摘 ?要：文章利用文獻計量分析方法，對智能工廠領域的研究現狀、國家與機構分布情況、知識演進脈絡、國內外研究力量等進行了研究。結果表明，智能工廠正處于快速發(fā)展階段，智能制造技術不斷融入工業(yè)、能源、交通、健康等眾多領域;德國、美國等國是該領域的技術領導者;近年來中國智能工廠快速發(fā)展，并不斷縮小與發(fā)達國家的差距。

關鍵詞：智能工廠;文獻計量分析;競爭態(tài)勢;可視化分析

中圖分類號：TP391 ? ?文獻標識碼：A 文章編號：2096-4706（2021）12-0116-09

Abstract： Using the bibliometric analysis method， this paper studies the research status in the field of intelligent factory， the distribution of countries and institutions， the context of knowledge evolution， the research strength at home and abroad， etc. The results show that intelligent factories are in the stage of rapid development， and intelligent manufacturing technologies are continuously integrated into many fields such as industry， energy， transportation， health and so on; countries such as Germany and the United States are the technology leaders in this field; in recent years， China's intelligent factories have developed rapidly and continuously narrowed the gap with developed countries.

Keywords： intelligent factory; bibliometric analysis; competitive situation; visual analysis

0 ?引 ?言

智能工廠融合了現代傳感器技術、自動化技術、網絡技術和人工智能技術，通過感知、人機交互、決策、執(zhí)行和反饋，實現工業(yè)制造過程與企業(yè)管理及服務的智能化，是信息技術與制造技術深度融合的新興產物。美國是智能工廠、智能制造的發(fā)源地，美國國家科學基金會（NSF）自20世紀90年代起開始資助智能制造領域的研究，提出了“智能加工系統(tǒng)（smart machining system， SMS）”研究計劃。2015年德國提出“德國工業(yè)4.0戰(zhàn)略實施建議”，旨在支持工業(yè)領域新一代革命性技術的研發(fā)與創(chuàng)新?！爸袊圃?025”把智能工廠作為重要內容，利用信息技術、數字化技術、網絡化技術、集成化技術、智能化技術等優(yōu)勢，在新一輪的工業(yè)革命中取得先機。為了解智能工廠研究領域的發(fā)展狀況，本文基于該領域2011—2020年間的文獻數據，采取文獻計量可視化分析方法對研究的熱點、知識演進脈絡、主要國家發(fā)展方向與國際合作關系進行分析研究。

1 ?研究框架與方法

1.1 ?研究框架

基于WOS核心文獻數據庫，通過數據檢索和預處理，獲得智能工廠領域相關文獻數據。通過文獻統(tǒng)計與分析得到發(fā)文態(tài)勢。通過知識演進分析，獲得研究主題的發(fā)展態(tài)勢。通過對主要國家和組織的分析，獲得國家和組織合作關系，如圖1所示。

1.2 ?數據與預處理

基于Web of Science數據庫的SCI-EXPANDED、CPCI-S、CPCI-SSH三個子數據庫，以TS=“smart factory*”or TS=“intelligent factory”為檢索表達式，設置檢索時間段為2011-01-01至2020-12-31，共檢索出2 011篇文獻?；跇祟}、作者、關鍵詞及摘要內容對重復、無關數據等文獻進行人工清洗，最終獲得與智能工廠相關的文獻1 691篇。

1.3 ?分析方法

1.3.1 ?文獻統(tǒng)計分析

基于文獻數量，對2011—2020年間的文獻數量進行了變化態(tài)勢分析，包括主要出版物分析、主要國家與機構分析等。

1.3.2 ?可視化分析

本文利用Citespace和VOSviewer兩款軟件進行分析，在VOSviewer中，通過運算分析文獻數據標語和摘要等信息，所呈現的共現網絡圖，展示關鍵詞、國家、機構之間的關聯(lián)關系，反應研究熱點和合作關系。在Citespace中選取一年中引用次數排在前10%的引文進行分析（即設置時間切片為1，共分10個時間段，閾值為25），利用最小樹生成算法繪制引文信息架構圖和引文網絡圖，反映知識脈絡及其研究演化情況。

