《IoT》：Internet of Things for Industry 4.0: A Systematic Literature Review of Technologies, Architectures, Applications, and Challenges
编辑推荐：
工业4.0（Industry 4.0）正在加速向互联、数据驱动和自动化生产的转变，其中物联网（Internet of Things，IoT）实现了感知、通信和实时决策支持。同时，工业物联网（Industrial IoT，IIoT）研究的快速增长导致了分散的技术
工业4.0（Industry 4.0）正在加速向互联、数据驱动和自动化生产的转变，其中物联网（Internet of Things，IoT）实现了感知、通信和实时决策支持。同时，工业物联网（Industrial IoT，IIoT）研究的快速增长导致了分散的技术、架构和成果。本文通过针对工业4.0（Industry 4.0）物联网（IoT）的系统文献综述填补了这一空白。该综述还帮助读者比较方法，并为当前实际部署选择合适的构建模块。研究人员聚焦于关键技术、集成架构、应用领域、挑战、趋势以及已报告的优势。采用PRISMA 2020（Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020）方法，研究人员在五个主要数据库（Scopus、MDPI、IEEE Xplore、ScienceDirect和Web of Science）中检索了2020–2025年期间的文献，共发现584条记录。在去除重复项并进行筛选后，保留了96篇经同行评审的研究进行详细分析。结果显示，大多数研究采用分层堆栈（layered stack），该堆栈结合了感知/执行、工业网络、数据收集管道以及跨边缘（edge）、雾（fog）和云（cloud）资源的分析。MQTT（Message Queuing Telemetry Transport）、OPC UA（Open Platform Communications Unified Architecture）、CoAP（Constrained Application Protocol）、LPWAN（Low-Power Wide-Area Network）和5G（Fifth Generation）连接常被用于通信，而RAMI 4.0（Reference Architectural Model Industrie 4.0）、IIRA（Industrial Internet Reference Architecture）及类似分层模型指导系统设计。许多架构遵循边缘–云（edge–cloud）模式，且日益关注数字孪生（digital twin）/CPS（Cyber-Physical System）链接和安全性设计（security-by-design）。应用主要集中在智能制造（smart manufacturing）、预测性维护（predictive maintenance）和物流（logistics），同时在能源管理（energy management）、建设4.0（Construction 4.0）和农业食品监测（agri-food monitoring）方面也有相关工作。主要障碍仍然是互操作性（interoperability）、数据质量和评估差距、网络安全风险、遗留系统集成以及部署限制。该综述指出未来工作方向包括边缘AI/TinyML（Edge Artificial Intelligence/Tiny Machine Learning）、确定性连接、可扩展数字孪生、可信数据共享以及可持续工业物联网。
