基于圣维南原理与元模型的快速耦合建模｜复合材料结构装配精度预测新方法

接上期云-边-端协同架构中智能制造过程性能驱动的闭环优化与控制：回顾与新视角（上）。本期给大家推荐彭开香教授的云-边-端协同架构中智能制造过程性能驱动的闭环优化与控制：回顾与新视角（下）。综述聚焦于智能制造领域的最新成果，对数字化表征与信息融合、性能相关的过程监控、动态调度与优化控制等主题进行了全面综述。适合于智能制造领域的故障诊断、过程监控、调度优化等研究领域学习者。论文链接：通过点击最左下角的阅读原文进行在线阅读及下载。1 论文基本信息论文题目：Performance-driven closed-loop optimization and control for smart manufacturing processes in the cloud-edge-device collaborative architecture: A review and new perspectives论文期刊：Computers in IndustryDOI：https://doi.org/10.1016/j.compind.2024.104131 论文时间：2024年作者：Chi Zhang (a)，Yilin Wang (b)， Ziyan Zhao (c)， Xiaolu Chen (d)， Hao Ye (b)， Shixin Liu (c)， Ying Yang (d)， Kaixiang Peng (a)机构:(a) Key Laboratory of Knowledge Automation for Industrial Processes of Ministry of Education， School of Automation and Electrical Engineering， University of Science and Technology Beijing， Beijing 100083， PR China(b) Department of Automation， Tsinghua University， Beijing 100084， PR China(c) College of Information Science and Engineering， Northeastern University， Shenyang 110819， PR China(d) State Key Laboratory for Turbulence and Complex Systems， Department of Mechanics and Engineering Science， College of Engineering， Peking University， Beijing 100871， China2 目录1 论文基本信息2 摘要3 目录4 引言5 制造过程优化与控制关键技术综述 5.1 数字化表达与信息融合 5.2 绩效监测与评估 5.3 资源分配与动态调度 5.4 闭环控制与优化6 制造过程中性能优化与控制架构概述 6.1 层次化绩效指标 6.2 云边协同架构下的性能优化与控制 6.3 研究差距与潜在解决方案7 云边端协同架构下性能驱动的制造过程优化与控制 7.1 SM-CC-TR工艺及系统描述 7.2 所提架构 7.3 架构开发 7.4 讨论与概括8 总结（以上标记章节为本文内容） 注：本文只选中原论文部分进行分享，若想进一步拜读，请下载原论文进行细读。小编能力有限，如有翻译不恰之处，请多多指正~3 摘要随着制造业的转型升级，制造系统在结构功能、工艺流程、控制系统和性能评估标准等方面日益复杂。数字化表征、性能相关的过程监控、过程调控和综合性能优化被视为未来发展的核心竞争力，相关课题引起了学术界和产业界的广泛关注和长期探索。本文聚焦智能制造领域的最新成果，提出了一种基于云-边-端协同、性能驱动的闭环过程优化与控制框架。首先，为了全面阐述制造系统中的性能优化与控制技术，对数字化表征与信息融合、性能相关的过程监控、动态调度以及闭环控制与优化等相关主题进行了全面综述。其次，研究了将这些技术集成到制造过程中的潜在架构，并总结了现有的一些研究空白。第三，针对分层性能目标，提出了面向智能制造的云-边-端协同闭环性能优化与控制的路线图。本文结合实际工业流程场景，探讨并探索了该技术的总体架构、开发部署以及关键技术。最后，介绍了面临的挑战和未来的研究重点。希望通过本研究，为工业4.0向5.0转型过程中的综合性能优化与控制提供新的视角。关键词：性能优化与控制、层次化绩效指标、数字线程、云边端协同、智能制造 4 制造过程中性能优化和控制架构概述4.1 层次化绩效指标智能制造的任务不仅仅是在基本控制层面跟踪设定点。制造操作需要向上与用户需求和原材料供应保持一致，同时还要向下考虑控制性能、设备状态和运行环境（Ding等人，2018）。在智能制造中，控制回路级、操作单元级和全厂过程级的关键绩效指标具有丰富的含义（Ding等人，2016；Shardt等人，2015）。这些绩效指标以分层方式动态耦合，如图2所示。质量、能源、效率和成本等各种绩效目标之间的关联难以用明确的数学表达式来表达。分层绩效目标的选择和构建为后续多尺度关联分析和跨层优化提供了信息载体。图2 制造过程中的分层绩效指标基于ISA-95和工业互联网架构（Rossit等，2019），图3展示了分层的性能目标和相应的性能优化关键技术工具。具体而言，首先，在基础自动化层面，我们往往更关注控制系统的安全性和稳定性。通过设备监控、故障诊断和容错控制等方法，实现多回路闭环控制，保证设备层的最优控制性能。其次，在过程层面，我们更加关注各类中间产品的质量问题、工艺路径的合理性以及模型设置的准确性。通过质量预测与软测量、过程监控和过程优化控制，我们旨在提升生产的质量性能，从而在边缘层实现多工序协同优化。第三，高层目标是经济效率。通过智能调度、风险评估、能源管理等技术，在云端优化全厂流程的整体经济性能，并引导全过程的最优决策。通过这种以性能为导向的层次化结构，我们可以实现优先级明确的优化。在此基础上，实现本地设备级控制闭环、流程级优化闭环以及系统级调度决策闭环，从而驱动跨层的综合控制和优化。图3 层次化绩效目标和关键技术工具4.2 “云边”协同架构下的性能优化与控制智能制造的关键挑战之一是如何共享和整合多样化、分布式的信息资源，实现按需访问，形成临时且可重构的生产线，从而提高效率、降低生命周期成本，并根据不断变化的客户需求优化资源配置。