数字孪生 (Digital Twin, DT) 的概念，始于 2003 年密歇根大学 GRIEVES 教授的产品全生命周期课程。直到 2011 年，GRIEVES 与美国宇航局 VICK - ERS 才正式将其命名为数字孪生。数字孪生技术已成为多个领域的热点方向，研究成果覆盖建筑、电力、交通和医疗等 50 多个领域，并被广泛用于产品的生命周期各阶段，如产品设计、生产制造和运维服务等。工业数字孪生系统 (industrial Digital Twin System,iDTS) 是数字孪生技术在工业领域的应用实践，通过为实体系统构建完全一致的三维虚拟模型，能全面、精准反映实体系统的动态变化，具有虚实交互、数模融合、迭代优化、实时控制等典型特征。iDTS 的运行模式主要包括本地化配置的运行模式、基于 “云 - 端” 的运行模式、基于 “云 - 边” 的运行模式和基于 “云 - 边 - 端” 的计算模式；其中，基于 “云 - 边 - 端” 的运行模式是一种智能车间的典型运行模式。

在基于 “云 - 边 - 端” 的 iDTS 系统中，云端主要负责存储模型数据、处理大规模数据集、离线分析和训练模型。边缘端主要负责实时数据的采集、处理、传输和执行模型推理，云端和边缘端设备之间的协同工作至关重要。通过合理设计架构，能够实现系统的高效数据处理、模型推理、实时显示与控制。

当前，在车间生产智能管控过程中，在应对复杂动态环境、多孪生 - 任务和及时反馈控制等需求时，iDTS 往往面临一些挑战和障碍。以大型需求为核心的人工智能 (Artificial Intelligence, AI) 正在改变各个领域的传统技术方案，为 iDTS 系统实施提供了新方法。AI 正在与数字孪生一起融入机械装备研发设计、生产制造和运维服务等产品全生命周期中，为数字孪生模型的构建、运行和决策提供了强大的智能化能力。

多智能体系统 (Multi - Agent System, MAS) 能够通过智能的协同和决策，实现对复杂生产环境的更精准模拟和优化管理。iDTS 系统与集成了 AI 技术的多智能体相结合，为解决车间生产智能管控过程中的难题提供了新的技术路线。基于多智能体的 iDTS 由人、设备、环境、孪生仿真系统和计算系统等多个智能体构成，是一个融合多智能体、AI 算法和数字孪生技术的新一代 iDTS 系统。在 AI 与多智能体融合的新一代 iDTS 系统中，通过多智能体的分布式计算和协同工作，实现系统的高效实时仿真求解，进而解决动态时变环境和任务带来的复杂数字孪生建模及生产过程大数据实时计算等难题。

针对上述难题，本文提出了一种基于多智能体的 iDTS 云边端架构及其关键技术。在该架构中，云边端协同技术将多智能体的实时计算与决策合理地分布到云端和边缘，通过有效的负载均衡机制和动态分配方法, 将计算任务均匀地分配到不同的计算节点，以提高系统的实时性和稳定性，同时也可以降低单点故障带来整个系统停机的风险。本文旨在探索一种基于多智能体的 iDTS 系统的云边端架构，并提炼基于多智能体的 iDTS 系统云边端协同关键技术。

1 基于多智能体的 iDTS 系统

1.1 iDTS 系统及其云边端架构

iDTS 是一个面向工业产品全生命周期的系统，涵盖需求分析、方案设计、生产制造和运行维护等各个阶段。该系统利用数字孪生技术，创建了包含所有元素、所有流程和所有业务的数字孪生体。通过物理对象与数字孪生体的双向映射和实时交互，iDTS 实现了产品优化设计、生产线规划仿真、制造过程优化和服务运行调控等功能。除了具备精准映射、虚实交互、智能反馈和优化迭代等主要特点外，iDTS 还具有以人为中心、“人 - 机 - 环境” 共融、系统高保真和模型超复杂等典型特点。

当前，对于 iDTS 系统的研究已经在高端装备、智能生产线等多个领域取得了进展。在国内，陶飞团队、宋宇团队等分别从数字孪生装备、重大装备多学科 - 体化数字孪生等方面展开了研究。刘晓军、刘强、刘振宇等团队分别从基于数字孪生的生产级仿真、生产单元数字孪生建集成调试方法 以及机器人装配线分布式数字孪生模等方面展开了研究。在国外，FAHIM 等利用数字孪生技术建立了基于深度学习的风电场电预测模型，通过对风电场的远程监测，可提前预估发电量。MO 等提出了一种结合数字孪生和模块化人工智能算法快速重构制造系统的方法，系统可根据需求变化动态做出决策，并通过改变生产布局、工艺参数和操作时间，以实现制造系统的动态重构。ZHANG 等提出了一种基于数字孪生的中空玻璃生产线快速个性化设计和多目标优化方法。

