人工免疫系统在先进制造系统中的应用

阵列15（2022）100238人工免疫系统在先进制造系统中的应用RuiPinto，Gil GonçalvesCNOEC-系统和技术研究中心，Rua Dr. Roberto Frias，s/n，office i219，4200-465，Porto，Portugal波尔图大学工程学院，Rua Dr. Roberto Frias，s/n 4200-465，Porto，PortugalA R T I C L E I N F O保留字：人工免疫系统自主计算先进制造系统A B S T R A C T近年来，先进制造技术（AMT）在工业过程中的应用代表着不同的先进制造系统（AMS）的引入，促使企业在面对日益增长的个性化产品定制需求时，提高核心竞争力，保持可持续发展。最近，AMT引发了一场新的互联网革命，被称为第四次工业革命。 考虑到人工智能的开发和部署，以实现智能和自我行为的工业系统，自主方法允许系统自我调整，消除了人为干预管理的需要。本文提出了一个系统的文献综述人工免疫系统（AIS）的方法来解决多个AMS问题，需要自治的水平。首先，系统回顾了当前工业AIS在制造环境中的应用给出然后，提出了一个概念框架，以弥合AIS领域研究之间的差距和制造业，同时讨论未来研究要解决的关键挑战和机遇。本研究旨在为研究人员和制造商建立一个关于先进制造下AIS解决方案的知识体系，同时为理解AIS支持的自主工业应用程序的设计和管理1. 介绍公司之间的高度全球竞争力是21世纪工业的特征。消费者需求的不断变化为了保持竞争力，企业必须能够快速响应这种快速需求。最大的挑战是实施新的方法，使系统的适应性和灵活性，以大规模生产的方法，以获得高的产品可变性，同时，大生产量。自工业化开始以来，工业界对创新生产系统和发展新思想一直很感兴趣。新技术在工业中的适用性，通过以更低的成本增加收入而导致范式变化，通常被称为工业革命，目前的工业革命是第四次工业革命或工业4.0（I4.0）[1]。I4.0基于通过将每个物理对象相互连接来融合现实和虚拟世界的想法，以与其他设备进行识别并相互通信这是高度先 进 制 造 技 术 （ AMT ） 在 工 业 场 景 中 的 应 用 ， 如 多 智 能 体 系 统（MAS），物联网（IoT）和网络物理系统（CPS）。此外，基于人工智能（AI）原理，如机器学习（ML）和生物启发方法，强调创造性 自主系统是智能和自主的系统，可以像人类操作员一样在制造过程中实时做出决策、反应和适应变化。所有这些想法都为先进制造系统（AMS）铺平了道路，AMS由智能和自主（Self-*）属性支持[2]。根据Qu等人的研究[3]，已经做出了大量努力来实现AMS中的自主特性。研究界越来越关注使用信息和通信技术（ICT），如认知代理，群体智能和云计算，以集成，组织和分配机器 资源 另一方面，自组织多智能体的出现，使自适应和智能制造控制成为另一个重要领域。 这种程度的自主性是唯一可能的，由于数据驱动的方法，这项工作得到了以下资金支持：INDTECH 4.0（SP 4）- POCI-01-0247-FEDER-026653，由欧洲区域发展基金（FEDER）共同资助，通过系统和技术中心的竞争力和国际化运营计划（POCI）和基础资金-UIDB/00147/2020-equipMent’’通讯作者：波尔图大学工程学院，Rua Dr.Roberto Frias，s/n 4200-465，Porto（波尔图），葡萄牙电子邮件地址：rpinto@fe.up.pt（R. Pinto），gil@fe.up.pt（G.Gonçalves）。https://doi.org/10.1016/j.array.2022.100238接收日期：2021年10月20日;接收日期：2022年7月19日;接受日期：2022年7月19日2022年7月25日在线发布2590-0056/© 2022作者。爱思唯尔公司出版这是一篇基于CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）的开放获取文章。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/locate/arrayR. Pinto和G. 贡萨尔维斯阵列15（2022）1002382人工智能支持的决策和持续改进策略，因为它们可以实现预测性的产品状态感知、制造过程监控和故障诊断、设备故障诊断、健康管理和预测性维护。