鲁建厦，胡庆辉，董巧英

(浙江工业大学 机械工程学院，浙江 杭州 310014)



智慧制造及其研究现状

鲁建厦，胡庆辉，董巧英

(浙江工业大学 机械工程学院，浙江 杭州 310014)

为掌握最新制造模式发展，对智慧制造的概念、内涵和运行机制等相关问题进行了综述与研究.讨论了智慧制造的相关背景，并总结了智慧制造的定义和特征；比较了智慧制造与智能制造、敏捷制造及网络化制造等制造模式的关系；描述了智慧制造的智慧感知、智慧分析和智慧服务三个关键技术及其相互关系，详细综述了各关键技术的研究现状；并给出了智慧制造未来的研究方向.

智慧制造；智慧感知；智慧分析；智慧服务

智慧制造(Wisdom manufacturing，WM)是信息通信技术与制造技术深度融合的一种人机物协同的新型制造模式，最早由我国学者姚锡凡正式提出[1].与其他先进制造模式一样，智慧制造的产生也是需求与技术双重驱动的结果.需求方面，现代制造系统日益复杂庞大，在工程复杂性和系统复杂性之外逐渐显露出社会复杂性，需要综合考虑经济、社会和人文等因素，人机物协同的制造模式是企业应对当前市场环境的迫切需要.技术方面，物联网、云计算、大数据和智能科学等高新技术的完善，推动着制造业向智慧化的方向不断发展，使制造系统能深刻理解和认识制造全生命周期中的事物，并做出相应的感知、判断和行动.我国作为制造大国，正处于结构调整和转型升级的关键时期.2015年国务院出台了《中国制造2025》，强调了加快推进信息化与工业化深度融合的战略任务，并明确把智能制造作为两化融合的主攻方向[2].智慧制造的出现，恰恰为实现两化深度融合，推动制造系统向数字化、网络化和智能化等方向发展提供了新的动力.

目前，智慧制造的概念和相关研究尚处于萌芽阶段.文献[3]从符号学视角探讨了智慧制造系统集成问题，提出了包括社会系统、信息系统和物理系统在内的智慧制造系统洋葱模型和阶梯模型.文献[4]从智慧层次结构、符号层级结构以及网络演化等角度分析了智慧制造诞生的必然性，并厘清了智慧制造与其他相关制造模式的联系和区别.文献[5]系统地总结了现有的制造模式，并指明了新工业革命将促进智慧制造理念的实现.文献[6]分别从网络融合、社会信息物理系统、嵌入式创新以及个性化服务四个视角对智慧制造进行了分析，并给出了国内外具有智慧制造雏形的案例.文献[7]提出了基于资源域、服务域和组织域的智慧工厂概念参考模型，为智慧工厂研究领域内的标准制定及应用实施提供了参考.文献[8]面向智慧制造模式，构建了一类基于射频识别的智慧制造车间感知环境.文献[9]提出了一种面向突发性制造需求的跨领域集成方法，解决了智慧制造模式下跨领域集成与服务协作的异构性和无序性问题.智慧制造属于新兴概念，当前不同领域的专家学者对智慧制造的定义尚未形成统一共识，体系架构和关键技术也缺乏清晰的界定.为了全面掌握智慧制造研究现状，笔者综合分析了智慧制造的需求与发展背景，论述了智慧制造的概念与内涵特征；辨析了智慧制造与其他制造模式的关系；分析了实现智慧制造的三个关键技术，并综述了这些关键技术的研究现状；进而探讨了智慧制造未来研究发展前景.

1 智慧制造概述

1.1 智慧制造定义

目前，关于智慧制造的概念还没有统一的学术定义.姚锡凡等参考了未来互联网的体系结构，认为智慧制造是一种结合务联网、物联网、内容/知识网、人际网与先进制造技术的面向服务以及基于知识运用的人机物协同制造模式[1].李伯虎等认为智慧制造是一种深度融合制造科学、新兴信息科学和智能科学等技术手段，对制造全生命周期活动中的人、机、物、环境和信息等进行智慧地感知、互联、协同、分析、预测、决策、控制与执行，实现人/组织、经营管理、技术(三要素)及信息流、物流、资金流、知识流和服务流(五流)等集成优化的一种制造范式[10].顾新建等认为智慧制造是信息化与工业化深度融合的一种新型工业形态，强调采用“智慧”技术整合与优化制造企业的设计、生产、管理、服务和商务等各个环节，提升制造企业的综合竞争能力[11].

