李浩1王昊琪1程颖2陶飞2郝兵3王新昌3纪杨建4宋文燕5杜文辽1文笑雨1巩晓赟1李客3张映锋6罗国富1李奇峰7
1.郑州轻工业大学河南省机械装备智能制造重点实验室，郑州，4500022.北京航空航天大学自动化科学与电气工程学院，北京，1001913.中信重工机械股份有限公司，洛阳，4710034.浙江大学机械工程学院，杭州，3100275.北京航空航天大学经济管理学院，北京，1001916.西北工业大学机电学院，西安，7100727.机械工业第六设计研究院有限公司，郑州，450007
摘要：随着传感器、数据采集装置和其他具备感知能力的模块在复杂产品服务运行阶段的应用，复杂产品运维系统的数字化和智能化程度越来越高，具有实时、多源、异构、海量等特性的数据成为提高复杂产品系统可靠和低成本运行的决策依据，数字孪生技术提供了一种有效途径。介绍了数据驱动的复杂产品智能服务研究进展；分析了数据驱动的智能服务基本特征与框架模型；提出了数据驱动的复杂产品智能服务方法，主要包括面向服务的复杂产品建模与仿真方法、数据驱动的服务需求获取与精准分析预测方法、基于数字孪生的设备故障识别与动态性能预测方法、数据驱动的装备视情维修与备件库存联合多目标决策优化方法、基于数字孪生的复杂产品辅助维修技术、多要素协同的复杂装备能效精准分析预测方法、基于数据挖掘的复杂产品运行优化控制方法等；给出了智能服务系统的应用案例。所提出的框架和方法可为现代制造服务的智能化转型升级提供参考。
关键词：数据驱动；数字孪生；智能服务；智能制造
在全球化压力、资源压力、高技术压力和客户个性化需求等因素的驱动下，服务在产品生命周期中的作用越来越重要，越来越多的制造商采用增值服务来应对激烈的市场竞争。一些服务企业开始向工业界渗透，为产品设计、制造、流通和使用等过程提供个性化服务，提升产品制造和产品服务过程的专业化程度[1-3]。近年来，随着传感器、数据采集装置和其他具备感知能力的模块在复杂产品服务运行阶段的应用，复杂产品运维系统的数字化和智能化程度越来越高。大数据、云计算、物联网、移动互联网、增强现实(augmentedreality，AR)/虚拟现实(virtualreality，VR)等新一代信息技术也在复杂产品运维阶段快速应用，具有实时、多源、异构、海量等特性的数据成为提高复杂产品系统可靠和低成本运行的决策依据，数据驱动的智能服务已成为现代制造服务的发展方向[4]。但是，由于复杂产品服务运行和维修过程复杂，如何将新一代信息技术有效融入现代制造服务中仍值得深入研究[5-6]。
国内外学者提出了一系列智能服务发展模式、策略和方法，加快了智能服务的实施进程。但是，上述研究大多聚焦于顶层理想框架与上层系统模型构建的层面，较少涉及实际服务数据的实时感知和服务封装，导致顶层理想框架与实际的服务情况不一致，精准服务提供能力不足[7],因此，亟待新的方法支持智能服务过程的主动发现、虚实共生和动态调度，以推动新型智能服务模式的全面应用。具有实时、多源、异构、海量等特性的数据的有效使用为解决上述问题提供了有效途径。数据驱动的智能服务是不同于传统制造服务的一种新型服务方式，特别是在响应方式、服务调度、故障诊断与维修模式、过程管理、分析决策机制和系统运行控制方式等方面。数据驱动的智能服务强调通过更加精准的过程状态跟踪和数据获取技术得到更加丰富的信息，并通过服务过程的虚实共生，使得服务管理与优化呈现出新的转变，最终提升复杂产品的设计、制造、运行和维护等阶段的服务能力。
数字孪生(digitaltwin，DT)作为智能制造的重要应用模式，是一种数据驱动的智能服务的新模式与技术手段。DT这一概念在2003年被首次提出，并连续在2016～2018年被世界最权威的信息技术咨询公司Gartner列为当今顶尖战略科技发展方向。至今，被工业界广泛认可的DT定义是由Glaessegen和Stargel在2012年给出的：“一个集成了多物理性、多尺度性、概率性的复杂产品仿真模型，能够实时反映真实产品的状态”[8]。从该定义中可以延伸出，DT的目的是通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力。作为一种充分利用模型、数据、智能并集成多学科的技术，DT面向产品全生命周期过程，发挥连接物理世界和信息世界的桥梁和纽带作用，能够提供更加实时、高效、智能的服务[9]。
一方面，制造服务能够通过数字驱动技术实现虚拟和物理制造世界之间的虚实共生，为产品运行过程提供更加精准的服务[10]。另一方面，DT本身就将服务作为其重要组成部分，例如面向终端现场操作人员的操作指导服务、面向专业技术人员的专业化技术服务和面向管理决策人员的智能决策服务等[11]。本文深入研究数据驱动的智能服务技术的特征和内涵，提出数据驱动的复杂产品智能服务理论与方法，并给出高端矿物粉磨装备智能服务系统的应用案例。