**1. 引言**
工业系统正从独立设备转向从数据中学习的生产网络。在此背景下，物联网（IoT），常被称为工业物联网（IIoT），将传感器和执行器与通信、边缘和云计算以及分析技术相连接。这种连接帮助工厂观察其流程、更快响应，并提高安全性、质量、生产率和可持续性。2020年至2025年间，多种使能技术成熟到可常规使用，包括低功耗传感器、5G和TSN（Time-Sensitive Networking）网络、基于容器的边缘平台、轻量级机器学习以及安全设备管理。因此，部署已从流程工业和离散制造扩展到能源、采矿、物流和智能设施。然而，决策者仍面临平台、协议和参考架构的碎片化局面。研究通常使用不同的数据集、测试平台和指标报告结果，使得公平比较困难。持续存在的问题包括互操作性、网络安全、系统可靠性、分析结果的清晰解释以及投资回报的证明。为此，进行严格的综合研究是及时的。清晰的技术和架构图谱可指导研究人员并帮助从业者以更低风险规划当前升级。早期工业努力侧重于RFID（Radio-Frequency Identification）以实现供应链可见性，但随着更好的无线连接、云计算和嵌入式系统的发展，范围已扩大。同时，工业4.0将这一转变视为新的工业革命，其中物联网将物理资产连接到数字平台，并支持智能、自适应的生产生态系统。
**1.1 物联网（Internet of Things，IoT）**
在工业4.0文献中，物联网不仅被视为一组连接设备，主要用作物理工业资产与数字决策系统之间的数据链路。早期IoT工作与RFID和供应链可见性相关，但近期研究将其作用扩展到传感器、执行器、摄像头、网关、通信协议、边缘节点、云平台和分析工具。在此视角下，IoT创建了数据链，使得机器、产品和生产线能够以更结构化的方式被观察、连接和控制。综述研究还显示通用IoT与工业IoT（IIoT）之间的明显区别。通用IoT涵盖医疗、农业、交通和智慧城市等多个领域。IIoT更为具体，因为其在工业约束下工作，包括安全性、可靠性、低延迟、数据质量和遗留设备。在此背景下，IoT连接了操作技术（OT，如PLC和SCADA）与信息技术（IT，如云平台、分析工具、MES、ERP和PLM系统）。这种OT–IT连接是工业4.0的核心，但也带来了集成、互操作性和安全挑战。在文献中，工业4.0的IoT架构通常通过五个连接层来描述：感知层收集物理数据并支持执行；网络层通过工业和无线通信技术传输数据；边缘/处理层在接近生产源处过滤、聚合和准备数据，减少延迟和网络负载；应用层利用处理后的数据提供服务；业务层将IoT输出与企业系统、KPI、合规性和决策支持相连接。这种分层视图的主要价值不仅在于功能分离，还在于展示问题如何从一个层转移到另一个层。因此，IIoT的主要问题不仅是定义各层，还要管理它们在实际工业部署中的交互。
**1.2 工业4.0（Industry 4.0）**
工业4.0被描述为从孤立自动化向连接、数据驱动和自适应生产的转变。该概念源于德国工业战略，但近期研究将其更多地视为现代工厂的集成框架。在此框架中，信息物理系统（CPS）、数字连接和数据分析将物理操作与数字模型和决策工具相连接。工业4.0依赖于多种技术的协调，而非单一工具：IoT提供感知和连接；人工智能（AI）和机器学习（ML）支持预测、故障检测、优化和决策；边缘、雾和云计算定义数据处理和存储位置；数字孪生和CPS将物理资产与虚拟模型连接；MES、ERP和PLM将车间数据与规划和业务决策连接。因此，工业4.0的价值来自这些技术在生产、维护、物流、能源管理和质量控制中的组合使用。文献显示，这种协调在实践中仍然困难。许多工业项目从连接、数据收集和监控开始，然后转向分析、自动化或数字孪生。然而，部分采用可能造成碎片化系统。互操作性、数据治理、网络安全、员工技能、投资成本和投资回报率是工业4.0研究中反复出现的障碍。在此背景下，IoT作为工业4.0的连接骨干。
