工业信息物理系统原型与挑战

基于信息物理系统技术的工业自动化：原型实现与挑战

1. 引言

在过去几十年中，制造业企业所采用的传统工业自动化范式正日益难以满足新兴技术和业务需求。不断变化的环境和制约因素影响着工业企业的运营，因为它们面临着来自成本、质量以及在高度灵活和响应迅速的生产系统中实现产品定制化的巨大压力[1]。这种市场和商业演变催生了对更灵活、可扩展生产系统的迫切需求，这些系统应能够以合理的成本实现实时响应，并应对高产品多样性的敏捷波动。‘‘协作自动化’’范式[58]是业界大力支持的重要方向，其目标是开发和实施相关工具与方法，以实现去中心化和分布式嵌入式设备与系统之间灵活、可重构、可扩展、可互操作的网络化协作。这一趋势伴随着以计算能力（即数据和信息处理）渗透到机电一体化领域为特征的技术演进，正在逐步将传统车间转变为一个生态系统，在该生态系统中，网络化系统由智能嵌入式设备和系统，以及业务和价值流程中的客户与业务伙伴组成，它们与物理和组织环境相互作用，以实现明确的系统目标。

在信息物理系统（CPS）的框架下，特别是在其工业领域的应用——即工业信息物理系统（ICPS）——已在多个项目中启动了关键创新行动，例如工业互联网[2] 和德国“工业4.0”倡议[3–5]。多个领域的研究群体正在积极致力于设计、实施和评估适用于实现信息物理系统的工程方法。这些方法通过增强和开发必要的技术基础，支持工业自动化以及其它新兴应用领域（如智能电网、智能建筑、智能交通、智能医疗，特别是智能制造[6,7]）发展趋势的实现。

在此背景下，本文介绍了支持协作自动化范式实现的一系列工业信息物理系统原型实施的主要特征[8]

基于多智能体系统（MAS）和面向服务的架构（SOA），并融入来自社会和生物系统的见解，例如群体智能、自组织和混沌理论。此外，还考虑了一些互补的技术使能器，如无线传感器网络、增强现实和云计算，以支持信息物理系统在无处不在的环境中的运行，其中重新配置如同 “拖放”应用程序般自然，而复杂性则由后台服务处理。

汇集的经验来自多个欧洲研究与开发 （R&D） 项目被用于说明该领域的一些成就 ， 并应对新的挑战。特别是， 报告了四个所选欧洲创新项目的主要成果 ，即：

• 欧洲 创新项目 SOCRADES – 面向服务的跨层 基础设施 用于分布 式 智能 嵌入式设备 – [9],重点阐述了将面向服务的架构范式引入 工业自动化环境。
• 欧洲 创新 项目 GRACE – 通过多代理技术集成过程与质量控制 – [10]重点阐述了利用代理技术集成质量与过程控制，以提高生产效率和产品 定制化水平。
• 欧洲 创新 项目 IMC‐AESOP – 面向服务的过程、监控与控制架构 – [11],重点阐述了应用面向服务的范式来开发和实现下一代工业数据采集与监控系统（SCADA）和分布式控制系统（DCS）系统。
• 欧洲 创新 项目 ARUM – 自适应 生产管理 – [12], 强调 集成 基于智 能体的规划 和 调度 工具 使用 面向服务的范式 以 更快地 响应 在 复杂 且高度 定制化 产品启动生产期间发生的意外 事件 。

本文组织如下。第2节描述了信息物理系统（CPS）范式的基础知识，作为一种实现未来智能与自适应工厂愿景的合适方法。第3节介绍了基于多智能体系统原则并结合多种技术（如面向服务的架构和云系统）以及考虑生物启发的工业信息物理系统解决方案的高层视图。第4节描述了四个用例，其中这些概念已在真实工业场景中进行了原型实现，并总结了这些工业原型所达到的技术就绪等级（TRL）。第5节对这些用例进行了比较分析，并指出了提高这些TRL所面临的一些挑战。最后，第6节对全文进行了总结并提出了结论。

2. 信息物理系统的涌现

术语“信息物理系统”（CPS）由2006年一个由来自美国和欧盟的选定专家组成的高级别工作组1提出，主张信息与物理元素为实现共同目标而共存。过去几十年中，嵌入式系统不断发展，但信息物理系统明确强调计算与物理过程的集成[13]。通常，当今的信息物理系统被设计为相互作用的信息与物理元素的网络。

近年来，信息物理系统（CPS）应用领域的需求和整体复杂性显著增加。这种复杂性的上升与在工业环境中追求灵活性、定制化、交互性以及新功能的提供密切相关。目前，技术推动正促使复杂性不断上升，各种事物都在变得智能化，例如手机、房屋、汽车、飞机、工厂、城市等。以20世纪早期查尔斯·林德伯格的“圣路易斯精神号”飞机与现代空中客车A380飞机的系统对比为例，可以明显看出其功能及相应复杂性的演变。尽管两者都以飞行作为共同目标，但“圣路易斯精神号”仅需监控少量传感器即可实现飞行控制，而如今的空中客车A380则配备了成千上万的传感器，其数据量已超出人类直接处理的能力范围。然而，通过自动化以及从传感器数据中生成高级别的关键绩效指标，系统仍可在高层面上保持可控，尽管操作人员无法直接观察或完全理解所有组件之间的相互作用。尽管复杂性可能带来一定优势，但将其对最终用户隐藏并加以管理，也带来了巨大的挑战。例如，在我们的汽车中，复杂性被对驾驶员隐藏起来，驾驶员只需操作有限数量的控制装置即可使用系统，而无需了解遍布机械基础设施中的复杂传感器与执行器网络。

特别是在制造自动化领域，市场正施加强烈的变动条件，产品的定制化要求使用柔性自动化基础设施。此外，与制造产品在市场上的通常短周期相比，柔性自动化的应用并不能完全保证满足上市时间的要求。这种情况导致有必要以互补的方式发展和实施自动化系统的快速且可管理的可重构性。这意味着机电一体化系统（自动化对象的物理部分）和自动化软件（自动化对象的网络部分）的可重构性。