云边端架构在解决 iDTS 数据采集与实时交互、负载均衡及数据安全等方面具有一定的优势。谷牧等构建了一种基于云边端的企业数字孪生系统。LIN 等提出一种设备 - 边缘 - 云协同的 iDTS 系统架构，利用轻量级容器实现数字孪生系统在云、边缘和设备端的便捷部署、按需并行调度和运行，从而减少资源消耗，提高效率。LIAO 等和 HUANG 等利用云边数字孪生模型提出了一种用于低碳电气设备管理的方法技术，分别提出了一种利用云边数字孪生模型的自动化系统在线异常检测方法，利用边缘计算技术，实现了设备数据的实时采集和处理。常丰田等和张超等针对数字孪生制造单元的特性，分别设计了一种 “端 - 边 - 云” 协同框架和基于智能合约的边 - 云协同运行与智能化管控机制。孟麒等提出一种基于云 - 雾 - 边协同的数字孪生制造仿真过程动态扰动响应方法。

王跃飞等和 GAO 等利用云边端协同技术，分别提出了一种数字孪生任务混合调度策略和数字孪生柔性作业车间调度框架，解决了智能制造系统虚实交互的快速响应问题和无冲突路由的实时调度问题。WANG 等提出了一种基于云 - 边协同的信息物理机床 (Cyber-Physical Machine Tool，CPMT) 架构，将数字孪生建模和数据处理从云端下放到边缘计算设备，通过一种启发式算法，实现了对响应速度、负载平衡、能量消耗和资源利用率等要素的综合优化。ZHANG 等 提出了一种用于协同移动边缘计算 (collabo-rative Mobile Edge Computing，MEC) 的学习驱动的智能任务卸载方法，将任务卸载建模为马尔可夫决策过程并用深度强化学习对其进行优化，实现最优的任务分配。李琳利等搭建了一个基于云边端协同的 iDTS 安全数据交互系统架构，实现了安全数据交互实时性。

1.2 iDTS 系统与多智能体系统

1.2.1 多智能体系统

随着数字孪生应用的不断深入，工业生产在面临复杂环境和多任务等特殊工况下，单纯基于数字孪生技术可能无法有效解决系统控制问题，需要更智能化和灵活性的控制决策方法。AI 技术具备强大的数据处理和智能决策能力，可以应对复杂的工业场景和多变的生产需求。将 AI 技术集成到 iDTS 系统，通过多个智能体之间的协作和交互，以及 MAS 的高度自主和协同进行全局优化，在特定工况下可以有效解决复杂系统的控制问题。MAS 具有自适应性、强鲁棒性和强可靠性等优点，将其融入 iDTS 系统，有望实现对工业生产过程更深层次、更精准的理解和控制，从而进一步推动工业智能化的发展。

多智能体系统是 AI 的主要应用领域之一，由多个独立智能体组成，它们通过交互合作完成复杂任务。单个智能体则具备自主感知、学习、决策和执行能力，能根据目标和环境变化，与其他智能体进行信息交换和协调，做出适应性响应。多智能体间通过通信和交互共享信息，包括直接物理交互和网络信息传递，这种交互是实现协同工作的关键，即通过共享信息和协同行动实现共同目标。智能体根据其实现方式可被分为软件智能体和硬件智能体。软件智能体的行为和决策是通过基于算法和逻辑规则的软件程序实现的，它们在计算机系 统中运行，可通过软件接口与其他智能体进行通信和交互；智能客服、虚拟助手、搜索引擎算法等是软件智能体的典型应用。软件方面研究取得了一定进展。

例如，PLAO 等提出了一种基于多智能体强化学习的供应链库存管理方法，通过多个智能体之间的协作和竞争，实现对供应链复杂系统的优化控制。硬件智能体是通过物理硬件的感知和执行功能实现的，可以直接与物理世界进行交互 [37]。硬件智能体通常嵌入在传感器、执行器或智能机器人等物理设备中，通过嵌入式系统或专用芯片来执行任务。在工业领域，硬件智能体在能源管理、设备维护等方面的研究取得了一定进展。研究表明，针对具有多台机器和多个阶段的复杂制造系统，多智能体系统通过大量学习已有的维修策略和维修知识，在考虑机器故障随机性的前提下，所生成的维修策略在故障预测和停机时间方面优于传统方法。基于新一代 AI 技术的多智能体系统当前已经在工业领域展现出了优异的性能和广阔的应用前景。

1.2.2 融合 MAS 的 iDTS 系统应用

融合 MAS 的 iDTS 系统具有自主决策、自适应与优化的特点，在工业生产和管理中发挥着重要作用。通过智能体的智能算法，iDTS 系统能够从大量实时数据中提取关键信息，进行智能化分析和预测，从而实现对工业过程的实时监测和智能决策。智能体能够根据实时数据和环境变化，调整系统参数和控制策略，实现对工业生产过程的动态优化和调整，从而提高生产效率和质量。

