智能制造的内涵和特征

智能制造的内涵和特征

摘要

本章阐述了智能制造的内涵，给出了智能制造的定义，分析了智能制造

的建设目标，梳理了智能制造的技术体系，最后总结了智能制造的系统特征， 并

就智能制造相关问题进行了探讨。

一、制造与智能

智能制造（IM，Intelligent Manufacturing）通常泛指智能制造技术和智

能制造系统，它是人工智能技术和制造技术相结合后的产物。因此，要理解

智能制造的内涵，必须先了解制造的内涵和人工智能技术。

制造是把原材料变成有用物品的过程，它包括产品设计、材料选择、加

工生产、质量保证、管理和营销等一系列有内在联系的运作和活动。这是对制

造的广义理解。对制造的狭义理解是指从原材料到成品的生产过程中的部分工

作内容，包括毛坯制造、零件加工、产品装配、检验、包装等具体环节。对制造

概念广义和狭义的理解使“制造系统”成为一个相对的概念，小的如柔性制造单

元（FMC，Flexible Manufacturing Cell）、柔性制造系统（FMS， Flexible

Manufacturing System），大至一个车间、企业乃至以某一企业为中心包括其供

需链而形成的系统，都可称之为“制造系统”。从包括的要素而言， 制造系统

是人、设备、物料流/信息流/资金流、制造模式的一个组合体。

人工智能（AI，Artificial Intelligence）是智能机器所执行的与人类智能

有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学

习和问题求解等思维活动。人工智能具有一些基本特点，包括对外部世界

的感知能力、记忆和思维能力、学习和自适应能力、行为决策能力、执行控

制能力等。一般来说，人工智能分为计算智能、感知智能和认知智能三个阶

段。第一阶段为计算智能，即快速计算和记忆存储能力。第二阶段为感知智

能，即视觉、听觉、触觉等感知能力。第三阶段为认知智能，即能理解、会

思考。认知智能是目前机器与人差距最大的领域，让机器学会推理和决策异

常艰难。

将人工智能技术和制造技术相结合，实现智能制造，通常有如下好处：

（1）

智能机器的计算智能高于人类，在一些有固定数学优化模型、需要

大量计算、但无需进行知识推理的地方，比如，设计结果的工程分析、高级

计划排产、模式识别等，与人根据经验来判断相比，机器能更快地给出更优

的方案，因此，智能优化技术有助于提高设计与生产效率、降低成本，并提

高能源利用率。

（2）

智能机器对制造工况的主动感知和自动控制能力高于人类，以数控

加工过程为例，“机床/工件/刀具”系统的振动、温度变化对产品质量有重要影

响，需要自适应调整工艺参数，但人类显然难以及时感知和分析这些变化。因此，

应用智能传感与控制技术，实现“感知—分析—决策—执行”的闭环控制，能

显著提高制造质量。同样，一个企业的制造过程中，存在很多动态的、变化的

环境，制造系统中的某些要素（设备、检测机构、物料输送和存储系统等）必

须能动态地、自动地响应系统变化，这也依赖于制造系统的自主智能决策。

（3）

随着工业互联网等技术的普及应用，制造系统正在由资源驱动型向

信息驱动型转变。制造企业能拥有的产品全生命周期数据可能是非常丰富

的，通过基于大数据的智能分析方法，将有助于创新或优化企业的研发、生产、

运营、营销和管理过程，为企业带来更快的响应速度、更高的效率和更深远的

洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、企业供需

链优化和产品精准营销等诸多方面。

由此可见，无论是在微观层面，还是宏观层面，智能制造技术都能给制

造企业带来切实的好处。我国从制造大国迈向制造强国过程中制造业面临 5

个转变：产品从跟踪向自主创新转变；从传统模式向数字化、网络化、智能

化的转变；从粗放型向质量效益型转变；从高污染、高能耗向绿色制造转变；

从生产型向“生产+服务”型转变。在这些转变过程中，智能制造是重要手段。

在“中国制造 2025”中，智能制造是制造业创新驱动、转型升级的制高点、突

破口和主攻方向。

二、智能制造概念的产生与发展

国际上智能制造的研究始于 20 世纪七八十年代，智能制造领域的首本

研究专著

[1]

于 1988 年出版，它探讨了智能制造的内涵与前景，定义其目的是

“通过集成知识工程、制造软件系统、机器人视觉和机器人控制来对制造技工

们的技能与专家知识进行建模，以使智能机器能够在没有人工干预的情况下进行

小批量生产”。1989 年，Kusiak 出版专著《Intelligent Manufacturing Systems》

[2]

，并于次年创办智能制造领域著名的国际学术期刊《Journal of Intelligent

Manufacturing》

[3]

