随着新一代信息通信技术和新一代人工智能技术迅猛发展，消费者消费行为和模式不断改变，以及国家间制造业乃至综合国力竞争日趋激烈，许多国家纷纷提出了智能制造发展战略，如德国提出的“工业4.0”战略规划、美国提出的“先进制造业伙伴” 计划，以及中国提出的“中国制造2025”战略规划等，以期在未来的产业竞争中占据竞争优势地位。

受到工业现场实时分析和控制，以及安全和隐私等方面需求的驱动，在智能制造系统中引入边缘计算成为一种趋势。尤其是 5G 技术的推广使得制造设备的大范围高速链接成为可能，将为工业互联网提供强有力的支撑。但如何实现云平台、边缘系统和物理系统的相互协同（简称“云边协同”），达到制造系统的整体优化，从而高效、安全、高质量地完成制造全生命周期的各项活动和任务，是智能制造系统面临的重大挑战。

近年来，智能制造系统中的云边协同问题受到产业界和学术界的关注。但关于云边协同智能制造的研究总体上还处于起步阶段。针对该问题，本文分析了智能制造需求和挑战，提出一个云边协同智能制造的系统架构；分析了云边协同的特点，对一些具有代表性的关键技术进行了讨论，最后给出一个智能制造系统云边协同调度方案。

1 智能制造系统面临的挑战

        工业智联网和智能制造云的构建及其高效协同是智能制造系统得以稳定运行的关键。当前智能制造发展在下述几个方面面临巨大的挑战。

        1.智能制造云在构建实体加工设备的数字孪生技术有待进一步突破。数字孪生是根据云制造理念将制造资源 /制造能力虚拟化和服务化的技术，是物理制造系统的虚拟化映射。对于智能制造系统的稳定运行及其优化发挥着至关重要的作用。智能制造云构建已经研究了很长时间，然而，目前的研究主要针对软制造资源和简单硬制造资源开展虚拟化和服务化研究，复杂异构多样的硬制造资源的虚拟化和服务化技术尚有待进一步突破。

        2.工业智联网是规模巨大的工业要素和工业过程的智能化的工业互联网。工业智联网实现了分布式装备、产线、车间、工厂等智慧化互联，从而实现物理制造系统的智能感知和云端接入。因此，构建工业智联网是实现智能制造的前提和基础。工业智联网的目的是要将分布式产线的各种要素通过各种网络互联，实现在网络边缘侧互联互通、智能感知和数据预处理等。当前工业智联网构建面临着一系列数字化、网络化挑战，例如，① 工业设备数字化程度有待提高，缺少开放接口，设备间缺少统一的互联互通标准；② 工业现场设备异构多样，协议复杂，互联互通困难；③ 工业现场设备和产线无法实现全面、智能感知，关键数据无法获取。④ 可采集到的数据质量不高，难以利用。

        工业智联网和智能制造云集成和协同有待深入研究。工业智联网和智能制造云互为支撑，构成了一个规模巨大的信息物理系统（CPS，其中 C 是智能制造云、P 是工业智联网），保证智能制造系统的稳定、优化运行。工业智联网和智能制造云的集成和协同是构建集成统一的智能制造系统的关键。然而，由于智能制造系统分布、异构、规模巨大的特点，两者的集成和协同面临着巨大挑战。特别是在云边协同方面，需要垂直打通制造生命周期的各个环节，并处理大量动态、不确定性因素。目前还缺乏有效的针对智能制造系统的云边协同总体框架、机制和技术。

        制造系统的安全可信问题面临更大挑战。安全可信问题一直是影响企业在云端开展业务（特别是核心业务）的关键因素之一。在智能制造中，企业通过工业智联网将各种制造、计算、设计资源接入智能制造云平台，信息系统安全和物理系统的安全相互影响，使整个制造系统的安全和信任问题变得更加复杂。云平台、边缘系统及设备端需要统筹考虑，商务流通安全、数据信息安全、设备运行安全需要协同管理，关键系统的研发更需要完全自主可控。

2 云边协同智能制造系统架构

2.1 云边协同智能制造系统概念模型

云边协同智能制造系统的概念模型如图1所示，智能制造云平台、边缘系统，以及工业智联网，从而形成了一个云 - 边 - 端协同的智能制造系统。

智能制造云平台（云），主要负责与制造直接相关的功能（例如设计、仿真、生产、测试等）。需要借助于大数据、区块链、人工智能等技术，充分利用智能商务云平台的客户资源，为产品全生命周期涉及的各类客户提供丰富的制造服务应用，形成以电商为龙头的新型智能制造模式，实现真正意义上的个性化制造和社会化制造。

边缘系统（边），主要分布在云平台和物理设备之间，特别是靠近制造设备的地方执行设备协议转换、数据采集、存储分析、在线仿真、实时控制等功能， 同时与智能制造云进行高效通讯和协同。

工业现场设备（端），主要包括分布式智能工厂、智能车间、智能产线中包含的各类异构制造设备。设备之间通过物联网进行连接，并与边缘系统和云平台实时协同，采集和发送数据，同时接收相应的指令。

