Перевод статьи Smart Manufacturing Systems: state of the art and future trends

Аннотация

С разработкой (развитием) и применением передовых технологий, таких как кибер физическая система, Интернет вещей, промышленный Интернет вещей, искусственный интеллект, большие данные, облачные вычисления, блокчейн и т.д., все больше производственных предприятий преобразованы в интеллектуальные предприятия. Умные производственные системы (smart manufacturing systems, SMS) стали центром внимания некоторых стран и производственных предприятий. В настоящее время есть несколько приложений SMS в различных областях промышленности. Тем не менее, все еще не хватает единого определения SMS и единого анализа требований. Для того, чтобы иметь всестороннее понимание SMS, в этой статье обобщены эволюция, определение, цели, функциональные требования, бизнес-требования, технические требования и компоненты SMS. В то же время, она указывает на текущее развитие статуса и уровня. Исходя из вышеизложенного, предложена модель автономного SMS, основанная на динамическом спросе и ключевых показателях эффективности. В обзоре этой статьи можно найти ссылку на трансформацию производства предприятия от традиционных до интеллектуализированных.

Ключевые слова Умные производственные системы. Эволюция производства. Требования. Составные компоненты. Будущая перспектива

1 Введение

Четвертая промышленная революция - это новый этап для производственных систем, особенно интеллектуальных (умных) производственных систем (SMS),
________________________________________________________________

1. Шанхайский институт развития обслуживания производителей, Шанхайский научно-исследовательский центр промышленной информатики, Шанхайская лаборатория передовой производственной среды, Институт интеллектуального производства и информационной инженерии, Школа машиностроения, Шанхайский университет Цзяо Тонг, Дунчхуань дорога 800, Минханг район, город Шанхай, Китайская Народная Республика
2. Шэньчжэньский институт передовых технологий, Академия наук Китая, проспект Сюэюань, 1068, Университетский город Шэньчжэнь, Шэньчжэнь, Китайская Народная Республика ______________________________________________________
которые могут быстро реагировать на требования глобальной конкуренции и кастомизации. Hyoung Seok и соавторы [1] проанализировали стратегию некоторых стран, таких как Корея, - «Производственные Инновации 3.0», Германия -« Индустрия 4.0 » и США - «умное производство» в построении SMS и разработке сопутствующих технологий. Andrew Kusiak (Андрей Кусяк) [2] дал шесть столпов SMS от производственных компонентов в производственных технологиях и процессах, материалов, данных, прогностической инженерии, устойчивости, совместного использования ресурсов и сетей. Bo-hu Li и соавторы [3] дали обзор приложений AI в интеллектуальном производстве. Nagorny и соавторы [4] дали обзор приложения Большие данные в умном производстве (smart manufacturing, SM) для оптимизации ключевого показателя эффективности, диагностирования, прогнозирования и оптимизации проектирования. Lidong и Guanghui [5] дали характеристику и взаимосвязь больших данных, Индустрии 4.0 и CPS. Кроме того, другие исследования касаются конкретных отраслей промышленности, таких как производство автомобилей [6], электронная промышленность [7] и другие специфические отрасли.

СОДЕРЖАНИЕ:
Аннотация……………………………………………………………………………3
1. Введение………………………………………………………………………...3-5
2. Эволюция и определение SMS…………………………………………………..5
2.1 Эволюция интеллектуальных производственных систем…………...…..5-6
2.2 Основные определения в умном производстве…………………………..6-7
3. Цели и требования SMSs………………………………………………………7-8
3.1 Основная цель……………………………………………………………..8-10
3.2 Функциональные требования…………………………………….……..10-11
3.3 Технологические требования…………………………………….……..12-13
3.4 Бизнес-требования…………………………………………………………..13
4. Составляющие SMS…………………………………………………………13-14
4.1 Физический уровень…………………………………………………….14-16
4.2 Уровень умной взаимосвязи и коммуникаций SMS……………………...16
4.3 Уровень применения………………………………………………….…17-19
5. Задачи исследований и перспективы на будущее…………………………19-20
5.1 Автономный механизм эволюции для SMS…………………………....20-21
5.2 Автономная схема для SMS………………………………………………...23
6. Заключение…………………………………………………………………..25-27
Выражение благодарности ………………………………………………………...27
Список литературы……………………………………………………………. 28- 41

Перевод статьи "Smart manufacturing systems" , защитила статью на 9.5/10. Место защиты - ВУЗ

Список литературы

1. Kang HS, Lee JY, Choi SS, Kim H, Park JH, Son JY, Kim BH, Noh SD (2016) Интеллектуальное производство: прошлые исследования, нынешние выводы и будущие направления.Int J Precis Eng Manuf-Green Technol 3(1):111–128

