✨ 要点🔬 技术摘要
想象一家工厂，它不仅从零开始制造新产品，还能拆解旧的、使用过的产品，利用其零部件进行修复并制造新产品。这被称为“循环工厂”。
问题在于，使用过的零部件往往杂乱无章。一台十年前的研磨机上的螺丝可能生锈、弯曲或缺失，而全新机器上的螺丝则完美无缺。在传统工厂中，机器遵循严格、预先写好的“食谱”：“取零件 A，放入插槽 B，拧紧。”但在循环工厂中，由于每个零部件都不同，这份“食谱”每次都会发生变化。传统工厂的计算机就像僵硬的食谱书；一旦原料与指令不匹配，它们就会崩溃。
本文介绍了 KAPPS，一种专为这类工厂设计的新型“大脑”。请将 KAPPS 想象成一本并非僵硬的食谱书，而是一本所有人都可以阅读和书写的“活生生的共享日记”。
以下是其工作原理，分解为几个简单概念：
1. 问题：“僵硬的食谱”与“混乱的现实”
旧方式 ：想象一条汽车装配线，每辆车都完全相同。机器人确切知道将车轮安装在哪里。循环方式 ：想象一名机械师试图修理一堆不同的旧车。其中一辆轮胎瘪了，另一辆车门缺失，第三辆发动机生锈。机械师必须查看每辆车，决定如何处理，并随时调整计划。差距 ：旧式工厂计算机无法处理这种“临场应变”的思维。它们需要事先知晓一切。
2. 解决方案：“共享活日记”（知识图谱）
KAPPS 用一本“共享活日记”（称为知识图谱）取代了僵硬的食谱书。
日记 ：这本日记不仅仅存储数字，它还能理解“含义”。它知道“螺丝 A"属于“研磨机 B"，而“研磨机 B"目前正由“机器人 C"进行修复。规则（守门员） ：日记内置了一个守门员（称为 SHACL）。在任何人写入新条目之前，守门员会检查规则。
示例 ：如果机器人试图写入“我拿着两个盒子”，守门员会说：“停下！机器人一次只能拿一个盒子。”它在工厂犯下不可能出现的错误之前将其阻止。
3. KAPPS 的四层架构
将 KAPPS 想象成一栋四层楼的建筑：
一楼（字典/本体） ：这是定义词语含义的规则手册。它规定“盒子”就是盒子，“机器人”就是机器人，确保大家使用同一种语言。二楼（日记/知识库） ：所有信息都存储于此。它是中央大脑，保存着每个零部件、机器人和流程的当前状态。三楼（工人/服务） ：这些是实际执行工作的程序（如机器人控制器或学习 AI）。它们不直接相互交谈，而是都与“日记”对话。四楼（翻译器/接口） ：这一层在混乱的现实世界（机器人线路、传感器）与日记的清晰语言之间进行翻译。
4. 它是如何学习的（反馈循环）
最酷的功能之一是工厂会随着时间的推移变得更聪明。
场景 ：机器人试图拧松一颗生锈的螺栓。它失败了。日记 ：机器人在日记中写道：“我尝试拧松它，失败了，这是我使用的力度。”学习者 ：一个“学习服务”读取日记，发现失败的模式，并更新针对该类螺丝的规则。结果 ：下次机器人尝试拧松类似的生锈螺丝时，它已经知道该如何操作了。工厂实时地从错误中学习。
5. 现实世界测试（证明）
作者通过两种方式测试了该系统：
拧螺丝机器人 ：他们制造了一台拆解角磨机的机器人。该系统成功检测到了螺丝卡住的情况（异常），并利用这些数据教导系统下次如何更好地处理。智能传送带 ：他们创建了一个由小型传送带组成的网络来搬运盒子。不是由一个大老板告诉它们去哪里，而是它们都读取“共享日记”。“守门员”（SHACL）确保没有两条传送带试图在同一时间将盒子放入同一位置，从而即使传送带独立运作也能防止碰撞。
核心结论
KAPPS 是一种运行回收和再利用零部件工厂的新方式。它不再强迫工厂遵循僵硬的、预先计划的脚本，而是赋予工厂一种共享的、智能的记忆 ，使其能够理解每个零部件的独特状况。它既充当防止不可能操作的“安全网”，又充当每天提升工作能力的“学习工具”。
论文结论指出，该架构成功满足了运行“循环工厂”所需的所有复杂要求，且代码现已开放，供他人使用和在此基础上构建。
技术摘要：KAPPS——面向循环工厂的基于知识的 CPPS 架构
1. 问题陈述
传统的制造执行系统（MES）和 cyber-physical 生产系统（CPPS）架构是为线性制造设计的，其特点是材料同质化、工艺序列预定义以及执行过程确定性。这些系统在循环工厂 环境中失效，因为在该环境中，使用过的产品（“核心”）以异构状态、不确定状态和不同生命周期进入生产线。
在循环工厂中，工艺序列、操作类型和部件重组必须根据每个实例的具体状态在运行时确定。这引入了：
不确定性 ：单个组件需要概率性状态表示。异构性 ：必须整合多样化的数据源（传感器、人工输入、遗留系统）。动态重构 ：资源必须在不进行全局重新编排的情况下适应不可预见的情况。可追溯性与学习 ：决策必须与来源关联，以支持回顾性分析和持续改进。