如图1（根据参考文献[14]调整）所示，存在若干具有共同基础的领域，例如软件代理、物联网、信息物理系统、协作对象等。这些领域在过去几十年中共同发展，尽管其中一些术语在某些场合可互换使用，但它们之间仍存在差异。在我们看来，使它们相互区分的是物理和功能要素在不同程度上的组合，从而为特定领域形成合适的组合。例如，协作对象[14] 主要关注协作方面，而将其他可用特性仅视为实现协作的促成因素。其他方法，例如物联网，主要关注交互与集成部分，而协作则是可选的。类似地，信息物理系统可能因应用领域的不同而呈现出关键特征的不同组合。信息物理系统考虑了利用来自物理过程的共享知识和信息的计算决策组件，以提供智能、响应性和适应性。总之，各个领域之间的区别因素并非其独特的特征，而是它们根据具体场景所采用的特征及其程度。

信息物理系统在工业基础设施中还涉及机电一体化、通信与信息技术的结合，以控制分布式物理过程与系统，这些系统被设计为交互式软硬件设备与系统的网络，其中许多设备在两个方面具有更高的决策能力：“自主的”具备自主决策过程[15] ，以及“协作的”具备基于协商的决策过程[14] 。信息物理系统可被视为利用嵌入物理组件并与之交互的网络技术的智能系统，其特点是计算与物理元素的紧密结合，通过信息系统集成计算、通信与控制（计算的集成）

1 NSF 车间 on Cyber-Physical Systems Texas,http://varma.ece.cmu.edu/cps/ .

以及 物理 过程）。 信息物理系统 的概念扩展了嵌入式 系统： 在嵌入式 系统中， 关注点是 位于独立设备中的计算 元素， 而信息物理系统 被设计为一个由相互作用的计算与物理 设备组成的网络 。

3. 信息物理系统工程

信息物理系统的工程方面极具挑战性，因为信息物理系统旨在实现从传统刚性方法向去中心化结构的演进，落实“工业4.0”和工业互联网的愿景。因此，在工业环境中部署信息物理系统是一个关键问题，需要采用适当的方法论，以确保这些系统具备高度的工业应用就绪能力。图 2展示了信息物理系统部署的高层视图，其核心是利用分布式智能（例如通过多智能体系统实现），将复杂问题分解为由模块化、智能、自适应和可插拔组件构成的网络，各组件之间的交互涌现出智能全局行为。

采用合弄原则通过若干重要特性（如递归性和由中间稳定形态构成的层次结构）简化了系统设计。

另一个维度也通过将多智能体系统（MAS）与互补技术相结合来引入，以克服MAS解决方案的某些局限性，即互操作性在垂直和水平集成以及与底层控制的集成。对于第一种情况，多智能体系统（MAS）可以与面向服务的架构（SOA）集成，形成面向服务的多智能体系统，该系统不仅共享服务作为通信形式，而且构成一个集成面向服务架构原则的分布式代理网络。在这样的系统中，前端层包含封装了代理所提供功能的服务，而这些代理则提供控制、智能和自主性。对于第二种情况，由于多智能体系统通常缺乏实时约束，因此需要额外的努力，例如集成IEC 61131标准，以保留底层控制来确保响应性，同时代理在高层控制中提供智能和适应性。

这一高层控制可以通过嵌入受社会和生物启发的技术来增强，这些技术提供了大量简单但强大的机制来应对复杂环境，从而能够开发真正具有自适应性和可进化性的复杂系统。为此，将把涌现、群体智能、混沌理论特别是自组织概念与信息物理系统（CPS）领域相结合。另一个重要问题是利用技术使能器来支持信息物理系统在无处不在的环境中的运行，其中重新配置成为一个自然出现的问题，而复杂性则由后台服务来处理。在此背景下，增强现实、云计算和雾计算的应用必须被充分考虑，同时大数据基础设施和技术将在车间及/或协同供应链的数据分析中发挥重要作用。

3.1. 关键 信息物理系统 技术： 代理、 面向服务的架构、 云

信息物理系统 以多种技术为核心，即多智能体系统、 面向服务的架构 和 云 系统。

3.1.1. 代理

第一步是使用多智能体系统（MAS）[16–18] 来实现分布式智能和适应性。代理可以被定义为“一种自治组件，代表系统中的物理或逻辑对象，能够采取行动以实现其目标，并且在不具备独自达成目标所需的知识和技能时，能够与其他智能体交互”[18]。由于很少有应用以孤立方式考虑代理，因此这些系统构成了多智能体系统，这一概念源自

分布式人工智能领域，可以定义为“一组代表系统对象的代理，当这些代理缺乏足够的知识和/或技能来独立实现其目标时，能够通过相互交互来实现各自的个体目标”[18]。

在这种分布式、模块化、智能且可插拔的代理网络中，智能和全局行为从代理之间的交互中涌现，每个单独的代理都贡献其知识和技能，如图3所示。多智能体系统为基于功能去中心化的复杂系统设计提供了一种替代方法，具有模块化、灵活性、鲁棒性、适应性和可重构性。特别是在工业环境中，工业代理[19] 的出现侧重于在自动化设备（例如传感器、执行器、机器人和机器）、系统和基础设施中实现智能，从而有效支持信息物理组件/系统的创建与交互。

在这样的分布式异构系统中，知识共享可能成为一个问题，因为每个代理都有自己的知识结构，缺乏对交换知识的理解，从而影响互操作性以及知识的重用与共享。解决方案是使用本体[20] 来表示共享知识的结构，使分布式代理在协作过程中能够相互理解。

这些分布式系统的设计可以采用合弄原则，该原则认为复杂系统是基于由中间稳定形态构成的层次化系统而建立的，这些中间稳定形态并非作为自给自足且非交互的元素存在[21]。其中关键的概念是合弄，它同时代表部分与整体，即对其下级部分而言是一个独立的整体，而从更高层级来看则是一个依赖性的部分[22–24]。利用合弄的本质，尤其是双面效应，通过递归性可简化系统设计。例如，可利用合弄原则设计调度器网络：一个站点调度器包含一组代表个体工人的代理；该站点调度器本身也可作为一个更大调度器的组成部分，用以表示一个车间，并依此扩展表示包含多个车间的工厂。

