群智融合的制造業(yè)智慧空間建模方法

劉佳琪，郭 斌+，任 磊，王 晨，張 莉，於志文

(1.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710129； 2.北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院，北京 100083; 3.清華大學(xué) 大數(shù)據(jù)系統(tǒng)軟件國(guó)家工程研究中心，北京 100080; 4.北京航空航天大學(xué) 軟件學(xué)院，北京 100083)

0 引言

制造業(yè)是國(guó)家經(jīng)濟(jì)的主體，是科技創(chuàng)新的主戰(zhàn)場(chǎng)，是立國(guó)之本、興國(guó)之器、強(qiáng)國(guó)之基。推動(dòng)制造業(yè)快速發(fā)展是包括中國(guó)在內(nèi)世界各國(guó)的一個(gè)重要目標(biāo)。目前，世界各國(guó)已經(jīng)在制造業(yè)相關(guān)技術(shù)、平臺(tái)等方面進(jìn)行了戰(zhàn)略布局，如德國(guó)工業(yè)4.0，美國(guó)“工業(yè)互聯(lián)網(wǎng)”等。與此同時(shí)，我國(guó)也提出并部署了一系列國(guó)家戰(zhàn)略和規(guī)劃。

2015年，國(guó)務(wù)院發(fā)布實(shí)施制造強(qiáng)國(guó)戰(zhàn)略第一個(gè)十年的行動(dòng)綱領(lǐng)《中國(guó)制造2025》。2016年，國(guó)務(wù)院進(jìn)一步發(fā)布《國(guó)務(wù)院關(guān)于深化制造業(yè)與互聯(lián)網(wǎng)融合發(fā)展的指導(dǎo)意見(jiàn)》，指出當(dāng)前需要推動(dòng)工業(yè)產(chǎn)品互聯(lián)互通，面向重點(diǎn)行業(yè)進(jìn)行智能制造單元、智能生產(chǎn)線、智能車間、智能工廠建設(shè)。2021年，十三屆全國(guó)人大四次會(huì)議表決通過(guò)了關(guān)于《國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》的決議，并提出要深入實(shí)施智能指導(dǎo)，推動(dòng)制造業(yè)智能化。因此，推動(dòng)制造業(yè)智能化是快速發(fā)展制造業(yè)的一個(gè)重要方向，制造業(yè)智能化進(jìn)程中，尤其需要關(guān)注工人、機(jī)器、物料等制造主體的智能化以及制造主體間關(guān)系的智能化。

制造業(yè)包含的要素繁多，可分為3類：以操作員、安全員、設(shè)計(jì)師、調(diào)度人員等為代表的“人”，以機(jī)械臂、車床、物料運(yùn)輸車等為代表的“機(jī)”，以及以加工件、耗材、產(chǎn)品零件等為代表的“物”。上述制造業(yè)要素間存在著復(fù)雜的交互關(guān)系，例如在物料搬運(yùn)任務(wù)中，各運(yùn)輸車需根據(jù)運(yùn)輸量、出發(fā)地和目的地進(jìn)行交互，確定具體運(yùn)輸方案。在傳統(tǒng)制造業(yè)中，各制造要素智能化程度有限，交互方式以集中式、預(yù)定義協(xié)作為主。傳統(tǒng)制造業(yè)能夠保證基本制造任務(wù)的完成，但存在著一些明顯的問(wèn)題：①在工廠級(jí)，基于集中式控制的群體協(xié)作模式使得任務(wù)調(diào)度過(guò)程只能進(jìn)行局部?jī)?yōu)化，資源受限影響企業(yè)計(jì)劃執(zhí)行；②在產(chǎn)線級(jí)，多任務(wù)協(xié)同難，導(dǎo)致只能采用固定的生產(chǎn)模式，影響產(chǎn)線效率；③在單元級(jí)，固定控制模式導(dǎo)致受控單元執(zhí)行精度受限，影響產(chǎn)品質(zhì)量。因此，如何對(duì)人、機(jī)、物3類制造要素進(jìn)行智能化升級(jí)，以及如何構(gòu)建制造要素間的智能交互，是當(dāng)前傳統(tǒng)制造業(yè)升級(jí)過(guò)程中的一項(xiàng)重要研究?jī)?nèi)容。

制造要素及要素間的交互關(guān)系共同構(gòu)成一個(gè)組織靈活、行為自適、自主演化的空間，稱為智慧空間。Gartner[1]將智慧空間列入2020年十大戰(zhàn)略科技發(fā)展趨勢(shì)，指出人工智能與物聯(lián)網(wǎng)等技術(shù)的快速發(fā)展及深度融合，可以為智能制造場(chǎng)景提供有效解決方案。因此，探索人機(jī)物群智協(xié)同的基礎(chǔ)理論創(chuàng)新，突破關(guān)鍵技術(shù)，以推動(dòng)人、機(jī)、物要素間協(xié)作，構(gòu)建具有自組織、自適應(yīng)、自演化能力的制造業(yè)智慧空間具有重要意義。制造業(yè)智能化方面目前已有部分研究。文獻(xiàn)[2-3]提出利用遷移學(xué)習(xí)模型進(jìn)行制造業(yè)產(chǎn)品缺陷檢測(cè)，大大提升了檢測(cè)流程效率；文獻(xiàn)[4-5]提出將深度模型部署于生產(chǎn)設(shè)備上，通過(guò)分析生產(chǎn)設(shè)備狀態(tài)對(duì)其使用壽命進(jìn)行預(yù)測(cè)；文獻(xiàn)[6-7]等研究了如何對(duì)數(shù)量繁多、功能各異的制造要素進(jìn)行調(diào)度，構(gòu)建了大型制造系統(tǒng)。然而，上述工作均僅從制造業(yè)智能化某一具體問(wèn)題出發(fā)，缺乏制造業(yè)智慧空間的系統(tǒng)性分析。在此基礎(chǔ)上，郭斌等[8]從生物群智角度闡述了人機(jī)物異構(gòu)智能體個(gè)體技能和群體智慧的提升，該工作介紹了制造業(yè)智慧空間基本構(gòu)成，然而對(duì)理論模型的探索仍有不足。

為解決上述問(wèn)題，本文從系統(tǒng)論角度出發(fā)，對(duì)制造業(yè)智慧空間進(jìn)行數(shù)學(xué)建模，具體包括制造業(yè)智慧空間的構(gòu)成、群智和機(jī)理。首先，利用系統(tǒng)學(xué)方法對(duì)制造業(yè)智慧空間進(jìn)行建模，給出其組分、結(jié)構(gòu)的定義并與傳統(tǒng)制造業(yè)進(jìn)行對(duì)比。相比傳統(tǒng)制造業(yè)，制造業(yè)智慧空間組分為智慧人機(jī)物，能夠完成一般制造任務(wù)的同時(shí)具備自學(xué)習(xí)增強(qiáng)能力，結(jié)構(gòu)以分布式為主，并具備自組織、自適應(yīng)、自演化群體智能。然后，給出制造系統(tǒng)工作時(shí)的一般范式，指出制造業(yè)智慧空間具備自組織能力、自適應(yīng)能力、自演化能力3個(gè)方面的群體智能，并從數(shù)學(xué)角度對(duì)上述群體智能進(jìn)行描述。結(jié)合生物體群智介紹了制造業(yè)智慧空間群體智能背后的機(jī)理，具體包括群智能體學(xué)習(xí)機(jī)制、數(shù)學(xué)建模方法、啟發(fā)式算法和演化博弈動(dòng)力學(xué)同時(shí)介紹了上述映射機(jī)理的具體內(nèi)涵及其在制造行業(yè)中的應(yīng)用。最后，本文以多無(wú)人車自組織運(yùn)輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測(cè)系統(tǒng)3個(gè)典型場(chǎng)景為例，介紹了制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運(yùn)作機(jī)理，并分別驗(yàn)證了其自組織、自適應(yīng)和自演化能力。

