1.前言
1.1智能制造的历史与起源
智能制造的概念随信息技术（Information Technology）与人工智能（Artificial Intelligence）的发展不断演进。20世纪80年代，由于人工智能技术在制造领域的初步应用，P.K.Wright和D.A.Bourne在《Manufacturing Intelligence》一书中首次提出智能制造（Intelligent Manufacturing）的概念，并将其定义为通过集成知识工程、制造软件系统、机器人视觉和机器人控制，针对专家知识与工人技能进行建模，进而使智能机器可以在无人干预状态下完成小批量生产。
随着人工智能与制造业的融合发展，针对制造领域中市场分析、产品设计、生产管控、设备维护等环节，各种专家系统和智能辅助系统相继开发。但这些系统彼此独立，导致了“智能化孤岛”的形成[2]。因此，如何实现这些“孤岛”信息的互联互通成为研究人员关注的焦点。近年来，得益于信息技术的进步，一种通过集成制造自动化、人工智能等技术的新型制造系统——智能制造系统（Intelligent Manufacturing System）脱颖而出。针对该目标，日本于1991年发起“智能制造系统国际合作研究计划”，并指出智能制造系统是一种将贯穿全制造流程各个环节的智能活动以柔性方式集成，并将这种智能活动与智能机器有机融合的先进生产系统。
21世纪以来，云计算（Cloud Computing）、物联网（Internet of Thing）、大数据（Big Data）、移动互联（Mobile Internet）等信息技术的出现，促进了制造业向新一代智能制造（Smart Manufacturing）的转型升级。通过全制造流程与全生命周期数据的互联互通，实现分布、异构制造资源与制造服务的动态协同联动及决策优化，已成为制造业发展的趋势。因此，世界各制造大国纷纷提出了不同的战略规划来抢占未来制造业的制高点，如美国倡导的工业互联网、德国提出的工业4.0（Industrie 4.0）、和我国正在大力推进的中国制造2025等。
1.2制造模式的发展与演化
为更好地理解智能制造的内涵，本节将进一步对制造模式的发展与演化历史进行论述。
18世纪中叶英国采用蒸汽机开展机械化革命以来，随着电力和信息技术的发展，制造模式相继经历了19世纪早期的装配线大规模生产及20世纪后期的自动化生产。在计算机和网络技术的推动下，一系列先进的制造模式如雨后春笋般涌现，如计算机集成制造、虚拟制造、敏捷制造、网络化制造、全球制造等。这些制造模式产生与应用简化了制造企业的组织结构，提升了资源配置能力，革新了生产、管理和经营模式，进而确保了制造企业其能够以更低的成本、更快的速度生产出质量更好、更符合市场需求的产品。
如今严峻的市场竞争环境、多样化和个性化的客户需求以及经济与环境效益的均衡等问题，给上述制造模式带来了新的挑战，迫使制造企业必须探索一种更加智能化、柔性化和绿色化的发展模式。而新一代信息技术和人工智能的发展，为制造业变革注入了新的动力，并产生了诸如物联制造（Internet of Manufacturing Things）、云制造（Cloud manufacturing）、服务型制造（Service-oriented manufacturing）等新型制造模式，从而提升了制造业的柔性化、服务化与智能化程度，为制造企业提供了新的价值增值手段，并增强了企业的核心竞争力。
与传统制造模式相比，智能制造的核心目标是通过更精确的过程状态跟踪和更完整的实时数据获取，获得更丰富的信息，并在科学决策支持下对生产制造过程进行更科学的管理，以实现更加灵活与柔性的过程控制，在快速响应并满足多样化、个性化用户需求的同时减少对环境的损害。其优势在于以新一代信息技术和人工智能等技术为支撑，将制造即服务等先进理念融合到产品全制造流程，并从全局视角实施面向产品全生命周期的制造智能。
1.3国内外智能制造内涵与战略规划
智能制造被普遍认为是第四次工业革命的核心动力。近年来，随着新一代信息技术及人工智能等技术的快速发展，德国、美国、中国等国家从不同角度提出了各自的智能制造战略规划。
