實 驗 室 智 能 化 水 平 評 價 方 法

廖星星, 孫勝利, 金 鋼

(中國科學院 a. 上海技術物理研究所; b. 紅外探測與成像技術重點實驗室， 上海 200083)

0 引 言

實驗室作為航天科研單位研發與生產的重要場所，是實現智能生產的載體。隨著“工業4.0”“互聯網+”等與智能制造相關的概念被提出，智能實驗室將是未來航天智能制造基礎設施中的關鍵組成部分[1-2]。它將由人力驅動的傳統制造模式轉而數據驅動，其實現過程是一個復雜的系統工程，如何在現有技術的基礎上發展成為智能實驗室，為實現智能實驗室還需要引入哪些技術？是我們亟待探索的問題。

智能化是一個循序漸近的過程，其基礎是數字化。多年來工程界一直在探索如何完整而精確的描述一個數字化工廠，美國ARC提出了用工程技術、生產制造和供應鏈這3個維度來描述工廠的全部活動[3]。德國電氣電子行業協會(ZVEI)確定了工業4.0的參考架構(RAMI4.0),明確了3個維度(供應鏈、管理、產品生命周期)層面上的階段劃分和實行的國際標準[4]。但兩者都未曾提及智能化水平評價的具體方法，這就直接導致制造業無法定位自身智能化水平，更難以做出具體的升級計劃。

影響智能實驗室智能化水平因素多而復雜，且對所選擇的評價指標數據有些可定量化，但有些卻只能模糊估計，因此，智能實驗室的智能化水平評價系統是一個灰色系統[5]。本文構建了智能實驗室的智能水平3級評價體系，并設計了基于灰色分層多指標法的智能化水平評價模型，可幫助實驗室衡量當前自身智能化水平，并為今后智能化升級提供了指導準則。

1 智能實驗室概述

實驗室的智能化逐漸聚焦于將物聯網、大數據、云存儲、并行計算等新一代信息技術與產品全生命周期管理(Product Lifecycle Management, PLM)理念相融合，使實驗室具備自組織、自律、自學習和自適應能力[1]。其目的是縮短產品研發周期、提高實驗室管理效率，以數據驅動代替人力驅動，從而使決策更精準、問題解決更迅速、產品設計精度更高。

1.1 智能實驗室的研究動態

目前關于智能實驗室的研究大部分是從關鍵技術的角度或泛泛的智能理論進行論述的。如：美國洛·馬公司在 JSF項目中采用協同設計制造技術，構筑了虛擬開發環境[6]；Raytheon在整個產品研發周期中都應有AM技術，使得產品設計更加創新且富有效率[7]；波音777飛機的研制采用三維數字化定義，數字化預裝配(Digital Pre-Assembly，DPA)和并行工程(Concurrent Engineering，CE)，在世界上第一次實現了無紙設計；Delmia和Tecnomatix軟件公司通過對許多軟件進行重組和集成，形成了智能實驗室系列軟件[8]；德國提出通過構建CPS(物理信息融合系統)來實現工業4.0的目標之一：智能工廠[9]。

已有的參考模型，如CIM-OSA、ARIS、BAAN、RAMI4.0，均以不同形式視圖覆蓋描述了實驗室不同階段的抽象過程[10]。但智能實驗室的相關定義并不多見，吳崢等[11]認為,智能實驗室就是以物聯網技術為核心，利用新一代信息技術來改變用戶和實驗室資源相互交互的方式，從而實現智慧化服務和管理的實驗室模式。并將其歸納為一個等式即：智能實驗室=實驗室+物聯網+智能化設備。認為在3個維度中，如果所有活動均能在賽博空間得到充分的數據支持、過程優化與驗證，同時在物理系統中能夠實時執行活動并與賽博空間進行深度交互，則可將這樣的實驗室稱之為智能實驗室[1]。

“智能基于信息，智能寓于系統”[12]，本文認為：智能實驗室以智能系統為載體，通過實時感知實驗室狀態并協同各個功能模塊做出全面的思維判斷及精準控制，使實驗室具備高效、節能、安全、可創新、可擴展的能力。這里的智能系統符合信息物理融合系統[13]的特性，其原理框圖如圖1所示。

圖1 實驗室智能系統原理框圖

對于現實需求的智能實驗室，至今沒有系統而比較完整的論述和分析。這將導致實驗室在向智能實驗室升級過程中無法得到科學的理論指導。

1.2 智能實驗室功能模塊

智能實驗室概念要求形成一個高度集成的系統，使得管理、設計、工程、規劃、仿真、通信和控制工具都綜合到一個平臺中，從而建立一個從實驗室車間底層感知到頂層決策的一個巨大的閉環反饋系統。該系統可根據實驗室的實際情況更新數據、模型結構、和模型參數，通過配置各類傳感器以實現物理環境的互聯、互感，確保實驗室中信息的實時獲取、可靠感知、實時傳輸、普適計算、精準控制。

