物联网与智能制造的未来：技术、应用及研究前沿的五层架构综述

《Internet of Things》：Internet of Things for the Future of Smart Manufacturing: A Five-Layer Architectural Survey of Technologies, Applications, and Research Frontiers

　　摘要
工业物联网（IIoT）通过将传感器、控制器和分析平台连接到信息物理生产系统中，为工业4.0提供了基础。然而，已发表的调查研究通常只关注IIoT堆栈的单一方面，而非提供一个针对制造业的统一跨层视角。本文基于五层架构框架（物理层、网络层、中间件层、服务层和应用层）进行系统性调查，对70多种技术、协议和平台进行了分类，这些技术和服务需满足制造业特定的约束条件，包括确定性延迟、电磁干扰（EMI）抵抗能力和15-30年的设备使用寿命。遵循PRISMA指南，我们从五个数据库中筛选出了1,847篇记录，最终得到247篇主要研究（2014-2025年发表）。十九个定量比较表格有助于基于证据的技术选择，涵盖基准测试的边缘推理延迟、私有5G频谱和部署架构、语义互操作性堆栈、四个代表性控制回路的端到端延迟预算，以及一个技术成熟度评估，该评估从成熟度、可扩展性、集成复杂性和成本方面对十九项技术进行排名。此外，一个四维分类法根据研究目标、方法论、支持技术和应用领域对文献进行了组织。五个工业案例研究（西门子、博世、宝马、富士康和一家综合性钢铁厂）记录了实际应用中的架构、权衡以及量化成果，包括减少20-50%的停机时间、降低50%的质量缺陷率和节省5-15%的能源消耗。文章还总结了每层的经验教训，提出了六个跨层设计原则，并为迈向工业5.0的研究和实践者提供了可操作的指导。

引言
制造业经历了三次转型：首次是由水和蒸汽动力实现的机械化；第二次是依靠电力和装配线实现的大规模生产；第三次则是通过electronics和信息技术推动的可编程自动化。第四次转型——工业4.0——与其前身有所不同：生产设备不再仅仅执行预编程的序列，而是能够持续感知自身状态，并根据数据驱动的模型调整行为[1]、[2]、[3]。物联网（IoT）为这一转型提供了连接纽带，将嵌入式传感器、执行器和智能网关链接到覆盖整个生产设施的反馈循环中[4]、[5]、[6]。当与信息物理系统（CPS）、云计算和人工智能（AI）结合时，这种连通性使得制造商能够以十年前经济上不可行的粒度观察、预测和控制生产过程[7]、[8]、[9]、[10]、[11]。在智能工厂中，机器通过工业网络共享传感器数据，调度器根据传入的订单或设备异常情况调整生产顺序，质量模型在缺陷零件离开工作台之前就能发现异常[12]、[13]、[14]、[15]、[16]。数字孪生技术通过持续的数据传输与物理资产保持同步，模拟未来状态并推荐参数调整[17]、[18]、[19]。基于上下文的计算层进一步增强了适应性，使设备能够在操作条件变化时重新配置行为[10]、[20]。

2020年，制造业中的IIoT市场规模约为773亿美元，预计到2028年将超过2000亿美元[21]。MEMS传感器的成本已降至一美元以下，使得以前未监控的设备也能安装密集的传感器[22]、[23]。低功耗无线标准（如BLE 5.x、IEEE 802.15.4g、LoRaWAN）现在支持五到十年的电池寿命[24]、[25]。大规模云平台提供高于99.99%正常运行时间的物联网管理服务，而NVIDIA、Intel和Qualcomm的边缘硬件则能在亚毫秒级延迟内将深度学习推理能力应用于生产线[26]、[27]、[28]、[29]。私有5G园区网络现在可实现亚毫秒级延迟和99.999%的可靠性，用于闭环工厂控制[30]、[31]、[32]。物联网应用覆盖了整个生产生命周期，从产品设计到实时过程监控，再到售后远程诊断[11]、[33]、[34]。工业大数据分析将每天产生的PB级传感器数据转化为可操作的洞察[10]、[35]、[36]。各行业的制造商利用这些技术将计划外停机时间减少20-50%，首次通过率提高5-15%，并满足日益严格的可持续性要求[37]、[38]、[39]、[40]。迈向工业5.0的旅程带来了对韧性、以人为本和可持续性的新要求[41]、[42]、[43]、[44]、[45]。

