工业物联网智能赋能智能制造：文献综述

Industrial Internet of Things Intelligence Empowering Smart Manufacturing: A Literature Review

作者
关键字

工业物联网（IIoT）、IIoT智能、智能制造、人工智能

Industrial Internet of Things (IIoT), IIoT intelligence, Smart manufacturing, Artificial intelligence

标题Industrial Internet of Things Intelligence Empowering Smart Manufacturing: A Literature Review
作者Yujiao Hu, Member, IEEE, Qingmin Jia, Yuao Yao, Yong Lee, Mengjie Lee, Chenyi Wang, Xiaomao Zhou, Renchao Xie, Senior Member, IEEE, F. Richard Yu, Fellow, IEEE 
关键字Industrial Internet of Things (IIoT), IIoT intelligence, Smart manufacturing, Artificial intelligence

摘要

在激烈的商业竞争环境和日益增长的个性化定制需求的推动下，制造业正进行数字化转型和升级。工业物联网（IIoT）智能技术能够为制造价值链的各个方面提供创新和高效的解决方案，照亮了制造业转型的道路。目前有必要对IIoT智能技术提供一个系统的视角。然而，现有的综述通常侧重于IIoT智能的特定领域，导致研究人员和读者对IIoT智能的理解存在偏差，即认为某一方向的研究对于IIoT智能的发展最为重要，而忽略了其他方向的贡献。因此，本论文提供了对IIoT智能的全面综述。我们首先深入分析了制造业转型的必然性，并研究了中国企业实践中的成功经验。接着，我们给出了IIoT智能的定义，并展示了其在功能、操作、部署和应用场景中对工业的价值。随后，我们提出了一个由五层组成的IIoT智能分层发展架构，详细说明了每一层技术升级的实际价值，并通过灯塔工厂案例展示其实践价值。在此之后，我们识别了七种加速制造业转型的技术，并阐明了它们的贡献。此外，我们还分析了在制造业中采用IIoT智能技术的伦理和环境影响。最后，我们从四个方面探讨了IIoT智能面临的开放性挑战和未来的发展趋势，以启发未来的研究。

“灯塔工厂”项目由达沃斯世界经济论坛与管理咨询公司麦肯锡合作开展遴选，被誉为“世界上最先进的工厂”，具有榜样意义的“数字化制造”和“全球化4.0”示范者，代表当今全球制造业领域智能制造和数字化最高水平。

一、 引言

制造业在全球经济中占据着重要地位。它占全球GDP的16%，其研究与开发（R&D）支出占全球R&D支出的64%【1】。然而，制造业正面临许多问题。生产力停滞、个性化定制需求的增加、创新的长期滞后、人力资源的急剧萎缩，以及对一站式便捷服务的期望，这些都在推动制造业的升级和转型。同时，近年来智能技术的快速发展也激励政府和企业开展数字化转型。在这样的背景下，各国政府出台了一系列政策【2】-【5】，如《新机器人战略》、《2030年工业战略》等。受这些政策红利的启发，企业开始走上工业革命和创新的道路【6】【7】。

工业物联网（IIoT）通过网络将各种工业设备连接在一起，支持数据的收集、交换和分析【8】，在提升工业数字化水平方面取得了巨大成就。为了阐明IIoT的研究价值，一些研究工作对IIoT的各种定义和相关技术进行了综述，并提出了开放性挑战，以启发未来的研究方向。Boyes等人【9】区分了IIoT与工业4.0、信息物理系统、工业自动化与控制系统、监督控制与数据采集、工业互联网的内涵，并强调了智能物体、信息物理资产和计算平台之间的互联性。Khan等人【10】回顾了IIoT在架构和框架、通信协议和数据管理方案方面的研究工作。文献【10】中的IIoT系统通用架构包括网络实体、云/边缘计算平台和企业业务领域，重点介绍了IIoT通信协议的研究。云/边缘计算用于为IIoT提供分布式的高性能计算资源。Malik等人【11】提出了IIoT的架构，包括物理层、数据链路层、网络和互联网层、传输层和应用层，并分析了IIoT的潜在应用，如环境监测、智能农业、医疗保健、供应链管理和家庭自动化。这些工作对于未来研究的共同见解是，应该将更多先进技术与IIoT结合，如区块链、大数据分析、深度学习等，以便IIoT能够变得更加智能。

环境监测、智能农业、医疗保健、供应链管理和家庭自动化这写都是目前工业物联网的应用场景，可以从以上的场景中寻找研究方向。

工业互联网在家庭检测领域的应用，主要是通过传感器、物联网（IoT）技术和数据分析手段，实现对家庭设备、环境和用户行为的智能监测与管理。以下是工业互联网在家庭检测方面的主要研究内容：

  1. 家庭环境监测

  • 空气质量监测：研究如何利用传感器监测室内空气质量，包括PM2.5、CO2、甲醛、温度和湿度等指标。这些数据可以帮助用户改善居住环境，保障健康。

  • 噪声监测：开发声学传感器，实时监测家庭环境中的噪声水平，以评估居住环境的舒适度。

  • 水质监测：研究如何利用传感器监测家庭供水的水质，包括pH值、浊度、余氯等指标，确保饮用水的安全。

  1. 智能家居设备监测

  • 设备状态监测：研究如何实时监测家中各类智能设备（如冰箱、空调、洗衣机等）的状态，包括工作效率、能耗等。这有助于用户及时发现设备故障，进行维护和节能管理。

  • 安全监测：开发家居安全传感器（如门窗传感器、烟雾探测器、监控摄像头等），实时监测家庭安全状况，及时向用户发送警报，保障家庭安全。

  1. 能耗监测与管理

  • 能耗监测系统：研究如何通过智能电表和其他传感器监测家庭的能耗数据，为用户提供能耗分析和优化建议，帮助降低家庭能耗成本。

  • 智能调度：结合数据分析和机器学习技术，优化家庭设备的工作时间和方式，实现需求响应（Demand Response），提高能效。

  1. 用户行为分析

  • 用户行为识别：利用传感器和数据分析技术，研究家庭成员的生活习惯和行为模式，包括起居、饮食和活动规律。这有助于实现个性化的智能家居服务，如自动调节家居环境。

  • 异常行为检测：通过机器学习算法分析用户行为数据，识别异常行为（如跌倒、长时间不动等），提供老年人或儿童的安全监护。

  1. 数据分析与决策支持

  • 数据采集与传输：研究如何高效地收集和传输家庭检测数据，包括使用边缘计算技术减少延迟。

  • 智能决策系统：基于大数据分析，开发智能决策支持系统，帮助用户更好地理解家庭环境和设备状况，并提供优化建议。

  1. 健康监测与远程医疗

  • 健康监测设备：开发智能健康监测设备（如血压计、心率监测仪、体重秤等），实现对家庭成员健康状况的实时监测和记录。

  • 远程医疗服务：通过家庭检测设备收集的健康数据，研究如何提供远程医疗服务，实现医生与患者之间的实时沟通和健康管理。

  1. 隐私与安全问题

  • 数据隐私保护：研究如何在家庭检测中有效保护用户隐私，确保数据在收集、传输和存储过程中的安全性。

  • 网络安全：探讨家庭网络安全问题，确保智能家居设备的安全性，防止网络攻击和数据泄露。

  1. 用户体验与人机交互

  • 智能家居界面设计：研究如何设计用户友好的智能家居管理界面，提升用户体验。

  • 语音与手势识别：结合语音识别和手势控制技术，提供更便捷的家居设备控制方式。

工业互联网在供应链管理方面的研究主要集中在利用物联网（IoT）、大数据分析、人工智能、云计算等技术，实现供应链的智能化、透明化、高效化和灵活化。以下是工业互联网在供应链管理领域的主要研究方向：

  1. 供应链可视化与透明化

  • 实时追踪与监控：通过工业互联网中的传感器、RFID（射频识别）和GPS技术，实时追踪原材料、产品和运输工具的位置和状态，实现全供应链的可视化。企业能够实时获取关于生产、库存、运输等环节的动态数据，确保供应链运行的透明度。

    • 研究点：如何通过物联网和云平台整合分散的供应链数据，使企业能够一目了然地看到货物的流动、存货的状态及运输情况。

  • 状态监控：对运输过程中的环境参数（如温度、湿度、震动等）进行监控，确保产品质量，尤其是在食品、医药等对环境要求较高的领域。

    • 研究点：设计和开发多功能传感器网络，实时监控并预测供应链中的潜在风险，确保运输中的产品安全。

  1. 预测性维护与管理

  • 设备维护管理

    ：供应链中涉及大量的生产设备、运输工具等，通过传感器监控设备状态，分析设备运行数据，提前预测设备的故障或停机时间，进行预防性维护，避免供应链中断。

    • 研究点：利用大数据和机器学习模型，分析设备的历史数据，研究如何提前识别和预测供应链中设备的故障，降低维护成本和设备停机时间。

  1. 智能库存管理

  • 库存优化：通过实时监控库存水平，结合需求预测算法，优化库存配置，避免过度库存或缺货情况的发生。这包括利用大数据分析市场需求趋势，精准调整库存策略。

    • 研究点：如何使用工业互联网的数据分析技术，通过精准的需求预测模型（如时间序列分析、机器学习）优化库存管理，减少库存积压或供应链短缺的情况。

  • 自动补货系统：基于物联网设备和实时库存数据，自动检测库存变化，触发自动补货机制，确保供应链的连续性和及时性。

    • 研究点：开发智能库存监控系统，通过与供应链上下游的自动化对接，实现自动化的补货与配送流程。

  1. 供应链协同与敏捷性

  • 供应链协同管理：工业互联网通过共享平台，打通供应链各环节的数据信息壁垒，实现供应商、制造商、物流公司和客户之间的实时信息共享与协同，提高供应链效率。

    • 研究点：研究如何构建跨企业的供应链协同平台，确保数据透明、安全，并提高信息交换的效率，实现供应链的高效协同。

  • 灵活的供应链应对能力：通过大数据分析和工业互联网平台，实时监控供应链的市场需求、原材料供应情况、物流状态等信息，提高供应链的灵活性，及时应对需求变化、原料短缺、自然灾害等突发情况。

