近日，实验室李莉教授团队在《信息与控制》杂志2023年 52卷 1期发表了题为“复杂制造系统建模与优化研究现状及展望”的特约综述论文。
《信息与控制》是由中国科学院主管，中国科学院沈阳自动化研究所、中国自动化学会共同主办的中文核心期刊。该刊以控制科学理论为基础，以信息技术推动控制理论和系统发展为目标，主要刊载信息与控制科学领域基础研究和应用基础研究方面具有创新性的、高水平的、有重要意义的研究成果。
该论文围绕智能制造系统建模与优化的热点问题，首先介绍了复杂制造系统的研究现状和典型场景应用，比如设备管理、生产过程自动化和生产调度管理。接着汇总了常见的建模与优化方法以及所解决的实际工程问题，特别是深度学习、强化学习和合作博弈等方法在复杂制造系统建模与优化中的应用。最后，对复杂制造系统建模和优化问题进行了展望。
全文链接：https://xk.sia.cn/CN/10.13976/j.cnki.xk.2023.2431
论文部分内容及团队介绍如下：
1. 摘要
近年来，复杂制造系统及其自动化、智能化和定制化等优势在汽车制造、芯片制造、机器人等领域得到了广泛关注，其建模与优化问题也已成为国内外的研究热点。本文首先介绍了复杂制造系统的研究现状和典型场景应用，比如设备管理、 生产过程自动化和生产调度管理。紧接着汇总了常见的建模与优化方法以及所解决的实际工程问题，特别是深度学习、强化学习和合作博弈等方法在复杂制造系统建模与优化中的应用。最后，对复杂制造系统建模和优化问题进行了展望。
2. 主要内容
3. 结论
本文详细综述了基于数据的建模与优化方法在设备管理、生产过程自动化、运作管理这三个复杂制造系统典型场景中的研究。随着社会对智能制造的需求更加多元化，对复杂制造系统的灵活性、可靠性、可持续性等要求也越来越高。可以从复杂制造系统两个组成要素（ 即复杂系统与制造系统） 出发明晰当前复杂制造系统所面临的研究挑战与未来的发展方向。
在复杂系统中，临界性是揭示复杂系统结构不稳定的重要概念和性质，而且越来越多的实证研究表明很多自然复杂系统工作在近临界态。在复杂制造系统中，系统的韧性研究具有重要科学意义和实际工程应用价值。因此对于复杂制造系统的展望可以从复杂系统临界层面和制造系统韧性层面展开。
复杂制造系统建模与优化面临的挑战
随着系统复杂性的增加和高性能的要求，复杂系统近临界态日益成为研究的热点，特别是有关近临界系统演化行为模型、预测临界态发生规律、实现近临界态有效调控等问题。作为一类典型的复杂系统，复杂制造系统具备以下的复杂特征：系统层次的多样性、风险的随机性、动态行为的不确定性、状态参数的高度多维性、 系统内部要素的非线性和高耦合性以及生产流程的复杂性等。从复杂系统临界角度分析，目前复杂制造系统在临界态建模、临界态预测、临界态调控优化三个方面面临着挑战。
１）系统临界态建模问题。系统实现评估、预测、调整临界的前提是对系统临界的准确建模。目前对于复杂系统临界条件和近临界行为的研究侧重于系统的单参数调节，对真实系统的多维度复杂性考虑不足，难以用于实际复杂系统的因果建模和分析。因此，如何对复杂制造系统的临界状态准确描述、对临界状态及时分析、对临界进行准确建模，构建复杂制造系统近临界演化的多参数和多维度模型是当前面临的一大挑战。
２）系统临界态预测问题。复杂制造系统生产流程高度复杂、内部要素非线性且高度耦合、系统时刻处于动态变化中，且仅在少量人工协助下运转，可能存在大量潜在系统风险、关键设备故障或外部恶意攻击等。而现有理论并未针对复杂制造系统这些特有的系统状态和风险进行临界评估，也就无法针对特有风险制定应对策略。目前经典动力学分析方法过度依赖动力学方程和模型参数，难以用于实际复杂系统；基于传统机器学习的方法模型可解释性差、系统可靠性和鲁棒性无法保证；而复杂系统各层级风险评估的研究也以一种相对孤立的方式进行。因此，如何将复杂系统近临界态与系统风险评估相结合是当前研究的又一大挑战。
