上海交通大学张新凯

北京城建智控科技股份有限公司张辉，张利宽，于传洋

上海交通大学戴文斌

1　引言

随着人工智能在各行业的广泛应用[1]，传统行业结构与模式正在被重塑。在工业领域，生产模式正逐步从信息化迈向智能化，“人工智能+工业控制系统”这一趋势展现出巨大的发展潜力与广阔的应用前景。当前，智能化时代仍处于发展初期，迫切需要大量创新性探索来为工业智能化的发展指引方向，工业智能化的推进将为制造业带来全新的机遇与挑战。回顾过去的信息化时代，工业控制系统成功实现了从传统复杂的分层架构[2]向简洁的边云协同架构[3]的转变。在边云协同架构中，通过将系统业务逻辑层进行云化处理，控制系统能够依据业务逻辑精准实现现场逻辑控制操作；同时，借助现场设备资源的虚拟化，有效降低了边缘侧控制系统的复杂性，提高了现场设备的容错能力，进而显著提升了生产制造效率。展望未来人工智能的发展需求，在工业生产制造领域，需求侧直接由业务方提出需求，智能代理则依据这些需求与工厂的生产资源进行精准匹配，实现资源与需求的逻辑拟合，从而制定出最优的生产部署方案，达成快速定制化生产。这一系列举措为“人工智能+工业控制系统”的深入探索提供了可行路径。本文聚焦于工业边缘数字基座与智能代理协作技术的研究，旨在实现工业生产过程的动态需求分析以及产品的定制化生产。为此，我们提出了柔性数字基座与智能代理的融合网络架构，并深入探讨了数字基座和智能代理技术演变过程中面临的问题，为工业领域智能化发展探索了新的方向。

2　工业控制系统演变

工业控制系统（Industrial Control Systems，ICS）的发展是一部技术不断革新、生产效能持续提升的历史。自从计算机技术崭露头角以来，工业控制领域发生了翻天覆地的变化，传统的模拟控制器逐渐被数字控制系统所取代。可编程逻辑控制器（PLC）Modicon的问世，成为工业制造发展的重要里程碑，它的出现极大地提升了工业生产效率。以汽车制造工业为例，它们通过使用PLC设备构建汽车自动化生产流程，实现了生产过程的精准控制与高效运转。二十世纪七十年代，霍尼韦尔公司推出分布式控制系统TDC—2000，这一举措为工业控制系统带来了新的突破。该系统在控制软件中引入了PLC的顺序控制与批量控制功能，使得分布式控制系统（DCS）不仅具备自身原有的优势，还融合了PLC强大编程能力，使其在性能和功能上得到了显著的提升。此外，现场总线协议的不断发展，为工业控制系统的信息传输与交互能力带来了质的飞跃。PROFIBUS、Modbus等协议的出现，实现了设备间的高速通信，使得现场设备的控制更加快速、便捷，大大提高了工业生产过程中设备之间的协同工作效率。与此同时，TCP/IP协议的普及，使得远程监控与数据采集的SCADA系统得以广泛部署。该系统实现了工业控制系统远程监控与数据采集的一体化，如今已广泛应用于控制系统中，为行业稳定运行和高效管理提供了有力支持。

随着网络化进程的不断深入，工业物联网（Industrial Internet of Things，IIoT）技术应运而生。它将传感器、云计算和大数据等先进技术有机结合，实现了设备的状态检测与预测性维护，进一步推动了工业互联网从过去的基于ISA-95架构向端-边-云架构[2]的转变。在实际生产中，制造业大多采用ERP和MES作为传统架构下的生产计划和调度决策实践方案。其中生产工程师凭借自身的经验和知识，将上层领导、业务经理和客户形成的生产需求报告转化为生产制作的指标、流程控制以及工艺参数等生产指令，以确保生产过程的顺利进行。

近年来，边缘计算与人工智能技术迅猛发展，给工业控制系统带来了革新。如图1所示，制造业企业架构从ERP／MES／PCS（DCS）多层次结构转变为包含人机合作智能代理优化决策系统和边缘智能数字基座系统的两层结构。人工智能融入工业控制系统，实现决策系统人机合作智能化。云端人工智能代理技术可实时感知、解析用户需求，结合现场设备资源与生产工艺，制定最优生产目标、调度计划等指令。生产结果与客户反馈形成闭环，实现人与智能代理决策系统协同进化。系统具备自我学习与优化决策能力，使人工智能在工业生产决策与控制环节发挥更大作用，不再局限于外观检测、能耗分析等简单任务。