    • 研究点：如何通过数据分析和预测模型，提升供应链的敏捷性和应对突发事件的能力，确保供应链的快速响应和调整。

  1. 供应链风险管理

  • 风险监控与预警：基于工业互联网平台的数据采集和分析，研究如何对供应链中的风险因素（如自然灾害、供应商中断、市场需求波动等）进行监测和预警，提前规避潜在风险。

    • 研究点：构建供应链风险管理模型，通过数据分析预测潜在风险并提供决策支持，减少突发事件对供应链的影响。

  • 供应链安全管理：确保供应链中的数据信息安全，防止黑客攻击、数据泄露等网络安全问题。工业互联网技术在供应链管理中的应用涉及到大量的商业敏感数据，因此数据安全和隐私保护成为关键研究点。

    • 研究点：研究如何在供应链管理系统中集成有效的数据加密技术、身份验证机制及安全协议，保障供应链中信息流的安全。

  1. 物流优化与自动化

  • 智能物流管理：通过工业互联网技术实时监控运输工具、仓储设备和物流路线，优化物流路径，减少运输时间和成本，提高配送效率。

    • 研究点：开发基于实时数据的物流优化算法，动态调整运输路线、仓储策略，并结合无人机、自动驾驶等技术进行物流自动化。

  • 无人化仓储与配送：应用自动化仓储系统、机器人、无人配送车辆等工业互联网技术，实现仓储和配送过程中的无人化操作，提升物流效率。

    • 研究点：研究如何集成工业机器人、物联网和自动化设备，在仓库管理和物流配送过程中实现自动化和智能化，减少人工成本。

  1. 供应链数据分析与决策支持

  • 大数据驱动的决策支持系统：利用供应链中的大数据，构建智能决策支持系统，为供应链中的关键决策（如采购、生产计划、库存管理、运输安排等）提供数据支持，提升决策的科学性和及时性。

    • 研究点：研究如何利用大数据分析技术挖掘供应链中的关键数据点，通过机器学习、深度学习等算法，优化供应链各个环节的决策。

  • 基于AI的需求预测与供应链优化：通过AI技术对历史数据、市场变化和外部环境进行深度分析，预测未来需求变化，帮助企业优化供应链策略，确保供应链的高效运作。

    • 研究点：如何利用人工智能技术进行市场需求预测、供应链动态调整，提升供应链的前瞻性和应变能力。

      这个研究方向是做出预测，并且根据预测做出决策

      研究场景：超市各类商品进货预测分析并给出决策；工厂原材料的预测和分析；

  1. 可持续供应链与绿色管理

  • 绿色供应链管理：研究如何通过工业互联网技术减少供应链的碳排放、节约能源，实现绿色环保的供应链管理。包括优化运输路线、使用节能设备以及减少废料和污染。

    • 研究点：开发绿色供应链管理平台，通过数据分析和优化算法，实现对供应链全过程的能效管理和环保监测。

  • 循环经济与资源再利用：通过工业互联网技术对供应链中资源的流动进行优化，减少浪费，促进资源的回收和再利用，推动循环经济的发展。

    • 研究点：研究如何通过物联网技术跟踪供应链中的产品生命周期，优化废弃物回收流程，促进资源的再利用。

如预期的那样，近年来，IIoT与许多其他先进技术的结合，使其在全方位的可靠通信、动态环境适应性、灵活制造等方面展现出了智能特性。这也加速了制造业转型的进程。具体来说，当IIoT与5G结合时，IIoT对多设备连接、高数据速率、更多带宽和低延迟质量服务（QoS）的需求可以轻松满足。Chettri等人【12】和Mahmood等人【13】详细概述了5G 在IIoT系统中各种通信行业的挑战和愿景。时间敏感网络（TSN）是一组IEEE 802.1标准，定义了通过IEEE 802网络提供确定性服务的机制【14】-【16】。确定性服务包括以有界延迟、低数据包延迟变化和低丢包率保证数据包传输。结合TSN，IIoT可以确保任何两个设备之间的网络通信具有确定性响应。Bello等人【17】详细描述了TSN协议，并提供了一些将TSN应用于IIoT的案例。深度学习也有可能与IIoT结合。Khalil等人【18】介绍了包括卷积神经网络、自编码器和递归神经网络在内的各种深度学习技术，以及它们在不同行业中的应用。通过引入数字体验，IIoT可以减少产品研发成本【19】【20】。远程监控和控制技术的帮助使得劳动效率得到提高【21】。工业机器人逐渐取代人类从事一些体力劳动和例行工作【22】【23】。

由IEEE 802.1指定的不同TSN标准文档可以分组为完整实时通信解决方案所需的三个基本关键组件类别。[1]每个标准规范都可以单独使用，并且主要是自给自足的。但是，只有在协同使用的情况下，TSN作为通信系统才能充分发挥其潜力。三个基本组成部分是：

1）时间同步：参与实时通信的所有设备都需要对时间有共同的理解

2）调度和流量整形：参与实时通信的所有设备在处理和转发通信数据包时都遵循相同的规则

3）选择通信路径，路径预留和容错：参与实时通信的所有设备在选择通信路径和保留带宽和时隙时遵循相同的规则。

现在是时候对IIoT智能有一个系统的理解了。然而，现有的综述往往聚焦于特定领域的IIoT智能，如IIoT中的5G【12】【13】、IIoT中的TSN【17】、IIoT中的深度学习【18】【24】【25】、IIoT中的边缘计算【8】【26】【27】。这会导致研究人员/读者对IIoT智能的理解产生偏见，即认为某一研究方向对于IIoT智能的发展最为重要，而忽视了其他方向的贡献。在这种情况下，IIoT智能架构中先进技术的贡献和位置也难以明确。

因此，本文提供了对IIoT智能的全面综述。考虑到IIoT智能的发展融合了政府、企业和研究人员的智慧，我们将信息来源从学术论文扩展到政府文件、行业报告和其他相关文献。具体来说，为了提取有关IIoT智能的见解，我们深入研究了世界经济论坛的全球灯塔网络（GLN），该网络认可了第四次工业革命下的灯塔工厂和应用案例。然后，我们尽力仔细研究了官方来源的相关客户案例。通过深入分析GLN和客户案例，我们识别出对其数字化和智能化转型至关重要的技术。对于每种识别出的技术，我们主要考察了过去5年内发表的技术论文，以及超出此时间范围的被多次引用的论文，以便全面了解并巩固相关知识。最终，我们通过本文回答了以下四个问题：

  • IIoT智能是什么？IIoT智能对智能制造能做什么？

  • IIoT智能的发展架构是什么？

  • 哪些技术正在加速IIoT智能的发展？

  • IIoT智能的开放性挑战和未来趋势是什么？

二、 深入剖析智能制造

近年来，第四次工业革命引起了各国政府、企业和大学的广泛关注，并已全面展开。许多制造商正在探索智能化转型的道路。

A. 背景

在本节中，我们将根据社会环境和技术发展的因素，回答制造业为何需要进行智能化转型这一重要问题。

近年来，许多国家的人口增长缓慢，同时制造业的劳动力成本不断上升。例如，根据中国国家统计局的数据【32】，如图1所示，从2014年到2019年，制造业的劳动力数量在下降，而劳动力成本却显著上升。此外，越来越多的客户追求个性化定制和更好的用户体验，这使得制造系统的架构在产品生命周期的每个阶段变得更加复杂，如设计、生产和售后服务等（见图2）。能够按需大规模生产定制产品并快速应对需求波动的能力，将为企业提供至关重要的竞争力。然而，要构建这些能力，企业在调整组织结构、运营和商业模式方面面临着诸多挑战。总的来说，劳动力成本的上升和定制化需求的增长迫使制造业社区进行智能化转型，以提高生产力并实现可观的回报。

Fig. 1. The workforce in Chinese manufacturing has been falling from 2014 to 2019, while workforce costs have been rising signiffcantly.（从2014年到2019年，中国制造业的劳动力一直在下降，而劳动力成本却在大幅上升。）

Fig. 2. Personalized customization and patient experience enhance complexity of the architectures for manufacturing systems.（个性化定制和客户体验增加了制造系统架构的复杂性。）

近年来，云计算、5G连接、工业数据分析和工业物联网等大量先进智能技术的快速发展为制造业升级指明了方向。世界各国也在通过政策支持制造业的智能化转型。这些努力涵盖了促进研发、培育创新生态系统、激励先进技术投资以及应对监管障碍等多个方面。例如，2023年10月30日，拜登政府发布了关于人工智能安全、可信开发和使用的行政命令E.O. 14110【33】【34】。该命令通过联邦机构领导、行业监管和与国际伙伴的合作，建立了一个指导负责任的人工智能开发和部署的政府广泛努力。2023年2月1日，欧盟委员会发布了《绿色新政工业计划》【35】，并于2024年2月6日推出了《零排放工业法》【36】，帮助欧盟成为清洁技术的发源地，并为到2035年加快新兴产业的高质量发展提供坚实的技术支持。2023年8月23日，中国发布了新兴产业标准的实施指南，承诺不断提高新兴产业标准的技术水平和国际化程度，并为到2035年加速这些新兴产业的高质量发展提供有力的技术支持【37】【38】。

