研究论文

开放式访问

生产数字化转型的计算机科学视角

作者:

条款编号：15，页数1-32

https://doi.org/10.1145/3502265

出版:2022年2月15日出版历史

所有格式 PDF格式

摘要

工业互联网（IIoT）通过促进数字孪生兄弟公司的制造系统集成，为制造业带来了显著改善。然而，生态和经济需求还需要从材料科学、工程、运营、商业和人体工程学的多个科学观点进行跨领域链接，因为优化机会可以从任何这些观点中获得。将IIoT扩展为true生产互联网需要两个概念：第一，一个复杂的、相互关联的数字阴影网络，它将特定领域的模型与数据驱动的人工智能方法相结合；第二，将大量研究实验室、工程和生产现场整合为一个全球实验室，提供选定的创新相关数据的受控交换，甚至跨越公司边界。在本文中，我们将这些新概念隐含的潜在计算机科学挑战定义为四个层次：智能人机界面提供对生成的信息的访问模型集成人工智能鉴于制造业数据的多样性数据建模技术应该能够有效地管理数字阴影，这由互联基础设施基于对这些挑战的详细分析，我们得出了一个系统化的研究路线图，以实现生产互联网的愿景。

1引言

动机和相关性。工业4.0被认为是第四次以集成为重点的工业革命网络物理生产系统(CPPS公司)与整个增值链中的流程和利益相关者合作。该术语于2011年宣布，作为德国联邦教育和研究部高科技战略的一部分[26]成为反映在日本产业价值链倡议中的国际现象[71]美国先进制造倡议[108]中国制造2025战略[101]、韩国制造业3.0[72]和英国弹射器高价值制造研究中心[30].

工业4.0的一个主要挑战是聚合、抽象和分析理解和优化现有流程所需的异构数据[35,57,140]. 然而，所需的数据通常被锁在竖井中由不同的跨学科利益相关者拥有。除了在筒仓中隔离数据之外，传统上，信息的利用仅限于产品生命周期的特定阶段，即开发、生产和使用。因此，这些数据所携带的信息很难识别、解释和集成，这就阻止了例如将其用于跨功能分析、人机决策、具有异构语义和结构的数据链接、机器学习应用程序、，或简单的集成可视化来改进生产过程。这个语义集成这些信息对于向整个增值链的决策者提供全面的信息至关重要。

在本文中，我们介绍了设计生产互联网(IoP公司) [121]建立在互联网和物联网(物联网)促进生产系统的透明互连。要扩展工业物联网(IIoT公司)以及类似的倡议IoP公司需要两个概念：首先，一个复杂的、相互关联的数字阴影网络，它将特定领域的模型与自主代理推断的聚焦数据驱动AI方法相结合；其次，将大量的研究实验室、工程和生产现场整合为一个全球实验室（WWL）它甚至可以跨公司和国家边界提供选定的、与创新相关的数据的受控交换。IoP打算将所有生产活动互连起来，以在产品、流程和资源的整个生命周期中实现信息交换和知识转移带来的进步。为此，IoP提供了模型和接口，以便在整个时间和空间维度上可靠地集成、分析和使用生产数据和信息。它促进了跨利益相关者在多个级别上的跨域协作，最好是实时协作。如前所述，IoP的这些关键挑战没有被当今主要的IoT方法所涵盖。

激励性示例。我们以汽车行业向电动汽车的持续转变为例来说明IoP的优势，这种转变本质上具有多原因不确定性的特点。尽管这个不断发展的市场对汽车制造公司、供应商和基础设施提供商具有很高的吸引力，但不断变化的法规、模糊的客户需求和一系列新的技术开发需要快速调整产品和生产流程[23,144]. 今天的电动汽车模型由多种部件和材料组成，例如铝合金和碳复合材料，这些部件和材料必须根据越来越多的客户订单的规格进行组装。每种材料和组件的处理方式都不同，要求装配线、先前的供应链和管理系统具有高度的灵活性。这些挑战必须在短期（例如，机器配置）、中期（例如，对客户需求的响应）或长期决策（例如，新车型的策略）中解决。快速而频繁的变化意味着产品周期很难按照传统方式分为不同的开发、生产和使用阶段，因为不同的阶段现在紧密地交织在一起。因此，只有建立了能够提供必要信息的数据、服务和分析基础设施，才能实现IoP的全部好处，而这些信息是做出适当决策所必需的。例如，如果需要新材料，根据客户反馈对车门间隙进行必要的调整意味着机器参数和供应链会发生变化。这种变化可能会影响各种利益相关者，例如设计师、质量经理、车间工人、工厂规划师、销售专家、物流合作伙伴或供应商。

贡献。两个基本概念支持IoP：WWL和数字阴影.

•

与互联网和万维网(万维网)我们将WWL视为IoP的核心元素和主要应用。WWL的目标是成为一个多站点实验室网络，在该网络中，甚至可以跨公司边界访问来自实验、制造和使用的模型和数据，以获取更多知识。这一变化将以与WWW提高电子商务交易、客户交互、供应链管理等效率类似的方式提高生产率。

•

作为WWL的主要驱动因素，我们利用任务和上下文相关、目的驱动、聚合、多视角和持久数据集，我们称之为数字阴影[92]. 我们假设数字阴影是生产工程应用程序的合适解决方案，因为具有特定任务粒度的多模式视图可以同时提供高性能、低延迟、安全性和隐私性。

在本文中，我们从计算机科学的角度讨论了由基于数字阴影的WWL组成的IoP面临的多种研究挑战。因此，我们通过专注于计算机科学挑战和对IoP的潜在贡献的专门分析，加强了当前制造业的研究工作。因此，我们为工程师提供了有关数据处理和信息交换的基本挑战的新见解，这些挑战横切了集成生产的各种部分解决方案。同样，我们为计算机科学家提供分析，强调未来的跨学科研究方向，以成功实现雄心勃勃的生产数字化转型。

因此，我们区分了四个方面，分别阐述了如何在WWL中高效地收集、处理和传输数据：

(1)

由于生产计划和操作数据所携带的复杂、异构和相互关联的信息必须以有意义的方式呈现给决策者，因此人机交互发挥着重要作用；他们的反馈需要收集在智能用户界面中，集成到数字阴影中，并用于生产控制。

(2)

模型集成人工智能(人工智能)因为必须考虑数据驱动的人工智能方法和工程中的模型降阶技术之间的协同作用，以从语义上丰富数据，对其进行分析，获得新的见解，并在生产中采取适当的行动。

(3)

模型驱动工程是将数据与不同利益相关者提供的异构模型中明确的知识联系起来，并将其传达给系统工程师、设计师、供应商和其他人的一个典型先决条件。

(4)

必须解决网络基础设施、边缘计算和数据管理方面的问题，以便为IoP内的数据处理提供有效的基本基础设施。

IoP中的整体横向和纵向集成为生产网络中的所有利益相关者提供了各种切实的好处——从增值链中的公司到单个机器及其操作员：通过更好地在不同、，以前集成度较低的利益相关者，因此资源利用率较高，生产调整速度更快，资本承诺更少。利用产品开发、生产和使用周期中的数据有助于优化未来的产品和流程，以降低成本或资本投入，提高时间、材料和能源效率，或提高产品质量。此外，关于不同材料、生产过程和产品之间的共性和差异及其相互关系的交叉学习和语义知识将有助于实现更智能的生产。总之，从计算机科学的角度来看，我们对IoP的贡献是：

•

引入数字阴影概念作为IoP的促成因素。

•

引入WWL的概念，使知识可以在全球范围内访问。

•

讨论IoP开发的研究挑战。

•

IoP的一系列战略研究方向。

文章组织。我们介绍了实施IoP的方法。在下文中，第节2在第节之前介绍IoP的上下文三解释IoP和部分4介绍了数字阴影。之后，第节5详细介绍了WWL的概念和部分6讨论了面临的挑战。基于这些见解，第节7提出了战略研究路线图，最后是第节8总结。

2上下文

术语之间的差异生产和制造业在机械工程中没有明确的定义。生产被理解为“将投入转化为成品”[60]. 在美国的印象中[79]制造业是“涉及离散消费品和耐用品的设计、材料选择、规划、生产、质量保证、管理和营销的一系列相互关联的活动和操作”[60]. 这个定义假定制造业比生产业更广泛。然而，生产也可以理解为更广泛的术语，包括额外的活动和操作[79]例如，服务可以生产，但不能制造。我们遵循后一种观点，将生产理解为更广泛的术语。