数字孪生和 MAS 在工业领域的融合应用已经取得了一定进展。王岩等构建了一个基于多智能体的掘进工作面 “人 - 设备 - 巷道 - 环境” 协同作业过程数字孪生体模型，通过研究掘进工作面并行作业过程中单智能体和多智能体的状态跃迁机制，实现了掘进工作面几何物理模型与离散逻辑模型的有机融合。张天等针对航天器试验过程中存在的周期长、成本高与其他制造环节海量数据共享困难等问题，提出基于数字孪生和多智能体的智能试验体系架构设计方法。宋思蒙等提出了一种基于智能体协商的模块化生产数字孪生系统重构机制。ZHENG 等从产品质量控制的视角提出了一种基于多智能体架构的制造过程数字孪生建模方法。NIE 等介绍了一种基于多智能体和物联网框架的数字孪生技术，通过多智能体系统协调不同的制造资源和设备，从而优化生产过程控制，提高整个生产系统的效率和灵活性。LATSOU 等提出了一种基于数字孪生和多智能体的复杂制造系统自动化异常检测和瓶颈识别方法，通过将数字孪生与 MAS 相结合，可以实时监测制造系统的运行状态，并快速准确地检测异常情况和识别瓶颈环节。NIE 等提出了一种多智能体和云边协同的数字孪生框架，该框架集成了 MAS 和云计算技术，以支持分布式制造环境中的生产控制决策。数字孪生和 MAS 的融合在多个工业领域已经取得一定进展，未来有望深度融合，全面提升复杂工业系统的智能化水平。

2 基于多智能体的 iDTS 系统典型特征与云边端架构

2.1 典型特征

基于多智能体的 iDTS 系统由人、装备、环境、孪生仿真系统和计算系统等多智能体构成，是一个多智能体、AI 算法和数字孪生融合驱动的新一代 iDTS 系统。多智能体具有自主性、交互性、反应性和适应性等基本特征，能够在复杂多变的环境中独立完成任务，基于多智能体的 iDTS 系统在自主学习、实时计算、调度优化、智能决策等方面有独特优势，其典型特征主要体现在云边端协同、分布式计算、自学习优化、自适应调度和自治性控制 5 个方面。

（1）云边端协同 云边端协同架构是一种模块化分布式架构，通过在云端、边缘和终端设备之间协同处理各种计算任务，以满足 iDTS 对算力资源、负载均衡、快速响应和本地安全的需要，从而提高 iDTS 的整体性能。在云端，iDTS 依托上传的实时感知数据和边缘处理数据，进行大规模模型训练和深度学习算法的应用。边缘端主要负责处理本地产生的数据，以降低云端负载。终端设备实时感知周围环境和生产过程数据，接收来自边缘端的控制指令，并对设备参数进行动态调整，以提高设备的实时运行效率。

（2）分布式计算 首先，分布式计算可以提供强大的计算能力，使得复杂的算法和模型得以高效运行，iDTS 通过分解复杂任务并分配给不同地理位置、不同网络环境的多台计算机进行协同处理，可以高效完成大规模的计算任务。其次，智能体可以根据实时数据和预算算法，将计算任务均匀地分配到不同的计算节点，可以降低单点故障的风险，提高系统的稳定性和鲁棒性。在分布式计算仿真过程中，主服务器可以作为 AI 算法的大脑，负责决策、学习和优化，而辅助服务器作为执行部分，负责环境初始化、状态更新等数字孪生仿真运行的具体任务。

（3）自学习优化 大数据技术为智能体提供了丰富的训练数据和实时环境信息，AI 算法为智能体赋予自学习能力，使智能体能够不断自主学习和适应新的环境，具有自感知、自分析、自决策和自执行等功能。系统能够不断从实时环境、历史数据和实时数据中学习，持续优化自身性能和决策质量，通过不断学习和积累经验，智能体可以逐渐优化自身的决策和行动策略，以适应不同的环境和任务。

（4）自适应调度 自适应调度与负载均衡在 iDTS 云边端架构中起到重要作用。通过自适应调度技术实现负载均衡，能够提高系统的可用性和可靠性。每个智能体都是一个独立自主的计算和运行单元，iDTS 系统能够实时监控各智能体的工作负载，并支持多智能体的协作和信息共享，系统根据各智能体工作负载变化自适应调整分配策略，动态调整任务分配，满足生产过程的动态变化。

（5）自治性控制 每个智能体都是一个独立自主的决策单元，可以在边缘设备上独立运行并实现自治性控制，同时，也能在系统中实时处理数据并自主做出决策。在 iDTS 系统中，可以按照工艺顺序依次完成一个个任务中的多个子任务，并通过基于模型的仿真完成方案验证。在物理系统执行过程中，各实体单元能够根据环境变化和任务需求，依次完成仿真系统验证的任务。同时，各智能体能够快速做出高效且准确的决策控制，提升系统的整体性能。