现有方法（以控制为中心、以数据为中心、以模型为中心和以数字孪生为中心）解决了这些问题的个别方面，但缺乏一个统一的底层基础，能够同时支持实例级可追溯性、运行时约束执行以及人机知识的整合。具体而言，当前的知识图谱扩展通常仅作为只读存储库或规划阶段的产物，而非系统的权威写入时状态。
2. 方法论
本研究遵循 Peffers 等人提出的设计科学研究方法论（DSRM） 。工作以问题为中心启动，依次进行六项活动：
问题识别 ：分析循环工厂需求与传统 CPPS 能力之间的差距。目标定义 ：从感知、产品、生产计划/控制、资源和学习这五个互补视角出发，推导出 14 项具体设计要求（R1–R14）。设计与开发 ：构建KAPPS （面向 cyber-physical 生产系统的基于知识的架构）。演示 ：实施两个实验室规模的使用案例（UC1 和 UC2）。评估 ：针对 14 项要求对架构进行系统性评估。交流 ：将架构和代码作为开源发布。
3. 主要贡献
本文提出了KAPPS ，这是一种四层 CPPS 架构，其中基于本体的知识图谱作为工厂的权威写入时状态 ，而非被动的数据存储。
四层架构：
本体层 ：利用核心本体（扩展产品 - 工艺 - 资源框架）和模块化领域本体定义共享语义基础。它将不确定性（例如高斯混合模型）视为一等类型，并通过基于 Git 的流水线管理版本控制。知识库层（统一知识库 - UKB） ：一个中央三元组存储（目前为 GraphDB）与专用数据库（例如用于时间序列的 InfluxDB、用于研究数据的 Kadi）相结合。它托管知识图谱，执行 OWL 推理以实现语义集成，并强制执行SHACL 约束，以对物理状态转换进行封闭世界验证。服务层 ：将分布式服务（规划器、控制器、学习器）作为可寻址单元托管。服务向图谱公开“工作流”（能力）。关键在于，服务通过单一验证的写入路径与图谱交互。接口层 ：桥接语义层与物理资源及异构协议（OPC UA、ProfiNet、MQTT）。它包括：
三元组存储访问模块 ：用于图谱操作的统一 API。对象 - 图谱映射器（OGM） ：在运行时从活动本体动态派生类型安全的 Python 类（通过 Pydantic），允许服务读写经过验证的对象，而无需直接操作 SPARQL。语义中间件 ：处理服务编排、协议中介和事件驱动协调。
关键架构决策：
知识图谱是工厂状态的单一事实来源 。
SHACL 充当服务器端的安全网，在数据持久化之前拒绝任何违反物理不变性（例如，一个模块同时拥有两个盒子）的状态转换。OGM 确保所有服务都在符合本体的数据对象上运行，从而将应用逻辑与数据库技术解耦。
4. 结果与演示
该架构通过两个使用案例进行了验证：
5. 针对要求的评估
该架构针对第 2 节推导出的 14 项要求进行了评估。评估结论表明，KAPPS 在结构上满足了所有要求：
R1–R6（表示） ：由 RDF 知识图谱和 OGM 满足，提供了对异构数据、不确定性和来源的统一、可查询和可追溯的表示。R7, R9（可行性与约束） ：由持久化层的 SHACL 验证满足，确保仅接受物理上可行的状态转换。R8, R10, R11（执行与协调） ：由语义中间件满足，实现了事件驱动执行、基于一致视图的分布式协调以及协议中介。R12–R14（学习与历史） ：由来源模型和三元组存储的历史跟踪满足，支持回顾性分析和学习模型的复用。
6. 意义与主张
本文主张，KAPPS 解决了制造 IT 中的一个根本性差距：当前架构无法处理循环生产所需的实例特定不确定性和动态可重构性 。
结构性转变 ：与以往将知识图谱作为附加“信息层”的方法不同，KAPPS 将语义层提升为运行时底层 。它将知识图谱从集成工具转变为工厂的权威状态，其中每次状态变更的准入都受到形式化约束验证的管控。能力整合 ：KAPPS 结合了以数据为中心范式（如 AAS）的服务集成和协议中介优势，以及知识图谱的语义表达能力，创建了一个既能实时控制又能回顾性学习的系统。谦逊与范围 ：作者明确指出，KAPPS 是功能性的但尚未达到工业完整性 。评估在特定范围条件下成立：
所有交换的工件必须能够用 RDF 表示。
结构正确性得到保证，但物理数据的真实性取决于传感器/资源。
并发性和访问控制委托给后端三元组存储和外围工厂生态系统。
该架构假设循环工厂涵盖了线性工厂的所有信息挑战以及额外的复杂性。
最后，该工作将 KAPPS 架构和使用案例代码作为开源（MIT 许可证）发布，邀请研究界进行复现、扩展，并在设计科学循环的下一迭代中将系统推向工业部署。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。