这个IoP公司随时随地为生产公司和相关领域的成员提供语义充足的上下文数据[121]. 本文重点介绍从计算机科学研究视角当然，只有将信息技术中的新概念和方法应用到集成研究议程中，包括生产工程的新技术，IoP的愿景才能成功实现。我们是一个研究集群的一部分，拥有来自计算机科学、工程、材料科学、经济学和社会科学等不同学科的30多个共同参与的研究机构，以及50多个行业合作伙伴，如Robert Bosch GmbH、Samsung Electronics co.Ltd、，和西门子股份公司Corporate Technology（参见。https://iop.rwth-aachen.de/). 我们对明天的生产有一个整体的观点，并且也解决了，例如，添加剂制造的新材料组成，不同利益相关者之间共享数据平台的经济观点[83]以及我们工作的道德含义。我们的目标是将互联网固有的原则，如开放性、全球接入和社区驱动的标准应用于IoP，以实现可持续有效的数字转型。

2.1数字双胞胎与数字阴影

为了实现IoP，我们建议数字双胞胎，数字表示材料[15,24]和非物质[85,95]现实世界的对象和过程。这里的挑战是集成众多基础过程的不同级别的规模（时间、空间等），产生大量数据、不合适的模型，以及需要聚合和分析数据时的高延迟。实现数字双胞胎有多种平台和方法[8,77,94,106,143]或建立物联网和数字孪生之间的联系，例如，用于界面生成的模型驱动方法[81]或H2020资助的IoTwins创新行动项目[11]，旨在为分布式和边缘支持的双胞胎设计一个参考体系结构，并在几个工业试验台上进行评估。

我们不要认为一个完整的数字孪生兄弟是可行的由于产品、机器或生产工厂的虚拟副本需要大量数据。此外，实践中使用的数字孪生兄弟并不是实物的完整数字对应物；相反，它们是不同数据集和模型的集合，每个都代表真实对象的特定方面。数据集是为特定目的收集的，例如用于预测的传感器数据、用于仿真的CAD模型。为了更准确地建模这个场景，我们的愿景集中在数字阴影我们将其视为任务和上下文相关的、目的驱动的、聚合的和持久的数据集，这些数据集以更紧凑的方式从多个角度包含复杂现实，并且比完全集成的数字孪生兄弟具有更好的性能（参见第节4). 数字阴影可以与数据库系统中的视图相比较：真实对象数据的聚合子集，由复杂函数计算，该函数可能包含用于数据简化和分析的复杂算法。

我们已经提出了一个概念模型[10]描述数字阴影并使用具体示例进行演示。概念模型是通过跨学科研究和深入讨论建立的，并在各种现实制造场景中进行了评估。它是管理复杂性、自动化分析和综合的基础，并最终促进跨域协作。为了更好地理解数字阴影如何在数字双胞胎中使用，我们请读者参考一个专门的示例[22].

2.2与现有技术的比较

与现有方法相比，IoP提供了制造过程的整体、跨领域和协作视角。现有方法可分为以下几类：具体技术，如经典互联网、云制造和IIoT、商业演示和数字转型战略，如面向服务的制造方法、数字制造或全球灯塔网络，以及政治和资金驱动的方法，如工业4.0和其他国家倡议。

与经典互联网相比，IoP为有限的利益相关者群体提供了更多功能。它允许访问全球以生产为中心的知识库，提供来自生产过程的聚合和语义丰富的数据，包括支持问题解决的智能算法和功能，并允许用户分析自己的数据。这些功能适用于生产过程中的所有利益相关者，例如各级工作中生产网络不同公司的员工，例如劳动力、质量保证团队、营销专家、生产规划、供应商或物流合作伙伴。

当然，将IoP与传统互联网进行比较是一个恰当的类比，因为互联网本身是一个实验室实验室，而IoP反过来又从WWL的概念中吸取了这一点。此外，今天，经典互联网是一个原型：它以其新颖的数据包交换理念彻底改变了网络。其他方法也遵循了这一想法。例如，在物流领域，物理互联网的概念[7,109]也依赖于互联网的类比，设想在物流中建立一种物理形式的“包”交换。与具有货物和产品流的物理互联网相比，物联网本身打算通过从不同利益相关者和跨领域采购信息和数字阴影，为制造业建立“知识”转换，以实现可持续有效的数字转型。

关于工业4.0，的IoP公司可以被视为在研究和工业合作中实现这些战略的各个方面的具体举措。这包括将数字化CPPS与其流程和利益相关者集成，以优化整个增值链。然而，这一想法在美国先进制造倡议中也具有国际相关性[108]中国制造2025战略[101]日本产业价值链倡议[71]，韩国制造业3.0[72]以及英国国家弹射器高价值制造研究中心[30].

这个全球灯塔网络[151]是世界经济论坛的一项倡议。该倡议是因为全球制造业在采用工业4.0技术方面的滞后而发起的。它的目标与IoP基本相同，即走向全球网络化生产。然而，它更侧重于管理角度，而IoP则为实现这一目标奠定了必要的技术基础。

方法，如数字化制造[107]作为的一部分第四次工业革命[136]指使用智能和敏捷制造、智能工厂以及数字制造技术，如增材制造（3D打印）、激光切割和CNC工艺，对生产过程进行数字化改造。相比之下，IoP对特定的制造技术没有限制，并整合了整个价值链。

IoP和IIoT。一般工作，如IIoT或工业4.0，通常侧重于实现通信仅在内部同一家公司[36]. 相比之下，我们对IoP的愿景不仅仅是为了实现通信之间不同的公司，但也旨在通过随时随地交换语义充分的上下文软件数据，实现跨领域协作的新水平[121].

云制造是“在云平台上共享制造能力和资源的面向服务的商业模式”[48]，它将分布式资源封装到云服务中，并允许对其进行集成管理[153]. 根据Siderska和Jadaan的说法[139]云制造侧重于工厂间集成，而工业4.0也考虑工厂内集成。IoP分享了工业4.0工厂内和工厂间集成的理念，并没有将其技术方法仅限于一种技术，如云应用程序[48]和面向服务的体系结构[134]. 可以为中小型企业或集团企业构建云制造平台[97]. 与此相反，IoP并不局限于一个企业或一组企业。

面向服务的制造将服务和实物产品集成到一个产品服务系统中，相关公司通常专注于特定行业[53]. 该领域的研究侧重于商业视角和定价策略[154]而不是从技术和计算机科学的角度来看。

总之，已经有了实现生产数字化转型的方法。他们要么专注于数字生产的单一方面，要么从管理的角度出发而没有充分解决技术挑战，要么缺乏实现跨公司协作的战略。如下一节所述，IoP将这些不同的方法进行了整体整合，并提供了实现这一宏伟目标的概念和方法。

一般挑战上述全球倡议建议通过整合制造业和IT来解决的问题具有社会和政治性质。拟议的解决方案有部分重叠的问题，但每一个都有其战略重点，因此也有相关的挑战，我们在这里概述了其中一些挑战。数字制造旨在将数字制造方法集成到生产过程中，导致了人机协作中的典型问题，如机器人无法处理的意外事件[107]. 用于监测和控制的数据可用性及其管理和联网是进一步的挑战。云制造带来了两大挑战[139]：首先，存在云计算、物联网和高性能计算的一般集成问题。其次，云管理引擎和云环境中的可视化等技术问题浮出水面。对于面向服务的制造业，Gao等人。[53]讨论企业之间合作的挑战，以及价值链外包部分作为服务的商业模式的调整。他们将服务型制造视为“从商业模式、行业洞察力和技术优势的角度进行创新”。

在节中6，我们具体描述了实现IoP所涉及的挑战。我们将其分为四个层次。在《展望》中，我们指出了超越这些层面的挑战，例如对商业模式的影响。

3生产互联网（IoP）愿景

现代生产环境的特点是高度复杂的流程和整个生产链上的依赖关系[122]. 因此，优化整体生产不仅需要同一公司的不同工厂之间，而且还需要跨公司边界的高效沟通和协作，否则，一个供应商所做的更改可能会对生产链中的其他公司产生负面影响[147]. IoP推广到生产链的所有阶段，例如，允许更快的开发周期，因为新设计变更的影响可以更容易地沿整个生产链填充。此外，我们还确定了WWL中IoP的主要潜力，它将数百到数千个（不同）进程的信息合并到一个巨大（虚拟）环境中。