云计算提供各种计算资源的共享池，而边缘计算则将计算能力从核心分散到边缘。“云边”协同制造通过协同管理，为制造业提质增效注入新的动力。云制造是一个多技术融合的系统，它实现了制造资源、能力和知识的全面共享和协同运行（Ghomi等人，2019）。“云边”协同引入了一种全新的计算范式，将云计算强大的资源能力与边缘计算的超低延迟特性相结合。这种协同作用实现了协同优化目标，云应用在边缘侧得到支持，云端则协助满足本地化的边缘需求（Yang等人，2020b）。基于“云边”协同架构的研究已在工业控制网络中取得成果，并应用于智能车辆网络（Kebande等人，2021年；Wang和Li，2019年）和绿色发电厂（Xia等人，2020年）。这展现出其在过程制造闭环控制分析与优化方面的巨大潜力。制造过程性能优化与控制受到学术界和工业界的广泛关注。性能优化与控制的本质在于：首先，整合利用相关的物理资源和信息资源，探究性能相关因素的动态变化趋势，揭示性能退化的演变趋势。以性能为指导原则，进行过程监控、预测和运行状态评估。指导的性能指标包括计划决策、管理执行情况、运行指标（质量、能耗、物耗、效率、排放等）、控制系统性能、生产和人员安全、生产环境以及关键设备。随后，将结果反馈给监控对象，在此基础上诊断局部性能异常并识别其传播路径。综合评估结果将指导生产决策、工艺参数和设备维护。综述文献（Harris等人，1999；Qing，1998）总结了早期基于模型的优化框架和技术方法，涵盖制造过程技术、模型和控制系统等。面向工业大数据时代，文献（Gao等人，2016；Qian等人，2017；Tang等人，2021）进一步分析了基于数据的先进智能技术在工业过程优化中的研究现状与挑战性问题。对于具有时空分布数据资源的制造过程，数据驱动的方法需要打破流程和系统之间的实时数据壁垒。制造过程全生命周期中可用的信息资源构成了智能制造数字化转型中综合优化和控制的基础。在多流程平衡和生产逻辑规则的约束下，数据表现出多尺度的因果关系和时空分布性（Dong和Zhou，2023）。以数据为中心（Kusiak，2017）、云边协同的信息系统架构（Khan等人，2019；Tian等人，2022；Song等人，2020）正在成为制造企业的主流。传统的以云为中心的模式无法满足海量工控设备资源的实时处理需求，需要将算力部署到更靠近边缘的位置进行即时处理。此外，在长期的数字化建设过程中，供应链上的工厂空间分布广泛，运行着众多相对独立的控制系统，这些系统表现出资源异构性和强时空关联性，对跨时空尺度的海量异构数据进行关联分析和网络集成的需求日益凸显（Ye和Liu，2022）。从边缘智能的角度，提出了一种群体学习架构（Guo 和 Martinez-Garci，2021），并解决了数据采集与预处理、信息物理融合与知识共享、设备性能自优化等问题。此外，现场设备数据的保密性至关重要（Zhang 等人，2022），异常情况导致的性能下降易于在时空范围内传播和演化（Ma 等人，2021，Ma 等人，2022）。常见的数据处理方法依赖于设备本地化，往往受限于设备计算能力、样本空间、通信等因素。因此，迫切需要充分利用“边缘设备”协同的快速响应和自愈能力。此外，多系统耦合使闭环控制与优化面临高度的动态性和不确定性，操作指标、控制回路设定值和过程参数的决策不准确或非最优，都可能导致系统处于次优状态（Zhang等人，2022），从而导致关键绩效指标日益不稳定并产生连锁反应。传统模式下，生产调度阶段和执行阶段的信息无法实时反馈（Guo等人，2018），无法实现生产调度与实际绩效的闭环衔接（Zhao等人，2020）。动态生产中多目标/多任务综合性能优化与控制决策（Wang等人，2022；Zhao等人，2022）面临着实时状态感知、计算效率同步等挑战（Cui等人，2017）。迫切需要利用“云”的即插即用智能模型、高性能计算资源和决策管理，超越多边并行，实现“云-边-端”协同架构中综合性能指标的跨层闭环优化。在工业4.0中，云制造（Siderska 和 Jadaan，2018；Xu，2012）引入了高效共享、合理利用高度异构和分布式信息资源的技术理念，边缘计算（Satyanarayanan，2017；Jiang 等人，2023）实现了灵活的数据流动和处理。这些驱动力为制造过程的闭环控制与优化带来了新的发展机遇（Wang 等人，2021），为实现高质量生产、高效运行、高可靠安全性以及生产配置中的高资源利用率提供了创新解决方案。4.3 研究差距和潜在解决方案基于以上观察，我们将现有研究的不足总结为以下三个方面。（1）数字化表征和信息融合方面的差距在制造过程中，全生命周期数据呈现出密集与稀疏并存、冗余与不完整性并存、动态与静态耦合等复杂特性，导致多阶段、多流程、多系统信息资源利用率低，实现精准高效的数字化表达面临挑战。现有的数字化表达多侧重于制造过程的局部环节或少数关键变量，未能打破不同阶段、不同系统之间的数据壁垒。制造过程涉及设计、制造、维护、测试等多个阶段，全生命周期数据在不同时空域中呈现异构性，过程模型机制复杂，模型到数据的映射难以捕捉，因此多级制造要素的跨域集成是亟待解决的问题。现有的融合方法考虑的要素范围有限，且要求要素具有统一的结构，无法有效地融合制造系统的层级跨域结构，导致多源异构数据的利用率低。因此，如何实现多级多模态的数字化表示以及如何进行多要素信息融合是一个重大挑战。（2）绩效关联分析与评估存在差距不同生产环节、工序、管理系统等异构关联数据难以统一建模，且关联性表现出多尺度特性，现有的关联性分析与建模方法局限于单个子流程或系统，很少考虑制造系统的层次结构和不同尺度的信息。优化调度缺乏足够的监控、诊断、预测和评估支持，性能相关信息与执行任务尚未形成闭环，多个性能指标之间存在相互冲突的约束，评价标准不够客观一致。性能评估主要关注单个系统的当前状态，而将系统退化和相互冲突的约束纳入多系统综合性能评估的文献鲜有报道。因此，迫切需要构建面向制造过程中多性能指标的多尺度相关性分析与评估模型。（3）调度和优化方面的差距工艺约束复杂，多工序、多系统耦合，层次化运行。现有调度研究缺乏耦合性考虑，生产绩效往往偏离调度方案，效率低下。人工调度主观性强，处理能力有限。目前的性能优化主要集中在单一层级上，实时闭环反馈的范围有限，优化过程中各层级之间的关联性较低。此外，难以制定兼顾质量、成本、能耗和效率的综合优化目标，而多目标优化问题的求解也面临挑战。因此，我们致力于设计一个综合框架，实现分层性能约束下的多目标协同调度和跨层闭环优化。为响应行业对质量提升和效率提升的需求，需要开发一个性能驱动的“云-边-端”协同制造过程优化与控制框架。