《Measurement: Sensors》：A Review of Smart Metrology in Industry 4.0 - 5.0: Standards, Interoperability, and Automation
编辑推荐：
尺寸计量正从孤立的、后处理检测向数字制造中集成化、智能化的测量转变。在工业4.0和5.0的背景下，智能计量覆盖了嵌入信息物理生产环境中的触觉式、光学式和混合式模态。标准化信息模型，例如STEP AP242、质量信息框架（QIF）、STEP-NC和开放平台通信统
尺寸计量正从孤立的、后处理检测向数字制造中集成化、智能化的测量转变。在工业4.0和5.0的背景下，智能计量覆盖了嵌入信息物理生产环境中的触觉式、光学式和混合式模态。标准化信息模型，例如STEP AP242、质量信息框架（QIF）、STEP-NC和开放平台通信统一架构（OPC UA），连接了设计、制造和质量保证，以建立具有生命周期可追溯性的可互操作数字线程。本综述综合了计量领域中软件与数据集成、自动化与机器人技术以及人工智能的最新发展，并引入了一个结构化的分类法和概念框架，阐明这些技术如何在技术、句法、语义和组织层面相互作用。该综述强调了基于模型的定义、结合边缘与云的架构以及机器人辅助检测如何实现实时闭环质量控制。一项比较分析阐明了从静态验证向自适应测量网络的转变。持续存在的挑战包括异构工具间的语义互操作性、实时不确定度评估以及保持可解释性和可审计性的可信人工智能，同时还需考虑以人为中心的设计要求。本文最后针对工业部署提出了实用建议，并制定了一个研究议程，聚焦于在线不确定度估计、可互操作本体、数字孪生驱动控制以及可信的可持续性指标。通过连接标准化数据、自动化和人类监督，智能计量正成为具有韧性和可持续性制造的基石。
**1. 引言**
尺寸计量已从后处理验证活动演变为集成化、信息丰富的功能，支撑着数字制造和质量保证。工业4.0将测量系统重新定义为信息物理资产，在整个产品生命周期中生成、交换和解释数据。在此转型中，智能计量系统（包括三坐标测量机（CMM）、光学扫描仪、激光跟踪装置和在线量仪）成为维护产品符合性、支持可追溯性以及实现反馈驱动生产控制的核心节点。历史上，三坐标测量机代表了尺寸计量中最具影响力的突破，为复杂几何形状的可编程高精度检测奠定了基础。随着时间的推移，传感器、机器架构和计算方法的创新将测量范围从离散零件检测扩展到灵活、多传感器和自动化的配置。如今，推动CMM技术进步的相同原则——可追溯性、精度和数据集成——正被扩展到配备网络控制、边缘计算和人工智能（AI）能力的更广泛的智能计量仪器生态系统中。向工业5.0的转变强化了以人为本和可持续性的维度。智能计量系统不仅有助于提高精度和效率，还通过自适应控制和情境化决策实现资源优化、人体工程学安全和韧性制造。信息物理测量资产、企业系统和云分析之间的互连构成了数字线程的基础，其中设计、生产和检测数据在语义上关联并可互操作。标准如STEP AP242（ISO 10303-242）、QIF（ISO 23952:2020）、STEP-NC（ISO 10303-238/AP238）和OPC UA（IEC 62541）为此数据连续性提供了基础设施。这些发展将计量从静态验证阶段重新定义为智能工厂中的闭环智能功能。尽管取得了这些进展，但仍存在重大挑战：缺乏统一的语义模型、对互操作性标准的不一致遵循以及遗留系统的共存阻碍了智能计量愿景的全面实现。此外，实时不确定度量化和可信AI仍是有待积极研究的领域，需要协调的方法和可验证的可追溯性框架。本文回顾了智能计量系统中软件与数据集成以及自动化与机器人技术的最新进展。讨论整合了实现接触式和非接触式模态间的互操作性和闭环控制的标准、架构和新兴技术。为构建这一复杂领域，本文引入了智能计量互操作性的分类法，区分了四个互补层面：技术、句法、语义和组织互操作性。第2节提出了一个从文献中综合得出的概念性智能计量架构。此外，本文中的分类法和分层概念框架作为分析结构，组织了对标准、架构和技术领域的综述。
