智能化工业背后的技术

　    现如今，工业行业也开始了智能化道路，在智能化道路的背后，也是智能化代表的科技的更新。

　　从上世纪中期开始, 网络化工业控制及其自动化经过了20世纪60~70年代的模拟仪表控制系统、80~90年代的集散控制系统、21世纪初的占主导地位的现场总线控制系统, 以及当前正在普及应用中的工业物联网.网络化工控系统总体趋势是从简单的本地仪控, 慢慢演化到远程智能的复杂系统管控.当前的工业物联网的注意力主要放在工业网络的精确性、确定性、自适应性、安全性等以工业用通信为中心的研发和应用上.但是随着智能制造的广度和深度进一步发展, 即将出现“软件定义工业”、“类工业领域”、“广义工业”、“社会制造”、“社会工业”等智能大工业新形态, 而智联网将在该发展过程中起决定性的作用.工业智联网的诞生, 将会以极高的效率整合各种工业和社会资源、极大减小工业过程中的浪费和消耗、极大地解放工业生产力, 并促进智能大工业的出现和高速发展.

　　工业智联网的技术架构主要由数据接入层、通信计算层、虚拟操作系统层、知识解析综合层、以及知识服务层组成, 工业智联网新出现的架构与核心技术归纳如下。

       工业智联网核心技术

　　1. 数字虚拟工业技术

　　数字虚拟工业技术基于实际工业设备运行数据, 通过学习和优化, 建立对应于实际工业系统的虚拟工业系统。借助软硬件接口, 两个系统在运行过程中进行信息的交互, 协同发展, 基于学习过程中累积的知识, 逐步完善的虚拟工业系统结合实际运行数据, 对工业实体状态进行评估, 并设计场景进行演化计算实验对未来态势进行预测, 帮助实现对复杂实际工业系统的管理控制, 而对实际工业系统实施管控措施后的实时信息将反馈给虚拟工业系统做后续的评判推演, 两个系统随时间不断进行类似的交互反馈。

　　利用数字虚拟工业技术, 能够建立虚实纠缠的工业系统, 从而可挖掘分析实际运行数据, 构建工业设备数字化寿命模型, 预判运行状态发展趋势, 智能辅助运行人员决策, 实现对工业实体的精确描述、实时预测和智能引导。

　　2. 新一代知识工程技术

　　新一代知识工程技术包括单智能体自主获取知识的知识自动化技术和多智能体的知识协同技术。知识自动化, 在广义上可以定义为是一种以自动化的方式变革性地改变知识产生、获取、分析、影响、实施的有效途径, 其关键在于对原始信息、目标任务与最终决策的自然、准确、在线结合。知识自动化通过对多尺度时空信息的组织和特征化, 揭示数据的低层次内在特征, 而后进行知识对象及知识对象属性的提取, 获取有知识价值的对象及其属性, 构建知识空间, 最终实现知识的表示和知识功能的实现。知识的协同技术主要包括知识的协同表征与传递, 以及知识的联结与协同运行, 它通过建立智能实体之间知识层次的互联互通, 在联合知识空间中完成知识功能。 人们的社会、经济、技术活动通过“翻译”的方式实现了自然语言与人工语言的智能交互, 最终通过智联网的多种协同结构实现了支撑知识服务、完成知识功能、实现知识消费等多种功能。

　　3. 工业资源异构复杂网络的建模、分析及管控技术

　　工业资源异构复杂网络的建模、分析及管控(图 7)借助图处理、深度学习等智能技术, 对不同类型的工业资源网络进行数字化建模, 基于不同工业资源网络之间的数据映射关系、逻辑关联性等特征进行融合性分析, 形成异构工业资源网络, 从而对异构工业资源网络产生的各类数据信息进行一体化的挖掘。同时, 利用区块链网络智能合约不可篡改特征和通证属性对建立的工业资源异构复杂网络进行管理和控制。

　　利用异构网络建模、分析和管控技术, 可对海量的不同种类工业资源进行深度整合、统一管理和信息挖掘, 实现高效、安全、准确的分析与控制。

　    4. 区块链智能技术

　　区块链智能技术是一种广泛应用于社会经济领域的一种新型技术, 它包括应用于底层的区块链技术和运作于区块链之上的通证经济体系。区块链具有去中心化、自治化、透明不可篡改、可追溯性等特性, 其应用使传统上难以流通和商品化的“注意力”与“信用度”成为可以批量化生产的流通商品, 革命性地提升经济活动范围与社会效率, 区块链技术具有成为智能经济的基石的潜质。通证经济是支撑区块链实现权益快速流动与安全交换的一种机制, 构建改变生产力和生产关系的智能经济模式离不开通证经济体系。利用区块链的特性和通证经济的行为激励作用, 社会智能经济体系中良性经济行为的参与者会逐步增多, 最终会引领社会经济导向, 使得整个社会参与者的收益增多。同时, 通证经济的激励作用还会优化社会的资源匹配, 通过社会认知学习和沟通交流来提高社会效率。

　　5. 社会计算技术

　　社会计算的整体框架, 包含基于开闭源信息能源情报的广泛采集、深度分析、个性化影响、协同产生等多个关键步骤。传统的物理系统通过各类传感器获得系统的物理信号, 工程控制论在物理过程的自动化中发挥了极其重要的作用。社会传感器, 就是力图将物理系统中传感网络获取物理信号的概念和手段推广到网站、博客、论坛等各类网络空间, 用于社会信号的采集, 获取所关注的社会信号并从中提取出感兴趣的信息。任何企业运营、社会事务、生产过程等方面的管理, 都可以将问题的求解过程扩展到由物理信号和社会信号共同构成的高维解空间中。