图1 传统ISA-95多层架构向边-云协同架构进化

工业控制系统发展历经机械控制、电气化、数字化、网络化阶段，正迈向智能化与高度集成新时代。其发展围绕提升生产效率、灵活性与安全性，同时应对网络安全等新技术挑战。随着通信、人工智能和边缘计算应用深化，ICS将推动工业自动化向自主化演进，形成高度智能化的工业边缘控制系统，为工业生产未来发展筑牢基础。

3　基于边缘计算的工业数字基座

近年来，云计算与边缘计算在工业领域得到快速应用，有力推动了物联网设备的智能化与自治化发展。云计算作为中心化大数据处理平台，面对复杂多样的工业场景，其对低时延和高可靠性的需求日益凸显。边缘计算则充分利用物联网设备的嵌入式计算能力，在终端实现更智能的数据处理与决策，有效降低了数据传输时延。然而，边缘计算也存在资源受限、管理复杂等问题。基于边缘计算的工业数字基座的提出，旨在解决边缘计算中设备种类繁多、网络通信协议多样、业务流程固化的难题，实现对边缘侧设备资源的柔性化统一管理。

3.1　资源虚拟化能力

边缘数字基座技术的起源可追溯至无服务计算领域的云端虚拟运行时系统。以Google的gVisor无服务计算运行时系统和AWS的Firecracker运行时系统[4]为例，这些均为云厂商广泛应用且已开源的经典实例。它们具备强大的应用隔离与资源虚拟化能力，通过将云服务拆解为细粒度的应用函数，依据函数调用接口对计算资源进行精准切分，不仅实现了资源分类的精细化，还显著提高了计算资源的单位时间利用率。柔性工业数字基座在一定程度上借鉴了无服务计算运行时系统的核心技术—应用隔离和资源虚拟化技术。该技术旨在为运行于数字基座之上的控制函数构建隔离的虚拟化环境，进而提升单位资源密度的使用效率。不过，工业边缘运行环境与云服务厂商所面临的环境存在显著差异。工业边缘环境中，硬件资源性能普遍较低，单个生产车间或工厂内的可用资源数量也相对有限，同时工业系统对实时性与可靠性要求极高，所以借助嵌入式虚拟化技术为工业边缘现场提供控制资源函数计算服务。未来，随着数字基座系统设计的持续优化和完善，其有望在工业现场逐步取代传统的嵌入式Linux系统和实时操作系统（RTOS），为工业控制领域带来新的变革和发展机遇。

3.2　柔性资源配置

柔性资源配置主要体现在两个关键维度。在业务需求导向的生产资源配置方面，依托资源虚拟化技术，突破了单个设备资源利用的局限，实现了多设备资源的池化整合。这一转变使得多设备乃至多工厂的资源能够进行柔性调度与配置，从而根据不同的工业生产需求，灵活调整底层资源。系统会深入解析生产需求，并据此对生产资源实施精准的柔性调度。柔性数字基座技术在此过程中发挥着核心作用，它促进了多设备之间的资源高效协作。如图2所示，函数级别的控制逻辑不仅能够高效处理本地任务，还具备对外服务能力，可接收定制化任务配置，并支持本地资源的远程调用。考虑到工业生产业务多以本地执行为主，不同生产车间之间，甚至异地生产车间之间的资源配置、协调与协作，对于完成同一业务的不同阶段至关重要。

图2 云端多工厂资源配置与协作

在单个边缘数字基座系统的设备动态配置方面，系统内置了执行系统备份功能，这是保障系统稳定运行的重要机制。当控制逻辑执行出现故障或设备发生宕机时，系统能够迅速进行热切换，无缝过渡到备份资源继续运行。当有新的搭载数字基座系统的硬件设备接入时，系统会立即进行资源的快速备份与切换，充分利用新增硬件资源进行冗余备份。通过在多个硬件设备上备份控制函数，系统实现了算力和控制资源的有效扩充。在大规模计算或多业务协同生产场景下，该系统能够在确保生产环境安全稳定的基础上，实现多设备的协同工作与精准调度。综上，基于柔性数字基座的系统借助硬件资源虚拟化技术，达成了两个层面的重要功能：在云服务层面，实现了工业生产车间以及异地工厂生产业务的资源优化配置与高效协同调度；在工业生产现场层面，实现了运行函数的热备份以及计算控制资源的协同配置，为工业生产的智能化和高效化提供了有力支撑。

