。

总的来说，如今的SM和IM都使用了大量类似的技术和理念，同时，SM和IM细微的差异和偏向决定了它们的探索方向和实施方法会有所不同。例如，人工智能和机器学习被更多的应用到IM研究中，同时工业4.0和数字孪生更多的被应用到SM研究中。不过，随着SM 和IM使用很多相似的关键技术，它们的边界开始变得模糊。

七、智能制造的参考架构和实施

SM和IM中经常出现的两个关键词是框架（framework）和架构（architecture），这表明这两个词对智能制造的重要性。框架和架构被广泛地应用在复杂系统中，用于描述通用框架及其内部关系。框架描述了系统中的基础原理、知识表征和信息流；架构是子系统功能分配和子系统间接口的规范。

（一）智能制造的参考架构和规范

在关于智能制造技术的系统实现与标准的文献中，有几种典型的与SM和IM相关的框架或体系架构：

• 美国国家标准技术研究所提出的SME（智能制造生态）；

• 德国工业4.0标准和参考架构平台提出的工业4.0 参考架构模型；

• 中国国家标准化管理委员会（SAC）提出的IMSA 架构；

• 美国国家标准技术研究所提出的一种制造智能系统架构（ISAM）。

图7是这四种典型框架或参考架构的示意图。其他被提出的框架/架构还包括CPSs （F-CPSs）框架、工业价值链参考体系结构（IVRA）、工业互联网参考体系结构（IIRA）和物联网体系结构参考模型（IoT-ARM）等。尽管有多种 SM相关的参考架构被提出，但在本小节中，只对SME和RAMI 4.0着重进行讨论。同样，有关 IM的各种参考体系也已被提出，但在本部分只着重讨论IMSA和ISAM。

2016年，NIST为使SM系统实现标准化提出了SME。SME由产品、生产系统和企业（商业）系统构成的金字塔结构组成（图7、表9）。NIST基于分级控制模型提出了一种系统架构模式，覆盖了SM的所有领域。在Current standards landscape for smart manufacturing systems 报告中，从生产开发周期、生产系统周期、供应链管理中的商业循环和金字塔式制造模式的角度分析了SME系统的标准。产品生命周期的标准内容包括模型建立（如ISO/TC213全球定位系统）、生产模型和数据交换（如初始图形交换规范、图纸交换格式）、制造模型数据（如ISO 14649）、产品目录数据（如ISO 13584）和产品生命周期数据管理（如产品生命周期管理可扩展标记语言）。制造业生命周期的内容标准包括生产系统模型和实践（如IEC 62832）、生产系统工程（如系统建模语言和建模）、生产生命周期数据管理（ISO 10303-239）和生产系统维护（GEIA 927）。通用业务模型标准用于生产厂家、供应商、消费者、合作伙伴和竞争对手之间的交流，包括供应链操作参考（SCOR）、开发应用程序组集成规范（OAGIS）和制造企业解决方案协会的B2MML。基于ISA 95的集成化标准，可将制造金字塔分为设备级（IEC 61784, MT Connect）、SCADA 级（Modbus, ISA 88）、生产操作管理级（ISO 22400）和企业级（ISO 19440, OAGIS）。关于SM系统标准的分析结果表明当前的制造标准是不足以完全支持SM系统的，还需要网络安全、云基制造业服务、供应链集成和数据分析等方面的标准。 此外，还有两个因素限制了SM系统的发展，分别是缺乏标准有效跟踪、实际使用标准的缺乏和标准之间的重叠冗余。因此，标准发展组织之间的协调合作是必要的。

图7 SM的典型框架/架构：（a）SME]；（b）RAMI4.0；IM的典型框架/架构：（c）IMSA；（d）ISAM。CAE：计算机辅助工程；CAM：计算机辅助制造；CCX：连续调试；CPI：持续过程改进；DCS：分散控制系统；DFMA：面向制造和装配的产品设计；DFSCM：基于产品协调开发的供应链设计；ERP：企业资源计划；FMS：柔性制造系统；HMI：人机接口；MFG：制造业；MOM：生产运营管理；O&M：使用和维护；PLM：产品生命周期管理；QMS：质量管理系统；SCM：供给链关系管理：BG：行为生成；SP：感知处理；WM：世界模型。

表9 美国制定的SM系统的架构SM

工业4.0参考架构（RAMI 4.0）中定义的领域包括了图层、生命周期价值链和层次结构，详见图8（b）和表10。 RAMI 4.0的目标是弹性制造、易于拓展或与其他SM构架连接。理论上说，任何级别的SM企业都可以在这三级架构中找到自己的定位。RAMI 4.0 一些重要的标准包括关于生命周期情况的IEC 62890、企业控制系统集成的ISO/IEC 62264和批量控制的IEC61512。其他有关的标准还包括IEC 62541、IEC61784、 VDMA 24582、IEC 61987和ISO/IEC20140。