建立和利用世界范围的知识库。由此产生的全球知识库使得能够使用数据密集型方法，如机器学习，生成目标驱动的数字阴影，其中包含深度生产知识，用于优化流程、高效开发新产品或预测其寿命。在当今的生产环境中，由于可用数据的稀缺性和较大的可能参数空间，这种方法不可行。这一问题在新的生产部门，如上述电动汽车行业，以及没有大量信息库的新成立公司中更为明显。例如，一家新成立的电动汽车制造商将没有太多标杆机会，也没有太多创新选择。使用WWL，制造商现在可以将其生产流程的现状与其他公司（竞争对手、供应商和客户）工厂的流程联系起来，也可以与大学的实验联系起来[122]探索新的流程改进。其中一些改进可以自动实现，特别是因为源自IIoT、工业4.0和IoP更广泛背景的概念能够实现广泛的工厂自动化和重新配置[149]. 然而，无法实现自动化限制了生产和工艺的优化[137]这就是为什么不应低估人类工人的影响。

访问IoP-Enabled Knowledge。我们认识到工人和决策者在社会技术系统中的突出地位，因此将人放在IoP的顶层，而不是旨在实现全自动化生产。因此，重要的是提供以任务和用户为中心的界面，以使人类工程师和工人更容易访问可用信息，并在设计、制造和管理任务中为他们提供支持。一种可能的界面可以仿效流行的网络搜索引擎，用户可以在其中执行查询以查找所需信息。基于此生产查询来自几个潜在外部来源的数据需要集成、语义丰富、分析和可视化。在上述汽车制造商的背景下，运营商可能会问，例如，如何在保持材料性能的同时优化生产质量。图1使用此查询说明了我们的概念。根据上下文数据（例如，以前的查询），用户界面可以引用当前的材料组成并建议操作。智能软件代理[131]在这个界面后面，从WWL收集相关信息，然后从整体上分析材料组成变化对生产的影响。因此，必须从不同利益相关者维护的各种来源检索数据。因此，WWL能够访问数据。例如，这些变化可以绘制生产总体质量的预测图。这些效果在视觉上得到了丰富，因此用户可以更容易地理解它们。然后，查询参与者可以使用所提供的信息，就材料组成的更改做出管理决策。建议的更改可以直接从搜索用户界面中应用。

图1。

建立IoP。 智能人机界面是我们设想的技术堆栈的一个重要组件，用于实现IoP，如图左侧所示2更具体地说，需要以任务和用户为中心的界面，以便于人类工程师和工人访问新获得的信息。收集相应的上下文和任务特定信息本身需要复杂的基础设施。模型集成人工智能在数据抽象和聚合的基础上，通过不同领域的模型与人工智能相结合，以人类可理解的形式合成信息，而这些信息又由数据建模技术本身需要互联基础设施检索和集成数据的。除了从工程角度来看的挑战和好处外，这四个层次中的每一个都提出了几个挑战，从计算机科学的角度来看，这些挑战都是高度相关的，并且在实现我们的愿景的过程中需要解决。

图2。

智能人机界面。

如上所述，让生产经理和车间操作员等人类用户能够轻松地制定他们的问题，而不需要复杂的编程语言，这需要智能人机界面。解决方案应以易于理解和以微学习方式学习的形式提供[84]这样，人类工程师就可以采取适当的行动来实施它们，从而实现生产过程的真正改进。这一挑战在于需要呈现的信息量和多样性：除了来自连续数据分析的有关材料、产品和工艺优化的信息外，我们还设想在WWL的新数据可用时集成这些数据。此外，必须考虑生产的当前状态，以及运营商对其需求和问题的具体投入。因此，界面必须能够向人类工作者呈现一组不同的信息。

模型集成人工智能。

基于数学模型、仿真和数据驱动人工智能的新型组合，从WWL中的不同实体收集信息，从不同来源聚合数据，构建数字阴影[92,103]，并计算用户查询的答案。智能软件代理的实现实现了模型集成人工智能，这意味着人工智能的各种技术，例如基于知识的系统、机器学习或数据挖掘，与工程模型协同，以在生产场景中为特定目的提供答案。挑战在于WWL中此类代理的网络化，以及不同AI方法的集成，以为制造业提供可靠的辅助工具。

数据建模。

此外，需要复杂的数据建模技术来建模数字阴影，即来自不同生产过程的异构数据集。数据模型需要与车间机器的工程模型紧密连接，因为它们的设置决定了要收集的数据的类型和结构。因此，除了描述静态方面（例如模式、来源和质量）外，还必须考虑通过应用模型转换从工程模型导出数据模型的能力。

互联基础设施。

WWL的互连基础设施面临制造业日益增长的高数据速率的挑战，在制造业中，传感器可以每秒生成千兆到千兆字节的数据[55]. 这些数据速率对于实时存储和语义分析以及在WWL中发送这些海量数据都是有问题的。因此，数据必须以语义上有意义的方式进行聚合和减少，以仍然实现目的驱动的、有意义的抽象和聚合的时间数据子集。为此，必须应用模型和数据简化技术，例如以边缘计算或网络内处理的形式，以便在WWL中尽早处理数据。

组织挑战。

除了IoP各层的要求外，一些一般问题也适用于多个层。WWL的利益相关者需要在彼此之间建立一定程度的信任，以便共享数据[32,52]. 然后，可以建立一个具有标准化接口的平台，为数据交换提供技术基础。例如国际数据空间(入侵检测系统)协会[111,112]目前正在开发一个安全、可信和可靠的数据交换平台，同时也保证数据提供商的数据主权。我们计划在IoP中应用此平台的一些关键方面[73]. 在考虑个别当地生产现场时，安全和安保方面也起着至关重要的作用[63]因为必须有最低限度的保证，以确保WWL的平稳运行。

总之，我们对IoP的愿景提出了在全球范围内交换数据的想法，并利用这些数据随时随地提供特定于任务的信息。因此，IoP中使用的数据表示形式是我们愿景的关键概念。在下文中，我们将介绍如何利用数字阴影实现我们设想的跨域协作。

4数字阴影支持生产互联网

我们对IoP的愿景要求根据任务和环境，在适当的时间提供适当的信息。这些信息包括来自生产系统和流程、车间工人、客户、供应商和许多其他来源的数据，这些数据可以优化生产、减少停机时间和节省资源[152]. 图2显示了数字阴影的逐步构建、细化和应用。在底层，物理和虚拟生产步骤生成表征产品、流程和资源的原始数据。由于数据的数量、多样性和速度，从数据中检索正确的信息就像大海捞针。因此，需要对这些数据进行抽象和聚合，以支持不同级别和范围的有意义决策，从实时机器和流程优化到长期战略规划。互连的基础设施，包括表征数据点的附加元数据和促进远程访问，为数据聚合奠定了基础。数据模型提供有关可用数据的结构信息，从而通过有目的地连接数据点来获取知识。通过应用人工智能方法，如机器学习或过程挖掘[145]，我们可以从可用数据中获得进一步的知识，例如，装配线中的质量预测或瓶颈。人机界面支持决策、流程优化、错误避免，从而通过提供特定于用户和目标的数字阴影来提高生产性能。它们还促进了与CPPS的人机交互，并允许使用分析和人工智能方法创建数字阴影。

数字阴影是从系统或模型中收集的一组上下文数据跟踪或其聚合和抽象，以便帮助实现与原始系统相关的特定目的。它们由数据、元数据和模型组成。

数字阴影是动态创建的，以便在语义上对其特定用途进行足够正确的处理。为此，它们是通过应用数据分析和简化工程模型生成的。前者将数据（实时）转换为信息（可能通过涉及机器学习算法），后者能够关联该信息并在目的上下文中给出语义（含义），例如，生成信息的生产系统或过程。因此，数字阴影可能包含工程模型、仿真模型或系统的其他模型的（部分），它们所代表的部分或活动。将数字阴影理解为生产服务的接口，可以将这些服务与精炼或抽象的数字阴影重新用于后续任务。因此，数字阴影随着其使用不断改进，因为基础生产模型通过每个附加应用程序进行了验证和扩展。数字阴影受益于互联的生产工厂，因为它们可以访问来自不同数据源的更多数据，并由这些数据组成。随着可用数据的增加，它们可以变得更有意义，从而更有效地支持自动化。数字阴影的技术实现可能包含不同的信息，但至少应包含