德国在“Hannover Messe 2011”上首次提出了工业4.0战略，其核心目标是通过信息物理系统、物联网、端对端等技术与各类应用软件（企业资源计划系统、供应链管理、产品生命周期管理等），将生产中的供应、制造、销售等数据连续贯通，建立一种高度灵活、柔性化的产品生产与服务模式，从而实现车间生产流程的纵向集成以及制造业价值网络的横向集成。在这种模式中，传统的行业界限将消失，并会产生更多跨企业、跨领域的协作。
美国智能制造联盟于2011年发表了“实现21世纪智能制造”的报告，首次提出智能制造的概念，即通过融合信息物理生产系统（Cyber-Physical Production System）、物联网、机器人/自动化、大数据和云计算等技术，来改善供应网络各个层面的制造业务，实现数据驱动的供应协同，进而实现全厂优化、可持续生产、敏捷供应链等目标。美国智能制造的一个重要特点是它强调人类不能简单地被车间的人工智能和自动化所取代，而是通过巧妙地为特定区域设计定制解决方案来增强系统能力。
为实现从制造大国向制造强国的快速转变，我国于2015年发布了中国制造2025报告，旨在通过开展新一代信息技术与制造装备融合的集成创新和工程应用、智能产品和自主可控的智能装置开发、智能工厂/数字化车间建设、智能制造网络系统平台搭建等方面的研究，力争到2025年使我国制造业进入国际领先地位。中国制造2025的核心在于智能制造、绿色制造以及生产经营活动的智能化、网络化和自动化。
1.4智能制造及其关键技术文献统计及研究方法
从上述国内外智能制造战略规划的分析可以发现，不论是德国工业4.0，美国21世纪智能制造，或者中国制造2025，其共同目标都是通过将物联网、信息物理系统、大数据、人工智能等技术与制造业深度融合，实现产品全制造流程和全生命周期管理的智能化、协同化、透明化、绿色化。因此，本文通过抽取相关技术作为关键词，在EI、Web of Science、CNKI等中英文数据库中进行关键词搜索得到“关键词-文献源”矩阵，见表1；然后，针对获取的原始文献，遴选了与主题关联度强、引用率高的高水平文献，并在其参考文献中筛选部分文献作为补充，以形成了本文研究的样本库（见参考文献）。最终选取了80篇相关文献，文献分布情况见图2。
基于上述文献样本库，本文首先综述并分析了智能制造的定义及其特征，其次通过分析典型的智能制造体系架构研究相关文献，从智能制造系统运行逻辑的角度抽取出制造服务智能感知与互联、智能化建模、设计-制造-运维一体化协同、制造服务决策优化四项关键技术，并对其相关研究进行了综述。在此基础上，结合国内外典型的工业应用对智能制造的优势进行了阐述。最后对智能制造未来的发展趋势进行了分析与讨论。
2.智能制造及其关键技术综述
2.1智能制造的定义与特征
目前，智能制造尚无公认的定义，一种认可度较高的是美国国家标准与技术研究院将智能制造定义为，完全集成和协作的制造系统，能够实时响应工厂、供应链网络、客户不断变化的需求和条件。换句话说，它意味着制造技术和系统能够实时响应制造领域复杂多变的情况。因此，智能制造的特征体现在以下五个方面：
（1）全面互联。智能源于数据，数据来自互联感知。互联感知是智能制造的第一步，其目的是为打破制造流程中物质流、信息流和能量流的壁垒，全面获取制产品全生命期所有活动中产生的各种数据。
（2）数据驱动。产品全生命期的各种活动都需要数据支持并且产生大量数据，而在科学决策的支持下通过对大数据进行处理分析，提升了产品的研发闭环创新、生产过程实时优化、运维服务动态预测等性能。
（3）信息物理融合。制造物理信息空间融合是指将采集到的各类数据同步到信息空间中，在信息空间分析、仿真制造过程并做出智能决策，将决策结果在反馈到物理空间，并对制造资源、服务进行优化控制，实现制造系统的优化运行。
（4）智能自主。通过将专家知识与制造过程集成，进而实现制造资源智能化和制造服务智能化，使得制造系统具有更好判断能力，能够进行自主决策，从而更好的适应生产状况的变化，提高产品质量和生产效率。
