AI/ML在制造中小微企业中的应用：问题、限制和挑战

可在www.sciencedirect.com在线获取ScienceDirectProcedia计算机科学217（2023）1820第四届工业4.0与智能制造AI/ML在制造中小微企业中的应用概述：已解决的问题、限制和挑战Valentina De Simonea *，Valentina Di Pasqualea，Salvatore Mirandaaa意大利萨莱诺大学工业工程系，84084 Fisciano（SA）摘要人工智能（AI）和机器学习（ML）代表了工业4.0的热门话题。这些技术在学术界和实践中都在迅速发展，使用这些技术可以为生产系统带来许多好处，例如增强复原力和改善可持续增长。然而，考虑到实施AI/ML所需的努力，例如在数据质量和员工技能方面，AI/ML的潜力尚未在制造业微型，小型和中型企业（MSME）的背景下完全实现，这些企业可以利用这些技术改善其核心流程或创新产品水平以保持竞争力。这项研究工作在方法上基于范围文献综述，对AI/ML在制造中小微企业中的现有应用进行了调查，并讨论了这些技术的局限性和挑战。此外，主要新兴的研究课题和未来的趋势进行了总结。© 2022作者出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（https://creativecommons.org/licenses/by-nc-nd/4.0）第四届工业4.0与智能制造国际会议科学委员会负责的同行评审关键词：人工智能;机器学习;微型、小型和中型企业;数据分析1. 背景和动机为了保持竞争力，持续改进和优化流程是制造企业的关键要求。由于生产系统中数字化程度的提高以及智能设备和机器的集成，大量数据可用，需要存储，处理和分析。几种人工智能（AI）方法已应用于制造环境，包括机器学习（ML），深度学习（DL）和许多其他方法，以解决不同性质的任务典型用例范围* 通讯作者。联系电话：+39 089 964033;传真：+39 089 964037。电子邮件地址：vadesimone@unisa.it1877-0509© 2022作者。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（https://creativecommons.org/licenses/by-nc-nd/4.0）第四届工业4.0与智能制造国际会议科学委员会负责的同行评审10.1016/j.procs.2022.12.382Valentina De Simone等人/ Procedia Computer Science 217（2023）18201821从需求侧管理到状态监控、预测性维护、质量、生产计划、生产控制和供应链管理[1-3]。在制造系统中，人工智能和机器学习可以节省时间和成本，提高质量和减少浪费，并促进智能，灵活和环保的生产生态系统中的制造业发展。由于这些原因，与人工智能和机器学习相关的技术，最有前途的人工智能技术之一，越来越多地用于从数据中提取知识价值，这可以为制造系统带来很多好处[2]。人工智能代表了计算机科学的一个广泛领域，涉及构建能够执行通常需要人类智能的任务的智能机器[5]，其主要目标是在机器中创建类似人类的行为，用于感知，推理和行动。从广义上讲，包含人工智能的系统具有模仿人类认知的分析能力。相反，ML代表了人工智能最有前途的子领域，Iqbal（2022）将其定义为“一组可以自动检测数据中的模式的方法，然后使用未发现的模式来预测未来的数据，或者在不确定的情况下执行其他类型的决策”。它使计算机系统能够从数据中识别相关性，从而在没有定义规则的情况下做出类似人类的决策，并且它基于数据知识的泛化，可以通过不同的方法实现，例如分类，聚类，回归和异常检测[2]。ML模型的成功实现取决于合适的算法和大量高质量的数据集。一般来说，可以根据模型如何从数据中学习来区分ML的三个类别：监督，无监督和强化学习技术。近年来，从“数据科学”的角度来看，人工智能和机器学习的科学兴趣有所增加，并且由于其实施可能带来的前所未有的性能，这些技术已与其他技术集成，如数字孪生[6]或增材制造[7]。如今，人工智能和机器学习代表了解决问题的跨领域方法，它们可以应用于完全不同的领域，而无论具体的应用领域和/或业务特征如何。基于人工智能的工具和服务可以支持决策过程，减少对员工经验的依赖然而，尽管人工智能和机器学习作为分析解决方案的一部分，作为满足快速发展的动态制造环境要求的方法越来越受欢迎，但这些解决方案在制造微型，小型和中型企业（MSME）中的使用尚未得到充分探索。这些企业正在努力了解这项新技术对其业务管理的真正影响。