第1章　绪论

1.1　研究背景与意义

随着以信息化带动工业化的《中国制造2025》的提出以及“十三五”规划顺利启航，先进制造产业成为国家制造转型至关重要的国家战略。先进制造业具有技术密集、附加值高、成长空间大、带动作用强等突出特点，是制造业的核心、现代产业体系的脊梁，也是推动工业转型升级的重要引擎。先进制造业发展水平的高低是衡量国家现代化程度和综合国力的重要标志，如何在大数据时代提升其制造能力，已成为增强产业国际竞争力的关键问题。高端制造业产品本身具有工艺专业门类众多、加工工艺难度大、制造流程长、零部件配套关系复杂等典型特征，涉及多产品、多部门、多业务之间的复杂协作。在大数据环境下研究协同制造模式、协同制造方法和协同制造工具等是当下的热点。

1.1.1　研究背景

1.1.1.1　工业4.0

2011年，德国政府给世界带来了一个新的命题——“工业4.0”（Industry 4.0），被认为是第四次工业革命，并且将工业时代的进程准确地划分为四个阶段，即：“工业1.0”，“工业2.0”，“工业3.0”，“工业4.0”。德国制造业认为“工业1.0”是众所周知的以蒸汽机的发明与应用为代表的工业革命，“工业1.0”使得纺织、冶铁和交通运输得到了巨大的发展；“工业2.0”则是“电气革命”，电灯、电报、电话、发电机和内燃机等技术被广泛应用，人类从“蒸汽时代”跨入“电气时代”，汽车、石油和钢铁等行业得到巨大的发展；“工业3.0”则以原子能、计算机和空间技术革命为动力，拉开了“电子信息时代”的序幕，推动了电子信息、医药、材料和航空航天等行业的发展。

“工业3.0”时代，人们认为：制造业的兴盛取决于能否寻求到劳动力价格更低的地方，而最近全球性的制造业衰退否定了“工业3.0”时代的看法。“工业4.0”时代的到来要求制造业通过技术革命来增强自身的核心竞争力。德国的制造业在这场“工业4.0”的革命中扮演着重要的角色。德国认为“工业4.0”时代，应该通过制造企业的主动性去维持并提升制造业作为行业先驱的地位，去迎接制造系统新的挑战。在“工业4.0”时代，制造业应该顺应时代潮流，更新制造技术，改变生存模式并创造新的商业模式和新的生活方式。“工业4.0”的目标是实现更高水平的自动化，实现更高水平的操作生产力和效率，将物理世界与虚拟世界连接起来，它将给传统工业带来计算机化和互联互通。根据几位学者的研究，“工业4.0”可以假定为基于异构数据和知识集成的信息物理系统（Cyber-Physical System，CPS），它可以被概括为一个可互操作的生产流程。通过大数据整合，调整、优化了面向服务的相关算法和生产相关的高技术，如互联网、物联网（Internet of Things，IoT）、物联服务（Internet of Services，IoS）、工业自动化、网络安全（Cyber Security，CS）、云计算（Cloud Computing，CC）和智能机器人。在生产方法中，Martin等将“工业4.0”定义为工厂中机器对机器的工件的智能流，机器之间进行实时通信。在这种环境下，“工业4.0”将使制造业变得智能和更具适应性，使用灵活和协作的系统来解决问题，做出最佳决策。它为专注于创造智能产品、智能流程和智能流程的工业场景带来了良好的发展前景。企业希望提高数字化水平，在数字生态系统中与客户和供应商合作。

1.1.1.2　大数据与大数据挖掘

如今，每天都有大量数据以前所未有的速度从各种来源（如卫生行业、政府部门、社交网络、营销系统、金融工具）生成，这是因为许多技术的应用，包括物联网、云计算的扩散以及智能设备的普及。在后台，强大的系统和分布式应用程序支持这样多的连接系统，如智能电网系统、医疗系统、零售系统（沃尔玛的系统）、政府系统等。在大数据革命之前，公司无法长期存储所有的档案，也无法有效地管理庞大的数据集。传统技术的存储容量有限，管理工具僵化，成本高昂。它们缺乏大数据环境所需的可伸缩性、灵活性。大数据管理需要大量的资源、新的方法和强大的技术。更准确地说，大数据需要清理、处理、分析、保护和提供对大量进化数据集的细粒度访问。企业和行业越来越意识到，数据分析正日益成为保持竞争力、形成新见解和提供个性化服务的重要因素。

