毛片网站在线观看-毛片网站在线-毛片网站有哪些-毛片网站视频-女生脱衣服app-女色综合

上海交通大學張新凱

北京城建智控科技股份有限公司張輝，張利寬，于傳洋

上海交通大學戴文斌

1　引言

隨著人工智能在各行業的廣泛應用[1]，傳統行業結構與模式正在被重塑。在工業領域，生產模式正逐步從信息化邁向智能化，“人工智能+工業控制系統”這一趨勢展現出巨大的發展潛力與廣闊的應用前景。當前，智能化時代仍處于發展初期，迫切需要大量創新性探索來為工業智能化的發展指引方向，工業智能化的推進將為制造業帶來全新的機遇與挑戰?；仡欉^去的信息化時代，工業控制系統成功實現了從傳統復雜的分層架構[2]向簡潔的邊云協同架構[3]的轉變。在邊云協同架構中，通過將系統業務邏輯層進行云化處理，控制系統能夠依據業務邏輯精準實現現場邏輯控制操作；同時，借助現場設備資源的虛擬化，有效降低了邊緣側控制系統的復雜性，提高了現場設備的容錯能力，進而顯著提升了生產制造效率。展望未來人工智能的發展需求，在工業生產制造領域，需求側直接由業務方提出需求，智能代理則依據這些需求與工廠的生產資源進行精準匹配，實現資源與需求的邏輯擬合，從而制定出最優的生產部署方案，達成快速定制化生產。這一系列舉措為“人工智能+工業控制系統”的深入探索提供了可行路徑。本文聚焦于工業邊緣數字基座與智能代理協作技術的研究，旨在實現工業生產過程的動態需求分析以及產品的定制化生產。為此，我們提出了柔性數字基座與智能代理的融合網絡架構，并深入探討了數字基座和智能代理技術演變過程中面臨的問題，為工業領域智能化發展探索了新的方向。

2　工業控制系統演變

工業控制系統（Industrial Control Systems，ICS）的發展是一部技術不斷革新、生產效能持續提升的歷史。自從計算機技術嶄露頭角以來，工業控制領域發生了翻天覆地的變化，傳統的模擬控制器逐漸被數字控制系統所取代?？删幊踢壿嬁刂破鳎≒LC）Modicon的問世，成為工業制造發展的重要里程碑，它的出現極大地提升了工業生產效率。以汽車制造工業為例，它們通過使用PLC設備構建汽車自動化生產流程，實現了生產過程的精準控制與高效運轉。二十世紀七十年代，霍尼韋爾公司推出分布式控制系統TDC—2000，這一舉措為工業控制系統帶來了新的突破。該系統在控制軟件中引入了PLC的順序控制與批量控制功能，使得分布式控制系統（DCS）不僅具備自身原有的優勢，還融合了PLC強大編程能力，使其在性能和功能上得到了顯著的提升。此外，現場總線協議的不斷發展，為工業控制系統的信息傳輸與交互能力帶來了質的飛躍。PROFIBUS、Modbus等協議的出現，實現了設備間的高速通信，使得現場設備的控制更加快速、便捷，大大提高了工業生產過程中設備之間的協同工作效率。與此同時，TCP/IP協議的普及，使得遠程監控與數據采集的SCADA系統得以廣泛部署。該系統實現了工業控制系統遠程監控與數據采集的一體化，如今已廣泛應用于控制系統中，為行業穩定運行和高效管理提供了有力支持。

隨著網絡化進程的不斷深入，工業物聯網（Industrial Internet of Things，IIoT）技術應運而生。它將傳感器、云計算和大數據等先進技術有機結合，實現了設備的狀態檢測與預測性維護，進一步推動了工業互聯網從過去的基于ISA-95架構向端-邊-云架構[2]的轉變。在實際生產中，制造業大多采用ERP和MES作為傳統架構下的生產計劃和調度決策實踐方案。其中生產工程師憑借自身的經驗和知識，將上層領導、業務經理和客戶形成的生產需求報告轉化為生產制作的指標、流程控制以及工藝參數等生產指令，以確保生產過程的順利進行。

近年來，邊緣計算與人工智能技術迅猛發展，給工業控制系統帶來了革新。如圖1所示，制造業企業架構從ERP／MES／PCS（DCS）多層次結構轉變為包含人機合作智能代理優化決策系統和邊緣智能數字基座系統的兩層結構。人工智能融入工業控制系統，實現決策系統人機合作智能化。云端人工智能代理技術可實時感知、解析用戶需求，結合現場設備資源與生產工藝，制定最優生產目標、調度計劃等指令。生產結果與客戶反饋形成閉環，實現人與智能代理決策系統協同進化。系統具備自我學習與優化決策能力，使人工智能在工業生產決策與控制環節發揮更大作用，不再局限于外觀檢測、能耗分析等簡單任務。