潜在的解决方案是从设定性能目标开始，然后以闭环的方式将面向性能的表示、评估、优化和调度等关键问题集成到该架构中。如图4所示，该解决方案的基本思路可以概括为以下五个方面。图4 性能优化与控制的基本思想①以“制造—能源—质量”为总体目标，按照一体化管控体系架构对绩效指标进行层次化映射，建立层内耦合、层间联动的综合绩效指标目标。②以层级化性能目标为指导，建立信息与物理资源关联的数字化表征模型，通过数据可视化，从不同业务视角动态监测复杂性能网络内各类指标的变化及异常情况。③基于层次化的绩效目标，融合过程机制和知识，分析和建模跨不同流程和系统的多尺度绩效关联，揭示绩效指标与运行条件之间的复杂关系。④针对不同业务场景，探索多项性能指标的实时动态变化，针对局部性能异常，从空间和时间两个维度追溯根源，并提供实时的综合性能评估。⑤通过大数据分析、智能调度优化技术，最终给出潜在的优化方向，指导未来的生产经营。5 “云-边-端”协同架构下性能驱动的制造过程优化与控制路线图5.1 SM -CC-TR工艺及系统描述SM-CC-TR是指从原材料生产钢铁的一系列工业过程（Zhang和Dudzic，2006；Yu等人，2018）。该过程高效集成，可生产各种形状和尺寸的钢铁产品。SM工艺涉及按照特定程序熔炼铁水和废钢等材料以生产钢铁。CC工艺负责将钢水凝固成各种形状，而TR工艺则将钢材进一步精炼成具有特定厚度、宽度和其他指标的定制产品。各种工艺流程、控制参数和操作设定点对企业关注的绩效指标有着复杂的影响。与绩效相关的要素呈现出多尺度的空间和时间分布。过程机制的复杂性，加上各种操作条件下的扰动和动态波动，导致模型不匹配、参数异常、控制波动和调度不当等问题。这些因素共同构成了实现有效的闭环性能管理和优化的挑战。SM-CC-TR工艺生产线的特点是物质流、能量流和信息流交织在一起，如图5所示。该系统表现出跨多个阶段、多个流程和多个系统的复杂相互作用和耦合。生产通常涵盖研发、制造和运行维护等多个阶段。在此背景下，生产线上的不同流程与各种系统错综复杂地联系在一起。生产线感知信息的反馈与设备控制决策交织在一起。不同操作单元之间存在实时数据壁垒，原因是无法构建自适应的可迁移要素模型，以及缺乏用于流程交互和灵活控制反馈的基础设施。现有的基于信息管理系统的数字化表示方法未能有效地弥合不同阶段和系统之间的数据壁垒。信息融合方法未能与实际生产线的分层跨域结构有效结合。生产要素的利用不足。“云边端”协同，为实现多层次、多模态的数字融合和多要素的信息融合提供存储、管理和计算环境。图5 SM-CC-TR工艺的工艺-系统-阶段集成示意图此外，现有的性能关联分析模型对系统层级结构和整体信息流的关注有限。考虑多系统退化特性和冲突约束的性能评估模型鲜有报道。尽管已设计出一些“云边”协同监控与优化架构并取得成功应用，但对“设备”的能力尚未得到充分探索。我们认识到，“云边端”协同的网络化架构与层级化制造管理系统紧密结合，将为全厂流程的多性能指标监控、多尺度关联分析和综合性能评估提供清晰的拓扑基础。最后，当前的调度策略通常将任务组的分配、部署和执行割裂开来，对系统耦合考虑不足。控制优化主要侧重于单一层级，实时闭环反馈范围和优化空间受限，导致层级优化关联度较低。“云边端”协同有利于在性能约束下实现轻量级、低延迟的多目标协调控制，并能够实现跨层闭环优化的安全、兼容和自主的资源部署。5.2 所提架构 该架构的目标是构建一个跨多系统、多流程、多阶段的典型制造过程三维集成数字化环境，将监控、控制、优化融合到性能驱动的统一智能架构中。总体路线图如图6所示。图6 性能驱动的过程优化和控制路线图该架构构建于数据、力学模型和知识深度融合的数字线程之上，依托“制造-能源-质量”协同的层级化性能评估体系，通过对各类生产要素的数字化表征，以及对跨系统、跨尺度相互交织的性能指标进行关联分析，打通自上而下的数据流与自下而上的决策流，建立全面集成的数据源，实现性能驱动的跨域计算共享。充分利用“云边”协同的资源配置优势，构建多目标预测-反应闭环调度系统。针对次优情况，我们通过“边端”协同快速响应的自愈控制，并在“云端”智能决策的指导下提供多目标综合优化策略。构建了“云边端”协同环境下闭环控制与分布式跨层优化的集成框架，以稳定质量、节能降耗和提升经济效益为核心。架构部署如图7所示。图7 所提框架部署5.3 架构开发5.3.1 数据-模型-知识深度融合的数字线程制造过程具有数据多源异构、模型映射机制复杂、多阶段耦合等特点。在传统的分散控制模式下，现有的数字化表达主要针对局部单元或有限个关键变量，各阶段独立运行，造成实时数据壁垒，控制系统之间无法有效交互，制造子过程之间的耦合与关联性也常常被忽视。这些问题最终导致数据资源利用率低、与机理模型集成交互困难、知识关联性缺乏。因此，在向智能制造转型的过程中，建立一条深度融合数据、模型和知识的数字主线具有重要的现实意义，旨在实现各制造阶段数据、模型和知识的统一表达，为整个制造过程的“云-边-端”闭环优化与控制提供全要素集成协同的数字化信息环境。针对3.3节中的研究空白（1），本小节介绍了数字线程的构建方法，并以SM-CC-TR流程为例，从（1）多源异构数据统一描述、（2）多粒度模型跨域关系分析与多级关联描述、（3）时序知识图谱构建与动态更新、（4）跨阶段数据-模型-知识融合与关联网络构建四个方面展示了数字线程技术在实际行业中的应用。数字线程总体框架如图8所示。图8 数字线程构建框架（1）多源异构数据统一描述SM-CC-TR全生命周期制造流程涵盖预研设计、生产制造、运行维护等多个阶段，同时围绕企业资源计划（Enterprise Resource Planning，ERP）、制造执行系统（Manufacturing Execution System，MES）、过程控制系统（Process Control System，PCS）等多个系统运行。数据资源的结构、分布和存储形式多种多样，除了工艺参数、传感器测量值、工艺数据、质量指标数据等时间序列数据外，还包含产品材料形态、设备模型、工艺模型等半结构化数据，以及产品表面和截面凸度图像等非结构化数据。这些数据分布在不同的物理空间或系统层级，生成时间和采样率各不相同。此外，数据还体现出时空动态演化、不平衡性、高维性和部分缺失的特征。数据之间缺乏关联性和逻辑关系，导致数据冗余和数据孤岛。因此，需要理清全生命周期制造流程中数据之间的关系，形成统一的数据描述。元数据是数据描述的有力工具（Zhou 等人, 2020；Bernasconi 等人, 2022；Liu 等人, 2019c），基于元数据模型的多源异构数据描述框架如下所述。