2. Kusiak A (2018) Умное производство. Int J Prod Res 56(1-2): 508–517. https://doi.org/10.1080/00207543.2017.1351644

3. Li B-h et al (2017) Применение искусственного интеллекта в интеллектуальном производстве: обзор.Front Inf Technol Electron Eng 18(1):86–96

4. Nagorny K, Lima-Monteiro P, Barata J, Colombo AW (2017) Анализ больших данных в интеллектуальном производстве: обзор. Int J Commun Netw Syst Sci 10(03):31–58

5. Lidong W, Guanghui W (2016) Большие данные в киберфизических системах, цифровом производстве и Индустрии 4.0.IntJ Eng Manuf 6(4):1–8

6. Zheng M, Ming X (2017) Построение киберфизических системно-интегрированных интеллектуальных производственных цехов: исследование на примере автомобильной промышленности.Adv Mech Eng 9(10):1–17. https://doi.org/10. 1177/1687814017733246

7. Chien CF, Chuang SC (2014) Структура для обнаружения первопричин субпакетной обработки системы анализа больших данных производства полупроводников.IEEE Trans Semicond Manuf 27(4):475–488

8. Park H-S, Tran N-H (2015) Разработка облачной системы умного производства. J Adv Mech Des Syst Manuf 9(3): JAMDSM0030-JAMDSM0030
9. Clair G, et al. (2008) Саморегулирование в самоорганизующихся мультиагентных системах для адаптивного и интеллектуального управления производством. In Self-Adaptive and Self-Organizing Systems, 2008. SASO’08. Second IEEE International Conference on. IEEE

10. Wang G (2017) Самоорганизация интеллектуальная модель производственно-сбытовой цепочки обрабатывающей промышленности на основе стратегии элитного отбора. Boletín Técnico, ISSN: 0376-723X. 55(9)
11.Kumaraguru S, Morris K (2014) Интеграция аналитики в реальном времени и непрерывного управления производительностью в интеллектуальных производственных системах.In: IFIP International Conference on Advances in Production Management Systems. Springer, Berlin
12. Park, H., От автоматизации к автономии новая тенденция для умного производства DAAAM International Scientific Book, 2013
13.Helu M, et al. (2016) Включение интеллектуальных производственных технологийдля поддержки принятия решений.In ASME 2016 international design engineering technical conferences and computers and information in engineering conference
14. Wu DZ, Jennings C, Terpenny J, Gao RX, Kumara S (2017) Сравнительное исследование алгоритмов машинного обучения для интеллектуального производства: прогнозирование износа инструмента с использованием случайных лесоматериалов. Journal of Manufacturing Science and Engineering-Transactions of the Asme 139(7):071018–0711–9. https://doi.org/10.1115/1. 4036350
15. Sayed, M.S., et al. (2015) SelSus: к эталонной архитектуре для диагностики и прогнозного обслуживания с использованием интеллектуальных производственных устройств. In Industrial Informatics (INDIN), 2015 IEEE 13th International Conference on. IEEE
16 Moyne J, Iskandar J (2017) Аналитика больших данных для интеллектуального производства: тематические исследования в области производства полупроводников.Processes 5(3):1–20. https://doi.org/10.3390/pr5030039

17. Park CY et al (2017) Прогнозная модель осведомленности о ситуации для интеллектуального производства, pp 1–8
18. Lee YT et al (2017) Схема классификации показателей эффективности интеллектуальных производственных систем. Умные Устойчивые Производственные Системы1(1): 52
19. Kang CW, Ramzan MB, Sarkar B, Imran M (2017) Влияние производительности контроля в интеллектуальной производственной системе, основанной на человеческой системе контроля качества. Int J Adv Manuf Technol 94(9-12): 4351–4364. https://doi.org/10.1007/s00170-017-1069-4
20. Kibira D, Morris KC, Kumaraguru S (2016) Методы и инструменты обеспечения производительности интеллектуальных производственных систем.J Res Natl Inst Stand Technol 121:282–313
21. Jung K et al (2016) Метод идентификации проблем производительности для интеллектуальных производственных систем.National Institute of Standards and Technology, NISTIR, p 8108

22. Jung K, Morris KC, Lyons KW, Leong S, Cho H (2015) Использование формальных методов для оценки проблем производительности интеллектуальных производственных систем: сосредоточение внимания на гибкости.Concur Eng-Res Appl 23(4):343–354

23. Jung K et al (2015)Сопоставление стратегических целей и показателей операционной эффективности для интеллектуальных производственных систем. In: Procedia Computer Science, pp 184–193