由于信息物理系统需要将计算系统与物理设备集成，因此必须将代理与物理硬件设备互连。然而，多智能体系统通常缺乏实时约束。一种合适的方法是保留基于IEC 61131‐3和IEC 61499标准的先进可编程逻辑控制器（PLC）程序的底层控制，以确保响应性，并在高层控制上开发多智能体系统以提供智能和适应性，如图4所示，该图改编自Marik和 McFarlane [25]。

该集成解决方案允许在物理控制器中部署智能协作对象（代理），并借鉴了全息概念（注意一个重要特征是，全息元代表计算和物理部件[26], ，这与信息物理组件结构完全吻合）。挑战在于如何标准化代理与PLC程序之间消息的结构。

3.1.2. 服务 作为 信息物理系统 的使能器

第二步考虑了将多智能体系统（MAS）与互补技术相结合的需求，以克服其在互操作性方面的某些局限性。通过使用代理将智能逻辑控制集成到面向服务的架构（SOA）中，并将该控制作为服务暴露给其他代理，从而能够在企业所有层级采用统一技术[27,28]。由此引发的关键问题是：如何有效结合多智能体系统（MAS）和面向服务的架构（ SOA），并将其应用于工业场景[27]。第一种选择是使用网关来转换代理与服务世界之间的语义。基本上，这些网关负责转换：

• 服务注册：智能物理代理基金会（FIPA）定义的目录协调器与结构化信息标准促进组织（OASIS）定义的通用描述、发现和集成（UDDI） 的对比。
• 服务描述：代理技能与Web服务定义语言（WSDL）的对比。
• 消息：代理通信语言（ACL）与简单对象访问协议（SOAP）的对比。

此类网关的示例包括Web服务集成网关（WSIG）和AgentWeb网关，前者是JADE [29] 附加组件。然而，更合适的方法是考虑面向服务的多智能体系统（SOMAS）[30],，它不仅以共享服务作为通信形式，而且是由集成面向服务架构原则的分布式代理构成的网络。软件代理在工业中的应用有着悠久的历史，随着服务、云和信息物理系统（CPS） 的出现，新的能力和挑战也随之产生[19]。然而，这些因素能在多大程度上占据主导地位，将极大地取决于实现推动工业代理接受度的关键因素所提出的要求。请注意，已有若干调查和研究分析了制约代理技术在工业环境中更广泛应用的各种障碍[18,31–33]。

通过这种方式，建立了一个前端层，该层包含封装了代理所提供功能的服务，这些代理提供控制、智能和自主性，如图5所示。这种方法以类似于乐高TM概念的方式提供了模块化，允许将复杂的分布式系统构建成构建模块。

在面向服务的系统中，某些服务可以与其他原子服务组合，以提供聚合的功能，并提供给其他代理。为此，将具有编排和协同能力的服务组件引入系统并执行至关重要。

一种用于开发和实现面向信息物理系统的基于SOA的自动化平台的通用工程方法论，首先从针对设备和系统硬件规格的基本服务定义开始，接着进行针对原子自动化功能的“应用服务”的定义与实现，最后通过定义和实现支持这些原子服务的服务组合、编排以及有时协同的方法和工具来完成。该方法论最后阶段的主要成果之一是：原本为特定且明确的自动化功能而设计的设备和系统，由于嵌入了编排/协同引擎，能够提供额外的互补功能，并将这些新功能作为服务组合所产生的服务[9]加以提供。

3.1.3. 基于云的服务作为信息物理系统的使能器

近年来 我们 目睹了 云 计算[34] 作为 一种 新 方式 来 开发 和 部署 复杂 应用

大规模地。此外，云提供的资源弹性不仅在基础设施集成层面，而且在大规模数据存储和高性能分析方面，都为工业场景提供了支持。在以信息物理系统为主导的工业基础设施时代，大量网络传感器实时收集海量数据，这些数据需要进行实时分析。大数据[35] 以及在云系统中对大数据应用的实时分析，使得实施这些技术以从数据中提取新见解成为可能。许多工业应用已经利用基于云的架构和服务[11,19]。

资源虚拟化和现实世界过程关键方面的趋势满足了企业在可扩展性、资源更高效利用以及降低总拥有成本（TCO）等方面的诸多需求。云计算已被业界广泛采用，因为它能够实现资源虚拟化、面向服务的架构 （SOA）和效用计算的优势。信息物理系统服务通过互联网进行访问，但仍为应用程序提供如同本地安装般的体验。云中可用的庞大计算和存储资源可根据特定应用的需求横向或纵向扩展，这成为在工业场景中使用云计算的重要推动力。因此，代理（以及基于代理的信息物理系统） 现在可以利用云基础设施来执行计算密集型任务，并将此类操作（例如 实时数据流分析）委托出去，从而使其能够做出更优决策。此外，将云作为交互所依赖的通信媒介，有望简化以往相互孤立的系统之间的通信，而这些系统若要直接通信则需要付出巨大的努力。

尽管基于云的基础设施存在一些关键问题，包括 根据 Badger 等 [34] 安全、 隐私、 客户端（浏览器 通常） 风险， 高 依赖性 于 网络 ， 副作用 由于 多租户， 潜在 可移植性 问题 在云 层 之间等

尽管 这些 存在 且 已开展 工作 以解决 相关问题 ， 但 这些 问题仍然存在，this does 不意味着它们是禁止的 用于 工业 环境。 权衡 然而 需要 去 被 研究 按用例和涉及的利益相关者。

一件事 是 明确的然而， 云 基础设施 尚无法充分支持 实时操作 和 交互 在 大规模上。The后者 是 必需的 for许多 工业 应用 （例如 机器人 在 一个 工厂）， 然而 如今 它 只能 通过 专用云中的通信 s> <云， 尽管成本高昂。

面向服务的架构、多智能体系统和云计算范式向自动化环境的渗透，必须考虑当前已安装的遗留系统，这些系统主要遵循ISA´ 95 企业参考 架构规范（www.isa95.org）。这包括从传统的分层管理和控制基础设施向异构化和分布式的架构进行“迁移过程”。该迁移过程采用逐步迁移的方法，针对分层基础设施中的专用组件，首先将其功能转化为“服务提供者”和/或“服务消费者”，然后将这些服务嵌入到现有或新的硬件中，或发布到以“服务总线”等物理形式表示的“服务云”中。当此类迁移方法应用于数据采集与监控系统（SCADA）/分布式控制系统 （DCS）组件和功能时，Colombo 等人对此进行了更详细的讨论（第 5章和第7章）[11]。