首先进行数据清洗和非理想数据扩展。利用机器学习算法、机制知识和规则约束等方法，分析和清洗数据冗余、冲突和错误等问题。然后，利用软测量、周期同步和多尺度转换等方法，对不完整、不平衡和多速率数据进行综合扩展，并建立数据质量评估模型，确保数据质量和可靠性。其次，借助超文本标记语言、可扩展标记语言、资源描述框架等信息描述格式，注册多源异构数据的基本属性和标识信息。结构化数据直接集成获取元数据，半结构化和非结构化数据经过类定义、关系提取、属性提取等处理获取元数据。之后，根据原始数据的来源和属性，将其划分为技术元数据、流程元数据和业务元数据。通过关联、聚合、时空对齐等方法，建立元数据之间关联关系的复杂网络。并通过实例层、模型层、元模型层等构建层次化的元数据结构模型，最终考虑生产、运行、控制指标的物理约束和多级信息空间映射关系，构建面向不同应用场景的多源异构数据统一描述模型，为多阶段、多流程、多系统制造数据提供量化、形式化、本地化的数据描述方法，为后续数据演化特征提取、知识模型融合奠定基础。（2）多维多粒度模型跨领域关联分析与关联关系描述SM-CC-TR制造过程中的机理模型在工艺参数选择和整个生产过程控制中也发挥着重要作用。根据生产过程中的各种物理规律或物料传递机制建立的精确数学模型，能够准确描述目标系统动力学，反映内部运行状态。这些机理模型具有特定的物理含义，协同保证了SM-CC-TR工艺的逻辑流程。然而，制造过程涉及多个操作阶段，每个阶段通常由众多工序/单元/回路组成。通常采用相对独立的控制策略，并通过过程模型制定各个控制回路的工艺流程、参数和设定值。现有的机理模型主要针对特定的回路或对象，很少考虑模型之间的相互作用。当涉及机理不明确的大规模过程时，这一挑战更加突出。以精轧过程为例，其主要包括设定模型、控制模型和数学模型。设定模型通过计算合理设定了各机架的轧制力、辊缝、轧制速度、机架间张力等工艺参数，并预测了性能参数。然而，精轧机组模型间交叉耦合的影响机理，以及关键工序和工艺参数对厚度、板形等质量指标的影响规律，尚未通过模型设定的相互作用进行明确的表达。质量控制模型尚处于单单元控制阶段，仅关注局部单元的最优质量性能。此外，工艺条件和设备运行状态的变化往往导致过程的多模态化，过程输入条件、状态变量和控制目标之间的关系复杂，现有的机理模型无法完整地描述这些关系。因此，有必要研究模型间的关联关系，在现有机理模型的基础上，增加空间关系、时间序列关系、工序约束关系以及能量-信息-物质流等传输机制，建立系统模型间直接或间接的关联与协同，为基于模型的SM-CC-TR工艺的协调优化提供有益的参考。并进一步提高模型的稳定性和适用性。为实现上述目标，首先，我们关注多维多粒度模型的时空同步调控。通过机理模型分析局部单元蕴含的频率分布、行为模式和规则信息，通过关键时间节点定位和时延估计，建立时间序列动态变化下的多维模型。其次，考虑模型间的时空映射关系，采用节点和有向边联合描述模型间的动态演化行为，并以各模型的物理位置和实际输出输入关系为约束，实现模型间的空间协同。其次，关注模型间的差异信息和潜在的变化趋势，运用信息熵和因果分析理论赋予静态关联图结构动态演化趋势，同时考虑物质流、能量流和信息流的耦合约束。进一步，利用聚类、鲁棒学习等方法对关键流程或环节中不精确的基准模型进行分析，并进行自动调整、更新和补充。最后结合系统级信息，通过深度因果关系图和格兰杰因果分析揭示模型间的跨领域转移机制，并利用关联规则形成系统模型间的直接或间接关联与协同。（3）时序知识图谱的构建与自主更新SM-CC-TR工艺过程中产生的专家经验和知识因其良好的解释性和理解性，至今仍广泛应用于过程控制、参数选择和操作监控。制造过程的多阶段、多工序、多系统特性决定了知识来源复杂多样，具有不确定性，且在整个生命周期中知识层面缺乏信息联动。在整个研发设计过程中产生的知识，包括加工工艺、加工标准、产品相关设计参数等，以规范性文件等资料的形式明确存在。生产过程知识、制造技术知识、产品信息知识和设备知识通常由工业现场的工程师和领域专家进行总结。除了上述静态知识外，还包括各工序的过程控制机理模型和算法、用户订单变化信息以及实时过程传感器数据等动态知识。因此，有必要对制造过程的知识进行管理，充分发掘、关联和推断不同领域、不同层次的隐性知识，为全生命周期过程提供有效、完整的知识支持。首先，从多源异构数据的统一描述中挖掘工艺过程语义信息，对数据进行概念和规则映射，形成多尺度知识。同时，利用高维张量模型、趋势分析等技术，揭示制造工艺数据的时空演化和多维投影机制。特征关联映射实现多阶段演化行为的动态表示。通过文本挖掘、机器视觉等相关工具，从行为表征中发现隐藏的新知识，进而实现数据中知识的提取和积累。其次，结合企业已有的经验知识和模型中显性/隐性知识，基于概念、属性和关联关系，借助符号机器学习进行知识建模、知识融合和知识推理。构建统一的描述框架，将不同类型的知识进行分片，形成多点交叉融合的多类别知识网络，并将具体的工艺过程语义关系嵌入到网络中。图融合、实体对齐和实体消歧将用于深度关联和整合现有知识，同时提炼和融合图中的多个部分。以此方式，建立完整统一的制造过程知识图谱模型。最后，值得研究知识图谱的动态更新策略。我们可以基于增量学习的概念来分析、调整和更新学习规则。此过程涉及对新知识进行同步关联更新。此类更新可能包括知识图谱中某些节点的消失或出现，或新生成的边的形成，从而实现知识图谱的动态更新。（4）跨阶段数据-模型-知识融合与关联网络构建单一模态的信息资源无法完全捕捉制造过程的全貌。机理模型可以准确地表征给定过程的内部状态或系统动态。然而，参考模型或其结构通常仅适用于稳态过程，难以预先考虑时间变化。相比之下，数据模型虽然反映了生产过程的实时物理特性，但其学习过程缺乏可解释性，中间结果也不足。知识模型虽然具有良好的可解释性，但通常难以应对工况频繁变化的复杂生产过程。此外，过程的每个阶段都有其独特的数据流、模型和相关知识，这给阶段间的信息共享造成了障碍。为了解决这些问题，我们构建了SM-CC-TR过程的制造过程关联网络。该网络能够实现每个制造阶段数据、模型和知识的一致表达和协同集成。通过这种方式，建立了不同模态之间信息的底层关联和交互，从而实现了整个生命周期内制造要素的统一和协调。该方法从产品、流程、设备和系统等各种工业要素入手，协同考虑时间维度上的多尺度嵌套、各层级之间的复合动态特性以及空间范围内的多流程传输延迟和耦合。它使用邻接矩阵和符号有向图等定性方法来表征互连关系。这些工具描述了流程中的因果关系矩阵和相应的因果有向图，从而构建了涵盖时间-空间-功能尺度的SM-CC-TR流程的物理拓扑结构。