**2. 智能计量系统中的软件与数据集成**
本节考察了使智能计量系统能够在设计、制造和检测域之间交换、解释和操作测量数据的数字基础。
**2.1 基于模型的定义与数字线程连续性**
智能计量系统在数字制造的更广泛架构中运行，几何和语义数据从设计到检测连续流动。基于模型的定义（MBD）范式用嵌入产品与制造信息（PMI）的丰富三维模型取代传统的二维图纸。这些模型实现了计算机辅助设计（CAD）、制造（CAM）和计量（CMM或光学）环境之间公差、表面规范和基准特征的直接交换。国际标准如STEP AP242（ISO 10303-242:2025）和QIF（ISO 23952:2020）构成了此互操作性的基础。STEP AP242支持几何、PMI和装配关系，而QIF定义了用于检测计划、结果和资源的标准化XML模式。这些模型与生命周期持久标识符共同建立了一个数字线程，将设计意图与检测证据和企业级决策联系起来。
**2.2 开放标准与信息互操作性**
确保智能计量系统与其他工厂组件无缝交换数据需要开放的通信框架和语义对齐。OPC UA（IEC 62541）架构为近实时信息交换提供了机器对机器通信层。与MTConnect和ISA-95映射结合时，它实现了测量工作单元、制造执行系统（MES）和企业资源规划（ERP）层之间的双向数据流。STEP-NC（ISO 10303-238/ISO 14649）将STEP语义扩展到制造操作和数控执行数据，支持过程感知的数字工作指令。在实践中，将STEP/AP242的设计和PMI与QIF（ISO 23952:2020）的检测计划和结果连接，可实现从设计意图到验证证据的连续性。这些标准共同实现了一个双向数字线程，连接设计、生产和质量功能。尽管取得了进展，但在协调专有数据格式和本体方面仍存在挑战。许多商业系统仍依赖供应商特定扩展，限制了可移植性。NIST和ISO的持续举措旨在为特征、公差和传感器模型形式化共享词汇和持久标识符，以实现跨计量模态的语义互操作性。
**2.2.1 智能计量互操作性分类法**
所提议的分类法将互操作性要求专门归类到智能计量生态系统中，联系了系统连接性、基于模型的信息流、测量数据的语义对齐以及企业级治理。第一层（技术）关注设备间的物理和协议级连接；第二层（句法）关注通用数据格式和模式对齐；第三层（语义）关注跨系统的计量数据共享情境含义；第四层（组织）关注流程对齐、责任分配和数字线程数据的治理。大多数技术进展和标准化工作集中在第1-3层，而第4层仍是一个关键未解决的缺口。OPC UA主要增强第1层，STEP AP242和QIF扩展到第2层和第3层，但第4层进展更依赖于治理机制而非额外数据模式。
**2.3 数据架构与边缘-云集成**
现代智能计量单元生成来自多轴运动、传感器阵列和环境监测的异构数据。分布式架构平衡了边缘的实时确定性与云中的可扩展分析。边缘计算节点执行时间关键的测量和对齐算法，而云平台执行统计分析、不确定度估计和性能跟踪。此层次架构与工业物联网原则一致，其中计量数据流通过标准化API暴露并存储在结构化存储库中。边缘与云之间的同步确保最新校准参数、刀具偏移和测量结果在企业网络中传播。安全性和数据治理考虑同样重要：加密、基于角色的访问和防篡改可追溯机制被研究以维护完整性。
**2.4 人工智能与基于知识的检测**
AI和机器学习已成为智能计量中数据解释和决策支持的关键使能器。基于神经网络的表面类型分类和缺陷检测、动态误差补偿的回归模型以及自适应检测路径的强化学习策略是当前应用的例子。基于知识的检测系统利用存储在QIF存储库中的历史数据集自动选择测量策略并预测不确定度水平。混合框架结合AI分析与基于规则的推理提供了可解释性，解决了纯数据驱动方法的主要限制之一。然而，AI在计量中的部署需要严格验证。数据不平衡、过拟合和缺乏真实参考可能导致不可靠的预测。随着AI接近决策路径，对可解释性、不确定度报告、版本控制和审计就绪可追溯性的要求变得更加严格。标准组织正在制定可信和可追溯AI应用的指南。