2 ?智能工廠領域基于文獻計量分析結果

2.1 ?文獻發(fā)文趨勢分析

2011—2020年智能工廠研究領域發(fā)文總量為1 691篇（如圖2所示），第一篇關于智能工廠（Smart factory）學術領域的文章誕生于2011年，發(fā)布于關于薄膜晶體管液晶顯示器（TFT—LCD）制造行業(yè)的學術期刊上。2012—2016年為緩慢增長階段，研究數量呈現緩慢增長趨勢，其中2012—2015年年增長量均為個位數，從2016年開始出現十位數的增長趨勢，受關注程度不斷提高。智能工廠領域在2016年后成為新興學術熱點。2017—2020年為快速增長期，2017年的發(fā)文數量相較于2016年呈倍數級增長，在2019年達到峰值470篇（包含學術期刊、會議和其他），四年發(fā)文總量達1 592篇，占總發(fā)文數量的94.15%。

2.2 ?主要出版物分析

1 691篇文獻中有57.48%為學術期刊來源，有38.49%為會議來源。期刊來源的出版物前十如表1所示（P表示出版物數量的百分比;C表示引用數量）。發(fā)文數量前十位中，關于智能工廠相關領域研究成果主要出現在2017—2020年，其中《PROCEDIA MANUFACTURING》《IEEE ACCESS》《SENSORS》前三位機構的主要研究方向為：制造、傳感和控制、工程、電信、計算機科學、信息系統(tǒng)、生物化學、遺傳學、分子生物學、化學、計算機科學、工程、醫(yī)學、物理學和天文學等領域;會議中比較有代表性的學術組織為《IEEE INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGIES AND FACTORY AUTOMATION ETFA》《IFIP ADVANCES IN INFORMATION AND COMMUNICATION TECHNOLOGY》《IFIP ADVANCES IN INFORMATION AND COMMUNICATION TECHNOLOGY》，三者的研究方向主要集中于計算機科學、決策科學工程、電氣及電子、電信、信息系統(tǒng)、工程及控制系統(tǒng)。通過分析主要期刊與會議所涉及的學科領域，可知目前關于智能制造的研究除了致力于傳統(tǒng)工業(yè)制造領域外，更多集中在信息系統(tǒng)、生物學、化學、醫(yī)學、物理學等學科領域內。

3 ?智能工廠領域研究演進分析

3.1 ?研究主題分析

借助VOSviewer和CiteSpace軟件，對論文數據進行關鍵詞共現與聚類分析，得到智能工廠領域內研究主題的分布情況，如圖3所示。關于智能工廠的6類聚合圖譜，統(tǒng)計情況如表2所示。另外，根據圖4關鍵詞時間線共現關系圖可知，關于智能工廠領域研究關鍵詞最初出現于2015—2016年，由于本文中的數據研究成果集中在2017—2020年，因此熱點關鍵詞的出現應該是在2017年之后，而新型關鍵詞出現于2019年之后。

聚類1主要涉及物聯(lián)網與信息物理系統(tǒng)主題，智能工廠在一定程度上可視為傳統(tǒng)工業(yè)制造行業(yè)未來升級迭代的趨勢，近年來移動計算出現了范式轉變，從集中式移動云計算向移動邊緣計算（MEC）轉變[1]。熱點關鍵詞主要出現在2015—2016年，如“云計算（Cloud computing）”“計算建模（Computational modeling）”“物聯(lián)網（iot）”，在2015—2016年間奠定了該學科的學科基礎知識，關于物聯(lián)網與信息物理系統(tǒng)相關主題中的關鍵詞出現在2018年左右，如“5G”“區(qū)塊鏈（Blockchain）”“邊緣計算（edge computing）”“云計算（fog computing）”“網絡安全（Cybersecurity）”。

