本文通过研究知识数据协同驱动的智能体系，构建具备“感知-认知-决策-执行”工业大脑总体架构，并对其中于5G的实时感知、基于数据迭代治理的全面认知、基于“云-网-边-端”协同的决策与执行等关键技术进行探讨和发展趋势展望，总结了工业大脑的应用场景和后续重点研究方向，助力构建工业领域新质生产力。

1 知识数据协同驱动的智能决策方法

智能决策通常是指利用多种智能技术和工具，对给定事件进行建模、分析并得到决策的过程。目前智能决策的主要基于两大类方法：知识驱动和数据驱动。知识驱动方法通过利用已有知识，包括机理模型、规则经验、模型与算法等进行决策，通常具备完整的理论体系支撑和模型可解释性，同时便于实现多学科知识的灵活集成，在工业领域通常应用于工艺流程建模、装配生产线建模、数字孪生建模等。然而知识驱动方法通常面临建模难度大、成本高、难以持续学习与进化等问题。数据驱动方法利用深度学习、强化学习等技术，无需精确建模，直接从数据中学习特征并进行决策，具有通用性强、可持续学习与进化、具有海量开源模型和算法库等优势，在工业领域通常应用于预测性维护、设备综合效率分析、产品质量分析等。但数据驱动的方法存在模型可解释性差、模型性能依赖海量高质量数据、需要高性能算力等缺点，在可靠性、实时性要求较高的工业场景，数据驱动方法的应用比较局限。

当前，将知识驱动和数据驱动两大类方法相结合,充分利用各自优势，形成知识与数据协同驱动的决策方法，得到了学术界的广泛认可。张钹认为，知识与数据协同驱动将推动走向可解释与鲁棒的人工智能。周志华提出反绎学习范式，通过机器学习与知识推理的循环互促，实现数据知识双驱动。知识数据协同驱动的智能体系，目前主要应用于群体智能领域。

当前工业大脑大多基于数据驱动，而工业场景对机理模型、经验知识等的依赖较强，数据驱动的决策难以满足工业场景对安全性、可靠性的要求。因此，本文基于以上理论研究基础，构建工业领域的知识和数据协同驱动的决策体系，如图 1 所示，包括感知、认知、决策和执行4个层次。

图1 知识和数据协同驱动的决策体系

（1） 感知：通过传感器、摄像头、声音等设备收集和感知外部环境的各种结构化和非结构化数据。

（2） 认知：通过知识和数据驱动的算法模型对观察到的数据进行处理和分析，从中提取特征、模式和趋势，并形成理解认知。其中知识驱动包括机理模型或规则知识、领域知识和专家知识等方法，数据驱动以深度神经网 络 为 典 型 代 表 ， 如 CNN （Convolutional Neural Networks）、RNN （Recurrent Neural Networks）、GAN （Generative Adversarial Networks） 等算法模型。

（3） 决策：基于预先设定的规则、逻辑和算法进行自动化决策，或通过机器学习和强化学习等技术从数据中学习和优化决策模型。知识驱动的决策方法以规则系统、专家系统为主，数据驱动的决策方法主要基于机器学习算法，其中以强化学习中的近端策略优化 （Proximal Policy Optimization，PPO） 算法、多智能体强化学习中的MADDPG算法等为典型代表。

（4） 执行：通过执行预编程的指令或自主控制系统，实现对环境的响应和行动。典型的知识驱动执行方法包括启发式算法（Heuristic）和涌现（Emergence）等，数据驱动执行方法以强化学习中的DQN（Deep Q-Learning）为代表。通过将知识和数据协同驱动思想贯穿于认知、决策和执行各个层次之中，结合两者优势，实现从无知到有知的知识积累和学习过程，同时利用知识表达、预测和判断事物的决策过程，是构建工业大脑智能决策体系的核心机制。知识和数据协同算法可分为层次化协同、组件化协同两大类，如图2所示。