与传统数据不同，“大数据”指的是包含异构格式（结构化、非结构化和半结构化）的大型增长数据集。大数据具有复杂的性质，需要强大的技术和先进的算法。因此，传统的静态商业智能工具在大数据应用的情况下已经不再有效。大多数数据科学家和专家通过以下三个主要特征（简称3Vs）来定义大数据：

•　海量（Volume）：数以百万计的设备和应用程序（信息通信技术、智能手机、产品代码、社交网络、传感器、日志等）不断产生大量的数字数据。McAfee等估计，2012年每天大约产生2.5EB的数据。这一数额大约每40个月增加一倍。2013年，国际数据公司（一家发布研究报告的公司）估计创造、复制和消耗的数字数据总量为4.4泽比特（ZB），每两年翻一番。到2015年，数字数据增长到8ZB。根据IDC报告，到2020年，数据量将达到40ZB，较2012年增幅高达400倍。

•　速度（Velocity）：数据以一种快速的方式生成，并且应该快速处理，以提取有用的信息和相关的见解。例如，Wallmart（一家国际折扣零售连锁店）每小时从客户交易中产生超过2.5PB的数据。YouTube是另一个说明大数据快速发展的好例子。

•　多样性（Variety）：大数据以多种形式（如视频、文档、评论、日志等）从分布式的各种来源生成。大型数据集包括结构化和非结构化数据、公共数据或私有数据、本地数据或远程数据、共享数据或机密数据、完整数据或不完整数据等。

Emani等和Gandomi等指出，为了更好地定义大数据，一些参与者加入了更多的“Vs”特征：愿景（或称为目的）（Vision）；实证（Verification）：数据各单体处理的一些规范；验证（Validation）：目的是实现；价值（Value）：许多领域的相关信息可以提取；复杂性（Complexity）：很难组织和分析大数据的发展数据关系；不变性（Immutability）：如果是对企业或部门有效的数据，其收集和存储的相关大数据可以是永久性的。

由于从大数据中可以提取出相关的价值，不同国家的许多参与者已经启动了重要的项目。2012年3月，奥巴马政府启动了大数据研发计划，预算为2亿美元。2012年7月，在日本，大数据开发成为国家技术战略的重要抓手。联合国发布了一份名为《大数据促进发展：机遇与挑战》的报告，旨在概述大数据面临的主要挑战，并就大数据如何服务于国际发展展开对话。由于世界各地大数据项目的不同，许多大数据模型、框架和新技术被创造出来，以提供更多的存储容量、并行处理和对不同异构源的实时分析。此外，还开发了新的解决方案来确保数据隐私和安全。与传统技术相比，这种解决方案提供了更多的灵活性、可伸缩性。此外，由于可持续的技术进步，大多数硬件存储和处理解决方案的成本不断下降。为了从大数据中提取知识，人们设计和提出了各种模型、程序、软件、硬件和技术。这些基于大数据技术试图确保大数据应用的结果更加准确和可靠。然而，在这样的环境中，在众多的技术中进行选择可能是费时和具有挑战性的，应该考虑许多参数，如技术兼容性、部署复杂性、成本、效率、性能、可靠性、支持和安全风险。在许多大数据调查文献中，大多数人倾向于将各种算法和方法用于处理大数据，而不是技术。大数据挖掘虽然提供了许多有吸引力的机会，但研究人员和专业人员在探索大数据集以及从这些信息宝藏中提取价值和知识时，都面临着一些挑战。不同层面的问题有不同的难点，包括数据采集、存储、搜索、共享、分析、管理和可视化。此外，在分布式数据驱动的应用程序中也存在安全和隐私问题，通常泛滥的信息和分布式数据流超出了我们的控制能力。事实上，虽然大数据的规模呈指数级增长，但目前处理和探索大数据集的技术能力还停留在相对较低的PB级、EB级和ZB级。