。

20 世纪 90 年代初，日本提出了“智能制造系统 IMS”国际合作研究计

划，其目的是把日本工厂的专业技术与欧盟的精密工程技术、美国的系统技

术充分地结合起来，开发出能使人和智能设备都不受生产操作和国界限制，

且能彼此合作的高技术生产系统。美国于 1992 年执行新技术政策，大力支

持包括信息技术、新的制造工艺和智能制造技术在内的关键重大技术。欧盟

于 1994 年启动新研发项目，在其中的信息技术、分子生物学和先进制造技

术中均突出了智能制造技术的地位。这段时期，由于人工智能进展缓慢，智

能制造技术未能在企业广泛应用。

21 世纪以来，在经历一段时间的沉寂后，智能制造又蓬勃发展起来。美国

以智能制造新技术引领“再工业化”，2011 年 6 月，启动包括工业机器人在内

的“先进制造伙伴计划”；2012 年 2 月，出台“先进制造业国家战略计划”，

提出建设智能制造技术平台以加快智能制造的技术创新；2012 年 3 月， 建立全

美制造业创新网络，其中智能制造的框架和方法、数字化工厂、3D

打印等均被列为优先发展的重点领域。德国通过政府、弗劳恩霍夫研究所和

各州政府合作投资于数控机床、制造和工程自动化行业的智能制造研究。

2011 年，日本发布了第四期科技发展基本计划，在该计划中主要部署了多功能

电子设备、信息通信技术、测量技术、精密加工、嵌入式系统等重点研发方

向；同时加强智能网络、高速数据传输、云计算等智能制造支撑技术领域的

研究。

2012 年，美国通用公司提出“工业互联网（Industrial Internet）

[4]

”，通

过它将智能设备、人和数据连接起来，并以智能的方式分析这些交换的数据， 从

而能帮助人们和设备做出更智慧的决策。AT&T、思科、通用电气、IBM 和英

特尔随后在美国波士顿成立工业互联网联盟

[5]

，以期打破技术壁垒，促进物

理世界和数字世界的融合，目前，该联盟的成员已经超过 200 个。

在 2013 年 4 月的汉诺威工业博览会上，德国政府宣布启动“工业 4.0

（Industry 4.0）”国家级战略规划，意图在新一轮工业革命中抢占先机，奠定

德国工业在国际上的领先地位。“工业 4.0”通过利用信息-物理系统（CPS，

Cyber-Physical Systems），实现由集中式控制向分散式增强型控制的基本模式转

变，其目标是建立高度灵活的个性化和数字化的产品与服务的生产模式，

推动现有制造业向智能化方向转型。

在中国，“智能制造”的研究问题于 1988 年首次在国家自然科学基金委

（NSFC）提出，并于 1993 年设立 NSFC 重大项目“智能制造系统关键技术”，

之后相关的理论研究一直在进行，但大规模的应用探索研究并未开展。2010 年，

《国务院关于加快培育和发展战略性新兴产业的决定》中首次将“智能 制造及装

备”列为高端制造装备中的重点发展领域。之后，智能制造技术被 列入国家

“十二五”规划、国家中长期发展规划优先发展和支持的重点领域， 并制定了

《智能制造装备产业“十二五”发展规划》和《智能制造科技发展 “十二五”

专项规划》。2015 年，国务院正式发布《中国制造 2025》，在“战略任务和重点”

一节中，明确提出“加快推动新一代信息技术与制造技术融合发展，把智能制造作

为两化深度融合的主攻方向；着力发展智能装备和智能产品，推进生产过程智能

化；培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。”