新一轮制造业变革极大地推动了制造业从自动化向服务化和智能化方向的发展，特别是物联网、产品嵌入式信息装置和智能传感器等智能设备在制造业的广泛使用，使企业积累了大量数据，这些数据的有效使用为解决精准服务提供能力不足的问题提供了有效途径，推动了数据驱动的智能服务的发展。数据驱动的智能服务是区别于传统制造服务的一种新型服务业态，能够通过更加精准的过程状态跟踪和数据获取技术得到更加丰富的信息，用来提升复杂产品的设计、制造、运行和维护等阶段的服务能力。国内外已有企业将大数据技术用于智能服务当中，例如西门子公司通过分析每天来自全球10万个发电机组的运行状态数据，预测用户的操作行为[26]；波音公司通过收集并分析飞机飞行过程中的实时海量数据，预先为地面工作人员提供运维服务通知[27]；日本小松机械基于大数据来分析和评价工程机械的健康状态，为用户提供远程故障诊断服务[28]；ZHOU等[29]建立了动态云制造调度问题的数学模型，并提出了一种基于动态数据驱动仿真的调度方法；KAMPKER等[30]研究了数据驱动的服务解决方案创新过程，并制定了6项创新原则。
由此可见，数据驱动的智能服务能够覆盖复杂产品的全生命周期，包括设计仿真数据、生产过程中的加工数据和物料清单、运行和维护过程中的设备运行状态数据、售后服务数据等。这些数据具有多源、实时、异构和海量等特点，如何将这些数据更好地呈现给客户来支持智能服务是目前研究的重点和难点。
综上，在新一轮制造业变革背景下，具有实时、多源、异构、海量等特性的数据成为驱动当前制造服务智能化的动力，而制造服务和DT的结合将从根本上改变复杂产品设计、制造、运维等流程。面向产品服务，DT技术将通过虚拟和物理制造世界之间的双向连接，生成更合理的制造计划和精确的生产控制，以实现智能制造。
2.1.1传统制造服务与数据驱动的智能服务的区别
数据驱动的智能服务是不同于传统制造服务的一种新型服务业态，其目标是通过更加精准的过程状态跟踪和数据获取技术得到更加丰富的信息，并在数据驱动的智能服务理论和方法下指导复杂产品的生产和运维，最终提升复杂产品的设计、制造、运行和维护等阶段的服务能力。数据驱动的智能服务通过服务过程的虚实共生，使得服务管理与优化呈现出新的转变。我们通过探索工业大数据给产品服务带来的巨大变化，结合虚实共生的优势特征，形成了数据驱动的智能服务基本特征，见表1。
表1传统制造服务与数据驱动的智能服务的区别
Tab.1Thedifferenceoftraditionalmanufacturingservicesanddata-drivenintelligentservices
服务模式响应方式服务调度故障诊断与维修模式过程管理分析决策机制系统运行控制方式传统制造服务(产品服务)客户请求被动等待服务与资源事后维修独立服务管理工程师主观经验判断为主人工调控数据驱动的智能服务服务商主动识别与个性化推荐主动动态调度故障预测和事前保养维护为主实现与产品设计、制造阶段的数据集成共享,形成工业服务平台基于服务大数据和制造商多学科工程师联合决策系统自主调控为主
2.1.2数据驱动的智能服务的主要特征
根据上述分析，与传统制造服务相比，数据驱动的智能服务的主要特征体现在响应方式、服务调度、故障诊断与维修模式、过程管理、分析决策机制和系统运行控制方式等方面。
(1)响应方式。响应方式由原先的客户主动响应向服务商主动服务转变(客户服务原先是客户主动的请求)，基于大数据分析和当前客户的产品或服务在线运行情况，主动智能判断可能的需求。服务响应由服务商主动识别并个性化推荐给当前在用客户和潜在客户群体。
(2)服务调度。由原先的客户被动等待向服务商基于实时数据主动敏捷调度转变。服务调度不同于一般的车间调度，它具有时效性、紧急性等特征。基于数字模型的零部件寿命预测与故障预测方法，提前预警与个性化定制故障发生后的资源配置，实现主动敏捷调度。
(4)过程管理。由传统的多个孤立服务管理向实时化、透明化、全集成化的服务生命周期管理转变。当前，大多数制造企业的服务过程管理，如服务需求管理、维护、维修和运行(maintenance,repair&operations，MRO)管理、人员派工管理、远程监视系统没有实现内部的集成，更没有实现与企业资源计划(enterpriseresourceplanning，ERP)、客户关系管理(customerrelationshipmanagement，CRM)、产品数据管理(productdatamanagement，PDM)等系统的集成。
(5)分析决策机制。将机理模型与DT模型相结合，用智能分析工具和手段建立虚拟与实体相互映射的分析模型。将专家知识、分析算法、预测算法和自动化技术相结合，实现代替人脑的分析系统。通过先进的可视化工具和远程操作工具，将人与设备进行连接，实现人在回路的控制决策支持，在运维、排程、诊断、安全保障等方面提供决策支持。
(6)系统运行控制方式。利用视觉检测、传感器和4G/5G通信技术将分布在世界各地的设备、设施等互联互通，形成工业大数据平台。分析产品质量、产量、能耗、安全环保等多要素之间的耦合关系，建立基于数据挖掘的复杂产品多要素协同的能效关系模型；研究基于深度学习的复杂装备多层级协同运行控制模型及方法，实现系统的全流程智能精准控制。
2.1.3DT在数据驱动的智能服务中的作用