然而，与学术研究相比，工业界对这些特性的采用仍然相对较差，因为在真实环境中应用适当的解决方案和技术是复杂的，即，存在在受控环境中可能不存在的独特和困难的挑战。此外，尽管行业有兴趣考虑I4.0原则更新其生产系统，并以较低的成本增加收入，但技术接受仍然缓慢。这主要是因为这些是技术准备水平（TRL）较低的新兴技术，有时还不成熟，缺乏在实际工业情况中的适当集成和验证。机器智能已经成为执行制造过程的基础，这需要过程智能和机器控制的紧密集成。结合这些系统的自主特性的引入，预计从生物系统中获得的进一步灵感将被用于设计和维护它们的操作。因此，这种生物学上的转化将认知、学习能力、智力、自我修复和自我组织能力引入AMS[4]。人工免疫系统（AIS）是最受欢迎的一类生物启发技术.这些方法受到生物免疫系统（BIS）的启发，BIS是一种卓越的信息处理和自学习系统.因此，AIS研究领域多年来作为AI的一个成功分支而受到欢迎[5]。为此，本文提出了一个系统的文献综述（SLR）AIS的应用在AMS。目标是双重的。一方面，该研究收集和分析了报告工业AIS在多个研究领域应用以解决不同问题的科学贡献。另一方面，这些应用程序基于引入系统的自治水平（LOA）进行评估，考虑Peres等人提出的系统自治分类。为此，提出了以下研究问题RQ 1. AIS在AMS中应用的研究趋势是什么？RQ 2.AMS的AIS应用情况如何RQ 3.在AMS中使用AIS的主要动机是什么RQ 4. 基于AMS的研究差距和未来领域是什么？AIS解决方案？本文件另外分为五节。在第二节中，介绍了本文涉及的主要概念，即AMS，自主计算和AIS领域。它还介绍了有关这些主题的现有文献综述以及AIS在非工业相关场景中的流行应用。第3节提供了一个详细的描述的SLR方法进行和随后的评估选定的机构的文献。第四节描述了SLR的主要结果，并试图找到与以下问题相关的研究问题的答案： 研究趋势、AIS应用现状（研究领域）、AIS使用动机（概念化）及存在的研究空白。第5节提供了一个拟议的概念框架的详细特征-关于AIS在AMS中的适用性，基于对 SLR结果。最后，第6节总结了本文的工作，如未来研究的挑战和机遇，考虑自主成熟度和AIS的应用潜力，SLR的主要优势和局限性2. 相关工作本节有双重目标。首先，本文介绍了SLR中的重要理论概念，即AMS和先进制造技术（AMT）的发展过程、自主计算、生物启发计算和AIS领域（非工业领域相关场景）。其次，它提出了主要的现有文献综述对一个或多个这些主题.现有的文献综述和确定的局限性的分析导致的理由，这SLR的发展，重点在合并的所有解决的问题。2.1. 先进制造AMT [7]自20世纪60年代以来一直在研究，当时从机械技术转向数字电路和系统可编程逻辑控制器（PLC）和计算机数控（CNC）机床在车间的引入。这是第三次工业革命的开始。 事实上，AMT一直显著影响着从手工生产到大规模生产的制造模式的发展过程 到大规模定制和个性化。20世纪60年代以前，随着早期工厂自动化技术和相关自动化生产设备的发展和部署，制造车间逐步从最初的手工生产车间转变为严格的自动化生产线。它帮助制造企业实现大规模生产和降低成本，因为越来越多的富裕客户和匹配个性化的要求需要大规模生产。许多先进制造技术被创造出来，今天仍然被广泛使用，导致了几种先进制造技术的发展，包括柔性制造、计算机集成制造、精益生产等。[8]的一项建议。在此过程中，这些AMS通过鼓励企业信息和过程集成，支持制造业从大规模生产向大规模定制的过渡。随着个性化需求的增加，制造过程的敏捷性、全球化和智能化程度不断提高，与之相关的先进制造技术也得到了迅速发展。最近，在工业4.0时代，联网设备通过将典型的物联网场景、面向服务的架构（SOA）和CPS应用于工业环境，实现了前所未有的数据和信息交换。这可以通过计算（嵌入式）设备和网络的技术能力的显著进步来解释。这些技术是与AMT的普遍出现并行开发的，这有助于部署个性化范式[9]。因此，先进制造技术代表了企业为保持或提高竞争力而可能采用的非传统制造技术这些技术结合了工业自动化（CNC、机器人和自动导引车（AGV））、集成和计算机化控制、工业局域网（LAN）、分布式架构（MAS和子整体制造）和分布式人工智能技术的所有优点德国拥有世界上最具竞争力的制造业之一。由于其重要的机械和设备制造业，其全球重要的信息和通信技术能力及其在嵌入式系统和自动化工程方面的专业知识，德国具有成为创新制造技术研究，开发和生产领导者的优势。