总结：提出来现在目前工业的背景劳动力一直在下降，而劳动力成本却在大幅上升和个性化定制和客户体验增加了制造系统架构的复杂性，点出了转型的必要。

B. 智能制造的成功经验

在本节中，我们将根据富士康工业互联网的实践经验，回答如何加速制造业智能化转型进程的问题。富士康工业互联网是一家在中国成功实现高水平智能化转型的知名企业。请注意，许多其他制造商，如美国的DHL供应链、德国的西门子、印度的联合利华等，已经走上了与富士康工业互联网类似的转型之路。在此背景下，我们借鉴富士康工业互联网的经验，阐述智能制造的秘诀。富士康工业互联网将其成功经验总结为三大支柱和两大能力【39】，如图3所示。

Fig. 3. The secrets to intelligent transformation of manufacturing（制造业智能转型的秘密）

  • 构建有效的生产架构以实现智能化转型。具体来说，企业应改进柔性自动化生产线、连接生产数据并推动智能应用。通过这些努力，企业将提高产量和吞吐量、能效和产品质量，并降低产品成本、库存和运营成本。

  • 构建以客户为中心的价值链。企业应在准确理解客户需求的基础上开发新产品并提供支持服务。企业可以重点优化不同的价值链，如从供应商到营销、从企业管理到售后服务、从产品开发到消费者的价值链等。

  • 构建创新的商业模式，通过与学术界、行业伙伴和政府的标准化合作模式，推动数字制造生态系统的形成，如技术生态系统【40】和投资绑定。

  • 构建制造业的数字能力，通过结合传统技术与新兴技术实现智能制造。虽然这些技术处于不同的发展阶段，但它们可以解决特定的流程和操作问题。

  • 主动培养技术能力和软技能，管理人才。企业可以根据员工的数字亲和力，为从一线工人到管理层的整个组织量身定制技能培训计划。同时，构建灵活的组织架构和绩效管理系统，可以支持智能化转型和技术创新。

总结：根据目前成功企业的经验探索智能化转型道路

三、 IIoT智能支持制造业转型

IIoT智能可以支持制造业转型所需的三大支柱和两大能力（详见第二部分B节）。在接下来的小节中，我们将解释IIoT智能的内涵及其对智能制造的影响。

A. 理解IIoT智能

我们给出了IIoT智能的定义：

IIoT智能指的是一系列技术、方法、产品和平台，这些技术可以在整个制造价值链中被应用，以构建数字连接与感知、智能分析与认知、实时决策等能力。

制造价值链包括研究与开发（R&D）、生产、运营与维护、市场营销、管理和服务等各个环节。价值链的每一个环节都可以成为IIoT智能的应用场景。也就是说，IIoT智能的本质是将智能技术与工业场景、机制和知识深入结合，实现创新的工业应用，例如数字研发、实时高效决策、快速生产线重新配置等。

IIoT智能通过不断迭代进行改进。

首先，收集整个价值链中的数据，并使用一些机器学习算法来学习价值链各个环节的特定知识。

然后，基于这些数据和知识，设计并验证优化模型和算法。

之后，将优化后的解决方案在价值链中扩展应用。

最后，生成新的数据，开启新一轮改进价值链的过程。

B. IIoT智能如何在制造业中发挥作用？

IIoT智能可以为制造价值链的各个环节提供创新解决方案，帮助企业构建第二部分中提到的支柱和能力（见图3）。在接下来的部分中，我们将通过三个案例研究来说明IIoT智能对智能制造在经济、技术和组织方面的影响。

1.经济影响 - 通过数字化实验降低产品研发成本：传统的产品研发过程需要在物理生产线上进行多轮试生产、测试和优化。每轮物理实验都会耗费大量的人力、物力、资金和时间。因此，传统的研发过程耗时长、成本高且对环境不友好。

IIoT智能可以通过将部分物理实验数字化，显著降低产品研发成本。通过利用历史数据和经验，IIoT可以将工业流程映射到数字领域，从而实现低成本的试错实验。此外，数字环境可以基于工业知识和历史数据自动预测潜在的故障。推荐技术提供了改进建议，使项目团队能够及时修改和优化产品设计，以应对检测到的或预测到的故障。此流程大大提高了效率和成本效益，加快了新产品的开发。

除了优化产品开发过程并在数字环境中进行低成本的试错外，IIoT智能还可以支持生成式设计、跨部门和跨区域的协同创新与合作，从而加快设计进度并降低设计成本。

2.技术影响 - 通过自动化视觉系统提高检查效率：在制造业的质量控制中，过去依赖人工检查员进行人工视觉检查来识别缺陷。然而，这种方法存在诸多缺点。人工检查员在长时间工作中很难保持持续的注意力和精准度。此外，手动检查过程的速度通常不如自动系统快，导致生产效率降低。

IIoT智能通过自动化视觉检查系统解决了这些问题。相机和传感器被战略性地放置在生产线上，捕捉产品属性的图像并收集数据。机器视觉系统通过AI算法处理这些图像。训练这些算法以识别组件、检测缺陷和评估装配质量，一旦发现缺陷便会提示采取纠正措施。自动化视觉检查的优势包括提高精度、降低缺陷率和加快检查速度，从而提升生产线的整体效率。

3.组织行为影响 - 通过远程监控和控制提高劳动效率：传统上，工人必须亲自在生产区域内参与制造过程或监督设备操作。这种现场操作的方式对于快速发现并纠正生产中的错误是必需的。此外，设备维护通常由技术人员通过现场服务来完成。生产线的部署往往依赖于人工分析和行业专家的经验。

IIoT技术可以连接和感知车间中的设备、工人和中间产品的信息。这使得生产条件的远程监控和制造设备的远程控制成为可能，提高了无人化操作的安全性，减少了接触危险场所的需求。通过从“一人一控”到“一人多控”模式的转变，这项技术提高了整体设备效率（OEE）和劳动效率。远程监控和控制还允许管理者根据实时进度调整工人安排。此外，这些技术为工人创造了新的白领工作机会，使他们能够在舒适的办公室工作，从而提高了制造业的吸引力，并通过提供一个新的、诱人的工作环境解决了劳动力短缺问题。

IIoT智能通过三方面在制造工业产生积极影响，其中远程监控和控制也是一个很有前景的研究方向。

C. IIoT智能对智能制造的整体影响

总而言之，IIoT智能从以下几个方面促进了智能制造的快速发展：

  • 功能：IIoT智能可以帮助企业连接人、网络和物理设备，实时准确地收集工业数据，构建有效的数据分析模型，提出场景化的优化方法，开发微服务架构等。例如，根据2023年世界经济论坛的灯塔工厂案例，通过采用IIoT智能，印度的ACG Capsules实现了实时的质量批次洞察和增强的生产计划与调度，从而减少了39%的批次周期时间，并提升了13%的准时交付率。

  • 运营：IIoT智能为企业构建了云制造业务模型，帮助企业提高回报。云制造通过鼓励企业将分布式制造资源封装为云服务并集中管理，创建了智能工厂网络，促进了有效的协作。例如，中国华润建筑材料技术公司利用云技术丰富并使整个组织的数据更易于使用，以改善业务绩效。德国的安捷伦科技公司利用云实现了基于AI的预测质量测试，从而显著提高了13%的测试站产量。

  • 部署：IIoT智能提供了云-边缘-终端架构，以一种经济的方式部署计算资源。此外，IIoT智能还可以提供高效的生产部署和调度建议，以提高工厂产量和能源优化。例如，ACG Capsules通过一种新的颜色匹配AI优化了生产计划，并通过数字孪生技术进行了验证，从而实现了10%-20%的准时交付率提升。

  • 应用场景：IIoT智能可以用于解决一些特定场景下的问题，如预测性和远程维护、产品和设备监控、产品设计反馈优化、生产过程追溯、制造能力租赁、产品质量检测等。例如，印度的强生消费健康公司通过部署IIoT智能实现了预测性维护，提高了资产可靠性，并减少了50%的计划外设备停机时间。

四、IIoT智能的分层发展架构

为了系统地理解IIoT智能如何解决智能制造转型过程中面临的问题，本文提出了一个IIoT智能的分层发展架构。该架构从下到上包括设备层、网络层、软件层、建模层以及分析与优化层，如图4所示。

Fig. 4. The hierarchical development architecture of the IIoT intelligence. The equipment layer builds the basis of automatic production. The network layer connects human-machine-things, and overcomes isolated islands of information. The software layer provides digital representation of industrial processes. The modeling layer makes digital twin for physical processes to connect virtual and physical spaces. The analysis and optimization layer is responsible for mining industrial big data and optimizing industrial processes.(IIoT智能的分层开发架构。设备层为自动化生产奠定了基础。网络层连接人机事物，克服信息孤岛。软件层提供工业过程的数字表示。建模层为物理过程制作数字孪生，以连接虚拟和物理空间。分析和优化层负责挖掘工业大数据和优化工业流程。)

传统的IIoT智能架构通常包含底部的两个层级【8】【9】【11】【44】，但这种架构不足以支持近年来涌现的各种智能。因此，我们在传统架构基础上扩展了软件层、建模层以及分析与优化层。分层发展架构中每个层级的功能如下：

  • 设备层：设备层的技术创新为自动化生产奠定了基础。特别是，配备智能传感器的工业机器人能够在一定程度上替代人工，实现自动化生产，或协助工人在灵活生产中工作。云计算/边缘计算/雾计算确保了充足的计算资源以支持IIoT智能的发展。

  • 网络层：网络层中的通信技术构建了一个支持高可靠性、低延迟的人-机-物信息流传输的网络。该网络能够打破企业内部的信息孤岛，大大加速智能制造的发展。

  • 软件层：工业软件通过收集和挖掘工业数据，提供工业过程的数字化表达。工业软件可以满足企业加强对各种工业过程控制的需求，使工业过程更加透明，有助于优化生产和管理。