1 制造業(yè)智慧空間系統(tǒng)

本章將從系統(tǒng)學(xué)角度介紹制造業(yè)智慧空間，首先描述制造業(yè)智慧空間系統(tǒng)的組分與結(jié)構(gòu)，然后介紹制造業(yè)智慧空間系統(tǒng)的特點(diǎn)，并將其與傳統(tǒng)制造業(yè)進(jìn)行對(duì)比。

1.1 系統(tǒng)的定義

根據(jù)苗東升所著的《系統(tǒng)科學(xué)精要》[9]一書(shū)，系統(tǒng)定義為：若對(duì)象集S滿足以下兩個(gè)條件：①S中至少包含兩個(gè)不同對(duì)象;②S中的對(duì)象按一定方式相互聯(lián)系而成為一個(gè)整體，則稱S為一個(gè)系統(tǒng)。S=T,R，其中T為系統(tǒng)S中的對(duì)象集合，稱為組分；R為系統(tǒng)S中對(duì)象的關(guān)聯(lián)關(guān)系集合，稱為結(jié)構(gòu)。對(duì)于組T，一般可以將其劃分為更小的組分，構(gòu)成系統(tǒng)的最小組分稱為系統(tǒng)的元素;對(duì)于結(jié)構(gòu)R，一般表示系統(tǒng)S中元素之間一切聯(lián)系的總和。

定義1制造業(yè)智慧空間。制造業(yè)智慧空間系統(tǒng)IS表示為：

IS=Ti,Ri。

(1)

式中Ti和Ri為制造業(yè)智慧空間組分和結(jié)構(gòu)。

令TS表示傳統(tǒng)制造業(yè)。制造業(yè)智慧空間IS與傳統(tǒng)制造業(yè)TS中組分與結(jié)構(gòu)的對(duì)比如表1所示。下面對(duì)其進(jìn)行具體分析。

表1 傳統(tǒng)制造業(yè)系統(tǒng)和制造業(yè)智慧空間系統(tǒng)中的組分與結(jié)構(gòu)

1.2 制造業(yè)智慧空間系統(tǒng)中的組分

對(duì)于傳統(tǒng)制造業(yè)TS=Tt,Rt，組分Tt={th,tm,tt}，其中th,tm,tt均為集合，th表示傳統(tǒng)制造業(yè)中的工人，tm表示傳統(tǒng)制造業(yè)中的機(jī)器，tt表示傳統(tǒng)制造業(yè)中的物件。傳統(tǒng)的工人、機(jī)器和物件相互配合，能夠完成一般的制造任務(wù)。

對(duì)于本文提出的制造業(yè)智慧空間IS=Ti,Ri，其組分

Ti=ih,im,it。

(2)

其中ih,im,it均為集合，ih表示制造業(yè)智慧空間中的智慧工人，im表示制造業(yè)智慧空間中的智慧機(jī)器，it表示制造業(yè)智慧空間中的智慧物件。與傳統(tǒng)制造業(yè)中工人、機(jī)器和物件不同的是，制造業(yè)智慧空間中的智慧工人能夠充分發(fā)揮其特有的認(rèn)知能力，與機(jī)器和物件進(jìn)行更深層次的互動(dòng)與協(xié)作；智慧機(jī)器和智慧物件除了能夠完成基本的制造任務(wù)，還能夠在完成任務(wù)的過(guò)程中實(shí)現(xiàn)自學(xué)習(xí)增強(qiáng)，并具備一定的環(huán)境適應(yīng)能力。

例如，傳統(tǒng)制造業(yè)運(yùn)輸系統(tǒng)的組分為傳統(tǒng)運(yùn)輸車。傳統(tǒng)運(yùn)輸車能夠按照預(yù)設(shè)路線運(yùn)輸物料，但若預(yù)設(shè)路線上出現(xiàn)障礙物，則無(wú)法完成運(yùn)輸任務(wù)。制造業(yè)智慧空間運(yùn)輸系統(tǒng)的組分為智能無(wú)人車。區(qū)別于傳統(tǒng)運(yùn)輸車，智能無(wú)人車配備智能傳感器和計(jì)算單元，傳感器能夠精確感知無(wú)人車周圍的環(huán)境信息，計(jì)算單元能夠使用一定的算法對(duì)環(huán)境信息進(jìn)行計(jì)算，判斷當(dāng)前環(huán)境是否能夠通行，并在無(wú)法通行時(shí)計(jì)算出新的有效路徑。可以看出，制造業(yè)智慧空間中的組分相較于傳統(tǒng)空間中的組分具有較為明顯的智能增強(qiáng)。

1.3 制造業(yè)智慧空間系統(tǒng)中的結(jié)構(gòu)

對(duì)于傳統(tǒng)制造業(yè)TS=Tt,Rt，其結(jié)構(gòu)Rt={i,c,i∈th,tm,tt}，其中c表示控制中心。傳統(tǒng)制造業(yè)以集中式控制為主，空間中的元素大多與控制中心直接交互。除此之外，系統(tǒng)中元素的交互方式大多遵從提前制定好的規(guī)則進(jìn)行。傳統(tǒng)制造業(yè)中元素之間的這種交互方式能夠保證基本制造任務(wù)的完成，但存在一些明顯的缺陷：①在工廠級(jí)，基于集中式控制的群體協(xié)作模式使得任務(wù)調(diào)度過(guò)程只能進(jìn)行局部?jī)?yōu)化，資源受限影響企業(yè)計(jì)劃執(zhí)行；②在產(chǎn)線級(jí)，多任務(wù)協(xié)同難，導(dǎo)致只能采用固定的生產(chǎn)模式，進(jìn)而影響產(chǎn)線效率；③在單元級(jí)，固定控制模式導(dǎo)致受控單元執(zhí)行精度受限，進(jìn)而影響產(chǎn)品質(zhì)量。

對(duì)于制造業(yè)智慧空間IS=Ti,Ri，其結(jié)構(gòu)

Ri=i,j,i,j∈ih,im,it。

(3)

式(3)表明，制造業(yè)智慧空間中任意兩個(gè)制造元素可以直接進(jìn)行交互。這種分布式結(jié)構(gòu)能夠有效解決傳統(tǒng)制造業(yè)所面臨的工廠級(jí)、產(chǎn)線級(jí)、單元級(jí)挑戰(zhàn)，實(shí)現(xiàn)工廠級(jí)的全局協(xié)同優(yōu)化，產(chǎn)線級(jí)的柔性生產(chǎn)模式以及單元級(jí)的單元自主控制。

