《ADVANCED ENGINEERING INFORMATICS》：Cyber-physical system enabled synergistic control of energy and material flows for energy-intensive manufacturing industries
编辑推荐：
马帅银|曹叶叶|曹一春|岳本勇|陈明静|苗佳荣|邵海东
西安邮电大学计算机科学与技术学院，中国西安710121
摘要
在从工业4.0向工业5.0的过渡中，能源密集型制造业（EIMIs）收集了大量来自多源的异构数据。然而，传统的控制方法在处理这些数据时逐渐失去了优势。得益于新兴
马帅银|曹叶叶|曹一春|岳本勇|陈明静|苗佳荣|邵海东
西安邮电大学计算机科学与技术学院，中国西安710121
摘要
在从工业4.0向工业5.0的过渡中，能源密集型制造业（EIMIs）收集了大量来自多源的异构数据。然而，传统的控制方法在处理这些数据时逐渐失去了优势。得益于新兴的网络物理系统（CPS），可以获得的数据可以协同分析和控制，为更清洁的生产策略提供技术基础。本研究提出了一种基于CPS的架构，用于EIMIs中能源和物料流的协同控制。然后，提出了一种协同评估模型，以系统地分析EIMIs的数据。此外，建立了一个协同控制模型，以提高能源和物料的利用率。通过使用一家陶瓷公司的数据验证了所提出模型的有效性。分析结果表明，与传统运营模式相比，在高温期间，所提出的控制策略使整体协同度提高了44.9%。这些发现验证了所提出框架在指导节能决策和提高能源-物料效率方面的有效性，特别是在高温生产条件下。
引言
随着全球变暖的加剧，节能和减排已成为全球的核心优先事项。目前，已有140多个国家和地区制定了实现碳峰值和中性的明确时间表[1]。然而，来自能源密集型行业（如交通[2]、建筑[3]和制造业）的排放量仍然保持在较高水平，这给多个行业的减排目标带来了挑战[4]。能源密集型制造业（EIMIs），如陶瓷、钢铁和水泥，在这一背景下发挥着关键作用，约占全球能源相关碳排放的25%[5]，并消耗了全球36%的能源[6]。在这些工业系统中，生产效率从根本上取决于能源流（以能源的传输和转换为特征）和物料流（包括将原材料物理转化为合格产品）之间的相互作用。虽然传统的管理策略已经分别优化了这些流[7]、[8]，但它们之间的深度物理耦合往往导致在孤立操作时出现冗余消耗和效率瓶颈。因此，实现能源和物料流之间的协同优化对于推进工业升级和实现可持续的绿色转型至关重要。
尽管人们已经认识到这些流之间的协同优化是一种有效途径[9]，但在工业4.0的背景下，现有的实施方法面临着重大挑战。由于EIMIs涉及多材料、多能源和多设备的多维耦合特性，传统的评估和控制方法逐渐失去了优势[10]。此外，尽管新兴的网络物理系统（CPS）为更清洁的生产提供了技术基础[11]，但大多数现有的CPS架构主要集中在数据监控上，或者将能源视为静态约束而不是核心决策变量[12]。它们通常缺乏协同评估结果与底层设备控制之间的直接联系机制，使得将分析洞察转化为可执行的操作参数变得困难[4]。此外，关于优化方法，基于模型的方法依赖于精确的动态模型，而这对于EIMIs中的非线性过程来说很难建立[13]，而强化学习在工业热过程中存在安全风险[14]。尽管元启发式算法（例如GA、PSO）提供了无梯度的解决方案，但在高噪声工业场景中选择适当的策略对于平衡计算开销和收敛稳健性至关重要[15]。为了确保在这种环境中的有效优化，需要一个强大的引擎。因此，迫切需要一种基于数据的协同控制架构来弥合评估和决策之间的差距。在这项研究中，由于麻雀搜索算法（SSA）的结构简洁且具有警告机制，能够增强种群多样性并降低非可微目标函数中局部最优解的风险，因此将其集成到了该架构中[15]。