DT也给产品服务带来了新的服务提供方式与价值增值模式，它是一种数据驱动的智能服务的新模式与技术手段，强调通过虚实结合、数据融合、三维呈现和人机交互等方式提供更加实时、逼真和形象化的服务。其中，在虚拟呈现、虚实迭代优化、故障识别与性能预测和辅助维修服务等的应用方面，DT技术优势较为突出。
(1)虚拟呈现。DT和数据驱动技术的区别之一是其对数据的三维虚拟呈现。对于复杂产品，设计阶段可以建立基于DT的三维体验平台，通过用户反馈不断改进产品设计模型，进而优化对应的物理实体；另外，对于复杂产品的生产系统，通过虚拟生产系统的逼真三维可视化效果可增加用户的沉浸感与交互感。
(2)虚实迭代优化。完整的DT包括物理对象、数字模型及其之间的连接，这种连接是物理空间和数字空间的双向精准映射，物理对象的状态实时传递给数字模型，通过已有的数据驱动算法对数据进行分析，分析结果及时反馈回物理空间为物理对象提供所需的服务，形成虚实迭代优化。
(3)故障识别与性能预测。DT的核心是基于高精度物理模型、历史数据、传感器数据的数字实体模型，能够反映系统的物理特性和环境的多变特性，预测潜在的安全隐患，并通过物理实体与数字实体模型的交互数据对比及时发现性能缺陷。
根据数据驱动的产品服务基本特性和基本要素分析，本文建立了数据驱动的智能服务基本框架，如图1所示，该框架由产品层、数据感知层、工业网络层、数据处理层、理论方法层、智能服务层、数据存储与管理层组成。
图1数据驱动的智能服务基本框架
Fig.1Basicframeworkofdata-drivenintelligentservices
复杂产品服务运行包含服务人员与服务工作流模型、备品备件状态模型、产品的虚拟样机模型和产品故障模型，以及基于实时监测结果的智能分析、机器学习与性能预测，维修服务BOM(billofmaterial)状态模型等。服务阶段的数据模型不仅包括二维数据和模型，而且包括三维模型与仿真过程，是服役产品生命周期的完整信息。只有建立服务阶段的数据模型，才能有效支撑复杂产品的快速服务和预测性维护，实现服务阶段的产品数据管理。面向服务的复杂产品建模与仿真如图2所示。
图2面向服务的复杂产品建模与仿真
Fig.2Serviceorientedmodelingandsimulationofcomplexproduct
面向服务的复杂产品建模与仿真涉及以下三类主要的建模仿真内容：
(1)基于DT的复杂产品服务过程建模仿真。基于DT的复杂产品服务过程建模仿真是在DT系统的支撑下，通过服务过程中的人、产品、配套资源等要素之间的虚实同步，实现资源的优化配置与有机融合，从而实现服务的低成本高效率的提供；服务过程建模仿真主要包括服务请求、服务计划、服务调度、服务执行和完工确认等多个阶段的人员、资源和过程建模，并建立这些要素之间的关联关系。
(2)复杂产品运行过程仿真知识库的构建。为了保证虚拟系统能真实映射物理复杂装备，从复杂产品单个设备角度出发，将设备简化为机械、电气、液压三个子系统，建立可以真实刻画复杂产品的多层结构树，从而有效描述从子系统到零部件级别的设备系统构成；基于构建的设备结构树关系，设计机/电/液多领域的基础模型数学方程化描述方法，形成面向机/电/液多领域复杂产品全要素的基础模型库。
(3)复杂产品运行过程与性能集成仿真。复杂产品运行过程涉及人、环境、物料、核心装备和辅助装备，是一个机械、电气、液压、控制等多领域耦合的复杂系统模型。实现复杂产品系统级动态模型组装，对装备的运行及维修全过程进行分析与模拟，揭示产品静动态特性及其运行过程中的物理状态演化规律,模拟复杂产品整机性能，实现数据驱动的复杂产品复杂系统性能的动态仿真与评估，为复杂产品运维的性能分析提供程序化、可视化的仿真分析平台。
图3数据驱动的服务需求获取与精准分析预测
Fig.3Data-drivenservicedemandacquisitionandaccurateanalysisandprediction
图4基于DT的设备评估与运维预测
Fig.4EquipmentevaluationandoperationandmaintenancepredictionbasedonDT
视情维修以传感器检测到的实时状态数据为依据，在装备运行的劣化状态或剩余寿命建模的基础上，当装备运行状态信息满足特定条件时，为其安排相应的维修工作。DT技术能够有效支撑视情维修的应用，在实时状态数据已知的情况下，通过逼真的孪生模型能够更准确地定位故障点，并在三维环境下提前对不同维修方案的可行性进行评估。但是，在装备运维过程中，备件和维修相互影响和制约，是维修决策研究中重要的研究要素之一，将维修与备件库存策略进行联合优化，能确保维修时刻的备件可得率。因此，需要研究数据驱动的装备视情维修与备件库存联合多目标决策优化方法，如图5所示。
图5数据驱动的装备视情维修与备件库存联合多目标决策优化
Fig.5Data-drivenequipmentmulti-objectivedecision-makingoptimizationforcondition-basedmaintenanceandsparepartsinventory