1.1.1.3　智能制造

制造业正在经历一场被生产和人工智能技术的进步所取代的变革，很多关于制造系统的讨论都集中在大数据和数字制造等术语上。毫无疑问，制造业产生的数据量正在增加，由于收集的数据量因其使用在不同的行业而不同，大数据所形成的规模和生产领域也有所不同。例如，在半导体行业中，收集大量数据是很常见的。然而，在大多数离散制造企业中，人们很难识别一个安装了十几个传感器的加工中心，在制造过程中产生的数据的利用率往往较低。一些研究机构已经在机床上安装了多个传感器，以研究产生的数据的效用，如振动、油温、压力等。一些制造业对在传统设备上安装传感器表现出了兴趣，但由于对数据驱动建模的研究有限，设备制造商一直不愿安装传感器。一旦从制造数据中得到的好处被充分证明，主流的离散制造行业很可能会遵循其他行业的数据收集实践。数据是在基于事务的监控和数据采集（Supervisory Control And Data Acquisition，SCADA）系统中收集的。这种实践不同于许多行业中使用的关系数据库中的数据存储。

现代制造业起源于20世纪70年代，计算机和机器制造技术的进步导致了制造业的自动化。今天的机床主要是由计算机程序而不是人工来操作的。根据生产车间的自动化范围和程度，以及不同功能生产区域的集成程度，材料和部件可以由自动材料处理系统运输，并存储在自动存储和检索系统中。自20世纪80年代以来，人们使用不同的术语来描述自动化制造，从柔性制造单元和柔性制造系统到计算机集成制造和智能制造。与此同时，日本开始了智能制造的研究，并于1995年建立了支持工业研究的智能制造系统（Intelligent Manufacturing System，IMS）方案。人们认识到，一个国家的工业无法改造制造业，需要国际合作。来自日本、美国、韩国和欧洲国家的大公司已经就制造业的未来展开了合作，其中日本积极参与的公司最多。在美国，IMS的许多活动都是在新一代制造系统（Next Generation Manufacturing Systems，NGMS）计划的保护伞下进行的，该计划是非营利性企业建立的。后来，随着欧洲联盟在智能制造方面的研究努力，IMS方案得到扩大。制造业正在发展，IMS必将以不同的形式发生。近年来，物联网的概念引起了制造业界的关注。它侧重于将制造业的实体资产与网络空间整合，形成网络物理系统。这一新概念已被个别公司、工业财团、区域和国家所接受。智能制造却没有一个被普遍接受的定义。根据美国国家标准与技术研究院（National Institute of Standards and Technology，NIST）的研究成果，智能制造是完全集成的协同制造系统，能够实时响应工厂、供应网络和客户的需求变化和条件。

智能制造将当今和未来的制造资产与传感器、计算平台、通信技术、数据密集型建模、控制、仿真和预测工程整合在一起，利用了网络物理系统、物联网、云计算、面向服务计算、人工智能和数据科学等概念。一旦实施智能制造，这些重叠的概念和技术将使制造业成为下一次工业革命的标志。智能制造已经引起了工业界、政府机构和学术界的关注，各种协会和讨论组已经形成，以开发体系结构、路线图、标准和研究议程。图1-1智能制造系统的一般概念需要在非常具体的体系结构中进行转换，目前正在努力研发这种结构；总体概念是为了支持本书提出的思想，而不是提供新的企业体系结构。

智能制造的灵感主要来自计算机领域的概念。虽然制造业将继续受益于这些概念和其他将出现的科技技术（例如，量子计算可能是一个主要的影响因素），但它有自己的特性，下面将讨论六个支柱（见图1-2）。最终的支柱将由未来的研究、技术发展和应用来定义，可以通过多种方式，包括将研究论文、行业报告和有关新技术的信息与文本和数据挖掘算法进行聚类。智能制造的六大支柱是制造技术与工艺、材料、数据、预测制造、可持续性、资源共享和网络。这六大支柱的名称和重要性一直在变化，它们在制造业的整个历史中一直存在。例如，数据一直是制造业不可分割的一部分。在智能制造时代，制造业数据已经成为大数据，具备大数据的基本特征。生产计划和预测在今天的数据科学预测工程之前就已经出现了。

支柱1：制造技术与工艺。制造技术与工艺预计在未来几年出现。新的材料、部件和产品将会出现。增材制造可以作为新技术的一个例子，这种新技术促进了新材料的开发，影响了产品的设计和制造，并为生物制造等新应用打开了大门。制造工具被设计成集成各种操作的状态，例如能够水平和垂直铣削以及钻孔（加工中心）的机器。新的混合工艺将会出现，例如传统工艺和加法工艺的混合、激光和净形制造。将会出现更大的过程整合，例如新材料、产品设计、制造过程的整合，发现导致新药物和递送设备设计的化合物，以及药物和设备的制造。大、小区域的增材制造将在工厂中扩大其突出地位。新一代的低成本机器人将提高工厂的自动化程度。传感器和软件的能力将使新的制造设备更智能，更能适应工厂和其他地方的通信。

