工业化与信息化的深度融合是实施制造强国战略的基本技术路线，智能制造为其主攻方向[1]。智能制造是新一代信息技术与制造业的深度融合，一方面，它贯穿于设计、生产、管理、服务等各个环节，是制造模式、生产组织方式和产业形态的深刻变革[2]；另一方面，它又随着信息技的发展及其与制造过程融合的深入而不断提高。国内在智能制造方面的研究，可追溯至 1993 年国家自然科学基金委设立的 “智能制造系统关键技术”重大项目[3]，通过项目的实施，在智能制造系统基础理论、智能化单元技术、智能机器等方面取得了重要进展。发展至今，智能制造的研究内涵已逐步从数字化到网络化，再到当前的智能化。

2013 年起，智能制造的研究进入了飞速发展期，云计算、大数据、物联网和信息物理系统等成为研究的新兴热点[4]。尽管如此，我国智能制造的发展仍处于初级阶段，缺乏与现代信息技术的深度融合是核心制约，典型的表现就是工业技术人员和信息技术人员之间严重的信息隔阂[5]。

复杂机电系统及装备作为智能制造的主体，回顾其发展历史，就是一个多学科不断渗透、融合的过程：近代机械动力学在推动机械产品高速化、大功率化、轻量化和精密化发挥了关键作用[6]，至今仍是机械产品性能设计、动态评价的理论基础；工程热物理学科与机械的紧密结合，诞生了汽轮机、压缩机、内燃机等一系列新型动力装备，推动了工业升级。现代化的装备就是将机械工程、材料技术、电气工程、控制工程、信息技术等通过信息流融合于信息驱动按复杂规律运行的机电系统，信息论、控制论和系统论作为“横断科学”的融合，使其更具有自律性、自适应性以及对作业全过程的可观测性和可控性[7]。

根据 IDC 的调研结果，84.9%的中国制造企业正在进行不同程度的数字化转型，数字化转型正在成为制造企业的战略核心，然而，仅有 4%左右的企业真正释放了数字化的潜力。显然，数字化不等于信息化，更不等于智能化，新一代信息技术的迅猛发展，给信息获取、数据存储、数据传输、大规模计算带来了翻天覆地的变化，使以往认为难以企及、甚至无法实现的方法和技术变得可能。如何进一步将新一代信息技术与机器学理论深入融合，在设计、制造、运行、维护的全生命周期中对机械产品和装备赋能，实现性能、功能大幅提升甚至革命性变化，是推动智能制造水平大幅提升的一个重要内容，也是当前装备质量水平提升的努力方向。

然而，我们也必须清楚认识到，新一代信息技术与机械学科的融合并非简单的学科交叉，一蹴而就，而是系统性的融合，融合的层面、模式和方法会随着应用需求、工作条件以及机械产品全生命周期过程的不同阶段而发生变化，需要进行深入、系统的梳理、设计和布局。

1 机器信息学内涵

有关机器信息学较早的系统性阐述可追溯至2004 年屈梁生院士提出的机械产品信息化的概念[8]，即“利用机械产品(装备)运行中的各类动态信息来延伸产品, 以提高和扩展它的性能”，“产品信息化密切相关的是产品智能化”。机械产品信息化与制造过程信息化和管理信息化相对应、相辅相成，它们都是智能制造、智能装备的重要组成部分。

机器信息学是实现机械产品信息化、智能化的学科基础，它研究机械产品(装备)服役过程中与其自身健康状态、工作性能等相关的各种物理信息的产生机制、传递模式、表征形式，以及如何利用其信号表征(测试数据)来对其健康状态、服役性能进行评估、预测和优化，是一门融合现代信息技术、测试技术和机器学的交叉学科。

可以从以下三个方面来理解机器信息学的内涵。

(1) 机械产品是研究主体。无论进行怎样的学科融合，机器信息学的服务对象一定是各种机械产品和装备，它面向设计、制造、运行、维护的全生命周期的任何阶段，根本目标是提升机械产品的工作效能。因此，需要对机械产品的服务对象、应用场景、工作机理、使用条件等方面的认识足够深刻，能够根据需求找到融合的切入点。