表10 德国提出的工业4.0参考架构模型

文献定义的系统构架可作为IM系统的参考模型，见图8（d）。它为不同制造领域的IM标准和工程指导方针提供了框架。ISAM将智能过程节点组织为一个有嵌入式控制回路的多层次结构。IMSA为 IM提供了模型、术语、模型评估和技术标准，见图8（c）和表11 。此外，IMSA指出智能元素的生命周期、系统层级和功能决定了每一项IM相关技术的范围。为理清标准，IMSA提供了一个IM标准系统结构的图表，见图8。IM标准体系的结构图包括：A.基础要求；B.关键技术；C.工业应用，它们反映了不同标准体系之间的关系。截至2018年11月，中国出台或审理了大约300项IM标准，主要覆盖基础要求和关键技术。

表11 中国提出的IMSA构架

图8 IM标准体系的结构图。HMI：人机接口；A~E是IMSA的模块

近期，为更好地理解SM和IM之间的关系，一种作为通用参考架构的HCPS模型被提出。由于HCPS有定义明确的维度，因此HCPS很适合用于做这种比较分析。表12映射了典型的SM与IM架构，并得出以下结论：

表12 映射到HCPS的SM/IM参考架构

（1）SME、RAMI 4.0和IMSA从不同角度考虑系统集成和管理。 这些结构分别描述了产品、生产周期和供给链。然而，所有的参考架构对于当前人工智能/机器语言技术、能源、材料和制造模式发展缺乏综合的考虑，这对智能制造的进一步深入实施是很重要的。

（2）在相关架构中，对人的因素的关注以及对企业文化和人力资源的提升工作在变化。 例如，RAMI 4.0 中，工业4.0的参考架构、企业文化和人力资源是体现不出来的。但是事实上，工业4.0的成熟度指数和日本SM/IM参考架构包括这些内容。

（3）SME构架不能完全描述企业基础设施、物联网、云计算、信息物理系统、大数据和数字孪生等主要要素。 例如，智能机器人、3D打印、新材料等物理系统（工业技术的）也没有在SM中被着重强调。RAMI 4.0也没有提出一个SM实现的具体方案，因为它没有覆盖到SM 的所有领域并连接所有有关标准。

（4）参考架构和标准是有时效性的。 标准需要根据智能制造的发展及新问题的出现和解决再去跟进修订。此外，很多发展中国家的工业仍处于半自动化阶段或在数字化或网络化的初级阶段，所以标准还要考虑到工业的复杂性。

（二）各国聚焦重点和典型实际案例

在SM/IM或工业4.0的大背景下，许多国家都启动了国家级计划，见表13。下面分析这些典型计划项目及具体实施中的模式选择、投资水平、聚焦重点，以及其发展道路的相似之处或区别：

表13 关于SM或IM的国家级政策和项目

自2011年以来，美国已经启动了一系列制造业国家性计划和举措，包括先进制造伙伴计划和确保美国领导力的先进制造战略。先进制造中与SM/IM有关的许多政策和项目已经启动，所以它选择的模式或者首选的SM/ IM术语是先进制造。在SM/IM方面，美国着重强调IT的顶层位置，如大数据、云计算、深度学习及虚拟现实和能源效率。举一个清洁能源智能制造协会和SMLC的例子，他们通过识别数据作为新资源，力图解决能源消耗和环境可持续性的问题。另一个例子是通用电气Predix平台和工业互联网。

2012年前后，德国出台了与智能制造有相同愿景的国家性战略。德国将工业4.0首选为SM/IM的术语。德国聚焦于智能车间/工厂和相关的潜在研究，如智能传感、无线网络和信息物理系统。工业4.0国家计划的一个重要特征是基于设备提供增值服务的各层级集成化。例如，西门子名为“Sinalytics”的数字化云服务平台。

在20世纪90年代，日本学者发起了关于IM的国际项目。近年来，日本开启了基于SM/IM的社会5.0和工业价值链倡议（IVI）。日本注重通过精益管理和面向服务的信息物理生产系统来提高每个企业的价值，同时解决社会老龄化问题。一个例子就是在医疗保健方面，他们加强服务机器人的研究和应用。另一个就是他们在精益生产中持续改进和尊重员工的原则，这是影响日本智能制造发展愿景的关键因素。

2015年，中国出台了一系列关于智能制造的国家级项目和计划。中国更倾向于使用IM。由于中国发展不平衡的现实，中国关于制造业升级的战略是并行推进，而不是依次进行（从数字化到网络化再到智能化）。中国智能制造的另一个特征是用户导向型。例如，三一重工的数字预测维护平台和海尔的CosmoPlat平台。

总的来说，智能制造（SM/IM）是信息技术、工业制造或操作技术（OT）和人的聪明才智及创造性融合发展的结果，引导了制造系统的迅速发展。然而，SM/ IM仅仅是一个实现制造业终极目标的工具，最终目标还是减小缺陷、提高质量、提高生产率、减小成本、预测故障并在发生前停机和减少浪费的同时增强可持续性，以及通过理解、积累和应用制造过程及系统知识库维持竞争优势。