支柱2：材料。智能制造并不特别需要智能材料的发展，例如形状记忆合金或功能梯度材料。智能材料和智能产品很可能会走自己的发展道路。智能制造对所有类型的材料都是开放的，包括用于生产未来产品的有机材料和生物材料。在产品生命周期结束时从产品中回收材料的重要性将会增加。可以想象，垃圾填埋场将成为各种材料的新矿区。一些新材料将需要新的工艺，必须在智能制造中加以开发和整合。单是增材制造就将为寻找新材料及其混合材料做出巨大贡献。

支柱3：数据。我们正在见证制造业数据的复兴，其中一些是由传感器的部署、无线技术和数据分析的进展引发的。从材料性能和工艺参数到客户和供应商等不同来源的更多数据收集工作已经开始。这些数据将被用来支持任何预想的应用程序，包括构建预测模型。此外，它将是保存和提取与制造业有关的过去和新知识的最佳来源。

支柱4：预测制造。预测工程是制造解决方案领域的最新发展方向之一，它将带来一个预期的而不是反应性的企业。传统上，制造业关注于使用数据进行分析、监控和控制，例如生产力分析、过程监控和质量控制。六西格玛和其他数据分析概念对制造业产品和服务的质量进步产生了巨大的影响。然而，在很大程度上，传统的努力强调的是过去而不是制造过程和系统的未来状态。预测工程提供了一种构建高保真模型（以数字表示）的新范式。这样的模型将允许探索未来的空间，其中一些在现有技术领域内，另一些在以前没有被发现。在未来，今天的模型将被有限范围的模型（如供应链的行为）和涉及多个系统的模型（如集成生产力、产品质量、能源和运输的模型）所丰富，以支持有关未来生产和市场条件的决策。这种大范围的模型可能有助于重组制造业。可以想象，有些制造业将高度分散，有些则可能集中。例如，对运输成本、上市时间和客户变化很敏感的产品可以在离客户很近的地方生产。

支柱5：可持续性。在制造业中，可持续性将是最重要的。可持续性努力的目标是材料、制造过程、能源，以及消除制造业产生的污染物。任何主要的可持续性努力的切入点都是产品和市场。毫无疑问，最大的可持续性收益是在产品和过程的开发以可持续性标准为指导时实现的。可能的情景包括：①可持续的产品设计将推动制造；②可持续的制造过程将影响产品的设计；③同时开发可持续的材料、产品和过程。增材制造代表了第二种情况，在这种情况下，一个过程导致了组件和产品的新设计。可持续性不在于生产什么，而在于如何生产。它是为再制造、调整和重用提供与制造业同等地位的主要力量。由于可持续性，制造业和服务业之间的界限将依然模糊。例如，对使用过的产品进行翻新不是传统的制造活动，但是，它可以进入新的制造字典。

支柱6：资源共享和网络。随着制造业变得数字化和虚拟化，许多创造性和决策活动将在数字空间中进行。虽然在某种程度上，数字空间可能是高度透明的，但拥有专有技术的实体制造资产将受到保护。这种数字—物理分离将允许企业间共享资源，包括相互竞争的企业。

制造业已经接触到服务和合同模式，生产在第三方操作的设施中进行。快速制造（3D打印的前身）服务模式是几十年前建立的，这种模式没有流行起来的原因是技术成本高、利用率低和技术效用的不确定性。当前，共享资源模式已经取得了成功。共享资源模式起初旨在减少高速公路交通的共享出行，而后扩展到交通领域的优步（Uber）和住宿服务领域的爱彼迎（Airbnb）。智能制造也从这些概念中受益，共享制造设备、软件、专业知识，最重要的是，共享协作建模和创新空间。虽然租赁制造设备和共享商业软件的物流可以遵循现有的模式，但共享创意空间是一个挑战。将类似Facebook和维基百科（Wikipedia）的原则应用于制造业的各个领域并不容易，可能需要数十年时间才能实现。所有的共享交易都将在充满数字模型而不是物理资产的空间中完成。除了制造设备之外，运输也是一种有意义的资源，值得关注。在制造业中，运输分为两大类：内部运输，涉及特殊材料处理设备或各种轨道；外部运输，服务于供应和分销链。从制造会计的角度来看，运输通常被认为是一种非增值活动。这引发了一种想法，即将运输距离最小化不仅会降低成本，还会对环境产生积极的影响。机器人技术和自动驾驶汽车（从地面到空中）的发展将通过提高其自动化程度和共享程度来影响内外制造业运输。运输将是在区域和全球范围内改变制造业空间结构的一个重要因素。

