2.2. 信息物理生产系统的特征
2.2.1。实时数据访问和分析
然而，随着工厂模式的不断转变，CPPS 的普惠对象将未来确定实现对相关制造数据的实时访问性。 、获取和获取是永久和普遍的[ 11 ]。以消息AP数据库遥测协议（MQTT、文本协议）并应用协议（Co、简单的协议、基础协议）[17、21 ]等，在中央中采用连续的、非式的方法对数据进行技术、信道化、传输、获取和。等功能，基于学习或深入学习算法（CPPS 的典型）特征驱动功能[ ]可以通过聚合为非手工设计的数据或其他数据的复杂性 3 的复杂性。关系（有监督学习）来完成的，这种方法也需要深入了解物理系统，或者可以通过发现数据本身的潜在模式（无学习）来完成，否则结果是不可靠的线性[ 6 , 8 ]。 这些描述性分析的应用性分析、结果分析、预测性，它们以分析性规划和准确分析的决策为保障，通过应用和实施模型，推动制造业向高度涉及优化和智能的生产设备发展。
2.2.2。部署系统和互操作性
CPPS，如果生出高度自动化、各种系统的资源，形成制造出制造的不断发展和催生的理念。系统将不断发展和发展其资源上的连接，同时集中在其上的地理分布分配意识决策的协作网络[ 15 ]。因此，CP 将把生产的制造资源和工作集中到一起，并独立到各个部门，在这种情况下，在设备运行中设置网络中的设置[ 15 ]。共享的可能因此而实现的实现[ 23 ]的概念定位点对阶段性制造，基于它的共享经济和促进点（P2P），也利用共享资源优化整个制造网络的配置、共享生产效率，从而提高整个制造网络的生产效率。CPPS 允许在特定情况下操作实例的应用程序之间[ 23 ]。通过这种方式，CPPS风险其其企业结构的区别，它可以展示级地、灵活地生产过程，同时降低控制和传统制造性。
2.2.3。基于人在电路的信息物理生产系统
CPPS将其具有的计算和能力知识结合起来以及劳动者的生产经验[ 24 ]。混合在上是一种共生与自动化的系统，并结合了多种专家的自动生成系统。 CP系统里的人在执行任务（人类或PS）未能成功完成任务，其实践会根据其执行标准的一个质量帮助，根据任务执行模型与CP系统中的人执行任务。在网络模型的概念引发了人们的行为兴趣[25-6 ]。人在连接模型的智能环境下的2个智能驱动和模型知识，推动了机器的进步，同时人类的生产方式它的生产范围和网络范围的增加和一种主宰人的角色为极简工作。承认CPPS是主要的驱动力。性和（AR），同时借助CPPS的能力控制能力为服务器提供了更好的和决策能力[ 24 ]。连等技术[ 26-27 ] 。这种协同的作用会为劳动者提供响应时间的响应时间，以应对措施，减轻工人在异常情况下或设备故障下的压力和工作量。
3.制造业的数据驱动模型
现在的制造业大规模企业都配备了ICT和各种企业级配套工具为实现控制方案（P）到生产计划与PC、系统制造（MES）和各种企业级资产部署（ERP）制造方案[ 2 ]。每个人或解决方案负责管理不同等级的企业。无论是历史数据还是实时数据，都是数据还是非个人数据，可以借助平台收集和利用，以便在产品整个生命周期中收集和利用周期中这些行为的行为和决策。过去利用智能精益生产、六西格玛、离散事件模型和基于智能体的模型（模型）等传统方法基于代理决策的决策。这些方法，但无法交叉部署，也无法实现通用企业等级[ 8 , 8 ]的所有动态模型，可以获取所有模型的数据，基于学习和深入学习的驱动功能上是的，并且可以部署。 ，并利用数据进行生产、过程控制或根据需要进行实时优化。图4展示了CPPS框架内数据在上述应用程序中的驱动流程模型[ 3 ]。
4利用这些机器学习算法基于历史数据库或实时数据库中的数据进行数据驱动建模。对模型的输出可以在员工单独的数据库中输出图，可以使用生产参数人机界面（HMI 屏幕）过程参数进行的查看化和分析，或者，可以将设备的监控信息监控到监控系统（DCS），在生产线上实施控制监控。ML：机器学习；LIMS：信息管理系统；PIMS：生产设备管理系统。自参考文献[
3.1。实时过程监控
在实现实时运营的同时，还需要利用离线数据，利用数据，改进制造程序和优化数据。监控对产品质量进行合理可靠的测量和估计。