(2)“信息”为广义信息。机器信息学中的“信息”可从两个方面来理解。一方面，指复杂机电系统所固有的与“结构-功能-性能”映射关系相对应的各类物理信息及其传递机制，如机械、电气、液压、控制、润滑等子系统间所发生的机电耦合、流固耦合、热力耦合等物理机制；另一方面，指新一代信息技术中所包含的各种信息获取、存储、传输和处理的理论、方法和技术，如先进传感技术、大数据技术、人工智能技术等。两种信息的角色不同机器信息学就是研究如何充分利用新一代信息技术和测试手段来发掘复杂机电系统的各类物理信息，及其在不同工作状态、工作条件下的相互关联机制，进而提升工作效能的方法和技术。

(3) 融合是生命力。新理论、新技术的发展使学科交叉融合已成为各个研究领域发展的重要推动力，信息融合被认为是机械产品信息化的关键[5]。相比学科交叉，融合发生在更深层次上，它通过跨越不同学科边界来整合多学科知识领域的思想、方法和技术。从当前智能制造、智能装备领域研究的公开报道来看，尽管已有不少成功的融合案例，更多的研究还是停留在探索性的、学科交叉层面上的应用或集成，尤其是面对一些新出现的技术。比如直接将一些新的智能分析方法应用于已有测试数据，或者将新型传感器、数据通信技术植入机器中，提高信息获取质量，籍此提升机器效能等。深层次的融合是发展方向，也是挑战。

2 机器信息学的研究思路

机器信息学中“信息”的内涵非常丰富，既包含了与运动件密切关联的运动学、动力学信息，也包含了与机器工作过程、工作环境相关联的声、光、电、热、磁、液、气等多物理过程信息，还包含了传感器所获得的各种综合测试信息。由于与这些信息相关联的学科和技术是一个不断发展的过程，在不断融合新理论、新技术的过程中，机械产品经历着从简单机械到复杂机电系统再到新一代智能装备的升级过程。因此，尽管本文将机器信息学的概念明确提出，相关研究则早已起步，同时，由于机电系统/装备的种类繁多，应用需求和工作条件千差万别，对融合信息的种类、方式和层面也各有不同，很难对机器信息学的所有研究方法作一个完整阐述，这里仅列举两类代表性研究思路。

2.1 动力学与机器信息学

传统的机械动力学理论针对各种典型复杂机械系统的建模方法已相当成熟，近半个世纪以来，航空航天装备、高速运载工具、制造装备等先进机械系统的发展又不断为机械动力学带来各种新问题，推动着机械动力学的快速发展，至今已成为一个内容丰富的综合性学科。其研究对象包含了机构动力学、传动动力学、转子动力学、机床动力学、机器人动力学等诸多方面，研究内容覆盖建模、分析、仿真、设计、控制、监测诊断等[6]。即使在当前，机械动力学依然是许多装备技术水平提升的基础支撑，例如，新兴的发射动力学就以武器系统发射过程中受力和运动规律为研究内容，成为提高武器射击密集度和发射安全性的新技术突破口[9]。

不仅如此，机械动力学理论针对噪声特性、复杂非线性行为等方面的研究模型和方法还被推广到很多应用领域，包括过程控制、神经系统、生命科学等[10-13]，由此产生了若干与动力学相关的新学科，特别是在一些信息处理的前沿基础领域，如系统动力学、神经动力学、符号动力学等。究其根源，是因为动力学理论中各种非线性微分方程所描述的一般系统已突破经典力学体系的范畴，使其研究对象可从机械系统推广到一般的动力学系统：“力”的概念从“机械力”拓展到一般的“相互作用”，“运动”的概念也从几何空间中的“位形变化”拓展到状态空间中的“状态演化”[14]。