**2.5 智能计量集成概念架构**
提出了一个概念架构，将传感硬件、标准化信息模型、数字孪生和AI驱动分析集成在统一的智能计量生态系统中。物理层包括触觉CMM、光学系统、机器人安装传感器和嵌入式环境传感器。互操作性层实现通信协议、数据编码和语义一致性。数字孪生层镜像机器配置、误差图、探测策略和工作状态，支持虚拟验证和自适应路径生成。AI与分析层对语义丰富的QIF/STEP数据流进行操作，检测异常、预测漂移、优化检测策略。企业与治理层将测量智能集成到MES/ERP系统中，处理数据所有权、版本控制和网络安全。这些层展示了从以硬件为中心的检测向数字化编排生态系统的转变。
**3. 智能计量系统中的自动化与机器人技术**
自动化和机器人技术正成为现代尺寸计量的核心，支持灵活、高混合和高通量生产环境。配备触觉、光学或混合传感器的机器人扩展了测量范围，实现了无夹具检测，并与机床、自动送料系统和在线验证单元协调。
**3.1 机器人辅助、在线与近线智能计量**
机器人辅助计量系统（RAMS）配备触觉或光学传感器，可对大型或复杂几何形状进行无夹具测量，扩展了传统CMM体积之外的范围。多传感器配置融合触觉探测与结构光或激光扫描数据，在相同检测周期内提供密集覆盖和可追溯参考点。在线和近线部署将能力直接扩展到生产流程中：在线系统在加工期间或之后立即测量零件，最小化反馈延迟；近线机器人工作单元提供更高精度。机器人化和过程计量中的持续限制是来自运动学误差、热漂移和传感器特定影响的复合不确定度，使得亚10μm精度具有挑战性。国际框架如ISO 9283、ISO 10360-12/-13和VDI/VDE 2634支撑校准和验证。
**3.2 闭环控制与自适应反馈**
闭环质量控制是智能计量集成的重要成就。检测中发现的偏差自动分析并传输到加工或装配控制器进行补偿。高级控制器采用自适应算法，根据计量反馈调整进给率、刀具路径或夹紧力。数据驱动前馈控制通过学习动态误差补偿展示精度提升。闭环系统的有效性取决于延迟、数据精度和模型保真度。边缘计算减轻通信延迟，标准化数据结构保证语义一致性。
**3.3 人机交互与操作员支持**
工业5.0中的新兴范式强调以人为本的自动化，操作员通过直观界面和增强现实可视化与机器人和计量系统协作。增强和虚拟现实工具将测量数据、公差区域和偏差映射叠加在物理部件上，增强情境意识和培训效果。协作机器人通过力限制关节和情境感知控制促进与人类的安全共存。
**3.4 挑战与研究方向**
主要挑战包括：校准复杂性（多传感器和关节机构引入复合误差）、数据互操作性（商业系统仍采用专有数据模型）、AI可解释性（需要透明验证）和人为因素（需要符合人体工程学和认知兼容的界面）。未来研究预计汇集到统一的参考架构，整合标准、AI和数字孪生能力，以实现完全可追溯、自主和可持续的智能计量生态系统。
**4. 智能计量中的测量完整性**
测量完整性是智能计量系统的基石。它依赖于传感器性能、校准可追溯性和嵌入在公认标准框架中的不确定度控制。
**4.1 传感器系统与探测可靠性**
智能计量平台结合接触和非接触传感技术，每种模态在速度、分辨率和表面交互方面各有权衡。多传感器CMM采用自适应融合交叉验证测量。可靠性通过自检、测头杆鉴定和QIF-Resources中的数字记录增强。
**4.2 校准、验证与误差映射**
传统校准使用球板、阶梯量规和激光干涉仪，辅以自动验证例程和嵌入式传感器。现代CMM应用体积/运动学/热误差图补偿空间失真。机器人系统需额外解决运动学冗余和连杆膨胀。数字孪生复制运动学和热误差分布以支持基于模型的补偿。
**4.3 不确定度建模与可追溯性**
智能计量将经典不确定度分析扩展到实时。除了CMM的任务特定不确定度方法（ISO 15530-3），GUM框架和基于仿真的方法（蒙特卡洛、贝叶斯更新）支持相关误差源的随机建模。数字孪生中实时不确定度传播实现基于概率阈值的决策规则。可追溯性日益数字化且机器可读：QIF-Results提供结构化的审计轨迹。