综上所述，现有研究对智慧制造的理解不尽相同，尚未形成统一的概念和定义.甚至在对“智慧”一词的外文翻译上也存在争议，文献[1]将其翻译为Wisdom，而文献[11]则参考IBM“智慧地球”(Smart planet)的概念将其翻译为Smarter.为进一步厘清智慧制造的定义，笔者对智慧制造的概念展开了探讨.

1) 顾名思义，智慧制造一定涉及“智慧”和“制造”两个概念，是智慧和制造的有机结合.

2) 目前对“制造”的概念有“小制造”和“大制造”两种理解，前者指具体产品的生产过程；后者涉及产品全生命周期中的所有制造活动及企业经营的全过程.智慧制造属于“大制造”的概念[10]，主要体现在三个方面：一是产品的活动和过程覆盖面大，涉及产品的全生命周期；二是制造的活动空间范围大，包括企业内外部甚至全球；三是覆盖的制造类型大，包括离散型、流程型和混合型.

3) “智慧”在汉语中一般指辨析判断、发明创造的能力.文献[12]对“智慧”的内涵进行探讨，认为“智慧”是人所特有的一种复杂机能，是人对事物深刻理解和认识，并做出正确判断的能力.文献[1]则以制造系统的视角来审视，认为人是体现制造系统智慧化的关键因素.因此，智慧制造应以人为本，充分运用人的经验和知识.

虽然现有研究对智慧制造的定义不尽相同，但总体上表明了其目的、方法和功能等方面的特征，综合上述分析，对智慧制造进行描述，给出如下定义：

智慧制造是一种以人为本、面向服务以及基于智慧运用的人机物协同制造模式，通过泛在网络(互联网、物联网、移动网和卫星网等)智慧地感知制造全生命周期中的人、机和物，连接物理世界的数据源；运用大数据技术智慧地分析制造全生命周期中的物流、信息流、资金流、知识流和服务流，构建信息世界的资源池；利用人际网实现知识的共享、传播和积累，获取社会世界的智慧库；最后借助云服务技术智慧地配置制造全生命周期中的制造资源，为客户提供按需使用和透明可信的制造服务，强调物理世界、信息世界和社会世界三者的融合.

1.2 智慧制造特征

智慧制造具有丰富的内涵，在多种高新信息技术和先进制造技术的支持下，集成机器智能、普适智能、社会智能以及人的经验、知识和智慧等，通过人机物协同决策，为客户提供个性化的制造服务.根据概念和内涵，智慧制造具有如下特征：

1) 互联化：通过智慧感知将人、机和物互联，实现全系统、全方位以及全生命周期的感知与接入.

2) 虚拟化：将制造资源/能力进行虚拟封装，只提供逻辑表示和抽象管理，不受物理限制.

3) 协同化：通过全面的互联互通实现企业内外部在技术、业务和管理等方面的协同.

4) 网络化：充分利用网络技术实现制造资源/能力的共享.

5) 服务化：提供按需使用的制造服务，深度融合制造业和服务业.

6) 敏捷化：快速响应用户需求.

7) 智慧化：集成机器智能、普适智能、社会智能以及人的经验、知识和智慧等，通过人机物共同决策实现制造系统全周期、全方位的智慧化.

8) 社会化：注重客户参与和集体智慧创新，使生产者(Producer)和消费者(Consumer)融为一体，成为产消者(Prosumer=Producer+Consumer).

9) 安全化：实时监测制造系统全生命周期，结合历史数据进行智慧预测，使生产更加安全.

1.3 智慧制造与相关制造模式关系

智慧制造本质上是制造业信息化的高级阶段，是信息技术和制造技术不断融合发展的结果.欧美等发达国家在制造业信息化的道路上走在前列，率先形成了许多具有代表性的制造模式，如智能制造(Intelligent manufacturing, IM)、敏捷制造(Agile manufacturing, AM)、网络化制造(Network manufacturing, NM)、面向服务制造(Service-oriented manufacturing, SOM)及制造物联(Internet of manufacturing things)等.近年来伴随新一代信息技术的兴起，以及各国政府对产业升级的持续关注，产生了一些引起国内外产学研界广泛关注的新兴制造理念，如工业4.0(Industry 4.0)和工业互联网(Industrial internet)，代表了智能化工业的最新发展.我国学者在已有制造模式的基础上，也相继提出了一些先进的制造模式，如云制造(Cloud manufacturing, CM)和笔者论述的智慧制造.