•

监测期间收集的数据（或其摘要）；

•

元数据，例如时间段、使用的传感器、采样频率、潜在不确定性、操作期间系统状态的信息（如果这不是感测数据的一部分）、测量意图、参与人员等；和

•

上下文数据，例如对观察到的系统或过程的工程模型（例如CAD、Simulink、SysML或UML）的引用，例如，描述传感器的连接位置以及测量的来源。

数字阴影包括如何计算为元数据的信息；因此，我们了解了数据集的约束和限制。在检查数字阴影的数据质量时，此信息至关重要，即通过更改生成数字阴影的功能，我们可以提高其数据质量。

图三显示了数字阴影的组件：模型、数据和元数据。我们让读者参考我们的作品[10]有关“数字阴影”概念模型的详细信息。数字阴影通过提供更详细的模型、添加最新数据、使用AI方法派生新的数字阴影或将其他数字阴影中包含的信息合并为新的数字影子来完善其他数字阴影。单个数字阴影不仅用于控制单个生产过程，而且可以在公司内部或公司之间链接在一起。将不同流程和公司的数字阴影组合到WWL中，可以提供更多信息来揭示对生产的更多见解，识别价值链上后续流程步骤或参与者的相关性，以及将公认的模式转换为类似但新的流程，从而提供附加价值。

图3。

5建立全球实验室(WWL（WWL）)：使知识在全球范围内可访问

在捕获作为IoP一部分生成的信息时，数字阴影是一个重要方面。实现IoP的主要应用（参见第节1)研究还必须关注设想的WWL的开放方面，即如何安全地实现不同利益相关者之间的知识交流，以实现转移学习等方法。WWL通过为利益相关者提供在工业环境中可靠协作的能力，并最终改进其现有数字阴影，从而挖掘当前未实现的潜力，对数字阴影进行了补充。

全球实验室（WWL）。WWL将所有（现有）数据源连接在一个全球互联系统中，并使其可跨公司边界使用，以促进知识转让和推动创新。为此，可在产品周期的所有阶段（即开发、生产和使用）重新使用可用信息。WWL不固定于单个架构或一组涉众。这些决策是特定于用例的。

WWL一词被选为WWW的类比，因为设想的WWL还应在大规模系统中提供（非结构化）信息，该系统由多个（不信任的）利益相关者以与互联网类似的方式维护。当然，这样的设置还需要深入分析基础安全原则和隐私需求，以确保新类型的数据流[122]数据共享概念得到安全实现[120]. 我们设想将来自不同生产站点、供应链、数据湖和计算机物理系统(定制付款服务). 因此，我们使可能由竞争对手提供的信息跨公司边界可用，最终使其能够在已建立的WWL中访问。边界的这种变化使公司能够通过将数据源和数字阴影进行更大规模的组合来改进其决策[121]. 例如，使用流程多维数据集进行比较流程挖掘[146]通过比较不同的流程及其属性，可以做出明智的决策。

对（数据）安全和保障的需求。传统上，生产领域的公司在共享数据时非常谨慎，以防止敏感信息泄漏[110]. 因此，从今天的本地数据孤岛过渡到全球可访问的知识库[122]这是一个重大挑战，因为有价值的知识产权必须得到相应的保护。同样，即使是不太敏感的数据，例如发货信息，也可能已经向公众公开了业务关系。因此，只要可行，应通过技术手段隐藏相关公司的身份[64]. 除了数据安全之外，安全方面也很重要，因为数据共享可能会对环境、相关劳动力和本地生产现场产生直接影响[63]. 使用外来数据时，安全至关重要，例如，对机器应用不正确的参数设置可能会导致物理损坏，甚至对人类造成伤害。特别是在这里，应该修改网络安全政策，以考虑到从孤立的生产网络向全球WWL的转变[63,120]. 同时，这方面的改进也可以减轻数据泄漏的个别风险。总的来说，（数据）安全是WWL的基础。

将数据源集成到WWL中。考虑到必须集成各种不同的系统，使制造业适应WWL所需的更改将影响当今生产的不同领域。在生产单元必须处理单个CPS和生产过程的过程数据的收集和共享。关于我们的示范性汽车制造商，此视图对应于生产中单个装配步骤的信息。上车间，可以将不同生产单元的数字阴影组合为单个生产站点。对于我们的示例，这里收集的数据是指所有本地生产步骤及其（内部）连接。最后，在WWL层不同生产站点的数据和知识，甚至可能跨域[147]，应适用于WWL中的公司[57]. 在这里，数据来源不仅限于单一供应链上的公司。相反，我们还鼓励跨供应链交换信息，以最大限度地提高交换信息带来的改进。最近的一项调查[155]强调，即使是通常考虑的智能供应链场景也尚未付诸实施。总之，来自制造业不同领域的数据源，即生产单元、车间和WWL层，必须能够在WWL内访问，以提供所需的信息和种类。

如前所述（参见第节三)，所有可用数据都是当前知识状态的一部分，知识状态不是固定的，而是不断变化的，因为新的流程信息和数据理想地有助于改善现有的阴影[57]. 例如，汽车工厂可以检索（由另一个利益相关者）在不同设置中收集的机器参数，以对交付钢材的硬度变化作出反应。总的来说，通过WWL做出决策更有效、更可靠，因为所有全球可用的知识都被纳入决策过程。

估计WWL的影响。充分开发和互联的WWL是IoP概念的理想现实应用：一个全球可访问的知识库，它结合了众多数据源的信息。如果没有进一步的研究，我们就无法充分挖掘预期的潜力。与Gaia-X等大型标准化项目取得的进展相一致[18]或IDS[111,112]，我们实现了WWL的第一个原型，以向公司展示其潜力。例如，除了我们对数据互操作性的形式化之外[57]，我们已经深入了解供应链中可靠可靠的数据共享[5,117,118]. 虽然研究传统上侧重于供应链上的数据共享，但我们也特别探讨了跨供应链的数据共享问题，尤其是当信任关系缺失时[123]. 例如，我们重新审视了公司跨供应链基准测试中的隐私需求，发现现有工作没有考虑关键绩效指标复杂计算的敏感性[124]. 使用机密计算中现成可用的构建块，我们证明了安全方法是可行的[124]并作为工业和WWL中实际应用的候选。

关于生产参数和相关经验的共享，我们在调试新生产线时分析了行业需求，并相应开发了一个不经意的交流平台，以促进此类信息共享[119]. 同样，我们依靠来自机密计算的众所周知的概念来确保WWL中的安全性和真实部署性。通过两个不同的用例（注塑和机床），我们展示了我们平台的通用性，即我们的工作不受特定用例的约束。总之，我们的工作证明，通过机密计算的概念，将WWL变成现实是可能的。需要进行额外的研究，以将新的应用程序转换为WWL中安全可靠的服务，然后这些服务可以跨不同的域重新使用。

展望明天的WWL。特别是，我们确定了在（联邦）隐私保护机器学习领域对未来研究的重大需求（也涉及现成的构建块）。我们希望WWL能够大规模支持此类应用程序，从而成为进步的源泉。例如，当汽车用高压压铸零件时，基于机器学习的质量预测允许发现缺陷，即使现场方法不适用。用外部数据丰富输入数据将大大改善预测结果，允许正确配置生产线，从而降低废品率。特别是当直接将信息输入到实际过程中时，必须根据外部知识来源及其不同利益相关者考虑安全需求。自然，一旦获得了第一次经验，就会出现更深入的协作、数据交换以及目前尚未开发的新颖用例和应用程序[122]：感知到的优势和由于担心数据泄露而减少的对数据共享的保留将加速这一发展。目前，我们的工作展示了WWL的潜力，我们的发现有助于标准化工作，例如Gaia-X或IDS，最终将在实践中体现WWL。

在下文中，我们首先提到WWL面临的挑战，强调已经取得的进展，然后制定必要的进一步研究方向。

6为生产互联网搭建舞台

最后两部分阐述了我们的IoP方法的方法论基础。数字阴影提供目的驱动的数据集合，促进数据驱动的决策。WWL将这些数字阴影连接在一个全球网络中，并将网络作为互联网的主要应用。通过建立由不同公司的数据源组成的互联知识库，我们实现了大规模的规模经济，从而提高了整体效益。然而，在同样的程度上，我们使一些需要克服的新障碍成为可能。在下文中，我们使用图左侧所示的自顶向下的分层模型来研究这些挑战2。对于每一层，我们都强调已经开始解决这些问题的研究。我们将向读者介绍作者发表的其他出版物，其中报道了更多具体的研究结果，例如数字阴影在过程挖掘中的使用[22]或使生产系统适应工人的能力[102].