此外，他们已经遵循了AMT实施的结构化和综合方法，以利用其所有的个人和系统优势[10]。 因此，2011年，工业4.0术语首次在汉诺威工业博览会上使用，2013年，工业4.0工作组提交了最终报告[11]，指出I4.0是战略举措确保德国制造业的未来然而，德国并不是唯一认识到在制造业部署AMS趋势的国家。也发现了类似的举措，如美国。智能制造领导联盟（SMLC）[12]、中国 制 造 2025 （ MIC25 ） [13] 、 法 国 Usine du Futur[14] 、 英 国Catapult[15]、韩国产业创新3.0[16]等。与此同时，在2015年达沃斯世界经济论坛上，德国总理安格拉·默克尔敦促整个欧洲接受I4.0R. Pinto和G. 贡萨尔维斯阵列15（2022）1002383[17 ]第10段。由此，欧洲工业界认识到了应对网络世界与工业生产世界融合的紧迫性。范式正在改变，那些领导者在数字领域将率先在工业生产。多年来，对这一领域研究的支持急剧增加，I4.0成为欧洲从业者和学术界的热门话题，也是研究中心、大学和公司的首要任务之一。在工业革命的历史上，第一次在革命实际发生之前宣布了革命[18]。这为公司和研究机构提供了各种机会，以积极塑造I4.0的未来如今，大多数AMT涉及集成计算和物理过程，并通过互联网连接数十亿个对象。这通常由现代CPS、物联网和其他类似技术解决。许多常规术语，例如制造和监督控制和数据采集（SCADA）、工业控制系统（ICS）、机器人技术等，通常用于指代相同的AMT。当许多其他技术和概念重叠时，这种模糊性在AMS范式中尤其明显，例如嵌入式系统、物联网、MAS、CPS、工业网络、无线传感器致动器网络、数字孪生（DT）等。这使得定义AMS和AMT变得困难，特别是在考虑所有应用场景和研究领域时。此外，由于对其中一些技术的研究是如此广泛，可能涉及多个学科的知识，它们最终成为自己的研究领域。接下来，介绍了核心AMT的描述，这为最近AMS和工业4.0相关应用场景的开发铺平了道路。CPSCPS是新一代的系统，具有集成的计算和物理能力，可以通过各种程序与人类进行交互。CPS通常是具有协作计算元件和控制物理实体的联网计算和物理过程集成系统。它的根源通常被视为嵌入式系统，具有特定传感和处理能力的对象。因为CPS是交互嵌入式设备的网络，所以在本地处理数据使得有价值的信息或抽象数据可以通过网络传输是可行的。 工业环境中的CPS实施通常被称为SCADA/ICSSCADA/ICS在管理和控制关键基础设施方面发挥着至关重要的作用。这些通常被定义为提供基本服务并作为国家安全、经济和医疗保健系统基础的基础设施。它们可以包括诸如农业、医疗保健、核反应堆、运输、能源工业、土木和化学工程、水厂、研究等部门。技术改进导致SCADA/ICS演变为现代系统，如CPS[21]。由于互联网技术的快速发展，许多物理对象现在可以通过嵌入式电子设备、软件、传感器和网络设备连接到互联网。物联网通常是指网络连接扩展到日常物理事物的场景。 物联网背后的基本思想是通过互联网将设备相互链接，这要归功于无线技术的最新发展。在这种情况下，互联网象征着链接设备或事物的全球联网，这些设备或事物允许它们通过共享和转换信息来相互通信。在工业中，物联网通常被称为工业物联网（IIoT）。通过将所有工业系统和车间设备连接到互联网，生产经理或执行人员可以很容易地从任何具有互联网连接的位置获得生产信息。此外，他们可以远程控制生产设备的事件[22工业LAN在传统的工业环境中，主要有两个通信层次：过程和控制。每种网络都有独特的网络需求，如往返时间、确定性、可靠性和故障的严重性，需要不同的通信方法。因此，IP网络通常用于过程级，而现场网络用于控制级。现场网络，即现场总线协议，已经在工业应用中使用了一段时间。工业以太网协议的开发是为了弥合现场总线系统和IP网络之间的差距[25，26]。MAS是基于一个智能的，合作的，主动的，和自治的实体称为代理人，代表系统中的物理或逻辑的东西的社会。 它源自分布式AI领域。代理人分散在环境中，相互之间以及与环境相互作用，以实现特定或共同的目标，共享信息，做出选择，并随着条件的变化而修改其行为[27]。为了实现数字化，需要在标准化方面做出更大的努力，以开发一致的接口。这将促进不同实体之间的公开交流。这种标准化通常通过DT的概念来实现，DT通常被视为用于连接任何设备的包装器或者处理到网络中，在该网络中信息可以被容易地访问、处理和共享。