**1.3 为什么IoT对工业4.0很重要**
在工业4.0中，IoT之所以重要，是因为它将工业事件转化为可用的操作证据。设备停机、异常振动信号、温度漂移、能量峰值或质量偏差在被捕获、加时间戳、传输、分析并链接到行动时变得更有价值。没有这种连接，工厂通常将数据保留在单独的机器、电子表格或维护日志中，这延缓了诊断并削弱了团队之间的协调。IoT通过创建设备、产品、操作员和数字平台之间的连续信息路径来减少这种分离。附加价值不仅限于连接资产，还在于将操作信号转化为可改进维护计划、过程控制、能源使用、质量监控和资源分配的决策。IoT在工业4.0中的工作流可被视为事件到行动路径：数据由传感器、RFID标签等产生，通过工业网络、网关和边缘节点移动，经过过滤和本地检查，存储和集成工具将处理后的数据连接到数据库、数据湖、MES、ERP等，分析、AI和ML将数据转化为维护警报、故障检测结果等，最终价值通过控制命令、操作员指导等返回到工业过程。同样的工作流也解释了IoT部署的困难：每个转换阶段都可能降低最终决策的价值。
**1.4 综述的目标与贡献**
主要工业项目已推动工厂向智能、连接和更独立的运营发展，如德国的工业4.0、美国的先进制造伙伴计划（AMP）、中国制造2025和欧洲的未来工厂（FoF）计划。然而，工业4.0中的IoT研究仍然分散。本文通过系统文献综述（SLR）解决这一需求，选择并研究了2020年至2025年间聚焦于工业4.0中IoT的同行评审论文。目标包括：描述IoT研究如何演变；识别主要技术、架构和标准；检视关键应用领域；讨论研究空白、挑战和未来机遇。贡献包括：2020-2025年基于IoT的工业4.0研究结构图；清晰的IoT架构和工作流分类法；常见设计模式综合；未解决空白讨论和未来研究议程。本文其余部分组织如下：第2节解释SLR方法；第3节呈现并讨论结果；第4节概述研究意义和未来方向；第5节总结主要贡献。
**2. 方法论**
本节解释如何进行关于物联网（IoT）在工业4.0中使用的系统文献综述（SLR）。研究人员遵循Kitchenham和Charters（2007）的SLR指南，并使用PRISMA协议进行报告，目标是保持综述过程清晰、可重复且结构良好。
**2.1 系统综述协议**
由于该领域发展迅速，结果通常分散在许多来源且不易比较，因此中性的结构化总结很重要。采用SLR方法支持客观且可重复的综述，依赖明确的检索、选择和论文研究规则。结合定性和定量分析：定性部分关注关键概念、框架和主题之间的联系；定量部分考察出版物数量、技术分布和研究趋势。遵循PRISMA框架，包括四个阶段：识别、筛选、资格和纳入。图4总结了PRISMA工作流。
**2.2 研究问题**
为理解IoT技术在工业4.0中的使用，本综述由五个研究问题（RQ）引导：RQ1：使用哪些IoT技术、框架和通信标准？RQ2：IoT如何用于系统设计，哪些设计模型最常见？RQ3：在哪些工业领域最常使用IoT？RQ4：存在哪些关键问题和开放难题？RQ5：有哪些趋势和未来研究方向？
**2.3 识别与检索字符串**
检索了五个主要来源：Scopus、IEEE Xplore、Web of Science Core Collection、ScienceDirect和MDPI。检索字符串通过研究问题对齐。最终策略要求核心术语“Internet of Things”或IoT和“Industry 4.0”出现在标题中，相关术语在标题、摘要和关键词中检索。每个数据库的查询已调整。还进行了敏感性检查，确认标题限制未遗漏主要主题，最终保留标题限制以提高主题精度。
**2.4 论文选择**
识别后，合并所有记录，去除重复项，然后使用明确的纳入和排除规则筛选。纳入规则包括：同行评审期刊文章和综述文章，聚焦于IoT与工业4.0在工业制造环境中的关联。排除规则移除了仅提及IoT或工业4.0但不匹配综述目标的论文。
**2.4.1 纳入与排除标准**
表3和表4列出了完整标准和标准。
**2.4.2 PRISMA研究选择流程**
数据库检索共获得584篇文档。经过来源级别过滤、去除重复项后，252篇独特论文进入筛选和资格评估。最终保留96篇研究。
**2.4.3 数据提取与质量评估**
数据提取手动收集基本信息和研究内容。质量评估标准包括五个方面：明确的研究目标、清晰的方法、明确的附加值、匹配综述范围、可信的出版场所。使用二元评分，得分≥4/5的论文被纳入。