尽管如此，已发表的调查研究往往只关注IIoT堆栈的某一个方面（如通信协议[25]、网络安全[46]、机器学习[47]、数字孪生[17]、[48]或智能物联网系统[49]），而没有提供一个统一的跨层视角。需要设计完整智能工厂解决方案的实践者必须整合来自十几项专业研究的见解。本文提供了一个涵盖制造物联网所有五层内容的单一参考，基于PRISMA框架的系统性综述，并通过五个工业案例研究进行了验证。

之所以需要综合视角，是因为制造业中的一个层面的决策会影响到其他所有层面。选择私有5G无线电会限制基于UWB的RTLS更新速率；在中间件层选择AWS IoT Core会导致边缘推理偏向Greengrass；使用MQTT进行遥测会限制消息语义与OPC UA的兼容性。理解这些跨层依赖关系是区分成功的全厂部署和无法扩展的试点项目的关键[50]、[51]、[52]。Aceto等人[50]在IEEE COMST中提供了工业4.0的信息技术分类法，Zheng等人[52]进行了系统性文献回顾，但都没有提供我们所说的包含各层比较表格、经验教训和工业案例研究的完整五层分析。

有三项因素促使我们进行了这项调查：首先，自2021年以来技术基础发生了重大变化：全球移动供应商协会（Global Mobile Suppliers Association）统计显示，截至2026年第一季度，有2003家组织在88个国家运营私有移动网络，其中制造业占据了387个客户部署中的主导地位[31]、[53]；联邦学习已发展到试点规模[54]、[55]、[56]；大型语言模型正被用于PLC代码生成和生产数据库的自然语言查询[57]、[58]；时间敏感网络（TSN）已进展到多供应商互操作性试验阶段[59]、[60]；工业5.0已成为欧洲的重点研究议程[41]、[61]。现有的调查均未涵盖这些发展。其次，以部署为导向的实践者需要一个将每种技术与具体用例关联起来的单一参考框架，并附带定量比较表格和跨层集成点。第三，跨层优化的重要性日益增加，例如选择边缘平台、无线协议和AI框架以满足基于视觉的质量检测的延迟预算，这需要统一的方法来处理，而单独的层级调查无法满足这一需求。

本研究的时间范围为2014-2025年，涵盖了应用于离散和流程制造的各类技术。除非跨领域洞察具有直接相关性，否则消费物联网和非制造业领域未被纳入研究范围。为了结构化研究并提供明确的评估标准，本文探讨了以下研究问题：
**RQ1**：当前智能制造领域五大架构层（物理层、网络层、中间件层、服务层和应用层）的物联网技术格局如何，这些技术在实践驱动的技术选择中如何进行定量比较？
**RQ2**：当按照研究目标、方法论、支持技术和应用领域对IIoT文献进行分类时，会出现哪些模式、差距和未被充分探索的交叉点？
**RQ3**：在现实制造业环境中，哪些关键的跨层依赖关系、开放性挑战和设计原则决定了物联网的成功部署和扩展？

**RQ1**通过逐层分析（第2-6节）和十九个比较表格得到解答；**RQ2**通过四维分类法和文献计量分析（第7节）得到解答；**RQ3**则通过五个工业案例研究（第8节）、挑战分析（第9节）、端到端延迟预算分析（第9.7节）、技术成熟度评估（第9.8节）和跨层设计原则得到解答。本文遵循PRISMA框架[62]，整个过程如图1所示，分为四个阶段：