图2 知识数据协同驱动算法分类

其中，层次化协同类算法包括神经网络树、遗传模糊树和分层强化学习等，组件化协同类算法包括并行、串行、引导和反馈4种组件模式。

神经网络树是一种典型的知识与数据协同驱动模型，使用神经网络来处理决策树的节点，从而可以捕捉更复杂的非线性关系，可同时进行特征选择和模型构建，实现更高效、准确的学习和预测。在工业应用中，神经网络树可以帮助解决各种复杂问题，如预测维护、质量控制、生产优化等。

遗传模糊树 （Genetic Fuzzy Trees，GFT） 是一种结合了遗传算法和模糊逻辑的智能系统，它通过模拟人类决策过程来解决复杂的优化问题。适合于那些对于输入和输出关系难以建模的场景，尤其是需要处理不确定性和模糊性的情况。遗传模糊树通过模仿人类的决策过程，将复杂的决策问题分解为多个子决策，并通过遗传算法优化这些子决策，从而在多个领域中展现出其独特的优势和应用潜力，如复杂系统控制、无人机编队控制等。分层强化学习将学习和决策过程分解为多个层次，每个层次负责处理不同的抽象级别和时间尺度。其中高层策略网络负责制定宏观决策，指导低层执行网络进行具体动作的选择和执行。这种分层结构使得系统能够更加高效地学习和决策，降低了在高维空间中搜索最优策略的复杂度，可用于机器人操纵、通信资源分配和网络管理、多智能体系统等领域。

组件化协同算法中，并行模式将数据驱动与知识驱动方法结果融合处理后作为最终的输出结果，具体融合方法包括直接叠加、因子相乘、加权求和、开关函数控制等。对于直接叠加、因子相乘的处理方式，主要适应于知识驱动的机理模型性能较差的场景；对加权求和、开关函数控制的处理方式，主要适应于知识驱动的机理模型与数据驱动的经验模型效果较好的场景。

串行模式通过数据驱动的经验模型，修正知识驱动的机理模型的输出结果，以提高结果准确性。该模式主要适合于简化程度相对较大的机理模型，通过数据驱动方法发现不同场景下简化的机理模型的输出结果与实际结果的关联模式，从而实现利用数据驱动方法对机理模型结果的校正。

引导模式基于知识驱动的机理模型，引导构建合理的数据驱动算法模型。强化学习中的模仿学习、启发式回报函数设计、深度学习中的网络化知识是 3 种典型知识增强的数据驱动方法，每种方法的不同组件将基于先验知识进行辅助增强设计。

反馈模式主要特征为通过数据驱动方法利用数据驱动方法强大的寻优能力来实现知识驱动方法中结构或参数的优化。该模式适合于知识驱动的机理模型中存在部分机理未知，或机理模型中参数不确定的场景。在反馈模式中，机理模型作为整个混合模型的基础模型来计算最终的输出结果，而数据驱动经验模型依据输出结果和实际结果，修正待预测值并代入机理模型中。这类方法在基于模型的感知、决策、控制等领域得到广泛应用。

2 工业大脑架构及关键技术

2.1 总体架构

基于以上知识和数据协协同智能决策体系，设计了工业大脑总体架构，包括多维感知、全面认知、智能决策和精准执行 4 个部分，通过知识和数据协同驱动，形成大脑的核心智能决策，总体架构如图3所示。

图 3 工业大脑总体架构

多维感知部分利用5G、云边协同等技术手段，实现生产过程中视频、音频、震动等传感器，以及机器人、AGV 小车、平台 API接口等全面感知下混合流数据的信息采集与获取，为多源异构数据实时采集、传输、存储及交换提供基础设施保障。

全面认知部分通过构建灵活、高效的数据标准化流程，提供数据清洗、数据标准化、数据目录、数据DNA、智能标签等功能数据迭代治理，实现工业大数据资源全生命周期管理与服务能力，通过机理模型、专家经验、知识图谱等知识驱动方法，以及机器学习、深度学习等数据驱动方法，实现数据和知识的深度融合。通过工业数据算法的沉淀和工业知识的迭代更新。

智能决策部分包含智能计算支撑、AI研发平台、行业 AI 模型、基础资源管理、AI 资产共享等模块的 AI 基础设施，基于深度学习、智能计算等技术，将多维感知系统采集处理的数据进行融合分析，利用知识图谱和机理模型将数据提炼为知识，实现从“数据驱动”到“知识驱动”的转换，通过知识生成、决策制定以及指令发布等，将知识关联成决策，形成动态数字化管控的智能分析决策能力。