以上各种制造模式都是在各自的时代背景下伴随某种信息技术的发展而产生的.虽然产生的背景和针对问题的侧重点不同，但本质上都是制造业信息化的方式，并随着信息技术应用范围的扩大而不断发展，整个历程实际上是一个智能水平不断提升的过程.智能制造、云制造和制造物联等主要侧重于显性智能或人工智能的集成.然而在智慧的程度上，以人作为主要体载的隐性知识高于显性知识，其他制造模式对人的集成及隐性知识的共享缺乏有效的实现方法.与现有注重技术方面的制造模式相比，智慧制造进一步通过社会渠道引入人际网，更强调群体智能、社会智能和人的主观能动性.特别是借助社会性软件实现知识(尤其是隐性知识)的获取、分享、积累和创新，更加注重客户的个性化以及参与的互动性和创新性.图1为智慧制造与其他相关制造模式的关系.

图1 智慧制造与相关制造模式的关系Fig.1 Relationship between WM and related manufacturing

2 智慧制造关键技术及其研究现状

智慧制造的“智慧性”很大程度体现在对制造过程的充分把握和认识，并据此为客户提供个性化制造服务.根据智慧制造的特征，结合当前高新信息技术的研究现状(如物联网、云技术和大数据等)设置了三个方面的关键技术，分别是基于物联网的智慧感知技术、基于工业大数据的智慧分析技术和基于云技术的智慧服务技术.通过智慧感知获取环境信息和资源状态，实现人、机和物三者的互联互通；通过智慧分析提炼原始数据中的信息，并转化为知识和智慧；通过智慧服务提供按需即取的服务方式，形成了智慧制造中“感、知、行”的循环，三者在智慧制造体系中的关系如图2所示.

图2 智慧制造三大关键技术的相互关系Fig.2 Relationship between the three key technologies of WM

2.1 智慧感知技术

感知是把握环境和认识事物的开始.对制造全生命周期中的资源、过程和服务等的智慧感知是实现智慧制造的前提.智慧感知的对象包含了制造系统中的人、机、物、环境和信息等，是全系统、全方位和全生命周期的透彻感知.它与传统感知技术的最大区别在于除了“感知”能力外，还通过智慧推理赋予对象“认知”的能力，最终实现“感控”的目的.智慧感知技术涉及四个关键问题：感知系统建模、信息采集、信息分析和信息传输，技术体系如图3所示.

图3 智慧感知技术体系Fig.3 Wisdom sensing technology system

在感知系统建模方面，主要有概念模型和数学模型两种.概念模型主要是基于上下文感知(Context-aware)理论，常见的有本体论建模、软件工程建模和Agent建模.文献[13]基于语义Web建立了一个包含用户、设备、环境和服务在内的本体模型，通过智能推理机制，提高了上下文生成和主动服务的能力；文献[14]提出了一种以软件指标来评价建模可行性的感知系统概念模型；文献[15]提出了一种基于Agent的上下文感知系统架构.数学模型则关注智能计算中的相关理论，主要集中在随机性模型方面.文献[16]使用贝叶斯网络的推理提出了一种新的上下文预测机制，为用户提供更加及时、主动的决策支持.

在信息采集方面，目前有多种传感技术，如射频识别技术、定位技术和微电机系统等.其中应用最广的是射频识别技术(Radio frequency identification，RFID)，具有非接触识别、高速物体识别和多目标识别等特点.RFID在生产制造中已有广泛应用，如物料跟踪[17]、生产监控[18]、在制品管理[19]和质量控制[20]等.

在信息处理方面，现有研究主要采用数据融合(Data fusion)来消除数据冗余、提高数据精度并减少信息传输量.传感器网络中，监测范围重叠的传感器之间会产生冗余数据，数据融合技术可以在数据传输前对其进行处理，提高传输性能.此外，出于成本考虑，传感器精度一般不高，而且由于工作环境的影响，会受到噪声的干扰，数据精度较低.数据融合可以结合多个传感器的信息，以此提高数据精度.当前对数据融合的研究主要有：与网络结构相关的数据融合，如平面型网络结构[21]、层次型网络结构[22]等；与性能相关的数据融合，如关于能量和生命周期[23]、关于时延和时间调度[24]以及关于数据质量[25]等；与安全相关的数据融合[26].

