010-65363526
rmzk001@163.com
近年来，随着信息技术与先进制造技术的发展，我国工业互联网及智能制造也进入了高速发展的黄金期。众所周知，在制造过程的各个环节中，人工智能无处不在，从工程设计、工艺过程设计到生产调度、故障诊断等，都有它的身影，在更复杂的制造领域，比如将神经网络和模糊控制技术等先进的计算机智能方法应用于产品配方、生产调度等领域，也可实现制造过程智能化。毫无疑问，人工智能技术极其适合于解决特别复杂和不确定的问题。由此可见，智能化是制造自动化的发展方向，亦是社会的未来发展方向。
中国在智能制造领域，已经取得了不菲的成绩，但科研人深知：中国的智能制造发展仍处在初级阶段。尤其是在信息实时获取、生产过程精准控制、优化调度实时决策等方面，许多关键问题尚未解决。例如，制造资源信息缺乏统一、规范的协议和标准，难以实现车间内部、车间之间以及企业间有效地信息和资源共享；在动态制造环境下，缺乏高效的云边协同制造互联网络以及自适应配置部署方案。如何解决上述问题以实现制造资源的动态集成和优化运行，是当前国内外研究的热点问题。更重要的是，如何创新性地提出上述问题的解决方案，从更高层面又提出了一项艰巨任务。
为此，山东大学工业工程研究所所长于国栋副研究员带领科研团队展开了深入研究，取得了系列创新成果。
（1）基于机器学习的智能创新方法技术体系（MLIIN）
该体系包括一个引擎、两个基础、三位一体。一个引擎是指智能创新方法以机器学习驱动，通过对当前需求的深度学习，根据创新知识（如历史经验、创新专利、研发经验、技术方法等）进一步学习以明确基本创新目标，确定创新研发模式，再通过机器学习技术实现创新方案的智能形成，因此这个创新过程以需求学习、知识学习为驱动引擎；两个基础是指创新知识图谱以及智能创新方法，知识图谱是机器学习必需的基础数据，创新方法从根本上明确机器学习的基本目标及过程；三位一体是指智能创新从虚拟知识、人工智能以及创新研发主体三方面协同有机展开，相互融合。
（2）数据驱动型协同网络设计与自适应配置方法研究
①基于数据驱动分布式鲁棒优化的网络设计和自适应配置
提出基于数据驱动分布式鲁棒优化的网络设计方法，通过机器学习方法构建资源需求自适应分布式不确定集合，在综合考虑服务能力、成本、能耗等因素后，构建网络设计数学规划模型，以确定边缘网关、感知设备等的布局、数量规划及业务需求服务分配关系，形成云边协同服务网络。针对制造环境的动态性，通过在线学习优化技术实时调整分布式鲁棒优化模型，实现云边协同网络的自适应配置（如图2）。
②传算融合模式下制造资源集成运行一体化智能决策优化方法
基于云边协同平台，运用传算融合模式下的网络负载和业务实时效率联合优化，实现离散制造资源动态集成与运行一体化智能决策优化。其中，多模深度强化学习可综合不同业务场景设计多模神经网络对其参数学习，任务-资源状态构建马氏决策过程模型以反馈相关评价指标，从而达到输出最优实时策略和决策的目的（如图3）。
针对离散制造车间分散异构制造资源信息集成交互难题，于国栋团队提出基于“全面识别—全域互联—感传算融合—集成优化”的研究思想，并面向资源信息模型构建、全域云边协同互联网络构建、多模态信息感知融合、智能优化运行支持等关键技术形成了系统的制造资源互联集成方法与技术体系，为制造互联网的进一步完善提供了强有力支持。
上述成果以基于“模型+数据”的资源全信息模型智能构建技术体系为基础，以“感传协同-传算融合”的新型云边协同制造互联架构为核心，在智能软件平台的支持下实现制造全过程资源一体化实时决策优化，进而形成了离散智能车间制造资源集成运行的新方法和新技术体系。
于国栋团队以加快新一代信息技术与制造业深度融合为出发点，以智能制造为主攻方向，打造新方法，新体系。
提起智能制造的前景，深耕该领域的于国栋团队充满信心。其主要负责人，于国栋更是铁肩扛责，始终带领团队，坚定前行。他说：“人工智能技术、并行工程、信息网络技术、虚拟制造技术、自律能力构筑、人机一体化、自组织和超柔性都将是智能制造的未来方向，而智能制造不仅降低了人员数量，降低了人力成本占比；实时满足客户需求的动态产品规划；实现各个生产环节的无缝对接，生产过程全程可监控，缩短生产任务的转换时间；还可去中介化，带来商业模式的创新；制造业企业和客户间的关系变得更加紧密；与此同时，降低库存量，提升货物周转效率。由于设备正常运行的时间大大延长，从而降低了因为设备检修和故障造成停机的损失。所以，中国的智能制造之路还很漫长。”（山东大学管理学院供稿）