为了跟上这一发展并实现其所能提供的竞争优势，公司需要投资于技术和创新。这对中小微企业来说是一个特殊的挑战，根据欧洲联盟（欧盟）的说法，中小微企业是欧洲经济的支柱。2019年，欧盟约99%的制造业公司是中小型公司。表1报告了欧洲共同体提供的中小微企业定义。表1.微型、小型和中型企业的定义（欧盟建议2003/361）。公司类别员工人数营业额或资产负债表合计中型<250≤ 50百万≤43百万欧元小<50≤ 10百万≤10百万欧元微<10≤ 2百万≤2百万欧元制造业中小企业在附加值方面受到疫情的严重影响（-9，8%）[8]，需要改善其核心流程以生存。在能够为中小微企业带来优势的各种技术中，为实现AI和ML应用的价值提供最佳条件至关重要。为低成本自动化、模拟、物联网（IoT）和数据分析提供人工智能解决方案可以为制造中小微企业创造新的机会，这些企业可以利用各种易于访问的软件产品来尝试和测试人工智能应用程序如何提供帮助（例如，GoogleTensorFlow）[9]。据作者大多数作者集中在工业的一般主题4.0[10]，或AI/ML在MSME制造系统中的具体应用[11]，而主要的限制和挑战是通过调查和问卷获得的因此，这项研究1822Valentina De Simone等人/ Procedia Computer Science 217（2023）1820这项工作旨在概述人工智能/机器学习在制造中小微企业中的现有应用，重点关注旨在解决的业务问题，尤其是其主要局限性和挑战。这项研究工作的目的是了解已经采取的步骤，以及在文献中仍然存在哪些差距，这些技术在微小中型企业中的成功实际应用。本文件其余部分的结构如下。第2节描述了研究方法，第3节介绍了文献定量和定性分析的主要结果。最后，第四部分给出了本研究的主要结论和未来可能的研究方向。2. 研究方法为了填补已经确定的空白，使用范围审查方法对现有的科学文献进行了审查，该方法总结了复杂和异质的主题，以确定研究空白并为未来的研究议程奠定基础[12]。进行了文献分析，以回答以下研究问题（RQ）： RQ 1：在制造业中小企业中实施AI/ML可以解决哪些类型的问题 RQ 2：在制造中小微企业中使用AI/ML技术的主要限制和挑战是什么？使用相关科学数据库Scopus进行检索，并与已定义的RQ一致地定义检索策略。最初确定了一组关键词，如表2所示。表2.搜索字符串中小微企业调查的技术背景微型、小型和中型企业人工智能;机器学习机器人 *;工业 *;生产第一组关键词涉及中小微企业，第二组关键词涉及所研究的技术（人工智能和机器学习），第三组关键词涉及制造业。检索字符串，即使用每组之间的布尔“AND”运算符和每组内的“OR”运算符获得的组中关键词的组合，用于覆盖数据库中论文的标题、关键词和摘要。关于其他限制标准，检索仅限于过去20年内以英语撰写的文章，其文件类型为会议记录、文章或综述。此外，所有与生产无关的主题领域都被排除在外。搜索后，分两个阶段进行选择筛选。第一阶段涉及阅读每篇论文的标题和摘要，并根据以下排除标准纳入或排除论文：没有可用的文本;与所有三组关键词无关的论文;与制造环境无关的论文; AI/ML不是重点的论文;重点是算法而不是应用或案例研究的论文。第二次筛选包括阅读所选论文的全文，并根据上述相同的排除标准识别最相关的文章。最后，收集了第二次筛选产生的论文的相关信息。所进行的分析侧重于： 论文的主要特征：在与作者、发表年份和文献类型相关的经典信息上，根据其创新贡献（即，审查、调查、框架开发、模型/方法开发、服务/工具开发、案例研究）。 AI/ML在中小微企业中的应用：研究涉及的企业类别（微型，小型和/或中型）规模的企业），应用领域（例如，维护、质量等），要解决的问题的具体类型，以及国家（如果提到）。Valentina De Simone等人/ Procedia Computer Science 217（2023）18201823 报告的限制和挑战：收集了论文中报告的所有问题，问题和可能的挑战，以了解AI/ML在MSME中的应用限制以及面临的挑战3. 定量和定性结果根据定义的限制标准排除后，Scopus检索得到的文章数量为231篇。第一个筛选阶段允许我们排除131篇不符合本研究工作目标的文章。最后，根据第2节中描述的排除标准，仅选择了34篇文章。筛选阶段和获得的结果报告在图中。1.Fig. 1.范围界定文献综述：筛选阶段和结果。所选研究涵盖的时间跨度为2014年至2022年。近年来的论文数量（图2）显示出明显的增长，尤其是近年来，这表明研究人员对这一主题的兴趣越来越大。34篇论文中有29篇发表于近三年（2020-2022年）。在文件类型方面没有发现显著差异。一半的论文（17篇）在国际会议上发表，主要发表在Procedia CIRP（3篇）、Procedia Computer Science（2篇）和IFAC-PapersOnLine上。