  • 建模层：建模层中的技术基于工业软件的数字表达，旨在准确地对工业过程和场景进行建模。同时，建模层还应通过提供必要的数据、模型和管理控制接口支持分析与优化层。

  • 分析与优化层：分析与优化层包括一些特定的算法，这些算法旨在基于来自底层的大数据和建模层构建的模型解决工业过程中的具体问题并优化工业流程。

在分层发展架构中，信息流的传递是双向的：

  • 从下到上的数据传递：工业设备和工人持续产生数据，网络将人-机-物连接起来，并将数据传输到具有特定工业软件的计算设备中。经过数据收集和初步挖掘，软件向建模层提供所需信息，从而构建出准确的模型。最后，信息和模型被特定的分析和优化算法使用。

    收集大量基层工作数据，进行大数据的分析和处理，得出需要的数据和结果。

  • 从上到下的数据传递：优化后的解决方案首先在分析与优化层中生成，然后分配给建模层。建模层中的模块理解该解决方案后，将其通知相应的管理和控制软件，最终，设备层将执行这些解决方案。

    根据大数据的分析和处理，做出较优决策让下层执行。

与IIoT智能驱动的智能制造相比，传统制造模式缺乏自动控制和智能建模。具体来说，传统模式通常依赖于手动控制系统和固定流程，自动化水平有限，制造过程的调整通常需要人工干预。这可能导致响应时间较慢并增加人为错误的可能性。当IIoT智能驱动的智能制造启用时，IIoT传感器和设备被战略性地部署在生产过程中，这些设备收集实时数据，使自动控制系统能够动态响应变化的条件，增强了自动化水平、减少了人工干预并提高了运营效率。此外，传统模式可能缺乏复杂的智能建模能力，决策依赖于历史数据和经验，无法有效预测未来事件或主动解决问题。而IIoT智能通过高级分析和机器学习算法处理传感器生成的大量数据，这些智能方法有助于预测维护需求、优化生产计划并改善整体决策能力。

在接下来的小节中，我们将详细介绍该分层发展架构中每一层的动机和内涵。

A. 设备层

1.动机：面对劳动力短缺和劳动力成本上升的危机，制造业对类似甚至优于人类工作的机器需求越来越强烈，从而推动了工业机器人的发明和创新。此外，企业的其他动机也推动了设备层的发展【45】。

例如：

a) 许多单调、肮脏、危险和/或精细的任务可以由机器人完成，从而提高员工的健康、安全和工作满意度；

b) 机器人技术的快速发展不断提高了机器人的自动化和灵活生产能力，同时降低了采购和维护成本；

c) 现代机器人支持更小的碳足迹【46】【47】，这有助于根据国家要求建设低碳工厂；

d) 越来越多的机器人支持即插即用集成，其控制编程变得更加简便，使操作人员经过一般培训后即可熟练使用机器人【48】；

e) 人机协作将加强灵活生产【49】【50】；

f) 全球老龄化社会也释放出对从体力劳动中解放的需求。

除了机器人之外，为了实现对生产环境状态的精准感知以及对生产过程的高精度控制，引入智能传感器以提升工业的“五感”是必要的。此外，随着工业数字化转型的深入，大量的工业数据存储和分析任务需要大量的计算和存储资源来完成。

对工业机器人引入“五感”即添加智能传感器，这对调节决策机器人的行为是非常重要的。

2.内涵：设备层中的设备可以分为两类，即生产设备（包括工业机器人和传感器）和计算设备（包括云/边缘/雾计算中的计算资源和存储资源）。

工业传感器感知输入端的物理量，并在输出端发送相应的电信号。有许多工业传感器可以用于提升工业的“五感”，包括空气质量传感器、环境光传感器、距离传感器、图像传感器、工业运动和位置传感器、红外探测器、工业压力传感器、速度传感器等。几乎现代制造过程的每个环节都可以找到工业传感器，因此几乎无法想象没有传感器的自动化系统【51】。

工业机器人是指用于制造业的机器人系统。工业机器人是自动化、可编程的，能够在三个或更多轴上运动。工业机器人逐渐取代人类执行危险和精细的任务。典型的应用包括焊接、喷漆、装配、拆卸、PCB的拾取和放置、包装和贴标、码垛、产品检查和测试。此外，借助智能传感器，机器人能够确保以高耐久性、速度和精度完成任务。

云计算通过互联网提供计算服务，包括服务器、存储、数据库、软件等，近年来已成为企业经济且灵活的计算资源部署解决方案。大多数云计算服务可以分为四大类：基础设施即服务（IaaS）、平台即服务（PaaS）、无服务器和软件即服务（SaaS）【52】。然而，由于云资源通常远离数据源，导致IIoT数据分析的延迟较长，边缘计算和雾计算提供了一种在数据源附近处理和实时分析数据的新方法。目前，云-边缘-雾计算架构已成为提供IIoT智能所需的计算和存储资源的有效架构。

Fig. 5. The networking helps to realize smart factories from information islands to collaborative operations(网络化有助于实现从信息孤岛到协同运营的智能工厂)

  1. 基础设施即服务（IaaS，Infrastructure as a Service）

  • 定义：IaaS 提供基础的计算资源，如虚拟化的服务器、存储、网络和操作系统，供用户搭建和管理自己的IT基础设施。

  • 特点：用户可以完全控制并配置计算资源，包括操作系统、应用程序和数据。提供商负责维护硬件基础设施和虚拟化技术，用户则负责安装、配置和管理其上层软件环境。

  • 典型应用：弹性计算资源的需求，如扩展或缩减计算能力、搭建虚拟机等场景。适用于需要自定义环境的大型企业、开发团队和技术专家。

  • 示例

  1. 平台即服务（PaaS，Platform as a Service）

  • 定义：PaaS 提供一个平台，包括开发工具、数据库管理系统、中间件等，使开发人员能够直接构建、测试、部署和管理应用程序，而无需担心底层基础设施的配置和管理。

  • 特点：用户只需关注应用程序的开发，而无需管理操作系统、网络、存储等基础设施。PaaS 提供了开发、测试和部署环境，支持编程语言、框架和数据库集成。

  • 典型应用：应用开发、测试、部署和管理的整个生命周期，尤其适用于软件开发者和开发团队，帮助他们专注于编程和业务逻辑，而非底层资源的管理。

  • 示例

  1. 无服务器（Serverless，Serverless Computing）

  • 定义：无服务器计算是进一步抽象化的服务模式，用户不需要管理任何服务器或基础设施，而是通过函数来执行特定任务。计费基于实际的执行时间或资源使用量，而非长期租用的资源。

  • 特点：开发者只需编写和上传代码，执行环境由云提供商完全管理，自动处理资源分配、扩展和管理。它极大地简化了应用的开发、扩展和运行，尤其适合短时间运行的任务或事件驱动的架构。

  • 典型应用：事件驱动的应用场景（如自动处理文件上传、数据库触发器、实时数据处理等），以及希望通过减少运维成本和复杂性来优化资源使用的场景。

  • 示例

  1. 软件即服务（SaaS，Software as a Service）

  • 定义：SaaS 是一种交付软件应用程序的方式，用户通过互联网访问软件，而无需安装、配置和维护本地的软件。提供商负责所有基础设施、平台和应用程序的管理。

  • 特点：用户通常以订阅或按需付费的方式使用软件，通过浏览器或专用客户端访问，省去了维护和更新软件的复杂性。所有技术维护由服务提供商负责，用户只需专注于软件的使用。

  • 典型应用：日常办公软件、协作工具、企业管理系统等。SaaS 适合个人用户、小型企业和大型企业，无需投资基础设施或技术团队来维护软件环境。

  • 示例

总结

IaaS：提供最基础的虚拟化资源，用户负责管理所有的上层环境，适合需要灵活配置硬件和操作系统的企业。

PaaS：提供开发平台，用户可以专注于应用程序的开发、测试和部署，适合开发者和开发团队。

无服务器：用户无需管理服务器，只需编写代码并通过云端执行，适合事件驱动或按需扩展的应用场景。

SaaS：提供完整的软件解决方案，用户通过互联网使用，适合需要快速部署、无需维护的软件应用场景。

B. 网络层

1.动机：IIoT 网络的革命受到全球趋势的启发 [53]。首先，由于智能制造领域越来越多的智能设备和人员接入网络，系统、人员、流程、位置和设备之间的连接变得更加分散和复杂，网络对企业的经济价值越来越大 。其次，业务固有的不可预测性使得网络快速修正传输模式以适应新的业务、流程和模式。第三，许多制造过程对时间敏感且任务关键，这要求网络的通信时间更加精确和可预测[54]。

技术进步也鼓励工业物联网网络革命。企业的应用程序和数据正在离开本地并转移到公共/私有云。在许多情况下，部分单体应用程序正在被模块化为微服务，这些微服务通过整个企业的各种虚拟和物理工作负载来交付。在应用和微服务革命的背景下，网络有望成为一组不断增长的神经集群，可以分布在云、边、端的任何地方。  CISILION 总结了新网络的四个主要目标，即与业务保持一致、抽象复杂性、确保性能和降低风险[53]。IIoT 智能中的网络预计将实现一些类似的特性。如图5所示，参考文献[55]和TF安全预测[56]，连接人机物的网络有助于克服信息孤岛的严重问题，提供高速、广覆盖和低延迟的通信 ，支持工业大数据挖掘、即时决策等叠加应用的开发。具体来说，在日益苛刻的制造环境中，网络需要能够快速适应不断变化的制造要求。网络应提供便利访问快速变化的设备、人员、应用程序和服务，以便资源调度和管理可以更加关注。提供稳定持续的服务对于网络中使用的网络来说，不间断的运行也是至关重要的。