在信息传输方面，现有研究主要围绕传输机制、传输方式和传输可靠性等几个方面.从传输机制来看，可分为时间驱动型[27]、事件驱动型[28]和事件触发型[29].从传输方式来看，有无线和有线两种，相比较而言无线传输具有成本低、距离远和布置方便等特点，是一种较为理想的方式.目前应用较为广泛的无线传输技术有ZigBee[30]、超宽频UWB[31]、蓝牙[32]及Wi-Fi[33]等.从传输可靠性来看，主要手段有重传机制[34]、冗余机制[35]、混合机制[36]、协作传输[37]及跨层优化[38]等.

由上述研究可知：在感知系统建模方面，概念模型适合于宏观系统架构的描述，数学模型适合于具体算法的实现，而综合两者的优点，使智慧感知的模型建立在宏观和微观统一的角度是未来的研究趋势；在信息采集、处理和传输等感知流程方面，如何持续提高数据采集的精度和数据传输的有效性是未来研究的重点，而最具前景的技术路线仍是向智能化、无线化发展.

2.2 智慧分析技术

随着智慧感知技术对人、机和物全面感知的深入，制造过程中将产生大量的数据，即所谓的大数据(Big data).这些制造大数据除了数据量大之外，还具有多源异构、时序性强、分布广泛和动态增长等特点，难以实时查询、处理和分析.

传统方法一般采用数据仓库技术来进行数据管理.但面对多样性、复杂性和异构性的制造大数据时，这种方式具有非常大的缺陷：首先，数据仓库面对的是存储于关系表中的关系型数据，而制造大数据除了来自于各种管理系统的结构化数据外，更多的是生产流程、视频监控等非结构化数据和半结构化数据；其次，数据仓库技术涉及大量的数据移动，在处理海量的制造大数据时，无法满足制造过程的实时性要求.智慧分析技术是智慧制造中分析和处理制造大数据的关键技术，旨在挖掘数据背后隐藏的信息，进而提炼为知识甚至智慧.智慧分析技术强调人机的相互协作与优势互补，将异构数据源(包括结构、半结构和非结构数据)抽取和集成后，以机器的计算能力和人工智能将这些数据进行处理分析，并将分析的结果利用可视化等技术展现，然后基于人机交互利用人所具备的认知能力进一步展开分析.

数据处理是整个制造大数据处理流程中最核心的部分，是发掘数据价值的关键环节.传统的统计分析、数据挖掘和机器学习等数据处理方法难以处理体量极为庞大的制造大数据.当前研究多采用基于云计算的分布式处理技术，其系统平台根据处理的数据类型不同可分为批量数据处理系统，如分布式文件系统GFS[39]、批处理技术MapReduce[40]和开源实现平台Hadoop[41]等；流式数据处理系统，如Storm[42]和Samza[43]等；交互式数据处理，如Spark[44]和Dremel[45]等；图数据处理系统，如Pregel[46]和Trinity[47]等.总体来说，大数据分析处理系统趋向于专用化、多样化和实时化.

数据解释是对制造大数据分析结果的解释与展示，也是信息用户最关心的部分，利用可视化技术和人机交互技术帮助人们分析大规模、多样化及动态化的数据，帮助人们更为直观地理解大数据中隐藏的信息、知识与智慧.可视化技术根据数据类型可分为：文本可视化，如标签云(Tag clouds)[48]、语义结构树(Semantic structure tree)[49]等；网络可视化，如树图技术(Treemaps)[50]、图简化(Graph simplification)方法[51]等；时空数据可视化，如流式地图(Flow map)[52]、时空立方体(Space-time cube)[53]等；多维数据可视化，如投影(Projection)[54]、平行坐标(Parallel coordinates)[55]等.可视化技术只是展示机器计算的结果，还需结合人机交互技术进行大数据的可视分析.文献[56]比较和分析了笔交互和接触交互两种技术.文献[57]提出了一种基于折叠动作的自然交互技术，可以通过手部动作与机器界面中的对象进行交互.文献[58]提出了一种基于手绘草图的笔交互技术，可以识别绘制的草图并生成可视化图形.

由上述研究可知智慧分析旨在充分利用机器和人的相互协作与优势互补：从机器角度出发，强调计算能力和人工智能；从人的角度出发，强调可视化技术和人机交互技术，将人所具备经验、知识和智慧融入分析过程.