（2篇论文）。其余论文发表在同行评审期刊上，如《应用科学》（瑞士）（3篇论文）、《运筹学年鉴》（2篇论文）和《技术预测和社会变革》（2篇论文）。关于创新贡献（图2），大多数选定的论文都涉及为MSME开发基于AI/ML的方法或模型[13-20]，开发框架，例如用于测量企业的AI/ML准备程度，促进MSME采用AI/ML或促进利用AI/ML的任务的决策过程[4，11，21 -26]，开发服务/工具[27-34]，并根据对中小微企业样本的访谈或问卷进行调查[35-42]。最后，只有一项研究提出了一个真实的案例研究[43]，一篇论文重点介绍了中小企业使用人工智能和物联网的文献综述[44]。更有趣的是，这些年来，与不同创新贡献相关的文章是如何分布的（图2）。2021年，随着专注于方法或模型开发的研究略有增加，专注于服务或工具开发的研究减少，基于调查和框架开发的研究数量显著增加。这一趋势表明，科学界的注意力现在更多地集中在人工智能/机器学习在中小微企业中的应用，以及如何从已经开发的解决方案中受益。1824Valentina De Simone等人/ Procedia Computer Science 217（2023）182020181614121086420调查审核方法开发/服务模型开发/框架为例2014 2017 2018 2019 2020 2021 20225141226411 1111111图2.历年来的文章分布和创新贡献。3.1. 通过AI/ML为了回答RQ1，收集了所涉及的企业类别、应用领域和要解决的问题的具体类型、所涉及的行业类型和国家等大部分入选的论文集中于中小型企业的应用（34篇论文中的32篇）。其余两份文件分别涉及中型企业[15]和微型企业[36]。有趣的是，微型企业不需要使用基于AI/ML的“复杂”系统来改进核心流程。将其纳入分析仅是为了评价文献分析中是否出现与作者预期不同的内容。需要强调的另一个基本方面是，并非所有选定的研究都是在欧盟国家进行的。因此，中小微企业的定义可能因国而异。在所选研究中分析最多的国家是印度[4，11，30，40]、德国[18，39，43]、中国[34与应用领域相关的结果见图3。对于每个应用领域，可以解决不同类型的问题，或者至少可以通过引入AI和ML等新技术来实现改进。图3.分析应用程序域。如图3所示，大多数论文都集中在使用AI和ML进行维护（6篇论文）和质量（4篇论文），这可能是因为它们的相关性和更快的投资回报率，因此代表了研究最多的问题。在维护领域，大多数研究提出了基于这些技术的解决方案，维护质量供应链能源管理生产计划机器人网络安全营销业务协助物料处理64322221110 1 2 3 4 5 67论文数量论文数量应用程序域Valentina De Simone等人/ Procedia Computer Science 217（2023）18201825预测性维护[11，18，22，24，31]，主要旨在最大限度地减少机器故障诊断的不确定性，并最大限度地提高设备的可用性，预测机器及其组件的剩余使用寿命。由于工业物联网（IIoT）传感器网络提供的实时数据，人工智能可以帮助防止机器故障并降低维护成本。由于在同一领域的多个应用程序，在研究中使用的AI/ML模型方面没有发现任何趋势。例如，在Velmurugan等人（2021）[11]开发的预测框架中，使用线性回归技术评估故障率变化的准确性，并使用K均值方法确定最佳最近的负责任维护和服务中心，而在Omri等人（2021）[24]的研究中，使用人工神经网络。为了避免在机器学习算法选择方面需要专家执行机器学习模型，Jain等人提出的机器学习解决方案。（2020）[31]通过Auto-WEKA（一种现成的开源技术）集成了自动化机器学习。专注于质量领域，中小企业的大多数质量检查都是由工人手动执行的，这个过程很容易受到人为错误的影响。由于这些过程的成本及其影响，许多研究都集中在缺陷检测的自动化上，可以通过将AI/ML技术应用于数据来实现，在这种情况下，也是由IIoT提供[14，15，19，29]。在这一应用领域的所有研究都是基于神经网络的。在Ha和Jeong（2021）[14]和Hansen等人（2020）[29]的研究中，卷积神经网络模型用于图像检测，实现了高精度，而Sariyer等人（2021）[15]更倾向于使用多层感知器神经网络进行产品质量水平分类和返工数量预测。最后，在Becker等人的研究中。（2020）[19]，为了检测打印过程中的错误，使用长短期记忆神经网络模型从录制的音频中学习不同的声音类别。关于定义为“供应链”的类别（3篇论文），只有一项研究关注人工智能的采用，以提高食品加工中供应链的弹性，整合和透明度方面的运营效率[40]。