（5）开放共享。分散经营的社会化制造方式正在逐步取代集中经营的传统制造方式，制造服务打破了企业边界，实现了制造的资源社会化开放共享。企业能够以按需使用的方式充分利用外部优质资源进行协同生产，以满足顾客个性化的需求。
2.2智能制造体系架构的研究
自智能制造兴起以来，针对新型制造模式的研究引起了国内外学者的广泛关注，其中，最为典型的有物联制造、云制造、服务型制造和制造网格（Manufacturing Grid）等。这些制造模式，从应用平台、服务模式、制造过程管理方法、制造资源集成管理等方面解决了不同问题。例如，物联制造强调利用物联网技术，实现企业内部的透明感知，从而进行企业内部的优化调度与感知监控。云制造则强调通过信息技术，实现制造资源的高度共享、制造资源与制造服务的开放协作及按需使用。服务型制造旨在通过对现有的产品与服务的集成，将制造模式由传统的以具体产品为核心的模式，向为用户提供具有丰富服务内涵的整体解决方案的模式转变。制造网格旨在利用信息化技术，实现对制造资源的封装与集成，从而提高制造资源的网络化性能。
总体来看，上述新制造模式有着不同背景与侧重点，彼此较为割裂，但从制造系统架构的运行逻辑角度出发，物联制造、云制造、服务型制造和制造网格都是通过引入物联网等智能感知技术，形成分布式制造资源及制造服务生命周期各阶段数据的动态互联互通；在此基础上通过信息物理系统，构建制造资源及服务在两个空间交互迭代的桥梁；之后采用大数据处理、存储、分析等技术，实现制造流程中多源、异构数据的优化管理、实时共享和知识发现；之后通过融合人工智能等技术，提高各阶段数据与知识的集成创新，进而增强系统智能决策/控制优化能力，以此构建数据采集-信息融合-数据分析-智能决策/控制优化的闭环过程。
综上所述，针对物联制造、云制造、服务型制造和制造网格等几种制造模式的体系架构，可总结出的共性技术包括，基于制造物联的制造服务智能感知与互联技术、基于信息物理系统的制造服务智能化建模技术、基于大数据分析的设计-制造-运维一体化协同技术以及基于人工智能的制造服务决策优化技术。本文将针对这些内容，并结合文献样本库，对相关技术的国内外发展近况进行描述与分析。
2.3智能制造关键技术
2.3.1基于制造物联的制造服务智能感知与互联技术
制造服务智能感知技术是指通过在制造资源及服务中配置各种信息采集装置，采集多源信息，并对之进行有效的分析处理，使上层管理者了解实时、精确、全面的制造服务状态。为了实现对多源制造数据的实时感知，通过应用物联网技术，实时采集任何需要监控、连接、互动的物体或过程，实现物与物、物与人的泛在链接，进而实现对制造过程重要数据的主动感知，从而为制造系统的智能决策提供及时、准确、全面的制造过程运行信息。随着物联网技术在制造领域的应用，企业的制造过程已由传统的“黑箱”模式向“三维空间加时间的多维度、透明化泛在感知”模式发展。
制造物联（Internet of Manufacturing Thing）体系架构的建立是系统功能实现的前提条件，针对多种应用需求，陈伟兴等人从离散车间数据驱动的制造流程事件感知模型角度出发，提出了面向离散车间的制造物联生产过程关键事件主动感知技术架构；Zhang等人针对制造执行过程中缺乏及时、准确和一致的制造信息，通过将物联网技术扩展到制造领域，构建了制造物联的实时信息捕获和集成架构，旨在实现设备层、车间层和企业层三者间的无缝双向连接和互操作性；柴天佑等人基于选矿工业生产过程集成控制需求，研发了一种物联网使能的制造执行系统，并通过工业应用标明了系统的有效性。以射频识别（Radio Frequency Identification）技术、传感技术、实时定位技术为核心的实时感知技术已广泛用于制造要素信息的识别、采集、监控与管理，正如Kiritsis等人所言，射频识别技术可以在产品全生命周期中为访问、管理和控制产品数据和信息提供可能。Makris等人将射频识别技术应用于汽车装配线的零部件识别，机器人能够对其进行识别，并以随机混合的方式执行协作焊接；Ratava等人使用加速度传感器采集刀具相关信息，通过估算与主切削力相关的刀具偏差来检测刀刃的碎裂和小的断裂；根据车间不同制造要素不同的定位精度需求，Huang等人提出了基于射频识别的区域定位和基于超带宽的实时定位平台，以满足离散制造车间中各种制造资源的定位、跟踪和监控需求。此外，ZigBee、Wi-Fi、蓝牙等多种无线通信技术在制造物联网中占有极为重要的地位，Lu通过ZigBee技术搭建了建立了一种工厂范围的车间控制采集和监控系统，该系统使得生产车间中的各种数字仪器能够快速地即插即用，从而实现制造环境中数据的快速捕获。