因此，一個智能實驗室將由多個智能體[14-15]組成，它們分別是：采集Agent、傳輸Agent、管理Agent、決策Agent、控制Agent。由于本文是對智能實驗室的智能品質評價進行詳細論述，故對智能實驗室功能模型只做簡單的概述。

(1) 采集Agent。負責對實驗室人、物、環境、生產任務所需的各類資源信息、工藝過程控制信息等能夠全面自動感知。

(2) 傳輸Agent。負責對采集的數據進行實時傳輸，傳輸過程中需解決不同系統之間的集成問題，以及傳輸過程中的安全問題。

(3) 管理Agent。負責對數據包的管理以及事件管理。數據包管理包括對設備、物料、傳感器的屬性數據進行管理，還包括對實驗室傳感器采集的數據進行冗余過濾、多源融合。事件管理包括對智能實驗室中產生的物理或信息事件進行管理，如：實時預警、移動偵測。

(4) 決策Agent。根據建立好的數據模型，對收集的數據進行挖掘、分析、機器學習，得到有價值的信息，從而指導生產或試驗。

(5) 控制Agent。具有調整與控制實驗室物理世界的屬性，對于不符合規則的事件，執行器網絡的控制節點會分發出相應的調整控制命令或警告信息。從而使實驗室達到動態平衡狀態。

2 評價指標體系設計

對于智能實驗室智能水平評價指標體系的研究尚未有文獻提及到，本文的評價體系從定量和定性相結合的方法嘗試構建智能實驗室智能水平評價體系。評價的總目標是其智能化水平，因此，在一級指標的設立過程中，主要參考智能實驗室智能品質的內涵，即智能化在實驗室3個維度方面所帶來的變化。在之前的智能實驗室定義中，智能實驗室的最終目標是具備高效、可創新、節能、安全、可擴展的能力，因此對于一級指標用一個五維的空間去描述一個智能實驗室智能品質：F={U1,U2,U3,U4,U5}，其中：U1表示提高科研人員工作效率的能力；U2表示提高產品精度的能力；U3表示降低實驗室運營成本的能力；U4表示安全性能；U5表示實驗室對外擴展能力。其智能水平評價體系如圖2所示。

圖2 智能實驗室智能水平評價體系

U1又可以表達成4個具體指標：U1={V11，V12，V13，V14}，V11表示實驗室環境，V12表示提高產品設計效率的能力，V13表示提高產品裝調效率的能力，V14表示試驗報告生成的能力。V11={T111，T112，T113，T114}，T111表示溫濕度及潔凈度協調能力，T112表示噪聲控制能力，T113表示光熱環境協調能力，T114表示空氣品質控制能力。V12={T121，T122}，T121表示設計軟件操作友好度，T122表示產品模型快速驗證能力。V13={T131，T132，T133，T134}，T131表示工藝流程自動優化能力，T132表示智能設備，T133表示資源快速定位、調度能力，T134表示故障快速定位能力。V14={T141，T142}，T141表示優質試驗報告生成能力，T142表示試驗關鍵數據調取、綜合分析能力。

U2是指智能實驗室中可提高產品精度的因素，它可以表示為2個具體指標U2={V21，V22}，V21表示方法創新能力，V22表示工具集創新能力。V21={T211，T212}，T211表示數據挖掘能力，T212表示并行計算能力。V22={T221，T222}，T221表示創新研發平臺搭建能力，T222表示智能設備生成能力。

U3是指智能實驗室中可降低實驗室運行的成本相關因素，可表示為3個具體指標：U3={V31，V32，V33}，V31表示減少因設備故障而造成損失的能力，V32表示節省資源消耗的能力，V33表示減少實驗室采購、維護、管理費用。V31={T311。T312}，T311表示設備保養、維護、計量提醒能力，T312表示設備運行狀態監測能力。V32={T321，T322，T323}，T321表示照明智能控制能力，T322表示供配電智能管理能力，T323表示冷熱源自動控制能力，V33={T331，T332}，T331表示智能生成采購方案的能力，T332表示智能生成保養、維護計劃的能力。

U4表示智能實驗室安全程度，它可表示為一個二元組：U4={V41，V42}，V41表示防害、防災能力，V42表示防病毒入侵能力。V41={T411，T412}，T411表示傳感器自動感知、分析、反饋能力，T412表示控制器執行能力。V42={T421，T422}，T421表示數據傳輸安全保障能力，T422表示病毒入侵自動消滅能力。