由此可见，动力学理论在揭示信息传递机制、传递特性、网络动态特性以及认知过程等方面具有得天独厚的优势和较完善的理论体系。事实上，信息论与动力学都在通过研究因果关系来揭示信息的演化规律，信息论还同时强调采用数学逻辑方法从数理统计角度进行研究，甚至在很多场合下，人们一直在试图采用信息论来替代统计力学[15]。将信息论与动力学相融合已成为一些新学科发展的重要手段，例如 Haken[16-17]的协同学理论(Synergistics)就是对非线性随机动力学和信息论的有机融合；美国华盛顿大学的钱纮[18]教授利用信息论和动力学理论的密切关系，将化学动力学与信息论在同一个随机动力学的框架内讨论，提出了信息为熵力的假设；20 世纪90年代，屈梁生[19-20]院士利用信息熵原理建立了故障熵测度，用于定量评价机器故障的可诊断性，是国内率先将信息论与动力学方法相结合来揭示机器状态信息的工作，不久，该团队又将信息熵与小波变换理论相结合，建立了小波熵测度[21]，成为基小波优化选择的一个指导原则，由此实现高质量的故障特征提取和诊断，得到国际同行的广泛认同和采纳。

随着人工智能、大数据技术、先进传感和通讯技术等新一代信息技术的快速发展，如何进一步发挥信息科学与动力学的互融作用，助力机器信息学发展，是需要进一步思考的问题。

2.2 多系统、多场耦合理论与机器信息学

以空天运载、高速列车、数控机床等为代表的现代复杂机电系统，是机、电、液、光等多物理过程融合于一体的复杂物理系统，也是多种单元技术集成的机电载体，工作时多种物理过程并存，各子系统与服役环境进行着能量、物质和信息流的传递、转换和演变，这些动态信息的关联和演化过程与复杂机电系统工作状态、性能密切相关，也是进行设计、制造、运维等工作的重要依据。

21 世纪初，以钟掘院士为代表的国内学者针对国产机械装备缺乏独立设计能力的现状，提出了复杂机电系统耦合设计理论[7, 22]，指出“耦合”是现代复杂机电系统的基本现象，需要从系统层面进行设计和多物理过程的融合、协同，围绕各子系统间的耦合关系，包括多尺度与异域参数关联、多物理过程耦合和多单元技术协同等方面，综合运用系统论、控制论和信息论来揭示复杂机电系统的状态信息、通过优化控制策略和参数提升其工作性能。这一理论为设计、制造、使用、运维等全生命周期中如何提升复杂机电系统的技术水平和使用效能明晰了方向。

近年来，有关机电耦合理论与应用方面的研究工作取得了快速发展，其中，以雷达、射电天文望远镜、导弹天线罩为代表的高精度电子装备的机电耦合方面的研究非常具有代表性。针对传统机电系统分离的设计方法对高精度电子装备性能、研制成本和周期严重制约的突出问题，2013 年 5 月，国家自然科学基金委召开第 94 期双清论坛，专门就电子装备机电耦合的重要性和迫切性开展研讨，指出高精度电子装备的机电耦合内涵丰富，集中体现在机械、控制、内部结构之间及其与服役环境的电、热、磁等方面的耦合[23]。

段宝岩[24]院士等国内学者在微波天线的机电热耦合、雷达天线伺服系统的控制与结构耦合、高密度组装系统的机电热耦合等方面开展了深入研究，有力提升了雷达等电子装备的一体化设计水平。由于高精度电子装备的集成度高，技术水平先进，并与电子、信息、材料、工艺等学科发展密切相关，且工作环境、技术指标等方面的要求也越来越高，多场、多尺度、多因素、多介质、多工况下的耦合理论与设计体系是发展趋势。

由上述分析可以看到，机器信息学的内涵随着机械产品及装备技术指标和品质的提升在不断丰富，主要从空间尺度、物理场维度、工作剖面、系统层级等方面进行拓展。实际上，机器信息学就是立足于多学科的交叉融合，通过不断融合越来越多的新理论和新技术来获得发展的内生动力。

3 基于数据和知识融合的机器信息学研究

随着信息技术的快速发展，数据的获取、存储和传输能力、计算机的算力、各类学习算法的学习能力都在大幅提升，为装备水平和制造技术的发展提供了巨大推动力；另一方面，这些方法、技术与制造和装备现代的结合又需要一个科学的融合过程。现代信息技术中的大数据、人工智能、云计算以及工业互联网、移动互联网集群突破、融合应用，形成新一代人工智能技术，融合在装备设计、制造、运维等全生命周期的各环节和各层面中。以机器的状态监测和诊断为例，集散控制系统和工业互联网的广泛应用，使各类装备能够实时获取包括状态数据、过程数据、指标数据等在内的各类数据，基于数据驱动的状态监测与诊断就是在此背景下提出的，发展至今，已成为机械装备监测诊断技术的主流方法。