纵观智能制造概念与技术的发展，经历了兴起和缓慢推进阶段，直到

2013 年以来的爆发式发展。究其原因有很多，其一，近几年来，世界各国都

将“智能制造”作为重振和发展制造业战略的重要抓手；其二，随着以互联

网、物联网和大数据为代表的信息技术的快速发展，智能制造的范畴有了较

大扩展，以 CPS、大数据分析为主要特征的“智能制造”已经成为制造企业

转型升级的巨大推动力。

三、智能制造的定义

关于“智能制造”一词的定义非常多，下面列举了其中一些定义：

（1）1991 年，日、美、欧共同发起实施的“智能制造国际合作研究计

划”中定义“智能制造系统是一种在整个制造过程中贯穿智能活动，并将

这种智能活动与智能机器有机融合，将整个制造过程从订货、产品设计、

生产到市场销售等各个环节以柔性方式集成起来的能发挥最大生产力的先

进生产系统”。

（2）百度百科中“智能制造”一词采用了路甬祥报告中的定义

[6

]，“一种由

智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进

行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合

作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制

造自动化的概念更新、扩展到柔性化、智能化和高度集成化”。

（3）2011 年 6 月，美国智能制造领导联盟（SMLC，Smart Manufacturing

Leadership Coalition）发表了《实施 21 世纪智能制造》报告。定义智能制造

是先进智能系统强化应用、新产品制造快速、产品需求动态响应，以及工业

生产和供应链网络实时优化的制造。智能制造的核心技术是网络化传感器、

数据互操作性、多尺度动态建模与仿真、智能自动化，以及可扩展的多层次

的网络安全。

（4）

在中国《智能制造科技发展“十二五”专项规划》中，定义智能制

造是“面向产品全生命周期，实现泛在感知条件下的信息化制造，是在现代

传感技术、网络技术、自动化技术、拟人化智能技术等先进技术的基础上，

通过智能化的感知、人机交互、决策和执行技术，实现设计过程智能化、制

造过程智能化和制造装备智能化等。智能制造系统最终要从以人为主要决策

核心的人机和谐系统向以机器为主体的自主运行转变”。

（5）

在中国《2015 年智能制造试点示范专项行动实施方案》中，定义智

能制造是“基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动

各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能

的先进制造过程、系统与模式的总称。具有以智能工厂为载体，以关键制造

环节智能化为核心，以端到端数据流为基础、以网络互联为支撑等特征， 可

有效缩短产品研制周期、降低运营成本、提高生产效率、提升产品质量、降

低资源能源消耗”。

（6）2015 年 12 月，《国家智能制造标准体系建设指南（2015 年版）》提

出了智能制造系统架构模型，该模型从生命周期、系统层级和智能功能三个

维度来阐述智能制造的内涵，所构建的智能制造标准体系结构包括基础共性

标准、关键技术标准和重点行业标准三大部分，其中，关键技术标准包括智能

装备、智能工厂、智能服务、工业软件和大数据、工业互联网 5 个部分。从上

述定义可以看出，随着各种制造新模式的产生和新一代信息技术的

快速发展，智能制造的内涵在不断变化，人工智能的成分在弱化，而信息技

术、网络互联等概念在强化，同时，智能制造的范围也在扩大，横向上从传

统制造环节延伸到产品全生命周期，纵向上从制造装备延伸到制造车间、制

造企业甚至企业的生态系统。

关于智能制造的理解存在一定的分歧，比如，在国家 973 项目“高品质

复杂零件智能制造基础研究”中，认为智能制造的“科学理念集中体现在智

能工艺和智能装备上，是复杂工况下高性能产品制造的有效手段”，这可视

为对智能制造的狭义理解。虽然“工业 4.0”、“工业互联网”和“中国制造

2025”都没有给出智能制造的定义，但“工业 4.0”中强调智能生产（Smart

Production）和智能工厂（Smart Factory），“工业互联网”强调智能设备

（Intelligent Devices）、智能系统（Intelligent Systems）和智能决策（Intelligent

Decisioning）三要素的整合，“中国制造 2025”把智能制造作为两化深度融

合的主攻方向。因此，也有一种观点认为这些战略规划就是在讲“智能制造”，这实

际上过于泛化了，不利于理解智能制造的本质特征。

本书从智能制造的本质特征出发，尝试给出智能制造较为普适的定义，

即“面向产品的全生命周期，以新一代信息技术为基础，以制造系统为载体， 在

其关键环节或过程，具有一定自主性的感知、学习、分析、决策、通信与协调控

制能力，能动态地适应制造环境的变化，从而实现某些优化目标”。关于该定义

的解释如下：

（1）

智能制造面向产品全生命周期而非狭义的加工生产环节，产品是

智能制造的目标对象。

（2）

智能制造以新一代信息技术为基础，包括物联网、大数据、云计算

等，是泛在感知条件下的信息化制造。

（3）

智能制造的载体是制造系统，如图 2-1 所示，制造系统从微观到宏

观有不同的层次，比如制造装备、制造单元、制造车间、制造企业和企业生

态系统等。制造系统的构成包括产品、制造资源（机器、生产线、人等）、各

种过程活动（设计、制造、管理、服务等）以及运行与管理模式。

图 2-1 智能制造系统的层次

（4）

智能制造技术的应用是针对制造系统的关键环节或过程，而不一

定是全部。

（5）

“智能”的制造系统，必须具备一定自主性的感知、学习、分析、

决策、通信与协调控制能力，这是其区别于“自动化制造系统”和“数字化

制造系统”的根本地方，同时，“能动态地适应制造环境的变化”也非常重要，

一个只具有优化计算能力的系统和一个智能的系统是不同的。

（6）

构建“智能”的制造系统，必然是为了实现某些优化目标。这些优

化目标非常多，比如，增强用户体验友好性、提高装备运行可靠性、提高设

计和制造效率、提升产品质量、缩短产品制造周期、拓展价值链空间等。应

当注意，不同的制造系统层次、制造系统的不同环节和过程、不同的行业和

企业，其优化目标及其重要性都是不同的，难以一一枚举，必须具体情况具

体分析。

四、智能制造的目标

“智能制造”概念刚提出时，其预期目标是比较狭义的，即“使智能机

器在没有人工干预的情况下进行小批量生产”，随着智能制造内涵的扩大，智

能制造的目标已变得非常宏大。比如，“工业 4.0”指出了 8 个方面的建设目

标，即满足用户个性化需求，提高生产的灵活性，实现决策优化，提高资源生

产率和利用效率，通过新的服务创造价值机会，应对工作场所人口的变化，实

现工作和生活的平衡，确保高工资仍然具有竞争力。“中国制造 2025” 指出实

施智能制造可给制造业带来“两提升、三降低”，“两提升”是指生产效率的大

幅度提升，资源综合利用率的大幅度提升。“三降低”是指研制周期的大幅度缩短，

运营成本的大幅度下降，产品不良品率的大幅度下降。

下面结合不同行业的产品特点和需求，从 4 个方面对智能制造的目标特

征作归纳阐述。

1.