2.2 系统架构

基于多智能的 iDTS 云边端协同架构是将云计算、边缘计算和设备端计算相结合（如图 1），构建起一套完整的智能 iDTS，该架构能够实现数字孪生技术与多智能体系统的深度融合，并提高系统的实时性和负载均衡性。

图 1 基于多智能体的工业数字孪生系统云边端协同架构

基于多智能体的 iDTS 云边端协同架构分为五层，分别是物理层、感知层、孪生层、应用层和关键方法层。在作者团队提出的 iDTS 基本框架的基础上加入关键方法层，去掉了原来的控制层，是因为系统在个性化定制需求的驱动下，不再需要由于业务流程固化而形成逻辑关系固定的集中式控制模式，而是追求分布式协同控制，原控制层的功能以智能体协同的方式融入到了其他层。架构中每一层中的各类智能体各司其职，通过交互协同完成任务目标。层与层之间则依赖交互管理智能体、消息智能体和协作智能体等通过交互、协作和竞争，实现分布式协商控制，共同提升系统的智能化和效率。

在设备端物理层，由人员、终端设备（制造装备、物流装备等智能设备）、生产环境、精益化制造系统等组成了一个 “人 - 机 - 环境” 共融的工业系统。在物理层，各种物理智能体协同控制，完成订单任务（领料、运输、维修等任务）与制造资源的匹配调度、加工、过程控制、报工入库、维修服务等作业，不同的任务通过智能体自主选择合适的设备、参数和运输方式等，动态组合成一个柔性制造单元，实现生产过程的自动化和智能化。交互管理智能体负责接收和执行边缘端下达的任务指令，并协调组织其他智能体组合成动态的柔性制造单元，按照工艺顺序形成一套完整的、智能化的生产体系。

在边缘端感知层，由一些物联网网关、边缘计算机、传感器、摄像头、无线射频识别设备等边缘设备组成了一套物联网感知系统。该系统将一部分数据处理、优化计算、减少传输延迟和提高网络效率，以降低云端负载和应用分散部署在本地处理边缘。在边缘端感知层，数据采集、处理、建模和应用分别由专门的智能体负责，这些智能体通过交互与协作实现了数据从采集到应用的自动化和智能化。其中交互管理智能体既负责与物理层进行交互，完成数据采集和指令下发，又负责与孪生层进行交互，完成数据交互、状态反馈和信息同步。

在云端孪生层，由孪生数据、孪生模型、孪生环境、人机接口等组成工业数字孪生模型。其中，数据服务智能体负责对孪生数据进行建模、优化和分析，不但可以对制造资源进行调配和实时调度，还能对生产节拍、物流路径和能源消耗等进行优化，还可以预测生产质量和设备故障，优化整个生产流程。孪生建模智能体负责利用大数据和生成式 AI 技术进行孪生建模与模型更新、数模驱动的仿真监视、决策控制与迭代优化等任务。环境配置智能体负责对环境的建模、动态配置以及与物理环境的交互映射。交互管理智能体同时负责与感知层和应用层的数据交互、协作控制，支持实现数字孪生系统的虚实交互、数模融合、反馈控制和迭代优化等功能。

在云端应用层，在产品生命周期各环节实现孪生数模融合驱动的各种应用服务。通过交互管理智能体与其他各类业务智能体之间的交互与协作，基于孪生数据和模型开发面向典型场景的应用服务，实现基于多智能体的仿真优化、分析预测、监视控制、巡检运维、计划调度和物流规划等应用。

关键方法层由五类关键技术组成，这些关键技术是其他四层协调运行的支撑技术，将在第 3 章展开介绍。

3 基于多智能体的 iDTS 系统云边端协同关键技术

3.1 模型驱动智能体自学习优化方法

基于多智能体的 iDTS 系统中的每个智能体都需要具备自学习优化和协同控制的能力，以适应复杂多变的生产环境和任务需求。大模型和行业专用模型作为工业人工智能领域的重要技术工具，为基于多智能体的 iDTS 系统的发展提供了新的思路和方法。基于多智能体的 iDTS 系统通过接入专用模型，可以实现故障诊断、结果预测、决策制定和优化控制等功能。在接入大模型后，iDTS 系统借助大模型强大的语言理解与生产能力、知识整合与应用能力和逻辑分析与推理能力，使得智能体能够与其他智能体进行交流和协作，实现自主学习优化和协同控制。