聚類2主要涉及人工智能、深度學習、仿真模型主題，該領域內的深度學習、仿真模型與智能工廠連接緊密。該領域內熱點關鍵詞：“診斷（Diagnosis）”“故障診斷（fault diagnosis）”“機器學習（machine learning）”，從時間線聚類分析圖譜得知更多新興關鍵詞出現在2019年以后，如“人工智能（artificial intelligence）”“數據挖掘（data mining）”“深度學習（deep learning0”為幾個主要的新興關鍵詞。

聚類3主要涉及人機交互、數字工廠、生產設計系統(tǒng)主題，工業(yè)界對人機交互的興趣主要集中在人和機器人的能力在工業(yè)生產中的區(qū)別和數字人體建模系統(tǒng)在人-機器人任務規(guī)劃[2]等方面。熱點關鍵詞：“算法（Algorithm）”“環(huán)境（environment）”“算子4.0（operator 4.0）”“制造（manufacturing）”“性能（performance）”，新興關鍵詞為“協(xié)同（Collaboration）”“裝配（assembly）”“自動化（automation）”。

聚類4主要涉及循環(huán)經濟與可持續(xù)、制造系統(tǒng)、方法論主題，循環(huán)經濟的總目標是資源的綜合有效利用，2019年，Elsevier公司為實現這一目標開展廢物管理領域開發(fā)和實施工業(yè)4.0的新方法，目前已取得四個方面的成果：“收集和物流、機器和廢物處理廠、商業(yè)模式和數據工具”[3]。熱點關鍵詞：“框架（Framework）”“管理（management）”“可持續(xù)性（sustainability）”。新興關鍵詞為“循環(huán)經濟（circular economy）”“供應鏈（supply chain）”。

聚類5主要涉及數字化轉型、成熟度模型主題，連接物聯(lián)網的新型數字技術的發(fā)展，以及人工智能和自動化的進步，正在推動制造業(yè)創(chuàng)新的新浪潮，智能工廠將利用用戶和其他機器通信的工業(yè)設備、自動化流程和機制，促進工廠和市場之間的實時通信，以支持動態(tài)適應以及最大限度地提高效率[4]。該領域內的熱點關鍵詞為“大數據（big data）”，新興關鍵詞為“數字化轉型（digital transformation）”“成熟度模型（maturity model）”。

聚類6主要涉及工業(yè)4.0、智能制造等，智能工廠在本質上是以工業(yè)制造為基礎的產業(yè)升級，工業(yè)4.0和智能制造是智能工廠的組成部分，通過推動智能制造技術和智能工廠的建設，可以有效促進工業(yè)4.0制造革命[5]。本文的論文數據中，智能制造技術應用在智能工廠和工業(yè)4.0的背景下最早研究成果出現在2015年。由華南農業(yè)大學岳學軍等人首次提出：隨著“工業(yè)4.0”理論的興起，云技術與工業(yè)信息物理系統(tǒng)（ICPS）的融合變得越來越重要，這將極大地改善制造業(yè)鏈和商業(yè)服務[6]。熱點關鍵詞：“信息物理系統(tǒng)的生產（cyber-physical production）”“工業(yè)4.0（industry 4.0）”，新興關鍵詞為“數字孿生（digital twins）”。