2.内涵：所有可行的连接人、传感器、机器人、云/边/雾计算资源和其他智能设备的组网方式都属于IIoT智能的组网层。近年来提出了一些先进的网络。代表性进展包括软件定义网络（SDN）、白盒交换机、信息中心网络（ICN）、确定性网络、时间敏感网络、5G和网络切片等。这些成果正在推动网络实现高性能，包括丰富的带宽 、高速稳定传输、海量连接等等。这里简单介绍一些技术作为示例，以说明先进技术对未来工业物联网网络的影响。SDN利用了路由器和交换机中数据平面和控制平面的解耦能力[57]，这使得网络能够被智能地、集中地控制和管理，而不管底层网络技术的复杂性如何[58]。ICN 是未来互联网范式的有希望的候选者[59]。受到终端主机之间信息传播而不是成对通信这一事实的启发，ICN 通过网内缓存和存储将基于 IP 的互联网切换到基于信息的架构 [59] [60]。第五代（5G）无线通信旨在在延迟、大规模连接、网络可靠性和能源效率方面实现革命性的飞跃61。网络切片是一项独特的技术，首次应用于5G，以实现5G的宏伟目标。网络切片有助于在通用物理基础设施平台之上建立多个逻辑独立网络，因此 5G 能够以隔离和透明的方法支持非常多样化、有时甚至是极端的要求 [63]。工作中给出了一些使用网络切片的工业实例[64]。

C.工业软件层

1.动机：在日益数字化的制造中，人类、智能传感器和机器人不断生成工业数据，网络忙于传输数据。IIoT智能的基础是由设备层和网络层构建的。然而，缺乏可用于管理数据和生产过程的软件。 

2.内涵：工业软件是工业知识与信息技术融合的产物。产品随着行业创新知识的长期积累和应用而不断迭代更新。根据功能和特点，工业软件可分为研发软件、生产控制软件、信息管理软件和嵌入式软件四类[65]。图6展示了四类工业软件的主要功能和应用实例。由于多种原因，工业软件非常复杂。首先，行业种类繁多，其中流程工业和离散工业包含39个大类、191个中粒度类别和525个细粒度类别。其次，需要机械、电子、光学、声学、声控、流体热处理等方面的众多专业知识和经验来支持工业软件的研发。第三，工业产品的复杂性广泛，从服装、玩具等简单产品到航空、卫星等复杂产品。而且工业软件涉及工业流程的各个阶段，工业流程复杂，包括研发、生产、营销、运营、维护、供应链管理等。部署的设备也多种多样，功能涉及生产、实施、测试和测量。那么，厂商之间就很难合作。例如，波音747是由6个国家16000多家不同规模的企业联合生产的。最后，工业软件对实时可靠性要求很高，因为不可靠的数据可能会在成本和安全方面造成巨大的问题。

近年来，各国政府通过政策激励推动工业软件快速发展，同时创新技术也为工业软件发展提供了机遇。随着行业环境竞争越来越激烈、复杂化，工业软件正在从系统化平台化、云化部署、轻量级开发三个方面进行升级。具体来说，早期的工业软件都是面向特定场景的，比如设计用的CAD、仿真用的CAE、企业管理用的ERP等。现在的工业需要多公司协作。因此，一些系统平台有望支持跨公司交互。系统平台应整合和利用资源和工具，为智能制造提供解决方案。另一方面，开发基于云的工业软件66是应对当前运营模式（IaaS、SaaS、PaaS）和定制需求的有效方法。保证数据互联、实时交互和远程监控[21]是智能制造的重要课题，推动轻量化移动工业APP的发展。

Fig. 6. The primary functions and application instances of R&D software, production control software, information management software and embedded software. The grey blocks represent the expected effectiveness of the industrial softwares. The yellow blocks show the corresponding functions. The orange blocks include representative instances.(研发软件、生产控制软件、信息管理软件和嵌入式软件的主要功能和应用实例。灰色块表示工业软件的预期有效性。黄色方块显示相应的功能。橙色块包括代表性实例。)

D.建模层

1.动机：在IIoT智能架构中，建模层应实现两个功能，即将物理过程建模到数字空间，同时将数字空间中做出的决策转移到物理世界。建模方法的发展是由未来的智能应用驱动的，例如远程控制、预测性维护、过程优化等。具体来说，为了在这些场景中表现良好，需要对特定对象进行精确建模，并且最好与对象保持不间断的连接，以实时更新模型并传输指令。

2.内涵：建模方法属于建模层，为工业物联网建立物理世界和网络世界的连接。

数字孪生是实现网络空间与物理空间交互最有前景的技术。 其表示模型如图7所示。数字孪生有五个必要的关键点：数据、连接、模型、交互和应用。因此，数字孪生可以贯穿物理过程的整个生命周期，并提供描述、分析、诊断、预测、处方、认知等能力68。目前，产学研界对数字孪生的探索主要从建模和仿真两个方面进行。建模是指为物理实体建立 3D 虚拟双胞胎。这对双胞胎有望重现物理实体的外观、几何关联、运动动力学和其他属性。仿真是基于工业知识、机制和数据的虚拟孪生，计算、分析和预测物理实体未来状态的活动。就现阶段的研究贡献而言，数字孪生的建模和仿真依赖于工业软件，包括CAD、CAE等。除了数字孪生之外，还有一些其他方法可以对某些工业场景进行建模，例如Use Case Maps  UCM（UCM）、消息序列图（MSC）、数字浅层等。UCM是一种面向实时系统、基于场景的建模方法70。UCM使用抽象符号来表示复杂系统的结构和交互行为，以便开发人员可以轻松地理解整个系统。UCM 提供了直观的 以及清晰的视觉系统描述方法，可以实现 正式和非正式描述之间的灵活转换 系统的。MSC，也称为时序图， 消息流程图，是有效的图形和文本 用于描述系统消息传递的语言是 广泛应用于软件开发实践中。流行的MSC软件版本有3个，分别是MSC-92、MSC-96 和 MSC-2000 分别。MSC-92 标准细化了 系统中的基本概念，并使用形式表达式来描述基本过程。MSC-96版本相比之前的版本增加了结构化语言。MSC-2000版本在控制流程、定量表示时间、数据描述和条件四个方面进行了改进。

Fig. 7. The representation model of digital twin

数字孪生（Digital Twin）是一种虚拟模型，旨在准确反映物理对象。它通过集成物理模型、传感器更新、运行历史等数据，创建一个与真实世界系统运行性能完全一致的仿真模型。数字孪生可以用于监控、预测和优化物理实体的性能，从而提高效率、降低成本，并实现更好的产品和流程监控。

数字孪生通常包括三个部分：物理实体、数字模型和数据连接。物理实体是现实世界中的实体，例如机器、设备、工厂等。数字模型是数字孪生的核心，它是一个虚拟的模型，与物理实体相对应。数据连接是将物理实体和数字模型进行连接的技术，包括传感器、数据采集、数据存储和数据分析等技术。

数字孪生有多种类型，根据产品放大程度的不同，可以分为：

1.组件孪生/部件孪生：作为数字孪生的基本单元，是最小的功能组件示例。2.资产孪生：当两个或多个组件一起工作时，就形成了所谓的资产。资产孪生让您能够研究这些组件的交互，创建大量可处理的性能数据。3.系统孪生或单元孪生：能够展现不同的资产如何汇聚在一起，共同形成一个完整的功能系统。流程孪生：展现系统如何通过协同工作来建立整个生产设施，帮助确定最终影响整体效率的精确时间控制方案。数字孪生技术的历史可以追溯到1991年，David Gelernter在《镜像世界》中首次提出了数字孪生技术的理念。2002年，Michael Grieves博士首次将数字孪生概念应用于制造业。2010年，美国国家航空航天局(NASA)的John Vickers引入了“数字孪生”这一新名词。

数字孪生的优势包括提高生产效率、提高产品质量、节能减排以及远程监控和维护。它在智能制造、航空航天、电力、城市管理、农业、建筑、制造、石油天然气、健康医疗、环境保护等多个行业中都有广泛的应

E.分析和优化层

1.动机：借助建模层，构建网络空间和物理空间之间的连接。然而，连接仅提供基于网络空间优化来控制物理过程的通道。它无法解决工业环境中的具体问题，例如制造工艺规划和调度、拓扑优化和预测等。因此，我们设计了分析和优化层来支持特定问题和场景下IIoT智能的发展。

2.内涵：能够解决工业环境中特定问题的智能算法，属于分析优化层。场景和问题太多，无法一一列举。由于篇幅限制，本文仅列出了一些较受关注的问题，包括制造工艺规划和进度、拓扑优化和预测。 

a) 制造工艺规划和调度：制造工艺规划通过选择和排序制造操作来确定如何制造产品。工艺规划旨在提高某些特定性能（例如，缩短处理时间、最小化生产成本），同时满足一组领域约束[72]-[74]。制造调度是将制造资源随时间分配给工艺计划中的一组制造工艺的过程[72]。这是一个根据延迟、吞吐量或成本等标准提出资源分配调度的优化问题。工艺规划和调度问题对于提高柔性制造变得越来越重要。然而，该问题通常是NP难问题，即不使用本质上是枚举算法就不可能得到最优解，而且计算复杂度随着问题规模的增大而显着增加。

NP的英文全称是Non-deterministic Polynomial的问题，即多项式复杂程度的非确定性问题。‌NP难问题（NP-hard problem）是指在计算机科学中，一类难以在多项式时间内解决的问题。‌这类问题在多项式时间内无法找到解，即使对于简单的变换也无法在多项式时间内解决。NP难问题在计算复杂性理论中具有重要的地位，因为它们代表了一类难以在多项式时间内解决的问题‌