Dong和Qin [ 28 ]应用并评估了内部动态乘员和动态内部主要成分分析（PCA）、动态最小二乘和动态内部典型相关分析算法，对多维时间序列数据进行模型，用于预测、内部诊断和内部特征。田纳西-伊斯（Tennessee-Eastman）数据验证模型的过程动态有效性利用，并观察到整个数据空间中，最可预测的预测精度最小的集组件是曼动态的潜在客户变量。 Papananias等[ 29 ]]基于贝叶斯线性开发的一种控制模式，用于制造中多预测分析的高级预测分析过程数据的质量和性状在线监测模型，经过验证阶段的训练等[ 30个]实现了高精度的算子测量，支持不同尺寸测量的测量精度。利用热轧程序测试该模型，以钢铁的过程生产。它可以对涉及非高斯和高度相关特征的生产过程进行有效监控，降低支持数据描述（SVDD）模型的这是一个复杂性等着分析监控的对象。这是一个主成分分析的主成分分析器（PC3），它通过成分分析的主成分和成分分析的主体成分。监控着并显着提升了主成分在监测和检测的性状。] 提出了一个结合整分析（CA）与特征分析（SFA）集成框架，这是一个无监督的降维变量从时数据中确定变化主体的。该方法的框架工业规模的多相比较所有的操作和流程监控过程，都是通过预先确定的统计数据，然后应用 CA 来确定和确定当时的情况，并根据当时的情况，以及其中的检测条件和情况，以及相关情况下的变化来确定。期间或操作故障期间的过程变量的各种状态。Shang[ 33 ]采用等SFA对来自运行点（偏差）范围和相关过程动态的过程监控提出建议。同时根据之前的慢特征设计了4个过程监控指标的释义，以及它们的适当的物理说明和相关信息分析条件下正常的过程变化变化研究中，仲[ 34 ] 采用无正化慢速特征等（ReSFA） ）对评估二甲酸（PTA）过程进行产品质量。调整后的即时学习解决了系统的在线问题输入的方法，进一步提高了在线预测性能。时间关系来充分处理过程动态。
3.2. 数据驱动的过程控制和优化
传统制造业依据过程统计过程控制来测量和控制生产过程中的生产质量，没有采用氢模型的先进控制应用，如预测控制（MPC）等。MPC在碳二组领域得到广泛应用，主要是由于成本数据驱动的监控开发和监控系统（DCS）的需求[ 10 35 ]。周期提供了意见，解除了上述限制。
Wang等[双35 ]通过建立一种马尔可夫链来研究的系统在最小限度和最大允许时间控制机器的情况下建立一个模型，他们可以在线进行实时结构的分析，设计中的实时行为。 [ 36 ] Max-plus 线性模型来系统输入和同步系统模拟状态之间的动态模拟利用时变驱动的模型控制预测对Max-plus线性运行、进行连续运行的事件解决，发布计划实时反馈控制问题，结构结构出可以用于ERP或MES的连接计划。
Wong等[ 3 ]设计了基于网络（RNN）7的神经模型预测控制（RNN-MPC），并模拟了神经网络制造行业。RNN其地理学制造了中脉反应器（CSTR）的动态循环反应器（CSTR ） CSTR中复杂反应的模型预测了一种基于闭环学习的关键质量属性，并为控制提供了性能要求的机器。中轻油的生产过程。他们生产建立了LightGBM模型，根据工厂的实时数据模拟控制，并与其一起进行管理控制和数据采集在线集成，实现实时要求和实时了。上等[ 39 ]设计一个支持驱动线性、基于驱动内核的驱动簇（SVC）来的数据集的匹配性。 N 和你 [ 40 岁] 利用多级数据驱动设备棒棒优化和密闭，提出了一种非核条件下的数据驱动优化方案。传统效果最好的效果比应用程序的调度程序31.5%高。
3.3. 小结
传统的人类物联网专家正在以有效的方式发现并有效地运作，是如何利用地球上所有的人最新AI领域的“技术推动”和智能制造背景下的“市场拉，拓展它们的应用，以利用数据制造中的数据驱动范围”在不同的海量范围内产生不同的海量因此，CPPS 可以为车间、供应链和企业建立一个动态知识库，其中数据驱动可以从趋势和模式中学习，帮助企业采取行动和决策。并且是这种数据为导向的过程，减轻了对生产或生产决策的任何不利影响”；通过方式，它们证明了被它们的价格和质量控制是其利益的，将“影响到制造”通过实时过程监控、分析和驱动的数据驱动控制，CPPS 还建立了新的性能模型，如预测维护、故障诊断和优化，这些都将推动以生产为导向的所有制造业生产向更基于服务的制造业发展。