2.3 智慧服务技术

智慧服务技术是基于云技术，通过智慧云平台，为用户提供透明、可信和按需使用的制造服务的一系列技术集合，包括虚拟化技术、服务化技术和协同化技术等.它在智慧感知技术的基础上将制造系统中的制造资源和能力基于知识进行虚拟封装，以服务方式统一于云池中；在智慧分析技术的支持下根据客户需求将虚拟资源组合成业务流程，再推送到管理人员进行确认，在人机物的协同下实现制造资源和能力的服务化.

目前，主要采用面向服务架构(Service oriented architecture，SOA)和云技术来实现面向服务的制造模式，云制造便是一个典型例子.文献[1，59]认为在服务模式上可以将云制造作为实现智慧制造的起点.当前针对制造云服务的关键技术和应用平台已有许多研究成果.在云服务关键技术方面，文献[60]提出了一种云制造资源虚拟化框架；文献[61]提出了一种面向云制造的资源优化组合方法.在云服务平台应用方面，针对不同类型企业的需求和特点，主要分为两类：集团企业云制造服务平台，如面向航天复杂产品[62]和轨道交通装备[63]的集团企业云制造服务平台；中小企业的云制造平台，如面向模具行业[64]和钢铁产业链[65]的云制造平台.

由上述研究可知：当前云制造已有较为成熟的研究和应用，其云服务模式可作为智慧服务的基础和起点.然而要持续提升服务的智慧水平，需在当前结合务联网和物联网的云服务模式上进一步融合知识网和人际网，充分结合人的经验、知识和智慧，实现真正的智慧服务.

3 智慧制造研究展望

智慧制造的相关研究刚刚起步，现有研究主要针对概念定义、内涵特点及体系架构等进行了初步探讨，尚存在很多新的科学问题和关键技术亟待解决.智慧感知、分析和服务技术构建了智慧制造的主要框架，但整个制造系统的顺利运行还需要运作模式、商务模式和安全保障等方面的支持.智慧制造未来的主要研究方向有以下几个方面.

3.1 智慧控制技术

智慧控制是指生产系统在无人环境下利用自动控制装置使生产过程或生产机械随着条件的变化而自动调节.如前所述，智慧制造在感知技术方面与传统感知技术的最大区别在于实现感控，而智慧控制技术正是在感知基础上实现感控的关键技术.智慧控制技术为智慧制造系统的自动监管和服务提供了使能技术.

3.2 智慧商务技术

智慧制造通过智慧云服务平台以服务化的方式提供制造服务，借助互联网使得整个商务交易过程在线上完成.智慧商务技术是通过网络和通信技术在互联网上实现整个商务过程的一类技术，包括计算机网络技术、通信技术和支付技术等.智慧商务技术为智慧制造系统全生命周期中的商务活动提供了使能技术.

3.3 智慧安全技术

智慧制造使得企业间信息共享的程度大幅提高，由此也带来了安全问题，如通信安全、账户安全和数据泄露等.智慧安全技术是指保护智慧制造系统连续可靠运行的技术，包括网络安全技术、数据安全技术和管理安全技术等.智慧安全技术为智慧制造系统的基础层、平台层、应用服务层及其集成系统网络的安全提供了使能技术.

3.4 智慧产权技术

智慧制造充分利用人际网中的群体智能，强调多方参与，使协同制造成员之间形成了既合作又竞争复杂关系.智慧产权技术是指在资源共享活动中保护各参与方的知识产权，保证协同制造成员合法利益的技术.在协同制造过程中，需要公平评估投入的知识技术资源，提前识别与防范产品开发各阶段的知识产权风险，合理分配协同创新产品的收益.智慧产权技术为智慧制造系统中各参与方的知识产权保护提供了使能技术.

4 结 论

智慧制造融合了多种先进制造模式的思想与理念，并在社会性方面加以延伸和拓展，是制造业信息化的高级阶段.对智慧制造的研究与进展进行了综合性的论述，介绍了智慧制造的定义、内涵和特性，分析比较了智慧制造与其他制造模式的关系，并重点从技术角度研究和讨论了智慧制造的关键技术，最后展望了智慧制造的发展趋势.智慧制造具有巨大潜力，对我国制造业的转型升级具有重要意义.鉴于目前智慧制造相关研究刚刚起步，相关研究成果有限，在未来需要通过信息科学、制造领域和众多相关领域专家的全面努力，加快和促进智慧制造的研究与发展，最终实现人机物协同的制造模式.