图2 大模型驱动的多智能体协同控制方法

本文提出了一种模型驱动的 iDTS 系统的多智能体自学习优化与协同控制架构（如图 2），分为智能体层、数据层、训练层和应用层，每个区域都包含多个子模块或组件，它们之间通过箭头连接，表示数据或信息的流动。其中，智能体层包括记忆存储、规划、行动和工具使用 4 个模块。记忆模块用于存储已学习的知识及临时任务信息。规划模块包括事前规划和事后反思两个阶段。事前规划阶段负责对未来行动的预测和决策制定；事后反思阶段用于检查和改进计划中的不足，形成长期记忆，帮助智能体更新对世界的认知。工具使用模块指的是智能体利用外部资源或工具来执行任务。行动模块则是智能体实际执行决定或采取行动的部分。

数据层包含了不同类型的数据源，既包含多源异构的孪生数据，如实景数据、仿真数据、融合数据、衍生数据等，也包含可获得的外部数据，如一些结构化和非结构化的文本、图片、视频、模型等数据。这些数据被传输到训练层，用于训练和优化模型。

训练层包括通用预训练大模型、带掩码的多层注意力机制等组件，用于处理和分析数据，以生成可用于应用层的模型或算法。

应用层包含各种应用场景，如产品设计过程、工业生产过程等。应用层的模块依赖于训练层和数据层提供的支持。数据层提供原始数据，这些数据被传输到训练层进行处理和分析，生成的模型或算法再被应用到应用层的各种场景中。这种设计方式使系统能够灵活地处理不同类型的数据，并将处理结果应用于不同的应用场景。

在智能体层，大模型驱动多智能体进行自学习优化，iDTS 系统借助大模型的高级智能形成一个自学习的闭环系统。图 3 中提出了一套多智能体自学习方法来实现图 2 中多智能体的闭环自学习过程，该方法利用已训练好的大语言模型对 iDTS 系统的历史数据进行阅读和分析理解。再针对不同智能体的角色和功能，从历史数据中搜集与其相关的数据，并基于语言逻辑将这些数据编辑成相应智能体的领域知识库。智能体本身是一种具有语言和逻辑能力的大模型智能代理，在执行特定角色任务时，主要依赖其领域知识库进行查阅和参考，从而完成不同智能体特定的领域任务。在构建这些知识库的过程中需要不同角色的大模型智能体参与，多个角色的大模型智能体协同配合实现自学习。来自 iDTS 系统的数据首先需要经过 “数字孪生系统描述 Agent” 的处理。

图3 大模型驱动的多智能体自学习方法

该 Agent 将 iDTS 系统的各种状态描述为特定的语义，并存储在历史数据库中。这些描述格式可能包括自然语言描述、数学表达、图表等多种形式，以确保数据可以被其他智能体解读。接下来，文本理解 Agent、图像理解 Agent 等角色功能智能体从历史数据数据库中读取数据，理解其含义，并用自然语言和数学语言描述为基本的语料库。其中，文本理解 Agent 负责读取和理解文本数据，将其转化为自然语言描述和数学语言表达。图像理解 Agent 负责处理图像数据，提取图像中的关键信息，并用自然语言和数学表达描述这些信息。图中知识编辑 Agent 的角色是根据人对系统的期望目标，从语料库中提取素材并编辑出关于 iDTS 系统的知识。人对系统的期望由一个评估者 Agent 来拟合，评估者 Agent 需要阅读、分析、理解大量的人对系统运行状态的评判，从而领会人的意图。知识编辑 Agent 在构建知识库时需要与评估者 Agent 协同。知识库的描述形式包括自然语言、数学语言、图表、逻辑图等。知识编辑 Agent 的任务包括：从语料库中提取相关数据；根据系统目标，对数据进行整理和结构化；用自然语言、数学语言和其他形式描述知识，以便后续使用。编辑完成的知识库将交给领域知识库构建智能体。该智能体根据特定智能体的角色功能，从知识库条目中分类和提取，并建立与特定角色智能体业务相关的领域知识库。知识库中包括：相关领域的基础知识、历史数据和经验、业务范例和案例分析、逻辑推理和决策规则。每一个特定决策执行 Agent 由一个基础大模型和领域知识库构成。领域知识库作为外部单独存在的知识库，也可以通过对智能体的再训练整合融入到智能体内部。决策执行 Agent 根据知识库中记录的自身角色功能属性、历史经验和业务范例等知识执行决策任务。决策形式包括：以自然语言指令形式实现对执行器的控制和对系统的调控；基于数学模型进行分析和预测，指导系统优化；通过图表和逻辑图展示决策过程和结果。

大模型驱动的 iDTS 系统多智能体自学习优化与协同控制方法，实现了对复杂系统的实时监控、优化和控制。其动态适应性、高效决策能力、人机协同能力及持续学习与优化特性，使其在工业和其他应用领域具有广阔的前景和发展潜力。