在工业环境中，DT可以被视为物理设备或信息系统的软件包装，提供自主决策，标准化通信，传感器作为即插即用方法和智能控制[28人工智能制造流程应采用可计算的模型，例如基于数据、基于物理、基于数值或基于离散的模型，以实现决策支持的全部潜力。数据驱动模型涉及分析传感器数据以发现数据中隐藏的模式这被称为数据挖掘，它可以使用一个或多个AI算法从数据中提取相关信息这些方法可以基于硬计算，例如机器学习方法，或者基于软计算，例如生物启发计算[6，31，32]。WSAN传感器用于获取有关物理过程的数据以对其进行监控。然后分析这些数据，并通过执行器调节物理过程，从而优化制造过程。WSAN最近已经使传感器和执行器能够使用无线通信。如果工业需要需要部署大量传感器，其中主要目的是以合理的成本收集传感器数据，或者如果传感器集成由于缺乏对远程物理位置的可访问性而被证明具有微尘是通常用于开发WSAN的微型设备，并配备了微控制器，电池，无线电，模数转换器（ADC）和一些传感器[33云/边缘计算由于云计算的进步，物联网变得越来越有吸引力。无线设备的区别在于其移动性和电池电量，这对运行算法的数据处理和存储需求提出了一些限制。这意味着，只要网络连接可用（用于信息交换），这些功能就可以从受限设备重新定位到功能强大的远程服务器。云计算是指硬件和软件系统通过互联网提供数据服务的能力。从传感层收集的数据可以在云或雾上进行远程处理。另一方面，福格R. Pinto和G. 贡萨尔维斯阵列15（2022）1002384和边缘计算的特点是终端设备和云之间的中间层，可以看作是云的扩展。这些层负责在网络边缘提供计算、存储和网络服务，因为有时云还没有准备好为终端设备提供移动性支持、地理分布、本地感知或低延迟[36大数据 随着越来越多的东西或智能设备连接到互联网，因此，从物联网中收集更多的数据来执行分析，以确定导致洞察的趋势和关系。 大数据是指收集、存储、查询、分析和管理大量异构数据的挑战，这些数据由具有不同时间和位置签名的许多设备生成[40，41]。工业机器人工业机器人是一种独立的、可重新编程的多功能机械手，具有三个或更多轴，可以是固定的或移动的，用于工业自动化应用。工业机器人通常包括移动末端执行器以完成预期任务的操纵器、致动和调节操纵器的控制器以及编程和监督操作的示教器。还有自动导引车（AGV），这是在设施中运输货物的机器人。最近，协作机器人出现了。协作机器人旨在与人类工人在共享的协作工作空间中安全地工作[42，43]。尽管许多人和公司在识别和实施AMS时遇到了困难，但目前可以将其视为I4.0场景，现在，这个概念更加透明。所有实施的I4.0场景都汇聚了非常相似的需求和目标，以基于ICT技术进步（如物联网、人工智能、云/边缘和CPS）在不同的制造应用中实现附加值。Oztemel和Gursev提出了实现I4.0的12个目标，即：• 标准化[STD] -系统的标准化和参考结构的建立;• 优化管理[OM] -执行复杂系统的优化管理;• 通信网络基础设施[NET] -管理内部网络基础设施以实现通信可靠性;• 安全保障[SS] --一方面，为操作人员提供一个安全可靠的环境.另一方面，使系统能够防止滥用和未经授权的访问;• 人力管理[HM] -通过考虑流程、人力、自动化和环境变化，以人为本的方式组织和管理工作场所;• 提高技能-提高劳动力和管理人员技能的人员培训（教育4.0）;• 监管框架[RF]-创建数据组织的组织框架，以确保新技术符合法律;• 资源效率[RE] -提高资源利用效率（绿色制造）;• 自治[AU] -自我行为系统（Self-*），其中需要最少的人类交互;• 过程效率产品质量[PEQ] -产品与过程的相互作用（由于自主行为）;• 数据分析[DA] -大数据分析，用于数据驱动的自动经济决策;• 适应性[AD] -适应性和灵活性，对实时变化2.2. 自主计算计算机系统已经达到了一个复杂的水平，其中操作和控制的人工干预变得越来越困难。在物联网范式中，无处不在和普及计算的愿景将通过嵌入式技术围绕我们并将每个物理对象转换为CPS来实现。 这些CPS连接到传感器和执行器，以保持物理和虚拟世界之间的通信，并使用通信系统与其他CPS互连。 在这种情况下，如何管理这样一个复杂的系统，考虑到所有积极互动的异构设备和所涉及的不确定性？