编者按：智能制造是先进制造系统的代表，是传统制造业转型升级的主攻方向。信息物理生产系统是自动化制造模式的交互式和响应式平台，与传统制造业相比，信息物理生产系统更加具有分布式特性，大量仪器或机器彼此之间以及与人工操作人员之间在车间里借助工业物联网和数据驱动模型进行不间断的通信交流和相互作用。
一、引言
（一）制造业的转型
表1十年来全球智能制造计划的演变
（二）制造业范式变革的驱动力
过去十年来，信息与通信技术（ICT）、无线网络和物联网（IoT）技术的进步和扩张带来了前所未有的机遇，在不同行业领域可以随时随地访问和使用数据，例如制造业。此外，人工智能（AI）算法，如机器学习、深度学习、强化学习和知识图谱等技术促使制造业系统的操作和控制程序更加直观化、智能化和可靠。工业物联网（IIoT）、云计算、边缘计算和雾计算等技术让原本受资源限制且分散的工业设备和系统获得具有显式通信和协调的强大的计算能力，从而实现近乎实时的数据驱动决策。推动制造业系统向下一代转型的计算资源和网络技术通常被称为“智能制造”或“未来工厂”。
图1网络技术与物理系统（机器和人类）集成驱动的未来工厂，具备自动化和智能制造技术
图2基于CPPS的智能工厂的结构层。在智能工厂中，数据驱动制造模式借助自动化和互相连通的实体，从而实现分布式生产制造。分布式制造模式的子系统之间相互排斥，它们从各个实体接收并交换数据，以便做出可靠精准的决策。实现数据共享和信息共享需要区块链技术的支持，而反过来数据和信息互通可以实现透明且安全的智能制造生态系统。
二、信息物理生产系统
（一）概念概述和研究影响
智能制造是先进制造系统的代表。它可以在产品生命周期的所有形式中实现实时交换和分析数据（包括车间、供应链和企业）。这有助于做出正确可靠的决策，提高制造过程的整体效率、生产力和盈利能力。信息物理生产系统充当了这种自动化制造模式的交互式和响应式平台。通过通信-计算-控制回路模式，CPPS把现实世界的动态物理过程与网络系统融合在一起，实现数据的实时获取、交换、处理和反馈，做出高效且可靠的决策。传统制造业典型的自动化金字塔层级系统的结构为场传感器-可编程逻辑控制器（PLC）-过程控制-优化-企业决策，而CPPS则更加具有分布式特性，大量仪器或机器彼此之间以及与人工操作人员之间在车间里借助工业物联网（IIoT）和数据驱动模型进行不间断的通信交流和相互作用。
图3由VOS观察器中提取的可视化网络图。在WebofScience中对2015—2019年期间的CPPS和制造等术语进行了关键字搜索。选择出现至少30次（在标题、关键字或摘要中）的前50个术语来生成网络图。在网络图中，标签的大小及其对应的圆圈代表了主题的权重（即根据文献中出现频率的重要性）。
（二）信息物理生产系统的特征
1.实时数据访问和分析
2.分布系统和互操作性
CPPS不断进步和发展，不仅催生了高度自动化、智能化的制造系统，也催生出分布式制造的理念。分布式制造系统的资源在地理上分散分布，然而中央节点将其相互连接，形成具有自我意识能够自我决策的协作网络。因此，CPPS有助于把分布的生产制造资源和职能部门聚集到一个独立实体中，并提高此类实体在分布式网络中的地位。这样共享制造的潜力也因此得到实现。共享制造的概念仍处于早期发展阶段，它基于共享经济和促进点对点（P2P）协作，利用闲置产能优化整个制造网络的资源配置，提高生产效率，从而增强制造的竞争力。CPPS允许分布式业务应用程序之间进行互操作协作。CPPS在车间自动识别并响应动态情况和意外情况，如机器故障、原材料的突然短缺或者最后一分钟订单。通过这种方式，CPPS展示了其与传统制造企业层级结构的区别，它可以高质量地、灵活地控制生产过程，并同时降低风险和不确定性。
3.基于人在回路的信息物理生产系统
三、制造业的数据驱动模型
现在各种规模的制造业企业都配备了各种商用ICT工具和解决方案，按照等级依次排列为：电场传感器到生产计划与控制（PPC）、制造执行系统（MES）和企业资源规划（ERP）。每个工具或解决方案负责管理不同级别的企业。无论是历史数据还是实时数据，结构化数据还是非结构化数据，都可以借助这些平台得到收集和利用，以便在产品的整个生命周期中采取明智的行为和决策。这些行为可以根据需求表现为描述性分析、预测性分析和规范性分析的形式。近年来，描述性分析和预测性分析变得更加重要。为了实施这些行为，有必要了解实时生产。过去利用精益生产、六西格玛、离散事件模型和基于智能体的模型（agent-basedmodel）等传统方法做出明智的决策。这些方法严格且周密，但是它们无法交叉部署，也无法实时捕获企业级别所有的复杂动态情况。相比之下，基于机器学习和深度学习算法的数据驱动模型本质上是通用的且可交叉部署。它可以获取上述系统生成的数据，并利用数据进行生产监控、过程控制或根据需求进行实时优化。图4展示了CPPS框架内数据驱动模型在上述应用程序中的流程示意图。