此外，仓库运营在供应链管理中也至关重要，可以从AI/ML技术中受益：Kim等人（2022）[13]提出了一种基于长短期记忆的库存管理需求预测模型来预测企业的库存数据，而Choy等人已经配置了一个系统来改进存储分配和订单拣选。（2017）[34]。此外，在生产控制的背景下，两项研究重点关注用于能源管理的AI/ML。如今，许多中小企业都有兴趣采取措施减少能源消耗和改善能源管理，因为能源效率是节省资金和资源的一种方式。AI/ML可用于根据实际生产数据预测CNC加工操作的能源需求[16]。相反，Grigoras et Neagu（2020）[25]的研究工作提出了一个基于人工智能和数据挖掘的决策支持平台，该平台旨在提高中小企业的能源效率。在生产规划的背景下，两项研究工作通过ML为中小企业处理提前期的预测，强调需要准确的预测，作为手动和基于模拟的生产规划的燃料。提前期预测，这是非常具有挑战性的，尤其是在系统的特点是高产品方差和订单参数的变化（如在按订单生产系统）的情况下，应解决任何类型的优化调度[17，43]。AI/ML也可用于机器人和网络安全应用。在机器人技术中，AI/ML可以用来克服不同的问题。Francalanza等人（2018）[20]的研究工作的主要重点是生成设计，即，一种人工智能方法，用于开发可定制的机器人操纵器以用于中小企业，而Roitberg等人已经开发了一个ML框架。（2014）[26]用于人类活动识别，这是人类和机器人之间合作的基础。关于网络安全，在两项研究中研究了基于ML的解决方案[27，38]。ML是一种非常有效的技术，因为可以预测性地分析与安全相关的数据，以便在早期阶段防御潜在的攻击。最后，AI/ML提供的进步也可以在其他领域获得，例如： 营销：通过数据分析解决的一个问题是客户流失预测。Aleksandrova（2018）针对这个特定问题提出了RFM分析（基于最近度，频率和交易金额进行客户评分和细分的经典营销方法）和ML算法的组合[33]。1826Valentina De Simone等人/ Procedia Computer Science 217（2023）1820 商业援助：考虑到企业盈利能力对决策过程的依赖性，人工智能技术可以通过引入助手（例如能够在创建或管理企业的阶段帮助企业家的“顾问”）来整合到业务决策过程中[32]。 材料处理：人工智能方法已被确定用于减少事故、提高系统效率和优化参数，例如处理部件的时间和自动导引车（AGV）的速度[30]。总的来说，只有24篇文章可以确定与单个应用程序域的明确联系。至于其余10篇论文（主要是基于框架开发的调查或研究），由于他们的方法主要集中在从一般角度实现这些技术，因此没有找到具体的应用领域。3.2. 限制和挑战投资于数字解决方案是制造业中小微企业的关键要求，如果他们想在高度动态的市场中生存，发展和保持竞争力。在这种情况下，人工智能/机器学习解决方案的实施可以改善流程，它可能对可持续发展的不断发展的作用至关重要，这与数字化及其发展密切相关。然而，AI/ML解决方案及其实施的真正可行性受到一些限制的阻碍，这些限制已经被仔细分析以解决RQ 2。表3列出了文献中发现的主要局限性。表3.在MSME中使用AI/ML的主要限制。限制说明数据质量、数量和可用性是使用AI/ML技术最突出的限制。公司没有足够的数据来提供AI/ML解决方案，在任何更复杂的解决方案之前，都需要结构化和自动化数据收集[13- 15，17，21 - 24，39 -43]。数据的收集和用于验证模型的数据集的可用性取决于应用程序的类型。例如，对于预测性维护，许多公共数据集可用，而对于其他类型的应用领域，则缺乏[17]。此外，与数据相关的一些研究表明，透明度和安全问题以及网络安全被认为是关键[23，39，41，44]。缺乏知识/技能的中小微企业受到缺乏高水平AI/ML和IT知识的影响[18，21，23，34因此，即使使用新的解决方案AI/ML似乎是有益的，他们也无法利用它们。进一步的问题与员工年龄[35]，培训不足[35，42]和缺乏经验[18]有关。缺乏预算与大型公司相比，中小企业有一个小的预算投资于技术[18，23，35，39，41，42]。此外，他们认为这些解决方案的成本非常高，即使这并不总是正确的。缺乏方法和工具来估计AI/ML应用程序的成本/优势比[21]。解决方案的复杂性基于AI/ML的解决方案对于中小微企业的环境来说太复杂了[4，21，35，41]。尽管在过去的几年里，解决方案变得更加容易获得（易于使用的解决方案，如Microsoft Azure提供的机器学习工具），但AI/ML解决方案被认为是复杂的，因为没有足够的知识和资源可以包含在这些项目中。