同樣，以制造業(yè)中的運(yùn)輸系統(tǒng)為例。傳統(tǒng)空間中運(yùn)輸系統(tǒng)結(jié)構(gòu)以集中式為主，需要提前將物料搬運(yùn)需求、運(yùn)輸車狀態(tài)、運(yùn)輸環(huán)境信息發(fā)送至中央單元，由其計(jì)算出可行的運(yùn)輸方案并發(fā)送給各運(yùn)輸車。該方式下中央單元資源消耗巨大，且不具備環(huán)境適應(yīng)性。在制造業(yè)智慧空間中，智能無(wú)人車的交互方式以分布式為主。各智能無(wú)人車獨(dú)立獲取環(huán)境信息并首先在本地進(jìn)行計(jì)算，然后與周圍智能無(wú)人車進(jìn)行信息交互，最終得到行動(dòng)方案。該方式下計(jì)算量分散至各智能無(wú)人車，每個(gè)智能無(wú)人車僅需調(diào)用有限資源即可完成任務(wù)。同時(shí)，若環(huán)境發(fā)生變化，受影響的智能無(wú)人車能夠自主調(diào)整，避免整體運(yùn)輸方案的重新計(jì)算，實(shí)現(xiàn)快速響應(yīng)并節(jié)省計(jì)算資源。

1.4 制造業(yè)智慧空間

傳統(tǒng)制造業(yè)系統(tǒng)與制造業(yè)智慧空間系統(tǒng)示意圖如圖1所示。圖中：左側(cè)的傳統(tǒng)制造業(yè)組分包含傳統(tǒng)的工人、機(jī)器和物料，組分中元素之間的交互以集中式、預(yù)定義協(xié)作為主。相比于傳統(tǒng)制造業(yè)，制造業(yè)智慧空間的提升主要表現(xiàn)在兩個(gè)方面：

(1)系統(tǒng)組分智慧化—制造主體智能感知與自學(xué)習(xí)增強(qiáng) 制造業(yè)智慧空間中的組分是智慧工人、智慧機(jī)器和智慧物件，人、機(jī)、物制造主體的智慧化升級(jí)，使其除了能夠完成基本的制造任務(wù)，還能夠在完成任務(wù)的過(guò)程中實(shí)現(xiàn)自我增強(qiáng)，并具備一定的環(huán)境適應(yīng)能力。

(2)系統(tǒng)結(jié)構(gòu)智慧化—制造個(gè)體與群體智能融合 制造業(yè)智慧空間中的結(jié)構(gòu)表現(xiàn)為各個(gè)制造元素之間去中心化、靈活自組的交互方式，并在這種交互過(guò)程中完成制造個(gè)體智能的匯聚及制造群體智能的產(chǎn)生，使系統(tǒng)具備自組織、自適應(yīng)、自演化等能力。

經(jīng)過(guò)組分智慧化和結(jié)構(gòu)智慧化，相較于傳統(tǒng)制造業(yè)，制造業(yè)智慧空間在制造主體智能和主體間協(xié)作方式上都具有顯著提升，如圖1b所示。

系統(tǒng)組分智慧化方面，主要體現(xiàn)在制造主體的自適應(yīng)增強(qiáng)。制造主體的自適應(yīng)增強(qiáng)方面目前已有不少相關(guān)研究，包括新興感知、計(jì)算算法的提出以及已有相關(guān)算法的應(yīng)用等。例如，在航天、航空、航海等重要制造業(yè)領(lǐng)域，將深度學(xué)習(xí)模型部署于資源受限的制造終端設(shè)備上是推動(dòng)制造主體智慧化的重要方式。但是，將已研究成熟的具有高計(jì)算力和存儲(chǔ)量要求的深度網(wǎng)絡(luò)模型部署于計(jì)算、存儲(chǔ)等資源有限且具有嚴(yán)格時(shí)延需求的制造終端上是具有挑戰(zhàn)性的，主要體現(xiàn)在兩個(gè)方面：①由于體積限制和可移植性要求，終端設(shè)備的計(jì)算、存儲(chǔ)資源等通常十分受限；②任務(wù)的性能需求經(jīng)常發(fā)生變化，并且終端設(shè)備的存儲(chǔ)資源、電源消耗等也在動(dòng)態(tài)變化。因此，需要解決在各種應(yīng)用場(chǎng)景中，終端資源或性能需求不可預(yù)測(cè)地發(fā)生變化為模型訓(xùn)練和運(yùn)行帶來(lái)的自適應(yīng)問(wèn)題。針對(duì)該問(wèn)題，降低模型的資源消耗，以使其能夠部署在嵌入式設(shè)備上，并在運(yùn)行時(shí)主動(dòng)感知外部環(huán)境變化、自適應(yīng)地對(duì)模型進(jìn)行調(diào)整是解決該問(wèn)題的重要方法。

系統(tǒng)結(jié)構(gòu)智慧化方面，主要體現(xiàn)在群智能體協(xié)同增強(qiáng)和群智知識(shí)遷移。制造業(yè)中單個(gè)制造元素的智能通常較弱，具體表現(xiàn)為感知范圍有限、優(yōu)化能力較差、協(xié)同能力不足，為了應(yīng)對(duì)復(fù)雜制造場(chǎng)景，需要多個(gè)制造元素相互協(xié)作、融合，以提升生產(chǎn)效率、激發(fā)群體智能。針對(duì)該問(wèn)題，需要引入基于多智能體強(qiáng)化學(xué)習(xí)等技術(shù)的去中心化、靈活自組的制造群體組織方式。另外，開(kāi)放式網(wǎng)絡(luò)制造環(huán)境下終端設(shè)備動(dòng)態(tài)加入或離開(kāi)，如新設(shè)備的購(gòu)置、舊設(shè)備的報(bào)廢等，制造場(chǎng)景不斷演化，如運(yùn)輸小車電量變化、制造需求發(fā)生改變等，使得既有訓(xùn)練好的學(xué)習(xí)模型由于數(shù)據(jù)分布差異難以在新環(huán)境下取得好的效果。針對(duì)該問(wèn)題，需要研究如何適當(dāng)調(diào)整已有制造知識(shí)并將其應(yīng)用于新的制造場(chǎng)景中，這種已有制造知識(shí)的重利用稱為跨制造實(shí)體/場(chǎng)景的群智知識(shí)遷移。

由于制造系統(tǒng)組分智慧化方面與單體智能增強(qiáng)相似，目前已有較為充分的解決方案，本文后續(xù)內(nèi)容主要針對(duì)系統(tǒng)結(jié)構(gòu)智慧化展開(kāi)。

2 制造業(yè)智慧空間的群體智能涌現(xiàn)

群體智能指的是環(huán)境ES中多個(gè)無(wú)智能或低智能個(gè)體通過(guò)相互之間的簡(jiǎn)單交互涌現(xiàn)出的高智能行為。系統(tǒng)工作過(guò)程中，系統(tǒng)在當(dāng)前環(huán)境ES的基礎(chǔ)上根據(jù)策略F進(jìn)行調(diào)整，得到整個(gè)系統(tǒng)的行為B，該過(guò)程可以描述為：

B=F(ES)。

(4)

系統(tǒng)S的調(diào)整過(guò)程主要依賴于策略F。策略F需要考慮系統(tǒng)組分中各個(gè)智能體的交互，通?？梢越梃b生物群體的交互方式。根據(jù)任務(wù)完成質(zhì)量，系統(tǒng)所采取的行為B可以映射至一個(gè)得分A:

R:B→A。

(5)

式中：得分A稱為性能，R為系統(tǒng)行為評(píng)價(jià)方式。性能A越高，則系統(tǒng)S完成任務(wù)的質(zhì)量越高。

制造業(yè)智慧空間系統(tǒng)IS工作過(guò)程中，工人、機(jī)器、物料通過(guò)交互能夠?qū)崿F(xiàn)自主調(diào)整系統(tǒng)元素的任務(wù)分工、協(xié)作方式；適應(yīng)環(huán)境的動(dòng)態(tài)變化，增強(qiáng)魯棒性；更改自身構(gòu)造以適應(yīng)新環(huán)境等，分別稱為自組織能力、自適應(yīng)能力和自演化能力。接下來(lái)分別對(duì)這3個(gè)方面的群體智能進(jìn)行闡述。

2.1 自組織能力

組織指的是系統(tǒng)的結(jié)構(gòu)從混亂轉(zhuǎn)變?yōu)橛行虻倪^(guò)程。本文通過(guò)制造群體的混亂程度來(lái)判斷系統(tǒng)是否具有組織能力。具體地，本文借助群體熵[10]的概念對(duì)系統(tǒng)混亂程度進(jìn)行度量。群體熵定義如下：

定義2群體熵。群體熵E定義為群體中平均每個(gè)個(gè)體的每個(gè)行為的不確定性，

(6)

式中：B表示群體的行為集合，I表示群體的個(gè)體集合，Pbi表示個(gè)體i進(jìn)行行為b的概率。

當(dāng)群體熵E較大時(shí)，群體中個(gè)體行為的不確定性較高，整個(gè)群體的組織呈現(xiàn)混亂的狀態(tài)；反之，當(dāng)群體熵E較小時(shí)，群體中個(gè)體行為的不確定性較低，整個(gè)群體的組織呈現(xiàn)有序的狀態(tài)。制造業(yè)智慧空間系統(tǒng)的組織能力指系統(tǒng)中各制造主體從混亂的高群體熵狀態(tài)變化為有序的低群體熵狀態(tài)，定義如下:

定義3組織能力。若系統(tǒng)S在進(jìn)入一個(gè)新環(huán)境后，其群體熵E從一個(gè)較大的值逐漸減小，并最終穩(wěn)定在一個(gè)較小的值，則稱系統(tǒng)S具備組織能力。

根據(jù)不同的進(jìn)化形式，系統(tǒng)的組織能力可以分為他組織和自組織兩類。他組織指的是系統(tǒng)有序結(jié)構(gòu)的形成過(guò)程主要依靠外部指令，傳統(tǒng)制造業(yè)的組織能力便是如此；自組織指的是在不存在外部單元進(jìn)行統(tǒng)一調(diào)控的情況下，系統(tǒng)中各個(gè)元素能夠通過(guò)試探、交互、學(xué)習(xí)等方法，自發(fā)地、協(xié)調(diào)地、自動(dòng)地形成有序結(jié)構(gòu)。制造業(yè)智慧空間的組織能力屬于自組織能力。系統(tǒng)的自組織能力定義如下：

定義4自組織能力。若系統(tǒng)S的組織能力不需要外部單元從中調(diào)控，完全由內(nèi)部元素自主獲得，則稱系統(tǒng)S具備自組織能力。

定理1制造業(yè)智慧空間IS具備自組織能力。

在自組織過(guò)程中，由于不存在外部單元，制造業(yè)智慧空間中的每個(gè)元素需要先自行嘗試可能的行為，然后與其他元素進(jìn)行交互，最終學(xué)習(xí)到一個(gè)有效的組織方案。由于需要制造主體自由探索，制造業(yè)智慧空間系統(tǒng)的自組織過(guò)程通常分為兩個(gè)階段。

(1)階段1：激發(fā)階段。系統(tǒng)中的個(gè)體各自進(jìn)行自由探索，該階段群體智能激發(fā)，群體熵E增大；

(2)階段2：匯聚階段。系統(tǒng)中的個(gè)體間匯聚探索結(jié)果，該階段群體智能匯聚，群體熵E減小。

制造業(yè)智慧空間的自組織能力使得制造過(guò)程更加高效、靈活。例如，在工廠運(yùn)輸系統(tǒng)中，傳統(tǒng)方案一般需提前制定運(yùn)輸計(jì)劃，由外部單元向各無(wú)人車發(fā)送具體的搬運(yùn)指令。然而，由于運(yùn)輸需求不斷變化，這種外部調(diào)控的他組織形式往往存在效率低下、靈活度低的問(wèn)題。而在制造業(yè)智慧空間中，各無(wú)人車根據(jù)自身位置、其他無(wú)人車位置以及物料地點(diǎn)和數(shù)量自組織地決定任務(wù)分工，這種自組織能力能夠令制造業(yè)智慧空間對(duì)運(yùn)輸需求的變化進(jìn)行快速響應(yīng)，實(shí)現(xiàn)高效靈活的智慧運(yùn)輸。

2.2 自適應(yīng)能力

系統(tǒng)的自適應(yīng)能力和下一節(jié)將要介紹的自演化能力主要刻畫(huà)系統(tǒng)應(yīng)對(duì)環(huán)境變化的能力，即系統(tǒng)是否能夠在環(huán)境發(fā)生變化后仍維持較好的性能。

自適應(yīng)能力指的是系統(tǒng)按照環(huán)境的變化，調(diào)整其自身行為，使得其在改變了的環(huán)境中達(dá)到最好的或者至少是容許的特性和功能所具有的能力。自適應(yīng)能力的數(shù)學(xué)定義如下：

定理2制造業(yè)智慧空間IS具備自適應(yīng)能力。

由定義可知，一方面，變化后的新環(huán)境是原環(huán)境基礎(chǔ)上的一個(gè)偏離，例如，制造業(yè)中運(yùn)輸系統(tǒng)的環(huán)境為廠房?jī)?nèi)部，在原廠房布置環(huán)境的基礎(chǔ)上，新增/取消貨架、物料堆等障礙物，已有布局發(fā)生一定程度的改變等；另一方面，系統(tǒng)本身，即其組分和結(jié)構(gòu)，不發(fā)生改變。因此，系統(tǒng)的自適應(yīng)能力是對(duì)系統(tǒng)的魯棒性、容錯(cuò)能力的度量。

制造業(yè)智慧空間的自適應(yīng)能力使得制造過(guò)程對(duì)環(huán)境的適應(yīng)能力得到極大提高。同樣，在工廠運(yùn)輸系統(tǒng)的物料運(yùn)輸場(chǎng)景中，不具備自適應(yīng)能力的傳統(tǒng)制造業(yè)運(yùn)輸方案固化，當(dāng)配送需求、運(yùn)輸路徑發(fā)生變化后，原有的運(yùn)輸方案不再適用，導(dǎo)致整個(gè)運(yùn)輸系統(tǒng)的癱瘓。而在制造業(yè)智慧空間中，各無(wú)人車能夠快速探知環(huán)境的變化，自主調(diào)整任務(wù)分工和運(yùn)輸路徑，即使環(huán)境發(fā)生一定程度的變化也能夠保證運(yùn)輸任務(wù)的有效完成。