3.3工业边缘计算的实时性与可靠性分析

工业边缘数字基座系统作为工业领域专用的边缘控制系统软件，其核心使命在于确保系统运行的实时性与控制任务的可靠性，从根源上杜绝因系统设计瑕疵引发的人为损失。为实现高度的实时性，系统采用裸机虚拟化架构设计。在这种架构下，运行于系统内的软件具备严格限定的内存读写权限，能够直接与外接设备进行高效的数据交互与控制操作。此设计摒弃了传统基于Linux内核裁剪的定制化实时操作系统中冗余的架构，大幅减少了已知系统漏洞。与非定制实时控制系统相比，工业边缘数字基座系统在实时性方面展现出无可比拟的绝对优势，能够为工业生产过程提供精确到毫秒级别的控制，确保了工业运行的高度可靠性。数据安全备份机制，系统内置了先进的冗余备份机制，该机制可对系统运行状态进行实时监控，一旦检测到潜在风险或运行错误，会自动且迅速地对正在运行的系统进行备份。这种自动化的备份策略有效避免了因意外情况导致的控制数据丢失，为工业生产数据的完整性和连续性提供了坚实保障。

图3 工业边缘数字基座系统架构示意图

如图3所示，在新型工业边缘系统设计之初，我们便引入了基于安全语言和内存规则的设计理念。通过遵循严格的编程规范和内存管理策略，从系统规划的源头避免了常见的软件开发漏洞，确保系统在运行过程中的可靠性。此外，系统在网络接口设计上采取了极简主义原则，仅保留与上层云计算平台进行智能信息载体传输所必需的接口。这种设计方式显著降低了因接口暴露而遭受不可预知网络攻击和外界非法控制的风险，为工业控制系统构建了一道坚固的安全防线。综上，工业边缘数字基座系统架构凭借其在实时性、数据备份和安全性设计方面的卓越特性，为工业领域的自动化生产和智能化控制提供了可靠且高效的解决方案，有望成为推动工业互联网时代发展的关键技术支撑。

4　工业边缘系统智能化

4.1　智联网

智联网络（Internet of Intelligence，IOI），是一种面向未来的网络范式，它将传统的网络设备拓展到具有智能模型的网络设备（简称智能体），智能体传输的智能信息将是添加自然语言后的结构化文本信息。智能信息可以在接收到信息后根据本地的模型进行智能化解析，根据本地模型的功能解析出符合本地模型功能的信息内容，实现智能信息在不同的智能载体之间的传递、编译和解析。智联网在生产消费中的定位如图4所示。

图4 基于智联网的消费者定制化需求与智能生产

4.2　智能代理

随着人工智能技术不断演进，基于CNN网络[5]和LSTM网络[6]的模型持续突破人类视觉与自然语言理解的边界。2022年底，Transformer架构[7]、大模型与超大规模GPU集群在自然语言处理领域深度融合，ChatGPT[8]的出现标志着人工智能技术迈入新的发展奇点。近年来，尽管人工智能技术未实现更高层次的技术突破，但在应用创新方面成果丰硕。人工智能模型广泛应用于多个领域：在金融领域，量化交易逐步取代传统人工交易；在医疗领域，24小时问诊服务使医生从繁琐工作中解脱；在城市服务领域，智能化客服的增加缓解了人力资源紧张。

图5 汽车定制化生产需求在智联网络中的信息传递过程

在自动驾驶与机器人领域，推动领域专用模型在控制自动化方面的探索实践；在工业生产制造领域，助力解析复杂生产需求，实现定制化生产服务。汽车定制化生产需求在智联网络中的信息传递过程如图5所示，不同阶段智能代理Agent模型具备不同的技能，不同的技能提供不同的服务。每一阶段代理根据当前技能，为上一阶段的客户需求提供智能化服务，Agent3和Agent4将会与智能工厂链接，实现需求的工业生产制造流程化落地。Agent交付作为定制化需求生产的售后代理与客户进行产品交付和客户反馈收集，用于完成需求-生产交付-反馈的业务结构。多Agent协作完成一个最终的需求定制化服务。

4.3　工业智能

工业智能是智联网在制造领域的应用，它通过整合人工智能、网络通信、边缘数字基座等先进技术，提升制造过程的智能化水平与连接性。智联网可连接工厂车间信息与流程至工业云数据中心，辅助决策者精准认知制造过程，增强决策能力，还能推动新型智能技术开发，提升了工业机器性能并节约了成本，在提升效率、质量控制与可持续性上潜力巨大。

