《Results in Engineering》:Smart Systems and Safety 4.0: A Systematic Review of Technologies Enhancing Safety Decision-Making in Industry 4.0
工业4.0 (Industry 4.0)引入了先进技术,实现了自动化、互联互通和数据驱动操作。这些发展改变了工业决策过程和工作场所安全管理。然而,智能系统在安全相关决策中的整合仍未被充分探索,其实际对职业安全结果的影响也尚未被充分理解。本研究旨在分析智能技术如何有助于改善工业4.0 (Industry 4.0)环境中的安全决策。研究人员遵循PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)协议进行了系统文献综述。共筛选了713篇文章,并选择了2016年至2024年间发表的331篇同行评审研究进行分析。研究人员应用了使用VOSviewer的文献计量映射和主题综合,以识别模式、研究趋势和概念关系。结果揭示了研究兴趣日益增长,涉及由物联网 (IoT)、信息物理系统 (CPS)、人工智能 (AI)、数字孪生、增强现实和虚拟现实 (AR/VR)以及可穿戴设备等技术支持的预测性和规范性安全决策。这些技术增强了危害识别、实时监测和主动风险管理。研究人员提出了一个安全4.0 (Safety 4.0)生态系统框架,将数据采集、建模和决策支持联系起来。确定的关键挑战包括数据质量、互操作性和劳动力技能差距。研究结果强调了智能系统在提高决策准确性、操作安全性和组织韧性方面的潜力。本研究为工业4.0 (Industry 4.0)技术如何塑造安全决策过程提供了基于证据的理解,并为寻求向智能、自适应和更安全工作环境迈进的行业提供了实践指导。
1. 引言 (Introduction)
1.1 问题定义 (Problem definition)
技术进步重塑了工业运营,智能传感器、物联网 (IoT)、增强现实 (AR)、人工智能 (AI)、云计算 (CC)和机器人等工具构成了互联和高度自动化系统的基础,即工业4.0 (Industry 4.0)。然而,企业在有效利用这些创新方面仍面临困难,缺乏将数字工具嵌入日常运营的战略,导致操作员和智能机器的自主性受限。互联系统的复杂性增加了对自适应决策方法的需求,以处理大量动态实时数据。此外,在自主技术决策中保持透明度、可解释性以及与业务目标的一致性是一个关键挑战,涉及平衡自动化与人类监督、防范网络威胁以及管理机器驱动建议的风险。向智能工厂转型需要基础设施现代化、员工培训和网络安全方面的重大投入。不同行业对工业4.0 (Industry 4.0)的准备程度差异显著,缺乏适用于智能工厂的标准化决策框架进一步限制了技术潜力,因此迫切需要研究能够支持自主性、确保韧性和释放工业4.0 (Industry 4.0)全部效益的决策模型。
1.2 研究空白 (Research gap)
尽管生产决策已被广泛研究,但现有模型仅部分解决了工业4.0 (Industry 4.0)环境中安全导向决策的复杂要求。现有综述在三个方面存在局限性:首先,它们仅涉及特定技术子集(如可靠性建模、维护决策支持或信息物理系统 (CPS)架构),未建立关于这些技术如何共同塑造安全导向决策的统一理解;其次,它们通常关注较窄的主题范围或孤立应用领域,无法全面了解物联网 (IoT)、人工智能/机器学习 (AI/ML)、信息物理系统 (CPS)、可穿戴设备、增强现实/虚拟现实 (AR/VR)和数字孪生如何相互作用以支持预测性和规范性安全功能;第三,这些研究很少提供面向决策的假设或整合模型来指导安全4.0 (Safety 4.0)的实证研究或实际实施。为弥补这些空白,本研究开发了一个整合的安全4.0 (Safety 4.0)生态系统框架,综合来自多技术语料库的证据,明确将数字能力与安全决策结果联系起来。
1.3 目标与贡献 (Objectives and Contributions)
本研究调查了智能系统在增强工业4.0 (Industry 4.0)框架内安全相关决策方面的可靠性和有效性。主要目标是考察数字技术如何促进不同操作阶段和利益相关者群体之间的整合,并对其在解决工业环境中安全挑战方面的贡献进行全面评估。具体贡献包括:提供智能系统在安全决策中作用的综合分析;识别用于促进安全决策的技术;评估将智能系统整合到工业决策框架中的益处和挑战;为组织采用先进技术改善安全决策过程提供实践建议和见解;指出当前研究空白并提出未来研究方向。
