实 验 室 智 能 化 水 平 评 价 方 法

廖星星, 孙胜利, 金 钢

(中国科学院 a. 上海技术物理研究所; b. 红外探测与成像技术重点实验室， 上海 200083)

0 引 言

实验室作为航天科研单位研发与生产的重要场所，是实现智能生产的载体。随着“工业4.0”“互联网+”等与智能制造相关的概念被提出，智能实验室将是未来航天智能制造基础设施中的关键组成部分[1-2]。它将由人力驱动的传统制造模式转而数据驱动，其实现过程是一个复杂的系统工程，如何在现有技术的基础上发展成为智能实验室，为实现智能实验室还需要引入哪些技术？是我们亟待探索的问题。

智能化是一个循序渐近的过程，其基础是数字化。多年来工程界一直在探索如何完整而精确的描述一个数字化工厂，美国ARC提出了用工程技术、生产制造和供应链这3个维度来描述工厂的全部活动[3]。德国电气电子行业协会(ZVEI)确定了工业4.0的参考架构(RAMI4.0),明确了3个维度(供应链、管理、产品生命周期)层面上的阶段划分和实行的国际标准[4]。但两者都未曾提及智能化水平评价的具体方法，这就直接导致制造业无法定位自身智能化水平，更难以做出具体的升级计划。

影响智能实验室智能化水平因素多而复杂，且对所选择的评价指标数据有些可定量化，但有些却只能模糊估计，因此，智能实验室的智能化水平评价系统是一个灰色系统[5]。本文构建了智能实验室的智能水平3级评价体系，并设计了基于灰色分层多指标法的智能化水平评价模型，可帮助实验室衡量当前自身智能化水平，并为今后智能化升级提供了指导准则。

1 智能实验室概述

实验室的智能化逐渐聚焦于将物联网、大数据、云存储、并行计算等新一代信息技术与产品全生命周期管理(Product Lifecycle Management, PLM)理念相融合，使实验室具备自组织、自律、自学习和自适应能力[1]。其目的是缩短产品研发周期、提高实验室管理效率，以数据驱动代替人力驱动，从而使决策更精准、问题解决更迅速、产品设计精度更高。

1.1 智能实验室的研究动态

目前关于智能实验室的研究大部分是从关键技术的角度或泛泛的智能理论进行论述的。如：美国洛·马公司在 JSF项目中采用协同设计制造技术，构筑了虚拟开发环境[6]；Raytheon在整个产品研发周期中都应有AM技术，使得产品设计更加创新且富有效率[7]；波音777飞机的研制采用三维数字化定义，数字化预装配(Digital Pre-Assembly，DPA)和并行工程(Concurrent Engineering，CE)，在世界上第一次实现了无纸设计；Delmia和Tecnomatix软件公司通过对许多软件进行重组和集成，形成了智能实验室系列软件[8]；德国提出通过构建CPS(物理信息融合系统)来实现工业4.0的目标之一：智能工厂[9]。

已有的参考模型，如CIM-OSA、ARIS、BAAN、RAMI4.0，均以不同形式视图覆盖描述了实验室不同阶段的抽象过程[10]。但智能实验室的相关定义并不多见，吴峥等[11]认为,智能实验室就是以物联网技术为核心，利用新一代信息技术来改变用户和实验室资源相互交互的方式，从而实现智慧化服务和管理的实验室模式。并将其归纳为一个等式即：智能实验室=实验室+物联网+智能化设备。认为在3个维度中，如果所有活动均能在赛博空间得到充分的数据支持、过程优化与验证，同时在物理系统中能够实时执行活动并与赛博空间进行深度交互，则可将这样的实验室称之为智能实验室[1]。

“智能基于信息，智能寓于系统”[12]，本文认为：智能实验室以智能系统为载体，通过实时感知实验室状态并协同各个功能模块做出全面的思维判断及精准控制，使实验室具备高效、节能、安全、可创新、可扩展的能力。这里的智能系统符合信息物理融合系统[13]的特性，其原理框图如图1所示。

图1 实验室智能系统原理框图

对于现实需求的智能实验室，至今没有系统而比较完整的论述和分析。这将导致实验室在向智能实验室升级过程中无法得到科学的理论指导。

1.2 智能实验室功能模块

智能实验室概念要求形成一个高度集成的系统，使得管理、设计、工程、规划、仿真、通信和控制工具都综合到一个平台中，从而建立一个从实验室车间底层感知到顶层决策的一个巨大的闭环反馈系统。该系统可根据实验室的实际情况更新数据、模型结构、和模型参数，通过配置各类传感器以实现物理环境的互联、互感，确保实验室中信息的实时获取、可靠感知、实时传输、普适计算、精准控制。