3.2 ?知識演進脈絡分析

借助CiteSpae和Vosviewer軟件，利用論文數據的引文信息建立1 691個引用文獻節(jié)點，對3 602篇引文組成的引文網絡進行分析，將引文閾值設定為12，進行篩選后得到25篇核心引用文獻，如圖5所示，同時得到引用文獻中心性熱點圖，如圖6所示。在智能工廠領域核心出版物從2013年橫跨至2020年，其中有7篇（28%）來自德國，具體研究機構主要為德國國家科學與工程研究院、亞琛工業(yè)大學、德國人工智能研究中心（DFKI）、波鴻大學等;有6篇（24%）來自中國，具體研究機構為北京航空航天大學、上海交通大學、中國科技大學、華中科技大學等;有4篇（16%）來自美國，具體研究機構為加利福尼亞大學、美國辛辛那提大學等。而智能工廠研究領域的技術知識主要包含“智能制造”“CPS系統(tǒng)”“大數據”“物聯(lián)網”“云計算”“制造預測”“制造服務”“供應鏈管理”“能源效率”“實時系統(tǒng)”等十個主要方面，其中關聯(lián)性強度排名第一位的《Recommendations for Implementing the Strategic Initiative INDUSTRIE 4.0——Securing the Future of German Manufacturing Industry》報告系統(tǒng)地講述了德國在未來智能工業(yè)發(fā)展中的關鍵——靈活運用信息通訊技術（ICT），其中的關鍵技術是信息通信技術（CT），具體包括聯(lián)網設備之間自動協(xié)調工作M2M（Machineto machine）、通過網絡獲得的大數據的運用、與生產系統(tǒng)以外的開發(fā)銷售/ERP（企業(yè)資源計劃）/PLM（產品生命周期管理）/SCM（供應鏈管理）等業(yè)務系統(tǒng)聯(lián)動等等[7]。美國所提出的“智能制造”“智慧生產”“能源效能”“供應鏈效能”通過數字技術提升工業(yè)生產效率、服務;中華人民共和國科技部2017年公布的《“十三五”先進制造技術領域科技創(chuàng)新專項規(guī)劃》中的13個主要方面：增材制造、激光制造、智能機器人、極大規(guī)模集成電路制造裝備及成套工藝、新型電子制造關鍵裝備、高檔數控機床與基礎制造裝備、智能裝備與先進工藝、制造基礎技術與關鍵部件、工業(yè)傳感器、智能工廠、網絡協(xié)同制造、綠色制造、先進制造科技創(chuàng)新示范工程[8]。

進一步分析70%以上的核心引文期刊以工業(yè)4.0為主要研究方向，主要包括“智能制造”“CPS系統(tǒng)”“云技術”“物聯(lián)網”“大數據”和“能源效率”。例如2012年Davis Jim等人基于智能制造、制造智能與需求動態(tài)性能所提出的新的動態(tài)需求經濟模型[9];2015年Monostori L發(fā)表基于信息物理生產系統(tǒng)：源于制造科學與技術的預期與新研發(fā)技術研究[10];2014年Tao F等人發(fā)表基于面向云制造的基于物聯(lián)網的制造資源智能感知與訪問，提出了制造資源和服務的分類及其相互關系。設計并提出了一種基于物聯(lián)網的五層結構（包括資源層、感知層、網絡層、服務層和應用層）資源智能感知與接入系統(tǒng)。描述了在CMfg中實現各種資源（硬制造資源、計算資源和智能資源）智能感知和訪問的關鍵技術[11]。同時，30%左右的文章論述了其他領域的研究方向，主要包含“實時系統(tǒng)”“制造系統(tǒng)仿真與優(yōu)化行為運作管理”“制造業(yè)服務化”“預測”“自適應柔性自動化”，從2014年開始，Agnieszka Radziwon等人根據智能工廠建設、運行進行了新方向的探索“智能工廠：探索適應性和柔性制造解決方案”[12]。Lee J等人則是從“制造預測”“工業(yè)預測與健康管理”等方面進行研究，Lee J指出世界經濟的全球化是對當地工業(yè)的重大挑戰(zhàn)，它正在推動制造業(yè)走向下一個轉型——預測性制造。為了變得更有競爭力，制造商需要擁抱新興技術，如先進的分析和基于網絡物理系統(tǒng)的方法，以提高其生產效率和生產力[13]，階段性總結大數據環(huán)境下預測制造系統(tǒng)的最新進展與趨勢。同樣，2014年Tao F等人在互聯(lián)網、信息系統(tǒng)中融入“互聯(lián)網服務”“互聯(lián)網使用者”等關鍵詞，首次將云計算與物聯(lián)網云制造服務系統(tǒng)相融合，在此基礎上，提出了一種基于云制造和物聯(lián)網的云制造服務系統(tǒng)（CCIoT-CMfg）及其體系結構，分析了云制造、物聯(lián)網和云計算三者之間的關系。建立了實現CCIoT-CMfg的技術體系[14]。同年Chen M等人則從大數據的生成、獲取、存儲和分析四個角度對大數據的幾個代表性應用（包括企業(yè)管理、物聯(lián)網、在線社交網絡、醫(yī)療應用、集體智能和智能電網）做出了探討與分析[15]。另外，2014年德國人工智能研究中心Gorecky d等人首次提出將“人工智能”“人機交互”和“智能工廠”領域相結合，通過技術支持，可以保證工人充分發(fā)揮自身的潛力，發(fā)揮戰(zhàn)略決策者和問題解決者的核心作用，展現了工人技術援助的解決方案[16]。