圖1 傳統ISA-95多層架構向邊-云協同架構進化

工業控制系統發展歷經機械控制、電氣化、數字化、網絡化階段，正邁向智能化與高度集成新時代。其發展圍繞提升生產效率、靈活性與安全性，同時應對網絡安全等新技術挑戰。隨著通信、人工智能和邊緣計算應用深化，ICS將推動工業自動化向自主化演進，形成高度智能化的工業邊緣控制系統，為工業生產未來發展筑牢基礎。

3　基于邊緣計算的工業數字基座

近年來，云計算與邊緣計算在工業領域得到快速應用，有力推動了物聯網設備的智能化與自治化發展。云計算作為中心化大數據處理平臺，面對復雜多樣的工業場景，其對低時延和高可靠性的需求日益凸顯。邊緣計算則充分利用物聯網設備的嵌入式計算能力，在終端實現更智能的數據處理與決策，有效降低了數據傳輸時延。然而，邊緣計算也存在資源受限、管理復雜等問題?；谶吘売嬎愕墓I數字基座的提出，旨在解決邊緣計算中設備種類繁多、網絡通信協議多樣、業務流程固化的難題，實現對邊緣側設備資源的柔性化統一管理。

3.1　資源虛擬化能力

邊緣數字基座技術的起源可追溯至無服務計算領域的云端虛擬運行時系統。以Google的gVisor無服務計算運行時系統和AWS的Firecracker運行時系統[4]為例，這些均為云廠商廣泛應用且已開源的經典實例。它們具備強大的應用隔離與資源虛擬化能力，通過將云服務拆解為細粒度的應用函數，依據函數調用接口對計算資源進行精準切分，不僅實現了資源分類的精細化，還顯著提高了計算資源的單位時間利用率。柔性工業數字基座在一定程度上借鑒了無服務計算運行時系統的核心技術—應用隔離和資源虛擬化技術。該技術旨在為運行于數字基座之上的控制函數構建隔離的虛擬化環境，進而提升單位資源密度的使用效率。不過，工業邊緣運行環境與云服務廠商所面臨的環境存在顯著差異。工業邊緣環境中，硬件資源性能普遍較低，單個生產車間或工廠內的可用資源數量也相對有限，同時工業系統對實時性與可靠性要求極高，所以借助嵌入式虛擬化技術為工業邊緣現場提供控制資源函數計算服務。未來，隨著數字基座系統設計的持續優化和完善，其有望在工業現場逐步取代傳統的嵌入式Linux系統和實時操作系統（RTOS），為工業控制領域帶來新的變革和發展機遇。

3.2　柔性資源配置

柔性資源配置主要體現在兩個關鍵維度。在業務需求導向的生產資源配置方面，依托資源虛擬化技術，突破了單個設備資源利用的局限，實現了多設備資源的池化整合。這一轉變使得多設備乃至多工廠的資源能夠進行柔性調度與配置，從而根據不同的工業生產需求，靈活調整底層資源。系統會深入解析生產需求，并據此對生產資源實施精準的柔性調度。柔性數字基座技術在此過程中發揮著核心作用，它促進了多設備之間的資源高效協作。如圖2所示，函數級別的控制邏輯不僅能夠高效處理本地任務，還具備對外服務能力，可接收定制化任務配置，并支持本地資源的遠程調用?？紤]到工業生產業務多以本地執行為主，不同生產車間之間，甚至異地生產車間之間的資源配置、協調與協作，對于完成同一業務的不同階段至關重要。

圖2 云端多工廠資源配置與協作

在單個邊緣數字基座系統的設備動態配置方面，系統內置了執行系統備份功能，這是保障系統穩定運行的重要機制。當控制邏輯執行出現故障或設備發生宕機時，系統能夠迅速進行熱切換，無縫過渡到備份資源繼續運行。當有新的搭載數字基座系統的硬件設備接入時，系統會立即進行資源的快速備份與切換，充分利用新增硬件資源進行冗余備份。通過在多個硬件設備上備份控制函數，系統實現了算力和控制資源的有效擴充。在大規模計算或多業務協同生產場景下，該系統能夠在確保生產環境安全穩定的基礎上，實現多設備的協同工作與精準調度。綜上，基于柔性數字基座的系統借助硬件資源虛擬化技術，達成了兩個層面的重要功能：在云服務層面，實現了工業生產車間以及異地工廠生產業務的資源優化配置與高效協同調度；在工業生產現場層面，實現了運行函數的熱備份以及計算控制資源的協同配置，為工業生產的智能化和高效化提供了有力支撐。