基于工业4.0的数据基础设施，物联网传感和先进分析的融合为集成协同控制策略创造了新的机会。图1展示了这些学科的交叉点，包括能源CPS、网络物理控制系统、协同控制和可持续制造[16]。对于这些学科和交叉研究领域，我们特别感兴趣的研究问题如下：
-
•
如何设计一种CPS架构，有效地将物理数据感知与网络决策联系起来，以应对EIMIs的高度耦合的能源-物料特性？
-
•
如何在不依赖显式机械模型的情况下，量化波动生产条件下的能源和物料流之间的协同度？
-
•
如何使用强大的优化算法从评估结果生成可执行的控制命令，以提高能源和资源效率？
为了解决这些问题，本研究提出了一种基于CPS的EIMIs能源和物料流协同控制的集成架构。在物理层，采用了制造物互联网（IoMT）技术来收集实时数据[17]，确保全面感知。在网络层，基于c-g分析方法和e-p分析方法建立了协同评估模型[18]，为流协调提供了一个统一的度量标准。在系统层，根据评估结果通过权重计算和控制优化建立了协同控制模型[20]，其中使用SSA来处理没有梯度信息的非线性目标函数。与众不同的是，这项工作将热力学评估指标（e-p/c-g）直接集成到CPS反馈循环中，实现了从数据到执行器的闭环控制。
本文的组织结构如下：第2节进行了文献综述。第3节展示了EIMIs能源和物料流协同控制的CPS架构。第4节介绍了能源和物料流的协同控制建模，第5节通过实际案例研究验证了所提出的方法。最后，第6节总结了结论、局限性和未来的研究方向。
章节片段
文献综述
本节回顾了与EIMIs中能源和物料流协同控制相关的研究。综述分为三个维度：（1）能源-物料流协同的系统架构，（2）能源-物料耦合的建模和评估方法，以及（3）协同控制中的优化方法和执行机制。在章节末尾识别并总结了知识空白。
EIMIs的CPS支持的能源和物料流协同控制
如图2所示，本研究提出了一种分层CPS架构，旨在通过物理实体和网络模型的深度集成来支持EIMIs中能源和物料流的协同优化。图2的左侧展示了自下而上的数据分析工作流程，而右侧展示了CPS的三个功能层。在架构的中心，特征是集成了数据处理、分析和挖掘的协同控制逻辑。
EIMIs的能源和物料流协同控制建模
为了提高EIMIs的能源和物料利用效率，并实现低碳排放的绿色生产[41]，提出了详细的能源和物料流的协同评估和控制模型。为了便于阅读并确保对协同评估和控制模型中使用的数学公式的清晰理解，表2提供了关键符号的总结。
案例研究
在本节中，使用中国一家陶瓷制造企业（“HD公司”）的生产数据验证了所提出的架构和模型。第5.1节描述了详细的案例描述、数据结构和收集方法。第5.2节展示了通过提出的协同评估模型对陶瓷生产过程的评估结果，第5.3节展示了通过控制优化的协同控制结果。
结论
本研究提出了一个基于CPS的EIMIs能源和物料流协同控制框架。该工作侧重于将物理感知与网络决策联系起来。具体来说，设计了一个分层架构，将物料参数集成到能源调节逻辑中。基于此架构，使用e-p和c-g分析方法开发了协同评估模型来量化流协调。此外，还提出了一个协同控制模型
CRediT作者贡献声明
马帅银：撰写——原始草稿，项目管理，形式分析，概念化。
曹叶叶：撰写——原始草稿，方法论，概念化。
曹一春：撰写——原始草稿，方法论，概念化。
岳本勇：撰写——审稿与编辑，监督。
陈明静：撰写——审稿与编辑，监督。
苗佳荣：监督。
邵海东：监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者感谢辉达陶瓷集团提供的数据集及其使用的相关信息。作者还要感谢陕西大学的“工业大数据分析与智能处理”青年创新团队。本研究得到了咸阳市关键研发计划（项目编号L2025-ZDYF-RGZN-003）和榆林市科技规划项目（项目编号2025-CXY-031）的支持