6.1与数字阴影交互的人性化界面

IoP的新可能性在设计人类参与者和IoP之间的接口方面引发了新的问题，目前的研究还没有充分解决这些问题[78]. 一方面，更多更智能的自动化提出了责任和控制的问题[93,133]另一方面，作为人类操作员和IoP之间协作的新形式的混合智能必须设计为利用人工智能和人类智能的潜力[44,89].

尽管通过基于IoP的数字阴影可以实现日益自动化的生产控制，但人们仍将是社会技术生产系统（STPS）不可或缺的组成部分[50,78]：由于技术、法律或道德约束，某些任务无法完全自动化，因为从手动活动转向监控和规划任务，或者在自动化系统出现故障或冲突时作为最终仲裁者[150].

然而，可靠的自动化会导致自动化难题[46]：系统自动化程度越高，自动化性能越高，监督员的情境意识越低，监督、干预或手动控制变得越困难。因此，需要解决几个挑战，以支持运营商在所有公司级别（例如车间运营、工厂规划、供应链管理和战略规划）与基于数字阴影的自动化的交互。

透明的自动化和有意义的控制。操作员和决策者的流程知识和理解通过抽象和自动化而恶化[6,9,46,150]. 然而，如果自动化失败，评估自动化系统的功能，或处理未建模的情况（情景感知的彻底丧失），这种情景感知至关重要。因此，一个挑战是为自动化流程和决策支持系统设计简单的接口，使其易于访问、透明、易于学习和使用。

虽然我们的一个预期界面与互联网搜索引擎一样简单（参见图1)，处理这些查询比简单的关键字搜索更复杂。由于用户不需要对底层系统有深入的技术知识，因此在WWL上交互的自治代理可以隐式地提供这种语义信息。例如，当询问电动汽车电池的理想类型时，计划的生产方法或驾驶安全被隐含考虑。其他形式的自动化可以利用透明的解释方法，以便在必要时解释、理解和纠正系统决策的基础。可解释人工智能是一个新兴的研究领域，旨在提高模型的可用性和可理解性[4]，其方法和方法必须适应生产领域的特定用例。

隐性知识建模。另一个挑战是通过自动化系统利用人类专业知识。大多数机器学习方法需要人类知识的表示来创建产品和生产计划以及生产和使用的数字模型。在某些情况下，这种知识的描述很简单，并且通常已经存在（例如，如果可以轻松测量质量，则用于在线质量控制的图像分类）。在其他情况下，专家知识的表示是必要的，但这种隐性知识很难用言语表达，并且隐藏在无意识评估和运动记忆中[126]. 因此，很难将这些知识和专业知识传达给其他人和其他领域，很难数字化地记录和描述这些知识，也很难使用稀疏数据来训练人工智能算法[89].

与自动化系统的无偏差交互。信任、信赖和可信是在生产和其他领域接受和使用自动化的关键先决条件[65]. 充分且有意义使用操作员的自动化必须仔细平衡废弃（由于失去信任或失去感知利益，故意忽视决策辅助工具）和滥用（过度信任和忽视检查结果导致自动化过度使用）[65,114]. 这种微妙的平衡与自动化偏见和自动化自满有关，而良好的系统设计有助于[19,58]：如果自动化系统设计正确，操作员就有更大的能力检测故障自动化并处理异常。

上下文和用户中心接口。第三，一个挑战是使IoP中的大量异构信息透明并可通过用户、上下文和任务相关接口访问[1,29]. 同样，STPS的设计和界面可用性是重要因素，因为良好的界面有助于了解系统的状态和功能，降低认知负荷，实现成功操作，并提供进一步优化的见解。此外，我们需要一种“自然而可信”的沟通礼仪，以实现操作员和基于AI的系统之间的紧密而可信的协作。为此，了解操作员的基本情感需求以及他们对这些高度复杂系统的心理模型和一般态度至关重要。此外，人口结构的转变和劳动力的变化带来了进一步的挑战，因为用户界面和支持系统必须考虑到老年工人及其具体要求、不同的技能、兴趣和能力[34,47].

在之前的工作中，我们已经表明，良好的用户界面设计对于与自动化生产系统的成功和可信交互至关重要[125]以及与人类密切互动的机器人[14]. 精心设计的用户界面使操作员能够在自动化失败时进行干预，从而减轻自动化偏见[19].

例子。以电动汽车的生产为例，IoP为价值链上的工人带来了变化。通过以人为中心的决策仪表盘设计和方法（如可解释人工智能），决策支持系统可以为改进生产流程、质量保险或供应链的性能提供透明的建议，从而减少决策中的人为错误[19]. 此外，通过不断捕捉有经验的工人与生产系统的交互，可以整合他们的知识，以改进对新手的未来建议。此外，可以生成工人能力和需求的数字图像，并用于协调生产系统和工人之间的协作，例如，通过采用生产过程的速度和人机协作来满足工人的需求[102].

外卖。 总的来说，这些系统及其设计的充分性不应仅由工程、计算机科学或伦理方面的专家决定，而应与员工合作决定。参与式设计确保STPS的技术进步和实施与人们的能力、规范和价值观相协调。

6.2模型集成人工智能与IoP中的自治代理

在IoP中，目标是在数据驱动的人工智能方法和跨越学科边界的工程数学中最先进的模型降阶技术之间建立协同作用。这使得通过构建和共享数字阴影实现高水平的自动化以实现实时决策。例如，在电子汽车制造中，金属板仍然是一种基本材料，其加工消耗大量能量，而偏差对安全至关重要。因此，在热轧过程中，将材料性能的简化工程模型与机器学习相结合，以通知人工网络，因为数字阴影可以实时补偿过程中的偏差[103]. 这种调整可以显著节省能源。为了实现这种程度的自动化，需要从全球不同来源和领域获取所有数据和知识，以构建数字阴影并实现模型集成AI，我们需要自主代理[131]基于各种人工智能技术，如基于知识的系统或机器学习等等。鉴于跨域协作和联网的水平，否则需要手动数据查询是不可行的。

电子汽车制造业的另一个例子是在没有装配线的现代模块化工厂中使用的精密物流机器人[25]. 在如此复杂的环境中，由自主代理控制的复杂物流机器人可以帮助组装产品，集成不同的人工智能方法[66,67]. 类似的方法用于自治代理作为程序与WWW通信，以实现语义Web应用程序[100,127]. 此外，还存在代理技术在工业环境中成功应用的进一步例子[90,91].