图6基于DT的复杂产品辅助维修
Fig.6ComplexproductassistedmaintenancebasedonDT
在复杂装备运维阶段，为保证设备在安全、低能耗、品质合格的状态下的产量最大化，需要研究产品质量、产量、能耗、安全环保等多要素与复杂装备/系统能效的关联关系，建立关联关系的精准分析模型。图7以大型矿物粉磨装备为例，给出了多要素协同的复杂装备/系统能效精准分析预测模型。
能效是复杂装备在运行阶段的一个关键指标，主要是能耗和设备运行效率。研究并构建复杂装备能效模型，例如，大型矿物粉磨装备输入矿石粒度分布和矿石硬度对设备运行效率和能耗(电耗)有直接的影响。为实现多要素协同的复杂装备能效精准分析预测，首先需分析产品质量、产量、能耗、安全环保等多要素对系统能效的关联关系与影响。通过工业互联网大数据平台，在线实时获取能耗影响因素状态数据，分析单要素与装备/系统能效的关联关系，基于神经网络法确定关键能耗指标，建立复杂装备单因素能效关系模型；在此基础上，分析产品质量、产量、能耗、安全环保等多要素之间的耦合关系，建立基于数据挖掘的复杂装备多要素协同的能效关系模型。
图7多要素协同的矿物粉磨装备/系统能效精准分析预测模型
Fig.7Multi-elementsynergisticaccurateanalysisandpredictionmodelforenergyefficiencyofmineralgrindingequipment/system
基于构建的复杂装备多要素协同的能效关系模型，对系统的产品质量、产量、能耗、安全环保等多要素历史运行数据进行分析挖掘，以最小二乘支持向量机作为预测算法，运用粒子群优化算法优化模型参数，建立基于历史数据的多要素参数预测模型，实现基于产品质量、产量、能耗、安全环保等多要素协同的复杂装备能效精准分析。
(1)单机控制机理与方法。复杂装备运行阶段的协同运行优化控制一般不是调控单一设备，而是对完整生产线进行系统协同调控，以达到系统节能与平稳运行的目的。为实现系统协同运行优化控制，首先需要厘清单机装备控制机理。以大型矿物粉磨装备为例，针对破碎机、半自磨机、球磨机、大型提升机等关键矿物粉磨单机装备各自运行特点，研究进矿量、回转速度、出矿量、用水量、物料粒度等矿物粉磨单机运行参数之间的耦合关系，构建综合考虑质量、产量、能耗、安全环保的矿物粉磨单机运行状态优化模型，实现矿物粉磨单机装备多目标精准控制。
(2)多装备多层次系统协同运行优化控制方法。通过历史运行数据深度学习，研究整条生产线中多装备间运行参数匹配机制，分析装备能效波动在整个生产工艺过程中的传递规律，采用多因素敏感性因素分析方法来分析关键运行参数；开发全过程的数据实时获取与分析方法，设定优化目标，采用深度学习等数学方法进行装备多层级协同运行控制模型的构建，实现生产线全流程智能精准控制。矿物粉磨装备的系统协同运行优化控制过程如图8所示。
图8多目标、多装备、多层次矿物粉磨装备协同运行优化控制
Fig.8Multi-objective,multi-equipment,multi-levelmineralgrindingequipmentcoordinatedoperationoptimizationcontrol
大型矿物粉磨装备是一种集破碎、粉磨、烘干、气流输送和选粉等多项功能为一体的复杂装备，在产业链中占据核心环节，广泛应用于水泥、电力、冶金、化工、非金属矿等行业。粉磨系统技术含量高，包含堆场、物料输送、粉磨、收尘、热风系统、气流循环、中控DCS系统直到成品库和装运系统等，每台/套高达亿元，核心装备重达千吨，由8万多零部件构成，具有机、电、液、热工、气动等复杂多源信息，监控点达500余个，使用寿命超过20年。大型矿物粉磨系统存在核心装备结构复杂、研磨机理不明、智能控制困难和智能服务缺失等难题，针对以上难题，国内某大型矿山机械装备制造企业开展了大型矿物粉磨装备智能服务系统关键技术研究与应用。
大型矿物粉磨装备智能服务构建了合理的客户服务部组织架构与服务过程管理系统，还具有数据获取与传输、实施监控、故障诊断与趋势预测、闭环控制和节能调控等功能(图9)，实现了基于历史和实时数据驱动的智能维护、故障诊断与节能调控。
在数据驱动的大型立磨(一种典型的大型矿物粉磨装备)自适应调控方面，针对完全依靠现场操作员的经验判断来进行立磨调控的弊端，本研究团队开发了立磨自适应调控系统，如图11所示。立磨自适应调控系统包括立磨异常工况判断模块、立磨异常工况调控目标模块、立磨异常工况调控策略模块和WinCC操作模块等。采集WinCC中的喂料量、辊压力、选粉机转速、磨机入口压力和温度等60个参数数据，对立磨运行工艺参数进行控制，保证立磨的稳定运行；当运行状态偏离正常范围时，系统能够快速做出智能反应，推荐合理的工艺参数调整方案。通过在线获取矿渣粉磨系统的运行状态数据，对当前运行状态进行智能分析，实现对矿渣粉磨工艺参数的实时调控，从而减少人工干预，提升了矿物粉磨系统的运行调控与节能水平。