1.4 论文结构 (Outline of the Paper)
论文其余部分结构如下:第2节概述工业4.0 (Industry 4.0)背景下的智能系统;第3节描述文献综述方法;第4节呈现并解释研究结果;第5节讨论研究空白、实践建议和未来研究方向;第6节总结研究贡献。
2. 工业4.0中的智能系统:概述 (Smart Systems in Industry 4.0: Overview)
2.1 领域演变 (Evolution of the field)
过去十年,智能系统和安全决策研究经历了显著转变。早期研究(2010-2015年)主要探索基础数字化技术,如物联网 (IoT)传感、自动化和信息物理集成,安全考虑隐含在可靠性工程或生产优化中。2016-2019年间,随着物联网 (IoT)连接、机器学习技术和信息物理系统 (CPS)架构的成熟,研究开始纳入实时监测、预测性维护和数据驱动决策支持,但技术通常被孤立考察,导致安全结果碎片化。2020年起,该领域进入应用导向和整合阶段,数字孪生、边缘-云架构、沉浸式增强现实/虚拟现实 (AR/VR)解决方案和高级分析实现了更复杂的安全功能,包括危害预测、操作员行为检测和沉浸式训练模拟,标志着从描述性或反应性安全管理向预测性和规范性决策支持方法的转变。未来方向包括自适应自优化安全系统、跨平台互操作性标准化、伦理问题(如算法透明度和问责制)以及可持续性关注。
2.2 智能系统的概念框架 (Conceptual Framework of Smart Systems in Industry 4.0)
本研究开发了一个概念框架,以捕捉工业4.0 (Industry 4.0)中智能系统的主要主题及其关系。概念映射用于组织复杂多维知识,从广泛技术原则到具体应用和影响,阐明系统组件如何相互作用并共同塑造决策过程。该框架整合了核心技术(如物联网 (IoT)、信息物理系统 (CPS)、人工智能/机器学习 (AI/ML)和云计算 (CC))、其功能能力及其与工业决策(特别是安全关键环境)的相关性,展示了从一般数字化概念到具体安全功能的演进,突出了传感、计算、通信、建模和决策支持层之间的相互依赖关系。
2.3 工业4.0中的安全管理 (Safety Management in Industry 4.0)
安全管理指识别、控制和减轻工作场所危害的系统过程和组织实践。向工业4.0 (Industry 4.0)的过渡为安全管理带来了新机遇和挑战。新兴技术允许主动识别和控制风险,将安全实践从反应性转向预测性方法。例如,传感器数据驱动的预测性维护使组织能够提前检测机器故障并采取预防措施。基于云的分析增强了实时监测,包括跟踪工人和车辆位置以防止事故。智能个人防护装备 (PPE)、智能摄像头和移动设备成为获取和应用数据驱动安全洞察的关键工具。数据挖掘、人工智能 (AI)和智能信息管理系统为风险评估和安全生产规划提供了强大机制。与物联网 (IoT)平台、云计算 (CC)和智能传感器集成,智能工厂能够实时识别潜在危害(如火灾或机械故障),并支持高效应急响应。
2.4 智能系统 (Smart systems)
系统概念在科学和工程研究中长期占据核心地位。智能系统在工业4.0 (Industry 4.0)背景下被理解为包含学习、适应和自主交互能力的系统。其关键特征包括:学习能力(从数据中获取知识并适应行为)、通信能力(元素间及与外部系统有效交互)、嵌入知识(整合人类专业知识和机器学习模型)、推理能力(应用模糊逻辑、神经网络等方法解决问题)、感知能力(通过传感器持续感知环境)、控制能力(通过执行器自主实施决策)、自组织能力(自主重构内部组件以保持目标)和上下文感知能力(识别和解释环境条件以调整行为)。这些特征使智能系统成为工业4.0 (Industry 4.0)决策的基础推动者。
2.5 工业4.0中安全决策的关键技术 (Key technologies for Safety Decision-Making in Industry 4.0)