无处不在的环境以及信息物理系统等类似方法的集成，使得智能方法得以蓬勃发展。例如，在产品或资源中使用射频识别技术，尤其是其未来向纳米技术的发展，将有助于实现智能产品[36] 以及在自动化系统中的大规模跟踪。其他新兴概念如雾计算[37], 与云系统类似，能够在靠近数据源的位置提供数据、计算、存储和应用服务即靠近终端用户和设备。这些设备在地理上分布于异构平台，对实时交互敏感，能够控制能源、交通和医疗保健等关键资源。雾计算补充了云的使用，以克服信息物理系统环境中不同的实时范围。

最后，在此类工业基础设施中，人类被视为重要的利益相关者，而作为以人为本技术的信息物理系统发挥着特殊作用[38]。通过使用移动设备（如智能手机、平板电脑或近期出现的可穿戴设备）作为双向通信的接口，可以实现与人类的交互。增强现实技术可与代理结合，以支持操作人员在自动化系统的安装、运行和维护过程中的工作。通过提供设备/系统的历史和当前状态相关信息以及附加信息（例如文档、网页或视频），从而提升操作人员的生产率和效率。谷歌眼镜就是一种可用于工业车间环境的增强现实技术实例。

3.2. 构建 复杂 系统

在工程设计下一代信息物理系统时，一个重要的方面可能是考虑社会和生物启发，以实现复杂系统的真正自适应和演化。生物学提供了许多简单但强大的机制来应对复杂环境[39] ，其理念是将这些机制转化为解决复杂制造问题的方法，而不是简单地复制它们（这在采用生物启发时常犯的错误）。

一种有趣的机制是群体智能，其中全局行为源自简单个体实体的贡献。群体由受简单规则调控的同质实体群体组成，主要表现出反应式行为，且不存在中央权威[40]。在这种群体中，通常使用简单反馈机制来协调活动，而不是复杂的决策过程。蚂蚁和鸟类群体中可以找到此类例子，维基百科在某种程度上也是一种群体智能。

在这种环境中，所产生的行为和模式比其产生的个体更为复杂，即超过了个体行为的简单加总[41]。这种复杂性还源于对初始条件的敏感性（即蝴蝶效应）以及涉及放大和协作的非线性相互作用。因此，涌现行为难以预测，确保不会出现意外或不期望的特性或行为显得尤为重要。

自组织[42] 是一种演化机制，其中新的复杂结构主要通过系统自身产生，通常由内部变异过程触发。在这种系统中，一个需要考虑的重要问题是控制不稳定性，避免系统处于混沌状态。自组织的例子有很多，例如鸟类、鱼类，甚至某些化学反应以及一些交通拥堵现象。在制造业中，自组织的概念可以转化为自组织的网络物理系统的开发，从而实现真正可重构的系统，更好地满足当前的工业需求，如图6所示。已有许多研究尝试在多智能体系统中应用自组织，例如P2000+ [43]、ADACOR [59] 以及结合间接通信概念的PROSA [60]。

然而， 要 充分 发挥 该 概念 的 全部 潜力 ，仍需进行大量工作， 正 如 ADACOR2 architecture [44] 所指出的那样，该架构考虑了行为和

4. 工业 应用场景

在过去十年中，欧洲、美国和亚洲在工业信息物理系统（CPS）领域开展了多项研究和原型开发工作。本文将重点介绍在欧洲开展的四个此类工业项目，因为这些项目有产业界广泛参与，并被视为反映更广泛社区理念与转型的标杆项目。所选的四个案例研究均为欧盟委员会资助的项目：第六框架计划SOCRADES项目（制造自动化中的面向服务架构）、第七框架计划GRACE项目（制造自动化中的多智能体系统）、第七框架计划IMC‐AESOP项目（SCADA及过程自动化中的面向服务架构）以及第七框架计划ARUM项目（用于生产管理/制造执行系统的多智能体系统与面向服务架构结合）。尽管此处仅简要提及部分信息，但这些项目已在会议和期刊上发表了大量成果，读者可进一步深入了解其成就。

这些研发项目中开发的工业原型的成熟度和技术就绪水平将根据 [45]定义的等级进行分析。技术就绪水平（TRL）基于1到9级的量表，其中技术就绪等级1对应基本原理已观察到，技术就绪等级2对应技术概念已提出，技术就绪等级3对应概念验证实验完成，技术就绪等级4对应技术在实验室环境中得到验证，技术就绪等级5对应技术在相关环境（对于关键使能技术而言为工业相关环境）中得到验证，技术就绪等级6对应技术在相关环境（对于关键使能技术而言为工业相关环境）中得到示范，技术就绪等级7对应系统原型在运行环境中演示，技术就绪等级8对应系统已完成并具备资质，技术就绪等级9对应实际系统在运行环境中得到验证——对于关键使能技术而言为在竞争性制造业中得到验证。

4.1. SOCRADES

采用的SOCRADES技术方法遵循“协作自动化”范式[8,9,46,58] ，致力于创建一个面向服务的生态系统，其中网络化系统是由智能嵌入式设备组成，这些设备与物理和组织环境进行交互，以实现明确的自动化目标。该方法将智能的粒度细化到自动化系统的设备层级，通过组合、编排设备配置来实现智能系统行为，这些设备以“Web服务”的形式引入所需智能的增量部分。从功能视角来看，重点在于管理数量大幅增加的智能设备，并掌握具有数字化赛博映射的物理对象在信息通信基础设施中所带来的相关复杂性。从运行时基础设施的角度来看，自动化系统工程师面临一类新型的高度灵活的实时嵌入式对象，即自动化设备与系统（有线/无线），它们具备容错、可重构、安全可靠等特性。因此，例如，自动配置管理成为一个新的挑战，需通过物理连接性和赛博互操作性所支持的基本即插即用和即插即运行机制来解决。