24. Jawahir IS, Balaji AK, Rouch KE, Baker JR (2003) К интеграции гибридных моделей для оптимизации производительности обработки в интеллектуальных производственных системах. J Mater Process Technol 139(1–3):488–498

25. Barkmeyer E, Barkmeyer E, Wallace EK (2016) Эталонная архитектура для интеллектуального производства. Часть 1: функциональные модели.US Department of Commerce, National Institute of Standards and Technology, Gaithersburg
26. Brundage MP, Kulvantunyou B, Ademujimi T, Rakshith B (2017) Интеллектуальное производство через основу для системы диагностики, основанной на знаниях.Proceedings of the ASME 2017 International Manufacturing Science and Engineering Conference, MSEC 2017:1–9
27. Nagadi K (2016) Структура для создания интеллектуальных конфигураций производственных систем с использованием агентов и оптимизации. University of Central Florida, University of Central Florida

28. Giret A, Garcia E, Botti V (2016) Инженерная основа для Сервис-ориентированных интеллектуальных производственных систем.Comput Ind 81:116–127

29. Giret A, Botti V (2015) ANEMONA-S+Thomas: основа для разработки сервис-ориентированных интеллектуальных производственных систем. Service Orientation in Holonic and Multi-agent Manufacturing 594:61–69. https://doi.org/10.1007/978-3-319-15159-5_6

30. Rao M, Luxhoj JT (1991)Интеграционная основа для интеллектуальных производственных процессов. J Intell Manuf 2(1):43–52

31. Rzevski G (1997) Основа для проектирования интеллектуальных производственных систем.Comput Ind 34(2):211–219

32. Delaram J, Fatahi Valilai O (2018) Архитектурный взгляд на компьютерные интегрированные производственные системы, основанный на аксиоматической теории проектирования.Comput Ind 100:96–114
33. Kusiak A (1990)Интеллектуальные производственные системы. Prentice Hall Press, 200 Old Tappan Road, Old Tappan, NJ 07675, USA, p 448
34.Choi S, Kim BH, Do Noh S (2015) Метод диагностики и оценки для стратегического планирования и систематического проектирования виртуальной фабрики в интеллектуальных производственных системах.Int J Precis Eng Manuf 16(6):1107–1115
35. Coalition SML (2011) Внедрение отчета об умном производстве 21-го века.SMLC
36.Zheng P, Sang Z, Zhong RY et al (2018) Интеллектуальные производственные системы для Индустрии 4.0: концептуальная основа, сценарии и перспективы на будущее.Front Mech Eng 13(2):137–150. https://doi. org/10.1007/s11465-000-0000-0
37. Lee J, Lapira E, Bagheri B, Kao HA (2013) Последние достижения и тенденции в области прогнозных производственных систем в среде больших данных. Manuf Lett 1(1):38–41