- **识别**：我们使用布尔查询在IEEE Xplore、ACM Digital Library、ScienceDirect、Springer Link和Web of Science中搜索相关文献（“Internet of Things” OR “IoT” OR “IIoT” OR “Industrial IoT” OR “cyber-physical system” AND “manufacturing” OR “smart factory” OR “Industry 4.0” OR “Industry 5.0”）。通过对15篇高引用种子论文的向前和向后引用追踪补充了数据库搜索结果。初步搜索（2025年1月至3月）返回了1,847条记录。
- **筛选**：去除312条重复记录后，通过标题和摘要筛选出1,535条记录。纳入标准包括：（i）涉及制造业中的至少一层物联网架构；（ii）经过同行评审的期刊、顶级会议（CORE A*/A）或标准机构的技术报告；（iii）英文撰写；（iv）出版时间在2014-2025年之间。排除标准包括社论、少于4页的简短信件、非同行评审的预印本以及纯理论性作品。此阶段剔除987条记录。
- **资格评估**：剩余的548篇文章由两位独立评审员进行全文审查（第三位评审员负责解决分歧），评估其相关性、方法论质量（简化版CASP检查表）以及对至少一个分类维度的贡献。进一步排除了301篇文章。
- **最终确定**：最终纳入247篇主要研究。图2显示了时间分布情况：71%的文章发表于2020年之后，中位出版年份为2021年。

表1将15项代表性研究与本文在十个覆盖维度上进行了对比。Da Xu等人的研究[5]专注于RFID和WSN，未涉及中间件和服务层；Zhong等人的研究[37]讨论了智能制造，但没有涵盖协议或中间件；Sisinni等人的研究[22]全面介绍了IIoT通信，但未涉及物理层设备和应用；Boyes等人的研究[63]侧重于网络安全分析而非技术调查；Khan等人的研究[64]回顾了协议，但缺乏AI/ML和案例研究；Aceto等人的研究[50]在COMST中提供了工业4.0的广泛ICT调查，但未深入探讨制造层面；Javaid等人的研究[65]广泛探讨了物联网应用，但没有架构深度；Friha等人的研究[66]为智慧农业提供了结构良好的分层调查，但农业技术与工厂需求有所不同；Xu等人的研究[48]调查了IIoT的数字孪生技术，但没有涵盖整个技术栈；Aouedi等人的研究[49]在COMST中提供了关于智能物联网的最新调查，但制造层面的深度有限；Chi等人的研究[31]调查了IIoT的网络自动化，但没有涉及物理层或应用层；Nguyen等人的研究[67]调查了6G在物联网中的应用，但没有明确制造业方面的内容；Ran等人的研究[68]、Mekki等人的研究[24]和Malik等人的研究[69]各自仅涵盖了一至两个层面。

如图1所示，没有先前的调查同时覆盖所有五个层面，采用PRISMA框架进行选择，提供十九个定量比较表格，包含带有量化结果的案例研究，并提炼出每层的经验教训。据我们所知，本文是首个做到这一点的研究。这种差异化不仅体现在覆盖范围的广度上，还体现在深度上。许多现有调查提供了分类法和文献地图，但缺乏用于技术选择的跨层比较表格。评估无线技术的工厂自动化架构师不仅需要知道“5G具有低延迟”，还需要知道具体的延迟值、可靠性、设备密度、频谱选项以及与Wi-Fi 6、UWB、BLE和TSN相比的部署成本。部署预测性维护的AI工程师需要根据数据需求、准确性、可解释性和边缘部署能力等方面比较LSTM、TCN、Transformer和基于物理模型的方法。本文正是基于这247篇主要研究和五个工业案例研究，提供了这些必要的比较结果，格式适合直接用于架构决策[52]、[70]、[71]、[72]。