2.3 自演化能力

自演化能力同樣是反映系統(tǒng)適應(yīng)環(huán)境的能力，但是在環(huán)境改變量與系統(tǒng)適應(yīng)方式方面，與自適應(yīng)能力具有明顯區(qū)別。自演化能力的數(shù)學(xué)定義如下：

定理3制造業(yè)智慧空間IS具備自演化能力。

由定義可知，一方面，變化后的新環(huán)境是區(qū)別于原環(huán)境的一個(gè)全新環(huán)境，而非原環(huán)境基礎(chǔ)上的一個(gè)偏離，例如，制造業(yè)中運(yùn)輸系統(tǒng)的環(huán)境為廠房?jī)?nèi)部，后因業(yè)務(wù)需求場(chǎng)景變化，需要將運(yùn)輸系統(tǒng)部署至室外環(huán)境，相較于原工廠環(huán)境，室外環(huán)境是一個(gè)全新環(huán)境；另一方面，系統(tǒng)本身，即其組分和結(jié)構(gòu)發(fā)生改變，例如，上面描述的運(yùn)輸場(chǎng)景中，當(dāng)運(yùn)輸系統(tǒng)從廠房環(huán)境變化至室外環(huán)境，為了適應(yīng)夜場(chǎng)無(wú)光源情況下的運(yùn)輸，需要加裝車燈(組分T改變)，為了適應(yīng)解決外場(chǎng)路面崎嶇且障礙物多導(dǎo)致的運(yùn)輸效率低下問(wèn)題，可能需要將原有的一部分運(yùn)輸車改裝為清障車，車輛間關(guān)系由原來(lái)的全運(yùn)輸同質(zhì)關(guān)系改變?yōu)檫\(yùn)輸清障異質(zhì)關(guān)系(結(jié)構(gòu)R改變)。

制造業(yè)智慧空間的自演化能力使得制造系統(tǒng)更具長(zhǎng)周期生命力。同樣，以制造業(yè)運(yùn)輸系統(tǒng)為例，制造工廠轉(zhuǎn)型后運(yùn)輸環(huán)境可能發(fā)生較大的變化，例如從室內(nèi)的有序可控運(yùn)輸環(huán)境轉(zhuǎn)變?yōu)槭彝獾臒o(wú)序雜亂運(yùn)輸環(huán)境。在傳統(tǒng)制造業(yè)中，更換環(huán)境后往往需要廢棄現(xiàn)有運(yùn)輸設(shè)備，購(gòu)置新的運(yùn)輸設(shè)備。而在制造業(yè)智慧空間中，運(yùn)輸系統(tǒng)中的無(wú)人車能夠自主改變角色分工、交互模式等，在新環(huán)境中完成相應(yīng)的工作內(nèi)容。

自適應(yīng)能力和自演化能力的區(qū)別可以總結(jié)為以下兩個(gè)方面：

(1)環(huán)境 自適應(yīng)能力中環(huán)境變化指的是新環(huán)境為原環(huán)境的一個(gè)偏離，隨時(shí)間推移會(huì)繼續(xù)變化回原環(huán)境或原環(huán)境的另外一個(gè)偏離。系統(tǒng)需要在新環(huán)境、原環(huán)境以及原環(huán)境的其他偏離中均具備良好性能；自演化能力中新環(huán)境為區(qū)別于原環(huán)境的一個(gè)全新環(huán)境，但通常與原環(huán)境具有一定的聯(lián)系，隨時(shí)間推移新環(huán)境可能產(chǎn)生新的性質(zhì)，但不會(huì)變化回原環(huán)境。系統(tǒng)需要在新環(huán)境中具備良好性能，但不要求其同樣在原環(huán)境中具備良好性能。

(2)系統(tǒng) 自適應(yīng)能力中系統(tǒng)組分和結(jié)構(gòu)不發(fā)生改變；自演化能力中系統(tǒng)組分和結(jié)構(gòu)發(fā)生改變。

3 制造業(yè)智慧空間機(jī)理

為了使制造業(yè)智慧空間具備自組織、自適應(yīng)和自演化能力，需要建立相應(yīng)的內(nèi)在機(jī)制，即上一章中給出的策略F。其中一個(gè)重要的方法是借鑒生物群體智能，并將其映射至制造業(yè)智慧空間中。本章將結(jié)合生物群智行為，探索仿生學(xué)驅(qū)動(dòng)的生物群體智能到制造業(yè)群體智能的映射機(jī)理。

3.1 智能體學(xué)習(xí)機(jī)制

生物個(gè)體所特有的學(xué)習(xí)、認(rèn)知和理解能力是制造主體所不具備的。目前，已有部分機(jī)器學(xué)習(xí)算法借鑒生物體學(xué)習(xí)方式設(shè)計(jì)出了仿生的制造主體學(xué)習(xí)方法。例如，遷移學(xué)習(xí)借鑒了生物體舉一反三的學(xué)習(xí)能力，強(qiáng)化學(xué)習(xí)借鑒了生物體的試錯(cuò)能力。采用基于學(xué)習(xí)的策略，則系統(tǒng)的工作過(guò)程可以描述為：

B=Fl(ES)。

(7)

接下來(lái)以遷移學(xué)習(xí)和強(qiáng)化學(xué)習(xí)為例對(duì)這類方法進(jìn)行介紹。遷移學(xué)習(xí)的核心在于捕捉相似任務(wù)之間的關(guān)聯(lián)性，將智能體在某任務(wù)中已學(xué)習(xí)到的知識(shí)服務(wù)于新的任務(wù)。LIU等[11]提出了基于元學(xué)習(xí)的多城市知識(shí)遷移方法，該方法通過(guò)融合多個(gè)已有城市之間的差異互補(bǔ)知識(shí)來(lái)提升目標(biāo)城市時(shí)空預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度。遷移學(xué)習(xí)實(shí)質(zhì)上是將知識(shí)從知識(shí)豐富體向知識(shí)缺乏體的轉(zhuǎn)移?；谶w移學(xué)習(xí)的策略可以具體表示為B=Fl(ES)=Fls⊕Flt(ES)=Fls(ESs)⊕Flt(ESn)，其中Fls表示源環(huán)境ESs中已成熟的策略。此時(shí)，僅需要針對(duì)目標(biāo)環(huán)境與源環(huán)境之間的變量ESn學(xué)習(xí)新策略Flt并進(jìn)行融合即可。強(qiáng)化學(xué)習(xí)模擬生物體的試錯(cuò)行為，不設(shè)置具體目標(biāo)，而是允許智能體自由探索，通過(guò)判斷智能體所采取的行為對(duì)于最終目的是有利的或者有弊的來(lái)設(shè)計(jì)獎(jiǎng)勵(lì)和懲罰，讓智能體在不斷探索的過(guò)程中學(xué)習(xí)解決方案。基于遷移學(xué)習(xí)的策略可以具體表示為B=Fl(ES)=Fi→∞(ES)，其中Fi→∞由初始隨機(jī)策略F0多次迭代得到，迭代規(guī)則為：對(duì)于第i次嘗試動(dòng)作Bi=Fi(ES)，根據(jù)某規(guī)則Rd對(duì)其效果進(jìn)行評(píng)分，并根據(jù)得到的分?jǐn)?shù)Gi及其他既往得分Gi-1,…,G0決定策略調(diào)整方向。多智能體強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)了單智能體自主學(xué)習(xí)向多智能體協(xié)同學(xué)習(xí)的拓展，該方法進(jìn)一步借鑒生物界的協(xié)作、競(jìng)爭(zhēng)、博弈行為，能夠?qū)崿F(xiàn)群體能力的有效提升。《星際爭(zhēng)霸Ⅱ》中的群智能體AlphaStar憑借該方法達(dá)到Grandmaster級(jí)別[12]。