38. Hankel M, Rexroth B,Справка Архитектурной Модели Индустрии 4.0 (RAMI 4.0) (2015) ZVEI 2:2
39.Consortium II (2015)Промышленная справочная архитектура Интернета. Промышленный Интернет-Консорциум, Tech. Rep
40.Bititci US, Suwignjo P, Carrie AS (2001) Управление стратегией на основе количественного моделирования систем измерения эффективности.Int J Prod Econ 69(1):15–22
41.Feeney AB, Frechette SP, Srinivasan V (2015) Портрет по стандарту ISO STEP стандарт в качестве инструмента реализации интеллектуальных производственных систем.J Comput Inf Sci Eng 15(2):021001
42.Park H-S, Tran N-H (2014) Автономия для умного производства.J Korean Soc Precis Eng 31(4):287–295
43. Oertwig N, Jochem R, Knothe T (2017) Устойчивость в рамках основанного на моделях планирования и контроля глобальных сетей создания стоимости.Procedia Manuf 8:183–190
44.Brown A, Amundson J, Badurdeen F (2014) Устойчивое отображение потока создания ценности (Sus-VSM)в различных конфигурациях производственных систем: практические примеры.J Clean Prod 85:164–179
45.Moisescu MA, Sacala IS, Stanescu AM, Serbanescu C (2012) На пути к интеграции извлечения знаний из взаимодействия процессов в будущих корпоративных системах интернета.IFAC Proc Vol 45(6):1458–1463
46.Moisescu MA, Sacala IS (2016) На пути к разработке совместимых сенсорных систем для будущего предприятия. J Intell Manuf 27(1):33–54
47.Santucci G, Martinez C, Vlad-Câlcic D (2012) Зондирующее предприятие.In: FInES workshop at FIA 2012
48. Vargas A, Cuenca L, Boza A, Sacala I, Moisescu M (2016) На пути к разработке основы для межведомственной корпоративной архитектуры.J Intell Manuf 27(1):55–72
49. Zhang Y, Wang W, Du W, Qian C, Yang H (2017) Цветная сеть Петри на основе активной сенсорной системы реального времени и многоисточниковой производственной информации для интеллектуального завода.Int J Adv Manuf Technol 94(9-12):3427–3439. https://doi.org/10.1007/s00170- 017-0800-5
50. Weichhart G, Molina A, Chen D, Whitman LE, Vernadat F (2016)Проблемы и текущие разработки в области сенсорных, интеллектуальных и устойчивых корпоративных систем. Comput Ind 79:34–46
51. Wong KS, Kim MH (2017) Защита конфиденциальности для интеллектуальных производственных систем, управляемых данными.Int J Web Serv Res 14(3):17–32
52. Sun XY et al (2014) Самоадаптивная оптимизация энергии со стороны спроса на основе прогнозирования производственного центра в киберфизических системах.Chin J Mech Eng 27(3):488–495
53.Zhang Y, Qian C, Lv J, Liu Y (2017)Агент и киберфизическая система на основе самоорганизующейся и самоадаптирующейся интеллектуальной торговой площадки. IEEE Trans Ind Inform 13(2):737–747
54. Huang S, Chen Y, Zhou H, Gu X (2018) Самоорганизующаяся модель оценки и алгоритм производства облачных сервисов, управляемых поведением пользователей.Int J Adv Manuf Technol 95(1–4):1549–1565
55. Mourtzis D, Vlachou E, Boli N, Gravias L, Giannoulis C (2016) Проектирование производственных сетей осуществляется с помощью интеллектуального принятия решений в направлении бережливых инноваций.Procedia CIRP 50:354–359
56. Guo Z et al (2015) Интеллектуальная архитектура системы поддержки принятия решений на основе RFID для мониторинга и планирования производства в распределенной производственной среде.Int J Prod Econ 159:16– 28
57. Park H-S, Tran N-H (2014) Development of a smart machining system using self-optimizing control. Int J Adv Manuf Technol 74(9–12):1365–1380
58.Panetto H, Molina A (2008) Корпоративная интеграция и интероперабельность в производственных системах: тенденции и проблемы. Comput Ind 59(7):641–646
59.Choi S et al (2015) Цифровое производство в интеллектуальных производственных системах: вклад, барьеры и будущие направления.In: IFIP International Conference on Advances in Production Management Systems. Springer, Berlin
60.Dias-Ferreira J, Ribeiro L, Akillioglu H, Neves P, Onori M (2016) BIOSOARM: био-вдохновленная самоорганизующаяся архитектура для производства киберфизических цехов.J Int Manuf 29(7): 1659–1682. https://doi.org/10.1007/s10845-016-1258-2
61. Liu C, Jiang P (2016) Киберфизическая архитектура системы в цехе для интеллектуального производства.Procedia Cirp 56:372– 377
62.Francalanza E, Borg J, Constantinescu C (2017)Основанный на знаниях инструмент для проектирования киберфизических производственных систем. Comput Ind 84:39–58
63.Lee EA (2008) Киберфизические системы: проблемы проектирования, в 2008 году 11-й Международный симпозиум IEEE по объектно-ориентированным и компонентно-ориентированным распределенным вычислениям реального времени(ISORC), pp 363–369
64.Hehenberger P, Vogel-Heuser B, Bradley D, Eynard B, Tomiyama T, Achiche S (2016) Проектирование, моделирование, имитационное моделирование и интеграция киберфизических систем: методы и приложения.Comput Ind 82:273–289
65.Kim Y-S, Yang J, Han S (2006) Многоканальный модуль визуализации для виртуального производства.Comput Ind 57(7):653–662
66.Kang S, Kang P (2017) Интеллектуальная виртуальная метрологическая система с адаптивным обновлением для производства полупроводников.J Process Control 52:66–74
