群智融合的制造业智慧空间建模方法

刘佳琪，郭 斌+，任 磊，王 晨，张 莉，於志文

(1.西北工业大学 计算机学院，陕西 西安 710129； 2.北京航空航天大学 自动化科学与电气工程学院，北京 100083; 3.清华大学 大数据系统软件国家工程研究中心，北京 100080; 4.北京航空航天大学 软件学院，北京 100083)

0 引言

制造业是国家经济的主体，是科技创新的主战场，是立国之本、兴国之器、强国之基。推动制造业快速发展是包括中国在内世界各国的一个重要目标。目前，世界各国已经在制造业相关技术、平台等方面进行了战略布局，如德国工业4.0，美国“工业互联网”等。与此同时，我国也提出并部署了一系列国家战略和规划。

2015年，国务院发布实施制造强国战略第一个十年的行动纲领《中国制造2025》。2016年，国务院进一步发布《国务院关于深化制造业与互联网融合发展的指导意见》，指出当前需要推动工业产品互联互通，面向重点行业进行智能制造单元、智能生产线、智能车间、智能工厂建设。2021年，十三届全国人大四次会议表决通过了关于《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》的决议，并提出要深入实施智能指导，推动制造业智能化。因此，推动制造业智能化是快速发展制造业的一个重要方向，制造业智能化进程中，尤其需要关注工人、机器、物料等制造主体的智能化以及制造主体间关系的智能化。

制造业包含的要素繁多，可分为3类：以操作员、安全员、设计师、调度人员等为代表的“人”，以机械臂、车床、物料运输车等为代表的“机”，以及以加工件、耗材、产品零件等为代表的“物”。上述制造业要素间存在着复杂的交互关系，例如在物料搬运任务中，各运输车需根据运输量、出发地和目的地进行交互，确定具体运输方案。在传统制造业中，各制造要素智能化程度有限，交互方式以集中式、预定义协作为主。传统制造业能够保证基本制造任务的完成，但存在着一些明显的问题：①在工厂级，基于集中式控制的群体协作模式使得任务调度过程只能进行局部优化，资源受限影响企业计划执行；②在产线级，多任务协同难，导致只能采用固定的生产模式，影响产线效率；③在单元级，固定控制模式导致受控单元执行精度受限，影响产品质量。因此，如何对人、机、物3类制造要素进行智能化升级，以及如何构建制造要素间的智能交互，是当前传统制造业升级过程中的一项重要研究内容。

制造要素及要素间的交互关系共同构成一个组织灵活、行为自适、自主演化的空间，称为智慧空间。Gartner[1]将智慧空间列入2020年十大战略科技发展趋势，指出人工智能与物联网等技术的快速发展及深度融合，可以为智能制造场景提供有效解决方案。因此，探索人机物群智协同的基础理论创新，突破关键技术，以推动人、机、物要素间协作，构建具有自组织、自适应、自演化能力的制造业智慧空间具有重要意义。制造业智能化方面目前已有部分研究。文献[2-3]提出利用迁移学习模型进行制造业产品缺陷检测，大大提升了检测流程效率；文献[4-5]提出将深度模型部署于生产设备上，通过分析生产设备状态对其使用寿命进行预测；文献[6-7]等研究了如何对数量繁多、功能各异的制造要素进行调度，构建了大型制造系统。然而，上述工作均仅从制造业智能化某一具体问题出发，缺乏制造业智慧空间的系统性分析。在此基础上，郭斌等[8]从生物群智角度阐述了人机物异构智能体个体技能和群体智慧的提升，该工作介绍了制造业智慧空间基本构成，然而对理论模型的探索仍有不足。

为解决上述问题，本文从系统论角度出发，对制造业智慧空间进行数学建模，具体包括制造业智慧空间的构成、群智和机理。首先，利用系统学方法对制造业智慧空间进行建模，给出其组分、结构的定义并与传统制造业进行对比。相比传统制造业，制造业智慧空间组分为智慧人机物，能够完成一般制造任务的同时具备自学习增强能力，结构以分布式为主，并具备自组织、自适应、自演化群体智能。然后，给出制造系统工作时的一般范式，指出制造业智慧空间具备自组织能力、自适应能力、自演化能力3个方面的群体智能，并从数学角度对上述群体智能进行描述。结合生物体群智介绍了制造业智慧空间群体智能背后的机理，具体包括群智能体学习机制、数学建模方法、启发式算法和演化博弈动力学同时介绍了上述映射机理的具体内涵及其在制造行业中的应用。最后，本文以多无人车自组织运输系统、自适应深度学习模型部署、自演化零件缺陷检测系统3个典型场景为例，介绍了制造业智慧空间中各子系统的构成、运作机理，并分别验证了其自组织、自适应和自演化能力。