2001年，国际商业机器公司（IBM）提出了自主计算的概念，指的是需要新的方法来管理和控制复杂系统的行为，这些系统应该能够自我适应，消除人为干预的需要[44]。根据IBM [44]的说法，一个系统只有在以下情况下才是自治的：（1）它知道自己可以访问哪些资源，它的能力和限制是什么，以及它如何以及为什么与其他系统连接(2)它可以自动配置和重新配置自己，这取决于 不断变化的计算环境;（3）可以优化其性能以确保最有效的计算过程;（4）可以通过修复自身或将功能路由到远离故障的地方来解决遇到的问题;（5）可以检测、识别和保护自身免受各种类型的攻击，以维护整个系统的安全性和完整性;（6）能够随着环境的变化而适应环境，与相邻系统交互并建立通信协议;（7）依赖于开放标准，不能存在于专有环境中;(8) 预测对其资源的需求，同时保持透明 给用户自主计算概念，后来扩展到有机计算[45]，受到人类自主神经系统的启发[46]，它从意识中消除了协调任务我们所有的身体功能（定期维护和优化）通过照顾他们中的大多数。Kephart和Chess [47]警告说，系统管理员无法预测，设计和维护设备和计算机系统之间交互的复杂性，特别是在CPS中。出于这个原因，计算机系统应该在一个监视执行上下文的逻辑循环中不断地使自己适应不断变化的环境条件。 这样的动态可以通过一个分析-计划-执行（MAPE）循环或分析-计划-执行-知识（MAPE-K）循环架构[ 44，47 ]来实现，如图所示。1.一、自主计算的本质是自我管理的系统能力，根据Ganek和Corbi[48]，它包括所谓的Self-x，Self-*（Self-star）或Self-CHOP属性。根据Berns和Ghosh的观点，自我管理系统是在没有外部操作的情况下维护、改进和恢复其功能或属性的系统。Self-Management是包含各种Self-* 属性的通用属性，它依赖于Zadeh的自Essential Self-* 属性包括：• 自配置[SC]• 自优化[SOP]• 自我修复[SH]• 自组织[SOR]• 自我意识[SAW]• 自适应[SAD]• 自身免疫[SI]如前所述，AMS的主要目标之一是以实现具有高级自我能力的自主和协作制造资产为目标[4]。 考虑到这一点， 考虑到工业系统及其应用的异质性，Peres et al.[6]提出了一种制造业分类法R. Pinto和G. 贡萨尔维斯阵列15（2022）1002385Fig. 1. 自主系统的MAPE-K模型[47]。系统自主性，定义了一个基于工业流程的自动化决策的六层模型。每个自治级别（LOA）的行业情景模型是：• 0级：没有自主权。人类操作员可以完全控制，而无需人工智能系统的任何帮助• 第1级：在某些职能方面提供协助。人类操作员有充分的责任，并作出所有的决定。• 第二级：部分自治。人类操作员在明确定义的区域内承担全部责任，并定义（某些）目标。• 第三级：有限自治。在更大的子区域，人工智能系统会在出现问题时发出警告，人类会验证系统推荐的解决方案。• 第4级：适应性和自主功能。人类操作员可以在定义的系统边界内监督或干预紧急情况。• 第5级：完全自主。 人工智能系统在所有领域自主运行，包括合作和波动的系统边界。操作人员不需要在场。在这项工作中，我们试图研究Self- * 属性的引入在AMS中，由于遵循自主计算原则的技术的实施和应用，例如AIS。AIS属于生物启发计算的更广泛范例[51]，将在下面描述。2.3. 生物启发计算生物启发计算（BiologicInspired Computation）是指生物驱动计算的研究，属于自然计算的范畴，是计算智能的一个分支。Biologic InspiredComputa- tion的主要目标是通过生成受自然界不同生物过程启发的解决方案来解决工程和计算问题。几个子学科专注于自适应和智能系统，如进化计算，群智能，模糊系统，人工神经网络（ANN）和AIS。关于AIS，它们是90年代出现的一类受生物学启发的计算方法，连接了不同的领域，免疫学、计算机科学和工程学。AIS是通过计算模拟生物免疫过程，将这些模型抽象为算法并在工程背景下实施而开发的。BIS是一个非常丰富的系统，许多免疫过程尚未得到很好的理解，引发了讨论免疫学家之间也没有达成一致。这导致免疫过程的功能缺乏清晰度，并且对于AIS从业者来说，难以正确地建模计算系统。2.3.1. 生物免疫系统BIS是一个强大的自组织系统，具有显著的识别和辨别能力、维持能力、危险/情境推理能力和记忆能力。