图9大型矿物粉磨装备智能服务系统核心功能
Fig.9Corefunctionsofintelligentservicesystemforlarge-scalemineralgrindingequipment
图10数据驱动的故障诊断方法与系统
Fig.10Data-drivenfaultdiagnosismethodandsystem
实时、多源、异构、海量等特性的大数据已成为提高复杂产品系统可靠和低成本运行的重要决策依据，然而，如何将新一代信息技术与大数据分析方法有效融合在复杂产品服务运行与故障处理中仍处于探索阶段。本文提出了一系列数据驱动的复杂产品智能服务方法，在面向服务的复杂产品建模与仿真、服务需求获取与精准分析预测、设备故障识别与动态性能预测、装备视情维修与备件库存联合多目标决策优化、复杂产品辅助维修、多要素协同的复杂装备能效精准分析预测、复杂产品运行优化控制等方面进行了初步探索，部分方法已经过应用及实践，所提出的框架和方法可为现代制造服务的智能化转型升级提供参考。
后续工作中，将选择典型产品来应用和验证数据驱动的复杂产品智能服务方法，将数字孪生技术深度应用于复杂产品故障诊断与性能预测、人机交互等过程中；另外，如何基于服务大数据来优化产品结构、提高复杂产品质量与可靠性也是值得研究的方向。
图11数据驱动的大型立磨自适应调控
Fig.11Data-drivenadaptiveadjustmentoflargeverticalmills
参考文献：
[1]李浩,纪杨建,暴志刚,等.企业现代制造服务系统实施框架与方法学[J].计算机集成制造系统,2013,19(5):1134-1146.
LIHao,JIYangjian,BAOZhigang,etal.ImplementationFrameworkandMethodologyforEnterpriseModernManufacturingServicesSystem[J].ComputerIntegratedManufacturingSystems,2013,19(5):1134-1146.
[2]李浩,陶飞,文笑雨,等.面向大规模个性化的产品服务系统模块化设计[J].中国机械工程,2018,29(18):2204-2214.
LIHao,TAOFei,WENXiaoyu,etal.ModularDesignofProduct-serviceSystemsOrientedtoMassPersonalization[J].ChinaMechanicalEngineering,2018,29(18):2204-2214.
[3]李浩,焦起超,文笑雨,等.面向客户需求的企业产品服务系统实施方案规划方法学[J].计算机集成制造系统,2017,23(8):1750-1764.
LIHao,JIAOQichao,WENXiaoyu,etal.ImplementationSolutionPlanningMethodologyofEnterpriseProduct-serviceSystemOrientedtoCustomerDemand[J].ComputerIntegratedManufacturingSystems,2017,23(8):1750-1764.
[4]KANGHS,LEEJY,CHOISS,etal.SmartManufacturing:PastResearch,PresentFindings,andFutureDirections[J].InternationalJournalofPrecisionEngineeringandManufacturing—GreenTechnology,2016,3(1):111-128.
[5]TAOF,SUIF,LIUA,etal.DigitalTwin-drivenProductDesignFramework[J].InternationalJournalofProductionResearch,2019,57(12):3935-3953.
[6]LIHao,MIShanghua,LIQifeng,etal.ASchedulingOptimizationMethodforMaintenance,RepairandOperationsServiceResourcesofComplexProducts[J].JournalofIntelligentManufacturing,2018:1-19.
[7]李浩,陶飞,王昊琪,等.基于数字孪生的复杂产品设计制造一体化开发框架与关键技术[J].计算机集成制造系统,2019,25(6):1320-1336.
LIHao,TAOFei,WANGHaoqi,etal.IntegrationFrameworkandKeyTechnologiesofComplexProductDesign-manufacturingBasedonDigitalTwin[J].ComputerIntegratedManufacturingSystems,2019,25(6):1320-1336.