图4利用机器学习算法基于历史数据库或实时数据库中的数据进行数据驱动建模。这些模型的输出可以存储在单独的数据库中，借助操作员人机界面（HMI）屏幕这些输出可以对生产参数或过程参数的进行离线可视化和分析，或者，可以将它们发送到分布式控制系统（DCS），在生产线上实施必要的控制措施。ML：机器学习；LIMS：实验室信息管理系统；PIMS：生产信息管理系统。转载自参考文献，经JohnWiley&Sons,Inc.许可，?2020。
（一）实时过程监控
在现代制造企业中，数据无处不在。不仅需要利用离线数据，还有必要利用在线数据，实时改进制造操作程序和优化数据驱动的决策。为了满足制造业的严格苛刻的要求，有必要利用过程监控对产品质量进行精确可靠的测量和估计。
（二）数据驱动的过程控制和优化
传统制造业依靠统计过程控制来测量和控制生产制造过程中的生产质量，没有采用先进的过程控制应用，如模型预测控制（MPC）等。MPC在碳氢化合物领域得到广泛应用，主要是由于成本与应用的限制和架构专用分布式控制系统（DCS）的需求。开发数据驱动的控制系统并将其部署在CPPS平台上，这为广泛控制和优化制造业企业的整个产品生命周期提供了可能性，降低了上述限制。
Wong等设计了基于循环神经网络（RNN）的模型预测控制（RNN-MPC），并将其应用于制药行业。RNN恰当地模拟了制药制造中搅拌釜反应器（CSTR）的动力学，并为CSTR中复杂反应的模型预测控制提供了闭环性能，这对满足关键质量属性的规定至关重要。Min等提出了一种基于机器学习的控制方法，用于提高石化生产单元中轻油的产量。他们建立了LightGBM模型，根据工厂的实时数据模拟生产过程，并将其一起与管理控制和数据采集进行在线集成，实现实时建议和实时生产控制。Shang等设计了一个分段线性的、基于内核的支持向量集簇（SVC）来表述数据驱动鲁棒优化的不确定性。不确定性集本质上是非参数，有助于解决混合整数线性规划优化公式，该公式专为化工厂的生产计划而设计。Ning和You利用多级自适应鲁棒优化和非参数核密度，提出了一种在不确定条件下的数据驱动优化方法。这种数据驱动的优化模型应用于多用途批量处理的短期调度，其利润比传统的优化调度应用程序高31.5%。
（三）小结
在制造业的框架内，日益普及的IIoT使数据采集和存储比以往任何时候都更加常见。由于目前传统制造操作的确定性严重依赖人类专家，业内逐渐出现的问题是如何有效且高效地利用所有数据以提供可行的建议。在这种背景下，最近AI领域整体的“技术推动”和智能制造背景下的“市场拉动”，只是拓展了它们的应用，以利用制造中各个层次产生的海量数据。因此，CPPS可以为车间、供应链和企业建立一个动态知识库，其中数据驱动模型可以从历史趋势和模式中学习，并帮助企业采取明智的行动和决策。这种数据驱动的做法更加直观，并且是以数据为导向的，减轻了其对生产过程或决策的任何负面影响；通过这种方式，它们被证明对生产过程的成本和质量控制都是有利的，从而将“智能”引入了制造。通过实时过程监控、分析和生产过程的数据驱动控制，CPPS还培育了新的服务模型，如预测性维护、故障诊断和性能优化，所有这些都将推动以生产为导向的传统制造业向更基于服务的制造业发展。
四、分布式制造
传统的制造系统是异构系统的集合，其特征是资本、材料和机器集中在单个制造设施中，决策能力（如生产计划、调度和控制）在一个中心节点（如计算机和服务器）中执行。这种集中式系统具有优点颇多，它易于控制、具有易于控制和管理数据的简单数据库设计与架构，并且还遵循标准化的策略和过程。然而，这些系统由于以刚性结构构建因此往往高度不灵活，在容量有限、需求增加的情况下，这些系统容易遇到瓶颈，导致全系统故障和失效，并产生维护问题，因为整个系统都依赖于其核心单元。
（一）分布式制造的技术推动因素