在IoP中，我们开发了自主代理，称为WWL代理[21]，在多智能体网络中，连接到语义信息的信息源，例如本体[99]和提供产地信息的知识图[57]. 使用后者，可以获得用于训练代表特定数字阴影的人工神经网络的数据的来源，或数字阴影中包含的数学模型的使用历史，以解决困难的生产步骤。

文献中的类似代理系统通常仅用于支持单个生产设施或公司内的制造过程[75,90,91]. 我们方法的新颖之处在于，WWL Agent的目的是实现WWL中的互操作性，并打破数据孤岛，使数据密集型人工智能方法（如机器学习）能够生成特定的数字阴影。例如，与其他公司的代理通信，应用不同的AI方法共享、生成和使用其数据，而来自不同生产领域的数字阴影是其主要功能。此外，通过有关数据来源的语义信息，它们可以向世界各地的用户提供WWL代理发现的解决方案的详细信息。此外，如果现有的本地多代理生产系统为WWL提供了接口，则此方法可以合并这些系统。

可解释的人工智能。为了能够如上所述为人类呈现可理解的结果，算法需要能够解释为什么其结果是合理和准确的。这种可解释的人工智能方法[2,45]可以由基于知识的系统提供，因为它们以人类可理解的方式表示知识[17]. 然而，其中一个挑战是找到生产过程的正确解释及其表示。此外，其他人工智能方法，如机器学习或过程挖掘[三]，需要包含在可信的解释中。

此外，在IoP中，关于WWL中的数据的语义信息可用于计算适当的答案。鉴于IoP提供了一个很好理解的领域[20]现有的模型和方法已经表示了语义信息。然而，它通常不是机器可读的，并且还没有链接到机器生成的原始传感器数据，这些数据需要软件代理进行利用。开放的问题是如何从现有模型中获取机器可读的语义信息，以及如何将工程模型中的语义信息链接到数据以构建可信的软件代理[141]处理语义学支持WWL中工程师的决策过程。

WWL代理对话框。在IoP的愿景中，WWL代理通过如图所示的界面实现用户对话1，并帮助用户从改进产品和生产流程的角度获得问题的适当答案。这些代理需要在WWL内相互连接，以便能够集成来自外部数据源的信息。有了这些信息，代理能够计算解决方案或建议，并生成对用户请求的回答。这里的挑战在于实现生产中的人类可以理解的人机通信。此外，必须确定WWL中的相关信息，以提供充分的答案，这将真正导致流程改进。

多代理网络。我们声称，只有WWL提供了构建数字阴影所需的数据量和变化，例如经过训练的人工神经网络，以便它们能够在生产过程中为特定目的提供帮助。因此，全球多代理网络中的WWL代理是实现此互操作性级别的关键因素。

通过WWL通信，代理共享服务、数据和知识，以便其他代理可以支持其本地客户的生产。例如，通过这种方式，可以实现完全自动化的按需拉动生产[70]影响整个供应链，只要每个参与者都与WWL相连。因此，生产可以动态地适应当地或全球的变化，例如在罢工、自然灾害或流行病的情况下，产品设计修改、当地生产故障或供应链差异。这些挑战包括为代理找到合适的网络结构，以及如何处理对代理的请求。

标准化和开放式通信协议。与WWW类似，WWL只有在关键数量的参与者能够在网络中共享其信息的情况下才能发挥其全部功能。WWW之所以能够成功，是因为它的所有协议都可以通过HTTP进行开放访问。因此，对于IoP，我们打算让自治代理使用基于HTTP和其他开放标准的协议。此外，从长远来看，自治代理之间通信所需的新协议必须是免费可用的和标准化的，以便每个人都能与自己的代理一起参与WWL。

连接到版本化数据存储和本体。WWL中的代理必须连接到各种信息源，以获得向用户提供正确答案所需的知识。为此，代理需要有关提出的查询的语义信息。因此，我们希望使用语义技术，例如本体[116]和版本化的知识图，提供有关生产过程中的数据、模型和知识的来源信息[57]. 通过前者，代理可以获得有关用户请求中使用的术语的语义信息。使用后者，代理可以获得有关生产数据来源或产品零件历史的来源信息。例如，这里的挑战是如何使用语义信息，以及如何组合来自不同数据源的信息来改进生产流程。

例子。假设电子汽车制造商希望改进主车身的材料选择。然后，例如，工程师指示WWL代理首先从不同的钢铁生产商收集有关可用钢复合材料的信息，然后根据数字阴影所描述的本地生产过程的特征对其进行分析。这个数字阴影可以由WWL中的另一个代理创建，该代理分析汽车工厂的流程，并使用机器学习等人工智能方法。WWL Agent提供了有关计划使用的过程和材料的语义信息，可以为用户提供详细的答案，并提供解释和指向代理信息来源的链接。

外卖。 工程（数学）模型与人工智能模型的集成带来了新的机遇，并使WWL代理成为IoP中的促成因素。为此，他们依赖于与不同生产公司的各种数据源的连接以及标准化协议。现有的基于知识的agent技术需要进一步扩展，以满足制造业在IoP环境下的需求。

6.3模型驱动数字阴影

术语模型驱动是指依赖系统抽象模型作为中心开发工件的开发方法[148]. 这些模型具有明确的领域专业知识，并作为敏捷开发项目中通信、文档、分析和综合的基础[129]. 它们可以系统地转换为具体的实现[49]例如Digital Twins[13,43]、隐私保护物联网系统[104]、信息系统[54]，或辅助系统[105]. 数字阴影[88,128,135]与模型相关，可以携带模型本身，并作为自动化处理模型的（聚合）抽象[13,43].

跨域协作。跨学科团队由来自生产领域、计算机科学、自动化等领域的专家组成，开发新一代CPPS。他们都为IoP贡献了个人专业知识、观点、范例、技术和解决方案。通常，这种专业知识被编码在不同类型的模型中[69,105,152]. 成功且高效地将领域特定知识集成到IoP中对于在设计时、仿真时和运行时构建多视角数据和模型至关重要。在我们的愿景中，数字阴影还可以在语义上丰富流程数据，以实现（特定领域）实时（自动化）决策。为此，它们必须与设计和仿真过程中设计的数据和模型进行语义集成[80]. 这需要用足够正式的语言对详细方面（从制造系统细节到工厂行为、战略目标到接口描述）进行建模[129,130].

系统工程。模型驱动系统工程[12,42]将模型提升为主要开发工件，以提高网络物理（生产）系统跨学科工程中的抽象和工程效率。这些模型通常符合（特定于域的）建模语言（例如Simulink[37]、SysML[51]，或AutomationML[98])，为专家提供所需的功能，并有助于描述和集成系统工程关注点。因此，系统描述分布在当前未在语法和语义上集成的几个模型和工具上。因此，IoP系统的设计和工程需要新的解决方案来实现建模语言及其工具的自动化、即席集成，如Dalibor等人提出的。[41]这样，不同领域的专家可以利用为跨领域边界的所需抽象级别定制的建模视图，并针对分析进行优化。软件语言工程(SLE公司) [68]是一门研究异构建模语言的有效工程和集成的学科；因此，SLE是提供特定领域表示和集成IoP中各个领域的知识的关键先决条件。

集成建模语言和工具。这种模式和语言多样性[152]还将反映在数字阴影中，数字阴影需要提供用于处理大量数据的优化结构、选定的工程模型、关于数据、模型及其上下文的形式化知识。为此，Digital Shadows需要能够将大容量结构化和非结构化数据与语义丰富、详细的工程模型和知识库相集成。因此，我们需要能够链接不同底层建模语言的技术[27,138]在系统设计时以及运行时的ad-hoc。这些技术考虑语法[62]和语义集成[33]弥合用于表达数字阴影部分的语言之间的语义差距，例如，用于注塑实验设计[13]. 关于如何在运行时创建和处理数字阴影以及进程挖掘技术的第一个概念已经得出[22]. 效率对于实现对非常大的模型的高效应用至关重要。因此，研究应该利用数据库模式建模的技术[76]和人工智能来实现合成机制[28]用于数据和模型的语法和语义抽象、聚合和集成。

例子。来自电子汽车生产的领域专家定义了一个或多个数字阴影类型[22]基于概念模型[10]用于与生产相关的目的，例如质量监控或预测性维护。这些类型可以用作运行时从生产数据中记录的具体数字阴影的蓝图，例如，数字阴影类型可以用于最小化前窗玻璃研磨过程的产品拒绝率，并相应地捕获相关信息。在运行时，将根据数字阴影的类型创建数字阴影，并用模型、数据和元数据填充。使用这样的数字阴影，每个窗口窗格的拒绝率将汇总到研磨机上的每个作业。定期创建一个新的数字阴影，根据新的时间片再次聚合拒绝率。