[1] 姚锡凡,练肇通,杨屹,等.智慧制造——面向未来互联网的人机物协同作战模式[J].计算机集成制造系统,2014,20(6):1490-1498.

[2] 周济.智能制造——“中国制造2025”的主攻方向[J].中国机械工程,2015,26(17):2273-3384.

[3] 姚锡凡,李彬,董晓倩,等.符号学视角下的智慧制造系统集成框架[J].计算机集成制造系统,2014,20(11):2734-2742.

[4] YAO Xifan, JIN Hong, ZHANG Jie. Towards a wisdom manufacturing vision[J]. International journal of computer integrated manufacturing,2015,28(12):1291-1312.

[5] 周佳军,姚锡凡.先进制造技术与新工业革命[J].计算机集成制造系统,2015,21(8):1963-1978.

[6] 张存吉,姚锡凡,张翼翔,等.从“数控一代”到“智慧一代”[J].计算机集成制造系统,2015,21(7):1734-1743.

[7] 张益,冯毅萍,荣冈.智慧工厂的参考模型与关键技术[J].计算机集成制造系统,2016,22(1):1-12.

[8] ZHANG Cunji, YAO Xifan, ZHANG Jiangming. Abnormal condition monitoring of workpieces based on RFID for wisdom manufacturing workshops[J]. Sensors,2015,15(12):30165-30186.

[9] 谢天,李从东,汤勇力,等.面向突发性制造需求的跨领域语义X列表集成方法[J].计算机集成制造系统,2015,21(4):1063-1076.

[10] 至顶网.智慧云制造的初步研究与实践[EB/OL].[2016-03-03]. http://cio.zdnet.com.cn/cio/2014/0603/3022541.shtml.

[11] 顾新建,代风,陈芨熙,等.智慧制造与智慧城市的关系研究[J].计算机集成制造系统,2013,19(5):1127-1133.

[12] 靖国平.论智慧的涵义及其特征[J].湖南师范大学教育科学学报,2004,3(2):1671-6124.

[13] HERVAS R, BRAVO J, FONTECHA J. A context model based on ontological languages: A proposal for information visualization[J]. Journal of universal computer science,2010,16(12):1539-1555.

[14] FENG Y H, TENG T H, TAN A H. Modelling situation awareness for context-aware decision support[J]. Expert systems with applications,2009,36(1):455-463.

[15] NEVES A R D, CARVALHO A M G, RALHA C G. Agent-based architecture for context-aware and personalized event recommendation[J]. Expert systems with applications,2014,41(2):563-573.

[16] LEE S Y, LEE K C. Context-prediction performance by a dynamic Bayesian network: Emphasis on location prediction in ubiquitous decision support environment[J]. Expert systems with applications,2012,39(5):4908-4914.

[17] 李晓,金寿松,冯定忠.基于RFID的托盘租赁系统[J].浙江工业大学学报,2011,39(6):666-669.

[18] 金寿松,林新忠,徐泽侠,等.无人化齿轮厂生产布局的研究[J].浙江工业大学学报,2014,42(5):544-548.

[19] MAKRIS S, MICHALOS G, CHRYSSOLOURIS G. RFID driven robotic assembly for random mix manufacturing [J]. Robotics and computer-integrated manufacturing,2012,28(3):359-365.

[20] LO S C，LI B M. The design of a quality control system of PCB with SMT based on RFID and AOI[C]//Proceedings of the 2008 Eighth International Conference on Intelligent Systems Design and Applications. Washington, DC: IEEE,2008:649-653.

[21] INTANAGOWIWAT C, GOVINDAN R, ESTRIN D, et al. Directed diffusion for wireless sensor networking[J]. IEEE/ACM trans on networking,2003,11(1):2-16.

[22] MOSTAFIZUR M, MOZUMDAR R, NAN Guofang, et al. An efficient data aggregation algorithm for cluster-based sensor network[J]. Journal of networks,2009,4(7):598-606.

[23] LINFY S, YEN H H, LIN Shuping. Delay QoS and MAC aware energy efficient data aggregation routing in wireless sensor networks[J]. Sensors,2009,9(10):7711-7732.

[24] LI Hong, YU Hongyi, YANG Baiwei, et al. Timing control for delay constrained data aggregation in wireless sensor networks[J]. International journal of communication system,2007,20(7):875-857.

[25] FAN Y C, CHEN A L P. Efficient and robust sensor data aggregation using linear counting sketches[J]. IEEE trans on parallel and distributed systems,2010,21(11):1675-1691.