67. Guan H, Alix T, Bourrières J-P (2017) Модели эталонных жизненных циклов систем продуктов и услуг в контексте виртуального предприятия. Procedia CIRP 64:387–392
68.Yin Y, Stecke KE, Li D (2017) Эволюция производственных систем от Индустрии 2.0 до Индустрии 4.0.Int J Prod Res 56(1– 2):848–861]
69.Mrugalska B, Wyrwicka MK (2017) К бережливому производству в Индустрии 4.0.Procedia Eng 182:466–473
70. Tortorella GL, Fettermann D (2017) Внедрение Индустрии 4.0 и бережливого производства в бразильских производственных компаниях.Int J Prod Res 56(8):2975–2987. https://doi.org/10.1080/00207543. 2017.1391420
71.Cheng H et al (2016) Разработка производственной онтологии на основе демонстрационной производственной линии Индустрии 4.0. In: 2016 Third International Conference on Trustworthy Systems and their Applications (TSA), pp 42–47
72. Chen B, Wan J, Shu L, Li P, Mukherjee M, Yin B (2018) Интеллектуальная фабрика Индустрии 4.0: ключевые технологии, примеры применения и проблемы. IEEE Access 6:6505–6519
73.Longo F, Nicoletti L, Padovano A (2017) Интеллектуальные операторы в Индустрии 4.0: ориентированный на человека подход к расширению возможностей и компетенции операторов в новом контексте умной фабрики.Comput Ind Eng 113:144–159
74.Wang S et al (2016) Внедрение умной фабрики Индустрии 4.0: перспективы развития.Int J Distrib Sens Netw 12(1):3159805
75.Shafiq SI, Szczerbicki E, Sanin C (2018) Анализ производственных данных в сценарииинтернет вещей / интернет данных (IoT/IoD).Cybern Syst 3:1–16
76.Oks SJ, Fritzsche A, Möslein KM (2017) Карта приложений для промышленных киберфизических систем, в промышленном интернете вещей. Springer, Berlin, pp 21–46
77. Lu Y, Ju F (2017) Интеллектуальные производственные системы, основанные на киберфизических производственных услугах(CPMS). IFAC-PapersOnLine 50(1):15883–15889
78. Bagheri B, Yang S, Kao HA, Lee J (2015) Архитектура киберфизических систем для автономных машин в среде Индустрии 4.0.IFAC-PapersOnLine 48(3):1622–1627
79. Wu D, Liu S, Zhang L, Terpenny J, Gao RX, Kurfess T, Guzzo JA (2017) Туманная вычислительная система для мониторинга и прогнозирования технологических процессов в киберпространстве.J Manuf Syst 43:25–34
80. Penas O, Plateaux R, Patalano S, Hammadi M (2017)Комплексный подход от мехатроники до киберфизических систем для проектирования производственных систем Comput Ind 86:52–69
81. Xu Y, Chen M (2017) Платформа на основе интернета вещей для повышения эффективности производства точно в срок. Proc Inst Mech Eng B J Eng Manuf 232(13):2353–2363. https://doi.org/10.1177/ 0954405417731467
82. Qu T et al (2015) Основанная на IoT система синхронизации производственной логистики в реальном времени в рамках интеллектуального облачного производства. Int J Adv Manuf Technol 84(1–4):147–164
83. Tao F, Cheng J, Qi Q (2017) IIHub: промышленный центр интернета вещей на пути к интеллектуальному производству, основанному на киберфизической системе.IEEE Transactions on Industrial Informatics 14(5):2271–2280. https://doi.org/10.1109/tii.2017.2759178
84. Cheng Y, Tao F, Xu L, Zhao D (2016) Передовые производственные системы: согласование спроса и предложения производственных ресурсов на основе сложных сетей и интернета вещей.Enterprise Information Systems 12(7):780–797. https://doi.org/10.1080/ 17517575.2016.1183263
85. Wang W, Yang H, Zhang Y, Xu J (2017) IoT-метод оптимизации энергоэффективности в режиме реального времени для энергоемких производственных предприятий. Int J Comput Integr Manuf 31(4-5): 362–379. https://doi.org/10.1080/0951192X.2017.1337929
86. Zhang YF et al (2017) Архитектура анализа больших данных для более чистых процессов производства и обслуживания сложных продуктов. J Clean Prod 142:626–641
87. Zhong RY, Lan S, Xu C, Dai Q, Huang GQ (2016) Визуализация больших данных логистики цехов с поддержкой RFID в облачном производстве.Int J Adv Manuf Technol 84(1–4):5–16
88. Chu PC, Chien CF, Chen CC (2016) Анализируя массив TFT-LCD Barray big data для повышения урожайности и эмпирическое исследование производства TFT-LCD на Тайване.Int J Ind Eng-Theory Appl Pract 23(5):318–331
89. Wan JF et al (2017) Производственное решение для больших данных для активного технического обслуживания. IEEE Trans Ind Inform 13(4):2039–2047
90. Kumar A, Shankar R, Choudhary A, Thakur LS (2016) Платформа MapReduce больших данных для диагностики неисправностей в облачных системах
производство.Int J Prod Res 54(23):7060–7073
91. Mani V, Delgado C, Hazen BT, Patel P (2017) Снижение риска цепочки поставок с помощью устойчивого использования аналитики больших данных: фактические данные из производственной цепочки поставок. Sustainability 9(4):608.https://doi.org/10.3390/su9040608
92. Lee JY, Yoon JS, Kim BH (2017) Платформа анализа больших данных для интеллектуальных фабрик в малых и средних производственных предприятиях: эмпирическое исследование завода литья под давлением. Int J Precis Eng Manuf 18(10):1353–1361. https://doi.org/10.1007/s12541- 017-0161-x