众所周知，每个国家、地区或企业会面临不同的问题，同时，每个国家、地区或企业都有自己独特的优势。因此，在整合先进IT和OT技术时，会有不同的技术道路，发展不同的技术，对SM和IM的选择也会有所不同。从哲学以及文化的角度看，这些差异随着知识在制造过程、系统和部门中的理解、积累及应用而变得更明显。例如，一家典型的日本制造企业希望通过组织文化和个人培训来持续不断的改进，他们的知识获取严重依赖个人。一家典型的美国公司会通过数据和知识迁移获取知识，他们善于颠覆和重新定义问题。德国制造公司则善于通过嵌入新知识到设备来持续升级设备和生产系统，给他们自己和消费者创造新的价值。通过对比分析不同国家的聚焦重点和SM/IM的实际案例，可以得出这些制造理念与哲学上的不同，对于不同国家、地区和企业制定自身发展战略时，这些比较分析可能有参考价值。

八、小结

SM和IM对于新工业革命（工业4.0）来说是重要的模式/范式。SM和IM理念和技术发展的特征以及研究焦点是有重叠的，两者都利用了先进信息和通信技术来促进制造技术的发展。学术界、制造业部门和政府都对SM和IM展示了强烈的兴趣，从SM和IM被提出的第一天起，它们的理念一直在发展。然而，在文献中它们的定义、理念、内涵和技术发展是否有区别或相似则很少被考虑到。为弥补这个漏洞，本研究从多个角度回顾和比较联系了SM和IM，总结在表14中。

表14 SM和IM的多角度比较与联系

▲: Flexible manufacturing, CIM, intelligent design, intelligent products, intelligent production, industrial internet; Industry 4.0, CPPS, smart factory, etc.

SM和IM的早期理念几乎在同一时间被提出，并且都因为人工智能在20世纪80年代的兴起而发展。然而， SM和IM似乎是两个并行发展的独立模式/范式，并在 2014年前后吸引了不同群体的关注。本文综述揭示了 SM与工业4.0、数据驱动和大数据等概念共同出现的频率更高，IM与人工智能算法、优化、代理和架构等概念的共现频率更高，它们各自引起了相应领域学者的研究兴趣。在不同的定义下，不同的理念和研究主题与SM或IM不同的发展时期有关联，其中制造业数字化、网络化和智能化发展趋势是这两种模式的共同特点。

从SM和IM发展分析的角度看，关键词和最相关模式的改变反映了技术的应用和国家战略层面SM与IM的研究重点。参考架构和标准的比较指明了全球学术界和相关产业得益于SM和IM团体的国际合作。制造业协会和组织应该努力达成共识，在共同的问题上进行合作研究（如统一的标准和参考架构、劳动力培训等）。国家计划和项目在SM和IM模式/概念选择、投资水平、聚焦重点和发展道路等方面表现出鲜明的特点。此外，对持续获取知识的追求和实现减少缺陷、提高生产率、节约成本、减少停机次数、浪费最小化、提高持久性和维持竞争性优势的目标，已经被不同国家的制造业发展计划共同确立。

有关SM和IM发展的研究为如何在落后地区和企业理解和实施SM和IM提供了指引。当制定决策时，例如，选择合适的升级模式和发展战略以及评估和选择合适的技术，其制造理念及其一致性可能会有所帮助。由于制造企业为智能制造的主要实施者，所以无论应用哪种模式，都应结合实际情况，将更多的注意力放在关键技术上，如CPS、大数据、云计算和人工智能以及员工教育等。

为进一步理解和应用SM/IM，未来的研究包括：

• 关键技术发展：为提高制造系统的智能化，应同时发展如传感、数字孪生、信息-物理系统、知识工程和深度学习等关键技术，使他们的应用更加可靠，有更强的适应性、经济性和可持续性。

• 人机共生：当今SM和IM的要求人机共生发挥更大的作用，人类和智能机器（如CPS）应该有更深的融合和合作，而不是仅仅使用机器代替人。

• 跨学科、跨领域及社会整合：如果与智能交通、智能能源/电网、智能建筑、智能医疗、智能城市和智能社会等技术融合，SM和IM将释放出更大的潜力。研究领域可能还包括：多物理建模、社交网络、数据储存、隐私和安全、标准和伦理。

• 其他方面的比较分析：为了比较标准和应用，以及解决中小型企业实施SM/IM面临的独特问题，可通过专利分析、预测技术发展轨迹和专家采访对SM和IM相关的问题进行调查，这可能会得出进一步的见解。另一个值得系统研究的潜在课题是智能制造相关文化的比较。

注：本文内容呈现略有调整，若需可查看原文。

改编原文：

Baicun Wang, Fei Tao, Xudong Fang, Chao Liu, Yufei Liu, Theodor Freiheit.Smart Manufacturing and Intelligent Manufacturing: A Comparative Review[J].Engineering,2021,7(6):738-757.