1 制造业智慧空间系统

本章将从系统学角度介绍制造业智慧空间，首先描述制造业智慧空间系统的组分与结构，然后介绍制造业智慧空间系统的特点，并将其与传统制造业进行对比。

1.1 系统的定义

根据苗东升所著的《系统科学精要》[9]一书，系统定义为：若对象集S满足以下两个条件：①S中至少包含两个不同对象;②S中的对象按一定方式相互联系而成为一个整体，则称S为一个系统。S=T,R，其中T为系统S中的对象集合，称为组分；R为系统S中对象的关联关系集合，称为结构。对于组T，一般可以将其划分为更小的组分，构成系统的最小组分称为系统的元素;对于结构R，一般表示系统S中元素之间一切联系的总和。

定义1制造业智慧空间。制造业智慧空间系统IS表示为：

IS=Ti,Ri。

(1)

式中Ti和Ri为制造业智慧空间组分和结构。

令TS表示传统制造业。制造业智慧空间IS与传统制造业TS中组分与结构的对比如表1所示。下面对其进行具体分析。

表1 传统制造业系统和制造业智慧空间系统中的组分与结构

1.2 制造业智慧空间系统中的组分

对于传统制造业TS=Tt,Rt，组分Tt={th,tm,tt}，其中th,tm,tt均为集合，th表示传统制造业中的工人，tm表示传统制造业中的机器，tt表示传统制造业中的物件。传统的工人、机器和物件相互配合，能够完成一般的制造任务。

对于本文提出的制造业智慧空间IS=Ti,Ri，其组分

Ti=ih,im,it。

(2)

其中ih,im,it均为集合，ih表示制造业智慧空间中的智慧工人，im表示制造业智慧空间中的智慧机器，it表示制造业智慧空间中的智慧物件。与传统制造业中工人、机器和物件不同的是，制造业智慧空间中的智慧工人能够充分发挥其特有的认知能力，与机器和物件进行更深层次的互动与协作；智慧机器和智慧物件除了能够完成基本的制造任务，还能够在完成任务的过程中实现自学习增强，并具备一定的环境适应能力。

例如，传统制造业运输系统的组分为传统运输车。传统运输车能够按照预设路线运输物料，但若预设路线上出现障碍物，则无法完成运输任务。制造业智慧空间运输系统的组分为智能无人车。区别于传统运输车，智能无人车配备智能传感器和计算单元，传感器能够精确感知无人车周围的环境信息，计算单元能够使用一定的算法对环境信息进行计算，判断当前环境是否能够通行，并在无法通行时计算出新的有效路径。可以看出，制造业智慧空间中的组分相较于传统空间中的组分具有较为明显的智能增强。

1.3 制造业智慧空间系统中的结构

对于传统制造业TS=Tt,Rt，其结构Rt={i,c,i∈th,tm,tt}，其中c表示控制中心。传统制造业以集中式控制为主，空间中的元素大多与控制中心直接交互。除此之外，系统中元素的交互方式大多遵从提前制定好的规则进行。传统制造业中元素之间的这种交互方式能够保证基本制造任务的完成，但存在一些明显的缺陷：①在工厂级，基于集中式控制的群体协作模式使得任务调度过程只能进行局部优化，资源受限影响企业计划执行；②在产线级，多任务协同难，导致只能采用固定的生产模式，进而影响产线效率；③在单元级，固定控制模式导致受控单元执行精度受限，进而影响产品质量。

对于制造业智慧空间IS=Ti,Ri，其结构

Ri=i,j,i,j∈ih,im,it。

(3)

式(3)表明，制造业智慧空间中任意两个制造元素可以直接进行交互。这种分布式结构能够有效解决传统制造业所面临的工厂级、产线级、单元级挑战，实现工厂级的全局协同优化，产线级的柔性生产模式以及单元级的单元自主控制。