因此，一个智能实验室将由多个智能体[14-15]组成，它们分别是：采集Agent、传输Agent、管理Agent、决策Agent、控制Agent。由于本文是对智能实验室的智能品质评价进行详细论述，故对智能实验室功能模型只做简单的概述。

(1) 采集Agent。负责对实验室人、物、环境、生产任务所需的各类资源信息、工艺过程控制信息等能够全面自动感知。

(2) 传输Agent。负责对采集的数据进行实时传输，传输过程中需解决不同系统之间的集成问题，以及传输过程中的安全问题。

(3) 管理Agent。负责对数据包的管理以及事件管理。数据包管理包括对设备、物料、传感器的属性数据进行管理，还包括对实验室传感器采集的数据进行冗余过滤、多源融合。事件管理包括对智能实验室中产生的物理或信息事件进行管理，如：实时预警、移动侦测。

(4) 决策Agent。根据建立好的数据模型，对收集的数据进行挖掘、分析、机器学习，得到有价值的信息，从而指导生产或试验。

(5) 控制Agent。具有调整与控制实验室物理世界的属性，对于不符合规则的事件，执行器网络的控制节点会分发出相应的调整控制命令或警告信息。从而使实验室达到动态平衡状态。

2 评价指标体系设计

对于智能实验室智能水平评价指标体系的研究尚未有文献提及到，本文的评价体系从定量和定性相结合的方法尝试构建智能实验室智能水平评价体系。评价的总目标是其智能化水平，因此，在一级指标的设立过程中，主要参考智能实验室智能品质的内涵，即智能化在实验室3个维度方面所带来的变化。在之前的智能实验室定义中，智能实验室的最终目标是具备高效、可创新、节能、安全、可扩展的能力，因此对于一级指标用一个五维的空间去描述一个智能实验室智能品质：F={U1,U2,U3,U4,U5}，其中：U1表示提高科研人员工作效率的能力；U2表示提高产品精度的能力；U3表示降低实验室运营成本的能力；U4表示安全性能；U5表示实验室对外扩展能力。其智能水平评价体系如图2所示。

图2 智能实验室智能水平评价体系

U1又可以表达成4个具体指标：U1={V11，V12，V13，V14}，V11表示实验室环境，V12表示提高产品设计效率的能力，V13表示提高产品装调效率的能力，V14表示试验报告生成的能力。V11={T111，T112，T113，T114}，T111表示温湿度及洁净度协调能力，T112表示噪声控制能力，T113表示光热环境协调能力，T114表示空气品质控制能力。V12={T121，T122}，T121表示设计软件操作友好度，T122表示产品模型快速验证能力。V13={T131，T132，T133，T134}，T131表示工艺流程自动优化能力，T132表示智能设备，T133表示资源快速定位、调度能力，T134表示故障快速定位能力。V14={T141，T142}，T141表示优质试验报告生成能力，T142表示试验关键数据调取、综合分析能力。

U2是指智能实验室中可提高产品精度的因素，它可以表示为2个具体指标U2={V21，V22}，V21表示方法创新能力，V22表示工具集创新能力。V21={T211，T212}，T211表示数据挖掘能力，T212表示并行计算能力。V22={T221，T222}，T221表示创新研发平台搭建能力，T222表示智能设备生成能力。

U3是指智能实验室中可降低实验室运行的成本相关因素，可表示为3个具体指标：U3={V31，V32，V33}，V31表示减少因设备故障而造成损失的能力，V32表示节省资源消耗的能力，V33表示减少实验室采购、维护、管理费用。V31={T311。T312}，T311表示设备保养、维护、计量提醒能力，T312表示设备运行状态监测能力。V32={T321，T322，T323}，T321表示照明智能控制能力，T322表示供配电智能管理能力，T323表示冷热源自动控制能力，V33={T331，T332}，T331表示智能生成采购方案的能力，T332表示智能生成保养、维护计划的能力。

U4表示智能实验室安全程度，它可表示为一个二元组：U4={V41，V42}，V41表示防害、防灾能力，V42表示防病毒入侵能力。V41={T411，T412}，T411表示传感器自动感知、分析、反馈能力，T412表示控制器执行能力。V42={T421，T422}，T421表示数据传输安全保障能力，T422表示病毒入侵自动消灭能力。