精准执行部分完成决策指令的发布和执行。指令对象一般包括设备和管理人员。对于设备，通过控制指令直接下达到设备控制端，实现决策指令的实时、精确执行，形成完整的闭环控制。对于管理人员，通过管理流程和人机界面实现决策指令发布，将决策指令变成人的具体操作，以达到预期的执行效果。

基于工业大脑的“感知-认知-决策-执行”能力，可进一步构建工艺优化、质量预测、能耗监测、设备健康维护等应用系统，形成面向多行业、多领域的服务能力。

2.2 关键技术

（1） 基于5G的实时感知

工业制造过程中，有数以万计的传感器和执行器接入，需要引入高可靠、低时延、具有海量联接能力的无线通信技术作为支撑，以满足高精度的生产场景需求。5G具备用户体验速率快、空口时延低和连接数密度大等特点，为物联网的大规模应用提供了基础条件。当前，工业领域 5G 网络的用户体验速率达到 4G的10倍以上、空口时延降低到4G的1/10、连接数密度可达到100万连接/km2。

当前，5G的系统架构设计还不能完全满足工业应用对大上行带宽、确定性时延、高可靠与精定位等能力的要求，需要进一步研究 5G 演进技术——5G-A （5G-Advanced）。对于工业大脑来说，5G-A在峰值、连接密度、定位精度等方面的能力比现有 5G 提升约 10 倍，可以承载更多的工业应用，满足工业互联网进入核心生产环节的网络需求。因此，研究基于 5G-A 的数据实时采集方式，设计从无线、承载到核心网的端到端整体解决方案，有效提高数据采集的精度、实时性和稳定性，同时降低数据传输成本，是工业大脑实时感知的重要发展方向。

（2） 基于数据迭代治理的全面认知

工业数据类型繁多、数据源异构性强，数据孤岛现象严重，工业数据开放程度低，各种类型的设备和工序之间相互独立，数据流通缺少统一的标准。

通过数据迭代治理，对多维感知所汇聚的数据进行分级分类与标准化治理，为工业大脑进行模型和规则构建提供标准化支撑，主要包括数据标准化、数据资源目录、数据清洗规则管理、数据质量监测和数据规则迭代等主要功能。

数据标准化为数据迭代治理提供基础依据。一方面基于标准化的治理模型对工业大脑所涉及的各项数据进行明确定义与规范化管理的功能，从根本上消除数据的“一数多义”等问题，保障数据的唯一性、一致性。另一方面，基于标准化的业务术语，以可视化的方式对数据标准进行统一规范管理的功能，为工业大脑各模块间的数据交互和数据字典的构建提供基础保障。

数据资源目录以元数据为核心，支撑工业大脑对数据资源进行网状组织，为工业大脑提供基于数据资源目录体系的资源注册、审核、发布、申请、使用和授权等全过程管理能力，满足工业大脑从分类、主题、应用等多个角度对数据资源进行管理、识别、定位、发现、评估与选择的需要。

数据清洗规则管理以工业大脑数据标准为基础，提供数据清洗规则定制、管理等功能，支撑工业大脑对原始数据进行规范化的处理，减少数据噪声，消除数据的不一致性，提供有效的数据集。

数据质量监测是保障工业大脑数据质量的重要功能，通过数据质量监测能够实时对从采集到的数据进行数据质量检查，为工业大脑提供准确、科学、稳定、可信的数据支持。

数据规则迭代是实现迭代治理的基础，能够根据行业和企业制定的业务标准和数据标准，动态地调整数据标准和治理规则，满足工业大脑在新规则、新标准下对各类数据进行动态治理的需要，实现数据质量的持续提升。