同样，以制造业中的运输系统为例。传统空间中运输系统结构以集中式为主，需要提前将物料搬运需求、运输车状态、运输环境信息发送至中央单元，由其计算出可行的运输方案并发送给各运输车。该方式下中央单元资源消耗巨大，且不具备环境适应性。在制造业智慧空间中，智能无人车的交互方式以分布式为主。各智能无人车独立获取环境信息并首先在本地进行计算，然后与周围智能无人车进行信息交互，最终得到行动方案。该方式下计算量分散至各智能无人车，每个智能无人车仅需调用有限资源即可完成任务。同时，若环境发生变化，受影响的智能无人车能够自主调整，避免整体运输方案的重新计算，实现快速响应并节省计算资源。

1.4 制造业智慧空间

传统制造业系统与制造业智慧空间系统示意图如图1所示。图中：左侧的传统制造业组分包含传统的工人、机器和物料，组分中元素之间的交互以集中式、预定义协作为主。相比于传统制造业，制造业智慧空间的提升主要表现在两个方面：

(1)系统组分智慧化—制造主体智能感知与自学习增强 制造业智慧空间中的组分是智慧工人、智慧机器和智慧物件，人、机、物制造主体的智慧化升级，使其除了能够完成基本的制造任务，还能够在完成任务的过程中实现自我增强，并具备一定的环境适应能力。

(2)系统结构智慧化—制造个体与群体智能融合 制造业智慧空间中的结构表现为各个制造元素之间去中心化、灵活自组的交互方式，并在这种交互过程中完成制造个体智能的汇聚及制造群体智能的产生，使系统具备自组织、自适应、自演化等能力。

经过组分智慧化和结构智慧化，相较于传统制造业，制造业智慧空间在制造主体智能和主体间协作方式上都具有显著提升，如图1b所示。

系统组分智慧化方面，主要体现在制造主体的自适应增强。制造主体的自适应增强方面目前已有不少相关研究，包括新兴感知、计算算法的提出以及已有相关算法的应用等。例如，在航天、航空、航海等重要制造业领域，将深度学习模型部署于资源受限的制造终端设备上是推动制造主体智慧化的重要方式。但是，将已研究成熟的具有高计算力和存储量要求的深度网络模型部署于计算、存储等资源有限且具有严格时延需求的制造终端上是具有挑战性的，主要体现在两个方面：①由于体积限制和可移植性要求，终端设备的计算、存储资源等通常十分受限；②任务的性能需求经常发生变化，并且终端设备的存储资源、电源消耗等也在动态变化。因此，需要解决在各种应用场景中，终端资源或性能需求不可预测地发生变化为模型训练和运行带来的自适应问题。针对该问题，降低模型的资源消耗，以使其能够部署在嵌入式设备上，并在运行时主动感知外部环境变化、自适应地对模型进行调整是解决该问题的重要方法。

系统结构智慧化方面，主要体现在群智能体协同增强和群智知识迁移。制造业中单个制造元素的智能通常较弱，具体表现为感知范围有限、优化能力较差、协同能力不足，为了应对复杂制造场景，需要多个制造元素相互协作、融合，以提升生产效率、激发群体智能。针对该问题，需要引入基于多智能体强化学习等技术的去中心化、灵活自组的制造群体组织方式。另外，开放式网络制造环境下终端设备动态加入或离开，如新设备的购置、旧设备的报废等，制造场景不断演化，如运输小车电量变化、制造需求发生改变等，使得既有训练好的学习模型由于数据分布差异难以在新环境下取得好的效果。针对该问题，需要研究如何适当调整已有制造知识并将其应用于新的制造场景中，这种已有制造知识的重利用称为跨制造实体/场景的群智知识迁移。

由于制造系统组分智慧化方面与单体智能增强相似，目前已有较为充分的解决方案，本文后续内容主要针对系统结构智慧化展开。

2 制造业智慧空间的群体智能涌现

群体智能指的是环境ES中多个无智能或低智能个体通过相互之间的简单交互涌现出的高智能行为。系统工作过程中，系统在当前环境ES的基础上根据策略F进行调整，得到整个系统的行为B，该过程可以描述为：

B=F(ES)。

(4)

系统S的调整过程主要依赖于策略F。策略F需要考虑系统组分中各个智能体的交互，通常可以借鉴生物群体的交互方式。根据任务完成质量，系统所采取的行为B可以映射至一个得分A:

R:B→A。

(5)

式中：得分A称为性能，R为系统行为评价方式。性能A越高，则系统S完成任务的质量越高。

制造业智慧空间系统IS工作过程中，工人、机器、物料通过交互能够实现自主调整系统元素的任务分工、协作方式；适应环境的动态变化，增强鲁棒性；更改自身构造以适应新环境等，分别称为自组织能力、自适应能力和自演化能力。接下来分别对这3个方面的群体智能进行阐述。