其次，我们运用图论、因果分析和神经网络等方法，阐明不同层级模型与数据之间的非线性因果关系，并与基于概率预测模型的深度因果图建模相结合。基于物理拓扑结构，我们可以构建制造流程的因果网络，这有助于挖掘隐性知识并理解数据和模型中的因果结构知识。最后，利用现有的全要素融合知识图谱，结合多模态信息融合方法，集成多源异构数据、跨领域多维模型和因果关联网络的统一描述，实现知识的结构化和多模态实体概念之间的关联，确保协调统一，形成制造流程数据-模型-知识深度融合的数字主线，并可实时更新调整，实现跨流程、跨系统、跨阶段的信息共享与集成，实现整个制造生命周期中各系统信息的访问、转换、分析和追溯。5.3.2 多过程多系统耦合下的多性能综合预测与评价传统制造过程中，性能关联分析与预测往往局限于单个流程或制造、能源和质量系统中的某个特定环节，而忽略了不同系统之间错综复杂的耦合关系。跨不同规模的多个流程、系统和性能指标进行关联分析极具挑战性，阻碍了以性能为导向的优化与控制的实现。在动态制造场景中，工艺流程、原燃辅料及能源供应、产品质量等核心系统通常各自管理，导致这些系统的生产效率、能耗、成本、安全等性能指标相互关联，甚至存在相互冲突的约束。针对3.3节中的研究空白（2） ，本节提出了一个多流程多系统耦合下的制造过程多性能综合预测与评估框架。总体框架如图9所示，包括（1）数字线程驱动的多性能关联建模、（2）云边端协同多性能退化监测与根源定位、（3）多性能退化趋势预测与综合评估。图9 多性能综合预测与评估框架（1）数字线程驱动的流程-系统耦合多性能关联建模以SM-CC-TR工艺为例，为确保生产的高质量和高效性，能量信号、控制信号及各类信息在整个过程中系统地交织在一起。时间上，既有运行周期较长的子工序，如加热炉，也有运行周期较短的子工序，如粗轧机和精轧机。各子工序的时间相关性呈现出不同的动态属性。空间上，带钢沿着长长的生产线经历着多重变形。各种力学模型，包括钢坯加热模型、轧制力模型和轧辊热凸度模型，已经相对成熟和完善。这些模型被嵌入到计算机控制系统中，在参数计算和控制设定中发挥着至关重要的作用。此外，各种传感方法，如高温测温仪、力传感器、测厚仪和表面质量检测设备等，积累了大量的过程数据。大部分数据由连续的时间序列组成。生产计划、工艺参数调整等事件也对过程性能产生至关重要的影响。复杂制造过程通常具有时空分布性、力学模型与数据交织、时间序列与事件信息共存等特征。因此，需要通过集成力学模型和数据驱动方法，建立考虑不同时间和空间尺度以及各种性能指标的跨过程、跨系统关联模型。首先，针对多流程和系统产生的海量数据导致关联分析规模呈指数级增长的挑战，我们从数字线程提供的信息中筛选出与流程和系统密切相关的关键变量。结合流程和数据的特性，例如数值型或分类型、时间戳型或基于事件型、操作型或可测量型，我们可以使用启发式搜索算法、稳定性学习和因果发现方法来优化变量组合。在此基础上，识别出潜在的关系和因果路径，这些关系和路径能够反映与性能相关的状态，并展现出在不同模式和数据类型之间的稳健性和泛化能力。其次，考虑到工业流程中涉及各种数据类型和不同形式的关联，我们可以利用数字线程提供的数据特征表示和关联网络来指导局部关联模型的建立。最后，为了满足跨多流程、多系统和多性能指标的关联分析需求，本文考虑基于图模型的表示方法。因果图、贝叶斯网络、概率图模型、图神经网络等可以在不同尺度上统一描述设备、单元、流程、系统等层次化、异构化的对象以及各种形式的关联关系。（2）云边端协同多性能退化监测与根源定位长期以来，包括钢铁行业在内的制造企业遵循ISA-95国际标准进行企业管理系统与控制系统的集成。该标准将整个生产过程自下而上分为五层：设备层、实时控制层、过程控制层、生产运行层和业务系统层。在故障诊断领域，数据分析和建模通常在较低的三层进行，并将监测和故障诊断结果提供给上层进行控制、调度和优化等。这种层级结构与云边端协同的环境具有天然的契合性。然而，在某些云边协同过程监测和故障检测方法中，计算和存储的合理分配是研究的重点。一些现有工作（Huang等人，2022；Luo等人，2018）解决了多模态过程的监测模型更新和长期特征学习问题。该架构仍有待进一步探索。以SM-CC-TR工艺为例，“设备”层主要包括工艺过程中的设备及相关传感器网络，例如轧机机架、加热炉等。“边缘”层部署在车间层面，对应生产线或局部工厂，例如粗轧或精轧工序。“云”层部署在工厂层面，覆盖全厂工艺流程或多条生产线。从“设备”到“云”，数据采样频率降低，但数据丰富度提升；对象的响应速度降低，但复杂度提升；自动化程度降低，但决策所需的智能化程度提升；建模复杂度提升，计算和存储资源也同步增加。就过程监控和故障根源定位而言，“云”、“边”、“端”三层在任务目标、数据特征、资源能力和模型功能方面存在显著差异。然而，三层服务于同一生产过程，其总体目标是一致且统一的。因此，在云边端协同架构中，需要突破传统的单设备或单流程的分析框架，提出一种面向制造过程多性能退化监控与追溯分析的新范式。首先，在任务分解方面，设计基于层次聚合的多监控任务聚合模型。将性能监控任务划分为单元级、流程级、系统级等不同层级。不同层级之间的逻辑关系可以表示为不同监控指标之和、一致性等约束条件，并以此为依据设计相应监控模型的目标函数。从而使各监控模型在满足各层级任务目标的同时，兼顾整体任务。其次，考虑到边缘层样本不足、标签不均衡等问题，数据驱动建模可能存在问题。云端存在数据充足的故障类别，可以采用多源域迁移学习算法，以当前边缘侧为目标域，其他边缘侧为源域，通过云层构建融合多源域知识的模型。考虑到算力差异，采用云层训练、边缘层执行的策略，在云端建立模型库进行模型保存和管理，并根据模型的实时性有针对性地调整模型的更新周期，从而不断提升模型泛化能力，并保持良好的内存和实时性。在信息融合方面，由于不同模型各有优势，不同模型的协同管理以及监测信息的融合机制值得研究。集成学习和贝叶斯模型是两种有效的方法。对于检测到的故障，进行根本原因诊断和故障传播推断比单纯的故障分类更具有实际意义，希望通过构建的异构动态图定位故障根本原因并识别潜在的传播路径。（3）多性能退化趋势预测与综合评估在复杂的制造过程中，除了监控生产过程的实时状态外，还需要考虑部件磨损、部件老化、材料性能下降等因素导致的性能指标趋势变化。例如，在SM-CC-TR工艺中，工作辊的磨损、液压泵性能的下降以及传感器精度的降低都会对产品质量、生产效率、能耗等指标产生趋势性影响。精准识别制造过程中可能影响性能的潜在关键环节和设备，并准确评估性能下降的趋势和程度，对于避免重大生产风险、合理化生产和维护计划以及提高整体运营效率至关重要。