1.企业建模技术（郑锋，2003）
企业模型是人们为了解企业而经过抽象得到的关于企业的描述。由于企业是非常复杂的系统，一般不可能用一个模型描述清楚，因此，企业模型通常由一组模型组成，每个子模型完成企业某个局部特性的描述，这些子模型按照一定的约束和连接关系构成整个企业模型，这就形成了企业的多视图特性，即采用多个视图从不同的侧面描述企业。目前，得到广泛认同的企业模型的组成部分包括功能模型、信息模型、过程模型、资源模型和组织模型等。
功能模型的主要目的是描述企业的功能。企业的功能通常包括许多活动，这些活动是企业的基本功能单元，它们接受输入信息和物料，占用和消耗一定的资源，延续一定的时间，最终输出信息和产品，从而实现价值增值。常用的描述功能活动的方法有：ISO/TCI84中提出的通用活动模块、CIM-OSA中定义的活动单元、GRAI网、PERA中定义的通用活动模块和IDEF0建模方法。在20世纪90年代以前相当长的一段时间内，企业建模方法主要由基于功能的建模方法所主导。在那个阶段，功能模型是企业建模所要建立的核心模型，以结构化分析与设计和IDEF方法为代表的功能分解成为企业建模的主要方法。
信息模型说明了企业处理的业务对象中所包含的信息，即执行具体功能活动时的输入、输出数据以及这些数据之间的逻辑关系。建立信息模型是实施企业信息集成的重要基础，数据流图（DFD）、实体关系图（E-R）是得到广泛应用的信息建模方法，而IDEFx则是在E-R模型的基础上增加了一些规则，是语义更加丰富的一种建模方法。
过程模型是一种通过定义组成活动及活动之间的逻辑关系来描述工作流程的模型，它是经营过程分析与经营过程重组的重要基础，其主要目标在于根据过程目标和系统约束条件将系统内的活动组织为适当的经营过程。在这种模型中，基于过程的控制流、物料流和信息流可以得到有效的集成，核心的过程被从开始到结束进行完整地建模而无须考虑组织的边界，因此，它能够支持企业集成，能够更好地描述企业的业务过程并适应企业组织结构的变化。目前较为广泛接受的过程建模语言有CIM-OSA的经营过程描述语言和工作流管理联盟WFMC定义的工作流描述语言。另外一类建模经营过程的方法是采用各种形式的网络图如CPM（Critical Path Method）、PVRT（Program Valuation and Review Techniques）、IDEF3、Petri网、GANTT图等。
资源模型是通过定义企业资源之间的逻辑关系和资源的具体属性，从而描述企业的资源结构的模型。目前比较有影响的资源建模方法主要有IEM和CIM-OSA的资源建模方法。
组织模型的任务是从人和技术的角度来定义企业的组织结构，并清晰定义人、技术和过程之间的关系。GRAI方法的GRA/栅格和CIM-OSA都可用于组织建模。
2.智能优化方法（朱云龙等，2013）
很多研究表明，由于实际生产优化与控制问题的复杂性、大规模性、不确定性、约束性、非线性、多极小、建模困难等特点，要寻找最优调度解是非常困难的，最有工程意义的求解算法是在合理、有限的时间内寻找到一个近似的、有用的解。智能优化方法自20世纪80年代以来就在生产优化与控制领域得到了很大的发展。智能优化算法是指模仿自然与生物机理为特征的随机搜索算法，如遗传算法、蚁群算法、粒子群优化算法、人工鱼群算法等。这些算法为复杂的生产优化与控制提供了有效的解决方法。在智能优化算法中，群智计算由于以自然界有益的信息处理机制为研究对象，具有自学习、自组织和自适应特征，能够为传统算法难以解决的各类复杂问题给出合理的解决方向，具有广泛的应用前景。
群智计算实际上是一种非常宏观意义下的仿生计算技术，它可以模拟自然界中一切生命与智能的生成与进化过程。因此，群智计算内涵丰富，涉及计算模式多样，并且不断有新的算法和计算机制涌现。由于此类方法具备高效的优化性能、无须问题特殊信息等优点，因此，在科学、工程、经济等领域得到了广泛的应用并取得了令人鼓舞的成就。目前，已被提出和广泛研究的主要群智算法见表8.1。
表8.1 群智计算算法总结
续表
由现有群智计算模式的局限性出发，梳理群智计算模式所遵循的统一框架理念。以生物进化论、共生进化论、自然界生态系统的涌现与系统特性为基础，通过借鉴复杂适应系统的思想，建立群智计算的统一框架模型及其形式化描述，从而在微观、宏观乃至应用层面上系统地展现群智计算的多样性与统一性理念。另外，分别从个体层面、群体层面、群落与生态系统层面实现并改进了各层面群智计算具体算法的实现步骤与代码设计；并通过标准测试函数对上述具体算法在不同参数设计下的性能进行测试与验证。最后，结合离散制造领域的优化与控制的实际需求进行建模和求解，为生产优化与控制提供一套可行的、高效的解决方法。(www.xing528.com)