缺乏管理参与和战略管理者应该了解采用人工智能解决方案的可行性和好处[21，35，41]，如果需要的话。然而，他们通常没有明确的策略来收集数据和使用人工智能。与大型企业相比，中小微企业在上述进入壁垒方面面临的困难要大得多，它们的智能转型应该是一个渐进的过程，一点一点地建立，以避免负面结果[35]。此外，还强调了其他限制因素，即使报告较少。当然，所有基于数据使用的工具或方法都取决于企业的数字化水平[39，44]。例如，旧设备可能代表了收集对应用AI/ML技术有用的数据的真正限制[39]。在34份文件中，只有19份文件对局限性提出了令人感兴趣的考虑，最有用的是那些以已进行的调查为基础的方法（6份文件）。此外，对文献的分析使我们能够确定在制造中小微企业中使用AI/ML的挑战，如下所述。Valentina De Simone等人/ Procedia Computer Science 217（2023）18201827 缺乏易于实施的受约束的端到端解决方案。中小微企业需要能够快速部署和使用的简单解决方案[21，23，43，44]。还必须确保这些解决方案更好地融入其现有的异质景观[43]。虽然大型企业正在系统地转向AI/ML应用程序，但较小的公司可能会被抛在后面。研究可以通过适当的框架，减少对技术知识的需求并适应中小企业的要求，进一步促进获得这些技术[41]。 一个非常具有挑战性的问题是，很难根据具体问题确定有意义的基于AI/ML的解决方案[39，41]。如何选择最佳解决方案，以及它们是否有用，对于很少需要这些高级解决方案的中小微企业来说非常复杂，这些解决方案需要大量的数据准备，费力的参数调整以及对潜在问题的全面理解[23]。 有人提出了与人有关的问题。员工缺乏参与[39]或用户接受度太低[41]可能会严重影响AI/ML等新技术的实施结果。因此，一个真正的挑战是确定如何让员工参与这些技术的引进和使用。需要重点强调人为因素，包括涉及AI/ML技术的培训和沟通[42]以及减少切换到这些技术所需的技能[36，40]。值得注意的是，制造业和人工智能的融合可以提供大量的就业机会。一方面，需要人工智能工程师和技术人员等新工作，但另一方面，常规密集型职业、手工和重复性工作很容易受到自动化的影响。普遍的看法似乎是，机器取代人类工人的程度很高：这可能使员工遭受失业，裁员，再就业以及重新培训新工作的必要性[36]。 数字革命越来越多地要求中小企业追求技术创新，例如实施人工智能和坚持环境可持续发展目标。鉴于AI/ML技术的应用领域众多，评估制造业如何从数据驱动的方法中受益以及可持续发展的哪些方面会受到影响将是一件有趣的事情。4. 结论和未来的研究方向今天，人工智能和机器学习被视为实现竞争优势的战略组成部分，在制造业中应用这些技术有很大的潜力。为了跟上这些技术的发展，公司需要投资于创新，这对中小微企业来说尤其具有挑战性，因为与大型企业相比，中小微企业获得这些技术的机会往往有限，而且在创新方面更加困难这项研究工作在方法上基于范围文献综述，对人工智能和机器学习在制造中小微企业中的应用进行了初步的全面概述，突出了这些应用的局限性和挑战。所进行分析的主要结果报告如下。 科学界对这一专题的兴趣越来越大，过去三年中选定的出版物数量证实了这一点。 分析表明，微型企业对使用这类应用程序不感兴趣 AI/ML在MSME中的主要应用领域是维护和质量，而其他应用领域则较少研究。对于每个领域，已经确定了使用AI/ML可能面临的最多探索的问题。 在中小微企业中实施和正确使用基于AI/ML的解决方案的主要限制是数据问题（在可获得性、质量和数量方面）、缺乏该领域的知识和技能、缺乏用于投资的财政资源、所提出的实际解决方案普遍复杂以及缺乏管理层的参与和战略。缺乏数字化的问题较少被调查。 确定的主要挑战是简化AI/ML解决方案并适应中小微企业的要求，正确识别特定应用领域的AI/ML解决方案，以及实现更高水平的员工1828Valentina De Simone等人/ Procedia Computer Science 217（2023）1820然而，这项研究存在一些局限性。可以通过不同的方式改进搜索策略，例如使用多个科学数据库和确定一组更好的关键词用于搜索。此外，不仅应通过科学文献，而且还应通过白皮书、咨询公司报告和商业报告等其他来源对中小微企业专题进行调查。关于未来的研究方向，为了获得更精确的图像，应该探索AI/ML尚未彻底研究的个别类型的应用程序。专注于特定的应用领域可以让研究人员更好地专注于实现的AI/ML技术类型。系统地处理与其他技术的联系也是有益的，即使是中小微企业。AI/ML可以支持其他类型的技术，如数字孪生，人机协作等。