满足客户的个性化定制需求

在家电、3C（计算机、通信和消费类电子产品）等行业，产品的个性化

来源于客户多样化与动态变化的定制需求，企业必须具备提供个性化产品的

能力，才能在激烈的市场竞争中生存下来。智能制造技术可以从多方面为个

性化产品的快速推出提供支持，比如，通过智能设计手段缩短产品的研制周

期，通过智能制造装备（比如智能柔性生产线、机器人、3D 打印设备）提

高生产的柔性，从而适应单件小批生产模式等。这样，企业在一次性生产且

产量很低（批量为 1）的情况下也能获利。以海尔为例，2015 年 3 月，首台

用户定制空调成功下线，这离不开背后智能工厂的支持。

2.

实现复杂零件的高品质制造

在航空、航天、船舶、汽车等行业，存在许多结构复杂、加工质量要求非

常高的零件。以航空发动机的机匣为例，它是典型的薄壳环形复杂零件， 最大

直径可达 3m，其外表面分布有安装发动机附件的凸台、加强筋、减重型槽

及花边等复杂结构，壁厚变化剧烈。用传统方法加工时，加工变形难以控制，

质量一致性难以保证，变形量的超差将导致发动机在服役时发生振动， 严重时甚

至会造成灾难性的事故。对于这类复杂零件，采用智能制造技术， 在线检测加工

过程中力-热-变形场的分布特点，实时掌握加工中工况的时变规律，并针对工况

变化即时决策，使制造装备自律运行，可以显著地提升零件的制造质量。

3.

保证高效率的同时，实现可持续制造

可持续发展定义为：“能满足当代人的需要，又不对后代人满足其需要的

能力构成危害的发展”。可持续制造是可持续发展对制造业的必然要求。从环

境方面考虑，可持续制造首先要考虑的因素是能源和原材料消耗。这是因

为制造业能耗占全球能量消耗的 33%，CO

2

排放的 38%

[7]

。当前许多制造

企业通常优先考虑效率、成本和质量，对降低能耗认识不够。然而实际情

况是不仅化工、钢铁、锻造等流程行业，而且在汽车、电力装备等离

散制造行业，对节能降耗都有迫切的需求。以离散机械加工行业为例，我

国机床保有量世界第一，约 800 多万台。若每台机床额定功率按平均为 5

千瓦～10 千瓦计算，我国机床装备总的额定功率为 4000 万千瓦～8000 万

千瓦，相当于三峡电站总装机容量 2250 万千瓦的 1.8～3.6 倍。智能制造技

术能够有力地支持高效可持续制造，首先，通过传感器等手段可以实时掌

握能源利用情况；其次，通过能耗和效率的综合智能优化，获得最佳的生

产方案并进行能源的综合调度，提高能源的利用效率；最后，通过制造生

态环境的一些改变，比如改变生产的地域和组织方式，与电网开展深度合

作等，可以进一步从大系统层面实现节能降耗。

4.

提升产品价值，拓展价值链

产品的价值体现在“研发—制造—服务”的产品全生命周期的每一个环

节，根据“微笑曲线”理论，制造过程的利润空间通常比较低，而研发与服

务阶段的利润往往更高，通过智能制造技术，有助于企业拓展价值空间。其

一，通过产品智能化升级和产品智能设计技术，实现产品创新，提升产品价

值；其二，通过产品个性化定制、产品使用过程的在线实时监测、远程故障

诊断等智能服务手段，创造产品新价值，拓展价值链。

五、智能制造的技术体系

智能制造技术体系的总体框架如图 2-2 所示，智能制造基础关键技术为

智能制造系统的建设提供支撑，智能制造系统是智能制造技术的载体，它包

括智能产品、智能制造过程和智能制造模式三部分内容。

图 2-2 智能制造技术体系的总体框架





智能产品

所谓智能产品，是指深度嵌入信息技术（高端芯片、新型传感器、智能

控制系统、互联网接口等），在其制造、物流、使用和服务过程中，能够体

现出自感知、自诊断、自适应、自决策等智能特征的产品。产品智能化是产

品创新的重要手段，和非智能产品相比，智能产品通常具有如下特点：能够

实现对自身状态、环境的自感知，具有故障诊断功能；具有网络通信功能，

提供标准和开放的数据接口，能够实现与制造商、服务商、用户之间的状态

和位置等数据的传送；具有自适应能力，能够根据感知的信息调整自身的运

行模式，使其处于最优状态；能够提供运行数据或用户使用习惯数据，支撑

制造商、服务商、用户进行数据分析与挖掘，实现创新性应用等。

下面从使用、制造和服务三个环节对智能产品的关键技术进行阐述。

1.