核心引用文獻日期均不超過2017年之前，智能工廠研究領域從大數據、CPS、IoT等傳統(tǒng)方向逐漸向人工智能、循環(huán)經濟與可持續(xù)發(fā)展、人機交互等領域發(fā)展。

智能工廠文獻研究領域的核心文獻如表3所示，2015年，Khorov Evgeny等人首先提出智能技術（如智能電網、智能電表、智能住宅、智慧醫(yī)療系統(tǒng)、智能工業(yè)等應用）在經濟可持續(xù)增長中發(fā)揮著關鍵作用，新型自主控制系統(tǒng)將在未來發(fā)揮更大作用[17];同年，Fortino Giancarlo等人提出身體傳感器網絡（BSNs）的新型應用，如電子醫(yī)療保健、健身/健康系統(tǒng)、運動表現監(jiān)測、互動游戲、工廠工人監(jiān)測和社會物理互動[18]。

2016年，Wang Shiyong等人對工業(yè)4.0、物聯(lián)網和服務在制造業(yè)中的應用做出了分析，在本文中我們關注的是垂直集成，以實現靈活和可重構的智能工廠。我們首先提出了一個簡單的框架，將工業(yè)無線網絡、云、固定或移動終端與機器、產品和傳送帶等智能構件結合起來[19]。同年，該作者發(fā)表面向工業(yè)4.0的智能工廠：基于大數據反饋和協(xié)調的自組織多智能體系統(tǒng)，指出我們提出了一個智能工廠框架，它將工業(yè)網絡、云和監(jiān)控終端與機器、輸送機和產品等智能車間對象結合在一起[20]。將智能對象分類為各種類型的代理，利用自主決策和分布式協(xié)作使協(xié)調器具有較高的靈活性。Kang Hyoung Seok等人通過引入各種ICT技術以及與現有制造技術的融合，支持有效和準確的實時工程決策[21]，并預測了未來在智能工廠研究領域相關技術的發(fā)展方向。通過分析德國、美國、韓國政府主導的智能制造運動的政策和技術路線圖，確定了與智能制造相關的主要關鍵技術，并預測了未來發(fā)展的趨勢。Ivanov、Dmitry等人于2016年首次提出基于智能工廠工業(yè)4.0的短期供應鏈調度動態(tài)模型與算法[22]。

從2017年開始，Li Xiaomin等人對工業(yè)4.0下的工業(yè)無線網絡進行了概述，討論了工業(yè)無線網絡的特點和相關技術，提出了一種基于服務質量和數據質量的工業(yè)無線網絡體系結構[23]。