SOCRADES组件是一种信息物理系统（CPS），其功能被封装为Web服务，并通过支持构建智能组件/对象网络的服务总线提供给其他组件。车间（物理组件（硬件/软件））在服务云中拥有其对应的网络镜像。在这种方式下，智能嵌入式自动化设备包含机电部分的智能和逻辑控制，并且是自动化功能的来源，这些功能可以从网络中的任何节点以及云中的任何其他成员/组件进行访问。从技术和基础设施角度来看，通过Web服务技术实现的面向服务架构范式（SOA paradigm）使得在整个工业企业各层级——从车间的传感器和执行器到企业业务流程——采用一种统一技术成为可能。其中，这意味着低成本设备（例如，价格仅为几欧元）可以直接与数据采集与监控系统（ SCADA）、制造执行系统（MES）和企业资源计划（ERP）等高层系统通信并交换以“服务”形式表示的数据和信息。根据卡努斯科斯等人 [47]的分析，在SOCRADES项目中，一个完整的将信息物理系统集成到企业系统和服务的架构已被设计、实施并评估。

基于面向服务的架构构建的协作自动化系统的构建模块[8],，随后将在构建模块网络（服务云）内将其功能和生产操作作为Web服务呈现，并利用Web技术提供的通信和信息交换方法进行协作，从而形成所需的生产过程。

这种面向服务的协作式自动化基础设施的一个非常重要的特征是，能够在SOA‐企业中的任意成员内部，即在信息物理系统的物理部分和网络部分中，构建临时的新功能。根据服务组合、服务编排和/或服务协同的语义定义，可以在自动化架构中识别出一种基于SOA的组件，称为 “编排引擎”。该新对象能够通过组合云中已存在或已暴露的服务来生成新的服务。如图7中用“音乐符号”所表示的，该编排引擎可充当监控组件、控制组件、数据分析组件等角色。目前有多种形式化方法可用于建模和实现编排过程。在SOCRADES项目中，开发并原型实现了一种专门用于形式化编排机制的佩特里网[48] ，并将该引擎嵌入到SOA技术提供商施耐德电气自动化的智能嵌入式I/O设备中。门德斯等人[49], 详细分析了佩特里网建模工具及嵌入式编排引擎的功能，而卡努斯科斯等人[47]则分析了其与企业系统的集成。

SOCRADES项目成果带来的最大影响是，在如何规范、开发、调试和运行完全分布式、智能化、面向服务的协作自动化架构方面积累了大量经验，从而确保满足灵活性和快速可重构性的需求。尽管由于篇幅限制无法在此详述这些方面，但已有许多出版实例展示了SOCRADES方法的优势，例如门德斯等人[49], 、卡努斯科斯等人[50], 、卡努斯科斯等人[47],、科隆博和卡努斯科斯[9]。此外，一些解释其优势并提供实际操作示例的视频可在优酷2上获取。核心观点在于，基础设施的服务化能够带来广泛的好处，包括重构能力、实现更复杂的应用场景、跨层集成、轻量级实现等，这些均对业务、技术和运营产生深远影响。

服务导向的优势从企业架构的上层（例如企业资源计划/制造执行系统组件）一直延伸到设备层级，通过重新配置而非重新编程[47]来促进应用程序的发现与组合。利用松散耦合服务实现智能嵌入式设备和系统的动态自配置，相较于使用更为僵化的技术，为高度动态和临时性的分布式应用提供了显著优势。

与仅基于分布式对象的系统相比，应用协作自动化范式[8] 通常意味着自动化价值链中的所有参与方（如控制供应商、设备制造商和系统集成商）都面临着从传统分层且完全时间同步的系统向由能够在异步时间模式下运行的构建模块组成的系统迁移的挑战。自动化系统的模块化要求将当前的“以控制器为中心的结构”分解为具有“以任务为中心的结构” 的功能模块。

如今，尽管面向服务的架构（SOA）作为一种范式以及Web服务作为技术已广为人知，并且在企业级已有多种应用，达到了成熟度等级7 甚至8，但在自动化系统生命周期中的设备与系统级的应用仍处于早期开发阶段，技术就绪水平介于5到6之间。通过深入的技术筛选和基准测试，可对SOCRADES方法的各项成果进行如下技术就绪水平划分： Web服务的原子自动化（TRL 8）、组合自动化服务（TRL 7）、自动化软件即服务（TRL 8/TRL7）、编排技术（TRL 6）、基于 SOCRADES的自动化系统的可重构性（TRL 6）以及基于SOCRADES 的自动化系统的灵活性（TRL 6）。

4.2. GRACE

GRACE项目[10] 旨在通过多智能体系统原则集成过程与质量控制，以实现动态自适应过程和反馈控制回路，从而提高生产效率和产品质量。

所设计的基于智能体的解决方案融合了自适应和自优化机制，并已部署于一家实际工业工厂中用于生产洗衣机[51]。为此设计了一组代理：产品类型代理（PTA），代表工厂可生产的产品目录；产品代理（PA），代表在生产线上正在生产的具体产品实例；资源代理（RA），代表生产线的资源，即加工站、质量检测站和操作人员；以及独立元代理（IMA），在战略层面发挥作用，为生产系统提供全局优化。这些代理以分布式方式收集车间数据，并进行实时数据分析，以动态调整生产变量，即加工和检测操作参数。

这些流程的示例包括本地处理/检测工位的持续适应性、功能测试的选择、车载控制器的参数化以及质量警告的生成。具体到功能测试计划的适应性，产品代理沿着生产线持续与资源代理交互，以获取与洗衣机所执行的（加工和检验）操作质量相关的反馈。在接近生产线末端时，产品代理会根据洗衣机的生产历史数据应用一种算法，来调整将在洗衣机上执行的测试计划（注意，此前功能测试计划是固定的）。使用此适应性程序可以节省检验时间（因为某些测试无需执行），并进行更高效的检验测试（因为可能需要执行一些不常见的测试，或在某项测试中需要特别关注）。

在此类应用中，为确保实时响应性，保留了基于运行IEC 61131‐3控制程序的可编程逻辑控制器（PLC）的当前底层控制，如图8所示。通过将代理与物理设备（即PLC和LabViewTM应用程序）集成，可构建通过服务暴露其功能的信息物理组件。有关设计、安装及实现结果的详细描述可参见Leita˜o等人[51]的研究。