1.1.1.4　信息物理系统

信息物理系统（Cyber-Physical Systems，CPS）被认为是未来工业系统发展的关键技术，它将计算和物理能力进行强力集成和紧密耦合。CPS的应用实例可以在制造控制、能源系统、汽车和航空的电子系统、交通控制、医疗系统、合作机器人和智能建筑等领域找到。人们普遍认为，CPS在制造业等领域的应用存在巨大的经济和社会潜力。

由于大多数CPS涉及大量组件的协作，所以明确地规划系统组件之间的关系并考虑与相关故障的相互关系的数量是一个很大挑战。在这种情况下，自动配置被认为是一种合理的方法，可以使系统在发生变化时具有可伸缩性和鲁棒性，并支持动态适应。因此，需要技术和方法来支持具有物理分布式资源的大型CPS的开发过程。模型驱动工程是一种软件开发方法，它利用领域模型作为解决方案，通过提高、抽象自动化级别和容易出错的任务来处理软件开发的复杂性。该方法被认为是设计CPS控制应用的一种有效的方法。模型允许用特定领域的软件描述来反映所开发系统的异构性，并可以作为主要的开发工件，这增加了软件的可解释性和可重用性。定义模型意味着比普通的面向机器的人工代码制品更人性化，软件可以用不依赖于底层平台或技术的概念来定义。基于模型的方法是有效的，可以用来开发一个自配置的CPS。自配置是指响应环境中的更改而自动部署的系统配置。这个系统配置被分配给可用的硬件资源，例如由自主服务管理器分配，无须任何开发人员的配置。实现可靠的自动配置管理是成功应用即插即用组件必须解决的一个重要挑战，即插即用组件不需要任何特殊的初始化过程或复杂的人工干预就自动嵌入CPS中。通过使用自动配置代替手动调整控制软件，在提高软件质量的同时减少了工程时间和成本，这对于在大型网络中部署小型设备和节点维护尤其重要，例如传感器网络。

为了管理日益复杂的制造系统，可以使用知识表示的概念。未来工厂将通过在不同控制级别上使用基于知识的系统，来显著提高其自动化的反应，这个范围包括从生产订单优化到现场级自动化软件的重新配置。为了完成知识表示的任务，CPS组件依赖于知识表示的环境，例如描述应用领域内的概念和关系的本体。本体被认为是一种管理知识的智能方法，使CPS组件能够在开放环境中对它们使用的通用概念的含义达成一致。将本体概念和显式语义相结合，使得控制软件可以理解制造系统本身的知识，为生产系统中控制软件的自动可重构性开辟了道路。如果将模型驱动方法与本体语义和形式推理的方法相结合，还可以进一步提高模型驱动方法的积极效果，为软件开发人员、系统集成商和最终用户提供最新的工具支持和帮助。此外，本体是可重用的、可扩展的和灵活的，这意味着在运行时定义模型之后，本体模型中的数据填充是可能的。这一特性使得它们在工业领域更加强大，因为系统模型是根据制造系统中发生的大量事件而不断变化的。

1.1.1.5　云制造

全球化是协同工作的主要驱动力，最近出现了几种信息技术，它们结合在一起，为产品开发的所有阶段提供了无缝协作活动。云计算（Cloud Computing，CC）就是这些核心技术之一，它以一种方便的即付即用的模式提供计算资源作为服务。提供计算机资源作为服务的概念可以被制造业采用，制造业资源可以作为不同的服务被提供，如设计即服务（Design as a Service，DaaS）、机械即服务（Machining as a Servic，MaaS）等。其他贡献和实现技术的例子有物联网、语义网、嵌入式系统和虚拟化技术。