３）系统临界态调控问题。复杂制造系统缺乏有效的危机管控平台和完善的理论方法，来发现潜在风险、预测设备故障、抵御外部攻击，并从危机中快速恢复。由于复杂系统的临界态非常复杂，经典的控制方法需要强大感知和执行能力，其现有的理论框架不适合相关的研究，导致经典控制方法不适用于复杂系统临界态调控。因此，复杂制造系统在利用临界态特点来实现系统调控和诱导干预方面仍然存在挑战。
复杂制造系统建模与优化的未来发展
近年来，复杂性科学作为一种新兴的交叉性学科在社会系统、金融系统、电力系统、计算科学中得到了广泛应用。其中，在解决各类复杂系统中的风险传播和连锁效应分析和控制的问题时，复杂性科学中的临界理论具有很广的适应性。但在复杂制造系统中，运用临界理论来解决系统风险传播预警和控制问题的研究还非常缺乏。基于此，未来有必要深入研究基于临界理论的复杂制造系统的风险传播预警和控制，将有助于更深刻地揭示复杂制造系统在内外部风险下的演化规律，为制造企业提供更加及时精准的预警，并且保障复杂制造系统的安全高效运营。将可能的3个发展方向归纳如下：
１） 复杂制造系统临界态演化多参数模型构建
复杂制造系统临界建模需要在建模前需要考虑对系统临界性和可靠性较为重要的关键数据，以刻画工厂设备间深层耦合关系，为临界精准建模提供数据支撑。复杂制造系统的临界态演化模型构建在关注个别关键参数的基础上，还需要结合系统真实复杂性，可以利用动力学机制同时考虑多个影响因子构建近临界演化的多参数模型。接着可以进一步探索多相态跃迁的临界条件和形态以及暂态演变机理，建立复杂制造系统近临界自组织演化的多维度理论框架。在模型的基础上还可以进行临界演化的高阶相互作用规律探究以及临界演化的跨尺度涌现机制研究，以构建一套较为完整复杂制造系统在复杂系统临界层面的演化机理体系。
２）考虑风险传播的复杂制造系统临界态预测
由于复杂制造系统面临制造环境随机因素和参数漂移等多种不确定性，在对采集到的多变量状态数据进行数据预处理和特征提取后，可以考虑采用高效的循环神经网络来预测复杂系统的临界态，针对不确定因素可以采用蒙特卡洛采样进行量化与管理，进而提升临界态预测的准确性和鲁棒性。在风险评估与临界预测结合方面，可以对系统内部近临界态相关风险因素进行识别，对复杂制造系统进行多尺度脆弱性评估，建立综合评估体系，并利用层次分析、模糊理论等方法预测基于近临界态的风险传播趋势。进而分析系统结构、模块动态、功能特征与系统风险之间的关系。可以基于因果推断理论进行多层级元部件复杂设备的可解释韧性评估，利用因果表示学习构建多模、多层级、跨尺度的动态演化因果网络，以刻画复杂设备多层次元部件的跨层次相互作用机理。
３）基于复合学习机制的复杂制造系统调控
复杂制造系统决策优化是调控系统临界态的有效技术手段，同时临界调控与决策优化具有竞合特性，有必要将二者协同考虑。机器学习和机理模型相结合是复杂系统临界态研究主要的方法之一，在复杂制造系统的调控方面可以基于深度学习的复杂系统近临界态量测方法并制定操控策略。考虑到演化博弈中个体自更新策略的特， 可以结合动态博弈方法或者自适应遗传算法来优化参数、解决动态环境下复杂制造系统生产需求—系统临界的策略选择问题，以达到让复杂系统朝着期望方向演化的目的。对于典型攻击下复杂制造系统的恢复问题，可以结合多智能体的方法来解决系统重构问题。同时，还可以使用迁移学习与主动学习的方法对崩溃系统进行训练、建模并应用到其它系统中，以增强系统韧性、提高系统应对未知攻击的能力。
4. 团队简介