[26] OZDEMIR S, CAM H. Integration of false data detection with data aggregation and confidential transmission in wireless sensor networks[J]. IEEE/ACM trans on networking,2010,18(3):736-749.

[27] XU Enyang, DING Zhi, DASGUPTA S. Source localization in wireless sensor networks from signal time-of-arrival measurements[J]. IEEE transactions on signal processing,2011,59(6):2887-2897.

[28] PAWLOWSKI A, GUZMAN J L, RODRIGUEZ F, et al. Simulation of greenhouse climate monitoring and control with wireless sensor network and event-based control[J]. Sensors,2009,9(1):232-252.

[29] SIFUENTES E, CASAS O, PALLAS-ARENY R. Wireless magnetic sensor node for vehicle detection with optical wake-up[J]. IEEE sensors journal,2011,11(8):1669-1676.

[30] 周晓,李杰,边裕挺.基于无线传感网络的环境温度监测系统设计[J].浙江工业大学学报,2013,41(4):440-443.

[31] GIRBAU D, RAMOS A, LAZARO A, et al. Passive wireless temperature sensor based on time-coded UWB chipless RFID tags[J]. IEEE transactions on microwave theory and techniques,2012,60(11):3623-3632.

[32] GOMEZ, C, OLLER J, PARADELLS J. Overview and evaluation of blue tooth low energy: an emerging low-power wireless technology[J]. Sensors,2012,12(9):11734-11753.

[33] TOZLU S, SENEL M, MAO Wei, et al. Wi-Fi enabled sensors for internet of things: a practical approach[J]. IEEE communications magazine,2012,50(6):134-143.

[34] AKAN O B, AKYILDIZ I F. Event-to-sink reliable transport in wireless sensor networks[J]. IEEE/ACM transactions on networking,2005,13(5):1003-1016.

[35] SROUJI M S, WANG Zhonglei, HENKEL J. RDTS: a reliable erasure-coding based data transfer scheme for wireless sensor networks[C]//Proceedings of the 2011 IEEE 17th International Conference on Parallel and Distributed Systems. Washington, DC: IEEE,2011:481-488.

[36] WEN Hao, LIN Chuang, REN Fengyuan, et al. Retransmission or redundancy: transmission reliability study in wireless sensor networks[J]. Science China information sciences,2012,55(4):1-10.

[37] KOETTER R, KSCHISCHANG F R. Coding for errors and erasures in random network coding[J]. IEEE transactions on information theory,2008,54(8):3579-3591.

[38] GRILO A M, HEIDRICH M. Routing metrics for cache-based reliable transport in wireless sensor networks[J]. Eurasip journal on wireless communications and networking,2013(9):1000-1029.

[39] GHEMAWAT S, GOBIOFF H, LEUNG S T. The google file system[J]. ACM,2003,37(5):29-43.

[40] DEAN J, GHEMAWAT S. MapReduce: simplified data processing on large clusters[J]. Communications of the ACM,2008,51(1):107-113.

[41] 郭淑琴,薛益赵,徐步汇.一种基于Hadoop的分布式地图匹配算法[J].浙江工业大学学报,2015,43(3):332-335.

[42] Apache Storm. Storm[EB/OL]. [2016-03-03]. http://storm.incubator.apache.org/.

[43] GOODHOPE K, KOSHY J, KREPS J, et al. Building LinkedIn’s real-time activity data pipeline[J]. IEEE data engineering bulletin,2012,35(2):33-45.

[44] ZAHARIA M, CHOWDHURY M, FRANKLIN M, et al. Spark: cluster computing with working sets[C]//Proceedings of the 2nd USENIX Conference on Hot topics in Cloud Computing. Berkeley, CA: USENIX,2010:10.

[45] MELNIK S, GUBAREV A, LONG Jingjing, et al. Dremel: interactive analysis of Web-scale datasets[J]. Communications of the ACM,2011,54(6):114-123.

[46] MALEWICZ G, AUSTERN M H, BIK A J, et al. Pregel: a system for large-scale graph processing[C]//Proceedings of the 2010 ACM SIGMOD International Conference on Management of Data. New York: ACM,2010:135-146.

[47] SHAO B, WANG H, LI Y. Trinity: a distributed graph engine on a memory cloud[C]//Proceedings of the 2013 International Conference on Management of Data. New York: ACM,2013:505-516.