**4.4 符合性与验收测试**
验证扩展到动态车间条件下的过程符合性。OPC UA提供安全通信，ISA-95/IEC 62264框架企业-运营语义。在分布式质量网络中，使用通用工件的熟练/循环测试帮助基准测试智能CMM和机器人单元的等效性。
**4.5 环境与热补偿**
测量完整性在不受控制的热和振动条件下会退化。集成温度、湿度和振动传感馈入补偿模型。ISO 1:2016固定标准参考温度为20°C，ISO/IEC 17025:2017要求实验室监测和记录相关环境条件。
**4.6 数据治理与网络安全**
测量数据驱动企业决策，因此其完整性必须端到端保护。OPC UA提供安全模型——涵盖应用认证、用户认证、加密、签名和安全会话。数字签名的QIF XML包保留检测结果和资源的来源。事件时间戳和版本控制是ISO/IEC 17025技术记录的必要元素。
**4.7 综合**
测量完整性形成经典尺寸计量与智能制造之间的连接组织。嵌入校准智能、不确定度意识和安全数据治理将测量从后处理验证转变为数字生产循环中的活跃、可信参与者。
**5. 比较分析与未来方向**
传统尺寸计量依赖于生产后执行的孤立检测阶段。相比之下，本文引入的分类法允许将此转型解释为通过连续互操作性级别的进展。
**5.1 比较评估：传统与智能计量系统**
传统系统精确但主要离线操作，依赖手动数据传输和解释。智能计量系统集成传感、计算和通信以形成互连质量网络。转型可在四个维度理解：连接性、自动化、智能和可追溯性。连接性从本地控制接口扩展到标准化通信框架；自动化从半手动操作扩展到自主检测计划；智能从基于规则的决策树演变为基于学习的模型；可追溯性从纸质证书转变为数字孪生同步和数字签名审计轨迹。
**5.2 新兴研究挑战**
剩余障碍出现在标准、语义、不确定度方法、AI验证和组织治理之间的接口。具体包括：语义互操作性与标准协调（不一致的供应商实现和缺乏持久标识符实践）；实时情境中的不确定度建模（需要在线不确定度传播）；AI验证与可解释性（需要可追溯、可审计和透明）；人-系统协作（需要人体工程学和认知透明界面）；可持续性集成（零缺陷制造与闭环计量的定量归因研究不足）。
**6. 实用建议与未来研究方向**
**6.1 工业实用建议**
制造商应采取措施：采用标准化数据模型和接口（如STEP AP242、QIF、OPC UA）并部署持久标识符（UUID）；部署边缘-云架构以平衡响应性与可扩展性；集成机器人与自适应控制以实现闭环；制度化数据治理与网络安全（实施OPC UA安全模型和OT安全指南）；投资以人为中心的能力发展（培训操作员和工程师解释数字计量数据）。
**6.2 研究与创新战略方向**
研究重点包括：实时不确定度估计（物理信息机器学习和贝叶斯方法）；可互操作语义本体（统一词汇链接几何、过程和传感器数据）；数字孪生驱动计量控制（集成测量数字孪生与反馈控制器）；可信与可认证AI（与ISO/IEC 23894、NIST AI RMF和EU AI Act对齐）；可持续性指标与循环设计（标准化指标和生命周期可持续性评估集成）。
**7. 结论**
本文综述显示尺寸计量正从后处理验证转变为嵌入数字生产系统的智能、网络化功能。智能计量连接设计、制造和检测，支持可互操作信息流、自动化执行和生命周期可追溯性。自动化与机器人技术提升通量、灵活性和重复性，AI驱动的分析支持自适应规划、误差补偿和预测诊断。结合严格的测量完整性实践，智能计量将焦点从孤立设备性能转移到企业级保证。重要挑战仍然存在：语义互操作性和持久标识符使用不一致，实时不确定度量化和验证需要更强的方法一致性，AI组件必须满足可解释性和风险管理期望，以人为本的设计和技能发展至关重要。总体而言，分类法和分层框架阐明了标准化模型如QIF、STEP AP242和OPC UA如何在互操作性层面相互作用，以及未来研究和工业努力应集中之处，特别是在语义和组织对齐方面。智能计量不仅是测量技术的边际改进，而是韧性、竞争性和可持续制造的战略能力。