面向使用过程的产品智能化技术

无人机、无人驾驶汽车、智能手机等是典型的创新型智能产品，它们的

“人—机”或“机—机”互动能力强，用户体验性好，甚至可以代替或者辅助

用户完成某些工作，因而具有较高的附加值。其智能性主要通过自主决策

（如环境感知、路径规划、智能识别等）、自适应工况（控制算法及策略等）、

人机交互（多功能感知、语音识别、信息融合等）、信息通信等技术来实现。

借助工业互联网和大数据分析技术，这类产品的使用信息也可以反馈回设计

部门，为产品的改进与创新设计提供支持。

还有一类特殊的产品就是智能制造装备，比如智能数控机床，它将专家

的知识和经验融入感知、决策、执行等制造活动中，并赋予产品制造在线学

习和知识进化能力，从而实现高品质零件的自学自律制造。智能制造装备和

智能制造工艺密切相关。

2.

面向制造过程的产品智能化技术

产品是制造的目标对象，要实现制造过程的智能化，产品（含在制品、

原材料、零配件、刀具等）本身的智能化是不可缺少的，它的智能特征体现

在可自动识别、可精确定位、可全程追溯、可自主决定路径和工艺、可主动报

告自身状态、可感知并影响环境等诸多方面。“工业 4.0”中描述了这样一个场

景，产品进入车间后，自己找设备加工，并告诉设备如何加工。这就是面向

制造过程的产品智能化的具体体现，其实现的关键技术包括无线射频识别

（RFID，Radio Frequency Identification）等自动识别技术、CPS 技术、移动

定位技术等。

3.