3.2 多智能体交互的时钟同步与共享方法

虚实同步是 iDTS 的基本特性，融合多智能体的 iDTS 虚实同步是实现多资源协同与实时调度的基础。iDTS 虚实同步技术主要包括实时时钟同步和数据同步共享两方面。在分布式的 iDTS 系统中，时钟同步和数据同步是指各个节点的时钟和数据均保持一致的过程。时钟同步可以确保各个节点的数据采集和处理时间是一致的，从而避免数据的不一致性和错误。数据同步可以确保各个节点的数字模型与物理实体的状态是一致的，从而实现对物理实体的准确监测和控制。然而，在云边端环境下实现基于多智能体的 iDTS 虚实同步的难点在于时钟同步与数据同步共享。在基于多智能体的 iDTS 系统中，每个智能体都代表着一个物理实体或虚拟模型。这些智能体之间通过消息传递进行通信和协作。为了实现时钟同步和数据同步共享，要在智能体之间建立一个统一的时间基准，并确保数据的一致性和准确性。为此，本文提出了一种基于多智能体的 iDTS 系统云边端时钟同步与数据同步共享方法（如图 4）。

图 4 基于多智能体的 iDTS 云边端时钟同步与数据同步共享方法

在图 4 中，系统架构被分为三层，其中，云端数据中心部署了时钟服务器、中央数据库、计算资源管理与调度服务器等，边缘端部署了边缘数据中心、智能网关和控制器等，设备端则由智能设备、传感器和执行器等组成。

（1）时钟同步 本文采用了基于多智能体的分层时钟同步方法进行时钟同步。首先，建立时间基准，在云端设置了一个时钟服务器，选择 GPS 时钟或原子钟作为整个系统的时钟基准。将时间基准通过云端时钟同步 Agent 发送到边缘端和设备端中的每个 Agent 中，使它们能够获取到统一的时间信息，以实现全局时钟同步。然后，使用定时消息机制或精确时间协议（PTP）、网络时间协议（NTP）等技术，云端服务器中的时钟同步 Agent 按照固定的时间间隔向边缘端和设备端中的其他 Agent 发送时钟同步消息。在收到时钟同步消息后，采用分布式共识算法（Paxos、Raft 算法等）促使各个 Agent 对时间基准的一致性达成共识。然后各个 Agent 根据消息中的时间信息调整自己的本地时钟，以确保各节点的时钟同步。值得一提的是，定期对时钟同步的误差进行监测、评估、校准和优化是非常必要的。

（2）数据同步与共享 本文采用了实时数据库、中央数据库和缓存相结合的方法。首先，在边缘端部署实时数据库，通过数采 Agent 采集物理层设备端的实时数据，这些实时数据通过快速数据压缩和解压技术经由数据传输 Agent 被存储在边缘服务器或者直接被上传至云端，此过程实现了数据的快速采集、传输和存储。其次，在云端，数据经由数据管理 Agent 被上传到云端中央数据库进行存储、处理、建模和分析，一些需要下发的指令和控制数据则从中央数据库经由数据传输 Agent 下发到边缘端的智能网关和设备端的智能设备中，并将其存储在本地缓存中，以提高数据的访问速度和响应时间，此过程实现了数据的同步与共享。此外，所有数据服务器均采用分布式部署，使用容器编排工具（如 Ku-bernetes 等）对计算资源进行调度和管理，确保资源的合理分配和负载均衡，此举也能促进数据的同步与共享。

本文采用基于多智能的 iDTS 系统云边端时钟同步与数据共享方法，不仅确保了系统物理空间与虚拟空间的时钟同步与数据同步共享，还可以通过信息物理之间的高效、实时映射、交互和协作，实现对物理系统的实时监控、精准控制和动态优化，并最终提升系统的整体运行效率。

3.3 多智能体协同的分布式控制方法

生产过程智能分布式控制是一种面向大规模个性化生产的先进控制方式。在大规模个性化场景下，生产过程 iDTS 需要采用模块化的系统架构和分布式的智能控制方式，以满足频繁换产时个性化任务与制造资源的自动匹配以及制造资源协同控制需求。因此，本文基于前期所提出的模块化分布式 iDTS 系统结构和分布式计算模式 \(^{[2,47]}\)，构建了一种基于多智能体的 iDTS 分布式控制模型，该模型由任务 Agent、资源 Agent、管理 Agent、执行 Agent 及它们构成的分布式协同控制架构组成（如图 5）。

图5 基于多智能体的iDTs分和式控制模型

图 5 基于多智能体的 iDTS 分布式控制模型任务 - 资源匹配调度过程：任务 Agent（如制造任务 Agent）池向共享消息板提出需求，资源 Agent（如制造资源 Agent）根据自身能力（加工能力、空闲时间）发布服务能力报告。执行 Agent 与资源 Agent 开启投标（抢单）流程，通过协商机制实现任务与资源的快速匹配与组合，实时处理各种异常 \(^{[53]}\)。任务 - 资源匹配成功后，管理 Agent 生成草拟合同，资源 Agent 确认后转为正式合同并公示，其他资源 Agent 停止投标。如果资源 Agent 不能满足要求，任务 Agent 与其他资源 Agent 继续协商，直到匹配成功。这种 “需求 - 投标 - 协商 - 合同” 的模式能够应对系统的外部波动。