遷移學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等仿生方法能夠有效實(shí)現(xiàn)制造業(yè)智慧空間系統(tǒng)組分的智慧化，使得智造主體具備智能感知和自學(xué)習(xí)增強(qiáng)能力。例如，制造業(yè)智慧空間中的運(yùn)輸系統(tǒng)，基于強(qiáng)化學(xué)習(xí)，無(wú)人車能夠自主探索可能的運(yùn)輸路徑，并在不斷試錯(cuò)后學(xué)習(xí)到有效的運(yùn)輸方案；基于遷移學(xué)習(xí)，在變換運(yùn)輸環(huán)境后無(wú)人車能夠?qū)⒃谠h(huán)境中學(xué)習(xí)到的運(yùn)輸知識(shí)應(yīng)用于新環(huán)境，快速提高對(duì)于新環(huán)境的適應(yīng)性。

3.2 數(shù)學(xué)建模方法

從數(shù)學(xué)角度刻畫(huà)生物群體協(xié)同運(yùn)動(dòng)的內(nèi)在機(jī)理，能夠有效指導(dǎo)制造業(yè)人、機(jī)、物群體智能的形成，是生物群智向制造群智映射的一種重要模式。采用基于建模的策略，則系統(tǒng)的工作過(guò)程可以描述為：

B=Fm(ES)。

(8)

通過(guò)集群動(dòng)力學(xué)映射模式等，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，實(shí)現(xiàn)制造個(gè)體與群體智能融合并激發(fā)制造業(yè)智慧空間的自組織能力。例如，借鑒鳥(niǎo)群的集體行進(jìn)方式并通過(guò)集群動(dòng)力學(xué)映射模式映射至制造業(yè)智慧空間中的運(yùn)輸系統(tǒng)，無(wú)人車集群能夠自主編隊(duì)并有序行進(jìn)，實(shí)現(xiàn)大批量貨物的高效運(yùn)輸。

3.3 啟發(fā)式算法

鳥(niǎo)群、魚(yú)群、蜂群、獸群等動(dòng)物群體為了實(shí)現(xiàn)個(gè)體利益和群體利益的最優(yōu)，在捕食、筑巢等活動(dòng)中往往具有一定的社會(huì)行為，并涌現(xiàn)出群體智能。為了研究上述行為及其涌現(xiàn)出的智能，啟發(fā)式算法應(yīng)運(yùn)而生，并被廣泛應(yīng)用于人工集群。采用基于啟發(fā)式的策略，則系統(tǒng)的工作過(guò)程可以描述為：

B=Fh(ES)。

(9)

下面以蟻群算法和狼群算法為例進(jìn)行詳細(xì)介紹。螞蟻在外出搜尋食物時(shí)往往結(jié)隊(duì)而行，為了在復(fù)雜多變的環(huán)境中進(jìn)行搜尋往往需要分開(kāi)探索，分開(kāi)的螞蟻依靠信息素進(jìn)行交流以交換獲知到的信息。蟻群算法便是借鑒蟻群基于信息素的交流方式設(shè)計(jì)的。該算法將所有可能路徑作為待優(yōu)化問(wèn)題的解空間，行走路徑作為其可行解，信息素濃度作為轉(zhuǎn)移概率，不斷迭代得到最優(yōu)路徑。該算法由3個(gè)步驟組成，即Fh:S1(根據(jù)信息素濃度選擇路徑)→S2(前進(jìn)并釋放信息素)→S3(檢查是否滿足終止條件，不滿足則回到S1)。狼群算法則是借鑒了狼群捕獵時(shí)的角色分工方式。狼群捕獵時(shí)，每頭狼根據(jù)其作用分為頭狼、猛狼、探狼，頭狼負(fù)責(zé)組織，猛狼負(fù)責(zé)攻擊，探狼負(fù)責(zé)偵查，各司其職而達(dá)到良好的捕獵效果。狼群算法最早由YANG等[18]提出。MIRJALILI等[19]提出了灰狼優(yōu)化算法。狼群算法包含5個(gè)步驟，即Fh:S1(競(jìng)爭(zhēng)頭狼)→S2(召喚猛狼)→S3(圍攻獵物)→S4(分配食物并更新狼群)→S5(檢查是否滿足終止條件，不滿足則回到S1)

通過(guò)蟻群算法、狼群算法等群智優(yōu)化算法，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，實(shí)現(xiàn)制造個(gè)體與群體智能融合并激發(fā)制造業(yè)智慧空間的自適應(yīng)能力。具體來(lái)說(shuō)，蟻群算法能夠有效提升制造系統(tǒng)中各種運(yùn)輸系統(tǒng)在復(fù)雜多變的環(huán)境中的適應(yīng)能力，狼群算法能夠指導(dǎo)制造業(yè)集群在應(yīng)對(duì)不同任務(wù)需求時(shí)的自我調(diào)節(jié)能力。目前，這兩個(gè)算法在制造業(yè)中的柔性生產(chǎn)[20]、作業(yè)調(diào)度[21]等方面都起到了重要的作用。

3.4 演化博弈動(dòng)力學(xué)

演化博弈是指群體中的個(gè)體隨時(shí)間推移不斷進(jìn)行博弈，并在該過(guò)程中不斷更新自己的策略，以實(shí)現(xiàn)收益的提高。這個(gè)概念最早來(lái)自于達(dá)爾文的進(jìn)化論，描述的是生物界中生物群體在自然環(huán)境中能力的動(dòng)態(tài)變化過(guò)程。采用基于演化博弈動(dòng)力學(xué)的策略，則系統(tǒng)的工作過(guò)程可以描述為：

B=Fe(ES)。

(10)

Uber人工智能實(shí)驗(yàn)室的STANLEY等[22]提出了基于演化的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)策略，能夠?qū)崿F(xiàn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)、超參數(shù)等的優(yōu)化迭代。此外，斯坦福大學(xué)李飛飛團(tuán)隊(duì)[23]提出了一種新型計(jì)算框架——深度進(jìn)化強(qiáng)化學(xué)習(xí)(Deep Evolutionary Reinforcement Learning, DERL)。該框架基于DERL創(chuàng)建了具有具身智能的智能體，該智能體可在多個(gè)復(fù)雜環(huán)境中執(zhí)行不同任務(wù)。除了軟件的演化，演化博弈動(dòng)力學(xué)在硬件方面也發(fā)揮著重要的作用。演化硬件指的是一種具備演化能力的硬件電路，主要包括演化算法和可編程邏輯器件兩部分。演化硬件能夠像生物一樣根據(jù)環(huán)境的變化改變自身的結(jié)構(gòu)，以達(dá)到適應(yīng)生存環(huán)境的目的，具有自組織、自適應(yīng)、自修復(fù)能力[24]?；谔囟ǖ难莼惴ǎ布碾娐方Y(jié)構(gòu)、參數(shù)等具有進(jìn)化能力，能夠?qū)崿F(xiàn)電路中邏輯單元的重構(gòu)，使得FPGA芯片、嵌入式開(kāi)發(fā)板等硬件發(fā)生進(jìn)化。對(duì)比自然界生物的碳基結(jié)構(gòu)，這種進(jìn)化往往被稱為硅基進(jìn)化。