面向服务过程的产品智能化技术

对于工程机械、航空发动机、电力装备等产品，远程智能服务是产品价值

链中非常重要的组成部分。以通用电气（GE）为例，其位于美国亚特兰大的能

源监测和诊断中心，收集全球 50 多个国家上千台 GE 燃气轮机的数据， 每天

的数据量多达 10G，通过大数据分析可对燃气轮机的故障诊断和预警提供支

撑。为了实现远程智能服务，产品内部嵌入了传感器、智能分析与控制装置和

通信装置，从而实现产品运行状态数据的自动采集、分析和远程传递。





智能制造过程

作为制造过程创新的重要手段，智能制造过程包括设计、工艺、生产和

服务过程的智能化。

1．智能设计

产品设计是产品形成的创造性过程，是带有创新特性的个体或群体性活

动，智能技术在设计链的各个环节上使设计创新得到质的提升。通过智能数

据分析手段获取设计需求，进而通过智能创成方法进行概念生成，通过智能

仿真和优化策略实现产品的性能提升，辅之以智能并行协同策略来实现设计

制造信息的有效反馈，从而大幅缩短产品研发周期，提高产品设计品质。

1）

面向多源海量数据的设计需求获取技术

设计的感知来源于客户需求，如何有效获取客户需求用于产品设计是保

证产品设计有效性的前提，信息技术的飞速发展已使产品设计需求超越了客

户调查的传统范畴，呈现为广泛存在于产品生命周期中的多样化数据信源，

它可来自于互联网的客户评价、来自于服务商的协商调研、来自于设计伙伴

的信息交互、甚至来源于正在服役产品关键性能数据的实时在线反馈，各种

智能方法被用于发现这些信息中所隐含的设计需求，包括智能聚类方法、神

经网络技术、机器学习策略、软计算方法、数据挖掘技术等；而对于当前广

泛存在于广域有线和工业无线网络中的各种异构海量数据，大数据分析方法

和云计算技术正成为处理这些信息进而获取个性化定制需求的有力工具，巨

量数据的有效分析使得传统方法不易获得的设计需求被智能化地呈现出来，

使设计概念的创新提升到一个新的层次。

2）

设计概念的智能创成技术

如何从设计需求转变为概念产品是设计智能的实际体现和具化过程，各

种人工智能和系统工程方法的运用使这一阶段更具智能化和科学化。发明问

题的解决理论（TRIZ）提出了一系列的理论、方法和工具来使设计创新过程

系统化和规则化，有效拓展了创新思维能力。而各种基于知识的理论则着眼于

经验知识的形式化表达和智能获取，包括基于规则的方法、基于案例的方法、

基于模型的方法、知识流分析方法、基于语义网络的方法等，它们将知识工程

的最新成果与设计概念形成原理相结合来形成有效的知识载体实现设计概

念的智能创成。而随着互联网络的发展与普及，知识资源的和设计服务的共

享将成为设计知识再利用的有效途径，相应分布式资源管理理论和平台技术

的不断完善将使得设计效率得到显著提升；而在创新理念层出不穷的今天，

支持多个创客群体实时交互、基于群体智能机制的实时协同创新平台也将成为

设计概念产生的一种有效支持手段，促进新概念产品的创造性生成。

3）

基于模拟仿真的智能设计技术

产品功能是产品性能的具体载体，由设计概念信息发展为具体产品需要

进行产品性能的具体量化实现，随着高性能计算技术的发展，工业企业越来越

倾向于使用高性能仿真来替代昂贵的物理性能实验，在节约成本的同时大幅缩

短研制周期。基于计算机数字模型的模拟仿真已成为产品设计必不可少的手段，

仿真的层次也从宏观逐步递进到用来真实反映介观、微观等多个层次的物理现

象。而对于物理性能要求很高的产品，鉴于尺度之间的强关联特性，模拟仿真

已突破了单尺度的限制，进入宏细观结合的跨尺度分析的范畴， 如集成计算材料

工程（ICME，Integrated Computational Materials Engineering）

利用计算工具所得的材料信息与工业产品性能分析和制造工艺模拟集成，通

过界面分析及材料—产品—工艺的一体化设计来实现产品的性能提升。随着

产品性能要求的不断提升，基于高精度模拟仿真数据、融高效实验设计和智

能寻优为一体的优化技术已成为产品设计性能提升的不可或缺的手段。面对

空间飞行器、航天运载工具、高性能舰船等具有极高维度、极复杂设计空间

的设计系统，多学科优化技术已成为处理复杂设计系统综合性能优化的有效

方法，它通过探索和利用系统中相互作用的协同机制，利用学科子系统间的

目标耦合策略和协调计算方法来构建系统的智能迭代优化策略，从而在较短

的时间内获取系统整体最优性能。而用于提高优化性能的一系列关键技术伴

随着优化体系的形成而逐渐展开，如用于提升模拟仿真效率的智能实验设计

技术、用于减少高成本仿真次数的智能近似技术、用于在多峰、多约束、复

杂地貌的设计空间中快速找到最优区域的智能寻优技术、用于对模拟仿真中

认知或模型不确定性进行定量化度量的智能不确定分析技术等，这些均为设

计优化过程的自动化、智能化和精准化提供了有力的驱动力。

4）

面向“性能优先”的智能设计技术

传统的产品设计体现的是“实现性优先”，即在产品设计时要对产品如

何通过工艺手段实现出来加以综合考量，在确保产品能够实现的前提下对产

品性能进行优化，其产品的性能将不可避免地受到后续工艺过程的限制或影

响。而随着以 3D 打印技术为代表的新型工艺方法的飞速发展，“如何实现”

的局限性已成为一个可以逾越的屏障，设计者可以把更多的精力放在如何使产

品结构能够更好地满足性能要求之上，从而形成了“性能优先”的设计。工程

师可以根据性能要求量身定制特定的结构形式，而如何智能生成这些结构形式

则是一个新的问题。拓扑优化技术为产品的性能优先设计提供了有力的智能解

决手段，拓扑优化是指一种根据给定的负载情况、约束条件和性能指标，在给

定的区域内对材料分布进行优化的数学方法，其内在的机理在于如何智能地生

成符合性能要求的结构布局，其灵活的布局方式使得设计者可跨越工艺限制，

去追求极致的设计性能，达到传统设计所无法企及的性能水平。

2．智能装备与工艺

制造装备是工业的基础，制造装备的智能化是其未来发展的必然趋势，

是体现制造水平的重要标志之一。智能制造装备的核心思想是装备能对自身

和加工过程进行自感知，对与装备、加工状态、工件材料和环境有关的信息进

行自分析，根据零件的设计要求与实时动态信息进行自决策，依据决策指令进

行自执行，通过“感知→分析→决策→执行与反馈”大闭环过程，不断提升装

备性能及其适应能力，使得加工从控形向控性发展，实现高效、高品质及安全

可靠的加工，除此之外，设备与人的协同工作，虚拟/虚实制造等也是智能装备

与工艺的重要内容。表 2- 1 从三个方面描述了从“数字装备与工艺”到“智

能装备与工艺”的进化过程。

表 2-1 从“数字装备与工艺”到“智能装备与工艺”