U5表示智能实验室中系统的扩展能力，它可表示为一个二元组：U5={V51，V52}，V51表示内部系统扩展能力，V52表示内部系统与外部系统之间的扩展能力。V51={T511，T512}，T511表示软件接口开放性能，T512表示硬件系统开放性能。V52={T521，T522}，T521表示软件接口开放性能，T522表示硬件系统开放性能。

整个智能实验室智能品质评价体系如表1所示。

表1 智能实验室三级指标结构模型

3 评价模型建立

灰色多层次评价法是基于灰色理论，将多个评估专家分散的评价信息处理统一为一个描述不同灰类程度的权向量，在此基础上再对其进行简单单值化处理，最后得到受评对象的综合评价值[16-18]。基于AHP-GRA的智能实验室评价模型流程如图3所示。其步骤如下：

图3 基于AHP-GRA的智能实验室评价模型流程图

Step1确定评指标的权重

(1) 构造智能实验室1级指标间的判断矩阵

aii=1,aij=1/aji

ajj=aik/ajk；i,j,k=1,2,…,n

(2) 计算指标权重W

(3) 计算判断矩阵A的最大特征值

(4) 计算一致性指标

WI=(λmax-n)/(n-1)

(5) 计算一致性比率

CR=CI/(RI)

当CR<0.1时，则满足一致性要求，否则指标不满足一致性要求。

Step2制定评价等级标准，组织专家评分。通过评价指标评分等级标准的制定，将定性指标转化为定量指标Tijk，采用专家评分法，将待评估的3级指标Tijk划分为3个等级：高级、中级、低级，“高级”记为4～6分，“中级”记为2～4分，“初级”记为0～2分。假设参与评分的专家为m人，由此得到的备选方案的评价样本矩阵：

Vijkm表示的是第m个专家对Tijk指标的评价。

Step3确定评价灰类。即确定评价灰类的等级数、灰类的灰数以及灰数的白化权函数。设评价灰类序号e=1,2,3评价灰类，它们分别为“高级”“中级”“低级”3个等级，其对应的灰数及白化权函数如下：

第1类灰类“高级”(e=1)，灰度⊗=[0,∞]，其白化权函数的表达式如下：

第2类灰类“中级”(e=2)，灰度⊗=[0,3,6]，其白化权函数的表达式如下：

第3类灰类“中级”(e=3)，灰度⊗=[0,2,4]，其白化权函数的表达式如下：

Step4计算灰色评价系数。对评价指标Tijk，备选方案属于e个评价的评价系数记为Xijke，属于灰类的总灰类评价系数记为Xijk，则有：

Step5计算灰色评价权向量及其矩阵。所有评价者就评价指标Tijk对备选方案主张第e个灰类的灰色评价权记为rijke，则有：

rijke=Xijke/Xijk,rijk=(rijk1,rijk2,rijk3)

Step6作综合评价

Bij=Wij·Rij,Bj=Wj·Rj

B=W·R

Step7计算综合价值F。对综合评价结果B做进一步处理，使其单值化，得到备选方案的综合评价结果：

F=B·CT

其中，C=[d1,d2,d3]

4 实践案例

根据上文所设定的智能实验室评价体系及评价模型，对某航天科研院所实验室进行智能水平鉴定，得到如下结果。

(1) 指标权重确定。通过分层法得到目标权重、1级指标权重、2级指标权重、3级指标权重,并构建各级指标权重树(见图4)，这里以U1为例：

W=[0.097 8 0.202 0 0.048 0 0.605 4

0.046 8]

图4U1指标权重树结构

其他指标权重如下矩阵：

W2=[0.5 0.5]

W3=[0.708 9 0.178 6 0.112 5]

W4=[0.5 0.5],W5=[0.75 0.25]

W21=[0.833 3 0.166 7],W22=[0.5 0.5]

W31=[0.166 7 0.833 3]

W32=[0.108 5 0.546 8 0.344 5]

W33=[0.666 7 0.333 3]

W41=[0.5 0.5],W42=[0.5 0.5]

W51=[0.5 0.5],W52=[0.5 0.5]

(2) 专家评分。通过3位专家对3级指标进行评分，得到如下结果:

(3) 计算灰色评价系数。

xijk=[6.1 3 3.7 5.4 3 3 4.6 6.2 3.13 4.7 3.3 3.7 7.7 6.3 8 6 34.5 3 3 6.2 6 6 3 5.4 4.3]