工业4.0 (Industry 4.0)环境中,计算机、设备和机器的集成实现了越来越自主的决策过程。核心技术包括:物联网 (IoT)(连接传感器和设备进行实时数据收集和监测,如异常检测和可穿戴设备跟踪工人健康指标);大数据分析 (Big Data Analytics)(处理和分析大规模实时数据集以支持预测性安全管理,如预测性维护);信息物理系统 (CPS)(整合物理过程与计算智能,实现自适应控制,如自动关闭程序);人工智能和机器学习 (AI/ML)(检测偏差并推荐纠正措施,如计算机视觉识别不安全行为);云计算 (CC)(集中存储、处理和传播安全相关数据,提供实时可视性和一致性协议)。
2.6 工业4.0:智能系统对安全决策过程的影响 (Industry 4.0: The Impact of Smart Systems on Safety Decision-Making Processes)
工业4.0 (Industry 4.0)通过采用智能系统(如物联网 (IoT)、信息物理系统 (CPS)和人工智能 (AI))重塑了工业实践。这些技术与企业信息基础设施集成,实现高效数据收集和处理,将原始数据转化为可操作洞察,增强决策过程。智能系统通过提供实时数据访问、利用大规模数据集和高级统计分析与可视化工具,改善安全规划和情景分析,帮助管理者发现隐藏关联和趋势,减少信息过载,提高决策效率和客观性。预测分析使管理者能够预测未来事件并评估替代策略,通过模拟场景减少长期规划中的不确定性,加速决策周期。
2.7 决策:工业4.0中智能系统的应用 (Decision Making: Applications of Smart Systems in Industry 4.0)
决策涉及在备选方案中做出选择。在工业4.0 (Industry 4.0)背景下,智能系统应用于供应链管理、应急响应、安全与风险管理、预测性维护以及质量控制与优化等领域。物联网 (IoT)、人工智能 (AI)和大数据分析 (BDA)等关键技术通过实时数据收集、分析和知情决策,帮助组织优化运营、减轻风险、增强安全协议并提高整体效率和质量。
3. 方法论 (Methodology)
本研究采用系统综述方法,遵循PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)框架。关键词选择基于先前关于工业4.0 (Industry 4.0)技术和决策的综述。搜索策略结合了三个维度:工业4.0 (Industry 4.0)背景、智能系统角色和决策过程。最终搜索字符串应用于标题、关键词和摘要。Scopus被选为主要数据库,初始搜索返回713条记录,通过纳入和排除标准(排除非学术来源、非英语出版物、未包含相关关键词的文章、无全文文章以及未直接涉及工业4.0 (Industry 4.0)和智能系统中决策的文章)筛选,最终数据集包含331篇2016-2024年间发表的文章,这些文章明确涉及工业4.0 (Industry 4.0)背景下的决策,特别关注智能系统、数字技术和安全相关决策支持。
4. 研究发现 (Findings)
4.1 当前研究趋势 (RQ1) (Current research trends)
出版趋势显示,对智能系统用于安全决策的研究兴趣稳步增长。2018年后增长显著,2022年年度出版物超过70篇。期刊分布呈现分散性,表明该研究跨学科。主要活跃期刊包括Sustainability (Switzerland)、Computers and Industrial Engineering和Technological Forecasting and Social Change。VOSviewer关键词共现网络分析揭示了六个集群,中心关键词为“工业4.0 (Industry 4.0)”和“决策”,其他突出关键词包括“人工智能 (AI)”、“机器学习 (ML)”、“信息物理系统 (CPS)”、“智能制造”和“可持续性”。方法演进显示,2018年前研究主要关注趋势和架构模型,此后越来越多采用实证和案例研究方法,反映了更强的实践导向。
4.2 工业4.0中安全决策技术综述 (RQ2) (Review of technologies for Safety Decision Making in Industry 4.0)
4.2.1 近期技术进展及其对安全的影响 (Recent Technological Advances and Their Implications for Safety)