数字装备与工艺

智能装备与工艺

机床自动采集工况信息，根据实时状态优

化调整加工参数，设备自律执行

机器人和人协同工作，其位置不再固定，

行为不再预设，能自适应环境变化

在虚拟环境或者虚实结合环境中完成全部

制造工艺的验证

数控机床按照预先给定的指令进行加工

工业机器人在固定位置按照预先设定的程序自

动进行重复式工作

制造工艺的验证基本在物理环境中完成

下面以高品质复杂零件（比如航空发动机叶片）的智能加工过程为例对

智能装备与工艺进行简要阐述。其关键技术包括工况自检测、工艺知识自学

习、制造过程自主决策和装备自律执行等。

（1）

工况自检测：零件加工过程中，制造界面上的热—力—位移多场耦

合效应与材料/结构/工艺/过程具有强相关性，通过对加工过程中的切削力、夹

持力，切削区的局部高温，刀具热变形、磨损、主轴振动等一系列物理量， 以及

刀具—工件—夹具之间热力行为产生的应力应变进行高精度在线检测， 为工艺知

识学习与制造过程自主决策提供支撑。

（2）

工艺知识自学习：在检测加工过程的时变工况后，分析工况、界面

耦合行为与工件品质之间的映射关系，建立描述工况、耦合行为和工件品质

映射关系的联想记忆知识模板，通过工艺知识的自主学习理论，实现基于模

板的知识积累和工艺模型的自适应进化。同时将获得的工艺知识存储于工艺

知识库中，供工艺优化使用。为制造过程自主决策提供支撑。

（3）

制造过程自主决策和装备自律执行：智能装备的控制系统具有面向

实际工况的智能决策与加工过程自适应调控能力。通过将工艺知识融入装备

控制系统决策单元，根据在线检测识别加工状态，由工艺知识对参数进行在线

优化并驱动生成过程控制决策指令，对主轴转速及进给速度等工艺参数进行实

时调控，使装备工作在最佳状态。在进行调控时，具有完善的调控策略， 避免

工艺参数突变对加工质量的影响。还能实时调控智能夹具的预紧力以及导轨等运

动界面的阻尼特性，以抑制加工过程中的振动，提高产品质量。

3．智能生产

指针对制造工厂或车间，引入智能技术与管理手段，实现生产资源最优

化配置、生产任务和物流实时优化调度、生产过程精细化管理和智慧科学管

理决策。生产过程的主要智能手段及其价值回报如图 2-3 所示。

图 2-3 生产过程的主要智能手段及其价值回报

制造工厂或车间的智能特征体现为三方面，一是制造车间具有自适应

性，具有柔性、可重构能和自组织能力，从而高效地支持多品种、多批量、

混流生产；二是产品、设备、软件之间实现相互通信，具有基于实时反馈信

息的智能动态调度能力；三是建立有预测制造机制，可实现对未来的设备状

态、产品质量变化、生产系统性能等的预测，从而提前主动采取应对策略。

下面对其关键实现技术进行简要阐述。

1）

制造系统的适应性技术

制造企业面临的环境越来越复杂，比如产品品种与批量的多样性、设计

结果频繁变更、需求波动大、供应链合作伙伴经常变化等，这些因素会对制

造成本和效率造成很不利的影响。智能工厂必须具备通过快速的结构调整和

资源重组，以及柔性工艺、混流生产规划与控制、动态计划与调度等途径来

主动适应这种变化的能力，因此，适应性（Adaptability）是制造工厂智能特

征的重要体现。

图 2-4 从柔性制造系统到适应性制造系统

如图 2-4 所示，制造系统的适应性表现为三个层次。

（1）

柔性制造系统（FMS，Flexible Manufacturing System）主要通过设

备的柔性来支持工厂的适应性。常见的柔性制造设备包括数控机床、机器人、

3D 打印设备、柔性工装、自动换刀装置、自动检测设备（比如机器视觉）、

立体仓库、自动导引小车（AGV，Automated Guided Vehicle）等。由柔性制

造设备构成的柔性制造单元或柔性生产线，能一定程度的适应不同型号产品

的混流生产。

（2）

可重构制造系统（RMS，Reconfigurable Manufacturing System）更

强调通过系统结构及其组成单元的快速重组或更新，及时调整制造系统的功

能和生产能力，从而迅速响应市场变化及其他需求。其核心技术是系统的可

重构性，即利用对制造设备及其模块或组件的重排、更替、剪裁、嵌套和革

新等手段对系统进行重新组态、更新过程、变换功能或改变系统的输出（产

品与产量）。RMS 除了包含生产单元的可重构性（FMS、物理或逻辑布局调

整）以外，还包括组织结构与业务流程的可重构，以及产品的可重构（标准

化、模块化等）。

（3）

适应性制造系统（AMS，Adaptive Manufacturing System）是对RMS

的进一步扩展，除了要求系统可重构外，还关注制造系统组织过程及运行控

制策略的动态调整，即通过对系统功能结构与运行控制全面综合的统筹优化

与逻辑重构，实现制造系统在产品全生命期乃至整个工厂生命期内对于内外部

动态环境变化的适应性。

在跨企业层面，企业动态联盟与虚拟制造组织是系统适应性的表现形

式。在企业内部，客户化大规模定制与平台化产品变型设计在产品自身及其

生产制造系统的适应性方面则表现更为突出。相应地，在制造车间内部，为

实现多品种混流制造，须采取基于混流路径的车间生产动态规划与制造执行