所设计的基于智能体的解决方案使用JADE框架[29] 实现，并通过在生产线沿线分布的8台计算机部署大量代理，这些计算机通过以太网上的TCP/IP相互连接，并安装于工厂中。用于集成工艺和质量控制的多智能体系统基础设施的安装可归类为技术就绪等级6。在工厂环境中运行该基于智能体的解决方案所取得的结果表明，该方案带来了一系列益处，主要体现在生产效率的提升上，具体表现为功能测试计划的定制化以及工艺参数的优化；同时，产品质量也得到改善，具体体现在更高效地执行检测测试，以及对每台洗衣机的车载控制器进行定制化。

4.3. IMC‐AESOP

IMC‐AESOP 项目 [11] 已构想出利用现代架构的下一代工业信息物理系统。

诸如面向服务的架构（SOA）和云等技术，以提升其运行能力。下一代工业信息物理系统由物理部分（硬件及其集成）与信息部分（软件，更重要的是以服务形式实现的能力暴露）之间的平衡构成。其中，信息部分又分为设备上的服务（即在信息物理系统内部运行）和网络中的服务（即在信息物理系统外部运行的其他服务，例如云中或其他信息物理系统中的服务）。这种通过明确定义的应用程序编程接口（API）实现的三方交互，使信息物理系统能够将其功能模块化，并向第三方提供服务，同时还能利用与其物理位置无关的服务。这种灵活性为工业应用中高度复杂且灵活的信息物理系统提供了支持，推动形成可随时间演进而具备涌现行为的新一代工业基础设施。

图9 描述了 IMC‐AESOP 构想的工业信息物理系统的新时代，该系统符合 ISA´ 95 自动化“金字塔”视图，但通过扁平化信息驱动的现代系统对其进行补充，并借助现代软件工程实践[52] 增强其集成能力。具体做法是将 ISA95 层级中不同的功能以服务的形式表达，这些服务随后可以在设备上（在信息物理系统中运行）和网络中实现，例如在云上运行。这样一来，可以轻松组合特定场景所需的功能，而无需穿越复杂的堆栈并在各层之间进行集成。通过实现这种服务化，可以采用现代软件工程实践，实现服务驱动集成，并在复杂大规模系统的设计、开发、集成、运行和管理等方面获得其他优势。如此一来，现代快节奏工业环境所需的新应用能够快速实现。此外，向模块化和服务化的基础设施转变使其能够更轻松地随时间演进，从而适应未来的需求。

为了具体说明如何实现这一点，下一代SCADA/DCS系统被选为工业信息物理系统[53]。已提出一组服务，并实现了概念验证，展示了此类系统预期的多项优势。然而，重点并未放在创建定制化服务上，而是放在更具通用性的服务上，这些服务是部分“IMC‐AESOP 服务云”的实现，并且也可在其他场景中使用。已开发出多个原型以验证该方法的可行性[11]。

IMC‐AESOP 提出了一种面向服务的架构[52]，该架构充分利用了上述工业信息物理系统的愿景，其功能分布在设备上和云中。所提出并实现的架构基于（大多是自包含的）服务概念，这些服务共同构建了一个通用基础设施，可在此基础上开发更复杂的方法。有关该架构的详细描述、设计考虑因素及其应用，可参见卡努斯科斯等人[54]。整体架构及部分服务已普遍在技术就绪等级 4 上得到验证，其中一部分达到了技术就绪等级 5 和技术就绪等级 6。基于该架构实现的应用详情，以及相关技术、工具和未来步骤的概述，详见 Colombo 等人[11]。

4.4. ARUM

欧盟第七框架计划ARUM项目正在制定缓解策略，以更快速、更恰当地应对复杂且高度定制化产品（如飞机和造船厂）在投产阶段的意外事件，尤其是在需求高峰、延迟变更请求以及产品和工艺采用不成熟技术的情况下。为此，采用代理技术开发生产计划、调度和优化工具，并依据面向服务架构原则将其内部功能以服务形式发布。企业服务总线 （ESB）作为骨干，支持所开发的基于知识的多智能体系统决策支持工具之间的互操作性。本项目考虑了两种ESB，分别是开源的JBoss ESB （www.jboss.org）和专有的TIE Smart Bridge（tiekinetix.com）。

为了在整个解决方案中实现完全的互操作性，这些ESB被集成了多种高级模块，如本体服务、数据转换服务、嗅探器、节点管理和生命周期管理，如图10所示，从而形成智能企业服务总线。该ESB还支持与ERP （企业资源计划）、MES（制造执行系统）或SCADA系统等遗留系统的集成。

基于代理的工具的可插拔性通过将其功能作为服务暴露出来，并利用本体服务表示共享知识，从而提升了此类分布式异构系统中的互操作性。例如，基于代理的战略规划工具可以为给定场景计算新的规划方案根据订单需求、运营成本和可能的扩展可能性（例如额外班次时间和额外工人），并通过iESB的本体服务检索遗留数据。在通过假设分析游戏过程选出最佳方案后，该方案将通过企业服务总线传递给基于代理的调度工具，以便在工厂中实施。

基于代理的规划与调度工具的开发通过服务原则实现互连，并在两个用例中得到验证。一个是在空中客车位于汉堡的工厂，涉及新型 A350飞机的生产；另一个是在费伦蒂诺的Iacobucci工厂，生产飞机飞行期间使用的模块化设备，例如咖啡机、垃圾压缩机、烤箱和手推车。

这两个用例均可归类为技术就绪等级 5。以Iacobucci用例的战略生产计划为例，该计划结合了经典数学求解器的成熟性、稳健性和优化能力，以及代理系统的灵活性和敏捷性。多智能体系统（MAS）的使用还能够提供假设情景模拟，帮助决策者在更短时间内以更高信心做出战略规划决策。在此用例中，规划代理使用ILOG CPLEX优化器求解器运行优化技术，以解决规划问题。关于该战略规划工具集成设计及所取得成果的详细描述可参见Leita˜o等人[55]。

5. 讨论

在此阶段，通过在四个欧洲研究项目中开发和实施此类信息物理系统所积累的经验，能够对已开发的用例进行批判性分析，并指出提升信息物理系统解决方案技术就绪水平所面临的科学和特别是技术方面的挑战、机遇以及阻碍因素。