[8]GLAESSGENE,STARGELD.TheDigitalTwinParadigmforFutureNASAandUSAirForceVehicles[C]∥The53rdStructures,StructuralDynamicsandMaterialsConference：SpecialSessionontheDigitalTwin.Honolulu,2012:1-14.
[9]陶飞,张萌,程江峰,等.数字孪生车间：一种未来车间运行新模式[J].计算机集成制造系统,2017,23(1):1-9.
TAOFei,ZHANGMeng,CHENGJiangfeng,etal.DigitalTwinWorkshop:aNewParadigmforFutureWorkshop[J].ComputerIntegratedManufacturingSystems,2017,23(1):1-9.
[10]SCHüTZERK,deANDRADEBJ,SALLATIC,etal.ContributiontotheDevelopmentofaDigitalTwinBasedonProductLifecycletoSupporttheManufacturingProcess[J].ProcediaCIRP,2019,84:82-87.
[11]陶飞,刘蔚然,张萌,等.数字孪生五维模型及十大领域应用[J].计算机集成制造系统,2019,25(1):1-18.
TAOFei,LIUWeiran,ZHANGMeng,etal.Five-dimensionDigitalTwinModelandItsTenApplications[J].ComputerIntegratedManufacturingSystems,2019,25(1):1-18.
[12]GIRETA,GARCIAE,BOTTIV.AnEngineeringFrameworkforService-orientedIntelligentManufacturingSystems[J].ComputersinIndustry,2016,81:116-127.
[13]SIMEONEA,CAGGIANOA,BOUNL,etal.IntelligentCloudManufacturingPlatformforEfficientResourceSharinginSmartManufacturingNetworks[J].ProcediaCIRP,2019,79:233-238.
[14]BEVERUNGEND,MüLLERO,MATZNERM,etal.ConceptualizingSmartServiceSystems[J].ElectronicMarkets,2019,29(1):7-18.
[15]WIESNERS,THOBENKD.RequirementsforModels,MethodsandToolsSupportingServitisationofProductsinManufacturingServiceEcosystems[J].InternationalJournalofComputerIntegratedManufacturing,2017,30(1):191-201.
[16]QUINTANILLAFG,CARDINO,L’AntonA,etal.AModelingFrameworkforManufacturingServicesinService-orientedHolonicManufacturingSystems[J].EngineeringApplicationsofArtificialIntelligence,2016,55:26-36.
[17]VARGASJ,CALVOR.JointOptimizationofProcessFlowandSchedulinginService-orientedManufacturingSystems[J].Materials,2018,11(9):1-19.
[18]李伯虎,柴旭东,侯宝存,等.云制造系统3.0：一种“智能+”时代的新智能制造系统[J].计算机集成制造系统,2019,25(12):2997-3012.
LIBohu,CHAIXudong,HOUBaocun,etal.CloudManufacturingSystem3.0—NewIntelligentManufacturingSysteminEraof“Intelligence+”[J].ComputerIntegratedManufacturingSystems,2019,25(12):2997-3012.
[19]周济,李培根,周艳红,等.走向新一代智能制造[J].Engineering,2018,4(1):28-47.
ZHOUJi,LIPeigen,ZHOUYanhong,etal.TowardNew-generationIntelligentManufacturing[J].Engineering,2018,4(1):28-47.
[20]任杉,张映锋,黄彬彬.生命周期大数据驱动的复杂产品智能制造服务新模式研究[J].机械工程学报,2018,54(22):194-203.
RENShan,ZHANGYingfeng,HUANGShanshan.NewPatternofLifecycleBig-data-drivenSmartManufacturingServiceforComplexProduct[J].JournalofMechanicalEngineering,2018,54(22):194-203.
[21]杨文芳,何宁.基于增强现实技术的武器装备维修辅助系统设计与实现[J].信息系统工程,2015(5):80-82.
YANGWenfang,HENing.DesignandRealizationofWeaponEquipmentMaintenanceAssistantSystemBasedonAugmentedRealityTechnology[J].ChinaCIONews,2015(5):80-82.
[22]黄昂,沈毅,喻树洪.数字孪生在高端工业制造的智能辅助应用[J].计算机产品与流通,2019(11):117-118.
HUANGAng,SHENYi,YUShuhong.DigitalTwins’IntelligentAssistedApplicationinHigh-endIndustrialManufacturing[J].ComputerProductsandDistribution,2019(11):117-118.
[23]陶飞,戚庆林.面向服务的智能制造[J].机械工程学报,2018,54(16):11-23.
TAOFei,QIQinglin.Service-orientedSmartManufacturing[J].JournalofMechanicalEngineering,2018,54(16):11-23.
[24]张卫,丁金福,纪杨建,等.工业大数据环境下的智能服务模块化设计[J].中国机械工程,2019,30(2):167-173.