如图 1 所示，为现有的基于数据和知识融合的诊断方法的实现框架，一方面，通过对测试数据的处理，获得诊断信息，同时，结合装备及其工作过程的专业理论和知识，对其进行诊断和评价。

近年来，随着包括各种学习算法在内的先进数据分析理论和方法的快速发展，越来越多的机器监测与诊断的论文集中在基于数据驱动的方法上。

图 1 基于数据和知识的故障诊断实现框架

3.1 融合知识的信号特征信息提取与机器性能评价

成形砂轮磨齿机和蜗杆砂轮磨齿机是两种最具代表性的齿轮磨削机床，也是典型的精密数控机床。为了实现伺服控制，在驱动电机、主轴、工作转台等关键回转部件上都安装了编码器，以实时同步获得位置环数据。

磨齿机工作台用于承载被加工齿轮并完成分度运动，其工作特性直接影响齿轮的加工质量。如图 2 所示，为某型磨齿机工作转台的传动系统简图，采用全闭环控制，编码器 E1 和 E2 分别安装于回转工作台的中心轴和伺服电机转轴上，这些数据还同时包含了机床工作性能方面的信息，如果能够充分结合相关知识，构造信息提取算法，就可以获得这些信息。

图 2 某型磨齿机工作台传动系统简图

3.1.1 案例 1：成形砂轮磨齿机加工齿轮的周节误差溯源

某型成形砂轮磨齿机试磨削时，发现被加工齿轮存在较大的周节误差，技术人员根据经验判断为工作台传动误差导致。然而，这一误差究竟源自哪些传动环节，各自贡献多少，无法获得，而这些信息是解决问题的关键。

采用计数卡对驱动电机和工作台的编码器数据进行同步采集，结合已知的理论传动比可得到工作台的传动误差曲线，如图 3 所示。传动误差随转台转角动态变化的过程清晰可见，由于传动误差曲线是各因素综合作用的结果，直接观测曲线无法得到误差的具体来源及占比。

图 3 传动误差曲线

频谱分析方法可将传动误差的时间序列变换到频率域中，得到传动误差在不同转频处的分布。考虑到实际操作过程中不一定为匀速回转，还需要对信号进行内插处理，以消除频谱模糊。

图 4 工作台转速曲线

例如，当工作台转速按照图 4 变化时，频谱为图 5 的形式，表现为有色噪声，其实是发生了频谱模糊。通过样条插值方法将传动误差从时间域非平稳信号转化为角度域平稳信号，得到了传动误差信号的阶次谱，如图 6 所示。

图 5 传动误差的频谱

图 6 传动误差的阶次谱

给出了传动误差的阶次谱，特征频谱清晰可辨，前三阶回转分量为主导。结合运动学和动力学相关知识，一阶分量对应于工作台的转频，直接反映工作台的偏心量，二阶及三阶分量反映蜗轮的不圆度，分别对应着椭圆分量和三角形分量，约占总误差的 70%，这一信息为传动系统的修形和补偿方式指明了方向，进而降低传动误差，提升工作性能。

3.1.2 案例 2：蜗杆砂轮磨齿机加工过程的同步误差溯源

蜗杆砂轮磨齿机采用连续展成法进行磨削，如图 7 所示，加工过程中，砂轮主轴 B 与工作台转轴C 的同步运动通过电子齿轮箱来实现，B 轴为主动轴，C 轴为随动轴。在某型蜗杆砂轮磨齿机的出厂测试中，发现齿轮加工表面存在规律性的纹路，初步判断为 C 轴和 B 轴之间的同步误差过大引起。