为了保持健康的状态，BIS处理身体的状态，并通过愈合过程采取相应的行动[52，53]。BIS是一个多层次的系统，其中不同类型的防御机制在每一层都是活跃的。那里有三条主要的防线：解剖屏障、先天免疫和适应性免疫。解剖屏障是由皮肤、粘膜和皮肤分泌物等物理障碍物构成，以防止细菌和病毒等病原体进入器官。如果病原体突破了第一道防线，先天免疫就会立即产生非特异性反应，如炎症反应和抗菌蛋白。如果病原体成功地逃避了先天反应，它将激活适应性免疫，适应性免疫在感染期间调整其反应，以提高其识别技能并杀死病原体。BIS由一组器官（中枢和外周淋巴系统）组成，器官）、细胞（淋巴细胞或白细胞和粒细胞）和分子（免疫球蛋白或抗体）[54，55]。中枢淋巴器官，如骨髓和胸腺，负责产生和辅助淋巴细胞。外周淋巴器官，如淋巴结、脾和粘膜组织，以促进淋巴细胞和抗原之间的相互作用抗原是能够在宿主生物体的一部分上诱导免疫应答的分子，尽管有时抗原可以是宿主本身的淋巴细胞群主要由B细胞和NK细胞组成B细胞负责识别特定的抗原并产生抗体，这些抗体将与抗原结合。B细胞在抗原存在下被激活，成熟过程开始。B细胞成熟包括成为浆细胞或记忆细胞。浆细胞是主动分泌抗体的细胞抗原的特征在于被称为表位的结合分子，表位是被B细胞和NK细胞识别的抗原的一部分。在识别过程中，表位使用互补位与淋巴细胞结合，互补位是淋巴细胞的结合分子。抗体是一种特殊类型的分子。 它们是B细胞的互补位，负责与抗原结合。 抗原通常被称为非自身细胞，而宿主细胞被称为自身细胞。如果表位是抗原的一部分，那么它们通常是非自身的，或自身，因为宿主体内的某些蛋白质可以被淋巴细胞识别。2.3.2. 人工免疫系统如前所述，创建AIS是为了在BIS中计算模拟免疫过程，将概念抽象为算法并在工程设置中实现它们。Pinto等人[56] 提出了一个深入的审查AIS，集中在CPS异常检测应用。如下所述，四种主要的免疫机制激发了大多数标准AIS技术[5]。然而，也有集成方法，它们代表了结合了一种以上基本技术的方法。最后，还有免疫启发的方法，它们不完全遵循特定的免疫模型，而是使用免疫原理。消极选择算法（NSA）[57]消极选择算法的主要特征由Forrest等人描述。 NSA依赖于BIS中存在的自我/非自我理论主要目标是细胞检测外来和潜在危险的病原体并做出适当的反应，而忽略了无害的物质和他们自己的身体细胞。这可以通过仅启用区分自身和非自身细胞的细胞来实现。不同变化R. Pinto和G. 贡萨尔维斯阵列15（2022）1002386已经提出了[5]。该算法一般包括3个主要步骤：（a）骨髓中产生具有各种抗原受体的未成熟胸腺细胞并迁移至胸腺;（b）在胸腺中，识别自身抗原的胸腺细胞经历程序性细胞死亡过程。另一方面，允许不识别任何自身抗原的细胞存活;(c)不识别自身抗原的成熟的自体免疫细胞现在被用来识别任何侵入体内的非自身抗原，病毒和细菌。人工免疫网络模型（AIN）[58，59] Jerne [60]在1974年提出了免疫网络理论，也称为独特型网络理论，该理论表明免疫系统维持着一个由相互连接的B细胞组成的独特型网络，用于抗原识别和免疫记忆。独特型是一组具有共同特征的抗体。该算法研究不同免疫细胞的互连性，即，细胞群在连续几代中连接，以刺激或抑制免疫反应。人工免疫网络算法（aiNet）[61]是一种受AIN启发的众所周知的方法。在这项技术中，抗体相互刺激和抑制，以稳定网络和记忆。当来自该组的抗体与其他抗体组的独特位结合时，独特型被刺激。这导致 来自独特型的抗体浓度的增加和来自识别组的抗体浓度的降低，导致给定免疫应答的刺激或抑制。克隆选择算法（CSA）[62]克隆选择理论试图解释B细胞和NK细胞如何基于抗原-抗体亲和力在抗原存在的情况下改善其反应。这种亲和力基于B细胞和抗原之间的结合水平。当B细胞被抗原激活时，B细胞成熟为浆细胞并分泌抗体。克隆具有更高亲和力的所创建的抗体，并且突变过程区分克隆。如果新的抗体与自身细胞发生反应，它们就会被清除。在这些情况下，具有改善的亲和力的B细胞的浓度增加。一些B细胞被保留作为记忆细胞，以对先前遇到的抗原产生更有效的免疫反应。所产生的抗体与抗原结合以标记和标记它们。CSA的公知技术是克隆选择算法（CLONALG）[62，63]。其他理论也被提出，如人工免疫识别系统（AIRS）[64]和B细胞算法（BCA）[65]。 Haktanirlar Ulutas等人[66]总结了CSA及其变体的基本特征，并回顾了相应的应用领域。