智能制造装备技术

智能制造装备技术

以下文章来源于智造苑 ，作者小智

导读

制造业是国民经济和国防建设的重要基础，是立国之本、兴国之路、强国之基。智能制造是当前制造技术的核心发展方向。智能制造装备是智能制造的载体，是实现智能制造的关键环节。本文主要介绍智能制造装备中的主要技术，包括：物联网、大数据、云制造、人工智能与机器学习、数字孪生等。

文章信息

本文引自：《智能制造装备基础》。作者：吴玉厚、陈关龙、张珂、赵德宏、巩亚东、刘春时。由「智造苑」原创首发， 数字化企业经授权发布。

01

物联网

1、物联网的概念

定义1：物联网是未来网络的整合部分，它是以标准、互通的通信协议为基础，具有自我配置能力的全球性动态网络设施。在这个网络中，所有实质和虚拟的物品都有特定的编码和物理特性，通过智能界面无缝连接，实现信息共享。

定义 2：物联网指通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理，它是在互联网基础上延伸和扩展的网络。

定义 3：由具有标识、虚拟个性的物体/对象所组成的网络，这些标识和个性运行在智能空间，使用智慧的接口与用户、社会和环境的上下文进行连接和通信。

目前存在很多与物联网并存的术语。如传感器网络、泛在网络等。传感器网络是以感知为目的，实现人与人、人与物、物与物全面互联的网络，其通过传感器的方式获取物理世界的各种信息，结合互联网、移动通信网等网络进行信息的传送与交互，采用智能计算技术对信息进行分析处理，实现对物质世界的感知，进而完成智能化的决策和控制。泛在网络是指无所不在的网络，它的基本特征是无所不在、无所不包、无所不能，帮助人类实现在任何时间、任何地点、任何人、任何物都能顺易地通信。根据物联网、传感器网络和泛在网络各自的概念和特征，三者间的关系如图1所示，可以概括为：传感器网络是物联网的组成部分、泛在网络是物联网发展的远景。

图1 物联网与传感器网络、泛在网络间的关系[1]

2、物联网的主要实现方式

目前对于物联网的体系构架，国际电信联盟给出了公认的三个层次，从上到下依次是感知层、网络层和应用层，如图2所示。

图2 物联网的体系构架[2]

3、物联网的关键技术

国际电信联盟报告指出，射频识别（RFID）技术、传感技术、智能技术、纳米技术是物联网的四个关键性技术，其中，RFID 技术被称为四大技术之首，是构建物群网的基础技术。

(1)射频识别技术。RFID技术是一种高级的非接触式自动识别技术，它通过无线射频的方式识别目标对象和获取数据，可以在各种恶劣环境下工作，识别过程无需人工干预。RFID技术源于20世纪80年代，到了90年代进入应用阶段。与传统的条码相比，它具有数据存储量大、使用寿命长、无线无源、防水和安全防伪等特点，具有快速读写、长期跟踪管理等优势。

(2)传感技术。传感技术是指从物理世界获取信息，并对所收集的信息进行处理和识别的技术，其在物联网中的主要功能是对物理世界进行信息的采集和处理，涉及传感器、信息的处理和识别。传感器是感受被测物理量并按照一定的规律将被测量转换为可用信号的器件或装置，通常由敏感元件和转换元件组成；信息处理主要是指对收集的信息进行存储、转换和传送，信息的总量保持不变；信息识别是对处理过的信息进行分辨和归类，根据提取的信息特征与对象的关联模型进行分类和识别。

(3)智能技术。智能技术是指通过在物体中嵌入智能系统，使物体具备一定的智能化，能够和用户实现沟通，从而进行信息交换。目前主要的智能技术包括机器学习、模式识别、信息融合、数据挖掘及云计算等。在物联网中，智能技术主要完成物品的“说话”功能。

(4)纳米技术。纳米技术指在0.1~100nm微尺度上的一类高新技术。纳米技术可以使传感器尺寸更小，精确度更高，可以极大地改善传感器的性能。结合纳米技术与传感技术，可以将物联网中体积越来越小的物体进行连接，从而扩展物联网的边界范围。