5.1. 用例比较 视图

对这些研究项目成果的比较和批判性分析见表1，重点关注不同的覆盖方面：技术、自动化组件和功能，以及应用领域。

在作为用例的四个欧洲研究项目中，考虑了将多智能体系统、面向服务的架构和云作为实现信息物理系统解决方案的关键技术。在某些情况下，这些技术以孤立方式集成以验证某项功能，而在其他情况下则以更紧密的组合/支持方式集成将其与架构和愿景相结合。由于本文介绍的项目涵盖了大约十年的发展历程，这些技术与概念在设计和实现方面，以及成熟度和关注点上，显然也代表了更广泛的范畴。

在SOCRADES、IMC‐AESOP和ARUM中，已探讨了SOA在信息物理系统集成中的应用。SOCRADES专注于设备与车间层信息物理系统的集成，以及与企业系统[47]的集成。IMC‐AESOP也通过集成实现了这一点设备、 系统、 特别是 SCADA/DCS 系统 通过 设备上和 云上 服务 [53]。ARUM 解决了 规划 和 调度 系统 以及 与 传统 企业系统 和 数 据的集成问题 。

目前，除了采用面向服务的架构方法及相关技术所带来的优势之外，一些缺点/障碍也已明显显现。这些可以被视为在后续开发和应用过程中需要解决和克服的挑战。这些挑战属于技术和与人类/用户相关。从技术角度来看，现有技术尚不足以满足工业需求，特别是那些需要硬实时应用的需求。此外，尚未制定出一种能够贯穿整个架构（从车间到企业）的面向服务架构范式通用标准，该标准需被企业资源计划（ERP）和制造执行系统（MES）开发者以及数据采集与监控系统（SCADA）和控制系统供应商共同接受。为了弥补这一差距， SOCRADES 采用了设备Web服务配置文件（DPWS），并对使用 OPC UA [56], 作为关键技术进行了初步研究。在人类/用户相关方面，由于自动化生态系统较为保守，普遍采用 ISA95 企业参考架构，导致引入新方法和技术存在惯性。此外，当机器与人类具备类似能力（如服务的暴露或调用、自主决策以及协作功能）时，两者之间全新形式的交互方式仍缺乏充分理解。最后，将传统车间改造为符合 SOCRADES 规范的基础设施所需的成熟迁移方法论、实施路径以及适当的工程工具仍有待开发。

基于MAS的CPS已在IMC‐AESOP中部分应用，其中使用代理来控制CPS，而在SOCRADES、GRACE和ARUM中则受到重点关注。在这些案例中，代理被用于规划、控制、监控甚至模拟CPS及大型信息物理系统基础设施。

基于云的CPS主要是IMC‐AESOP的关注重点，其中详细阐述了下一代工业信息物理系统架构和服务[52]。然而，其他项目如ARUM和 SOCRADES也在一定程度上涉及了这一领域。例如，尽管未明确命名， SOCRADES多年前已开发出一种基于面向服务架构的基础设施，通过托管在互联网服务器上的专门中间件实现与企业服务的集成，这几乎可被视为近十年前云功能的一种早期受限版本。

在自动化方面，SOCRADES和IMC‐AESOP专注于根据ISA‘95自动化金字塔（如图9所示）集成L1层的设备。然而，这种集成是通过封装设备功能并将其作为服务提供来实现的。IMC‐AESOP主要聚焦于L2层的自动化设备（如SCADA/DCS），旨在构想其下一代[53], ，而 GRACE则专注于车间层面反馈控制回路的监控与优化，SOCRADES也在一定程度上涉及这些设备的服务化。

基于信息物理系统的规划与调度（L3）一直是SOCRADES、 IMC‐AESOP和ARUM的重点。例如，在SOCRADES中，通过集成来自生产系统的实时事件，实现了跨不同工厂的动态生产计划。在 IMC‐AESOP中，能源管理在更广泛的背景下得以实现，不仅包含技术目标，还包括商业目标，并从企业角度进行优化。在ARUM中，新一代动态规划与调度工具的集成使得在复杂且高度定制化产品启动生产期间能够快速响应意外事件。

最后，企业集成一直是SOCRADES、IMC‐AESOP和ARUM项目的主要关注点，GRACE项目也在一定程度上涉及了该方面。SOCRADES、IMC‐AESOP和ARUM的重点在于实现信息物理系统（ CPS）及其所管理的工业流程与企业系统的紧密集成和交互，以协同实现业务目标和适应现实条件。

制造业是信息物理系统（CPS）相关研究已广泛开展的一个知名领域，SOCRADES、GRACE和ARUM均属于此类项目。此外， SOCRADES已在基于面向服务的架构（SOA）的基础设施上展示了电子组装的应用。IMC‐AESOP开发了用于云环境的通用架构和服务工业信息物理系统，并在连续流程和能源领域中进行了演示。SOCRADES还部分解决了能源管理问题，重点在于测量并优化生产系统及其产品的能耗方面[50]。

5.2. 信息物理系统关键挑战

为了在工业环境中更广泛地应用信息物理系统（CPS）及其赋能的技术（如用于工业系统自动化和管理的面向服务的架构、多智能体系统和云计算技术），必须有效应对多项挑战。表2对一些领域和关键挑战进行了高层次概述。需要指出的是，表2提供的一种基于我们经验的 “经验法则”和初步估计，因此应谨慎看待。该表旨在作为向学术界提出的讨论提案，以传达对关键挑战以及时间线和优先级的总体认识。

这些挑战大致集中在六个主要领域：（i）CPS能力，（ii）CPS管理，（iii）信息物理系统工程，（iv）信息物理系统生态系统，（v）信息物理系统基础设施，以及（vi）信息物理系统信息系统。基于作者的研究和实践经验，对各项挑战的难度排序和优先级水平进行了定义。结合最新的科学与技术发展报告成果，并评估相关技术现状，预测了将各项技术的技术就绪水平提升至至少7级（实现成熟度）所需的时间范围。

在CPS能力领域，我们看到信息物理系统以及信息物理系统系统之系统（CPS SoS）的实时监控与控制及其优化方面存在若干问题，这些被认为是极具挑战性的。它们的优先级从中等至高不等，特别是控制方面的挑战对于信息物理系统在工业生产设施中的接受程度至关重要。此外，还存在一些难度较低的方面，其中部分目前甚至已经可以实现，例如信息物理系统的服务化，但这些方面也被视为具有高优先级，因为它们是推动信息物理系统进一步发展的使能因素。