外卖。 可以使用设计时模型在运行时创建和提供目的驱动的数字阴影；因此，模型驱动的开发支持并简化了生产的自动化。

6.4互联和工业基础设施

数字阴影的概念基于这样一个概念，即可以从足够数量的过程相关数据中得出整个过程的特定问题视图。为此，需要记录和收集过程数据，最好是以细粒度的方式并通过各种不同的传感器，以提供对过程的全面描述。随后，可以缩小此描述以匹配特定问题或任务的具体要求。总的来说，数字阴影的质量与可用数据的质量和丰富性相关，即大量数据通常是有利的。因此，鼓励公司收集、处理和存储大量和各种数据，这就需要一个强大的基础设施。建立这种基础设施并启用全球WWL及其模型会带来一些障碍。

数据集成。高数据质量信息的可用性和可访问性是许多生产和业务流程中的一个重要问题。例如，生产公司的质量保证可能需要在生产完成后很长一段时间内访问详细的过程数据，而传统的数据集成方法无法实现这一点，这些方法使用精心设计的数据处理工作流来提取、转换数据，并将数据加载到集成数据存储中。对于数据收集，我们设想了一个数据湖平台，在该平台中，数据以其原始格式存储，而无需事先集成或聚合[61,74]. 传感器数据的压缩技术可以通过减少数据量来满足实时要求，但应保证无损压缩。例如，在激光粉末床熔合（Laser Powder Bed Fusion）的用例中，使用高功率激光熔化和熔化金属粉末，我们应用动态压缩技术来减少数据量，但同时保持信息内容。

数据湖存储原始数据，以避免将数据分析限制为预定义的集成模式。湖中的数据应丰富语义元数据和数据质量信息（例如，来源、准确性和时间），以使其在各种应用中可解释和可用。

数据收集。由于数据湖旨在从WWL中的许多来源收集信息，因此底层基础设施必须能够传输大量数据。此要求与数据湖是部署在本地还是部署在云中无关。

我们已经确定，在多台机器互连的情况下，单个生产单元的累积数据速率很容易在千兆字节到千兆字节的范围内[55]. 因此，由于可用数据速率太低，直接传输所有数据通常是不可行的。当前的带宽限制要求进行预处理和聚合，以使WWL成为可能，尽管这种形式的数据缩减技术在技术上与我们之前提出的数据湖应获得所有信息的要求相矛盾。因此，设计基于领域的方法至关重要，该方法首先可以减少需要传输的数据量，而不会丢失信息，例如，如果某些值可以从其他值中导出。在这方面，Lipp等人。[96]提出一种流程驱动的数据收集，允许静态配置需要在流程的哪个阶段以何种粒度收集哪些数据。这种高水平的控制允许将生成的数据量精确调整到所需的信号精度以及可用带宽。

类似地，网络中的计算功能也可以用于首先动态检测当前进程阶段（与Lipp等人的静态定义相反），然后根据需要缩放生成的数据量，例如，在感兴趣的进程行为发生时确保高数据质量，同时减少空闲时的负载[87]. 此外，这些网络内处理技术允许以线速率处理数据，因此可以通过删除（假定的）无关信息或执行预计算步骤更容易地进一步减少负载[55]. 查找正确的在存储尽可能多的原始数据的同时，通过减少传输的数据来遵守基础设施的限制，这是当前的主要挑战。例如，在上述激光粉末床融合用例中，压缩技术会自动根据网络带宽、处理能力和数据结构调整其配置。提供一个具有足够带宽和存储能力的合适基础架构当然是一个长期目标，通过精心放置和设计的网络内计算功能来增强。

低延迟保证。除了高数据速率外，支持IoP的基础设施还必须满足严格的延迟限制，例如，过程控制需要延迟限制[132]. 如果决策是由远程系统或个人根据来自数据湖的更广泛信息而不是由仅基于本地知识的进程-内核控制器做出的，则此约束尤其重要。在这种情况下，进程和远程系统之间的物理延迟对于时间非常关键的应用程序来说通常已经太高了（有时要求在一位数毫秒范围内），使得纯远程解决方案（例如通过Internet）变得不可行。网络内处理再次提供了一种解决方案，因为可以在网络中部署控制程序，从而显著降低固有的延迟。这些程序目前包括简单的LQR控制器[132]基本线路检测机制[56]从而可以涵盖各种简单的控制任务。此外，正如Cesen等人所证明的那样，还可以在网络硬件中实现辅助安全措施，例如紧急停机。[31]. 这种方法的准确性和计算速度通常能够达到与用户空间应用程序类似的水平，而网络设备尤其能够处理明显更高的数据包速率[86]. 然而，在当前一代可编程网络硬件上实现所需的功能仍然具有挑战性[86].

控制回路。因此，在IoP的背景下，我们设想在生产单元内快速做出网络物理控制回路的关键决策，例如出于安全原因的紧急关闭。然后在边缘、网络内（网络内处理）或云中实现更复杂的控件，在云中可以获取更多数据源。因此，IoP提高了（本地）决策质量。由于制造过程的相互关联性，公司甚至有机会在随后的过程步骤中说明问题。例如，他们可以在下一个生产单元中通过控制回路调整对轻微偏差或不准确作出反应，从而有效地为车间实施实时控制回路。在这里，公司可以依赖众所周知的方法，或者根据IoP，他们可以利用源自模型集成人工智能和WWL形式的知识库的控制回路调整。

设备异质性。涉及传感器和机械的巨大异质性是工业生产环境的另一个需要解决的挑战[1,35]. 例如，根据供应商的不同，传感器的表达能力或支持的协议可能会有所不同。Bodenbenner等人。[16]提出一种特定于域的语言，该语言从特定于传感器的细节中抽象出来，并允许对传感器信息进行统一访问。然而，他们的解决方案并没有直接解决如何在技术层面上实际集成和互连此类传感器的问题。此外，设备也可以动态更改，例如，如果重新配置流程以允许生产不同的产品。因此，高灵活性是最重要的基础设施要求之一。特别是当考虑到工业设备的长寿命时，需要能够在这些异构环境中提供安全性的协议[40]. Paniagua等人。[113]提供工业4.0不同体系结构框架的调查，如FIWARE、IDS[112]或BaSys4.0。尽管这些框架也解决了设备异构性问题，但它们在通信协议级别上并不特定。西门子（MindSphere）或博世（IoT Suite）等不同的工业4.0关键参与者提供了更具体的数字工业平台[115]. 然而，这些平台通常是特定于客户的解决方案，也就是说，它们声称可以处理异构数据和设备，但通常需要大量的定制工作来满足特定用例的需求。此外，我们注意到，尽管存在按设计安全和按设计隐私的趋势，但设备和协议必须正确配置才能从中受益，这是一个经常被忽视的方面[38,39].

例子。总的来说，一个互联的、具有行业能力的基础设施将使电动汽车制造商能够从传统的装配线转向更动态地可重新配置的生产步骤序列[25]. 在这种情况下，以数据湖为中心的灵活数据收集和集成是确保即使在这种动态环境中也能有足够丰富的数据的关键；因此，允许随时访问详细的过程信息，例如出于质量保证目的。虽然技术进步（例如存储和数据速率方面的技术进步）对于稳步增加可处理的数据量很重要，但分层控制回路将能够对所有正在运行的进程进行细粒度控制，以提高系统的整体效率，并允许对系统更改作出快速响应。

外卖。 工业环境的具体特征带来了传统数据管理和网络解决方案无法解决的挑战，因为某些方面需要包含远程服务或边缘计算，而其他方面则根本不支持此类方法。相反，需要一个概念，它仔细地包括满足所有上述需求的机制：高数据速率、支持异构数据结构、低延迟数据处理和灵活性。

7生产互联网战略研究方向

上述挑战表明，在工业4.0框架内向智能工业生产的可持续过渡是必要的，这远远超出了工程师和计算机科学家之间的跨学科合作。计算机科学涉及几个学科，正如我们在上一节中通过基于层次的论点构建所证明的那样。虽然到目前为止，我们已经通过计算机科学学科单独应对了这些挑战，但我们现在正在全面审视必要的研究工作。为此，在下文中，我们介绍了计算机科学领域中需要解决的五个一般研究领域，以将IoP的概念变为现实。图4概述了研究领域和所需的研究工作。