02

大数据

1、大数据的概念

大数据是指存储在各种介质中的大规模的各种形态的数据，对各种存储介质中的海量信息进行获取、存储、管理、分析、控制而得到的数据便是大数据。IBM 提出了大数据的 5V特点，即Volume（大量）、Velocity（高速）、Variety（多样）、Value （低价值密度）、Veracity（真实性）[3]。大数据的大不止体现在容量方面，更体现在其价值方面，相较于数据量的大小，数据的多元性和实时性对大数据的价值有着更加直接的影响。大数据技术的意义并不在于数据本身，而在于将数据转变为信息，再从信息中获取知识，从而可以更好地进行决策。

2、大数据的主要实现方式

大数据的架构在逻辑上主要分为四层，即数据采集层、数据存储和管理层、数据分析层及数据应用层，如图3所示。

图3 大数据的架构图[4]

03

云制造

1、云计算的概念

云计算的概念被提出以来，尚未出现一个统一的定义。综合不同文献资料对云计算的定义，可以认为云计算是一种分布式的计算系统，有两个主要特点：第一，其计算资源是虚拟的资源池，将大量的计算资源池化，与之前的单个计算资源（图4（a））或多个计算资源（图4（b））共同形成了大型的资源池（图4（c）），并将其中的一部分以虚拟的基础设施、平台、应用等方式提供给用户；第二计算能力可以有弹性地、快速地根据用户的需求增加或减少，当用户对计算能力的需求有变化时，可以快速地获得或退还计算资源，为用户节约了成本，同时也使资源池的利用效率大大提高。除此之外，在一部分资料中，基于上述云计算平台的云算应用，也被囊括进云计算的概念中。

图4 计算模式演化[5]

2、云计算的主要实现方式

与传统的自建数据中心或是租用硬件设备不同，在云计算中用户向商家租用虚拟化的计算资源。计算资源有很多类别，依据所提供的计算资源不同，云计算的实现方式大致可以分为三种∶ 基础设施即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS）。值得一提的是，这种分类方式只是帮助读者、学者理解和研究云计算，三者的界限不一定清晰，同时也没有必要过于清晰地划分其界限。

如图5所示，最初所有需要庞大计算量的用户都需要自己搭建数据中心。需要自己配置机房、电力、网络等资源，并利用这些资源安装硬件设备与操作系统，才能在系统上运行软件并提供服务。后来某些没有足够财力、人力的用户开始向大型企业租用硬件设备，来完成自己的计算任务。20 世纪六七十年代，在IBM 提出虚拟机的概念后，租用虚拟机的方式为广大需要大规模计算任务的用户提供了方便，尽管没有达到"云化"的程度，但已经具备了云计算的雏形。

图5 云计算服务[6]

04

人工智能与机器学习

人工智能是一种替代或辅助人进行决策的技术手段，主要指基于计算机的数据处理能力，模拟出人的某些思维过程或智能行为，使计算机或受其控制的机电系统数据评价与决策过程中，表现出人的智能。目前，人工智能主要包含七大技术领域，即机器学习、知识图谱（语义知识库）、自然语言处理、计算机视觉（图像处理）、生物特征识别、人机交互、AR/VR（新型视听技术）等。其中机器学习是人工智能的核心技术和重要实现方式，是其他细分领域的底层机制。

机器学习是一门典型的交叉学科，涉及概率论、统计学、凸分析、逼近论、系统辨识、优化理论、计算机科学、算法复杂度理论和脑科学等诸多领域，主要指利用计算机模拟人类的学习行为，使其自主获取新知识或掌握某种技能，并在实践训练中重组自己已有的知识结构，不断改善其工作性能。机器学习过程的本质是基于已知数据构建一个评价函数，其算法成立的基本原理在于数值和概念可以相互映射。

如图 6所示，机器学习的基本实现方式可描述为：将具象的概念映射为数据，同目标事物的观测数据一起组成原始样本集，计算机根据某种规则对初始样本进行特征提取，形成特征样本集，经由预处理过程，将特征样本拆分为训练数据和测试数据，再调用合适的机器学习算法，拟合并测试评价函数，即可用之对未来的观测数据进行预测或评价。

图6 机器学习基本流程[7]