基于计算机辅助工艺规划（CAPP）75的方法对于解决这些问题很有用，例如基于Petri网的方法和基于知识的专家系统、基于代理的方法和启发式算法。Petri-net工具还可以用于分析系统的性能、生成代码、模拟系统并对其进行模型检查[77]-[80]。基于知识的系统为制造过程规划和调度提供必要的专家信息，具有信息输入、恢复可比计划和进行必要变更的特点[81]-[83]。Agent技术[84]无论在算法[85]-[87]还是平台[88]-[91]方面都受到了广泛的关注并取得了重要进展。协作智能代理还用于开发分布式 CAPP 系统，以解决制造中的流程规划和调度问题 [92]–[95]。启发式方法96，如攀爬、模拟退火、禁忌搜索和遗传算法，试图用一些复杂的经验取代详尽的搜索策略。 

b）拓扑优化：拓扑优化是一种数学方法，它回答如何将材料放置在规定的设计域内以获得最佳结构性能的问题[98]。拓扑优化发生在产品制造过程的初始阶段[99]。它之所以高效，是因为采用自动优化过程来生成概念设计，而不是传统的试错方法[100]。使用一些 IIoT 智能技术来最大限度地提高性能。对代表性制造导向的拓扑优化方法的调查100总结了拓扑参数化的工作（SIMP方法101、水平集方法[103]、基于样条的方法和一些局限性）、面向加工的拓扑优化 方法（长度尺度控制[104]和基于几何特征的设计[105]），以及面向注射铸造的拓扑优化（厚度控制[106]）。

c）工业预测：工业预测的研究主要集中在估计和预测有关工业资产和生产过程的感兴趣事件[107]。特别是，在工作中工业预测被重新定位为基于数据的工作流程[107]，并提到了两个重要的研究主题。1) 描述性预测，主要总结数据并从数据中推断见解。因此，从数据中获得的信息可以帮助检测感兴趣的事件或估计所研究的工业资产、产品或流程的健康状况。重要的研究主题是模式识别和分类108以及健康管理110。2) 预测利用各种数据融合、统计、建模和机器学习技术来研究最近和历史数据，学习预测模型，从而对受监控资产的未来状态做出准确的预测。基于状态的维护112和预测性维护114是两个有趣的主题。

调查中总结了一些预测方法[116]，例如：

（1）基于物理的方法[117]通过使用数学模型来描述机械部件的退化力学或损伤传播来实现预测。

（2） 数据驱动方法118使用收集的数据（通常是状态监测数据）来绘制损坏/退化状态的特征以实现预测。  

（3）混合方法[120]结合了不同方法的优点，以提高预测精度或扩展预测模型应用。

五、工业物联网智能看灯塔工厂

本节通过对灯塔工厂和企业间合作的深度观察，展示工业物联网智能能够赋能智能制造的智能化转型升级，增强探索和发展的信心。利用 IIoT 智能。自 2016 年以来，世界经济论坛与麦肯锡公司合作，一直在监测全球先进制造业的进展。2017年，世界经济论坛确定了 40 个初步的先进制造用例，这些用例开始试点智能技术并取得了一些成功。2018 年，16 家公司被评为在各个地点实现运营和财务方面取得重大变革成果的领导者 [28]。2019 年，又有 28 个设施被确定为端到端 (E2E) 灯塔 [29]。到2023年，端到端灯塔的数量将增加到54座，其中17座也是可持续发展灯塔[31]。

TABLE 1 DIGITIZATION TRANSFORMATION OF 4 LIGHTHOUSE FACTORIES WITH IIOT INTELLIGENCE

这些先进的公司成功地改造了工厂、价值链和商业模式，以产生引人注目的财务、运营和环境回报[29]。具体关键绩效指标（KPI）的改进体现在工厂产量增加、生产率提高、整体设备效率（OEE）提高、质量成本降低、浪费减少、能源效率提高、换型缩短等方面。这些令人印象深刻的进步取决于不断扩大的 制造工厂环境中的IIoT智能，例如自动化、数字化、大数据分析、远程控制、3D打印等。

本文根据全球灯塔网的内部视角，深入探讨IIoT智能对智能制造的贡献制造业。本文选取了一些灯塔企业，从IIoT智能化分层发展的角度总结了其改进之处。升级行为和相应的回报如表1所示。

除了成功的端到端数字化转型灯塔工厂外，越来越多的合作正在逐步释放。例如，2019年，海尔、中国移动、华为、晨星发布了全球首个5G智能工厂联合解决方案[6]。工厂借助工业物联网智能，在质量检测、维护、机器协同、物料运输、能源管理、园区安全等方面实现智能化。2021年，美的集团、中国联通、华为在佛山市顺德区美的厨房电器事业部工厂推出广东首个5G全连接智能制造示范基地[7]。2022年，西门子和GENERA宣布合作[121]，涉及将西门子技术集成到GENERA数字光处理系统中，包括操作技术、信息技术和自动化。此外，GENERA数字光处理解决方案将完全集成到西门子用于工厂设计的仿真和规划工具中。2023 年，西门子和英特尔发布了一项合作[122]，以提高半导体制造的生产效率和可持续性。此次合作利用各自的尖端物联网解决方案组合以及西门子自动化解决方案，旨在提高价值链 1-3 范围内的半导体制造效率和可持续性。

六． 工业物联网智能化技术研究

毫无疑问，工业物联网智能化的快速有效发展离不开一些关键技术。由于篇幅限制，我们列出了一些对工业物联网智能化最具影响力的技术，并阐明它们对工业物联网智能化发展的贡献。现将这些技术的应用进展介绍如下。

A、工业机器人作为智能劳动力

工业机器人通常是指面向制造的多关节机械臂，或者其他多轴机械装置。主要特点包括自动控制、可编程、多用途、固定或移动等。根据机械结构，机器人可分为六种类型，包括关节型机器人、SCARA机器人、直角坐标机器人、Delta机器人、圆柱机器人 机器人等123。工业机器人主要用于在一定程度上替代人类进行自动化和/或柔性生产22。根据IFR（国际机器人联合会）对工业机器人按客户行业和应用领域的操作总量统计[45]，工业机器人最大的应用行业是汽车制造，其次是电子产品也很重要 。因此，这两个领域的自动化生产和柔性制造正在迅速发展39。从用途来看，工业机器人大多用于搬运，其次是焊接和装配。这些任务通常需要消耗大量的体力，而且部分内容对健康有不良影响。同时，年度装机量统计也表明，工业机器人对工业进程起到了显着的积极推动作用，进一步发展的空间仍然较大。

现阶段的工业机器人已经构建了较为完整的产业链，每个阶段都有龙头企业。除金属、非金属、基础件等基础材料外，三大件的制造技术均由西门子、安川、埃斯顿、纳博茨克、Hammer、KEBA、ABB等公司掌握。主要部件，一些公司专注于集成机器人。相关龙头企业有发那科、安川、尼智、埃斯顿等。此外，一些知名公司，如西门子、发那科、ABB等也赶超了系统集成业务，即利用机器人和一些软件来部署生产线。在实际制造过程中，机器人技术在提高生产效率方面发挥了至关重要的作用。例如，在世界经济论坛的全球灯塔网络2022中[30]，中国青岛的海尔冰箱工厂采用协作机器人进行柔性制造，装配效率提高了52%。同样，位于中国长沙的三一重工在物流执行中采用机器人技术，使准时交货率提高了 11%。

B. 机器视觉系统作为工业之眼

机器视觉系统[124]-[126]的目标是基于感测到的图像创建现实世界的简化模型。 这些模型应该是计算机可以理解的，并且可以从图像中恢复真实信息（几何形状、颜色、纹理、类别、印刷品等）。与人眼相比，机器视觉具有显着的差异和优势，如表二所示。由于这些优点，机器视觉系统已经在工业中得到应用。

机器视觉系统在各种工业任务之间存在很大差异。对于一般的实际应用，在精度、速度、环境鲁棒性和易用性方面存在一些共同的性能要求[127]。如果没有精确的测量，机器视觉无法成功引导机械手执行智能手机或机械手表的自动组装[128]-[130]。在高速装配中，电子制造的模板匹配平均时间小于几微秒[131]，[132]。制造技术，包括机械加工（铣削、磨削、抛光）、焊接、注塑等，可以通过辅助机器视觉系统进行改进。机器人磨削在机器视觉的指导下展现出灵活性、智能性和成本效率133。配备机器视觉系统后，智能机器人焊接性能大幅提高[135]。由于强噪声图像（反射、强弧光和大飞溅），机器人焊缝跟踪具有挑战性，提出了一种卷积神经网络来提取焊缝图像的特征点[136]。引入机器视觉方法来跟踪焊接电极尖端，以评估手工金属电弧中的焊接电弧稳定性和极性[137]。

一般来说，机器视觉测量的在线视觉反馈，包括位置、形状、速度等，使得机械加工、焊接、注塑技术能够提高制造质量和速度。例如，安捷伦的机器视觉工具包通过民主化访问高级视觉功能实现了速度和规模[31]。联合利华补充了用于人员安全和食品安全合规的机器视觉监管平台，减少了 78% 的不安全行为[30]。

TABLE 2  COMPARISON BETWEEN HUMAN EYES AND MACHINE VISION

C、网络化

让联接无处不在 当今的网络是新一代信息通信技术与现代工业技术深度融合的产物。已成为实现制造业数字化转型的法宝之一。本文简要介绍了5G、时间敏感网络、身份解析等典型网络技术和应用的相关进展。