通過(guò)演化博弈動(dòng)力學(xué)，能夠?qū)崿F(xiàn)制造業(yè)智慧空間系統(tǒng)結(jié)構(gòu)智慧化，并實(shí)現(xiàn)制造個(gè)體與群體智能融合并激發(fā)制造業(yè)智慧空間的自演化能力。具體來(lái)說(shuō)，借鑒生物界的進(jìn)化理論并通過(guò)演化博弈動(dòng)力學(xué)將其映射至制造業(yè)智慧空間，能夠?qū)崿F(xiàn)人、機(jī)、物智造主體和制造群體交互模式的不斷更新和制造業(yè)智慧空間功能的演化。

4 研究實(shí)例

本章將以多無(wú)人車自組織運(yùn)輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測(cè)系統(tǒng)為例，介紹制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運(yùn)作機(jī)理并分別驗(yàn)證其自組織、自適應(yīng)和自演化能力。

4.1 多無(wú)人車自組織運(yùn)輸系統(tǒng)

利用多無(wú)人車進(jìn)行不同車間材料的自動(dòng)配送，需要解決無(wú)人車的任務(wù)調(diào)度、資源分配、路線規(guī)劃等問(wèn)題。同時(shí)，由于車間環(huán)境干擾多、運(yùn)輸需求變化快等原因，預(yù)先制定運(yùn)輸策略的方法往往無(wú)法有效勝任，因此需要開(kāi)發(fā)自組織的多無(wú)人車運(yùn)輸系統(tǒng)。

多無(wú)人車運(yùn)輸系統(tǒng)S1的組分主要包括多個(gè)無(wú)人車v，表示為：

T1={v1,…,vnv}。

(11)

各無(wú)人小車之間分布式交互，因此結(jié)構(gòu)可以表示為：

R1={i,j|i,j∈T1}。

(12)

運(yùn)輸系統(tǒng)自組織配送過(guò)程中，需要重點(diǎn)解決不同位置物料和小車之間的任務(wù)匹配問(wèn)題，避免小車爭(zhēng)搶部分物料、部分物料無(wú)車配送、遠(yuǎn)距離小車任務(wù)匹配等情況的發(fā)生。

本團(tuán)隊(duì)在前期工作中對(duì)上述問(wèn)題進(jìn)行了研究，并提出了基于群智能體強(qiáng)化學(xué)習(xí)的MADDPG-IPF/BiCNet-IPF方法[25]。該方法屬于第3章中提到的智能體學(xué)習(xí)機(jī)制策略，即B=Slearning(ES)。具體實(shí)現(xiàn)過(guò)程如下：將車間配送優(yōu)化問(wèn)題抽象為部分可觀測(cè)馬爾科夫決策過(guò)程，確定包括小車狀態(tài)信息，目標(biāo)貨物信息在內(nèi)的狀態(tài)空間；無(wú)人車動(dòng)作空間設(shè)置為前、后、左、右移動(dòng)與停留；并采用基于信息勢(shì)場(chǎng)的獎(jiǎng)勵(lì)函數(shù)。

該工作在3個(gè)智能體3個(gè)物料點(diǎn)和6個(gè)智能體6個(gè)物料點(diǎn)兩種場(chǎng)景下進(jìn)行了實(shí)驗(yàn)。在3個(gè)智能體3個(gè)物料點(diǎn)場(chǎng)景下，MADDPG-IPF和BiCNet-IPF可分別達(dá)到95.00%和97.56%的任務(wù)完成率，在復(fù)雜6v6場(chǎng)景下仍能分別達(dá)到80.22%和91.61%的任務(wù)響應(yīng)率，具有較高的性能。由于該工作采用了強(qiáng)化學(xué)習(xí)策略，實(shí)驗(yàn)過(guò)程中各個(gè)智能體前期處于“激發(fā)階段”，即各智能體以較大的概率進(jìn)行隨機(jī)嘗試(試錯(cuò))，該階段系統(tǒng)群體熵E增大；后期處于“匯聚階段”，即各智能體根據(jù)嘗試結(jié)果進(jìn)行交互，以獲取有效、穩(wěn)定的策略，該階段系統(tǒng)群體熵E減小。因此可得，將MADDPG-IPF/BiCNet-IPF方法應(yīng)用于多無(wú)人車自組織運(yùn)輸系統(tǒng)，可使其具備良好的自組織能力。

4.2 自適應(yīng)深度學(xué)習(xí)模型部署

在實(shí)際制造場(chǎng)景中，任務(wù)的性能需求經(jīng)常發(fā)生變化，制造設(shè)備的存儲(chǔ)資源、電源消耗等也會(huì)發(fā)生動(dòng)態(tài)變化。因此，根據(jù)上下文信息自動(dòng)地調(diào)整模型結(jié)構(gòu)與參數(shù)以自適應(yīng)匹配上下文變化是解決該問(wèn)題的重要途徑。

接下來(lái)以廠房環(huán)境感知系統(tǒng)為例進(jìn)行介紹。為了保證安全，廠房感知系統(tǒng)S2中需要部署溫度傳感器t、濕度傳感器h、煙霧傳感器s、水浸傳感器w等固定傳感器及視頻監(jiān)控小車v等移動(dòng)傳感器。則該系統(tǒng)的組分為：

T2={t1,…,tnt;h1,…,hnh;s1,…,sns;

w1,…,wnw;v1,…,vnv}。

(13)

各傳感器之間以分布式交互為主，則該系統(tǒng)的結(jié)構(gòu)可以表示為：

R2={i,j|i,j∈T2}。

(14)

上述組分中的元素計(jì)算能力有限，需要采用模型分割技術(shù)對(duì)深度模型進(jìn)行分割，并分布式部署在各傳感器上。同時(shí)，當(dāng)存儲(chǔ)、帶寬和能量等資源動(dòng)態(tài)變化時(shí)，系統(tǒng)需要能夠自適應(yīng)地作出調(diào)整。

本團(tuán)隊(duì)在前期工作中對(duì)上述問(wèn)題進(jìn)行了研究，并提出了基于模型分割技術(shù)的GADS(graph based adaptive DNN surgery)方法[26]。該方法屬于第3章中提到的啟發(fā)式算法策略，即B=Sheuristic(ES)。具體實(shí)現(xiàn)過(guò)程如下：首先對(duì)設(shè)備中的存儲(chǔ)、信號(hào)帶寬和能量等動(dòng)態(tài)資源進(jìn)行建模，利用函數(shù)關(guān)系映射到當(dāng)前設(shè)備可使用的資源上限，將情境中的動(dòng)態(tài)資源狀態(tài)轉(zhuǎn)化為約束條件。其次，對(duì)模型的不同劃分構(gòu)建為分割狀態(tài)圖，頂點(diǎn)表示劃分方案，邊表示分割方案下的分割點(diǎn)是相鄰的?；谠摪l(fā)現(xiàn)規(guī)律——“近鄰效應(yīng)”，即在尋找合適的模型劃分時(shí)最優(yōu)分割點(diǎn)周圍總是存在次優(yōu)分割點(diǎn)。受“近鄰效應(yīng)”的啟發(fā)，提出GADS方法，該方法根據(jù)實(shí)時(shí)感知的資源上限約束，以當(dāng)前分割狀態(tài)為導(dǎo)向，優(yōu)先在近鄰的分割狀態(tài)里，參考KD樹(shù)最近鄰算法尋找滿足的分割狀態(tài)，將廠房環(huán)境感知系統(tǒng)中的深度學(xué)習(xí)模型進(jìn)行分割。最后，按照尋找到的分割狀態(tài)重新部署網(wǎng)絡(luò)，實(shí)現(xiàn)根據(jù)情境實(shí)時(shí)自適應(yīng)的快速調(diào)優(yōu)。