此外，将重点放在一个特定的地理区域或一个国家将是有意义的，因为不仅欧盟国家与其他国家之间存在重大差异，而且在一个地理区域内也存在重大差异，因为技术的发展及其实施是根据每个国家的战略计划确定的引用[1] Bertolini，Massimo，DavideMezzogori，MattiaNeroni，andFrancescoZammori.（2021）网址：https://doi.org/10.1016/j.eswa.2021.114820[2] Kaymakci，Can，Simon Wenninger，Philipp Pelger，and Alexander Sauer.（2022）[3] Heizmann，Michael，Alexander Braun，Markus Glitzner，Matthias Günther，Günther Hasna，Christina Klüver等人（2022）[4] 放 大 图 片 作 者 ： Chatterjee ， Sheshadri ， Nripendra P. Rana ， Yogesh K. Dwivedi 和 Abdullah M. 巴 阿 卜 杜 拉 （ 2021 ） 网 址 ：https://doi.org/10.1016/j.techfore.2021.120880[5] 伊克巴尔·萨克尔（2022）网址：https://doi.org/10.1007/s42979-022-01043-x[6] Rathore，M. Mazhar，Syed Attique Shah，Dhirendra Shukla，Elmahdi Bentafat，and Spiridon Bakiras.（2021）[7] 李军，洪成，郭洪亮，邱少波。2017.《增材制造人工智能调查》，第23届自动化与计算国际会议（ICAC），第23页。一比六[8] 欧洲联盟委员会。2021.“欧洲中小企业年度报告欧洲中小企业数字化年度报告”1- 185页。[9]2019年。[10] Mittal，Sameer，Muztoba Ahmad Khan，David Romero，and Thorsten Wuest.（2018）4.0成熟度模型：对中小企业的影响[11]Velmurugan，K.，Venkumar和Pandian R. Sudhakara。（2021）[12]Di Pasquale，Valentina，Salvatore Miranda，and W.帕特里克·诺依曼。（2020）网址：https://doi.org/00207543.2020.1773561[13]Kim，Myungsoo，Jaehyeong Lee，Chaegyu Lee，and Jongjiang Jeong.（2022）[14]哈，贤宗，还有郑钟。（2021）[15]Sariyer ， Gorkem ， Sachin Kumar Mangla ， Yigit Kazancoglu ， Ceren Ocal Tasar ， and Sunil Luthra. （ 2021 ） 网 址 ：https://doi.org/10.1007/s10479-021-04215-9[16]Brillinger，Markus，Marcel Wuwer，Muaaz Abdul Hadi，and Franz Haas.（2021）[17]本德，雅内克，和吉芙卡·奥夫查洛娃。（2021）[18]Welte，Rebecca，Manfred Estler，and Dominik Lucke.（2020）网址：https://doi.org/10.1016/j.procir.2020.04.052[19] Becker，Pascal，Christian Roth，Arne Roennau，and Ruediger Dillmann.（2020）Valentina De Simone等人/ Procedia Computer Science 217（2023）182018292020年IEEE第7届[20]Francalanza，Emmanuel，Alec Fenech，and Paul Cutajar.（2018）[21]Bettoni ， Andrea ， Davide Matteri ， Elias Montini ， Bartlomiej Gladysz ， and Emanuele Carpanzano. （ 2021 ） 网 址 ：https://doi.org/10.1016/j.ifacol.2021.08.082[22]Chen，Jacky，Chee Peng Lim，Kim Hua Tan，Kannan Govindan，and Ajay Kumar.