5G网络可以通过URLLC无线通信连接自主工业机器、地面车辆、机器人和软件，旨在帮助工业机械实现智能工厂的实时控制和管理61[138]。 [138] 中的作者研究了 5G 工业物联网，考虑使用机器学习来处理工业机械和 5G 网络管理、配置和控制的复杂任务。提出了5G异构网络下工业物联网的智能绿色资源分配机制[139]，以保证工业物联网服务的高可靠性和能源效率。网络切片是支持5G海量连接和业务隔离的关键技术，从而实现行业规模化应用63。在实践中，精致汽车系统联合河北联通、华为，在保定工厂打造了全球首条柔性5.5G生产线，每年服务中断时间从60小时减少到5.26分钟，年产值 增加 1.12 亿美元[140]。

网络切片是一种按需组网的方式，可以让运营商在统一的基础设施上分离出多个虚拟的端到端网络，每个网络切片从无线接入网到承载网再到核心网上进行逻辑隔离，以适配各种各样类型的应用。在一个网络切片中，至少可分为无线网子切片、承载网子切片和核心网子切片三部分。

时间敏感网络（TSN）[141]是一种标准化技术，可在传统以太网上提供确定性信息传输。在[142]中，作者介绍了开放平台通信统一架构TSN（OPC UA TSN）作为一项新技术，并提出了当前的观点。在[143]中，作者提出了一种通过 TSN 集成异构工业以太网应用程序的方法，并部署嵌入软件定义网络 (SDN) [57] [58] 控制器中的不同实时调度程序，以允许不同的应用程序 共享同一网络的各种流量模式和服务质量 (QoS) 要求。在[144]中，作者介绍了工业通信系统的最新研究进展，并分析了TSN的技术挑战和未来趋势。在实践中，工业网络、计算和自动化解决方案的领先供应商 Moxa 已成功将 TSN 集成到台湾领先的光刻解决方案供应商 ELS System Technology 的晶圆制造流程中 [145]。 

D. 数字孪生连接信息物理空间

数字孪生近年来备受关注，并取得了一些重大进展。本文在准确建模和互操作性方面回顾了这些贡献。

在制造领域的精确建模方面，目前的工作主要集中在单维建模，包括结构建模、属性建模、行为建模和过程建模。主要方法包括数据驱动建模、基于知识的建模和混合建模。针对数字孪生系统的不确定性和复杂性，提出了一种基于神经网络的建模方法[146]。数字孪生技术被用于微铣削刀具磨损监测的监测任务[147]。该模型基于微铣削机床三大核心模块现有的电气和机械公式。该工作[148]提出了一个数字孪生模型，使得利用传感器收集的数据，使性能 （准确性和可靠性）可以通过知识来提高和数据分析。数字孪生辅助故障诊断深度迁移学习来分析操作条件 提出了加工刀具的设计[149]。本提议的系统开发了一种智能刀柄，集成了 k- 型热电偶及云数据采集系统 WiFi模块和刀架可以提供更好的精度 展示铣削性能的改进切削工具的钻孔操作。

互操作性支持物理空间和数字空间之间的相互执行。这是一个越来越有吸引力的话题。然而，相关研究仍处于早期阶段，在相互理解、互操作性、动态更新、数据异构性、子模型异构性等方面仍存在许多问题。目前，一些工作更多地侧重于解决异构数据相关问题。工作[150]研究了产品质量的多尺度演化机制，以实现多源异构数据的融合和利用。江等人。 [151]设计了一种集成消息中间件、内存数据库和关系数据库的数据交互机制，用于虚拟和物理空间的数据交互。使用Kafka、MQTT等消息中间件发送生产指令并反馈执行结果。内存数据库，例如Redis，用于存储生产过程中的实时运行数据。仿真系统的数据管理采用关系型数据库，如MySQL、Oracle、SQL Server等。

尽管数字孪生的发展面临一些挑战，但其实用价值不容忽视。根据全球灯塔网络2023[31]，数字孪生已在许多实际工厂中得到应用。例如，印度ACG Capsules将数字孪生引入电力生产规划和调度，将按时交付率全面提高了13%。沙特阿拉伯阿美公司开发了减少能源消耗的数字孪生模型，实现了159%的盈利能力提升。

E.深度学习提升智能

深度学习方法使用由多个处理层组成的计算模型来学习具有多个抽象级别的数据表示[152]。它不依赖于先前的数据处理，并通过使用反向传播算法自动提取特征[153]。近年来，深度学习在调度规划、计算机视觉、游戏等领域带来了巨大突破[154]-[158]，正在加速工业物联网智能化的发展。深度学习方法可以分为三类，监督学习、无监督学习和深度强化学习。 本文以工业机器视觉研究为例，展示深度学习的赋能作用。 

1）监督学习：给定一定数量的带注释的图像，学习到的机器视觉模型可以灵活地处理各种类型的输出，包括离散标签、每个像素或整个图像的连续值。监督学习为部分领域问题提供了有效的解决方案。作为平面测量的重要步骤，基本的边缘检测是通过卷积神经网络（CNN）对像素进行分类来实现的159。与传统的边缘检测器（例如 Canny）相比，检测到的边缘的质量显着提高。与使用多个图像的传统条纹投影轮廓测量法相比，深度神经网络可以将单个条纹图像映射到其高度/深度图像161。因此，它可以对移动物体进行精确的 3D 表面测量。测量两个图像之间的变形场也有利于制造处理，数字图像相关（DIC）和粒子图像测速（PIV）都用现代深度回归神经网络进行修改[163]-[165]。神经网络表现出更高的准确性和鲁棒性。这些几何测量技术是制造的基础，并且通过监督学习得到了显着改进。

2）基于云的部署：基于云的部署是指通过云计算基础设施在互联网上托管和交付软件应用程序、服务和资源的实践。在基于云的部署模型[210]、[211]中，企业的管理者和客户通常通过网络浏览器或客户端应用程序远程访问应用程序和数据并与之交互，而不是依赖于本地硬件和基础设施。基于云的部署为各个行业提供了广泛的优势。首先，云计算消除了对物理硬件和基础设施的大量前期投资的需要。企业可以利用即用即付模式，只需为他们使用的计算资源付费。这可以节省成本，特别是对于可能没有资金建设广泛 IT 基础设施的中小型企业。其次，基于云的部署可以实现制造过程的远程监控和管理。这在智能制造中尤其重要，其中传感器和物联网设备生成实时数据。远程访问允许利益相关者通过互联网连接从任何地方监控生产、识别问题并做出明智的决策。第三，云计算为制造企业提供了试验和采用创新技术的环境。这包括将人工智能、机器学习和其他新兴技术集成到智能制造流程中。基于云的平台提供训练和部署高级模型所需的计算能力。

3）边缘部署：与云部署将工业数据发送到集中服务器进行处理不同，边缘部署将部分处理任务转移到本地设备或边缘服务器。这种方法在工业环境中特别有用，其中实时处理、低延迟和可靠的连接对于运营效率和决策至关重要[212]–[214]。基于边缘的部署可以获得低LA的优势 Tency、带宽优化、自主运行。首先，基于边缘的部署在更接近源的位置处理数据，减少了延迟，从而实现实时或近实时响应。其次，基于边缘的部署减少了将大量原始数据传输到云端的需要，从而优化了带宽使用。这在网络带宽有限或昂贵的情况下尤其重要。第三，即使没有持续连接到云，基于边缘的部署也可以自主运行。这确保了关键功能在网络中断时可以继续运行，从而增强系统可靠性。

在实践中，多家云公司正在与制造业合作，以实现业务创新和部署优化。例如，通过利用 Microsoft Azure 高性能计算和其他 Microsoft 技术，意法半导体正在推进其研发、转变其供应链、扩大制造规模并为员工提供合适的工具，以确保其作为半导体解决方案全球领导者的地位[215]  ]。Phillips 选择通过升级到 Microsoft Dynamics 365 和 Dynamics 365 Field Service 的最新云功能来实现其传统本地 Microsoft Dynamics 解决方案的现代化。此次升级为公司提供了对业务绩效的实时洞察，这帮助飞利浦进行了流程改进，并帮助提高了现场资源的运营效率和准确性[216]。

七． 公开的挑战和未来趋势

为了识别现有的挑战并规避工业物联网智能的潜在误导性方向，我们思考以下问题：

• 未来制造业需要哪些类型的能力？

• 已经建立了哪些能力？

• 如何建立或提高未来制造业所需的能力？

经过仔细论证，我们得出关键词“数字控制、确定性响应、成本友好的运营和部署、IIoT智能扩散”来回答第一个问题。当前工业物联网智能化已经取得了一定的能力，但仍有提升的空间。 

A.数字控制

数字控制是指利用数字技术和先进的控制系统来监控、管理和优化制造过程的各个方面。这种方法利用数字信息、连接和数据分析来增强实时控制和决策。目前的IIoT智能化可以在一定程度上支持数字化控制。在当前的IIoT智能架构中，集成了工业传感器来提供生产过程的实时信息，并对传感器收集的数据进行处理和分析。软件层的自动化系统由可编程逻辑控制器（PLC）和分布式控制系统（DCS）提供支持，可以基于实时数据分析对制造设备和流程进行精确控制。远程控制和监控还可以通过从远程位置调整制造流程来促进数字控制。 然而，当前的数字控制水平还远远没有达到提供制造过程各个方面的实时可见性的理想愿景，任何远程或本地命令都可以在可视化虚拟空间和物理制造过程中快速执行。实时可见性表明未来制造业有能力监控设备状态、跟踪物料流动并分析生成的生产数据。对命令的即时响应，表明实现了工业物联网智能多层的有效交互，以及机器人、传感器、计算资源和网络资源之间的协作。更重要的是，一旦实现数字化控制的理想愿景，管理者就可以通过实时监测、调整、优化和控制来掌握制造环境的各个方面。尽管实现数字控制带来了挑战，但一旦解决了三个关键困难，连接网络空间和物理空间的数字孪生就会提供机遇：