3.数据驱动的制造系统仿真技术（王楠，2012）
传统制造业难以适应市场环境的快速多变和产品结构多样化的竞争压力，尤其在复杂产品制造领域，如汽车工业、电子工业、军工企业等。如何提高制造系统对提高对市场的快速响应能力是当今学术界与工业界的研究热点之一。
制造系统的运行受随机因素影响，呈现出离散、随机、并发和递归的特点，是一种典型的离散事件系统。离散事件系统是指受事件驱动、系统状态只在不确定的离散时间点上发生变化的动态系统，这种系统的状态无法用常规的数学方法来描述。而仿真技术的出现可以动态模拟制造系统的运行过程，通过对系统模型的实验，研究系统的生产能力以及运行状态，从而制定最优决策或生产实施方案。这种能够有效提高生产决策水平，减少实物制造及实验的周期和费用的新技术、新方法，被认为是继理论、实验之后，人们认识世界和改造世界的第三种基本手段，目前已被广泛应用于制造业领域内的系统规划、管理、运行等各个阶段，并且在解决大规模复杂问题及非线性问题上显示出很大的优越性。
仿真建模是进行仿真实验的前提和基础，据统计，仿真建模的时间占整个仿真项目周期的45%，并且实施仿真项目时建模也是其最为复杂的部分，模型的好坏直接决定了对系统进行仿真的效果。因此，为了提高制造系统的快速响应能力，缩短建模时间、减小建模复杂度对实现系统的快速仿真分析具有重要意义。
数据驱动的概念自20世纪80年代提出后，在分析测试、仿真建模、系统开发、计算机语言学习、数据库开发以及Web开发等领域得到了广泛的应用。对数据驱动的认识与理解在不同的应用领域也各不相同。在建模与仿真方面，可以把数据驱动仿真定义为适应性的仿真开发方法，系统模型可以描述任何应用需求，用户只需要提供数据，无须编程，仿真程序便能执行。数据驱动仿真模型是可应用至具有相似结构的一系列系统的仿真方法，这样的仿真模型对于具体的应用领域应当具有一般性，并且可以对系统的不同实例进行仿真。区别是否为数据驱动仿真的方法就是看进行实例仿真时是否对代码进行修改。
采用数据驱动的建模与仿真方法在建模时对系统进行抽象，在仿真时只要将系统应用需求转化为仿真执行环境的接口数据即可，用户不需要额外编程。因此，仿真系统抽象得越合理，仿真模型的适应性与可重用性就越强。数据驱动仿真方法将仿真操作与系统的数据描述进行分离。学者们将数据驱动的适应性仿真开发分为静态数据驱动的仿真和动态数据驱动的仿真两类。传统的数据驱动仿真多为前者，主要体现在仿真需求是预先可知的，数据输入多以数据库的方式在仿真初始化时输入；而动态数据驱动与前者的最大区别在于动态获取数据，它能够提高并实现仿真系统的动态适应性。
4.工业物联网技术
物联网将逐步渗入制造领域，大量的物理设备通过网络连接，实现了对客观环境或物体的感知和一定程度的智能化服务。未来，将会有数以亿计的各种形式的智能设备通过多样的通信技术实现自动互联，从而形成超大规模的海量数据感知、传输、处理和存储，实施智能化情景感知的控制决策和协同行为。
为了实现工业物联网的大规模应用，首先要突破面向工业领域的信息感知、信息传输和信息处理等关键技术。信息感知是通过泛在化的传感单元进行信息捕获，主要是由各类工业传感器实现；信息传输是指通过异构性的网络基础设施进行可靠的信息交互和共享，未来通过工业无线网络技术实现；信息处理是指普适性的数据分析与服务，对海量的跨部门、跨行业、跨地域的数据和信息进行分析处理，提升对物理世界、生产活动和生活行为的洞察力，实现对制造过程智能化的优化与控制。三者关系见图8.1。
图8.1 信息感知、信息传输和信息处理的关系
物联网技术能够为工业生产过程的控制与管理提供灵活的、泛在的信息感知与传输环境，提供有效的和低成本的技术支撑。借助于嵌入各种应用环境的系统来实现对多种模式信息（声、光、电、热、生理信息、化学信息、动作与空间信息等）的捕获、分析和传递，获取过去由于成本或技术原因无法在线监测的重要工业过程参数，为人类深层次理解物理世界提供前所未有的技术手段，极大地拓展人们对物理世界的了解和监测能力，促进各领域工业生产活动的进一步合理化和精细化控制；通过对工业设备、过程和产品进行全时空、全过程、全状态的多维度感知，实现对生产活动的时间和空间维度控制与管理的拓展，显著提高生产过程控制与管理的实时性和可追溯性，使整个供应链的产品、服务、运营更加透明化、标准化和精细化，有效提高生产效率，提升工业控制与管理的能力与水平。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