U5表示智能實驗室中系統的擴展能力，它可表示為一個二元組：U5={V51，V52}，V51表示內部系統擴展能力，V52表示內部系統與外部系統之間的擴展能力。V51={T511，T512}，T511表示軟件接口開放性能，T512表示硬件系統開放性能。V52={T521，T522}，T521表示軟件接口開放性能，T522表示硬件系統開放性能。

整個智能實驗室智能品質評價體系如表1所示。

表1 智能實驗室三級指標結構模型

3 評價模型建立

灰色多層次評價法是基于灰色理論，將多個評估專家分散的評價信息處理統一為一個描述不同灰類程度的權向量，在此基礎上再對其進行簡單單值化處理，最后得到受評對象的綜合評價值[16-18]。基于AHP-GRA的智能實驗室評價模型流程如圖3所示。其步驟如下：

圖3 基于AHP-GRA的智能實驗室評價模型流程圖

Step1確定評指標的權重

(1) 構造智能實驗室1級指標間的判斷矩陣

aii=1,aij=1/aji

ajj=aik/ajk；i,j,k=1,2,…,n

(2) 計算指標權重W

(3) 計算判斷矩陣A的最大特征值

(4) 計算一致性指標

WI=(λmax-n)/(n-1)

(5) 計算一致性比率

CR=CI/(RI)

當CR<0.1時，則滿足一致性要求，否則指標不滿足一致性要求。

Step2制定評價等級標準，組織專家評分。通過評價指標評分等級標準的制定，將定性指標轉化為定量指標Tijk，采用專家評分法，將待評估的3級指標Tijk劃分為3個等級：高級、中級、低級，“高級”記為4～6分，“中級”記為2～4分，“初級”記為0～2分。假設參與評分的專家為m人，由此得到的備選方案的評價樣本矩陣：

Vijkm表示的是第m個專家對Tijk指標的評價。

Step3確定評價灰類。即確定評價灰類的等級數、灰類的灰數以及灰數的白化權函數。設評價灰類序號e=1,2,3評價灰類，它們分別為“高級”“中級”“低級”3個等級，其對應的灰數及白化權函數如下：

第1類灰類“高級”(e=1)，灰度?=[0,∞]，其白化權函數的表達式如下：

第2類灰類“中級”(e=2)，灰度?=[0,3,6]，其白化權函數的表達式如下：

第3類灰類“中級”(e=3)，灰度?=[0,2,4]，其白化權函數的表達式如下：

Step4計算灰色評價系數。對評價指標Tijk，備選方案屬于e個評價的評價系數記為Xijke，屬于灰類的總灰類評價系數記為Xijk，則有：

Step5計算灰色評價權向量及其矩陣。所有評價者就評價指標Tijk對備選方案主張第e個灰類的灰色評價權記為rijke，則有：

rijke=Xijke/Xijk,rijk=(rijk1,rijk2,rijk3)

Step6作綜合評價

Bij=Wij·Rij,Bj=Wj·Rj

B=W·R

Step7計算綜合價值F。對綜合評價結果B做進一步處理，使其單值化，得到備選方案的綜合評價結果：

F=B·CT

其中，C=[d1,d2,d3]

4 實踐案例

根據上文所設定的智能實驗室評價體系及評價模型，對某航天科研院所實驗室進行智能水平鑒定，得到如下結果。

(1) 指標權重確定。通過分層法得到目標權重、1級指標權重、2級指標權重、3級指標權重,并構建各級指標權重樹(見圖4)，這里以U1為例：

W=[0.097 8 0.202 0 0.048 0 0.605 4

0.046 8]

圖4U1指標權重樹結構

其他指標權重如下矩陣：

W2=[0.5 0.5]

W3=[0.708 9 0.178 6 0.112 5]

W4=[0.5 0.5],W5=[0.75 0.25]

W21=[0.833 3 0.166 7],W22=[0.5 0.5]

W31=[0.166 7 0.833 3]

W32=[0.108 5 0.546 8 0.344 5]

W33=[0.666 7 0.333 3]

W41=[0.5 0.5],W42=[0.5 0.5]

W51=[0.5 0.5],W52=[0.5 0.5]

(2) 專家評分。通過3位專家對3級指標進行評分，得到如下結果:

(3) 計算灰色評價系數。

xijk=[6.1 3 3.7 5.4 3 3 4.6 6.2 3.13 4.7 3.3 3.7 7.7 6.3 8 6 34.5 3 3 6.2 6 6 3 5.4 4.3]