**3. 结果**
**3.1 纳入研究概述（描述性统计）**
综述最终包括96篇2020-2025年发表的研究。年份分布为：2020年11篇，2021年16篇，2022年27篇，2023年21篇，2024年13篇，2025年8篇。论文出现在多种期刊和出版商中，表明该领域跨学科性。作者关键词分析显示，除“IoT”和“Industry 4.0”外，常见的关键词包括AI、机器学习、数字孪生、智能工厂、预测性维护、边缘计算、网络安全和区块链。
**3.2 工业4.0中的IoT技术、框架和标准（RQ1）**
IoT通常被描述为一组分层，帮助工业4.0在实践中工作，包括：(i) 感知与识别；(ii) 工业网络与消息传递；(iii) 跨边缘/雾/云计算平台；(iv) 基于数据的服务。在感知层，使用多种传感器和识别工具，如振动、温度、电流传感器，RFID/RTLS，以及基于视觉的感知。在通信和系统连接层，OPC UA常用于连接操作技术与高层信息系统，MQTT常用于发布/订阅通信。还讨论了CoAP、LPWAN、5G和TSN等。计算通常分布在边缘、雾和云层之间。机器学习（ML）和深度学习适用于异常检测、故障诊断等，但部署稳定性是主要局限。数字孪生通过连接IoT数据与虚拟模型增加价值。安全、信任和高级网络也显示出混合部署效果。
**3.3 工业4.0的IoT集成架构（RQ2）**
五种主要集成模式：云中心设计、边缘与雾设计、基于服务与中间件设计、数字孪生与CPS集成、安全集成设计。云中心设计利用云平台处理大量数据，支持跨地点监控。边缘与雾设计将计算移至数据源附近，支持近实时响应。基于服务与中间件设计隐藏底层差异，提高系统连接性和模块化。数字孪生与CPS集成链接物理资产与实时更新的虚拟模型。安全集成设计将信任工具嵌入数据流。
**3.4 应用领域与工业用例（RQ3）**
智能制造和生产系统最常见，IoT通过连续感知、通信和生产分析实现车间数字化。预测性维护和资产管理利用IoT数据支持早期故障检测。物流和供应链运营利用IoT跟踪分布式资产。能源效率和可持续性管理通过IoT测量能源使用。建设4.0环境显示资产跟踪和安全监控。医疗相关应用包括远程监控。跨领域安全与治理用例涉及安全数据交换和区块链。
**3.5 挑战、局限与开放问题（RQ4）**
互操作性和标准对齐是大规模采用的主要障碍。网络安全、隐私和信任是系统级限制，攻击面增大。数据质量、可靠分析和可扩展智能面临传感器漂移、缺失数据和标签稀缺等问题。领域特定挑战存在差异：智能制造受困于棕地集成，预测性维护面临模型转移问题，物流面临信任与数据所有权问题。
**3.6 新兴趋势与未来研究方向（RQ5）**
五个方向：边缘-云连续体与编排；下一代连接（5G/6G与确定性网络）；分布式智能认知IIoT；可信数据共享与治理（包括区块链）；绿色IIoT。未来研究需要关注AI生命周期、模型迁移、棕地OT-IT互操作性、边缘-云工作负载放置、确定性连接、数字孪生同步、可信数据治理、绿色IIoT、人与组织采纳以及长期工业试点。
**3.7 工业4.0中IoT的收益**
主要收益包括实时可见性、预测性维护、更好的质量与可追溯性、能源效率以及改进的安全性和韧性。收益来自更快的决策、减少停机时间、降低维护成本、提高资产利用率等。
**4. 讨论**
证据显示IoT研究正向共享技术核心发展，同时扩展到新领域。使能技术方面，分层堆栈常见。集成架构方面，分层参考模型和边缘-云连续体最常见。应用方面，智能制造、预测性维护和物流最成熟。障碍包括互操作性、网络安全、数据质量、延迟和遗留系统集成。未来方向包括边缘AI、5G/TSN/MEC、可扩展数字孪生和安全性设计。
**5. 结论**
本系统文献综述检查了IoT技术如何支持工业4.0，通过2020-2025年的96项研究。IoT作为工业4.0的工作骨干，支持连续感知、连接和数据驱动控制。架构上，分层模型和边缘-云平衡快速响应与大尺度分析。应用领域最成熟在智能制造、预测性维护和工业物流。障碍包括互操作性、网络安全、数据质量等。未来需要可部署的边缘智能、工程化网络、可扩展数字孪生和安全性设计。