图 7 蜗杆砂轮磨齿机

对 B 轴与 C 轴的编码器数据进行同步采集。根据 EGB 的电子传动比为 70 计算，得到同步误差随C 轴转角的变化曲线，如图 8a 所示。

图 8 伺服参数优化前磨齿机的同步误差

可以看出，同步误差的峰峰值已达到 12.49″，而出厂指标为 10″，已经超标。仍采用阶次跟踪技术获得同步误差信号的阶次谱，如图 8b 所示，存在三个显著分量，分别为 C 轴的 66 倍频、70 倍频和 72 倍频。70 倍频是 B轴的转频，另外两个频率从运动件的对应关系上一未找到来源。几经辗转，最终发现 66 倍频对应于电动机转子磁极对数的二倍，72 倍频正是电动机的定子槽数，如果机电参数匹配失当，则有可能造成 C轴转速不平稳。由于这三项分量都与伺服系统增益不匹配有关，对伺服系统各反馈环节的增益系数进行重新调整和优化。

图 9 伺服参数优化后磨齿机的同步误差

图 9 给出了伺服参数优化后磨齿机的同步误差的变化情况，可以看到，伺服参数优化后，磨齿机同步误差的峰峰值从 12.49″降至 7.91″，66 倍频，70 倍频和 72 倍频的幅值均得到了不同程度的抑制，验证了分析结果。对齿轮再次进行磨削，已没有表面纹路。

由上面两个案例可以看到，虽然我们可以通过编码器信号解析出传动链的动态误差信号，并作定量分析，但必须充分结合对象的专业知识，尤其是在第二个案例中，发生了机电耦合问题，如果不了解机电耦合方面的专业知识，则只会循着机械振动分析的思路进行溯源，最终缘木求鱼，越走越远。

3.2 多信息集成与故障的动态定量诊断

机械状态监测和故障诊断领域中，对诊断信息的提取质量越高，信息集成越充分，诊断结果就越精准。滚动轴承是机械装备中最常用的机械零件，其工作状态直接影响设备的工作效率和安全运行。多年来，有关各类机械系统与装备中滚动轴承的故障诊断方法的研究热度一直不减。工作时，滚动体、内外滚道等运动副的故障缺陷会产生振动激励，甚至安装不当也会引起异常振动，因此，振动分析方法一直是滚动轴承状态监测和故障诊断最常用的方法。故障缺陷引起的振动激励具有周期特性，其周期与相关运动体通过缺陷位置的回转周期一致，如图 10 所示，为滚动轴承外圈滚道出现剥落时的振动信号。

图 10 滚动轴承发生外圈滚道表面剥落时的振动信号

因此，识别和提取信号中的周期冲击成分往往是振动分析方法的基本思路。从模型上看，周期脉冲信号是一个幅度调制信号，因此，包络谱分析一直是最为经典的滚动轴承振动诊断方法。

图 11 滚动轴承发生外圈滚道表面剥落时的信号包络谱

如图 11 所示，就是外圈滚道剥落信号的包络谱，频谱的周期性非常明显，基频与故障特征频率一致。由傅里叶定理可知，周期信号的傅里叶变换，一定在其对应频率的整倍数上存在能量，其他位置不存在。按照这一思路，当我们根据故障特征频率对应的各倍频邻域构造滤波器，将其全部滤出并进行解调，可获得高信噪比的包络成分，进而获得更为精准的故障信息。

图 12 火车轮对轴承故障检测台架示意图

如图 12 所示，为某车辆段的火车轮对轴承故障检测台架示意图。液压系统通过摩擦轮将轮对顶起并用带动其旋转，轮对上的加载轮用于施加径向负载，轮对旋转平稳后测试其振动信号，进行分析诊断。

图 13 通过特定滤波器提取后信号的包络及其局部细节

图 13 是通过构造的周期滤波器对原信号滤波后再解调获得的包络信号，周期性的冲击非常清晰，反映了外圈滚道剥落特征。进一步，观察包络波形的细节——其波峰都是分叉的，即出现了双峰，这正是动态定量诊断的关键信息，其物理机制可从图14 给出。当滚动体在进入和离开缺陷面的两个状态时，由于缺陷台阶的激励，分别会产生两个冲击，理论上就应该在包络上存在两个尖峰，按照这一机理，缺陷尺寸可由式(1)给出