[48] KOH K, LEE B, KIM B. ManiWordle: providing flexible control over wordle[J]. IEEE transactions on visualization and computer graphics,2010,16(6):1190-1197.

[49] ZHAO J, CHEVALIER F, COLLINS C, et al. Facilitating discourse analysis with interactive visualization[J]. IEEE transactions on visualization and computer graphics,2012,18(12):2639-2648.

[50] GOU Liang, ZHANG Xiaolong. TreeNetViz: revealing patterns of networks over tree structures[J]. IEEE transactions on visualization and computer graphics,2011,17(12):2449-2458.

[51] HURTER C, ERSOY O, TELEA A. Graph bundling by kernel density estimation[J]. Computer graphics forum,2012,31(3):865-874.

[52] BUCHIN K, SPECKMANN B, VERBEEK K. Flow map layout via spiral trees[J]. IEEE transactions on visualization and computer graphics,2011,17(12):2536-2544.

[53] TOMINSKI C, SCHUMANN H, ANDRIENKO G, et al. Stacking-based visualization of trajectory attribute data[J]. IEEE transactions on visualization and computer graphics,2012,18(12):2565-2574.

[54] LEE J H, MCDONNELL K T, ZELENYUK A, et al. A structure-based distance metric for high-dimensional space exploration with multi-dimensional scaling[J]. IEEE transactions on visualization and computer graphics,2014,20(3):351-364.

[55] CLAESSEN J H T, VANWIJK J J. Flexible linked axes for multivariate data visualization[J]. IEEE transactions on visualization and computer graphics,2011,17(12):2310-2316.

[56] WALNY J, LEE B, JOHNS P, et al. Understanding pen and touch interaction for data exploration on interactive whiteboards[J]. IEEE transactions on visualization and computer graphics,2012,18(12):2779-2788.

[57] TOMINSKI C, FORSELL C, JOHANSSON J. Interaction support for visual comparison inspired by natural behavior[J]. IEEE transactions on visualization and computer graphics,2012,18(12):2719-2728.

[58] LEE B, KAZI R H, SMITH G. Sketch story: telling more engaging stories with data through freeform sketching[J]. IEEE transactions on visualization and computer graphics,2013,19(12):2416-2425.

[59] 顾新建,祁国宁,唐任仲.智慧制造企业——未来工厂的模式[J].航空制造工程,2010(12):26-28.

[60] 任磊,张霖,张雅彬,等.云制造资源虚拟化研究[J].计算机集成制造系统,2011,17(3):511-518.

[61] TAO F, YING C, ZHANG L, et al. Equilibrium and collaboration of resource service transaction in service-oriented manufacturing[J]. Journal of engineering manufacture,2012,226(6):1099-1117.

[62] 李伯虎,张霖,任磊,等.再论云制造[J].计算机集成制造系统,2011,17(3):449-457.

[63] 战德臣,赵曦滨,王顺强,等.面向制造及管理的集团企业云制造服务平台[J].计算机集成制造系统,2011,17(3):487-494.

[64] 顾新建,黄沈权,陈笈熙,等.模具行业需求驱动的云制造服务平台[J].计算机集成制造系统,2012,18(7):1650-1656.

[65] 李孝斌,尹超,龚小容,等.机床装备及其加工运行过程云制造服务平台[J].计算机集成制造系统,2012,18(7):1604-1612.

(责任编辑：陈石平)

Wisdom manufacturing and its current researchstatus

LU Jiansha, HU Qinghui, DONG Qiaoying

(College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310014, China)

To grasp the latest development of manufacturing model, the concept, connotation and operational mechanism of Wisdom Manufacturing (WM) were summarized and discussed. Based on the analysis of the background, the associated definitions and basic features of WM were given. Besides, relations and differences were discussed between WM and other advanced models such as intelligent manufacturing, agile manufacturing and networked manufacturing, etc. The three key techniquesof WM, including wisdom awareness, wisdom analysis and wisdom service were described. The interrelationships and current research on these key techniques were summarized and analyzed. Furthermore, the future research trend of WM was discussed.

wisdom manufacturing; wisdom awareness; wisdom analysis; wisdom service

2016-03-05

浙江省自然科学基金资助项目(LQ14E050004)

鲁建厦(1963—)，男，浙江余姚人，教授，博士生导师，研究方向为先进制造系统、工业工程和物流工程等，E-mail：ljs@zjut.edu.cn.

TP391；TH16

A

1006-4303(2016)06-0681-08