93. Jang SW, Kim GY (2017)Метод мониторинга процессов производства полупроводников с использованием анализа больших данных на основе интернета вещей. International Journal of Distributed Sensor Networks 13(7):1–9. https://doi.org/10.1177/1550147717721810
94. Babiceanu RF, Seker R (2016) Большие данные и виртуализация для производства киберфизических систем: обзор текущего состояния и перспектив на будущее. Comput Ind 81:128–137
95. Moyne J, Samantaray J, Armacost M (2016) Возможности больших данных, применяемые в полупроводниковом производстве, расширяют управление технологическими процессами.IEEE Trans Semicond Manuf 29(4):283–291
96. Li X, Song JD, Huang BQ (2016) Научная архитектура системы управления документооборотом и ее планирование на основе облачной сервисной платформы для производства аналитики больших данных.Int J Adv Manuf Technol 84(1–4):119–131
97. Li D et al (2017) Управление балансировкой нагрузки с поддержкой больших данных для интеллектуального производства Индустрии 4.0. Cluster Comput-the J Netw Softw Tools Appl 20(2):1855–1864
98. Windmann S, Maier A, Niggemann O, Frey C, Bernardi A, Gu Y, Pfrommer H, Steckel T, Krüger M, Kraus R (2015) Анализ больших данных производственных процессов. J Phys Conf Ser 659:012055
99. Liu ZF et al (2016) Разработка и изготовление модели индивидуальной гидростатической подшипниковой системы на основе технологии облачных и больших данных.Int J Adv Manuf Technol 84(1–4):261–273
100. He QP, Wang J (2017) Статистический мониторинг процессов как инструмент анализа больших данных для интеллектуального производства.J Process Control
101. Zhong RY, Xu C, Chen C, Huang GQ (2017) Аналитика больших данных для физических интеллектуальных производственных цехов на базе Интернета.Int J Prod Res 55(9):2610–2621
102. Oliveira T, Thomas M, Espadanal M (2014) Оценка детерминант внедрения облачных вычислений: анализ отраслей обрабатывающей промышленности и сферы услуг. Inf Manag 51(5):497–510
103. Wang RD, Sun XS, Yang X, Hu H (2016) Облачные вычисления и предельные обучающие машины для прогнозирования распределенного энергопотребления на предприятиях по производству оборудования. Cybern Inf Technol 16(6):83–97
104. Wu D, Liu X, Hebert S, Gentzsch W, Terpenny J (2017) Демократизация цифрового проектирования и производства с использованием высокопроизводительных облачных вычислений: оценка производительности и бенчмаркинг. J Manuf Syst 43:316–326
105. Park JH, Jeong HY (2014)Управление помехами на основе облачных вычислений для производственной системы в зеленой IT-среде J Supercomput 69(3):1054–1067
106. Wang L, Chen X, Liu Q (2017) Легкая интеллектуальная производственная система, основанная на облачных вычислениях для производства пластин. Mob Netw Appl 22(6):1170–1181
107. Elia V, Gnoni MG, Lanzilotto A (2016) Оценка применения устройств дополненной реальности в производстве с технологической точки зрения: модель на основе AHP. Expert Syst Appl 63:187–197
108. Laudante E (2017) Industry 4.0, Инновации и дизайн. Новый подход к эргономическому анализу в производственной системе.Des J 20(sup1):S2724–S2734
109. Galambos P, Csapó Á, Zentay P, Fülöp IM, Haidegger T, Baranyi P, Rudas IJ (2015) Проектирование, программирование и организация разнородных производственных систем VR c помощью удаленной совместной работы на базе виртуальной реальности. Robot Comput Integr Manuf 33:68–77
110. Chen T, Lin YC (2017) Технико-экономическая оценка и оптимизация интеллектуальной производственной системы на основе 3D-печати: обзор. Int J Intell Syst 32(4):394–413. https://doi.org/10.1002/int.21866
111. Abeyratne SA, Monfared RP (2016) Блокчейн готовая производственная цепочка поставок с использованием распределенной бухгалтерской книги.International Journal of Research in Engineering and Technology 5(9):1–10. https://doi.org/ 10.15623/ ijret.2016.0509001
112. Kennedy ZC, Stephenson DE, Christ JF, Pope TR, Arey BW, Barrett CA, Warner MG (2017) Усиленные меры по борьбе с подделкой для аддитивного производства: соединение химических подписей наноматериалов лантаноидов с технологией блокчейн. J Mater Chem C 5(37):9570–9578
113.Hermann M, Pentek T, Otto B (2016) Принципы проектирования сценариев Индустрии 4.0,, pp 3928–3937
114. Hermann, M., T. Pentek, and B. Otto. 2016 Принципы проектирования для сценариев Индустрии 4.0. In System Sciences (HICSS), 2016 49th Hawaii International Conference on. 2016. IEEE
115.Ivanov D, Dolgui A, Sokolov B, Werner F, Ivanova M (2016) Динамическая модель и алгоритм планирования краткосрочных цепочек поставок в умной фабрике Индустрии 4.0. Int J Prod Res 54(2):386–402
116.Zhang J, Ding G, Zou Y, Qin S, Fu J (2017) Обзор исследования планирования рабочих мест в цехах и его новые перспективы в рамках Индустрии 4.0.J Intell Manuf 30(4):1809–1830. https://doi.org/10.1007/s10845- 017-1350-2