05

数字孪生

数字孪生，是指针对物理世界中的物体，通过数字化的手段来构建一个数字世界中一模一样的实体，借此来实现对物理实体的了解、分析和优化。数字孪生在制造业中具有显著的优势，数字孪生通过设计工具、仿真工具、物联网等手段，将物理设备的各种属性映射到虚拟空间中，形成一个可拆卸、可复制、可修改、可删除的数字图像，提高了操作者对物理实体的理解。数字孪生使生产更加方便，也将缩短生产周期。（图7）

图7 数字孪生技术在装备行业的应用[8]

数字孪生将各专业技术集成为一个数据模型，并将PLM（产品生命周期管理软件）、MOM（生产运营系统）和TIA（全集成自动化）集成在统一的数据平台下，也可以根据需要将供应商纳入平台，实现价值链数据的整合，业务领域包括“产品数字孪生”、“生产数字孪生”和“设备数字孪生”。

1）产品数字孪生

在产品的设计阶段，利用数字孪生可以提高设计的准确性，并验证产品在真实环境中的性能。这个阶段的数字孪生的关键能力包含：数字模型设计，使用CAD工具开发出满足技术规格的产品虚拟原型，精确地记录产品的各种物理参数，以可视化的方式展示出来，并通过一系列验证手段来检验设计的精准程度；模拟和仿真，通过一系列可重复、可变参数、可加速的仿真实验，来验证产品在不同外部环境下的性能和表现，在设计阶段就可验证产品的适应性。产品数字孪生将在需求驱动下，建立基于模型的系统工程产品研发模式，实现“需求定义–系统仿真–功能设计–逻辑设计–物理设计–设计仿真–实物试验”全过程闭环管理，包含如图8所示几个方面。

图8 产品数字孪生[9]

2）生产数字孪生

在产品的制造阶段，生产数字孪生的主要目的是确保产品可以被高效、高质量和低成本地生产，它所要设计、仿真和验证的对象主要是生产系统，包括制造工艺、制造设备、制造车间、管理控制系统等。

利用数字孪生可以加快产品导入的时间，提高产品设计的质量，降低产品的生产成本和提高产品的交付速度。产品生产阶段的数字孪生是一个高度协同的过程，通过数字化手段构建起来的虚拟生产线，将产品本身的数字孪生同生产设备、生产过程等其他形态的数字孪生高度集成起来，具体实现如图9所示功能。

图9 生产数字孪生[10]

3）设备数字孪生

如图10所示，作为客户的设备资产，产品在运行过程中将设备运行信息实时传送到云端，以进行设备运行优化、可预测性维护与保养，并通过设备运行信息对产品设计、工艺和制造迭代优化。

图10 设备数字孪生[11]

参考文献

[1]刘检华，孙清超，程晖，等.产品装配技术的研究现状、技术内涵及发展趋势[J].机械工程学报，2025，54(11)：2-28.

[2]Lutfi Taner Tunc，Erhan Budak，Samet Bilgen，et al. Process simulation integrated tool axis selection for 5-axis tool path generation[J]. CIRP Annals - Manufacturing Technology，2016 (1).

[3]卢秉恒，林忠钦，张俊. 智能制造装备产业培育与发展研究报告[M].北京：科学出版社，2015.

[4]张洁，秦威. 制造系统智能调度方法与云服务[M].武汉：华中科技大学，2025.

[5]王喜文. 5G为人工智能与工业互联网赋能[M].北京：机械工业出版社，2025.

[6]Lijia Liu，Xianli Liu，Chuntao Man，et al.Delayed observer-based H control for networked control systems[J]. Neurocomputing，2015.

[7]陶飞，戚庆林.面向服务的智能制造[J].机械工程学报，2025，54(16):123.

[8]Adriana Giret，Emilia Garcia，Vicente Botti. An Engineering Framework for Service-Oriented Intelligent Manufacturing Systems[J]. Computers in Industry，2016.

[9]Yongsheng Ding，Tao Zhang，Lihong Ren，et al. Immune-Inspired Self-Adaptive Collaborative Control Allocation for Multi-Level Stretching Processes[J]，Information Sciences，2015.

[10]黄志坚.机械设备振动故障监测与诊断[M].北京：化学工业出版社，2025.

[11]高金吉.机器故障诊治与自愈化[M].北京：高等教育出版社，2012.