图 14 双峰冲击示意图

为进一步印证这一点，分别对不同转速下的振动信号进行处理，如图 15 所示，不仅不同转速下信号的包络都出现了双峰现象，而且随时转速的变化，双峰的间隔也发生线性变化，充分表明这种双峰不是随机产生的，其变化规律也与前面的推断一致。按照计算公式，分别对不同负载、不同转速下的测得的信号进行计算，再对计算结果取平均值，为 3.84 mm，随后又对该轴承的缺陷尺寸进行了测量，测得外圈缺陷为 4.25 mm，估计误差不到 10%。

可以看到，支撑动态定量诊断的关键在于诊断信息的精准，而做到这一点，需要足够知识和信息，并具备有效的手段对其集成，融入处理算法中。上面的工作是在常规的包络谱分析的基础上，将转速补偿和滤波器设计集成在算法中，由于综合了专业知识，因而与实际情况精准匹配。

图 15 不同转速下获得的包络信号

3.3 数据、信息、知识与智能化

信息是各种物理对象的增值部分，它可以表征为各种模型、图表、数据甚至软件等；另一方面，当传感系统获得了大量的实时动态数据时，又该如何准确获得相关信息并用于指导设计、制造及运维的全过程呢？实际上，在推进装备智能化水平不断提升的过程中，人们已越来越认识到发掘和利用知识、信息和智能之间动态关系的重要性，特别是新一代信息技术的快速发展为充分发掘并利用其关联机制提供了有力支撑和手段，已成为各种产品和服务智能化水平提升的重要推动力。

(1) 知识依然是基础性支撑。以深度学习理论为代表的新一代信息处理技术使包括机器视觉、自然语言处理、语音识别等许多领域进入了“自动化革命”时代。

越来越多的应用表明，仅仅依靠数据来揭示系统信息是不够的。张钹[25]院士在论述第三代人工智能的发展趋势时指出，“按照大数据建起来人工智能系统似乎不可信、不可靠、不安全、不易推广，”需要“重新引入知识，把数据驱动和知识驱动结合起来”。这一思路对机器信息学的研究同样具有重要的指导意义。

有关知识对设计、制造的作用，谢友柏院士做过深入的论述[26]，指出“中国制造业的根本问题是设计竞争力不够，设计竞争力的基础是知识。面对数字化时代大发展，欧洲在对制造业的知识供给方面有丰富的经验，中国却始终未能将知识供给和制造业的设计竞争力紧密联系起来”。然而，无论是近期发布的《欧洲工业的未来—欧洲制造业 2030》，还是目前的各种峰会以及关于大数据、人工智能等领域的世界大会，都“没有区分‘数据’和‘信息’、‘信息’和‘知识’之间的差别”，“基本不谈知识的供给和运用”。

(2) 认知是数据、信息和知识逻辑关联的高级阶段。认知技术是人工智能的高级阶段，用来完成以往只有人能够完成的任务，它强调归纳、推理和运用知识的能力。一方面，现阶段的人工智能方法和技术侧重在感知层面，大多是基于数据驱动的人工智能。从数据到信息再到知识(结构)是认知计算，从知识到信息到数据(解构)是计算认知。另一方面，随着大数据技术的发展，基于大数据驱动的人工智能成为当下热点，大数据的应用和计算机算力的大幅提升，满足了深度学习方法提升和完善的需求。

从当前认知技术发展水平来看，必须有要有充足的知识或数据进行支撑，且往往在特定领域与单任务的场景下适用。单纯的数据驱动只能学习重复出现的片段，无法学习具有语义的特征。因此，后深度学习时代将知识驱动与数据驱动结合，走向真正的人工智能。基于知识、大数据、机器学习方法相融合的装备诊断策略如图 16 所示。

图 16 基于大数据、知识和机器学习理论相融合的诊断框架

从数据端入手，针对大数据的特点，通过各种信号处理方法获得多维特征参数，再对学习网络进行训练，最终建立精准的关联映射模型，实现设备状态的诊断。在建立多维输入参数时，如果充分结合专业知识，所得到的多维特征参数就携带了装备特定层面的物理信息，就更有利于得到准确的结果。同时，还要根据不同类型信息的耦合关系，选择适当的深度学习网络模型和参数。