2.1 自组织能力

组织指的是系统的结构从混乱转变为有序的过程。本文通过制造群体的混乱程度来判断系统是否具有组织能力。具体地，本文借助群体熵[10]的概念对系统混乱程度进行度量。群体熵定义如下：

定义2群体熵。群体熵E定义为群体中平均每个个体的每个行为的不确定性，

(6)

式中：B表示群体的行为集合，I表示群体的个体集合，Pbi表示个体i进行行为b的概率。

当群体熵E较大时，群体中个体行为的不确定性较高，整个群体的组织呈现混乱的状态；反之，当群体熵E较小时，群体中个体行为的不确定性较低，整个群体的组织呈现有序的状态。制造业智慧空间系统的组织能力指系统中各制造主体从混乱的高群体熵状态变化为有序的低群体熵状态，定义如下:

定义3组织能力。若系统S在进入一个新环境后，其群体熵E从一个较大的值逐渐减小，并最终稳定在一个较小的值，则称系统S具备组织能力。

根据不同的进化形式，系统的组织能力可以分为他组织和自组织两类。他组织指的是系统有序结构的形成过程主要依靠外部指令，传统制造业的组织能力便是如此；自组织指的是在不存在外部单元进行统一调控的情况下，系统中各个元素能够通过试探、交互、学习等方法，自发地、协调地、自动地形成有序结构。制造业智慧空间的组织能力属于自组织能力。系统的自组织能力定义如下：

定义4自组织能力。若系统S的组织能力不需要外部单元从中调控，完全由内部元素自主获得，则称系统S具备自组织能力。

定理1制造业智慧空间IS具备自组织能力。

在自组织过程中，由于不存在外部单元，制造业智慧空间中的每个元素需要先自行尝试可能的行为，然后与其他元素进行交互，最终学习到一个有效的组织方案。由于需要制造主体自由探索，制造业智慧空间系统的自组织过程通常分为两个阶段。

(1)阶段1：激发阶段。系统中的个体各自进行自由探索，该阶段群体智能激发，群体熵E增大；

(2)阶段2：汇聚阶段。系统中的个体间汇聚探索结果，该阶段群体智能汇聚，群体熵E减小。

制造业智慧空间的自组织能力使得制造过程更加高效、灵活。例如，在工厂运输系统中，传统方案一般需提前制定运输计划，由外部单元向各无人车发送具体的搬运指令。然而，由于运输需求不断变化，这种外部调控的他组织形式往往存在效率低下、灵活度低的问题。而在制造业智慧空间中，各无人车根据自身位置、其他无人车位置以及物料地点和数量自组织地决定任务分工，这种自组织能力能够令制造业智慧空间对运输需求的变化进行快速响应，实现高效灵活的智慧运输。

2.2 自适应能力

系统的自适应能力和下一节将要介绍的自演化能力主要刻画系统应对环境变化的能力，即系统是否能够在环境发生变化后仍维持较好的性能。

自适应能力指的是系统按照环境的变化，调整其自身行为，使得其在改变了的环境中达到最好的或者至少是容许的特性和功能所具有的能力。自适应能力的数学定义如下：

定理2制造业智慧空间IS具备自适应能力。

由定义可知，一方面，变化后的新环境是原环境基础上的一个偏离，例如，制造业中运输系统的环境为厂房内部，在原厂房布置环境的基础上，新增/取消货架、物料堆等障碍物，已有布局发生一定程度的改变等；另一方面，系统本身，即其组分和结构，不发生改变。因此，系统的自适应能力是对系统的鲁棒性、容错能力的度量。

制造业智慧空间的自适应能力使得制造过程对环境的适应能力得到极大提高。同样，在工厂运输系统的物料运输场景中，不具备自适应能力的传统制造业运输方案固化，当配送需求、运输路径发生变化后，原有的运输方案不再适用，导致整个运输系统的瘫痪。而在制造业智慧空间中，各无人车能够快速探知环境的变化，自主调整任务分工和运输路径，即使环境发生一定程度的变化也能够保证运输任务的有效完成。