云制造（Cloud Manufacturing，CM）是制造业社会化中出现的一种新范式。这个术语和完整的概念最初是由Li等提出的，但是关于制造即服务（Manufacturingas as a Service，MaaS）的核心思想在20世纪90年代早期就已经被提出来了。当时还无法预见这一概念的全部潜力，因为支持分布式制造协作的信息和通信技术（Information and Communication Technology，ICT）、工具和应用程序以及基于互联网的资源共享还未出现。作为一个高度复杂的制造方法的实施，仍然需要各个学科基础科学的发展才能支撑，进而实现资源共享的目标。CM最突出和最有前途的特点是无缝、方便地共享各种不同类型的分布式制造资源，实现了MaaS的思想。它的工作原理是让供应商有效地组织和封装制造资源和能力，并将它们作为服务提供给消费者，这些服务在一个由操作者运行的制造云中，如图1-3所示。根据这个概念，企业可以从互联网上获取各种制造服务，就像在日常生活中获取水和电一样方便。

这意味着完全异构的制造资源可以由不同的用户共享，用于简单的任务以及复杂的全球协作制造任务。云制造是为了使制造能力服务化，来支持整个生产产品开发生命周期。这种云服务覆盖广泛，从分析市场和客户需求、资源规划、产品设计、仿真到供应链控制、生产、管理和维护以及产品回收服务活动。自从云制造的概念在几年前首次被提出以来，学术界和工业界对云制造的兴趣日益浓厚，研究出版物和研究计划的数量也在稳步增加。学者们已经发表了大量的文章，其中许多描述了云制造的使用可以实现并产生广泛的、有用的和有价值的效果。虽然云制造的概念很新，并且分布式、网络化和虚拟制造的概念已经出现一段时间，但是云制造还没有任何标准化的定义，也没有完全开发的云制造系统的问世。通过采用、结合和扩展这些新出现的技术，并与现有的先进制造模型和信息技术结合，便可以实现云计算和面向服务的制造模型。

1.1.2　研究问题与研究意义

由上述研究背景可知，我国先进制造业虽然已应用了物联网、移动互联网、云计算等先进的信息化技术，但仍面临装备制造产业总体上处于国际产业链和价值链的中低端水平的问题。为了使我国先进制造业在新一轮的竞争中脱颖而出，我国先进制造业应以大数据为依托，促进制造业各部门及企业间的深度融合，提高企业基于大数据的创新能力与智能化水平，推动先进制造业转型升级。先进制造企业在不断缩短制造周期和提高资源利用率的同时，更加趋向于工艺与制造过程的紧密协同，因此，协同制造平台具有很强的理论研究价值和工程应用前景。目前我国先进制造业逐渐认识到协同制造的重要性，航空、航天、装备等大型离散制造企业的需求非常强烈，尽管大量信息化软件，如MES、CAPP等，已经在先进制造企业广泛应用，但并不能够有效满足协同制造的现实需求。要在大数据的环境下让信息化与工业化深度融合在一起，通过充分挖掘在制造业积累的数据中蕴含的知识去支撑协同制造，使得制造企业的信息化达到智能化、智慧化。

随着CAD/CAPP/CAM、MES等数字化制造技术在先进制造企业的应用，我国先进制造企业在智能制造与协同制造方面也开展了大量的卓有成效的工作，但在物联网、大数据、云制造技术的冲击下，面向企业内部的协同与智能制造，尤其是计划部门、调度部门、生产准备部门之间以大数据支撑的有效协作，还存在许多问题。

（1）基于大数据的产品制造过程柔性不足

虽然并行工程、精益生产、计算机集成制造、敏捷制造、网络化制造等先进制造模式先后在我国先进制造企业得到应用，但由于现有高端制造企业组织结构层级过多，分工过细，部门之间、业务之间数据融合与相互协调困难，造成制造系统柔性较低，敏捷性不够，无法有效地进行复杂产品的协同制造，不能保证产品按需按质保量准时交付。

（2）资源配置不合理，利用率低

资源管理存在计划经济痕迹，生产准备只能按照人工经验进行，经常产生“准备的资源不用，要用的资源不在”等现象；资源控制没有与现场实际情况紧密结合，造成有限资源并未用在关键的、合适的、急需的环节，设备负荷不均，在制品、工装等库存居高不下；资源过程管理粗放，追踪困难，无法有效确定工序/零件/产品制造周期、物料/工装消耗定额、物料/工装安全库存等期量标准，难以指导资源的精细化管理。