　　在实际的生产管理系统中, 建立从数据源到数据库间的信息通道, 实现信息的高速无差传输。对于海量数据综合运用查询扩展、知识图谱等技术, 构建跨媒体的工业数据智能检索平台, 提高数据处理的并行度, 实现智能检索。通过机器学习、数据挖掘、模式识别、自然语言理解等技术对海量的社会信息进行准确抽取、分析、并以用户可理解的方式进行展现, 为工业数据的分析决策提供量化支持。

　　6. 边缘计算

　　边缘计算作为一种新型计算模式, 是实现工业智联网的支撑技术之一。相较于云计算, 其可以实现对工业边缘设备大数据的实时处理, 减少了因数据传输给云计算中心带来的网络带宽问题和实时性需求, 且边缘计算能够考虑到边缘数据的隐私问题及数据上传时边缘设备电能损耗问题。边缘计算通过整合工业网络边缘上的计算、存储、网络等形成合一的平台为工业用户提供服务, 使得数据在源头侧就能得到有效及时的处理, 或者将边缘数据部分处理后将数据传到云计算中心处理, 减少点云计算中心的压力。

　　智能化技术的工业实现

　　1. 基于虚拟仿真技术的数字化模拟工厂

　　基于虚拟仿真技术的数字化模拟工厂是以产品全生命周期的相关数据为基础，采用虚拟仿真技术对制造环节从工厂规划、建设到运行等不同环节进行模拟、分析、评估、验证和优化，指导工厂的规划和现场改善。

　　仿真技术可以处理利用数学模型无法处理的复杂系统，能够准确地描述现实情况，确定影响系统行为的关键因素，因此数字化模拟工厂在现代制造企业中得到了广泛的应用：

　　（1）加工仿真，如加工路径规划和验证、工艺规划分析、切削余量验证等。

　　（2）装配仿真，如人因工程校核、装配节拍设计、空间干涉验证、装配过程运动学分析等。

　　（3）物流仿真，如物流效率分析、物流设施容量、生产区物流路径规划等。

　　（4）工厂布局仿真，如新建厂房规划、生产线规划、仓储物流设施规划和分析等。

　　通过基于仿真模型的“预演”，可以及早发现设计中的问题，减少建造过程中设计方案的更改。如三一重工开发了OSG技术的三维工厂布局规划平台，在集团内部首次应用于其宁乡产业园的工厂布局规划，缩短了工厂建设周期，并节省了因设计缺陷产生的成本。

　　2. 基于制造过程管控与优化的数字化车间

　　在制造企业，车间是将设计意图转化为产品的关键环节。车间制造过程的数字化涵盖了生产领域中车间、生产线、单元等不同层次上设备、过程的自动化、数字化和智能化。其发展趋势主要体现在：

　　3. 底层制造装备智能化

　　底层制造装备方面，数字化工厂主要解决制造能力自治的问题。设备制造商不仅持续在提升设备本身高速、高精、高可靠等性能方面不断取得进展，同时也越来越重视设备的感知、分析、决策、控制功能，比如各种自适应加工控制、智能化加工编程、自动化加工检测和实时化状态监控及自诊断/自恢复系统等技术在生产线工作中心及车间加工单元中得到普遍运用。

　　4. 中间层的制造过程优化

　　把机床设备和相关辅助装置进行集成，共同构成柔性加工系统或柔性制造单元。现今，不少厂商支持将多台数控机床连成生产线，既可一人多机操纵，又可进行网络化管理。如日本Moriseiki的最新机床产品上安装的操作系统MAPPS系统就可以通过使用CAPS-NET网络软件建立基于以太网的网络，从而可以对作业状况和生产计划进行一元化管理。

　　5. 顶层的制造绩效可视化

　　在制造过程管理层次，随着精细化生产的需求越来越突出，近年来MES/MOM逐渐被制造企业所接受。MES/MOM可分为以下两部分：

　　（1）车间生产计划与管理

　　主要完成车间作业计划的编排、平衡、分派，同时涉及到相关制造资源的分配和准备。国内外已有较多提供MES/MOM解决方案的产品提供商，如艾普工华在离散制造业特别是汽车及零部件、工程机械、航空等行业，已确立了领先地位。

　　（2）现场制造采集与控制

　　以RFID、无线传感网络等技术为核心的物联网技术的应用。物联网技术被认为是信息技术领域革命性的新技术，借其可实现对于制造过程全流程的“泛在感知”，特别能够是利用RFID无缝、不间断地获取和准确、可靠地发送实时信息流。

　　基于泛在信息的智能制造系统进一步发展，使得装备本身的智能化水平也得到了提升，从而MES/MOM执行管理系统能够主动感知用户场景的变化并进行提供实时反馈。

       现阶段的工业智能化发展需要在数据和客户端的数据流交换下功夫，同时对于突发状况的处理也要进行充分的研究。

　　随着MES/MOM等软件的应用推广，制造企业已逐步获得了大量制造数据。如何充分利用这些实时和历史生产数据，通过制造绩效可视化提高对异常状况的预知、响应和判断能力，也是近期发展趋势之一。主要分为以下几方面：

　　对于实时数据，主要解决的问题是对制造异常事件的敏捷响应以及对制造绩效偏离的快速修复。

　　对于多客户端的分布式展示和多并发的并行数据流，目前的趋势是利用基于B/S的可定制可缩放矢量图形技术来动态刷新来自服务端的数据推送。

　　对于历史数据，主要解决的问题是如何从中找出改善未来制造业务的依据，特别是从质量趋势、物流瓶颈等数据中发现可能影响未来生产过程的规律。