此外，由于SM-CC-TR工艺，尤其是TR工艺的高温高速特性，某些性能指标（例如微观组织和力学性能）难以在线感知，通常需要通过离线测试甚至破坏性实验进行测量。软测量技术（Jiang等人，2020；Abeykoon，2019；Zhai等人，2023）为关键绩效指标预测提供了指导，可引入多绩效趋势预测和综合绩效评估。首先，基于图模型进行性能指标的敏感性分析，定量评估图模型结构和参数微调下性能指标的变化情况。运用有向权重图和复杂网络理论，识别关键影响因素的边或节点。值得注意的是，这些关键变量的趋势变化导致制造过程呈现出时变特性。某些相关性变化可能导致原有的相关性模型不再适用，需要进行动态更新。为此，基于敏感性分析结果，可以确定性能相关性模型演化更新的触发机制。当趋势变化触发更新条件时，定位需要更新的局部相关性模型，并基于增量学习和在线变分贝叶斯方法对待更新的子模型进行更新，从而实现对制造过程动态演化的有效跟踪。由于系统性能指标可以通过性能相关性模型获得，因此系统性能的下降可以映射到相关性模型的结构参数变化上。将向量自回归模型、时间序列分解算法、软测量与基于机制或经验的退化模型相结合，预测相关模型的结构和参数变化趋势，可以得到性能指标的趋势预测和退化评估。此外，考虑到制造、能源、质量等多种性能指标之间的耦合甚至冲突约束，采用多目标优化方法对多性能指标进行综合评估。利用启发式算法寻找多个性能指标的帕累托前沿作为它们之间权衡的表征。然后，运用层次分析法（Analytic Hierarchy Process，AHP）、Dempster-Shafer理论和模糊数学等方法对多性能指标进行加权计算，得到系统的综合评估结果。5.3.3 云边协同闭环调度复杂产品制造过程涉及多系统、多变量、多约束、高度耦合和高度动态，难以综合考虑多个优化目标（如效率、能耗、成本、质量等），这给该过程的生产调度带来了重大挑战。如前所述，随着信息科学和人工智能技术的发展，许多复杂产品制造过程积累了海量数据。数字线程通过集成制造阶段的数据、模型和知识，为生产调度带来了新的机遇。为了实现复杂产品制造过程的多目标动态闭环调度，需要利用数字线程集成的多流程耦合机制和工业大数据，设计基于人工智能技术的预测-反应式动态调度方法。动态调度注重实时性、在线决策和自适应性，旨在快速响应随机扰动，不影响生产过程的连续性，对相关算法的性能要求极高。然而，实现复杂产品制造过程的动态调度需要综合考虑多个工序的全局信息。现有的动态调度研究大多仅考虑单个工序或短流程，较少关注包含多个工序的全流程协同调度，难以保证全流程的优化精度。现有的全流程协同决策主要依赖于知识型员工的经验，难以实现全流程优化，导致产品质量低下、能耗和资源消耗高。其难点在于全流程信息量巨大、流程约束复杂以及决策变量强耦合。因此，综合考虑全流程信息以实现对随机扰动的快速响应对算法性能和计算资源的要求很高。以数据为中心、云边协同的系统架构正在成为制造企业信息系统的主流架构。云边协同技术整合全流程信息数据，分布式部署计算资源和算法。面对设备端反馈的动态扰动事件，基于数字线程集成的模型和数据信息，利用边缘端服务器的局部调整能力和云端服务器的全局调整能力，实现全流程多操作多时间尺度的协同。利用云边协同技术形成集数据存储、生产调度、方案执行、数据反馈、动态调整于一体的闭环调度系统，是复杂产品制造过程生产组织优化的理想研究方向。本节以SM-CC-TR制造流程为例，介绍在云边协同架构下如何实现复杂产品制造过程的闭环调度。其基本架构如图10所示。我们分别从三个方面进行介绍，即（1）资源与能源配置；（2）多操作耦合的预测-反应式调度；（3）多时间尺度联动的闭环调度。图10 云边协作闭环调度框架（1）资源能源配置钢铁制造业是典型的流程工业和高耗能行业。生产计划与调度是生产过程中节能降耗、提高效率的重要途径。然而，其复杂的工艺流程和约束条件给生产组织优化带来了巨大的挑战，难以实现全流程的集成优化。多层次、多阶段的生产计划与调度是实现生产组织优化的有效途径。其中，资源和能源的优化配置处于上层，负责设备、物料、仓储、人员等资源以及电力、燃气等能源的配置。在钢铁生产等复杂产品的制造过程中，工况、负荷等因素的不断变化对资源配置提出了巨大的挑战。在设备工况方面，钢包温度、轧辊性能等性能随着生产过程的变化而变化，具有很强的不确定性。在生产负荷方面，转炉、连铸机、加热炉和热轧机等都是高耗能设备，在执行不同的生产任务时，其能耗波动较大。因此，资源和能源优化配置是复杂产品制造过程顺利、高效实施的重要环节。资源能源配置位于生产计划与调度的相对上层。为了确保下层计划调度的可行性和灵活性，需要对生产执行过程的不确定性具有一定的容忍度，即其方案需要具有鲁棒性。实现鲁棒的资源能源配置可以通过两个步骤来实现：鲁棒优化建模和鲁棒优化算法设计。首先，需要构建基于鲁棒优化的资源能源配置模型，该模型需要考虑负荷波动，并结合系统机理知识和针对性能变化、性能退化、设备计划维护等多种工况的性能评估方法。具体而言，负荷波动可能包括订单变化、资源变化和工艺变化。为了有效求解构建的鲁棒模型，需要基于数学规划、鲁棒进化计算和混合策略设计高效、高精度的鲁棒优化算法。在“云边”协同架构下，资源能源配置属于上层计划，所涉及的模型和算法需要部署在云端服务器中。生成的资源计划和能源计划随后被下发到分布式边缘服务器。它们被用作资源和能源约束来指导边缘服务器的低级生产计划和调度会话。（2）预测-反应式调度生产过程中的多工序耦合和多种不确定性是复杂产品制造过程生产调度面临的关键挑战。以SM-CC-TR工艺为例，SM生产的钢水需要在连铸机中连续浇铸形成板坯。板坯根据不同的温度、钢种、规格等属性，按照热轧工艺规定分批通过加热炉，进入热轧机。SM-CC的装料和浇铸配料优化、热轧的配料优化以及两者的协同优化是高度耦合的，涉及多机协同。多工序耦合进一步增加了生产过程的不确定性。不确定因素（例如，上游工序的加工时间和下达时间）对生产调度优化有显著的影响。对于复杂的产品制造过程，设备的启停和任务调整对能耗、物流、人力配置等方面都有重要影响。如果没有预先安排的计划，很难在动态事件扰动下实现快速响应。预测-反应调度能够提前考虑可能出现的不确定事件扰动，制定多种场景方案，并在发生动态事件扰动时动态调整生产方案，是实现复杂产品制造过程生产调度优化的有效方法。多工序耦合的预测-反应调度包含两部分：预测调度和反应调度。预测调度旨在通过考虑不确定性的前提下，制定多个生产调度方案，形成候选池。