2018年，Chen Baotong等人提出了智能工廠的層次結構，然后從物理資源層、網絡層和數據應用層等層面分析了智能工廠的關鍵技術[24]。同年，Moeuf A、Pellerin R等人介紹了關于中小企業(yè)工業(yè)4.0不同問題的現有應用研究的文獻綜述[25]。該文章是根據一種新的框架分類的，這種框架可以確定目標的業(yè)績目標、所需的管理能力和每一個選定案例的選定技術組。

2020年，Oztemel E和Gursev S[26]對工業(yè)4.0這個關鍵詞在不同領域的研究給出了綜述。制造業(yè)深刻影響著經濟和社會的進步，與“智能工廠”關聯(lián)性最強的關鍵詞為“工業(yè)4.0”，工業(yè)4.0作為研究中心和大學一個普遍接受的術語，受到了商界和研究界的高度關注。

4 ?智能工廠領域主要國家分析

4.1 ?主要國家學術研究聚焦點分布

借助VOSviewer軟件，選取總發(fā)文量大于等于10篇的國家，以及總發(fā)文量大于等于5篇的機構構建作者共現網絡且根據節(jié)點之間關系強度與方向的測度指標進行聚類以分析智能工廠領域內的國家、機構合作情況，網絡中節(jié)點大小表示國家/機構發(fā)文數量，節(jié)點之間的連線粗細則代表合作頻次高低，結果如表4所示。

在國家層面上，合作網絡中包含42個節(jié)點，網絡整體上呈現為較為稠密狀且不存在離散節(jié)點。VOSviewer中自帶的聚類方法將國家合作網絡聚為六類。

4.2 ?主要國家學術研究合作分析

如圖7所示，最大聚類節(jié)點為紅色，由11個國家構成，包含意大利、西班牙、澳大利亞等，其中歐洲國家占比超過50%，集中合作以意大利和西班牙為主，其中意大利與26個國家（包括中國大陸、德國、法國、西班牙等）進行智能工廠領域的學術合作，合作方向主要集中在“工業(yè)4.0”“物聯(lián)網”“智能制造”“大數據”“信息物理系統(tǒng)”等方面，值得注意的是，意大利在“人工智能”領域與中國、德國、西班牙等國開展了新的研究合作模式。

第二聚類為綠色，由10個國家構成，以法國、英國、瑞典、芬蘭為主要代表，在該合作領域中法國和瑞典占據主導地位，在該聚類中“區(qū)塊鏈技術”成了新興關鍵詞。

第三聚類為深藍色，由8個國家構成，以新加坡、墨西哥、葡萄牙等國家為主要代表，具體的合作為西班牙、新加坡等國與中國大陸、法國、瑞典、西班牙等國的緊密合作。其中巴西在2018年開始與意大利、法國、新加坡、德國、丹麥等國建立了緊密的學術合作關系。

第四聚類為黃色，由7個國家構成，包含德國、中國臺灣、挪威等國，聚類中除了德國與35個國家進行合作，中國臺灣與14個國家進行合作外，其他國家合作數量均小于8。德國則在“優(yōu)化”“增強現實”“5G”等新興領域率先與其他國家建立學術合作關系。

第五聚類為紫色，由4個國家構成，分別為中國大陸、美國、日本和韓國，其中中國、美國與其他國家合作數量均為29，但在連接強度上中國達到了142，是42個國家中最高的，主要研究方向與美國、韓國大致相同，但值得注意的是，中國更注重“數字孿生”“深度學習”“區(qū)塊鏈”等方向的研究，而美國更注重“人工智能”“能源效率”方向的研究。