3.3工業邊緣計算的實時性與可靠性分析

工業邊緣數字基座系統作為工業領域專用的邊緣控制系統軟件，其核心使命在于確保系統運行的實時性與控制任務的可靠性，從根源上杜絕因系統設計瑕疵引發的人為損失。為實現高度的實時性，系統采用裸機虛擬化架構設計。在這種架構下，運行于系統內的軟件具備嚴格限定的內存讀寫權限，能夠直接與外接設備進行高效的數據交互與控制操作。此設計摒棄了傳統基于Linux內核裁剪的定制化實時操作系統中冗余的架構，大幅減少了已知系統漏洞。與非定制實時控制系統相比，工業邊緣數字基座系統在實時性方面展現出無可比擬的絕對優勢，能夠為工業生產過程提供精確到毫秒級別的控制，確保了工業運行的高度可靠性。數據安全備份機制，系統內置了先進的冗余備份機制，該機制可對系統運行狀態進行實時監控，一旦檢測到潛在風險或運行錯誤，會自動且迅速地對正在運行的系統進行備份。這種自動化的備份策略有效避免了因意外情況導致的控制數據丟失，為工業生產數據的完整性和連續性提供了堅實保障。

圖3 工業邊緣數字基座系統架構示意圖

如圖3所示，在新型工業邊緣系統設計之初，我們便引入了基于安全語言和內存規則的設計理念。通過遵循嚴格的編程規范和內存管理策略，從系統規劃的源頭避免了常見的軟件開發漏洞，確保系統在運行過程中的可靠性。此外，系統在網絡接口設計上采取了極簡主義原則，僅保留與上層云計算平臺進行智能信息載體傳輸所必需的接口。這種設計方式顯著降低了因接口暴露而遭受不可預知網絡攻擊和外界非法控制的風險，為工業控制系統構建了一道堅固的安全防線。綜上，工業邊緣數字基座系統架構憑借其在實時性、數據備份和安全性設計方面的卓越特性，為工業領域的自動化生產和智能化控制提供了可靠且高效的解決方案，有望成為推動工業互聯網時代發展的關鍵技術支撐。

4　工業邊緣系統智能化

4.1　智聯網

智聯網絡（Internet of Intelligence，IOI），是一種面向未來的網絡范式，它將傳統的網絡設備拓展到具有智能模型的網絡設備（簡稱智能體），智能體傳輸的智能信息將是添加自然語言后的結構化文本信息。智能信息可以在接收到信息后根據本地的模型進行智能化解析，根據本地模型的功能解析出符合本地模型功能的信息內容，實現智能信息在不同的智能載體之間的傳遞、編譯和解析。智聯網在生產消費中的定位如圖4所示。

圖4 基于智聯網的消費者定制化需求與智能生產

4.2　智能代理

隨著人工智能技術不斷演進，基于CNN網絡[5]和LSTM網絡[6]的模型持續突破人類視覺與自然語言理解的邊界。2022年底，Transformer架構[7]、大模型與超大規模GPU集群在自然語言處理領域深度融合，ChatGPT[8]的出現標志著人工智能技術邁入新的發展奇點。近年來，盡管人工智能技術未實現更高層次的技術突破，但在應用創新方面成果豐碩。人工智能模型廣泛應用于多個領域：在金融領域，量化交易逐步取代傳統人工交易；在醫療領域，24小時問診服務使醫生從繁瑣工作中解脫；在城市服務領域，智能化客服的增加緩解了人力資源緊張。

圖5 汽車定制化生產需求在智聯網絡中的信息傳遞過程

在自動駕駛與機器人領域，推動領域專用模型在控制自動化方面的探索實踐；在工業生產制造領域，助力解析復雜生產需求，實現定制化生產服務。汽車定制化生產需求在智聯網絡中的信息傳遞過程如圖5所示，不同階段智能代理Agent模型具備不同的技能，不同的技能提供不同的服務。每一階段代理根據當前技能，為上一階段的客戶需求提供智能化服務，Agent3和Agent4將會與智能工廠鏈接，實現需求的工業生產制造流程化落地。Agent交付作為定制化需求生產的售后代理與客戶進行產品交付和客戶反饋收集，用于完成需求-生產交付-反饋的業務結構。多Agent協作完成一個最終的需求定制化服務。

4.3　工業智能

工業智能是智聯網在制造領域的應用，它通過整合人工智能、網絡通信、邊緣數字基座等先進技術，提升制造過程的智能化水平與連接性。智聯網可連接工廠車間信息與流程至工業云數據中心，輔助決策者精準認知制造過程，增強決策能力，還能推動新型智能技術開發，提升了工業機器性能并節約了成本，在提升效率、質量控制與可持續性上潛力巨大。