• 克服软件和模型之间的问题以及工业环境中通信协议的标准化挑战至关重要。

• 确保高质量的工业数据对于准确的分析和可靠的结论至关重要。从实际数据集中生成此类数据对于实现智能数据分析至关重要。 

• 构建数字孪生需要涵盖建模对象在各种条件下的行为的数据集。

然而，收集所有场景的完美数据集是不切实际的。因此，实施更新机制对于维持数字孪生系统的高性能运行是必要的。

B. 确定性响应

确定性响应的能力表示基于特定输入或初始条件产生可预测的、确定的结果或行为的能力。确定性响应不存在随机性或不确定性，系统的未来状态可以根据其当前状态和接收到的输入来精确确定。

在当前的IIoT智能架构中，时间敏感网络（TSN）可确保网络流量的确定性响应。然而，随着工业数字化转型进程的加速，许多时间关键的计算任务是由网络设备生成的，例如，传感器数据分析和机器人的运动规划。计算任务的及时完成对于保证制造系统正确高效的运行至关重要。此外，随着工业物联网中机器人、传感器、软件和模型之间的协作关系变得更加复杂，人们越来越期望某些时间关键型计算任务的响应延迟具有确定性。目前的端边云协同计算架构依靠尽力而为网络转发数据，导致工业物联网计算任务的响应时间存在不确定性和不可预测性。因此，确保IIoT计算任务的确定性响应的问题尚未得到研究。 它将成为 来的研究方向。

构建创新的计算和网络转换 具有确定性响应能力的 gence 范式 会有帮助的。一些研究人员已经开始探索此类 范式[217]-[220]，但有些问题有待解决 深入研究。

• 如何调度现有的工业物联网计算和网络 确保可扩展的确定性响应的资源 计算任务？

• 如何设计支持威慑的共享机制 通信流量的最小化调度和 同一 IIoT 网络上的计算任务？

C. 成本友好型运营和部署

成本友好型运营是指以优化成本、提高效率和确保财务可持续性的方式管理和开展业务运营的实践。云制造提供了一种成本友好的操作，允许按需制造。然而，大多数研究人员关注的是云平台的细粒度制造资源调度，而不是制造资源提供者。因此，应关注制造企业制造资源的定价和供给策略，使制造企业以较低的运营成本获得较高的利润。

成本友好型部署是指战略性且高效地实施系统或技术，重点是在实现预期结果的同时优化成本。制造流程的成本友好型部署通常由专门从事工业工程、生产管理和流程优化各个方面的专业人员来实现。我们不会干扰制造流程的部署优化，而是考虑计算和存储资源的成本友好的部署，以确保工业数据的存储和分析。基于云的部署和基于边缘的部署能够为工业大数据和系统提供成本友好的部署策略。然而，工业物联网中有许多时间紧迫的任务。由于使用尽力而为网络带来的意外和不可预测的延迟，基于云的部署和基于边缘的部署都可能导致无法满足任务的时间要求。因此，未来应研究以下两个挑战，以构建成本友好的部署。

• 考虑到计算服务器和网络设备的个性化部署成本，对于缺乏智能转型基础的工业物联网企业，如何设计经济高效的部署方案？

• 对于已具备智能化转型基础的工业物联网企业来说，如何优化当前计算服务器和网络设备的部署结构，以满足个性化转型需求？

D. IIoT 智能扩散

智能扩散是指通过人工智能开发或创建新的智能系统、模型和算法，以执行 IIoT 任务或紧急情况。未来智能制造需要智能化扩散的原因包括：

• 工业制造涉及复杂的生产流程、设备和系统，通过传统的手工规则来准确描述和解决所有可能的场景具有挑战性。智能制造环境的多样性和复杂性要求系统能够适应不同的条件和要求。

• 为每种可能的情况设计和优化专用算法是一项耗时的任务。仅仅依靠手动设计的具体算法可能无法满足动态制造环境中快速变化和复杂性的需求。 

• 智能应急系统具有适应性和学习能力，基于实时工业数据不断优化其模型和算法。这使得系统能够不断适应不断变化的工业环境和生产要求。

受 ChatGPT 开发的启发，ChatGPT 可以在对话中理解和生成类似人类的文本，保留连贯响应的上下文，执行回答问题和创意写作等任务，并根据其知识提供信息，大型工业生成智能模型具有潜力 实现工业物联网智能扩散，但它也带来了一些挑战：

• 构建和维护大型模型可能成本高昂，特别是在计算资源和数据存储方面。

• 大型模型需要广泛且高质量的训练数据，而这些数据在工业环境中可能稀缺或难以获得。

• 由于资源限制和实时处理要求，在现实工业环境中部署大型模型可能会很复杂。

八． 道德影响和环境影响

在本节中，我们将探讨道德影响 采用工业互联网的环境影响 制造业中的物联网 (IIoT) 智能。

A. 道德影响

道德影响主要包括三个方面：工作转移和劳动力转型、隐私和数据 安全、社会和经济平等。

1）工作流离失所和劳动力转型：IIoT 智能促进的自动化程度的提高可能会导致 某些体力任务的失业，提高了道德观念 对受影响工人的福祉和过渡的担忧。为避免出现意外情况，生产企业 通过工业物联网智能实现转型预计将分三个步骤进行[221]。在引入新技术之前，企业应该传达新技术的好处并解释原因，让员工清楚地了解技术，帮助员工探索技术并增强对技术的信心，并让员工参与思想交流。在新技术的引进过程中，企业应尽早明确时间表，并为工人提供多样化的技能培训计划。新技术推出后，企业应跟进技术应用进展，并鼓励员工共同不断探索新的用例。

2）隐私和数据安全：工业物联网智能涉及大量数据收集和分析操作，引发了员工和利益相关者的隐私问题。为了解决这个问题，公司应该对其 IIoT 部署中的数据收集、处理和使用实践保持透明。这种透明度有助于建立与员工、利益相关者和公众的信任。此外，应向所有相关方明确传达详细的隐私政策和数据使用指南，概述收集的数据类型、使用数据的目的以及个人对其数据的权利。此外，应采用加密技术来保护传输中和静态数据的安全，确保数据保密且防篡改。

3）社会和经济平等：拥有更多财务资源和技术能力的大型企业可能在采用和利用工业物联网解决方案方面具有优势，而小型制造商或欠发达地区的制造商则处于劣势。这种不平等的准入可能会加剧制造业内生产力、竞争力和创新方面现有的差距。为了避免工业物联网智能的不平等获取，工业物联网解决方案提供商应提供灵活且可扩展的产品，以满足各种规模的制造企业的需求和预算限制。应鼓励开源工业物联网平台和标准的开发，以促进互操作性并降低各种规模制造商的进入壁垒。可以采取建立创新集群、技术园区或共享制造设施等举措来鼓励当地制造商之间的合作、知识共享和获取先进技术。

B. 环境影响

在制造业中采用 IIoT 智能既有积极的一面，也有消极的一面。

1)积极影响：工业物联网智能可以更好地监控和优化能源、水和原材料等资源的使用，从而减少浪费并提高资源效率。通过工业物联网智能优化制造流程可以减少温室气体和其他污染物的排放。支持工业物联网的预测性维护和质量控制措施可减少缺陷和生产错误的可能性，从而减少浪费和废料。此外，工业物联网智能还可以提高供应链的可视性，从而实现更高效的物流、库存管理和运输规划。

2)负面影响：工业物联网设备和传感器的激增可能会导致其生命周期结束时的电子废物显着增加。虽然工业物联网技术可以提高制造业的能源效率，但额外的传感器、数据中心和网络基础设施的部署可能会导致整体能源消耗的增加，特别是工业大模型的深度应用将消耗大量的电子能源。工业物联网设备（包括传感器、处理器和通信模块）的生产需要原材料的提取和能源密集型制造过程。 

3)缓解策略：为了减少工业物联网智能对环境的副作用，提出了一些缓解策略。首先，鼓励设计具有耐用性、可修复性和可回收性的工业物联网设备，以促进循环经济方法，最大限度地减少浪费和资源消耗。其次，与致力于可持续发展的供应商合作，采购环保材料，减少与运输相关的排放，建立更可持续的工业物联网供应链。第三，进行全面的生命周期评估和环境影响分析有助于确定需要改进的领域，并为整个工业物联网部署过程中的决策提供信息。

九． 结论

我们提出了工业物联网智能的分层开发架构，以系统地理解工业物联网智能如何处理智能制造转型过程中的问题。该架构由设备层、网络层、软件层、建模层、分析优化层组成。设备层构建了IIoT智能的基础。网络层实现人机无所不在的连接。软件层提供工业流程的数字化表达。建模层实现了精确建模和互操作性的提高。分析优化层支持分案算法设计，分析工业数据，优化工业流程。

此外，我们还近距离观察灯塔工厂，展示各层技术的积极作用。接下来，我们确定了加速工业物联网智能化发展的七种技术，包括工业机器人、机器视觉、网络技术、数字孪生、深度学习、智能硬件、云/边缘计算。 随后，我们分析了在制造业中采用 IIoT 智能的道德影响和环境影响。

最后，我们从四个方面探讨了开放的挑战并讨论了未来的研究方向，包括开发1数字孪生以实现数字控制的理想愿景、2探索IIoT计算任务的确定性响应策略和机制、3优化计算和网络资源部署以降低成本、 4研究工业生成型人工智能大模型，实现智能增殖。