智联网在智能工业多案例展现应用价值。在工业互联网中，其分布式智能系统获智联网支持，如基于物联网协同学习模型的入侵检测系统可提高检测准确率，区块链与联邦学习结合能保障智能学习安全并提升计算效率[9]；在机器人技术方面，智联网可解决其实时数据处理与隐私问题，通过本地训练和上传梯度参数构建共享模型，减少传输延迟[10]；在智能制造领域，智联网借助分布式AI等技术应对集中式网络挑战，如知识图谱数字孪生模型和ManuChain模型可优化制造过程[11]；在定制化生产上，智联网实现工业设计、生产与流通的网络化、智能化和定制化，整合各方资源，满足用户个性化需求。

以汽车工业柔性定制化生产为例，如图6所示，黄色虚线框是智联网络示意图、蓝色虚线框是数字基座架构示意图。消费者通过智能代理实现个人需求的表达，智能代理之间形成密集的智联网络实现定制化需求的传递。智能代理同样会及时反馈来自当前的状态，与消费者形成积极的闭环反馈系统。数字基座实现了柔性化生产资源配置，突破资源和地理空间对于生产制造业远程协作的限制。

图6 面向消费者的未来智能工厂新模式

5　未来展望

本文深入剖析了面向未来的边缘系统架构—柔性边缘数字基座的现状与关键技术，以及面向智能化时代的未来网络范式—智联网络架构。本文通过分析工业边缘系统的发展历程、挑战与趋势，明确了柔性数字基座技术对工业控制系统升级的重要意义。结合智联网这一未来网络新范式，本研究聚焦于实现满足定制化需求的工业自动化生产制造流程。借助工业边缘数字基座与智能代理的协作，依据客户需求开展定制化工业生产加工。将数字基座的柔性资源配置与远程协作生产特点，与工业智能代理模型相结合，实现需求解析并生成控制逻辑闭环，进而达成定制化生产。在关键技术层面，本文探讨了系统资源柔性配置、需求文本动态分析和智联网络信息架构等核心技术，为完善工业边缘计算智能数字基座技术提供了有价值的参考。展望未来，随着智能代理模型技术的不断丰富，智联网络将更为完善并广泛渗透到生活各领域。在工业生产制造领域，柔性数字基座技术与智能代理技术的深度融合，有望构建面向消费者需求的智能工厂，实现从消费者需求到定制化产品反馈的闭环网络。

作者简介：

张新凯（1996-），男，博士研究生，现就读于上海交通大学自动化与感知学院，主要研究方向为边缘计算、工业互联网。

张　辉（1975-），男，博士，现就职于北京城建智控科技股份有限公司，主要研究方向为智慧城市和智能交通领域。

张利宽（1981-），男，硕士，现就职于北京城建智控科技股份有限公司，主要研究方向为工业边缘计算和实时控制系统。

于传洋（1988-），男，硕士，现就职于北京城建智控科技股份有限公司，主要研究方向为智慧城市及物联网。

戴文斌（1984-），男，博士，现就职于上海交通大学自动化与感知学院教授，主要研究方向为工业控制软件、工业边缘计算、工业信息化与智能化。

参考文献：

[1] 用好 "人工智能+" 赋能产业升级[EB/OL].

[2] C Johnsson. ISA 95-how and where can it be applied[J]. Technical Papers of ISA, 2004, 454 : 399 – 408.

[3] 戴文斌, 孔令波, 徐前锋, 等. 面向工业互联网边缘计算的工业数字底座[J]. 自动化博览, 2022, 39 (2) : 16 - 19.

[4] Anjali, Caraza-Harter T, Swift M M. Blending containers and virtual machines: a study of firecracker and gVisor[C]. Proceedings of the 16th ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments. 2020: 101 - 113.

[5] Alzubaidi L, Zhang J, Humaidi A J, et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions[J]. Journal of big Data, 2021, 8 : 1 - 74.

[6] Yu Y, Si X, Hu C, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural computation, 2019, 31 (7) : 1235 - 1270.

[7] Han K, Xiao A, Wu E, et al. Transformer in transformer[J]. Advances in neural information processing systems, 2021, 34 : 15908 - 15919.

[8] OpenAI. ChatGPT overview [EB/OL].

[9] T. V. Khoa et al., "Collaborative learning model for cyberattack detection systems in IoT Industry 4.0." in Proc. IEEE Wireless Commun.

[10] J. Wan et al., "Reconfigurable smart factory for drug packing in healthcare industry 4.0." IEEE Trans. Ind. Informat., vol. 15, no. 1, pp. 507–516, Jan. 2019.

[11] J. Leng et al., "ManuChain: Combining permissioned blockchain with a holistic optimization model as bi-level intelligence for smart manufacturing." IEEE Trans. Syst., Man, Cybern., Syst., vol. 50, no. 1, pp. 182–192, Jan. 2020.

摘自《自动化博览》2025年2月刊