近年来，出现了一些可以作为CPPS分布式推动因素的技术。ICT的兴起不可避免，因为它是CPPS的关键驱动因素之一。特别是在互联行业中，分布式单元（如机器、工厂、供应链）之间的有效数据交换对于执行数据分析以实现接近实时的决策和控制至关重要。中间件是实现分布式控制系统的关键技术之一，它是操作系统和分布式应用程序之间的可重用软件层。这些技术促进了工业控制系统的信息交流，以及异构设备和子系统的集成。一些常见的中间件架构包括开放平台通信统一架构（OPCUA）、数据分发服务和实时公共对象请求代理架构。据了解，这些中间件技术都不能支持DCS的所有要求。因此，包括5G在内的高速互联网的发展，以及基于行业标准（如MQTT、Eclipse和RabbitMQ）最新的多协议，对中间件的成功应用至关重要。中间件技术本身不要求重新设计产品结构，但可以确保网络延迟低，并支持分布单元之间接近实时的通信。这在大数据时代和制造业不断变化的环境中尤为重要。此外，在操作和环境不确定的情况下，部署射频识别设备至关重要，这将为分布式生产线和供应链提供有效的实时监测和数据采集。
分布式制造的分布式MPC（DMPC）的概念需要被特别提及，因为DMPC中各个控制器需要面对众多挑战，比如数据传输问题、众多过程变量的控制以及大型分布式设备及其众多子系统的计算复杂性。DMPC利用一系列独特的控制器在不同的处理器中执行控制计算和操作，与此同时各个控制器之间相互通信以实现闭环过程目标。
在日益变化和竞争激烈的生产环境中，随着大规模定制的不断发展，更有效地分配可用资源变得更为重要。分布式制造系统在智能AI算法的驱动下，系统地将众多分布式实体组合成自主、主动的机器或设备组合。它的系统架构是可扩展和模块化的，并不断地相互协作和交互，有助于上述原因下的资源分配。这样的系统提供了许多好处，比如灵活的架构、满足按需生产的能力，以及对消费者市场的响应能力等。考虑到此类系统的不断发展和扩大规模的内在本质，以及数字技术在制造业中的发展和应用，分布式的趋势只会加速。这将有助于制造业的转型，而分布式如本节所述，将被广泛应用于解决生产计划和控制、工作调度、资源分配和市场与客户邻近性等方面的问题。
五、制造业中高效和安全的数据共享
（一）基本特征
1.边缘设备和数据源的可靠访问和安全管理
2.工业数据的可信收集和安全共享
3.基于区块链的供应链管理
基于工业互联网平台，可以实现多方实时信息同步。工业供应链的关键要素，例如，产权设计、服务订单、生产流程和产品信息等都可以存储在区块链上。基于真实数据、产品评价、服务和信用，可以实现供应链管理中的多项增值服务，如共享设计需求、协同生产、供需智能匹配、产品防伪溯源、智能运维等。
（二）近期制造业区块链研究和案例研究
近年来，区块链与信息物理系统的结合引起了研究人员对分布式电网系统、分布式物流运营和医疗系统中分布式数据共享等研究领域的兴趣。虽然区块链在各个领域的应用正在不断发展，但它在制造业中的应用还处于早期阶段。下面提到了最近发表的一些关键文献，为读者提供了有关区块链在智能和分布式制造中作用的背景观点，还有区块链在制造业中的实际应用，其中包括我们正在进行的研究计划。
1.应收账款和库存融资
应收账款和库存融资（ARIF）是一种基于资产控制的商业贷款，用于制造业供应链中的仓储。工业互联网的智能供应链管理可以保证仓库单据不被二次抵押。这将有助于银行实现对货物的监管，从而降低贷款风险，优化行业效率。
图5ARIF仓储物流平台的关键技术
2.工业互联网平台
工业互联网平台连接了消费和生产之间的数据流，帮助制造商灵活组织资源和生产流程。这有助于实现低成本、大规模、灵活的定制和体验式消费，从而提高产品价值，提高用户留存率。这种由用户驱动的现代制造业“逆向生产模式”被称为客户到制造商（C2M）模式。该模式可以根据消费者的个性化需求实现定制化产品的批量生产。该过程如图6所示。
图6C2M业务流程。O2O：线上到线下。
C2M模式利用了多种互联网技术创新设计和生产流程。它融合了来自客户、电子商务平台、设计师和制造商的数据，进而丰富了数据库。同时，借助海量数据和机器学习技术，该模式能够预测市场趋势，打造智能生产线以实现柔性制造。最后，该模式借助电子商务平台实现了基于定制需求的量产，有效控制了生产成本。综上所述，通过整个供应链和生产网络，区块链允许消费者通过透明和实时的数据、信息交换及客户与制造商之间的通信，无缝跟踪从原材料到最终产品的所有细节。
六、挑战和未来展望
虽然在文献中的观点普遍认为，CPPS是未来制造业的重要支柱之一，但其概念、框架和成功案例仍处于萌芽阶段，为了成功广泛地实施，仍需要解决和克服一些挑战。表2总结了其中的一些针对本文主题的挑战，因为它们为未来的研究方向奠定了基础。