(4) 计算灰色评价向量及权矩阵。灰色评价向量：

计算得到如下权矩阵：

(5) 对2级指标Vij做综合评价

(6) 对1级指标做综合评价。

(7)对U做综合评价

B=[0.13 0.21 0.66]

(8) 计算综合评价值。

F=B·CT=1.4

按照此模型，该实验室的智能化水平为F=1.4，即处于模型中的第一阶段：初级智能化阶段。由于一级指标权重为：W=[0.097 8 0.202 0 0.048 00.605 4 0.046 8]，即能否提高实验室的安全能力和能否提高实验室产品精度的能力在一级指标中所占的权重比例非常大，因此，实验室要想向更高的智能化水平升级，其采取的措施是针对实验室安全和产品精度方面存在的问题，利用智能化技术去进行突破。

5 结 语

德国工业4.0研究方向可以概括为两大类：智能制造和智能工厂。智能化将是未来各行各业的发展方向，航天产品研发实验室也不例外，如果无法判定当前智能化水平，智能化之路将变得艰难而盲目。本文提出的基于灰色多层次法的智能实验室智能水平评价模型，通过实例对模型进行验证，得出的结论为智能实验室今后升级方向提供了指导准则。由于对智能实验室的研究还处于探索阶段，要想获得更加精确的结果，在实际评价过程中，应更加全面的考虑指标体系的构成。于此同时，指标权重树的构建有利于更好的发现哪些指标属于关键指标，从而把建设的重点放在关键指标上。

[1] 杜宝瑞,王 勃,赵 璐,等.航空智能工厂的基本特征与框架体系[J].航空制造技术，2015(8)：26-30.

[2] 丁鹏飞,周世杰,王 贺,等.面向航天制造企业的数字化工厂建设方案探讨[J].航空制造技术，2014(14)：51-54.

[3] Greg Gorbach. Achieve Sustainable Manufacturing with Integrated Collaborative Manufacturing [J/OL], 2008, 10, 23. http://www.arcweb.com/myarc/myreports/arcreports2008/.

[4] ZVEI.Industrie 4.0:the reference architectural model industrie 4.0(RAMI 4.0)[EB/OL].(2015-04-05)http://www.zvei.org/Downloads/Automation/ZVEI-Industrie-40-RAMI-40-English.pdf.

[5] DENG J L. Gray System Theory Tutorial[M]. Publishing House of Huazhong Science and Engineering University, 1992.

[6] 唐 辉,侯俊杰.先进复杂产品研制体系的分析[J].航空制造技术，2010(1)：70-73.

[7] Jeff Shubrooks, Jack Graham, Curtis Carlsten,etal. ADDITIVE MANUFACTRING at Raytheon[J/OL].2015. http://www.raytheon.com/news/technology_today/2015_i1/.

[8] 潘 琨.智能工厂的模型与实现方法研究[D].武汉：武汉大学，2014：5-20.

[9] 杜品圣.智能工厂-德国推进工业4.0战略的第一步[J].自动化博览，2014(2)：50-58.

[10] 张 益,冯毅萍,荣 冈.智慧工厂的参考模型与关键技术[J].计算机集成制造系统，2016，22(1)：1-10.

[11] 吴 峥,周春月.基于物联网的智慧实验室[C]//第十七届全国青年通信学术年会论文集.秦皇岛，中国，2012：205-209.

[12] 涂序彦.广义智能系统的概念、模型和类谱[J].智能系统学报，2006 (2)：8-10.

[13] Tao F, Zuo Y, Xu L D, Zhang L. IoT-based intelligent perception and access of access of manufacturing resource toward cloud manufacturing[J]. IEEE Transactions on Industrial Informatics，2014, 10(2)：1547-1556.

[14] 车 畅,梁 韡,周 悦,等.基于多智能体的无线传感器网络协同问题研究[J].仪器仪表学报，2005，26：230-233.

[15] 乔 兵,朱剑英.多Agent智能制造系统研究综述[J].南京航空航天大学学报，2001，33：1-5.

[16] Liu Ming, Han Lansheng, Peng Bing,etal. A multi-level grey evaluation model for harms of computer virus[C]∥Ninth IEEE International Symposium on Parallel and Distributed Processing with Applications Workshop，2011，20：21-26.

[17] Tang Hong, Zhang Jie, Su Kai. On evaluation model of military information network based on multi-level gray evaluation method[C]∥The 27thChinese Control Conference，2008，6：113-115.

[18] Wang Xiao, Shuai Ning. The multilevel comprehensive grey evaluation model for enterprise training effect[C]∥2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing，2008，200：51-53.