危险理论（DT）[67] Matzinger [68]解释了免疫反应是如何启动的。她指出，与以前的理论相反，病原体的“外来性”并不是引发反应的重要特征，“自我性”也不能保证耐受性。免疫应答由来自特定树突状细胞（DC）的共刺激信号启动。 受伤的细胞，如那些暴露于病原体，发出危险/警报信号，激活DC。这些信号不应该由健康细胞或经历正常生理死亡的细胞发出。一旦被激活，它们提供共刺激信号，以在受损细胞周围的危险区域中表现出免疫应答。最臭名昭著的基于DT的算法是树突细胞算法（DCA）[69]，其捕获了DC的功能[70]，首先由Steinman和Cohn [71]确定。在组织中，当抗原刺激DC时，它们根据收集的特定危险环境成熟并分化。 DC的成熟水平通过检测组织内的信号来促进，即危险信号（由组织细胞损伤引起）、致病相关分子模式（预定义的细菌特征）、安全信号（由调节性细胞死亡引起）和炎症信号（一般组织不适）。成熟后，DC迁移到局部淋巴结，在那里它们根据危险环境刺激或耐受免疫应答2.3.3. AIS应用考虑到AIS技术的性质，它们已经被证明适用于解决计算机科学和工程中的实际问题它们可以在不同的领域中找到，例如机器学习、模式识别和分类、计算机病毒检测、异常检测、优化、机器人学等。Aldhaheri等人[72] 提出了AIS方法的六个不同属性1. 适应性[AD]：具有随着时间的推移学习和发展适应行为的能力。2. 鲁棒（Robust）：具有在不精确和不确定的数据环境下处理的能力。3. Resiliency[RES]：基于Agent范式的自底向上方法创建的免疫系统，以实现动态，异构和分布式环境。4. 自我耐受性[ST]：有能力阻止对 自身对特定抗原的抵抗。5. 轻量级[LH]：具有低计算复杂度的处理能力。6. 分布式（Distributed）：能够以分布式方式处理，而不是集中式处理。本SLR侧重于AMS场景中AIS应用的收集和分析。接下来描述一些非工业场景应用。由于检测计算机系统中的异常与BIS的功能非常相似，因此大多数AIS技术都被应用于 在计算机安全方面，即病毒检测、网络安全和入侵/异常检测系统。Greensmith等人[73]使用DT概念，即DCA，来开发入侵检测系统（IDS）。作者评估了入侵检测系统在端口扫描检测问题中的应用。后来，相同的DCA技术被应用于机器人检测问题[74]，即在线视频点播系统的在线入侵欺诈[75]和IEEE 802.11网络中的拒绝服务检测问题[76]。最近，Alsulami和Zein-Sabatto [77，78]将AIS技术（即NSA）应用于航空业的CPS，以检测虚假数据注入和传感器欺骗攻击。AIS的第二大应用领域是关于优化问题。Cayzer和Aickelin [79]提出了一种应用于电影推荐任务的Zand等人[80]演示了CSA如何用于解决文件传输调度优化问题。基于AIS开发了一种交通信号控制系统，以监督孤立的交叉口，并在检测到干扰（如拥堵或事故）后立即建立调节策略[81]。此外，Chen和Zhang [82]提出了一种用于在5G消息服务系统中调度无线接入网络的AIS方法。其他建议更多地涉及机器学习，模式识别和分类问题。Takeda等人。[83]提出了一种使用CSA作为分类器训练方法的生物特征个人认证方法。Xu等人[84]使用AIS进行GPS数据处理，以解决非线性模型并避免病态（单频精密单点定位）。最后，在无线多媒体传感器网络中，AIS用于摄像机传感器上的节能、分布式和协作图像模式识别[85]。2.4. 相关工作为了强调这种SLR的必要性，本节探讨了AMS和AIS方法的详细文献综述。表1示出相关工作的比较关于AMS，已经发表了一些研究I4.0不同观点的综述类文章。Zhong等人[94]提供了一份关于I4.0相关的全球运动和政府运动的R. Pinto和G. 贡萨尔维斯阵列15（2022）1002387表1相关工作的比较。