（2021）网址：https://doi.org/10.1007/s10479-021-04373-w[23]Kaiser，Jan，German Terrazas，Duncan McFarlane，and Lavindra de Silva.（2021）网址：https://doi.org/10.1007/s00146-021-01332-8[24]Omri ， Nabil ， Zeina Al Masry ， Nicolas Mairot ， Sylvian Giampiccolo ， and Noureddine Zerhouni. （ 2021 ） 网 址 ：https://doi.org/10.1016/j.procir.2021.11.269[25]格里戈拉斯、格奥尔基和波格丹·康斯坦丁·尼古。（2020）[26]Roitberg，Alina，Alexander Perzylo，Nikhil Somani，Manuel Giuliani，Markus Rickert，and Alois Knoll.（2014）[27]Empl ， Philip ， and Günther Pernul. 2021.“A Flexible Security Analytics Service for the Industrial IoT“Vol. 1 ， SAT-CPS 2021 -Proceedings of the 2021 ACM Workshop on Secure and Trustworthy Cyber-Physical Systems.计算机协会; 23[28]Kellner，Domenic，Maximilian Lowin，Moritz von Zahn，and Johannes Chen.（2021）[29]Hansen，Emil Blixt，Nadeem Iftikhar，and Simon Bogh.（2020）[30]Soundattikar，S.A.，V.R. Naik，和C.维·阿达克（2020）[31]Jain ， AmitKumar ， MaharshiDhada ， AjithKumarParlikad ， andBhupeshKumarLad. （ 2020 ） 网 址 ：https://doi.org/10.1016/j.ifacol.2020.11.012[32]伊瓦先科，泰蒂亚娜，伊戈尔Chornodid，和安德烈伊瓦先科。（2020）[33]亚历山德罗娃，扬卡。（2018）International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management，SGEM18（2.1）：125[34]Choy，K.L.，GTS 何先生及C.K.H.李你（2017）Journal of Intelligent Manufacturing28（1）：111[35]Wang，Jinqiang，Yaobin Lu，Si Fan，Peng Hu，and Bin Wang.（2022）“如何在人工智能时代生存？探索中国中部地区中小企业的智能转型[36]Xie，Mengmeng，Lin Ding，Yan Xia，Jianfeng Guo，Jiaofeng Pan，and Huijuan Wang.（2021）“人工智能是否影响技能需求的模式？Evidence from Chinese manufacturing firms[37]Denicolai，Stefano，Antonella Zucchella，and Giovanna Magnani.（2021）“国际化，数字化和可持续性：中小企业准备好了吗？关于增长路径之间的协同作用和替代效应的调查[38]Rawindaran，Nisha，Ambikesh Jayal，and Edmond Prakash.（2021）[39]Szedlak，Christoph，Bert Leyendecker，Holger Reinemann，Maik Kschischo，and Patrick Pötters.（2021）[40]Jain，Vranda，Tavishi Tewary，and Badri Narayanan Gopalakrishnan.（2021）[41]Bauer，Markus，Clemens van Dinther，and Daniel Kiefer.（2020）[42] Prem，Erich.（2019）[43]Bender，Janek，Martin Trat，and Jivka Ovtcharova.（2022）[44] Hansen，Emil Blixt，and Simon Bøgh.（2021）制造系统杂志58（2019年10月）：362