本文的贡献包括：
1. 提出了一个五层架构框架，对70多种技术和标准进行了分类，并明确考虑了制造业的约束条件（确定性延迟、电磁干扰抵抗能力、与旧式现场总线的共存性以及15-30年的设备使用寿命）。
2. 通过PRISMA框架对1,847条记录进行了筛选，最终得到247篇主要研究（中位出版年份为2021年）。
3. 提供了十九个定量比较表格，用于无线技术、私有5G部署、工业以太网、LPWAN、边缘硬件、语义互操作性堆栈、机器人、SDN/NFV、协议、预测性维护、边缘AI、缺陷检测和数字孪生平台的技术选择。
4. 通过四维分类法按研究目标、方法论、支持技术和应用领域对文献进行了组织。
5. 划定了七个应用领域，涵盖了预测性维护、质量控制、供应链、能源管理、安全和资产跟踪等60多个用例。
6. 通过五个工业案例研究（西门子、博世、宝马、富士康和一家综合性钢铁厂）展示了量化成果。
7. 总结了每层的经验教训，提炼出可操作的设计原则。
8. 提出了跨层综合分析和迈向工业5.0的路线图，包括五个设计原则和六个跨层挑战组，并提供了四个代表性控制回路的量化端到端延迟预算以及一个技术成熟度评估矩阵，对十九项技术进行了排名。

本文遵循图3中的五层架构：第2节讨论物理层，第3节讨论网络层，第4节讨论中间件层，第5节分析服务层，第6节介绍应用层，第7节提供分类法，第8节详述案例研究，第9节探讨开放性挑战和跨层设计原则，第10节提出未来发展方向，第11节进行总结。图4提供了一个可视化的路线图。
**物理层**
物理层是任何制造物联网部署的基础，涵盖了传感器和换能器、执行器、识别设备、计算平台、机器人系统以及数字孪生等技术[5]、[10]、[73]。图5对这些技术进行了分类。

**网络层**
网络层负责在物理层设备、中间件和服务之间传输数据。制造业要求极低的延迟（运动同步时需低于毫秒级别）、在高电磁干扰（EMI）环境下的高可靠性、确定性数据传输、大规模的设备密度（超过10,000个节点），以及与现有现场总线的兼容性[50]、[113]。图7、图8、图6、图9、图15、图19、图20、图17、图16、图11对相关技术进行了分类。

**中间件层**
中间件层将异构的物理/网络层与服务层分析相结合，处理设备抽象、协议转换、数据聚合、上下文管理以及安全加固[184]。制造业中间件还需要能够处理每秒数十万条消息的实时处理能力，实现与传统SCADA/MES/ERP系统的集成，并支持分布式站点的横向扩展[50]、[69]。图10展示了其功能架构。

**服务层**
服务层提供计算基础设施和智能算法，将原始的物联网数据转化为可操作的制造洞察。图12展示了七大类基于物联网的制造应用。

**现有方法的分类与总结**
我们根据四个正交维度对247篇主要研究进行了分类。图13展示了完整的分类体系。
- **维度1：研究目标**： predictive maintenance（预测性维护）；质量控制；供应链优化；能源管理；安全与隐私；互操作性与标准化。
- **维度2：支持技术**：传感器与边缘硬件；通信协议；中间件平台；AI/ML框架；数字孪生平台。
- **维度3：方法论**：深度学习；联邦学习；...

**实际案例研究**
五个实际部署案例展示了所研究技术在实践中的集成情况。图18提供了一张对比性雷达图。

**存在的挑战与跨层整合**
尽管取得了上述进展，但仍存在六个相互关联的挑战。

**未来的研究方向与新兴范式**
未来十年内，五种发展趋势将重塑制造业物联网。

**结论**
本文通过五层架构框架（物理层、网络层、中间件层、服务层和应用层）对智能制造业的物联网技术进行了调查。通过对五个数据库中1,847条记录应用PRISMA指导下的筛选方法，我们识别出2014至2025年间的247篇主要研究，并根据研究目标、支持技术、方法论和应用领域对其进行了四维分类。

**CRediT作者贡献声明**
Parichay Bhattacharjee：撰写－审阅与编辑、原始草稿撰写、方法论设计、数据整理、概念构建；
Ditipriya Sinha：验证、项目监督与管理。

**利益冲突声明**
作者声明没有已知的可能影响本文工作的财务利益或个人关系。

**作者信息**
Parichay Bhattacharjee
Ditipriya Sinha
印度比哈尔邦帕特纳国家技术学院计算机科学与工程系