2.3.2基于信息物理系统的制造服务智能化建模技术
制造服务智能化建模是针对底层分布式制造资源与服务，在感知到的多源多维制造数据基础上，建立制造资源及制造服务与感知事件间的映射关系，从而能够通过感知事件理解制造资源与服务的状态，提高制造系统的透明性和自身的感知交互和主动发现能力，进而提升制造服务的决策能力和智能水平。而信息物理系统则为制造服务智能化建模提供了有力的技术支撑，信息物理系统一词由美国国家科学基金会于2006年首次提出，用来强调计算资源与物理资源间的紧密结合和协调，提供了将相关制造事物映射到计算空间的理论框架，从而可以实现制造系统的轻松建模，具有适应性、自主性、高效、功能性、可靠性、安全性和可用性等特点。
Lee等人将信息物理系统定义为计算和物理过程的集成，嵌入式计算机、网络监视和控制物理进程并构成闭环反馈，其中物理进程影响计算，反之亦然；此外，Lee等人总结了信息物理系统的相关研究进展和趋势；Leitao等人指出需要对信息物理系统的标准化进行更多的研究。针对信息物理系统在制造业的实际应用，Colombo等人特别关注复杂工业系统，提出了基于工业云的信息物理系统；Monostori等人对信息物理生产系统进行了介绍，并从自适应和自治系统、协同生产系统、动态系统的识别和预测等方面讨论了实现信息物理生产系统的主要挑战。Zhang提出了一种基于Agent和信息物理系统的自组织和自适应智能车间框架，以及时地分配资源；此外，Zhang等人基于信息物理系统，开发了一种的物料搬运智能控制模型，通过采用多车辆协作策略、标准化信息和多个信道的信息集成来打破感测距离的限制，以提高物料搬运效率、减少交货成本和时间。Dai等人提出了一种知识驱动的自主服务管理，为自管理和自适应工业信息物理系统提供设备级智能控制；Kang等人提出了一种新型基于发布/订阅的中间件架构，可实现高效、可靠的传感器数据传播，并具有对不可预测的工作负载的鲁棒性；Bhuiyan等人设计了用无线传感器网络进行结构事件监测的信息物理系统，并在系统中提出了一种基于模型的网内决策；Tao等人提出了一种基于信息和物理融合的数字孪生产品设计、制造和服务方法；Liu等人应用信息物理系统实时感知动态物理资源的能力，构建了一种包含静态和动态信息的制造资源虚拟化模型，旨在实现制造资源聚合具有根据生命周期中的动态变化因素进行调整的能力。
2.3.3基于大数据分析的设计-制造-运维一体化协同技术
全球市场竞争的加剧对制造企业在缩短研发周期、提高产品品质、提升服务质量、减少资源消耗等方面提出了更高要求。然而，如何分析并研究在设计、制造、使用、服务、回收、拆解等环节的状态变化，发现问题产生的本质、规律和内在关联；如何通过各阶段数据与知识的集成应用，形成一种反馈机制，从而逆向指导产品全生命周期的协同与优化，是当前全球制造业共同面临的挑战。鉴于影响制造企业决策的生命周期数据的复杂性，制造商需要一种更有效的方法来改进决策过程，而大数据分析和数据挖掘技术可用于深入分析历史生命周期数据，发现知识，并优化产品全生命周期流程。
产品全生命周期一般可分为生命初期、生命中期和生命终期三个阶段，Li等人对生命周期中的大数据进行了全面的文献综述。针对产品生命初期阶段，为帮助设计师在概念设计阶段分析质量屋，Zhang等人提出了一种基于Apriori的数据挖掘方法，用于从历史数据中提取知识；Geng等人为解决研发阶段的方案评估问题，采用了一种基于模糊集的集成设计概念评估方法；Ma等开发了一种用于预测生命周期设计的需求趋势挖掘算法，以从大规模数据中捕捉产品需求趋势；谭建荣等人基于相似度检索范例不足的问题，通过引入神经网络对客户需求信息进行建模，开发了一种设计检索方法。