117. Bannat A, Bautze T, Beetz M, Blume J, Diepold K, Ertelt C, Geiger F, Gmeiner T, Gyger T, Knoll A, Lau C, Lenz C, Ostgathe M, Reinhart G, Roesel W, Ruehr T, Schuboe A, Shea K, Stork genannt Wersborg I, Stork S, Tekouo W, Wallhoff F, Wiesbeck M, Zaeh MF (2011) Искусственное познание в производственных системах.IEEE Trans Autom Sci Eng 8(1):148–174
118. Sun Z, Wei D, Wang L, Li L (2015) Моделирование на основе планирования производства с оптимизацией потребления электроэнергии и затрат в интеллектуальных производственных системах.In 2015 IEEE International Conference on Automation Science and Engineering (CASE): pp. 992–997
119. Cai T (2014) Надежная оптимизация для интеллектуального планирования производства и проектирования цепочек поставок в химической промышленности. Интеллектуальные производственные инновации и трансформация: взаимосвязь и интеллект, IGI Global, pp. 21–37
120. Rathinasabapathy R, Elsass MJ, Josephson JR, Davis JF (2016) Интеллектуальная производственная методология для диагностики химических процессов в реальном времени с использованием оценки причинно-следственных связей.AICHE J 62(9):3420– 3431
121. Jeon BW et al (2016) Архитектурный дизайн для интеллектуальной производственной системы исполнения.Computer-Aided Des Appl 14(4):472–485
122. Kim DB, Denno PO, Jones AT (2015) Основанный на модели подход к уточнению параметров технологического процесса в интеллектуальном производстве. Concurrent Eng-Res Appl 23(4):365–376
123. Song Z, Sun Y, Yan H, Wu D, Niu P, Wu X (2018) Устойчивость интеллектуальных производственных информационных систем в условиях ресурсного сбоя: комплексная сетевая перспектива.IEEE Access 6: 3731–3738. https://doi.org/10.1109/ACCESS.2017.2786240
124. Lin YC, Hung MH, Huang HC, Chen CC, Yang HC, Hsieh YS, Cheng FT (2017) Разработка передового производственного облака вещей(AMCoT)—умная производственная платформа. IEEE Robot Autom Lett 2(3):1809–1816
125. Cao Q, Wang W, Zhu X, Leng C, Adachi M (2016).Изучение вездесущих робототехнических систем для умной производственной программы. In 2016 IEEE Workshop on Advanced Robotics and its Social Impacts (ARSO). IEEE: pp. 164–169. https://doi.org/10.1109/ ARSO.2016.7736275
126. Wang WS, Zhu XX, Wang LY, Qiu Q, Cao QX (2016) Повсеместная роботизированная технология для интеллектуальных производственных систем. Вычислительный интеллект и нейробиология.https://doi.org/10. 1155/2016/6018686
127. Yan HH et al (2017) Облачная робототехника в интеллектуальных производственных средах: проблемы и контрмеры.1 Comput Electr Eng 63:56–65
128. Yan HH et al (2017) Облачная робототехника в интеллектуальных производственных средах: проблемы и контрмеры.Comput Electr Eng 63:56–65
129. Liao Y, Deschamps F, Loures EFR, Ramos LFP (2017) Прошлое, настоящее и будущее Индустрии 4.0 - систематический обзор литературы и предложение по программе исследований. Int J Prod Res 55(12):3609–3629
130. Luo RC, Kuo CW (2016)Интеллектуальный робот с семью степенями свободы с динамическим избеганием препятствий и трехмерным распознаванием объектов для промышленных кибер-физических систем в автоматизации производства. Proc IEEE 104(5):1102–1113
131. Marvel JA, Bostelman R, Falco J (2018) Стратегии и метрики сборки нескольких роботов. (CSUR) 51(1):14. https://doi.org/10.1145/3150225
132. Fazlollahtabar H, Saidi-Mehrabad M (2015) Оптимальный путь в умной производственной системе на базе AGV. Транспортные письма - Международный журнал исследований транспорта 7 (4): 219–228. https://doi.org/10.1179/1942787514y.0000000047
133. Helu M, Hedberg T (2015) Обеспечение интеллектуальных исследований и разработок на производстве с использованием испытательного стенда жизненного цикла продукта. Procedia Manuf 1:86–97
134. Li W, Kara S (2017) Методология мониторинга производственной среды с использованием беспроводных сенсорных сетей (WSN) и Интернета вещей (IoT). Procedia CIRP 61:323–328
135. Cheng J, Chen W, Tao F, Lin CL (2018) Промышленный IoT в среде 5G к умному производству. J Ind Inf Integr 10:10–19
136. Savolainen T, Soininen J, Silverajan B (2013) Стратегии адресации IPv6 для IoT. Датчики IEEE. J 13(10):3511–3519
137. Lu Y, Xu X (2018) Виртуализация ресурсов: основная технология для разработки кибер-физических производственных систем. J Manuf Syst 47: 128–140
138. Koechling D, Berssenbruegge J, Schluessler J, Stoecklein J (2016) Умное планирование производственных систем с обзорами виртуального дизайна. Procedia Technol 26:192–198
139. Snyman S, Bekker J (2017) Планирование в реальном времени на сенсорной фабрике с использованием облачного моделирования с доступом к мобильному устройству. Южноафриканский журнал промышленной инженерии 28 (4):161–169. https://doi.org/10.7166/28-4-1860
140. Shao G, Shin S-J, Jain S (2014) Аналитика данных с использованием моделирования для интеллектуального производства. В кн .: Материалы зимней симуляционной конференции 2014 года. IEEE Press, Piscataway
141. Zhong RY, Newman ST, Huang GQ, Lan S (2016) Big Data для управления цепочками поставок в сфере услуг и производства: проблемы, возможности и перспективы на будущее. Comput Ind Eng 101:572–591