4 结语

装备技术的发展对机器信息学提出了越来越高的要求，同时，以新一代信息技术为代表的各种前沿理论和技术又为机器信息学的发展提供了有力手段。大数据技术、人工智能方法等已在诸多领域的应用取得实效，随着应用的拓展，一些深层次的问题也逐渐暴露出来。例如，由于人工智能在很多场合被看作是“‘通用’人工智能”，导致“忽略了其中较难的问题，即关于认识的那部分”，使得应用效果难以满足预期。

本文提出的“机器信息学”，针对的就是信息技术与装备技术、制造技术融合过程所面临的学科断层问题。它立足于机器设计、制造、服役、维护等全生命周期中所有与机器自身及其作用环境相关的静态和动态信息，强调多学科融合，并致力于揭示内在物理机制，服务于装备品质的提升。之所以一些新技术的应用未有显效，还是因为融合不够，产生了“木桶效应”，此时，再长的“长板”也不能弥补“短板”之短，唯有补齐短板并紧密结合，方能产生效益。

本文给出的几个实例主要是表达数据处理和专业知识紧密结合的重要性及实现方式，如何进一步与人工智能、大数据技术紧密结合则是需要进一步研究的问题，也是机器信息学未来发展的一个重要方向。

作者简介

林京，男，1971 年出生，博士，教授，博士研究生导师。主要研究方向为机械装备动态测试与诊断、结构健康监测、机械系统可靠性，智能制造与控制等。

参考文献

[1] 周济. 智能制造—“中国制造 2025”的主攻方向[J].中国机械工程，2015，26(17)：2273-2284.ZHOU Ji. Intelligent mannfacturing：Main direction of “Made in China 2025”[J] ， China Mechanical Engineering，2015，26(17)：2273-2284.

[2] 梅克保. 加快发展智能制造 着力推动制造业高质量发展[J]. 中国发展观察，2019(23)：18-19，65.MEI Kebao. Accelerate the development of intelligent manufacturing and focus on promoting the high-quality development of manufacturing[J]. China Development Observation，2019(23)：18-19，65.

[3] 杨叔子，吴波. 依托基金项目，开展创新研究——国家自然科学基金重点项目“智能制造技术基础”研究综述[J]. 中国机械工程，1999(9)：3-5.YANG Shuzi，WU Bo. Survey of the NSFC project：Intelligent manufacturing technology foundation[J]. China Mechanical Engineering，1999(9)：3-5.

[4] 闫纪红，李柏林. 智能制造研究热点及趋势分析[J]. 科学通报，2020，65：684-694.YAN Jihong，LI Bailin. Research hotspots and tendency of intelligent manufacturing[J]. China Sci. Bull.，2020，65：684-694.

[5] 宁振波. 信息物理系统，支撑两化深度融合[N]. 中国电子报，2018.NING Zhenbo. The cyber-physical system supports the deep integration of industrialization and informationization[N]. China Electronics News，2018.

[6] 张策. 机械工程史[M]. 北京：清华大学出版社，2015.ZHANG Ce. History of Mechanical Engineering[M].Beijing：Tsinghua University Press，2015.

[7] 钟掘. 复杂机电系统耦合设计理论与方法[D]. 北京：机械工业出版社，2007.ZHONG Jue. The theory and method of coupling design of complex electromechanical system[D]. Beijing：China Machine Press，2007.

[8] 屈梁生，胡兆勇. 机械产品的信息化—面向机械装备的信息技术[J]. 中国工程科学，2004(11)：20-28.QU Liangsheng ， HU Zhaoyong. Informatization of mechanical product：Some information techniques for mechanical equipment[J]，Strategic Study of CAE，2004(11)：20-28.

[9] 芮筱亭. 多体系统发射动力学进展与应用[J]. 振动.测试与诊断，2017，37(2)：213-220，398.RUI Xiaoting. New developments in launch dynamics of multibody system and its applications[J]. Journal of Vibration，Measurement & Diagnosis，2017，37(2)：213-220，398.

[10] 朱位秋. 非线性随机动力学与控制研究进展及展望[J].世界科技研究与发展，2005(1)：1-4.ZHU Weiqiu. Recent developments in nonlinear stochastic dynamics and control[J]. World Sci-Tech. R & D，2005(1)：1-4.