該工作模擬不同場(chǎng)景和各種指標(biāo)的運(yùn)行情境變化來(lái)對(duì)系統(tǒng)的自適應(yīng)能力進(jìn)行驗(yàn)證。設(shè)置穩(wěn)態(tài)環(huán)境ES中終端電量E=0.02 J，傳輸帶寬B=6 MB/s，時(shí)延需求T=0.01 s，分別減小終端電量至E1=0.005 J，記為環(huán)境ES1；減小傳輸帶寬至B1=1 MB/s，記為環(huán)境ES2；減小時(shí)延需求至T=0.005 s，記為環(huán)境ES3，并在3個(gè)新環(huán)境中對(duì)系統(tǒng)進(jìn)行測(cè)試，結(jié)果發(fā)現(xiàn)系統(tǒng)仍能維持良好性能。

當(dāng)環(huán)境ES變?yōu)榄h(huán)境ES1，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0.015 J,0,0}；當(dāng)環(huán)境ES變?yōu)榄h(huán)境ES2，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0,0.5 MB/s,0}；變?yōu)榄h(huán)境ES3，其環(huán)境變化量ΔES={ΔE,ΔB,ΔT}={0,0,0.005 s}，3種情況下環(huán)境變化量均足夠大，且系統(tǒng)性能變化量足夠小。另外，該方案僅改變模型分割點(diǎn)，而未改變系統(tǒng)的組分T2和結(jié)構(gòu)R2。由此可以證明，將GADS方法應(yīng)用于廠房環(huán)境感知系統(tǒng)，可使其具備良好的自適應(yīng)能力。

4.3 自演化零件缺陷檢測(cè)系統(tǒng)

基于機(jī)器視覺(jué)的零件表面缺陷檢測(cè)方法可以實(shí)現(xiàn)高效質(zhì)檢。然而，零件加工機(jī)器技藝改造、物料批次變化等因素會(huì)導(dǎo)致零件表面缺陷的種類發(fā)生改變。例如，原來(lái)的漏底、起坑、臟點(diǎn)、桔皮等表面缺陷改變?yōu)橥狗?、擦花等表面缺陷。?dāng)零件表面缺陷變化后，原有的檢測(cè)模型不再適用。模型需要進(jìn)行相應(yīng)的變化，以適應(yīng)新的檢測(cè)目標(biāo)。

零件表面缺陷檢測(cè)系統(tǒng)S3的構(gòu)成相對(duì)簡(jiǎn)單，一般由攝像頭c、圖像處理模型m構(gòu)成。該系統(tǒng)的組分為：

T3={c,m}。

(15)

攝像頭c對(duì)待檢測(cè)的零件表面拍攝照片，然后將照片送至圖像處理模型m進(jìn)行分析判斷。因此該系統(tǒng)的組分可以表示為：

R3={c,m|i,j∈T2}。

(16)

本團(tuán)隊(duì)在前期工作中對(duì)上述問(wèn)題進(jìn)行了研究，并提出了遷移學(xué)習(xí)的少樣本表面缺陷檢測(cè)TL-SDD方法[27]。該方法屬于第3章提到的智能體學(xué)習(xí)機(jī)制策略，即B=Slearning(ES)。該方法包含基于度量的表面缺陷檢測(cè)模型和兩階段的遷移學(xué)習(xí)策略。其中，基于度量的表面缺陷檢測(cè)模型包含3個(gè)模塊：①特征提取模塊,使用ResNet-101作為基礎(chǔ)網(wǎng)絡(luò)，并結(jié)合特征金字塔網(wǎng)絡(luò)進(jìn)行特征融合；②特征重加權(quán)模塊,以缺陷圖像及其標(biāo)注為輸入，并將這些信息嵌入到權(quán)重向量中，實(shí)現(xiàn)缺陷定位；③距離度量模塊,為每個(gè)缺陷類別生成一種類別表示，通過(guò)計(jì)算待測(cè)樣本表示與各種類別表示之間的歐式距離進(jìn)行缺陷分類。整個(gè)模型的訓(xùn)練過(guò)程分為兩個(gè)階段：①基礎(chǔ)訓(xùn)練階段,將常見(jiàn)缺陷樣本分為足量的少樣本任務(wù)，并在這些足量的任務(wù)上預(yù)訓(xùn)練表面缺陷檢測(cè)模型;②少樣本微調(diào)階段,將稀有缺陷樣本和少量的常見(jiàn)缺陷樣本，分為大小相同的少樣本任務(wù)，在預(yù)訓(xùn)練的表面缺陷檢測(cè)模型上進(jìn)行微調(diào)。

表2 自演化零件缺陷檢測(cè)系統(tǒng)平均精度 %

5 結(jié)束語(yǔ)

本文對(duì)制造業(yè)智慧空間進(jìn)行了系統(tǒng)性的介紹。首先，使用系統(tǒng)學(xué)方法對(duì)制造業(yè)智慧空間進(jìn)行建模，指出其組分為智慧人機(jī)物，能夠完成一般制造任務(wù)的同時(shí)具備自學(xué)習(xí)增強(qiáng)能力，結(jié)構(gòu)為分布式為主，并將其與傳統(tǒng)制造業(yè)進(jìn)行了對(duì)比。然后，給出制造系統(tǒng)工作時(shí)的一般范式，指出制造業(yè)智慧空間具備自組織、自適應(yīng)、自演化3個(gè)方面的群體智能。接下來(lái)，結(jié)合生物體群智介紹了制造業(yè)智慧空間群體智能背后的機(jī)理，具體包括群智能體學(xué)習(xí)機(jī)制、數(shù)學(xué)建模方法、啟發(fā)式算法和演化博弈動(dòng)力學(xué)。最后，以多無(wú)人車自組織運(yùn)輸系統(tǒng)、自適應(yīng)深度學(xué)習(xí)模型部署、自演化零件缺陷檢測(cè)系統(tǒng)3個(gè)典型場(chǎng)景為例，介紹了制造業(yè)智慧空間中各子系統(tǒng)的構(gòu)成、運(yùn)作機(jī)理并分別驗(yàn)證其自組織、自適應(yīng)和自演化能力。

未來(lái)將進(jìn)一步完善本文提出的理論模型，深入挖掘自然界中其他群智行為并將其映射至制造空間。另外，未來(lái)將考慮該模型在更多實(shí)際制造場(chǎng)景中的應(yīng)用，為實(shí)際制造任務(wù)提供理論依據(jù)。