在生命中期，Magro等人使用粗糙集理论提高智能压力变送器预测维护的准确性；查海平等人应用滑窗机制，开发了一种增量式过程挖掘方法，已解决传统算法不能直接用于演化过程的挖掘；Purarjomandlangrudi等人设计了一种异常检测的数据挖掘方法，用于在滚动轴承中进行故障诊断；Opresnik提出了一种服务化大数据战略的概念框架，以巩固制造企业的竞争优势。Zhang等人构建了一种用于复杂产品维护过程的大数据分析架构，以根据生命周期数据做出更清晰的生产决策，并通过定性案例分析对所提架构进行验证；柴天佑等针对复杂工业流程，提出了一种数据驱动的混合智能优化运行优化控制方法，以提高质量与效率指标；Zhao等人提出了一种多目标优化模型，通过大数据分析确定了模型参数，以最大限度地降低绿色供应链管理的固有风险。目前国内外针对生命中期中的大数据应用研究较少，Li等人讨论可再生资源回收系统并对其现状和存在问题进行了相应分析。
2.3.4基于人工智能的制造服务决策优化技术
产品全生命周期中需要应对各种问题，智能的表现即是运用数据分析获得的知识进行推理和决策以解决这些问题。此外，智能系统还能够根据具体任务需求，自行组织运行结构，自行调整控制策略，并能进行故障预测和诊断，从而完成自我维护和修复。随着人工智能技术的发展，专家系统（Expert System）、神经网络（Neural Network）、模糊逻辑（Fuzzy Logic）、遗传算法（Genetic Algorithm）、进化策略（Evolutionary Strategies）、人工免疫系统（Artificial Immune System）和多智能体系统（Mlti-Agent system）等技术被越来越多地用于制造服务优化决策中，主要包括车间调度、制造系统自组织配置、自适应协同，以及质量检测、故障诊断和预测等。
近年来，多目标灵活车间调度问题引起了许多研究者的关注。Vieira等人描述了控制生产的预测-反应式调度和反应式调度两种常用策略；利用预测-反应调度策略，Shen和Yao开发了一种基于多目标进化算法的预测-反应方法，以捕捉灵活作业车间调度的动态和多目标性质；利用反应式调度策略，Yao等人结合混合多属性决策技术的三个特性，提出了一种多目标动态调度方法；朱宝琳等人利用拉格朗日算法建立了炼钢-连铸-热轧一体化生产调度模型，使大规模复杂调度问题的求解成为可能。针对制造系统的自组织配置与自适应协同，受适应与生存方式启发，Valckenaers等人提出了全息系统，揭示了自组织和自适应系统设计的基本原理；Monostori等人分析了生产系统中的协同控制，并将预测方法引入该领域；李伯虎等人针对复杂产品协同制造环境，对虚拟样机工程支撑平台及其关键部件进行了相关研究；张翠华等人提出了一种基于拉格朗日松弛算法的生产计划协同模型，以解决分散供应链系统生产计划协同问题。在质量检测、故障诊断和预测方面，Ren等人提出了最大池汇聚卷积神经网络，直接从钢缺陷图像的像素表示中进行特征提取，实验结果显示与多层感知器和支持向量机相比具有较低的错误率；Park等人提出了一种基于卷积神经网络的通用方法来提取补丁特征并通过阈值处理和分割来预测缺陷区域；Yang等人研究了一种基于自动编码器的多层极端学习机，以学习风力涡轮机故障分类的特征表示。
2.4智能制造典型案例分析
虽然关于新一代智能制造技术的理论研究尚处于起步阶段，但国内外已经有许多企业对这些制造模式进行了初步应用。将智能制造的理论和方法应用于生产实践中，不仅可以为制造企业提供额外的服务增值和资源配置优化，而且以用户为主导的个性化服务也能使用户成为制造过程的决策者和参与者，从而拉近企业与用户的距离，最终提高企业核心竞争力并推动其可持续发展。