在实际生产过程中，从池中选择当前环境下的最优方案进行生产，并将其他方案作为候选方案。反应调度旨在当动态事件干扰当前方案时，将当前方案切换到其他候选方案，以确保生产过程的连续性和稳定性。以蒙特卡洛树搜索为例。在预测部分，将多工序耦合的生产调度问题转化为流水车间调度问题或作业车间调度问题。通过蒙特卡洛树搜索实现静态问题的优化求解，并通过其仿真过程实现对不确定事件的预测。在优化过程中，随着蒙特卡洛树节点的展开，得到多个考虑不确定性的生产调度方案，形成方案池。其中的最优方案直接用于指导当前生产过程，其余方案作为备选方案。在不确定事件扰动下，触发反应式调度机制，定位当前扰动位置及其在蒙特卡洛树中的对应节点。基于先验知识和启发式规则，从蒙特卡洛树中选择其他节点及其直至叶子节点的所有后继节点，实现从当前方案到备选方案的切换，进而实现反应式调度。在云边协同架构下，预测性调度和反应性调度部分可分别部署在云端和边缘侧服务器中。云端服务器执行预测性调度的高性能计算，并将生成的最优方案和候选池发送至边缘侧服务器。当发生动态事件扰动时，边缘侧服务器基于候选池进行本地调度方案调整，形成新的方案，指导设备侧生产。（3）多时间尺度闭环调度复杂的产品制造过程难以实现全流程的集成优化，需要进行多层次、分阶段的生产计划与调度。多层次、分阶段的生产计划与调度按时间尺度可分为月度调度、周度调度、日度调度和实时调度。以钢铁生产工序的生产计划与调度为例。月度计划粗略地展开物料、能源、人员等当月生产流程，形成更详细生产计划与调度的约束框架，因此在一些钢铁企业中被称为框架计划。周度计划通常为合同计划，根据各合同订单的生产工序路径和交货期约束，考虑多工序、多设备的耦合关系，制定各合同订单的生产方案以及各工序之间的物流方案。日度计划侧重于设备级的生产调度方案，根据各设备生产工序的工艺约束（例如，热轧工序的材料宽度、厚度、温度、硬度约束），为每台设备制定具体的方案，这直接决定了实际生产过程中各任务的具体执行顺序。实时调度关注方案执行过程中实际生产过程的不确定性，根据不确定事件引起的扰动动态调整原有方案。不同时间尺度的方案相互影响，因此构建多时间尺度调度联动机制，形成闭环调度模式是实现复杂产品制造过程中质量提升、节能降耗和效率提升的关键。多时间尺度联动闭环调度分为自上而下的约束和自下而上的反馈两部分。一方面，针对不同时间尺度生产计划调度问题的具体特点，自上而下地针对月、周、日和实时方案分别设计资源与能源配置方法、多设备协同方法、单机调度方法和实时调度方法，并将方案逐级下发，上级方案约束下级生产计划调度的制定。另一方面，在设备运行过程中，实时监测订单的动态到达、生产加工时间的不确定性、设备性能的变化、资源供需的变化等多种动态事件，并根据实时生产状况的动态扰动，自下而上、逐级调整方案。上述流程构成闭环调度系统，实现多时间尺度联动的闭环调度。下级调度方案的调整反馈给上级调度模块，上级调度模块对上级调度方案的调整提出需求。在云边协同架构下，通过在云端和边缘侧服务器分布式部署不同时间尺度的生产调度方法，实现多时间尺度联动的闭环调度。在云端服务器上部署月排、周排等时间尺度较长、需要全局协调的系统级生产调度方法，将其调度方案委托给边缘侧服务器，边缘侧服务器进一步发展出日排、实时排等设备级生产调度方案。当发生动态扰动事件时，边缘侧服务器首先在有限范围内调整本地调度方案。当边缘侧服务器无力应对调整时，将动态扰动反馈给云端服务器，云端服务器进一步调整系统级调度方案，实现全局调整、闭环动态调度。5.3.4 “云边端”协同闭环优化与控制实时运行和工况变化使系统具有高度的动态性和不确定性。有效协调多系统、多工序耦合的制造过程运行极具挑战性。质量、能源效率和成本等多目标性能指标难以同时优化。因此，如何基于多流程耦合机制和多系统数据信息，实现面向性能的多目标协同控制与闭环优化是一个亟待解决的关键问题。制造过程多工序、多系统、跨阶段耦合的特点十分复杂，传统的集中式优化策略难以满足性能要求，难以同时优化生产质量、效率、安全性和生产资源的利用率。因此，构建“云-边-端”环境下的跨层闭环优化框架势在必行。如图11所示，在保证闭环控制和跨层优化性能的同时，增强过程运行的实时性和可靠性也是本节的重点。图11 跨层闭环优化一体化设计针对3.3节中的研究空白（3） ，本节阐述了在“云-边-端”环境下跨层闭环优化与控制框架的设计和开发，致力于解决多工序多系统耦合的制造过程操作优化与控制问题。“跨层优化”的概念包含两层含义。首先，我们的目标是实现从控制参数到工艺参数，最终到上层资源和能源配置的动态实时优化，这是一种物理层面的跨层优化。其次，为了实现这种多时间尺度、多目标的综合优化，提出了一种嵌套优化方案。我们优先考虑不同的性能指标，高优先级指标作为嵌套内层的优化目标，低优先级指标作为嵌套外层的优化目标。这种方法使我们能够在确保高优先级性能满足的同时优化低优先级性能。同时，采用云边端协同分布式计算框架，分别在设备层、边缘层和云端实现控制优化、流程优化和性能优化，从而提高计算效率和算法实时性。以下几个小节将重点讨论四个方面：（1）基于性能的多流程多系统协同控制与优化；（2）面向快速性能恢复的“边-端”协同控制与智能优化；（3）“云边”框架下的“制造-能源-质量”多目标优化；（4）“云边-端”协同的闭环优化与决策设计。整体框架如图12所示。图12 闭环性能优化和控制框架（1）基于性能的多过程多系统协同控制与优化针对SM-CC-TR制造过程中共性的多工序关联、多系统协同及多源异构数据融合问题，以制造工程过程、工况及工序联合分析为目标，基于机理分析和机器学习方法，从制造过程设备/工序、车间/不同层次提取制造过程中多工序、多系统耦合的特征，并基于工艺参数、设定值、制造绩效等历史运行数据进行关联学习，运用贝叶斯理论、强化学习和深度学习算法，构建能够描述节点间关联关系和关联强度的深度关联耦合网络。利用训练好的深度神经网络控制制造过程运行，设计多目标迭代贪婪算法、NSGA-Ⅱ算法、多目标粒子群优化等智能优化算法，对工艺参数、设定值和控制参数进行优化，实现非最优条件下多工序-多系统关联耦合的协同控制。针对炼钢连铸连轧制造过程中普遍存在的多工序连接、多系统协同、多源异构数据融合等问题，本研究以制造工序、工况和流程的联合分析为重点，基于机理分析和机器学习方法，从制造设备/工序、车间/工序不同层级提取制造过程中多工序、多系统耦合的特征；结合工艺参数、设定值、制造绩效等历史运行数据，利用贝叶斯理论和强化学习、深度学习算法构建深度关联耦合网络，描述节点间的连接关系和强度；利用预训练的深度神经网络控制制造工序的运行，以实现最优输出性能为目标，设计多目标迭代贪婪算法、NSGA-II算法、多目标粒子群算法等智能优化算法对工艺参数、设定值和控制参数进行优化，实现非最优条件下多工序多系统耦合的协同调控。