2.3 自演化能力

自演化能力同样是反映系统适应环境的能力，但是在环境改变量与系统适应方式方面，与自适应能力具有明显区别。自演化能力的数学定义如下：

定理3制造业智慧空间IS具备自演化能力。

由定义可知，一方面，变化后的新环境是区别于原环境的一个全新环境，而非原环境基础上的一个偏离，例如，制造业中运输系统的环境为厂房内部，后因业务需求场景变化，需要将运输系统部署至室外环境，相较于原工厂环境，室外环境是一个全新环境；另一方面，系统本身，即其组分和结构发生改变，例如，上面描述的运输场景中，当运输系统从厂房环境变化至室外环境，为了适应夜场无光源情况下的运输，需要加装车灯(组分T改变)，为了适应解决外场路面崎岖且障碍物多导致的运输效率低下问题，可能需要将原有的一部分运输车改装为清障车，车辆间关系由原来的全运输同质关系改变为运输清障异质关系(结构R改变)。

制造业智慧空间的自演化能力使得制造系统更具长周期生命力。同样，以制造业运输系统为例，制造工厂转型后运输环境可能发生较大的变化，例如从室内的有序可控运输环境转变为室外的无序杂乱运输环境。在传统制造业中，更换环境后往往需要废弃现有运输设备，购置新的运输设备。而在制造业智慧空间中，运输系统中的无人车能够自主改变角色分工、交互模式等，在新环境中完成相应的工作内容。

自适应能力和自演化能力的区别可以总结为以下两个方面：

(1)环境 自适应能力中环境变化指的是新环境为原环境的一个偏离，随时间推移会继续变化回原环境或原环境的另外一个偏离。系统需要在新环境、原环境以及原环境的其他偏离中均具备良好性能；自演化能力中新环境为区别于原环境的一个全新环境，但通常与原环境具有一定的联系，随时间推移新环境可能产生新的性质，但不会变化回原环境。系统需要在新环境中具备良好性能，但不要求其同样在原环境中具备良好性能。

(2)系统 自适应能力中系统组分和结构不发生改变；自演化能力中系统组分和结构发生改变。

3 制造业智慧空间机理

为了使制造业智慧空间具备自组织、自适应和自演化能力，需要建立相应的内在机制，即上一章中给出的策略F。其中一个重要的方法是借鉴生物群体智能，并将其映射至制造业智慧空间中。本章将结合生物群智行为，探索仿生学驱动的生物群体智能到制造业群体智能的映射机理。

3.1 智能体学习机制

生物个体所特有的学习、认知和理解能力是制造主体所不具备的。目前，已有部分机器学习算法借鉴生物体学习方式设计出了仿生的制造主体学习方法。例如，迁移学习借鉴了生物体举一反三的学习能力，强化学习借鉴了生物体的试错能力。采用基于学习的策略，则系统的工作过程可以描述为：

B=Fl(ES)。

(7)

接下来以迁移学习和强化学习为例对这类方法进行介绍。迁移学习的核心在于捕捉相似任务之间的关联性，将智能体在某任务中已学习到的知识服务于新的任务。LIU等[11]提出了基于元学习的多城市知识迁移方法，该方法通过融合多个已有城市之间的差异互补知识来提升目标城市时空预测模型的预测准确度。迁移学习实质上是将知识从知识丰富体向知识缺乏体的转移。基于迁移学习的策略可以具体表示为B=Fl(ES)=Fls⊕Flt(ES)=Fls(ESs)⊕Flt(ESn)，其中Fls表示源环境ESs中已成熟的策略。此时，仅需要针对目标环境与源环境之间的变量ESn学习新策略Flt并进行融合即可。强化学习模拟生物体的试错行为，不设置具体目标，而是允许智能体自由探索，通过判断智能体所采取的行为对于最终目的是有利的或者有弊的来设计奖励和惩罚，让智能体在不断探索的过程中学习解决方案。基于迁移学习的策略可以具体表示为B=Fl(ES)=Fi→∞(ES)，其中Fi→∞由初始随机策略F0多次迭代得到，迭代规则为：对于第i次尝试动作Bi=Fi(ES)，根据某规则Rd对其效果进行评分，并根据得到的分数Gi及其他既往得分Gi-1,…,G0决定策略调整方向。多智能体强化学习实现了单智能体自主学习向多智能体协同学习的拓展，该方法进一步借鉴生物界的协作、竞争、博弈行为，能够实现群体能力的有效提升。《星际争霸Ⅱ》中的群智能体AlphaStar凭借该方法达到Grandmaster级别[12]。