ZHANGWei,DINGJinfu,JIYangjian,etal.ModularDesignofIntelligentServiceBasedonIndustrialBigData[J].ChinaMechanicalEngineering,2019,30(2):167-173.
[25]LIH,JIY,CHENL,etal.Bi-levelCoordinatedConfigurationOptimizationforProduct-serviceSystemModularDesign[J].IEEETransactionsonSystems,Man,andCybernetics:Systems,2015,47(3):537-554.
[26]ZHONGRY,NEWMANST,HUANGGQ,etal.BigDataforSupplyChainManagementintheServiceandManufacturingSectors:Challenges,Opportunities,andFuturePerspectives[J].Computers&IndustrialEngineering,2016,101:572-591.
[27]AYHANS,PESCEJ,COMITZP,etal.PredictiveAnalyticswithAviationBigData[C]∥2013IntegratedCommunications,NavigationandSurveillanceConference(ICNS).Herndon,2013:1-13.
[28]LEEJ,KAOHA,YANGS.ServiceInnovationandSmartAnalyticsforIndustry4.0andBigDataEnvironment[J].ProcediaCIRP,2014,16:3-8.
[29]ZHOUL,ZHANGL,RENL,etal.Real-timeSchedulingofCloudManufacturingServicesBasedonDynamicData-drivenSimulation[J].IEEETransactionsonIndustrialInformatics,2019,15(9):5042-5051.
[30]KAMPKERA,HUSMANNM,HARLANDT,etal.SixPrinciplesforSuccessfulData-drivenServiceInnovationinIndustrialCompanies[C]∥2018IEEEInternationalConferenceonEngineering,TechnologyandInnovation.Stuttgart,2018:1-10.
[31]孙家广.工业大数据[J].软件和集成电路,2016(8):22-23.
SUNJiaguang.IndustrialBigData[J].SoftwareandIntegratedCircuit,2016(8):22-23.
[32]张洁，高亮，秦威，等.大数据驱动的智能车间运行分析与决策方法体系[J].计算机集成制造系统，2016,22(5)：1220-1228.
ZHANGJie,GAOLiang,QINWei,etal.Big-data-drivenOperationalAnalysisandDecision-makingMethodologyinIntelligentWorkshop[J].ComputerIntegratedManufacturingSystems,2016,22(5)：1220-1228.
[33]雷亚国,贾峰,周昕,等.基于深度学习理论的机械装备大数据健康监测方法[J].机械工程学报,2015,51(21):49-56.
LEIYaguo,JIAFeng,ZHOUXin,etal.ADeepLearning-basedMethodforMachineryHealthMonitoringwithBigData[J].JournalofMechanicalEngineering,2015,51(21):49-56.
[34]朱怡心,乔立红.装配过程快速仿真建模服务平台[J].航空制造技术,2012(12):38-43.
ZHUYixin,QIAOLihong.ServicePlatformofRapidSimulationModelingforAssemblyProcess[J].AeronauticalManufacturingTechnology,2012(12):38-43.
[35]代田皓.数据驱动的产品质量管控技术研究[D].成都：西南交通大学,2019.
DAITianhao.ResearchonData-drivenProductQualityControlTechnology[D].Chengdu：SouthwestJiaotongUniversity,2019.
[36]GRIEVESM.VirtuallyPerfect:DrivingInnovativeandLeanProductsthroughProductLifecycleManagement[M].CocoaBeach:SpaceCoastPress,2011:2-10.
[37]NEGRIE,FUMAGALLIL,MACCHIM.AReviewoftheRolesofDigitalTwininCPS-basedProductionSystems[J].ProcediaManufacturing,2017,11:939-948.
[38]MUKHERJEET,DEBROYT.ADigitalTwinforRapidQualificationof3DPrintedMetallicComponents[J].AppliedMaterialsToday,2019,14:59-65.
[39]KRITZINGERW,KARNERM,TRAARG,etal.DigitalTwininManufacturing:aCategoricalLiteratureReviewandClassification[J].IFAC—PapersOnline,2018,51(11):1016-1022.
[40]S?DERBERGR,WRMEFJORDK,CarlsonJS,etal.TowardaDigitalTwinforReal-timeGeometryAssuranceinIndividualizedProduction[J].CIRPAnnals,2017,66(1):137-140.
[41]NIKOLAKISN,ALEXOPOULOSK,XANTHAKISE,etal.TheDigitalTwinImplementationforLinkingtheVirtualRepresentationofHuman-basedProductionTaskstoTheirPhysicalCounterpartintheFactory-floor[J].InternationalJournalofComputerIntegratedManufacturing,2019,32(1):1-12.
[42]TAOFei,QIQinglin.MakemoreDigitalTwins[J].Nature,2019,573:490-491.
[43]陶飞,马昕,胡天亮,等.数字孪生标准体系[J].计算机集成制造系统,2019,25(10):2405-2418.
TAOFei,MAXin,HUTianliang,etal.ResearchonDigitalTwinStandardSystem[J].ComputerIntegratedManufacturingSystems,2019,25(10):2405-2418.
