再比如，最常用的点胶机，这是我今年的课题项目。这就是一个多时间尺度的问题，从这里面来看，有一个快时间尺度，然后在分众级别可以有点很多滴胶水。那么由于工业制造业一致性很好，这又是多时间尺度的问题。这是制造当中很普遍的现象，不光是点胶机，很多其他的制造都是这样的。由单个部件生产形成多个部件，但由于最终的性能很难检测，有很大的不确定性，所以往往需要人的干预。

　　另外一个是温度厂的控制，当一个芯片经过一点时，温度要一致，因此就形成一个时空和空间的一个关系。

　　多尺度与不确定性

　　总的来讲，从整个制造业的高度往下看，制造具有多尺度特性；从最底层的设备往上看，先是一个快过程，然后是批处理慢过程。生产级别的逻辑控制是有不确定性的，监督层越往上，智能化需要越来越高。也就是说，底层的确定性比较高，复杂度比较低，越到顶层，对应的复杂度也越来越高。下层制造控制更关心产品质量，而上面制造控制更关心商业市场的利润，这主要适用于企业管理层面。

　　如果把最底层的机器级和最顶层的工厂级放在一起比较就会发现，其特点是不一样的。机器级是局部特征，而工厂级是全局特征。不确定性很关键，越下面不确定性越小，越上面不确定性越大，这是底层物理驱动的，所以需要采用动态控制。

　　最底层的是物理连接，传感器要观测很多东西，这个企业可以做到。从数据到信息的转换，利用很多现成的算法，企业也可以做到。再往上，企业就比较难做到了，一般只有高校才具备这样的能力，就是系统与计算之间的转换以及模型之间的转换。更高的就是认知层面了，这里面就需要人和机器互动了。实现最顶层的无人工干预全自动化也许需要未来世界了。

　　智能制造的挑战

　　因此，智能制造的挑战从学术上来看是具有不确定性的，由于企业、制造业的复杂性和多样性，无法标准化，所以智能化应该如何做到智能感知、智能控制和智能决策，是我们应该考虑的。

　　图中，左边是物理空间，右边是数据空间，也就是信息空间。任何一个工业工程都有动态系统，对于动态系统传统做法先介入，然后消除不确定性再进行控制，我相信企业认为控制不是问题，认为是设计问题，任何过程都可以设计，但是别忘了在小不确定性的情况下，在大的不确定性情况下，没法得到系统的方程主体，因此来讲对应现代生活系统和物理系统，方程的主体就得不到了，我们就需要用学习的方法去获得被控对象的模型。由于不确定性，因此来讲不能做控制只能搞决策，左边是确定性比较小，右边是确定性比较大。

　　智能制造当中最基本的工作就是传感、建模、学习，越往上不确定性越大，我们从设计到控制到管理整个这一层面，传感建波以及学习最终目的是消除不确定性，我们的世界是不确定性的，最常见的不确定性是随机性，大家都知道，还有一种就是模糊的，学术界是叫模糊性的，就是因为信息获取不完整，一个是随机的幅度是不准确的。

　　在我的研究过程当中，有数值不确定性、随机不确定性和空间不确定性。当主要方程丢失的时候，最终以随机的形式、分布的形式来做判断，这是随机不确定性。因此控制在不同的层面上对智能的要求和功能都不太一样，最基本的一层是过程的设计，还有底层回路控制，这两个集成是很大的挑战。因为要合理分配工作量，设计系统要易于控制，使设计出的算法比较易于实现。如果这两层解决不了就需要监督层来解决，信息学科现在提出的知识自动化，实际上就在这里面。