第六聚類為淺藍色，由2個國家構成，分別為印度和土耳其，但由于鏈接數量與強度偏低，且僅與少數國家形成學術合作關系，還未形成完整的學術合作關系網絡。

5 ?結 ?論

為全面展示目前智能工廠領域的研究現狀及發(fā)展趨勢，彌補現有的不足，本文根據文獻計量作以下分析：（1）智能工廠領域自2015年起成為全球關注的焦點，目前該研究領域正處于快速增長期，在未來一段時間內將呈現快速攀升的趨勢，并吸引更多的國家與研究機構進入。美國和德國是最早進入智能工廠研究領域的國家，中國緊隨其后，在文獻數量上也漸漸呈現出優(yōu)勢。另外，韓國和意大利在該領域內也占據一定的主導地位，其中德國的西門子股份有限公司、德國國家科學與工程研究院、亞琛工業(yè)大學以及北京航空航天大學、上海交通大學，美國加利福尼亞大學、美國辛辛那提大學等在該領域內擁有較強的科研能力。（2）當下智能工廠領域的研究主題主要以電學、控制科學、信息科學與計算機科學為基礎，逐漸向工業(yè)、能源、交通、健康等諸多領域輻射，建立智能化、自動化、服務化的新興產業(yè)模式。智能制造是可持續(xù)發(fā)展的制造模式，它借助計算機建模仿真和信息通信技術的巨大潛力，優(yōu)化產品的設計和制造過程，大幅度減少物質資源和能源的消耗以及各種廢棄物的產生，同時實現循環(huán)再用，減少廢棄物排放，保護環(huán)境。（3）智能工廠領域的科學研究活動中美國、中國、德國之間已形成密切合作，其中德國與中國之間的合作最為頻繁，各主體間的合作研究主題與全球智能工廠研究主題以及各國的關注焦點相一致。其余合作子網絡中仍存在地域性特點，特別是歐洲各國間的交流合作，以及存在部分發(fā)文量較高但與他國合作頻次較低的國家（如韓國）。（4）智能工廠研究領域的活躍研究機構多以制造領域為背景，其中中國高校更注重數據分析研究，而德國高校與企業(yè)更注重系統(tǒng)研發(fā)與應用，美國更注重循環(huán)可持續(xù)發(fā)展、生產設計系統(tǒng)研發(fā)，中國在科學研究活動中的合作多產生于高校或科研機構中，應注重提升與企業(yè)和協(xié)會的合作機會，智能工廠領域的產學研合作還有較大的挖掘空間。

參考文獻：

[1] MAO Y Y，YOU C S，Zhang J，et al. A Survey on Mobile Edge Computing：The Communication Perspective [J].IEEE Communications Surveys & Tutorials，2017，19（4）：2322-2358.

[2] TSAROUCHI P，MAKRIS S，CHRYSSOLOURIS G. Digitalisation and intelligent robotics in value chain of circular economy oriented waste management - A review [J].International Journal of Computer Integrated Manufacturing，2016，29（8）：916-931.

[3] SARC R，CURTIS A，KANDLBAUER L，et，al. Digitalisation and intelligent robotics in value chain of circular economyoriented waste management - A review [J].Waste Management，2019（95）：476-492.

[4] SJODIN D R，PARIDA V，LEKSELL M，et al. Smart Factory Implementation and Process Innovation [J].Research-Technology Management，2018，61（5）：22-31.

[5] MOORE S. Top Trends From Gartner Hype Cycle for Digital Government Technology，2019 [EB/OL].（2019-08-17）.https：//www.gartner.com/smarterwithgartner/top-trends-from-gartner-hype-cycle-for-digital-government-technology-2019.

[6] YUE X J，CAI H，YAN H H，et al. Cloud-assisted industrial cyber-physical systems： An insight [J].Microprocessors and Microsystems，2015，39（8）：1262-1270.

[7] Recommendations for implementing the strategic initiative GERMAN INDUSTRIE 4.0. Final report of the Industrie 4.0 Working Group [EB/OL].（2013-04-08）https：//en.acatech.de/publication/recommendations-for-implementing-the-strategic-initiative-industrie-4-0-final-report-of-the-industrie-4-0-working-group/.

[8] 中華人民共和國科學技術部.“十三五”先進制造技術領域科技創(chuàng)新專項規(guī)劃 [J].中國計量，2017（12）：9-20.