芜湖格力通过生产过程执行系统和物料需求计划系统采集的系统数据，连接Yonghong Z-Suite进行实时的多维分析，替代以往物料短缺的人工查询与核实，检查结果在分析平台实时展现，指标体系可以根据情况灵活调整，大幅提高了人员的工作效率。红领集团通过应用物联网技术，实现从订单下达、产品设计、定制数据传输等全流程的一体化与数字化，多个生产单元和上下游企业通过信息系统实时传递并共享数据，实现全业务的协同联动及决策的动态优化。海尔在产品设计阶段，借助大数据分析平台对产品的市场竞争情况进行了全面的分析，通过对市场份额、增减情况、主要竞争对手的深入分析，进行自我定位、密切监控市场变动、时刻掌控竞争对手的市场动态，进而占据市场先机。芯片制造商需要在生产线对每一个芯片进行19000次测试，因特尔通过大数据分析减少了生产环节中测试次数并将重点放在了某些特定测试上，与没有大数据应用的生产线相比节省了300万美元的成本。
3.智能制造发展趋势分析
结合上述对智能制造体系架构及关键技术的分析可以看出，虽然智能制造现已引起国内外学者的广泛研究，各国也在推行相关战略促进制造业向智能制造的转型。但由于缺乏标准的技术体系架构，相关技术的研究呈离散化，难以进行有效的组织集成。此外，智能制造的核心目标是实现制造的物理世界与信息世界的融合，但对信息物理融合的探索仍处于起步阶段，许多技术难题有待解决。同时，随着新一代信息技术与制造的融合，制造业现已呈现出数据充足而知识匮乏的特征，如何对全生命周期数据进行高效分析进而优化决策过程，是智能制造落地应用所需面对的一个重要挑战。因此，为了在理论和实践中取得长足发展，智能制造需要在以下几个方面取得突破。
3.1智慧制造
现代制造系统日益复杂，物联制造、云制造等新一代智能制造模式由于应用的侧重点不同，其具体的体系架构和实施技术有所差异，虽然在各自应用场景均取得了一些重要成果，但仍缺乏针对几者整合的研究。因此，迫切需要一种兼容性强的标准体系架构，将现有制造模式的的思想与理念进行整合并加以延伸和拓展，以满足发展需求。针对该目标，一种通过融合物联网、务联网、人际网等网络的智慧制造应运而生。在未来的研究工作中，需要对以智慧制造为代表的兼容性强的制造模式进行进一步探索，并促进其体系架构的标准化。
3.2数字孪生
制造已不再是单纯的物理机械加工，而是物理世界与信息世界通交互迭代的过程。为更好响应这一转变，迫切需要利用先新一代信息技术提升制造资源及服务在物理空间和信息空间的融合，而数字孪生的出现为这一目标的实现提供了新的思路和方法。数字孪生面向产品全生命周期，发挥连接物理世界和信息世界的桥梁和纽带作用。然而，目前对数字孪生的构建和应用仍处于初步阶段，如何得到逐层递进的数字模型，以及从单个模型到聚类/组合协作的汇聚模型的关联，从而实现多维、多层次的信息物理融合有待进一步研究。
3.3生命周期大数据
制造数据的爆炸式增长给制造企业带来了前所未有的机遇和挑战。通过挖掘制造大数据中蕴含的丰富知识，能给制造业企业带来更敏锐的洞察力，有助于提升生产效率和产品质量]。然而，当前的相关研究主要仅面向车间层，即主要关注生命周期初期产品与服务的创新设计，生命周期中期运维服务的优化。而对生命终期的回收决策，以及对全生命周期阶段数据与知识的集成应用等方面却很少涉及。因此，适合于全要素、全业务、全流程融合的大数据高效处理算法、模型和平台是未来的研究重点。
4.总结
随着新一代信息技术和人工智能在制造领域的落地应用，制造业正向着智能化、协同化、透明化和绿色化的方向发展。本文首先概述了智能制造的历史与起源，从中引出了由Intelligent Manufacturing到Smart Manufacturing的转变；其次通过论述制造模式的发展与演化，对智能制造的内涵做出进一步的阐释；之后通过对美国、德国及中国的智能制造发展战略规划进行分析与比较，筛选出智能制造实施的关键技术，并以此为基础进行相关文献的检索与收集，形成本文的样本库；然后通过智能制造的概念定义与特征进行归纳，并结合几种现有的智能制造模式体系架构，从技术逻辑角度提炼出实施智能制造的关键技术，即基于制造物联的制造服务智能感知与互联技术、基于信息物理系统的制造服务智能化建模技术、基于大数据分析的设计-制造-运维一体化协同技术、基于人工智能的制造服务决策优化技术；之后结合具体工业应用案例对智能制造带来的进行效益剖析；最后对未来智能制造的发展趋势进行预测。可以预计，在研究的市场竞争、个性化与多样化的客户需求、经济与环境效益均衡等问题的压力下，制造企业的变革升级刻不容缓，值得产学研界共同努力推动智能制造的实施。