图4。

标准化（数据）接口。首先，为了确保各个组件之间的兼容性，需要标准化接口和通信协议。这是大规模基础设施的基本先决条件，其中包含异构数据源和特定于供应商的特性。发展一种包罗万象的形式主义是不现实的。相反，需要开发不同数据源、模型和系统之间的链接和映射机制。这些机制最终实现了当前信息孤岛的链接。为了能够处理此类链接数据集上的查询，查询处理机制必须考虑映射，并且应该能够检索和协调来自不同来源的数据。基于模型的系统可以促进异构系统的聚合。这些系统反过来帮助自治代理通过标准化接口相互通信以及与WWL中的设备通信。因此，IoP中的知识表示也应该标准化。作为最后一个元素，这里需要包括与人的接口，例如，可以对其进行规范化或专门针对使用上下文进行调整。最终，数字阴影的概念必须在这里进一步完善，因为它们与人类的结合可以形成一个异常智能的联合认知系统。领域知识引导我们进入下一个方面。

互联（领域）知识。相互关联的领域知识必须是可共享和可访问的，才能为全球知识库做出贡献。它必须能够被自治代理网络以及希望基于其他领域的知识构建的运营商访问。为此，必须开发机制和模型，以便集成和提供元数据和上下文以及数据。如今，大多数关于安全和隐私的研究都集中在特定的人特定数据上。为了在竞争性行业场景中实现安全协作，需要适当的技术解决方案，特别强调连接以前没有关联的企业的领域。在这里，出现了一些问题，这些问题涉及到相关资源与查询方的隐私保护匹配。目标应该是创建一个分布式分散的知识服务，对WWL中的数据进行操作。

无负担操作。在实现全球部署的道路上，需要克服一些障碍。无负担的运营确保公司有兴趣连接IoP并将其集成到其生产现场。因此，必须确保轻松实施。需要无缝集成基于模型的方法，以允许自主代理对触发的查询进行自主信息共享。因此，至关重要的是，无需人工干预的自动化能够完美无缺地工作，并且具有人机交互的自动化支持系统设计正确，以避免自动化偏见和不信任的发展。尽管底层是非结构化对等拓扑，但基础架构仍需要确保低延迟保证。同样，实时约束要求谈判、信息检索和交换以及计费的自动化协议。因此，系统必须适应不同的特定用例集。

现实世界一体化。大量可用的生产场景对IoP的实际集成提出了挑战。更重要的是，在这些场景中，来自异构源的大量数据及其在接口中的表示以及它们的管理都是悬而未决的问题。特别是，缺乏获取和整合专业知识的方法，尤其是在工业知识和数据率方面。它们对于为生产查询的AI组件提供足够的输入至关重要。同时，对数据的操作需要对相关人员透明，包括可解释的人工智能等方面。关键问题围绕哪些信息相关，以及如何以有意义的方式使其可访问、透明和可操作，同时保持数据正确性展开[117]，以实现利益最大化。关于现有系统的过渡，出现了一些研究机会。一方面，需要重新使用现有的基于模型的专家知识表示。另一方面，当前的数据孤岛需要添加到分布式数据存储基础架构中，以实现长期收益。

长期（信息）使用。最后，我们面向IoP的研究路线图的最后一个方面是长期使用。一旦所需的基础设施到位，它就需要足够灵活，以供未来几代工业生产系统使用。关于如何实施问责制的研究[118,123]和产地[57]具有野生分支依赖性和起源的场景中的信息仍处于初级阶段。因此，为了获得连续的信息和可解释性，代理需要版本化的数据。关于人文方面，需要长期启用隐性知识建模及其数字捕获。必须定义数据质量和派生模型的保证，以便不仅能够使用数据，而且支持以后的重用性。因此，反馈和恢复机制需要以永久、可跟踪和同步的方式确保模型和数据之间的连接。与此相关的是为模型、数据、元数据和其他对象定义持久标识符[59]. 需要研究的其他方面是数据存储和衍生决策的长期可靠性。同样，冲突解决方法需要整合到IoP中；只有这样，查询和使用IoP的风险才能降低。

接下来的步骤。为了实现设想的全球IoP，上述研究领域必须同步推进并密切合作。因此，具有适当跨学科背景的专家至关重要。总的来说，WWL作为IoP的主要应用程序的真正价值将通过尽可能多的参与者的联系和承诺而增加。

8结论

我们对IoP的愿景及其WWL和数字阴影的支持概念超越了单一CPS，旨在实现生产系统、智能数据分析、自治代理以及任务、上下文和用户自适应接口的完整垂直和水平集成。

为了实现这一愿景并实现生产的重大改进，需要在多个领域开展大量活动。在这篇文章中，我们专注于源自计算机科学的研究领域：生产系统必须在不同的位置之间安全地互连，来自不同系统的异构数据流必须被捕获、处理、聚合、以足够的细节级别存储，并在语义上丰富。必须开发同步和异步访问数据的基础设施，必须应用现有的数据分析方法，必须设计适合数据和流程的新算法。查询不一定是用户定义的，因为来自AI的概念应该实现，以便在收集的数据和派生的数字阴影之间建立新的连接。最后，这些分析的结果必须透明地传达给IoP的用户。

我们提议的变革不必在一夜之间实施，也不可能。相反，IoP允许分阶段实施。例如，改造是一种合适的方法，通过将现有的大量资产的长期投资升级为传感器和执行器，以获得智能生产系统[82]. 这也有效地解决了可持续生产系统的问题[142]. 在进一步的增强步骤中，只要开放接口可用，最初有限的WWL代理就可以集成更多的AI工具。

IoP的短期利益来自更高的生产效率，通过更智能的生产控制实现更快的产品和创新周期，学习适应新材料和产品，以及使生产状态透明的接口。从长远来看，WWL作为IoP的一种应用，将改善生产工程研究，提高工业制造的可行性，并对整个社会和环境产生积极影响：通过揭示以前未知的过程链和跨过程链的关系，通过识别新的潜力来优化生产效率、能源消耗和价值创造，并通过设计界面来提高员工自主性，整合他们的能力，并与他们的价值观保持一致。

除了制造业的流程链之外，IoP提供的可能性还将对公司的管理层产生进一步的影响。通过新数据流释放的灵活性也将影响业务模型。例如，通过数据驱动平台在企业网络中出现新的动态协作形式，将研究范围从工程、计算机科学扩展到经济学科。

我们的结论是，要实现可信、互联和智能化生产环境的愿景，许多复杂的研究挑战仍有待解决。然而，实现IoP的工作需要一个总体承诺，为工业、研究和社会提供可衡量的利益。因此，要将日益网络化、智能化和可持续的工业生产的愿景变为现实，所有方面及其综合和相互交织的影响都必须得到很好的协调和深入的理解。相反，这需要由一个综合研究框架领导的大型、异构和跨学科团队。我们打算在我们正在进行的研究集群内为实现这些目标作出贡献IoP公司，并邀请计算机科学领域的每一个人加入我们，为本文提出的挑战贡献研究成果。

致谢

作者感谢匿名评论员和编辑的宝贵反馈和评论。

工具书类

[1]

Mohammad Aazam、Sherali Zeadally和Khaled A.Harras。2018年，在工业物联网和工业4.0中部署雾计算。IEEE工业信息学汇刊14, 10 (2018), 4674–4682.内政部：https://doi.org/10.109/TII.2018.2855198

摘要

1引言

2上下文

2.1数字双胞胎与数字阴影

2.2与现有技术的比较

3生产互联网（IoP）愿景

智能人机界面。

模型集成人工智能。

数据建模。

互联基础设施。

组织挑战。

4数字阴影支持生产互联网

5建立全球实验室(WWL（WWL）)：使知识在全球范围内可访问

6为生产互联网搭建舞台

6.1与数字阴影交互的人性化界面

6.2模型集成人工智能与IoP中的自治代理

6.3模型驱动数字阴影

6.4互联和工业基础设施

7生产互联网战略研究方向

8结论

致谢

工具书类

引用人

索引术语

建议

通过云服务和资源虚拟化实现制造业的数字化转型

制造公司架构内的IIOT

工业物联网智能制造生产线数据监控系统

评论

问询处

发布于

出版商

期刊系列

出版历史

权限

检查更新

作者标记

限定符

资金来源

贡献者

其他指标

文献计量学

文章指标

其他指标

引文

引用人

查看选项

PDF格式

电子阅读器

HTML格式格式

获取访问权限

登录选项

完全访问权限

数字

其他

分享

共享此出版物链接

在社交媒体上分享

附属公司