近期技术进展显著改变了安全管理方式。物联网 (IoT)和工业物联网 (IIoT)从基本传感器网络发展为高度互联平台,支持连续监测,但面临数据质量、网络安全和互操作性挑战。人工智能和机器学习 (AI/ML)技术实现了更复杂的分析,如异常检测和事故预测,但存在高数据需求、算法透明度低和组织接受度问题。信息物理系统 (CPS)和数字孪生通过模拟场景和测试干预增强安全能力,但实施成本高、技术复杂。增强现实和虚拟现实 (AR/VR)技术超越了基本培训应用,支持实时危害可视化和上下文感知指导,但依赖于与实时操作数据的集成。总体而言,这些技术扩展了工业安全系统的功能能力,但通常作为独立或松散耦合的解决方案实施,安全决策功能仍碎片化。
4.2.2 技术及实证研究证据 (Technologies and Evidence from Empirical Studies)
实证研究提供了更深入的见解。大数据分析 (Big Data Analytics)作为安全情报的基础,通过历史事故模式识别支持预测性风险分析,但受数据隐私和格式不一致限制。可穿戴传感器和机器学习 (ML)模型支持工人运动监测和预测,但面临计算约束和工人接受度问题。增强现实/虚拟现实 (AR/VR)应用在沉浸式培训和远程协助中展示了价值,但存在摄像头性能、成本和集成问题。结合云计算 (CC)、人工智能 (AI)和大数据分析 (BDA)的集成平台实现了高精度低延迟的实时监测,但依赖连接性和网络韧性。实证证据表明,最有效的安全结果来自多种技术的组合部署,但研究很少阐明如何将感知、分析、模拟和可视化生成的洞察整合到明确的决策逻辑中,这为统一的安全4.0 (Safety 4.0)决策框架提供了基础。
4.2.3 综合与对安全决策的影响 (Synthesis and Implications for Safety Decision-Making)
4.2.3.1 综述发现综合 (Synthesis of Review Findings)
技术进展和实证证据显示,工业4.0 (Industry 4.0)技术显著增强了安全系统的功能能力,特别是在实时监测、预测分析、模拟和培训方面。然而,安全相关技术通常作为孤立或松散耦合的解决方案实施,安全决策往往是隐式的,依赖于人类解释,缺乏形式化的决策路径。这揭示了技术能力与决策整合之间的关键差距。
4.2.3.2 所提出框架相对于现有安全4.0 (Safety 4.0)模型的定位 (Positioning the Proposed Framework Relative to Existing Safety 4.0 Models)
现有安全4.0 (Safety 4.0)模型强调技术维度,但将决策视为隐含或下游活动。本研究提出的框架明确作为决策导向的综合,将现有技术整合到一个连贯的安全决策生态系统中,强调信息流、反馈机制以及人类操作员在自动化决策中的角色。
4.2.3.3 提出的安全4.0 (Safety 4.0)生态系统框架 (Proposed Safety 4.0 Ecosystem Framework)
基于综述发现,研究提出了一个安全4.0 (Safety 4.0)生态系统框架,将安全管理概念化为一个闭环、多阶段的决策过程,由互联的工业4.0 (Industry 4.0)技术支持。框架包括四个层次:数据采集层(物联网 (IoT)传感器、可穿戴设备等捕获数据)、数据集成与处理层(云/边缘计算和数据融合技术聚合和协调异构数据流)、分析与建模层(人工智能/机器学习 (AI/ML)算法、信息物理系统 (CPS)和数字孪生支持模式识别和风险预测)、决策支持与行动层(将分析洞察转化为可操作安全决策,包括风险优先排序、规范性建议或自动控制行动)。框架适应不同程度的自动化和人类参与,确保决策权威与组织、监管和伦理考量一致。
4.2.3.4 信息流、反馈机制与决策结果 (Information Flow, Feedback Mechanisms, and Decision Outcomes)
框架的一个关键特征是信息流和反馈机制的明确表示。数据从采集到集成、分析再到决策执行顺序流动,同时决策结果和事件反馈流回早期层次,实现持续学习、模型更新和系统适应。反馈机制通过干预结果校准预测模型和决策规则,支持自适应安全管理。主要决策结果包括主动危害识别、优先风险排序、优化安全干预和自动或半自动保护行动。