[11] 王如彬. 神经动力学研究进展[J]. 动力学与控制学报，2020，18(1)：1-5.WANG Rubin. Research advances in neurodynamics [J].Journal of Dynamics and Control，2020，18(1)：1-5.

[12] 贾祥宇，吴禹. 动力学与生命科学的交叉研究进展综述[J].动力学与控制学报，2017，15(3)：279-288.JIA Xiangyu，WU Yu. An overview on progess of interdisciplinary studies of dynamics and life sciences [J].Journal of Dynamics and Control，2017，15(3)：279-288.[13] 顾凡及. 神经动力学：研究大脑信息处理的新领域[J]. 科学，2008，60(2)：11-14 GU Fanji. Neurodynamics ： A new field of braininformation processing research[J]. Science，2008，60(2)：11-14

[14] 陆启韶. 神经动力学与力学[J]. 动力学与控制学报，

2020，18(1)：6-10.LU Qishao. Neurodynamics and mechanics[J]. Journal of Dynamics and Control，2020，18(1)：6-10.

[15] JAYNES E T. Probability theory：The logic of science[M]. Cambridge：Cambridge University Press，2003.

[16] HAKEN H. Synergetics-An introduction：Nonequilibrium phase transition and self-organization in physics ，chemistry and biology[M]. New York：Springer-Verlag，1983.

[17] HAKEN H. Information and self-organization ： A macroscopic approach to complex systems[M]. New York：Springer，2010.

[18] 钱紘. 信息与熵力-生物细胞的物理描述—化学反应动力学和信息论[J]. 中国科学：生命科学，2017，47(3)：257-261.QIAN Hong. Information and entropic force：Physical description of biological cells，chemical reaction kinetics，and information theory[J]. Sci. Sin. Vitae.，2017，47：257-261.

[19] 屈梁生. 谈谈机组故障的可诊断性问题[J].设备管理与维修，1994(5)：22-23.QU Liangsheng. Talk about the diagnosability of unit faults[J]. Plant Maintenance Engineering，1994(5)：22-23.

[20] 屈梁生，张海军. 机械诊断中的几个基本问题[J]. 中国机械工程，2000(Z1)：211-216.QU Liangshan，ZHANG Haijun，Some basic problems in machinery diagnostics[J]，China Mechanical Engineering，2000(Z1)：211-216.

[21] LIN Jing，QU Liangsheng. Feature extraction based on Morlet wavelet and its application for mechanical fault diagnosis [J]. Journal of Sound and Vibration，2000，234(1)：135-148.

[22] 钟掘，陈先霖. 复杂机电系统耦合与解耦设计—现代机电系统设计理论的探讨[J]. 中国机械工程，1999(9)： 3-5.ZHONG Jue，CHEN Xianlin. Coupling and decoupling design for complex electromechanical system[J]. China Mechanical Engineering，1999(9)：3-5.

[23] 王国彪，段宝岩，黎明，等. 高精度电子装备机电耦合研究进展[J]. 中国科学基金，2014，28(4)：241-250.WANG Guobiao，DUAN Baoyan，LI Ming，et al. Research progress on electromechanical coupling of high-precision electronic equipment[J]. Bulletin of National Natural Science Foundation of China，2014，28(4)：241-250.

[24] 段宝岩. 电子装备机电耦合研究的现状与发展[J]. 中国科学：信息科学，2015，45(3)：299-312.DUAN Baoyan. Review of electromechanical coupling of electronic equipment[J]. Scientia Sinica：Informationis，2015，45(3)：299-312.

[25] 李钊. 张钹院士谈第三代人工智能发展趋势[N]. 科技

日报，2020. LI Zhao. Academician Zhang Bo talks about the development trend of the third generation of artificial intelligence[N]. Science and Technology Daily，2020.

[26] 谢友柏. 读《欧洲工业的未来-欧洲制造业 2030》看中国制造业[J]. 中国机械工程，2019，30(24)：3018-3023.XIE Youbai. After reading towards the re-industrialization of Europe：A concept for manufacturing for 2030 to see manufacturing in China[J]. China Mechanical Engineering，2019，30(24)：3018-3023.