过程智能化管控。

在混流生产规划阶段，借助产品及其零部件的任务分族和设备资源的虚

拟动态分组（或称虚拟制造单元），通过充分合理地规划分配设备资源组间

跨路径分支（虚拟单元）的能力共享，将整个车间运行控制分解落实到虚拟

单元层次。混流生产规划方案通常需要通过仿真的方法进行分析和验证。

在制造执行管控阶段，其适应性通过“智能计划—智能感知—决策指

挥—协调控制”的闭环流程来实现。对于动态混流路径，由于其中的产品品种

差异大且存在需求数量比例的波动性，往往会出现生产能力的不平衡，可采取

基于约束管理(TOC，Theory of Constraint)的推拉结合的生产计划控制技术。

生产过程的实时状态（包括异常）通过各种感知手段来快速捕获，并通过决

策中心进行指挥调度，确保多车间生产的协同，实现生产与物流的同步， 并自

动记录产品的质量档案。

2）

基于实时反馈信息的智能动态调度技术

基于人工智能的智能机器只能进行机械式的推理、预测、判断，它只能

具有逻辑思维（专家系统），最多做到形象思维，完全做不到灵感思维，只

有人类专家才真正同时具备以上三种思维能力。因此，基于实时反馈信息的

智能动态调度不能全面取代制造过程中人类专家的智能，独立承担起分析、

判断、决策等任务是不现实的。基于实时反馈信息的智能动态调度技术包括：

（1）

智能数据采集技术：利用智能传感器，建立车间层的传感网，并实

现多种现场总线、无线、异构系统集成和接入，自动获取车间制造现场的各

种数据和信息，包括设备工况信息（温度、转速、能耗等）以及业务过程数

据（物料数据、质量数据、人力数据、成本数据、计划数据等）。

（2）

智能数据挖掘技术：对获取的海量数据进行实时处理、分析和挖

掘，并以可视化的方式展示其结果，可以为不同用户提供个性化的数据分析

结果。

（3）

智能生产动态调度技术：根据现场数据和分析结果，针对优化目标，

对各种任务、刀具、装备、物流和人员进行调度，尽可能在已有约束条件下满

足生产需求。并能根据环境变化，快速反应，提出最佳的应对方案。

（4）

人机一体化技术：人机一体化一方面突出人在制造系统中的核心地

位，同时在智能机器的配合下，更好地发挥出人的潜能，使人机之间表现出

一种平等共事、相互“理解”、相互协作的关系，使二者在不同的层次上各显

其能，相辅相成。 因此，基于实时反馈信息的智能动态调度中机器智能和人

的智能将真正地集成在一起，互相配合，相得益彰。

3）

预测性制造技术

制造工厂是一个结构复杂且动态多变的环境，各种异常事件总会随机发

生并对生产过程造成影响，这些异常通常包括两类，一类是可见的异常，比

如设备停机、质量超差等，另一类是不可见的异常，比如设备性能衰退、制

造过程失控等。对可见异常的应对措施属于事后处理方案，它显然是不够聪

明的，因为到了问题完全暴露的那一刻，再采取纠正措施往往就打乱了原来

的计划，造成生产紊乱或停滞。

对不可见异常的感知、分析、预测与处理是智能工厂的重要特征，李杰

教授称之为自省性（Self-Aware），并称满足这种特性的制造系统为“预测性

制造系统”（Predictive Manufacturing System）

[8]

。

要实现预测性制造，首先要通过工厂物联网或工业互联网实时获取生产

过程中的各种状态数据，然后通过分析和训练建立相应的预测模型，并实现

对未来状态的预测。常见的分析模型包括：

（）1 ） 多变量统计过程控制（ MSPC ， Multivariate Statistical

Process Control）：对于串并联多工位制造系统，任一工位“设备/工装/刀具”

状态的异常波动将导致整个制造过程发生不同程度的偏移甚至失控，过程一

旦失控将大大增加产品的质量风险。为了提前发现过程异常，可以用到多变

量统计质量控制方法，监控的变量包括产品的尺寸、缺陷数等关键质量特性以

及设备、夹具、刀具的状态参数等关键控制特性，通过优化设计的多变量控制图，

监控上述过程变量的变化，并基于统计规律，对过程偏移发出预警， 进一步通

过模式识别等手段，还可以辨识失控模式并进行失控根原因分析。

（）2 设备预防性维护（PM，Preventive Maintenance）：包括对制造装备

和刀具的维护或更换。设备/刀具的失效是连续劣化和随机冲击共同作用的结

果，其失效模型可以通过对设备大量的运行与维护历史数据进行分析而近似

建立，基于该可靠性模型，可以科学评估设备的实时状态，计算继续服役的

风险，预测其剩余使用寿命，并通过面向经济性或可靠性的维修决策模型，

实现对设备的维护时机、维护方式和维护程度的科学决策。

（）3 生产系统性能预测：如果将制造工厂视为一个黑箱系统，其输入为

计划与订单，其输出是各种绩效数据，包括产出量、准时交付率、物流效率、设

备综合效能等。显然，系统的输出受到系统输入、系统结构、系统当前状态等

各种可见因素以及各种不可见因素（随机因素）的影响。较为准确地预测系统

响应，对于生产计划制定、生产订单评价、生产动态调整等都具有重要意义。

目前已有大量的数学模型可用于预测分析，比如回归分析、神经网络、时间序

列等。