[44]陶飞,戚庆林,王力翚,等.数字孪生与信息物理系统：比较与联系[J].Engineering,2019,5(4):132-149.
TAOFei,QIQinglin,WANGLihui,etal.DigitalTwinsandCyber-physicalSystemstowardSmartManufacturingandIndustry4.0:CorrelationandComparison[J].Engineering,2019,5(4):132-149.
[45]庄存波,刘检华,熊辉,等.产品数字孪生体的内涵、体系结构及其发展趋势[J].计算机集成制造系统,2017,23(4):753-768.
ZHUANGCunbo,LIUJianhua,XIONGHui,etal.Connotation,ArchitectureandTrendsofProductDigitalTwin[J].ComputerIntegratedManufacturingSystems,2017,23(4):753-768.
[46]赵浩然,刘检华,熊辉,等.面向数字孪生车间的三维可视化实时监控方法[J].计算机集成制造系统,2019,25(6):1432-1443.
ZHAOHaoran,LIUJianhua,XIONGHui,etal.3DVisualizationReal-timeMonitoringMethodforDigitalTwinWorkshop[J].ComputerIntegratedManufacturingSystems,2019,25(6):1432-1443.
[47]LIUQ,ZHANGH,LENGJ,etal.DigitalTwin-drivenRapidIndividualisedDesigningofAutomatedFlow-shopManufacturingSystem[J].InternationalJournalofProductionResearch,2019,57(12):3903-3919.
[48]ZHANGH,LIUQ,CHENX,etal.ADigitalTwin-basedApproachforDesigningandMulti-objectiveOptimizationofHollowGlassProductionLine[J].IEEEAccess,2017,5:26901-26911.
[49]LUOW,HUT,ZHANGC,etal.DigitalTwinforCNCMachineTool:ModelingandUsingStrategy[J].JournalofAmbientIntelligenceandHumanizedComputing,2019,10(3):1129-1140.
[50]李琳利,李浩,顾复,等.基于数字孪生的复杂机械产品多学科协同设计建模技术[J].计算机集成制造系统,2019,25(6):1307-1319.
LILinli,LIHao,GUFu,etal.MultidisciplinaryCollaborativeDesignModelingTechnologiesforComplexMechanicalProductsBasedonDigitalTwin[J].ComputerIntegratedManufacturingSystems,2019,25(6):1307-1319.
[51]刘庭煜,钟杰,刘洋,等.面向车间人员宏观行为数字孪生模型快速构建的小目标智能检测方法[J].计算机集成制造系统,2019,25(6):1463-1473.
LIUTingyu,ZHONGJie,LIUYang,etal.IntelligentSmallObjectDetectionApproachforFastModelingofDigitalTwinofGlobalHumanWorkingActivities[J].ComputerIntegratedManufacturingSystems,2019,25(6):1463-1473.
[52]薛博文.基于增强现实的盾构维修支持系统研究与实现[D].西安:西安电子科技大学,2018.
XUEBowen.ResearchandImplementationofMaintenanceSupportSystemforTBMBasedonAugmentedReality[D].Xi’an:XidianUniversity,2018.
LIHao1WANGHaoqi1CHENGYing2TAOFei2HAOBing3WANGXinchang3JIYangjian4SONGWenyan5DUWenliao1WENXiaoyu1GONGXiaoyun1LIKe3ZHANGYingfeng6LUOGuofu1LIQifeng7
1.HenanKeyLaboratoryofIntelligentManufacturingofMechanicalEquipment,ZhengzhouUniversityofLightIndustry,Zhengzhou,4500022.SchoolofAutomationScienceandElectricalEngineering,BeihangUniversity,Beijing,1001913.CITICHeavyIndustriesCo.,Ltd.,Luoyang,Henan,4710034.SchoolofMechanicalEngineering,ZhejiangUniversity,Hangzhou,3100275.SchoolofEconomicsandManagement,BeihangUniversity,Beijing,1001916.SchoolofMechanicalEngineering,NorthwesternPolytechnicalUniversity,Xi’an,7100727.SIPPREngineeringGroupCo.,Ltd.,Zhengzhou,450007
Keywords：data-driven;digitaltwin(DT);intelligentservice;intelligentmanufacturing
中图分类号：TP391.7
DOI：10.3969/j.issn.1004-132X.2020.07.001
开放科学(资源服务)标识码(OSID)：
收稿日期：2020-01-11
基金项目：国家重点研发计划资助项目(2017YFB1400302)；国家自然科学基金资助项目(51775517，51905493)；河南省科技攻关重点项目(202102210262)
(编辑陈勇郭伟)
作者简介：李浩，男，1981年生，教授、博士研究生导师。研究方向为智能制造服务、数字孪生技术、复杂产品设计方法学等。E-mail:lihao@zzuli.edu.cn。王昊琪(通信作者)，男，1989年生，讲师。研究方向为基于模型的系统工程、数字孪生技术等。E-mail:haoqiwang0218@163.com。