(4) 計算灰色評價向量及權矩陣。灰色評價向量：

計算得到如下權矩陣：

(5) 對2級指標Vij做綜合評價

(6) 對1級指標做綜合評價。

(7)對U做綜合評價

B=[0.13 0.21 0.66]

(8) 計算綜合評價值。

F=B·CT=1.4

按照此模型，該實驗室的智能化水平為F=1.4，即處于模型中的第一階段：初級智能化階段。由于一級指標權重為：W=[0.097 8 0.202 0 0.048 00.605 4 0.046 8]，即能否提高實驗室的安全能力和能否提高實驗室產品精度的能力在一級指標中所占的權重比例非常大，因此，實驗室要想向更高的智能化水平升級，其采取的措施是針對實驗室安全和產品精度方面存在的問題，利用智能化技術去進行突破。

5 結 語

德國工業4.0研究方向可以概括為兩大類：智能制造和智能工廠。智能化將是未來各行各業的發展方向，航天產品研發實驗室也不例外，如果無法判定當前智能化水平，智能化之路將變得艱難而盲目。本文提出的基于灰色多層次法的智能實驗室智能水平評價模型，通過實例對模型進行驗證，得出的結論為智能實驗室今后升級方向提供了指導準則。由于對智能實驗室的研究還處于探索階段，要想獲得更加精確的結果，在實際評價過程中，應更加全面的考慮指標體系的構成。于此同時，指標權重樹的構建有利于更好的發現哪些指標屬于關鍵指標，從而把建設的重點放在關鍵指標上。

[1] 杜寶瑞,王 勃,趙 璐,等.航空智能工廠的基本特征與框架體系[J].航空制造技術，2015(8)：26-30.

[2] 丁鵬飛,周世杰,王 賀,等.面向航天制造企業的數字化工廠建設方案探討[J].航空制造技術，2014(14)：51-54.

[3] Greg Gorbach. Achieve Sustainable Manufacturing with Integrated Collaborative Manufacturing [J/OL], 2008, 10, 23. http://www.arcweb.com/myarc/myreports/arcreports2008/.

[4] ZVEI.Industrie 4.0:the reference architectural model industrie 4.0(RAMI 4.0)[EB/OL].(2015-04-05)http://www.zvei.org/Downloads/Automation/ZVEI-Industrie-40-RAMI-40-English.pdf.

[5] DENG J L. Gray System Theory Tutorial[M]. Publishing House of Huazhong Science and Engineering University, 1992.

[6] 唐 輝,侯俊杰.先進復雜產品研制體系的分析[J].航空制造技術，2010(1)：70-73.

[7] Jeff Shubrooks, Jack Graham, Curtis Carlsten,etal. ADDITIVE MANUFACTRING at Raytheon[J/OL].2015. http://www.raytheon.com/news/technology_today/2015_i1/.

[8] 潘 琨.智能工廠的模型與實現方法研究[D].武漢：武漢大學，2014：5-20.

[9] 杜品圣.智能工廠-德國推進工業4.0戰略的第一步[J].自動化博覽，2014(2)：50-58.

[10] 張 益,馮毅萍,榮 岡.智慧工廠的參考模型與關鍵技術[J].計算機集成制造系統，2016，22(1)：1-10.

[11] 吳 崢,周春月.基于物聯網的智慧實驗室[C]//第十七屆全國青年通信學術年會論文集.秦皇島，中國，2012：205-209.

[12] 涂序彥.廣義智能系統的概念、模型和類譜[J].智能系統學報，2006 (2)：8-10.

[13] Tao F, Zuo Y, Xu L D, Zhang L. IoT-based intelligent perception and access of access of manufacturing resource toward cloud manufacturing[J]. IEEE Transactions on Industrial Informatics，2014, 10(2)：1547-1556.

[14] 車 暢,梁 韡,周 悅,等.基于多智能體的無線傳感器網絡協同問題研究[J].儀器儀表學報，2005，26：230-233.

[15] 喬 兵,朱劍英.多Agent智能制造系統研究綜述[J].南京航空航天大學學報，2001，33：1-5.

[16] Liu Ming, Han Lansheng, Peng Bing,etal. A multi-level grey evaluation model for harms of computer virus[C]∥Ninth IEEE International Symposium on Parallel and Distributed Processing with Applications Workshop，2011，20：21-26.

[17] Tang Hong, Zhang Jie, Su Kai. On evaluation model of military information network based on multi-level gray evaluation method[C]∥The 27thChinese Control Conference，2008，6：113-115.

[18] Wang Xiao, Shuai Ning. The multilevel comprehensive grey evaluation model for enterprise training effect[C]∥2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing，2008，200：51-53.