（3）制造业大数据难以支撑协同制造

制造业大数据具有如下特点：拥有海量数据并包含内容丰富，产生“维度灾难”；数据信息量大，产生“多样化的数据”；先进制造产品流程复杂，产生的数据属性相互耦合；收集数据过程中数据质量差，往往含有很多噪声。制造业大数据的特点带来了如下困难：高维的制造业大数据拷问着分类算法的精度与效率；多样化的制造业大数据对分类算法提出新挑战；因素耦合对质量分析与改进提出了新要求；多种方法的混合才能去除噪声并完成质量分析与改进。

（4）缺乏实用有效的智能大数据协同制造支撑方法与工具

在传感器与大数据的支撑下，我国先进制造企业在信息化管理与数据积累上已经发生了质的变化。先进制造企业需要从大数据出发解决各部门、各零件、各人员在制造过程中的有效协同问题。我国先进制造业面对大数据的驱动还没有提出有效的处理大数据问题的支撑方法与工具，在大数据挖掘与知识发现上无法实现信息的有效处理。同时，现有先进数字化制造研究与应用虽然有较成熟的单项技术应用工具，但在应用中由于侧重单项技术的应用和信息集成，始终缺乏实用有效的协同制造模式的指导和统一的协同制造的支持。研究基于大数据的协同工具、协同方法及协同平台是当前我国先进制造企业亟须解决的问题。

本书针对先进制造企业在工艺规划、生产运作、制造执行、过程控制等阶段协作松散、生产周期长、资源利用率低等问题，通过研究数据（Data）、任务（Order）、过程（Process）、资源（Resource）四者之间的有效协同，实现任务均衡分配、过程柔性响应、资源优化利用的目标。在大数据驱动研究DOPR协同的过程中分规划层、运作层、执行层、数据支撑层四个层面研究制约先进制造企业协同性的关键问题，探讨基于DOPR的协同制造建模，规划以DOPR为核心的业务流程重构，研究DOPR驱动的协同制造机理，力争实现先进研制过程中规划、运作、执行及数据等阶段的协同，提高资源利用率，缩短制造周期，实现均衡化生产，满足先进制造任务智能化的需要。

1.1.3　研究思路与出发点

本书面向先进产品研制生产过程，以DOPR制造业大数据及相关工具为支撑，以规划层、运作层、执行层DOPR协同制造方法为核心，构建覆盖数据支撑、生产运作、制造执行、过程控制的整个制造流程。以协同制造方法与工具为支撑，研究基于大数据的协同制造机理，形成大数据环境下的DOPR协同制造，本书总体方案如图1-4所示。

在求解问题的过程中主要通过大数据方法与支撑工具解决三个主要问题：订单管理的主动制造、作业的动态与实时调度、制造资源的优化问题。订单管理主要体现了数据分析与挖掘中的预测与分类方法，作业的动态与实时调度体现了数据分析与挖掘中的决策方法，制造资源优化主要体现了决策与聚类方法。因此本书将主要需解决的三个问题分解到数据层中形成三个主要方法的研究，即分类、聚类与决策方法。这三种方法在大数据环境下又面临新的问题，如：拥有海量数据且包含内容丰富所产生的“维度灾难”问题；数据信息量大所产生的“多样化的数据”问题；先进制造产品流程复杂所产生的数据属性相互耦合问题；收集数据过程中数据质量差，往往含有很多噪声数据的问题；等等。因此，本书又引入“核”方法、流形学习的降维方法与集合论的等价子集的概念进行方法的改进。通过改进的分类、聚类与决策方法所形成的支持工具解决大数据环境下的DOPR的协同制造问题。

1.1.4　研究的应用前景与理论价值

本书形成的先进协同制造机理研究，以复杂产品的协同制造模式为突破，以先进制造关键零部件为对象完成工程应用验证，研发适合先进制造业的大数据支撑方法与工具，其成果可直接应用于各类先进制造的研制和批量生产工作中，如航空、汽车等行业，能够实现生产计划调度与生产资源的动态优化，提高现场发生事件的可见度和设备利用率，提高生产现场突发事件的快速响应能力，提高车间生产效率，实现生产运作的精细化管理，缩短制造周期，将有效促进我国先进制造业的协同化、智慧化和信息化。

•　提高设备利用率；

•　减少在制品库存；

•　缩短生产制造周期；

•　提出大数据协同制造研究方法与工具。

本书所研究的先进协同制造机理可在先进制造的研制和生产中应用，也可在航天、船舶、汽车、机械、能源、装备制造等其他行业和部门的复杂机械产品的制造中应用，有助于促进大数据信息化技术对传统制造技术的改造。