任务执行过程：管理 Agent 将正式合同下发给一个初始化的执行 Agent，执行 Agent 按合同调集参与投标的资源 Agent，制定详细的工作计划（如资源配置计划、生产计划、运输计划等），并执行对应的任务。执行 Agent 完成任务后再次进行自我初始化，并释放资源 Agent 回到资源 Agent 池，开始下一轮投标抢单。所有执行 Agent 可以依次完成同一不同的任务，也可以按照一定的顺序依次完成一个总任务中的多个子任务，并通过基于模型的仿真，验证执行方案的有效性和合理性。管理 Agent 和执行 Agent 之间、各执行 Agent 之间都通过消息 Agent 路由相连，各 Agent 之间通过信息传递来协商任务，并制订任务执行计划、协作完成任务。

值得说明的是，图 5 中的分布式控制模型不但适用于个性化任务与制造资源的自动匹配以及制造资源协同控制场景，还适用于其他的分布式控制场景。例如，模块化制造系统重组、计算任务与计算资源的匹配、多智能机器人协同控制等场景，把制造任务 Agent 和制造资源 Agent 换成其他场景下的对应 Agent，对模型中的 Agent 重新定义，就可以实现复用。

3.4 iDTS 系统制造资源协同调度方法

在现实的 iDTS 系统中，车间多资源协同作业进程中的扰动不可避免，这些扰动会使得车间原有调度变得不可行，需要一种车间多资源实时自适应协同的管理方法。在 iDTS 系统中，建立基于云边端协同的数字孪生车间多资源实时协同管理制是关键。数字孪生车间的资源管理涉及多个方面，包括任务分配、资源协调和实时监控等，这些问题在面对动态实时任务和资源状态变化时变得更加具有挑战性。

本文提出了一种基于云边端的孪生车间多资源实时协同调度方法（如图 6）。在图 6 中（左半边），基于上文所提出的 iDTS 系统云边端架构（参考图 1），在云端部署孪生层和应用层，在边缘端部署感知层，在设备端部署物理层。利用各层中智能体之间的交互与协作，可实现对物理生产过程的在线数据采集和实时状态监控，并在孪生层通过孪生数据、孪生模型和孪生环境对生产过程进行动态仿真推演，实时自适应地匹配 “任务需求” 和 “生产与物流资源的服务能力”，确保每个工件在所需的时间内完工。

图6 基于云边端的孪生车间多资源实时协吲调度方法

在图 6 中（右半边），Agent 协同空间按照协同调度的流程进行运作。首先，任务 Agent 和资源状态 Agent 分别获取实时订单任务和物理车间的生产 - 物流资源状态。多资源协同调度算法 Agent 则基于通用调度规则（如 SPT、FIFO 等），在数字空间进行面向个性化任务的多资源协同生产调度仿真推演。基于仿真结果和历史孪生数据，可使用智能算法对任务、资源等状态进行分析预测，然后依据预测结果，动态更新任务、资源等状态模型。多资源协同调度算法 Agent 根据实时更新的状态模型对任务进行动态分配，确保系统在面对变化和扰动时仍能保持高效运行。通过孪生车间的实时虚实交互和智能体之间的协同工作，实现了基于云边端的孪生车间多资源实时协同调度和迭代优化，从而提高了 iDTS 系统的灵活性和鲁棒性。

3.5 iDTS 系统的云边端负载均衡方法

在云边端协同架构中，动态负载均衡是确保系统实时性和稳定性的重要技术。利用基于多智能体的系统交互与协作技术，进行实时监控、智能调度和自适应调整，动态分配计算资源和任务，使得系统能够高效、平稳地应对复杂和多变的负载环境。图 7 给出一种云边端协同的负载均衡方法。

图7 iDTS系统的云边端负载均衡方法

在图 7 中，实时监控是动态负载均衡的基础，主要包括资源利用率监控和应用性能监控。资源利用率监控通过采样算法，实时收集云端、边缘和终端设备的资源使用情况。滑动窗口算法用于平滑突发负载，确保监控数据的准确性。应用性能监控采用 Canary 部署技术，监控各层级应用的响应时间和性能表现。熔断算法（如 Hystrix）在检测到服务响应时间过长或故障率过高时，能够快速切断服务，防止故障扩散，保证系统稳定性。