智聯網在智能工業多案例展現應用價值。在工業互聯網中，其分布式智能系統獲智聯網支持，如基于物聯網協同學習模型的入侵檢測系統可提高檢測準確率，區塊鏈與聯邦學習結合能保障智能學習安全并提升計算效率[9]；在機器人技術方面，智聯網可解決其實時數據處理與隱私問題，通過本地訓練和上傳梯度參數構建共享模型，減少傳輸延遲[10]；在智能制造領域，智聯網借助分布式AI等技術應對集中式網絡挑戰，如知識圖譜數字孿生模型和ManuChain模型可優化制造過程[11]；在定制化生產上，智聯網實現工業設計、生產與流通的網絡化、智能化和定制化，整合各方資源，滿足用戶個性化需求。

以汽車工業柔性定制化生產為例，如圖6所示，黃色虛線框是智聯網絡示意圖、藍色虛線框是數字基座架構示意圖。消費者通過智能代理實現個人需求的表達，智能代理之間形成密集的智聯網絡實現定制化需求的傳遞。智能代理同樣會及時反饋來自當前的狀態，與消費者形成積極的閉環反饋系統。數字基座實現了柔性化生產資源配置，突破資源和地理空間對于生產制造業遠程協作的限制。

圖6 面向消費者的未來智能工廠新模式

5　未來展望

本文深入剖析了面向未來的邊緣系統架構—柔性邊緣數字基座的現狀與關鍵技術，以及面向智能化時代的未來網絡范式—智聯網絡架構。本文通過分析工業邊緣系統的發展歷程、挑戰與趨勢，明確了柔性數字基座技術對工業控制系統升級的重要意義。結合智聯網這一未來網絡新范式，本研究聚焦于實現滿足定制化需求的工業自動化生產制造流程。借助工業邊緣數字基座與智能代理的協作，依據客戶需求開展定制化工業生產加工。將數字基座的柔性資源配置與遠程協作生產特點，與工業智能代理模型相結合，實現需求解析并生成控制邏輯閉環，進而達成定制化生產。在關鍵技術層面，本文探討了系統資源柔性配置、需求文本動態分析和智聯網絡信息架構等核心技術，為完善工業邊緣計算智能數字基座技術提供了有價值的參考。展望未來，隨著智能代理模型技術的不斷豐富，智聯網絡將更為完善并廣泛滲透到生活各領域。在工業生產制造領域，柔性數字基座技術與智能代理技術的深度融合，有望構建面向消費者需求的智能工廠，實現從消費者需求到定制化產品反饋的閉環網絡。

作者簡介：

張新凱（1996-），男，博士研究生，現就讀于上海交通大學自動化與感知學院，主要研究方向為邊緣計算、工業互聯網。

張　輝（1975-），男，博士，現就職于北京城建智控科技股份有限公司，主要研究方向為智慧城市和智能交通領域。

張利寬（1981-），男，碩士，現就職于北京城建智控科技股份有限公司，主要研究方向為工業邊緣計算和實時控制系統。

于傳洋（1988-），男，碩士，現就職于北京城建智控科技股份有限公司，主要研究方向為智慧城市及物聯網。

戴文斌（1984-），男，博士，現就職于上海交通大學自動化與感知學院教授，主要研究方向為工業控制軟件、工業邊緣計算、工業信息化與智能化。

參考文獻：

[1] 用好 "人工智能+" 賦能產業升級[EB/OL].

[2] C Johnsson. ISA 95-how and where can it be applied[J]. Technical Papers of ISA, 2004, 454 : 399 – 408.

[3] 戴文斌, 孔令波, 徐前鋒, 等. 面向工業互聯網邊緣計算的工業數字底座[J]. 自動化博覽, 2022, 39 (2) : 16 - 19.

[4] Anjali, Caraza-Harter T, Swift M M. Blending containers and virtual machines: a study of firecracker and gVisor[C]. Proceedings of the 16th ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments. 2020: 101 - 113.

[5] Alzubaidi L, Zhang J, Humaidi A J, et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions[J]. Journal of big Data, 2021, 8 : 1 - 74.

[6] Yu Y, Si X, Hu C, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural computation, 2019, 31 (7) : 1235 - 1270.

[7] Han K, Xiao A, Wu E, et al. Transformer in transformer[J]. Advances in neural information processing systems, 2021, 34 : 15908 - 15919.

[8] OpenAI. ChatGPT overview [EB/OL].

[9] T. V. Khoa et al., "Collaborative learning model for cyberattack detection systems in IoT Industry 4.0." in Proc. IEEE Wireless Commun.

[10] J. Wan et al., "Reconfigurable smart factory for drug packing in healthcare industry 4.0." IEEE Trans. Ind. Informat., vol. 15, no. 1, pp. 507–516, Jan. 2019.

[11] J. Leng et al., "ManuChain: Combining permissioned blockchain with a holistic optimization model as bi-level intelligence for smart manufacturing." IEEE Trans. Syst., Man, Cybern., Syst., vol. 50, no. 1, pp. 182–192, Jan. 2020.

摘自《自動化博覽》2025年2月刊