迁移学习和强化学习等仿生方法能够有效实现制造业智慧空间系统组分的智慧化，使得智造主体具备智能感知和自学习增强能力。例如，制造业智慧空间中的运输系统，基于强化学习，无人车能够自主探索可能的运输路径，并在不断试错后学习到有效的运输方案；基于迁移学习，在变换运输环境后无人车能够将在原环境中学习到的运输知识应用于新环境，快速提高对于新环境的适应性。

3.2 数学建模方法

从数学角度刻画生物群体协同运动的内在机理，能够有效指导制造业人、机、物群体智能的形成，是生物群智向制造群智映射的一种重要模式。采用基于建模的策略，则系统的工作过程可以描述为：

B=Fm(ES)。

(8)

通过集群动力学映射模式等，能够实现制造业智慧空间系统结构智慧化，实现制造个体与群体智能融合并激发制造业智慧空间的自组织能力。例如，借鉴鸟群的集体行进方式并通过集群动力学映射模式映射至制造业智慧空间中的运输系统，无人车集群能够自主编队并有序行进，实现大批量货物的高效运输。

3.3 启发式算法

鸟群、鱼群、蜂群、兽群等动物群体为了实现个体利益和群体利益的最优，在捕食、筑巢等活动中往往具有一定的社会行为，并涌现出群体智能。为了研究上述行为及其涌现出的智能，启发式算法应运而生，并被广泛应用于人工集群。采用基于启发式的策略，则系统的工作过程可以描述为：

B=Fh(ES)。

(9)

下面以蚁群算法和狼群算法为例进行详细介绍。蚂蚁在外出搜寻食物时往往结队而行，为了在复杂多变的环境中进行搜寻往往需要分开探索，分开的蚂蚁依靠信息素进行交流以交换获知到的信息。蚁群算法便是借鉴蚁群基于信息素的交流方式设计的。该算法将所有可能路径作为待优化问题的解空间，行走路径作为其可行解，信息素浓度作为转移概率，不断迭代得到最优路径。该算法由3个步骤组成，即Fh:S1(根据信息素浓度选择路径)→S2(前进并释放信息素)→S3(检查是否满足终止条件，不满足则回到S1)。狼群算法则是借鉴了狼群捕猎时的角色分工方式。狼群捕猎时，每头狼根据其作用分为头狼、猛狼、探狼，头狼负责组织，猛狼负责攻击，探狼负责侦查，各司其职而达到良好的捕猎效果。狼群算法最早由YANG等[18]提出。MIRJALILI等[19]提出了灰狼优化算法。狼群算法包含5个步骤，即Fh:S1(竞争头狼)→S2(召唤猛狼)→S3(围攻猎物)→S4(分配食物并更新狼群)→S5(检查是否满足终止条件，不满足则回到S1)

通过蚁群算法、狼群算法等群智优化算法，能够实现制造业智慧空间系统结构智慧化，实现制造个体与群体智能融合并激发制造业智慧空间的自适应能力。具体来说，蚁群算法能够有效提升制造系统中各种运输系统在复杂多变的环境中的适应能力，狼群算法能够指导制造业集群在应对不同任务需求时的自我调节能力。目前，这两个算法在制造业中的柔性生产[20]、作业调度[21]等方面都起到了重要的作用。

3.4 演化博弈动力学

演化博弈是指群体中的个体随时间推移不断进行博弈，并在该过程中不断更新自己的策略，以实现收益的提高。这个概念最早来自于达尔文的进化论，描述的是生物界中生物群体在自然环境中能力的动态变化过程。采用基于演化博弈动力学的策略，则系统的工作过程可以描述为：

B=Fe(ES)。

(10)

Uber人工智能实验室的STANLEY等[22]提出了基于演化的神经网络学习策略，能够实现对网络结构、激活函数、超参数等的优化迭代。此外，斯坦福大学李飞飞团队[23]提出了一种新型计算框架——深度进化强化学习(Deep Evolutionary Reinforcement Learning, DERL)。该框架基于DERL创建了具有具身智能的智能体，该智能体可在多个复杂环境中执行不同任务。除了软件的演化，演化博弈动力学在硬件方面也发挥着重要的作用。演化硬件指的是一种具备演化能力的硬件电路，主要包括演化算法和可编程逻辑器件两部分。演化硬件能够像生物一样根据环境的变化改变自身的结构，以达到适应生存环境的目的，具有自组织、自适应、自修复能力[24]。基于特定的演化算法，硬件的电路结构、参数等具有进化能力，能够实现电路中逻辑单元的重构，使得FPGA芯片、嵌入式开发板等硬件发生进化。对比自然界生物的碳基结构，这种进化往往被称为硅基进化。