智能调度通过分析实时监控数据，预测负载趋势，调整请求分配策略。使用时间序列预测算法，如自回归移动平均模型（Auto Regressive Integrated Moving Average，ARIMA）和长短期记忆网络（Long Short-Term Memory，LSTM），预测未来负载情况，并基于预测结果调整资源分配。反馈控制算法（如 PID（proportional-integral-derivative）控制算法）根据实际负载与期望负载的差值进行调整，确保系统负载维持在理想范围内。

自适应调整通过实时监控和智能调度，自主调整负载分配策略。基于规则的调整利用阈值算法动态调整负载，例如：用强化学习算法（如 Q-learning 和 DQN（deep Q-network））不断优化策略，用 K-means 聚类算法优化资源分配。

在云边端协同架构中，云端资源通常负责处理计算密集型任务和数据存储，而边缘节点负责处理延迟敏感的任务和本地数据。终端设备则负责数据采集和数据预处理。动态负载均衡在这个多层级架构中起到了关键作用，通过智能调度和自适应调整，确保各层级资源的高效利用和任务的合理分配。

4 案例学习

本文以建筑中央空调数字孪生系统云边端智能调控为案例开展应用验证。中央空调系统的能耗约占建筑总能耗的 40%，降低建筑中央空调的能耗对于国家实施节能降碳战略具有重要意义。建筑中央空调是由机组、环境、建筑物、人员等组成的强耦合系统，其能耗与建筑本体（建筑内部空间面积、地理位置、布局朝向等）、建筑内的人员（人员数量、位置分布、对冷热的敏感度）、设备控制方式和环境等 “人机 - 环境” 要素密切相关。但是，传统的中央空调系统将主机、冷却塔、水泵、末端等设备直接连接到互联网，所有的服务和功能通过云端实现，存在延迟高、稳定性差等问题；特别是随着中央空调物联网设备数量的不断增加，会增加云端服务器接口的吞吐压力，进而增加了节能调控的难度。云边端架构由于部分数据在边缘端被处理和转发，有效减轻了云服务器的工作负荷，可以较好地解决此类问题。同时，多智能体系统能够同时处理来自多个设备的数据；能够根据数据和预测模型做出最优控制决策，通过调用大数据训练后的预测模型和控制模块，实现精准、高效的系统调控与管理。在此背景下，本文作者团队与亿联鑫工程科技有限公司合作开发了一套基于云边端架构的建筑中央空调数字孪生系统，通过多智能体协同分布控制，实现了面向人体舒适度的建筑中央空调的节能优化调控，如图 8 所示。

图8 基于云边端架构的中央空调数字孪生系统

终端数据感知层通过 MODBUS RS485、Zig- Bee、WIFI、4G/5G 等多协议融合技术实时采集物理层的室内温湿度数据、空调主机的运行数据、冷却塔运行数据、冷却和冷冻水泵运行数据、末端设备运行数据、室外环境数据和建筑内人流量等多源异构数据。这些数据被传输至边缘设备，经过清洗、处理后，一部分被上传至云端服务器，另一部分被保留在本地，能够有效降低云端服务器压力，例如在查询中央空调设备历史运行状态时，云端服务器通过节能优化智能体计算当前室内人体舒适度是否处于舒适 度范围，若超出额定范围则计算出中央空调各子组件需要调整的功率，产生节能优化调控策略。然后，节能优化智能体的计算结果将由云服务器发送至部署在建筑地下室和室外的边缘设备中，边缘设备将控制策略分解为调整指令传输到物理层，物理层收到边缘设备层下发的调整指令，对指定的物理空间的空调设备进行在线实时控制调整。最终，依靠云边端架构及各智能体的协同工作，建筑中央空调数字孪生系统在保证人体舒适度的前提下实现了高效、智能的节能控制。

5 结束语

iDTS 是一个面向智能制造的数字化系统和应用解决方案。本文针对 iDTS 在实时性、智能性和负载均衡等方面的需求，聚焦于基于多智能体的 iDTS 云边端架构与关键技术研究。首先，提出了基于多智能体的 iDTS 典型特征、云边端架构和关键技术体系。其次，研究了相关核心技术，包括模型驱动智能体自学习优化方法、多智能体交互的同步与共享方法、多智能体协同的分布式控制方法、iDTS 系统制造资源协同调度方法和 iDTS 系统的云边端负载均衡方法等。最后，通过中央空调数字孪生系统的云边端协同控制案例，验证了所提方法的有效性。

当前关于 iDTS 的应用探索还处在初级阶段，未来还需进一步深化多智能体与数字孪生技术的融合，提升 iDTS 的具身智能与自主决策能力。由于水平有限，本文提出的框架和关键技术还需要在更多工业场景中应用实践和不断改进。

原文刊载于《计算机集成制造系统》2024年11月  作者：李浩 邢志远 李琳利 鲁效平 杨文超 王昊琪 刘根 王晓丛 刘晓军 文笑雨 武春龙 邢宏文 董李扬 王志强