142. Davis J, Edgar TF (2009) «Умное» производство - видение будущего. В Проекте для Энергетики и Окружающей среды: Материалы Седьмой Международной Конференции по Основам Автоматизированного Проектирования Процессов, CRC Press:149–165
143. Brewer A, Sloan N, Landers TL (1999) Интеллектуальное отслеживание на производстве 10(3–4):245–250
144. Kaestle C et al (2017) Производство киберфизической электроники, в Индустрии «Интернета вещей». Springer, Berlin, pp 47–78
145. Lu Y, Morris KC, Frechette S (2016) Современные стандарты ландшафта для интеллектуальных производственных систем.National Institute of Standards and Technology, NISTIR 8107:39. https://doi.org/10.6028/NIST. IR.8107

146. Angelov P, Filev DP, Kasabov N (2010) Эволюционирующие интеллектуальные системы: методология и приложения, vol 12. John Wiley & Sons, Hoboken

147. Manzalini A, Minerva R, Moiso C (2009) Биоинспирированные автономные структуры: промежуточное программное обеспечение для телекоммуникационных экосистем в Автономной коммуникации. Springer, Berlin, pp 3–30
148. Chiang C-H, Chen L-H (2015). Самоадаптивная интеллектуальная система управления с иерархической архитектурой. J Inf Sci Eng 31(3):1027–1049

149. Liu Y-T, Lin YY, Wu SL, Chuang CH, Lin CT (2016). Динамика мозга в прогнозировании усталости вождения с использованием периодической саморазвивающейся нечеткой нейронной сети. IEEE Trans Neural Netw Learn Syst 27(2):347–360

150. Zhang J, Li H, Tang Z, Lu Q, Zheng X, Zhou J (2014) доказал квантово-вдохновенный генетический алгоритм для многоуровневой сегментации порога изображения. Math Probl Eng 2014:1–12. https:// doi.org/10.1155/2014/295402

151. Hwang G, Lee J, Park J, Chang TW (2017) Разработка системы измерения производительности для Интернета вещей и интеллектуальной среды. Int J Prod Res 55(9):2590–2602