[9] DAVIS J，EDGAR T，PORTER J，et al. Smart manufacturing，manufacturing intelligence and demand-dynamic performance [J].Computers & Chemical Engineering，2012（47）：145-156.

[10] MONOSTORI L. Cyber-physical production systems：roots from manufacturing science and technology [J].at-Automatisierungstechnik， 2015，63（10）：766-776.

[11] TAO F，ZUO Y，XU L D，et al. IoT-Based Intelligent Perception and Access of Manufacturing Resource Toward Cloud Manufacturing [J].IEEE Transactions on Industrial Informatics，2014，10（2）：1547-1557.

[12] RADZIWON A，BILBERG A，BOGERS M，et al. The Smart Factory：Exploring Adaptive and Flexible Manufacturing Solutions [J].Procedia Engineering，2014（69）：1184-1190.

[13] LEE J，LAPIRA E，BAGHERI B，et al. Recent advances and trends in predictive manufacturing systems in big data environment [J].Manufacturing Letters，2013，1（1）：38-41.

[14] TAO F，CHENG Y，XU L D，et al. CCIoT-CMfg：Cloud Computing and Internet of Things-Based Cloud Manufacturing Service System [J].IEEE Transactions on Industrial Informatic.2014，10（2）：1435-1442.

[15] CHEN M，MAO S W，LIU Y H，et al. Big Data：A Survey [J]，Mobile Networks & Applications.2014，19（2）：171-209.

[16] GORECKY D，SCHMITT M，Loskyll M，et al.Human-machine-interaction in the industry 4.0 era [C]//2014 12th IEEE International Conference on Industrial Informatics （INDIN）.Porto Alegre：IEEE.2014：289-294.

[17] KHOROV E，LYAKHOV A，KROTOV A，et al. A survey on IEEE 802.11ah： An enabling networking technology for smart cities [J].Computer Communications，2015（58）：53-69.

[18] FORTINO G，GALZARANO S，GRAVINA R，et al. A framework for collaborative computing and multi-sensor data fusion in body sensor networks [J].Information Fusion，2015（22）：50-70.

[19] WANG S Y，WAN J F，LI D，et al. Implementing Smart Factory of Industrie 4.0：An Outlook [J].International Journal of Distributed Sensor Networks，2016（1）：1-10.

[20] WANG S Y，WAN J F，ZHANG D Q，et al. Towards smart factory for industry 4.0：a self-organized multi-agent system with big data based feedback and coordination [J].Computer Networks，2016（101）：158-168.

[21] KANG H S，LEE J Y，CHOI S S，et al. Smart Manufacturing： Past Research，Present Findings，and Future Directions [J].international journal of precision engineering and manufacturing-green technology，2016（3）：111-128.

[22] IVANOV D，DOLGUI A，SOKOLOV B，et al. A dynamic model and an algorithm for short-term supply chain scheduling in the smart factory industry 4.0 [J].International Journal of Production Research，2016，54（2）：386-402.

[23] LI X M，LI D，et al. A review of industrial wireless networks in the context of Industry 4.0 [J].Wireless Networks volume，2017，23（1）：23-41.

[24] CHEN B T，WAN J F，SHU L，et al. Smart Factory of Industry 4.0： Key Technologies，Application Case，and Challenges [J].IEEE Access，2018（6）：6505-6519.

[25] MOEUF A，PELLERIN R，LAMOURI S，et al. The industrial management of SMEs in the era of Industry 4.0 [J].International Journal of Production Research，2018，56（3）：1118-1136.

[26] OZTEMEL E，GURSEV S. Literature review of Industry 4.0 and related technologies [J].Journal of Intelligent Manufacturing.2020，31（1）：127-182.

作者簡介：程浩倫（1997—），男，漢族，湖北仙桃人，碩士研究生在讀，研究方向：信息可視化、交互設計、服務設計。