 图 1 云边协同智能制造系统概念模型

2.2 云边协同智能制造系统功能架构

云边协同智能制造系统功能架构如图2所示。智能制造云平台主要负责与制造相关的功能，包括制造任务分解、多学科协同云设计、制造服务匹配与组合、制造服务可信评估与保障、云排产与调度、制造资源云管理、生产过程云管理、数据分析与预测、孪生模型构建与仿真、智能应用，以及制造业务相关的其他功能；边缘系统主要负责制造资源智能感知、边缘实时监测与控制、多源数据处理与分析、故障检测、边缘快速仿真、生产执行实时管理等功能；底层的制造设备层包括各类分布异构的制造设备，典型的如工业机器人、数控机床、3D 打印机、加工中心、生产线、AGV 小车等，这些设备或系统通过物联网链接，形成智能化生产系统。标准化和安全管理贯穿各个层次。各层之间的功能相互依赖和影响，需要高度协同才能顺利完成制造任务。

图 2 云边协同智能制造系统功能架构

3 智能制造系统云边协同关键技术

如图1和图2所示，一个制造任务是通过商务云、制造云、边缘系统和制造设备等各部分相互协作共同完成的，要保证这样一个复杂的系统能协调运行，除了各部分的通用技术之外，还需要一系列面向协同的关键技术作为保障。

从系统构成的角度，包括中心化的智能制造云平台、分布式的智能工厂 / 产线。因此，智能制造系统的云边协同是一种一（云平台）对多（边缘系统）的协同，是海量异构基础设施资源之间的协同。

从参与者的角度，包括平台运营者、资源 / 服务提供者，以及资源服务用户（即消费者）。因此，智能制造系统的云边协同实际上是各个参与方围绕制造业务需求开展的多主体协同，是业务和分析优化之间的协同。

从交易过程的角度，由于智能制造系统中制造资源和用户的广域分布特性，制造过程需要物流的参与才能完成。因此，其协同过程还包含着交易过程、生产过程和物流过程的协同，是数据分析 / 建模之间的协同。

。

4 智能制造云边协同方案

下面结合智能制造系统的特点，针对如何展开云边协同模式的问题，给出一种解决思路。

4.1 智能制造云边协同调度需求分析

        智能制造系统是一个规模巨大、广域分布的制造系统，而且，参与企业通常是自主的并且利益分散。企业对于将资源 / 系统 / 数据接入智能制造云平台通常会有安全性方面的顾虑。一种比较可行的调度方案是根据安全性等级和任务特点，将制造任务在云端和边缘端进行合理分配，以保证企业对核心数据和技术的控制，然后进行分层调度，即智能制造云平台负责全局的调度；而边缘系统负责企业 / 工厂内部的局部调度，通过全局调度和局部调度的协同来实现用户个性化需求和海量资源服务的调度，从而同时满足提供者、用户甚至平台运营者的需求。这样既能在一定程度上保证制造系统的安全性，又能极大地提高调度的效率和效果。

4.2 数据协同处理技术需求分析

        通过各类传感器可以采集到制造设备和环境的海量数据，特别是 5G 技术的应用使得连接和传输更加方便和快速，制造数据的种类和数量都会大幅增长。如何对这些数据进行有效的管理和利用，将变得更加困难。而如果能根据云平台中或边缘节点相关制造活动的需求，有目的、有选择地进行精准采集，则可以大幅减少数据处理和管理的负担，并更好地服务于制造任务。对数据的分析和处理也需要云端和边缘端相互配合。根据数据的特点和用途将数据进行分类，分别在边缘端和云端进行处理，云端处理好的数据， 或建立的模型，再返回边缘系统进行应用。通常，边缘节点更多处理对实时性、安全性有更高要求的数据，而云平台处理结构更加复杂、使用周期长、对计算资源要求较高的数据。

 4.3 生产设备云边协同管控技术需求分析

        云边协同智能制造的生产过程是分布式、网络化、广域协作的过程，业务流程复杂、不确定性强。而整个生产过程的管控对自动化和智能化的要求更高，对的设备状态的实时监控需求在生产过程中具有更高的要求，同时管理人员通过云平台跟踪甚至参与生产过程也是必须功能。为此所需要研发的关键技术包括云边协同的制造执行管理技术，沉浸式虚拟孪生技术，边缘控制技术，跨企业业务流程管理技术，智能装备技术，智能化柔性生产技术等。

4.4 机器学习模型建模需求分析

        机器学习、深度学习等智能算法在制造系统中的应用越来越广，其涉及了产品的全生命周期，贯穿于整个制造系统。分布式设备 / 产线智能监控/诊断/维护模块的支持下，可以在制造活动实施之前进行分析、预测和优化，并提供决策支持，是提高制造系统效率、缩短研发和生产周期、降低成本、提高质量的关键。

        因此，无论在制造云平台，还是边缘系统甚至制造装备或生产现场，都有各种算法的应用，用于创新设计、工艺规划、生产调度、现场培训、故障预测等各种场合。近年来，在制造领域广受关注的基于模型的系统工程（MBSE）、模型工程、数字孪生等理念和技术，进一步推动了人工智能算法在智能制造系统中的应用。贯穿于设计、生产、维护全过程的一体化、全系统、云边端协同的人工智能算法库、大数据分析和建模模块是当前研究重点，内容涉及一体化建模语言、混合系统建模、模型协同验证与评估、高效能模型解算、分布式仿真引擎、跨媒体智能可视化等。