（2）“边端”协同控制优化，快速恢复性能基于构建的关联耦合网络和“边缘-设备”协同框架，针对传感器、执行器及设备异常导致的过程运行质量异常、效率低下和成本上升等问题，本研究研究“边缘-设备”协同优化与自愈控制技术；在“边缘-设备”的协同下，通过多元统计分析、机器学习算法等相关工具完成在线性能异常检测，并基于溯源网络利用贝叶斯逆向推理定位异常根源；设计自适应状态反馈和动态输出反馈容错控制器，用于在系统异常和外部扰动下补偿和恢复系统性能。进一步研究互联系统中执行器故障和通道扰动下的分布式控制系统稳定性与渐近跟踪问题，结合进化计算优化与自愈控制算法，实现性能异常快速恢复的“边缘-设备”协同控制与优化。（3）“云-边”框架下的“制造-能源-质量”多目标优化SM-CC-TR制造过程中的运行信息在不同工序/系统间构成复杂的多流关联网络。基于历史数据、工序信息、工序路径等与制造过程相关的异构数据信息，分析了数字线程构建和关联建模过程中的遗传耦合机制。本文将研究多工序多系统的多目标优化与控制策略。为了构建多系统协同运行的能量流优化模型，分析了不同工序的能量耗散过程。采集实时工序/设备数据，以工序消耗成本为关键因素，计算制造工序的各项成本消耗，建立工序运行成本流综合分析模型。针对运行质量信息的实时控制与维护，分析了运行质量信息的反馈与调整机制，建立了基于质量反馈的多工序多系统耦合模型。在“云”环境下，构建了考虑多系统耦合约束的“制造-能量-质量”协同目标函数。采用迭代贪婪算法、NEH算法、多目标粒子群算法等智能优化算法，在“云边”协调框架内进行分布式优化。（4）“云边端”协同的闭环优化与决策设计设计了面向动态制造过程多目标/多任务实时优化与控制决策设计的集成闭环框架。根据不同行业的特点和需求，构建不同的综合评价指标并相应调整权重系数，建立闭环优化和“云-边-端”协同策略。具体而言，针对“边-端”协调优化，提出了一种自适应容错控制算法。此外，在“云端”采用集成学习和贝叶斯融合方法设计信息集成和决策算法。进而，设计了一种分布式智能优化算法，实现了SM-CC-TR制造过程的多目标（质量-成本-效率）优化。5.4 讨论与概括本研究重点关注性能优化与控制，这是各类制造流程的核心关注点。该框架定位于现有控制与管理系统的补充，旨在实现跨层级优化策略的集成。本文以SM-CC-TR流程为背景，探讨了该框架的开发和部署。所探讨的问题涵盖各行各业。该架构可针对特定应用场景，灵活地整合定制技术。此外，该框架中采用的大多数监控、评估、调度和优化技术均采用数据驱动的方法。因此，该架构有望在其他制造流程中推广应用，并拥有良好的发展前景。所提出的框架与现有框架有以下区别：（1）提出了一种基于多维资源的数字主线结构。与传统方法不同，该数字主线的特点是深度融合数据、机械模型和领域特定知识。它支持在整个制造生命周期内访问、转换和追溯来自不同系统的信息。（2）提出了一个面向多流程和多系统耦合的综合性能分析与评估框架，该框架考虑了跨不同运营流程和管理系统的多性能相互关系，同时解决了异构资源和强耦合的挑战。（3）通过云边协同，开发了一种新的多目标闭环调度方案，突破了优化调度方法中与工业生产实际性能相关的闭环调度难题。（4）我们构建了一个性能驱动的制造流程跨层优化架构。该架构充分挖掘了分层管理系统的潜力，力求在质量、能源和成本之间实现和谐平衡，充分利用云-边-端协同环境的能力。本文提出的技术路线图的创新，有望为复杂制造过程的综合性能优化与控制提供新的视角。通过该架构，将形成一些智能制造的新愿景。6 总结与结语本文探讨了智能制造环境下性能驱动的闭环过程优化与控制集成架构。在此架构下，我们提出了构建贯穿整个制造生命周期的数字线程的路线图，以应对构建由数据、机制模型和知识驱动的深度集成网络的挑战。我们提出了一种用于分析和评估层级性能指标的方法，解决了在异构资源的多流程、多系统耦合环境中建模和分析性能关联性的难题。基于性能评估结果，我们形成了云边协同的多目标预测-反应式闭环调度方法，突破了以工业生产性能为导向的调度方法优化的局限性。此外，我们提出了制造过程的闭环控制和多目标跨层优化方法，这些方法有助于突破云边端协同环境下跨层级系统结构实现综合性能优化的瓶颈。总而言之，本文提出的框架涵盖了智能制造所需的关键技术。尽管所提出的框架提出了一些新的见解，但仍存在一些问题有待解决。将大数据、云计算、工业互联网和移动计算等新兴信息技术与制造流程的物理资源进行集成和协调，在实际应用中确实是一项紧迫的挑战。利用具有各种新功能的制造系统来实现智能制造的目标，目前仍处于发展的早期阶段。以下是一些应对这一挑战的策略和思考。（1）构建具有适应性强、泛化能力强的制造过程智能自学习模型至关重要。复杂的制造过程具有广泛的不确定性和时变性，应用场景高度多样化。制造过程包含各种生产任务，在不同工况下结果往往存在差异，现有智能模型可能不再适用。因此，需要在“云边端”协同环境下，开发具有持续学习和演化能力的工业智能模型，使学习模型能够持续演化和更新，使制造过程具备自学习、自优化和自控制的能力，从而实现制造过程的智能化。（2）轻量级、高效的深度神经网络学习框架的应用至关重要。考虑到云边端场景的需求和约束，需要协调分布式智能和云边计算之间的资源可用性、成本、带宽、响应能力、算法复杂度等因素。这需要设计更轻量级、计算效率更高的工业深度神经网络模型，以应对工业领域中对实时性要求更高的任务。（3）无人化或基本不依赖人工的智能制造过程。在信息化与自动化高度融合的制造过程中，机械设备正朝着智能化、自主化、系统化的方向发展，承担着越来越重要的生产活动。人力资源的减少使制造企业能够高效利用资金、优化质量成本、高效协调物流，并实现低能耗和高安全性。（4）联邦学习范式与“云边端”协同环境中的现有模型的结合。智能制造流程对模型性能、隐私保护和数据安全有着严苛的要求。联邦学习通过将客户端个人数据本地化，实现原始数据的物理隔离，确保个人数据不被直接暴露。高效的联邦优化算法能够实现服务器和客户端模型的快速收敛，并促进机器学习模型的合理聚合。联邦学习范式可以从根本上缓解用户的隐私保护顾虑，同时保持模型卓越的预测性能。编辑：任超校核：李正平、陈凯歌、赵栓栓、赵学功、白亮、曹希铭、冯珽婷、陈宇航、陈莹洁、王金、赵诚、肖鑫鑫该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除。来源：故障诊断与python学习