工作年研究类型AMS自我-*AIS目的[第86话][87]第八十七话20072007位测量✗✗✗✓✓✓免疫模型仿生入侵检测Timmis等人[88]2008调查✗✗✓免疫模型Zheng等人[八十九]2010调查✗✗✓AIS应用Dasgupta等人[5]2011调查✗✗✓免疫模型Haktanirlar Ulutas等人[66]2011年文献综述✗✗✓CSA[90]第90话2013调查✓✗✓车间调度Bayar等人[九十一]2015调查✗✗✓FDDR中的AISBere和Muyingi [92]2015调查✓✗✓AIS用于ICS安全拉扎和费尔南德斯[93]2015文献综述✓✗✓机器人中的AISZhong等人[九十四]2017文献综述✓✗✗通用I4.0Oztemel和Gursev [1]2018文献综述✓✗✗通用I4.0Qu等人[3]2019调查✓✓✗智能制造Aldhaheri等人[72]2020单反✗✗✓用于IoT安全的AISAl-Khatib和Doush [95]]2020年调查✗✗✓AIS应用Peres等人[6]2020单反✓✓✗I4.0中的AIRadanliev等人[96]2020单反✓✓✗CPS中的AIStock等人[二]《中国日报》2020调查✓✓✗自 * CPSAlrubayyi等人[97]2021调查✗✗✓用于IoT安全的AIS本研究2022单反✓✓✓AMS中的AIS战略，同时描述相关的主题和关键技术，如物联网，CPS，云计算，大数据和ICT，用于实现AMS。这项调查是在I4.0概念还非常不成熟的时候进行的。后来，Oztemel和Gursev [1]通过明确定义I4.0的概念并提供I4.0的分类法，对I4.0和相关技术进行了全面的回顾，这些分类法可用于支持I4.0设计原则的实现。此外，Qu等人[3]对智能制造系统（SMS）的最新趋势进行了全面研究，该系统代表了一种AMS，探索了数据驱动的决策，协作智能和系统自治。作者总结了SMS的演变、定义、目标、功能需求、业务需求、技术需求和组成部分。 最近，Stock et al.[2]讨论现代IT架构和基础设施如何在duplex CPS可以使其固有的Self-* 能力为数据驱动技术促进的更高级别的自治铺平道路。考虑到与AMS相关的SLR，Peres等人[6]对当前的工业AI文献进行了系统回顾，重点关注其在现实世界制造环境中的应用。另一方面，Radanliev等人[96]提供了当前和未来挑战的文献综述在CPS中使用AI，并提出了一个新的概念框架，用于分析这些类型的系统中AI决策的演变。此外，到目前为止，在AIS领域有几篇综述型文章值得关注。为了回顾可用的免疫模型和相关的启发方法，Timmis [86]调查了AIS方法的现状 并反思未来发展的实地障碍。在这项工作中，Timmis等人[88]在更广泛的跨学科研究背景下分析了AIS，基于已建立的概念框架，该框架涵盖了免疫学的数学和计算建模，抽象，然后是工程系统的开发。最后，Dasgupta等人。[5]调查了AIS领域的重要工作，特别是，它探讨了20世纪90年代应用AIS的最新进展。过去几年。其他提案则特别关注AIS应用场景。Zheng等人[89]回顾了AIS方法的免疫应用，并向AIS社区提出了几项建议，以帮助推动该领域的发展。另一方面，Hak- tanirlar Ulutas等人[66]对CSA、其变体（基本和混合方法）以及主要应用进行了文献综述。最近，Al-Khatib和Doush[95]广泛总结了AIS的研究，并根据应用问题对其进行分类，以了解这类算法的当前使用趋势与安全领域相关，有几篇AIS综述论文。Shafi和Abbass [87]调查了复杂适应性理论中的一些关键工作，系统领域，主要关注生物启发的自适应方法，包括AIS，以解决网络入侵检测问题。Bayar等人[91]提供了一个生物免疫的调查，并强调了主要的概念和机制，特别是有关故障检测，诊断和恢复（FDDR）的问题。最近，Aldhaheri等人。[72]和Alrubayyi等人。[97]提出了一项SLR和一项调查，全面研究了AIS方法保护物联网环境的实证研究。此外，与AMS相关，Bere和Muyingi [92]提出了对AIS解决方案的分析，以保护工业控制系统（ICS）免受持续威胁。最后，Jumad和Deris [90]回顾了生产调度问题，重点是AIS可以用于解决作业车间和灵活作业车间调度问题的方法。另一方面，Raza和Fernandez [93]详细回顾了免疫启发的机器人应用。据我们所知，没有一个以前确定的审查形成的见解，应用AIS的方法在AMS。一般来说，我们发现研究只集中在AMS域或AIS域。一些AMS领域的评论也涉及工业系统的自主性另一方面，AIS领域评论的目的是调查主要的免疫模型或特定的AIS应用。不过，这些应用场景都与行业无关然而，我们遇到了三个类似的综述，合并了AIS和AMS领域[90，92，93]。然而，这些审查仅限于特定的应用背景和/或研究类别，如信息和通信技术安全，车间调度和机器人。 因此，有必要进行