通过演化博弈动力学，能够实现制造业智慧空间系统结构智慧化，并实现制造个体与群体智能融合并激发制造业智慧空间的自演化能力。具体来说，借鉴生物界的进化理论并通过演化博弈动力学将其映射至制造业智慧空间，能够实现人、机、物智造主体和制造群体交互模式的不断更新和制造业智慧空间功能的演化。

4 研究实例

本章将以多无人车自组织运输系统、自适应深度学习模型部署、自演化零件缺陷检测系统为例，介绍制造业智慧空间中各子系统的构成、运作机理并分别验证其自组织、自适应和自演化能力。

4.1 多无人车自组织运输系统

利用多无人车进行不同车间材料的自动配送，需要解决无人车的任务调度、资源分配、路线规划等问题。同时，由于车间环境干扰多、运输需求变化快等原因，预先制定运输策略的方法往往无法有效胜任，因此需要开发自组织的多无人车运输系统。

多无人车运输系统S1的组分主要包括多个无人车v，表示为：

T1={v1,…,vnv}。

(11)

各无人小车之间分布式交互，因此结构可以表示为：

R1={i,j|i,j∈T1}。

(12)

运输系统自组织配送过程中，需要重点解决不同位置物料和小车之间的任务匹配问题，避免小车争抢部分物料、部分物料无车配送、远距离小车任务匹配等情况的发生。

本团队在前期工作中对上述问题进行了研究，并提出了基于群智能体强化学习的MADDPG-IPF/BiCNet-IPF方法[25]。该方法属于第3章中提到的智能体学习机制策略，即B=Slearning(ES)。具体实现过程如下：将车间配送优化问题抽象为部分可观测马尔科夫决策过程，确定包括小车状态信息，目标货物信息在内的状态空间；无人车动作空间设置为前、后、左、右移动与停留；并采用基于信息势场的奖励函数。

该工作在3个智能体3个物料点和6个智能体6个物料点两种场景下进行了实验。在3个智能体3个物料点场景下，MADDPG-IPF和BiCNet-IPF可分别达到95.00%和97.56%的任务完成率，在复杂6v6场景下仍能分别达到80.22%和91.61%的任务响应率，具有较高的性能。由于该工作采用了强化学习策略，实验过程中各个智能体前期处于“激发阶段”，即各智能体以较大的概率进行随机尝试(试错)，该阶段系统群体熵E增大；后期处于“汇聚阶段”，即各智能体根据尝试结果进行交互，以获取有效、稳定的策略，该阶段系统群体熵E减小。因此可得，将MADDPG-IPF/BiCNet-IPF方法应用于多无人车自组织运输系统，可使其具备良好的自组织能力。

4.2 自适应深度学习模型部署

在实际制造场景中，任务的性能需求经常发生变化，制造设备的存储资源、电源消耗等也会发生动态变化。因此，根据上下文信息自动地调整模型结构与参数以自适应匹配上下文变化是解决该问题的重要途径。

接下来以厂房环境感知系统为例进行介绍。为了保证安全，厂房感知系统S2中需要部署温度传感器t、湿度传感器h、烟雾传感器s、水浸传感器w等固定传感器及视频监控小车v等移动传感器。则该系统的组分为：

T2={t1,…,tnt;h1,…,hnh;s1,…,sns;

w1,…,wnw;v1,…,vnv}。

(13)

各传感器之间以分布式交互为主，则该系统的结构可以表示为：

R2={i,j|i,j∈T2}。

(14)

上述组分中的元素计算能力有限，需要采用模型分割技术对深度模型进行分割，并分布式部署在各传感器上。同时，当存储、带宽和能量等资源动态变化时，系统需要能够自适应地作出调整。

本团队在前期工作中对上述问题进行了研究，并提出了基于模型分割技术的GADS(graph based adaptive DNN surgery)方法[26]。该方法属于第3章中提到的启发式算法策略，即B=Sheuristic(ES)。具体实现过程如下：首先对设备中的存储、信号带宽和能量等动态资源进行建模，利用函数关系映射到当前设备可使用的资源上限，将情境中的动态资源状态转化为约束条件。其次，对模型的不同划分构建为分割状态图，顶点表示划分方案，边表示分割方案下的分割点是相邻的。基于该发现规律——“近邻效应”，即在寻找合适的模型划分时最优分割点周围总是存在次优分割点。受“近邻效应”的启发，提出GADS方法，该方法根据实时感知的资源上限约束，以当前分割状态为导向，优先在近邻的分割状态里，参考KD树最近邻算法寻找满足的分割状态，将厂房环境感知系统中的深度学习模型进行分割。最后，按照寻找到的分割状态重新部署网络，实现根据情境实时自适应的快速调优。