在信息物理系统管理领域，安全与信任以及（超）大规模信息物理系统的管理被视为具有挑战性且优先级高。尽管预计中长期会出现工业成熟解决方案，但应对这些挑战也有望对信息物理系统的接受起到关键作用。

信息物理系统工程被行业从业者视为优先级，他们将设计和部署未来支持信息物理系统的环境。为此，需要解决若干极具挑战性的问题，包括安全编程与验证、实现弹性和优雅降级，以及开发新工具和方法。由于硬件异构性程度高，可能会出现针对信息物理系统的操作系统和编程语言的新发展，但这些问题也可以通过显著扩展现有方法来应对。

在信息物理系统基础设施中已识别出若干挑战，但这些挑战的难度被视为中等，因为目前已有大量工作正在致力于解决这些问题。然而，即使其中一些问题可能较为简单，也必须加以解决，才能作为信息物理系统的使能因素；一个典型的例子是可互操作的CPS服务，其对信息物理系统的广泛采用及其在应用场景中的集成具有重要影响。

信息物理系统生态系统将随着信息物理系统之间的网络化而日益受到关注。在这一领域，关键挑战在于设计、部署和应对信息物理系统的协作性、自主性、自*和涌现行为。后者包括与环境及所有相关利益相关者的交互，涵盖信息物理系统‐人交互的范畴。尽管其中许多技术预计只有在今后从长远来看， 应对这些挑战 的路径 并不直接。

信息物理系统信息系统将能够充分利用所获取的数据、信息和知识，但要实现这一点，需要解决若干关键挑战。由于这些行动大多属于长期范畴，且难度不容忽视，因此优先级各不相同。现阶段，业界主要关注中期目标，即将信息物理系统数据与信息分析转化为可操作知识，而跨领域信息集成以及知识驱动的决策/管理则被视为后续行动。

6. 结论

信息物理系统（CPS）为实现和相应自动化大规模复杂系统提供了必要的技术基础，例如智能电网、智能建筑、智能交通、智能医疗和智能制造等其他应用领域。CPS时代需要在设备、系统、基础设施和应用层面提供支持的解决方案，涵盖其CPS组件和服务从摇篮到坟墓的整个生命周期。这是一个科学、技术、工业和社会挑战，涉及多学科工程方法以及异构通信、信息和控制/自动化技术的汇聚甚至融合（参见参考文献[57]）。本文概述了与工业信息物理系统（Industrial CPS）相关的关键方面，以及与其工程和实施相关的工业自动化关键技术与方法，如多智能体系统（MAS）、面向服务的架构（SOA）和云系统。基于四个欧洲创新项目（即SOCRADES、IMC‐AESOP、GRACE和ARUM）的研究成果，报告了该领域取得的进展。随后，识别了基于信息物理系统技术的工业自动化在理解和应用方面的关键挑战，并讨论了相关困难及时间范围的若干考虑，旨在进一步推动当前技术成熟度的提升。层级 和 导致 在 商业 工业自动化 系统中对基于信息物理系统 的系统 和基础设施 的广泛使用 。

表 1 所引用项目涵盖的 方面 概览 。

关键 方面	SOCRADES （2006–2009）	GRACE （2010–2013）	IMC‐AESOP （2010–2013）	ARUM （2012–2015）
技术
基于SOA的 信息物理系统	*		*	*
基于多智能体系统的信息物理系统 CPS		*	&	*
基于云的 信息物理系统	&		*	&
自动化 组件 和 函数 （根据 ISA’95 企业 标准 architecture in 图 9)
基于信息物理系统 自动化 控制 (L1)	*
基于信息物理系统 监控 控制 (L2)		*	*
基于信息物理系统 规划 和 调度 (L3)	*		*	*
基于信息物理系统 集成 在企业 系统 (L3/L4)	*	&	*	*
应用 领域
制造业	*	*		*
电子 装配	*
连续 处理			*
能源 管理	&		*

*—已覆盖； &—部分 覆盖。

表 2 工业信息物理系统中的关键挑战 。

Area	关键挑战	难度	优先级	成熟度 在
信息物理系统 功能
实时 控制 信息物理系统系统	High	High	4–7年
实时 CPS SoS	High	中等	3–5 年
信息物理系统中的优化及其应用	High	中等	4–7 年
On‐CPS 高级分析	中等	High	3–5 年
信息物理系统 的模块化和 服务化	low	High	3–5 年
节能 信息物理系统 CPS	中等	中等	3–5 年
信息物理系统 管理
信息物理系统 的生命周期管理	中等	中等	5–8 年
信息物理系统 和 (非常) 大规模 CPS 及 CPS‐SoS的管理	High	High	5–8 年
异构信息物理系统的安全 与 信任 管理	High	High	5–8 年
信息物理系统 工程
安全 编程和 验证 信息物理系统 系统之系统	High	High	5–10+ 年
弹性 风险缓解信息物理系统	High	High	5–10+ 年
信息物理系统生命周期支持的方法和工具	High	High	3–7年
面向信息物理系统及信息物理系统体系的新操作系统和编程语言	中等	Low	3–6年
信息物理系统及其系统之系统的仿真 of CPS and of CPS‐SoS	中等	High	3–6 年
信息物理系统 基础设施
可互操作的 CPS 服务	中等	High	2–5 年
迁移到新兴的信息物理系统基础设施的解决方案	中等	High	3‐6年
信息物理系统中异构/移动硬件和软件技术的集成	Low	中等	2‐4年
提供 泛在 CPS 服务	中等	中等	3–5 年
CPS 基础设施的经济影响 of	High	High	3–6 年
信息物理系统 生态系统
自主的 和 自‐* 信息物理系统	High	中等	7–10+ 年
信息物理系统的 涌现 行为	High	中等	7–10+ 年
信息物理系统 与 人类 在 环路中	High	High	2–5 年
协作的 CPS	中等	中等	5–8年
信息物理系统 信息 系统
信息物理系统中的智能	High	High	7–10+ 年
跨领域大规模信息集成到信息物理系统基础设施	中等	Low	6–9年
将信息物理系统数据与信息分析转化为可操作的知识	High	High	4–8年
知识驱动的 决策 制定/管理	High	中等	6–10+ 年