（3） 基于“云-网-边-端”协同的决策与执行

随着越来越多的设备接入工业大脑，传统以云为中心的模式不足以满足对海量设备数据进行实时处理的需求，需要将部分算力在边缘就近处理。因此，工业大脑亟需灵活扁平的新型基础设施架构，将工业系统内外的生产要素连接起来，实现数据流通，通过数据分析、建模进行各个层面的优化，打通工业现场内外部自下而上的数据流和自上而下的决策流，形成工业数字化优化闭环，打造满足计算、网络、存储要求的“云-网-边-端”协同处理体系。

在“云-网-边-端”数据处理架构中，云平台侧聚焦长周期、全局数据的处理；网的架构朝着服务化和云化方向演进，容纳更广泛的接入场景；边侧聚焦设备层的数据通道打通和实时、小数据的处理；端侧实现智能感知和数据采集。通过“云-网-边-端”协同，工业大脑可在网络边缘进行数据筛选与数据集成，实现数据就地处理，加速异构数据融合，完成传感器、图像、音视频等混合流数据的信息采集与获取，实现全面感知。

3 展望分析

基于知识数据协同驱动思想，构造工业大脑通用智能化服务能力，可服务于工艺优化、设备运行控制、预测性维护、生产运行优化等应用场景，通过数据沉淀、模型复用持续提升工业大脑的智能认知决策水平。

在工艺优化方面，文献基于知识数据协同驱动的方法，对铸造工艺数字孪生的场景负荷计算建模，设计搭建铸造工艺数字孪生系统，通过知识驱动和计算模型迭代建模方法，结实现铸造过程关键影响因素的识别，支持面向工艺场景的资源环境负荷数据计算，设计实现了数字模型的创建功能。文献开展知识数据协同驱动的航空发动机装配研究，利用数字孪生方法展开装配工艺机理分析，建立装配工艺数字化分析模型，实现转子装配过程监控和工艺优化分析，优化装配工艺，提高装配精度，控制装配偏差。

在电力行业，文献将知识数据协同驱动方法应用于电力调度领域多个应用场景，通过并联、串联、引导反馈等多种组件化协同方式，实现感知预测、优化调度、运行控制、安全稳定评估和电力市场交易力调度等。在故障修复方面，文献提出了一种融合知识与深度强化学习的决策框架，用于电力系统紧急切机控制措施的离线预决策。通过将知识融合与多元特征融合，显著提高智能体决策有效切机控制措施的成功率，同时减少控制措施的切机量和调用暂态仿真计算的次数，有效提升紧急切机控制措施的离线预决策效率。

在物流制造领域，文献研究模型与数据驱动的一体化协同平台，通过多粒度仿真模型的构建、多专业数据的协同共享以及多学科的虚拟集成验证，完成从需求分析到物理实物再到验证确认的全流程与全系统的设计、仿真、集成、验证与评估，实现流程全线贯通、数据高度融合、平台无缝集成。文献[28]建设数据与模型驱动的数字化系统工程，通过物流装备数字化，实现各物流装备的无缝衔接，缩短项目现场的设备安调周期，提高项目交付能力。

在设备运维领域，文献提出了数据与模型双核驱动的城轨智能运维系统，使用深度强化学习和天生须搜索优化算法，为设备维保和专项维修提供技术保障。文献提出基于模型与数据混合驱动的重型燃气轮机全通流部件性能诊断方法，可用于对机组并网后全工况全通流部件的不同故障类型和故障严重程度进行全面诊断，对不同故障类型不同故障严重程度的总体诊断成功率达97%以上。

4 结束语

知识和数据驱动的工业大脑理论和应用发展方兴未艾，是工业智能领域的热点研究方向。本文系统梳理了知识与数据协同驱动算法，设计了具有感知-认知-决策-执行的工业大脑总体架构，从工业实际应用需求角度讨论了工业大脑实现的关键技术，展望了知识数据协同驱动在工艺优化、电力方面的应用前景。

后续研究中，需要进一步研究探讨多学科、多领域的交叉融合，持续提升我国工业大脑领域的科技水平和行业适配度；基于预训练大模型等人工智能新范式，提升工业大脑智能化水平，解决行业共性问题；研究数据安全治理与分类分级防护方法，构建工业大脑数据安全可信交换共享生态体系。

原文刊载于《机电工程技术》2025年06月 作者：姜元 陈杰浩 李科 张红军 龚龑