该工作模拟不同场景和各种指标的运行情境变化来对系统的自适应能力进行验证。设置稳态环境ES中终端电量E=0.02 J，传输带宽B=6 MB/s，时延需求T=0.01 s，分别减小终端电量至E1=0.005 J，记为环境ES1；减小传输带宽至B1=1 MB/s，记为环境ES2；减小时延需求至T=0.005 s，记为环境ES3，并在3个新环境中对系统进行测试，结果发现系统仍能维持良好性能。

当环境ES变为环境ES1，其环境变化量ΔES={ΔE,ΔB,ΔT}={0.015 J,0,0}；当环境ES变为环境ES2，其环境变化量ΔES={ΔE,ΔB,ΔT}={0,0.5 MB/s,0}；变为环境ES3，其环境变化量ΔES={ΔE,ΔB,ΔT}={0,0,0.005 s}，3种情况下环境变化量均足够大，且系统性能变化量足够小。另外，该方案仅改变模型分割点，而未改变系统的组分T2和结构R2。由此可以证明，将GADS方法应用于厂房环境感知系统，可使其具备良好的自适应能力。

4.3 自演化零件缺陷检测系统

基于机器视觉的零件表面缺陷检测方法可以实现高效质检。然而，零件加工机器技艺改造、物料批次变化等因素会导致零件表面缺陷的种类发生改变。例如，原来的漏底、起坑、脏点、桔皮等表面缺陷改变为凸粉、擦花等表面缺陷。当零件表面缺陷变化后，原有的检测模型不再适用。模型需要进行相应的变化，以适应新的检测目标。

零件表面缺陷检测系统S3的构成相对简单，一般由摄像头c、图像处理模型m构成。该系统的组分为：

T3={c,m}。

(15)

摄像头c对待检测的零件表面拍摄照片，然后将照片送至图像处理模型m进行分析判断。因此该系统的组分可以表示为：

R3={c,m|i,j∈T2}。

(16)

本团队在前期工作中对上述问题进行了研究，并提出了迁移学习的少样本表面缺陷检测TL-SDD方法[27]。该方法属于第3章提到的智能体学习机制策略，即B=Slearning(ES)。该方法包含基于度量的表面缺陷检测模型和两阶段的迁移学习策略。其中，基于度量的表面缺陷检测模型包含3个模块：①特征提取模块,使用ResNet-101作为基础网络，并结合特征金字塔网络进行特征融合；②特征重加权模块,以缺陷图像及其标注为输入，并将这些信息嵌入到权重向量中，实现缺陷定位；③距离度量模块,为每个缺陷类别生成一种类别表示，通过计算待测样本表示与各种类别表示之间的欧式距离进行缺陷分类。整个模型的训练过程分为两个阶段：①基础训练阶段,将常见缺陷样本分为足量的少样本任务，并在这些足量的任务上预训练表面缺陷检测模型;②少样本微调阶段,将稀有缺陷样本和少量的常见缺陷样本，分为大小相同的少样本任务，在预训练的表面缺陷检测模型上进行微调。

表2 自演化零件缺陷检测系统平均精度 %

5 结束语

本文对制造业智慧空间进行了系统性的介绍。首先，使用系统学方法对制造业智慧空间进行建模，指出其组分为智慧人机物，能够完成一般制造任务的同时具备自学习增强能力，结构为分布式为主，并将其与传统制造业进行了对比。然后，给出制造系统工作时的一般范式，指出制造业智慧空间具备自组织、自适应、自演化3个方面的群体智能。接下来，结合生物体群智介绍了制造业智慧空间群体智能背后的机理，具体包括群智能体学习机制、数学建模方法、启发式算法和演化博弈动力学。最后，以多无人车自组织运输系统、自适应深度学习模型部署、自演化零件缺陷检测系统3个典型场景为例，介绍了制造业智慧空间中各子系统的构成、运作机理并分别验证其自组织、自适应和自演化能力。

未来将进一步完善本文提出的理论模型，深入挖掘自然界中其他群智行为并将其映射至制造空间。另外，未来将考虑该模型在更多实际制造场景中的应用，为实际制造任务提供理论依据。