4.2.3.5 对研究和工业实践的启示 (Implications for Research and Industrial Practice)
对于研究人员,框架强调需要超越技术中心评估,转向明确研究决策过程、整合机制和反馈动态。对于从业者,框架提供了设计和实施智能安全系统的结构化视角,使组织能够将传感、分析和干预能力与明确决策目标对齐,支持更一致、透明和自适应的安全管理。
4.3 工业4.0中智能系统决策的益处与挑战 (RQ3) (Benefits and challenges of smart systems in decision-making in Industry 4.0)
4.3.1 益处 (Benefits)
智能系统带来的益处包括:增强情境感知(通过物联网 (IoT)传感和实时监测实现早期异常检测);改进预测能力(通过机器学习 (ML)和大数据分析 (BDA)支持前瞻性风险预测);决策效率和一致性增益(通过部分自动化和决策支持工具减少认知负荷,支持更快响应);以及自适应和学习导向益处(通过数字孪生和闭环反馈机制实现持续改进)。
4.3.2 挑战 (Challenges)
挑战包括:数据相关问题(数据质量、互操作性和异构源集成不足);决策支持成熟度限制(预测分析发达,但规范性和自适应机制不足);人机交互与信任(算法透明度低、责任不清,导致操作员抵触);以及组织与监管约束(技能差距、变更管理、网络安全和合规性障碍)。
4.3.3 综合与对RQ3的启示 (Synthesis and implications for RQ3)
通过系统映射益处和挑战,研究表明智能系统显著增强了决策潜力,但仅当它们被连贯地整合到决策生命周期中时。预测能力与可操作决策支持之间的不平衡凸显了当前实施的关键差距,直接支持了安全4.0 (Safety 4.0)生态系统框架的提出。
4.4 研究空白与未来研究方向 (Research Gaps and Future Research Directions)
4.4.1 研究空白 (Research Gaps)
空白包括:缺乏安全决策标准化框架(现有框架聚焦特定技术或行业,缺乏通用指南);智能系统集成与互操作性挑战(技术兼容性和数据同步问题);数据隐私与安全关切(智能系统收集的敏感数据易受网络攻击);人工智能 (AI)驱动安全系统的伦理与社会影响(算法偏见、问责制和工人替代)。
4.4.2 未来研究 (Future research)
未来研究应关注:从预测分析转向规范性和自适应性安全分析,设计结合实时物联网 (IoT)流、历史数据、信息物理系统 (CPS)和机器学习 (ML)的规范性系统;开发连接物联网 (IoT)传感器、人工智能 (AI)危害检测和数字孪生的增强现实/虚拟现实 (AR/VR)平台,创建自适应培训生态系统;探索实时自适应安全系统,使信息物理系统 (CPS)能够自我调整安全参数并自主实施保护措施;研究可持续性影响,包括节能物联网 (IoT)设备和边缘计算架构以减少能耗;关注伦理人工智能 (AI)和数据治理,包括算法审计和可解释人工智能 (XAI)方法;探索区块链 (blockchain)技术用于数据完整性和安全通信;研究人力与组织维度,包括技能提升、信任和长期员工福祉;促进跨行业合作,共享最佳实践并开发标准化协议。
4.5 对行业的贡献 (RQ4) (Contribution Towards Industry)
本研究对行业的贡献包括:识别关键技术及其角色(如物联网 (IoT)用于实时监测,人工智能 (AI)用于预测分析,信息物理系统 (CPS)用于自动安全控制);提供技术采用指导(明确益处和挑战,帮助从业者做出知情决策);提出安全4.0 (Safety 4.0)框架(整合数据采集、处理、建模和决策支持,增强安全协议的可扩展性);指出研究空白和未来方向,鼓励进一步探索系统集成、数据隐私和标准化框架。
4.6 建议 (Recommendations)
基于研究发现,提出以下建议:提高利益相关者对智能系统在工业4.0 (Industry 4.0)中决策挑战和机遇的认识;支持标准化和监管框架,优先保护数据安全和网络安全;促进协作和知识共享平台,建立行业、研究机构和商会的网络;推动公私合作伙伴关系以加速技术扩散;确保互操作性和系统集成;投资数据质量和可靠性;优先考虑数据隐私和安全;通过试点项目测试智能系统效果;考虑成本效益和可扩展性;保持对技术演变的了解并适应变化。