发布日期:
智能制造在工业4.0背景下的关键技术与应用
文章字数：4956
摘要：智能制造作为创新的生产模式，正逐渐成为推动工业转型的重要力量，工业4.0的提出则标志着新一轮科技革命和产业变革的开始，在信息技术与制造业深度融合的背景下，物联网、大数据和人工智能等关键技术的迅猛发展，为智能制造提供了强大的技术支撑。因此，本文将围绕智能制造在工业4.0背景下的关键技术展开探讨，以期望为相关领域的研究与实践提供理论支持和指导，并促进制造业在智能化方向上的持续创新与发展。
关键词：智能制造；工业4.0；关键技术
智能制造以信息化与工业化的深度融合为基础，通过先进的信息技术和智能化设备的应用，实现制造过程的自动化、智能化和网络化。工业4.0概念的提出推动了智能制造的发展，强调了以数据为核心的智能生产模式，基于此，企业须具备快速适应市场变化与技术演进的能力，才能在激烈的竞争中立于不败之地，而物联网、大数据和人工智能等关键技术的快速发展，使得智能制造延伸至优化资源配置和提升决策水平。因此，本文将深入探讨智能制造在工业4.0背景下的关键技术，以期为制造业的数字化转型提供理论支持与实践参考。
一、智能制造的概念与背景
（一）智能制造的定义
智能制造是指在制造过程中，利用先进的信息技术、自动化设备及智能算法，构建智能化的生产系统，此概念涵盖了设备的自动化操作，强调了数据驱动的决策机制和全生命周期的管理[1]。在智能制造环境中，设备与系统之间通过物联网技术实现互联互通，从而形成高度集成的网络体系，这种体系能够实时采集和分析生产数据，进而优化生产流程和资源配置。智能制造有助于生产环节的优化，包括产品设计、供应链管理和服务创新等多维度的智能化转型，使得生产系统能够实时响应市场需求变化，实现灵活生产与个性化定制，极大提升了企业的竞争力，智能制造代表了一种先进的生产模式，通过智能化手段提升生产效率、降低运营成本，并推动制造业向高端化、绿色化、服务化发展。
（二）工业4.0的起源与发展
工业4.0是指在信息技术迅猛发展背景下，制造业进入的全新阶段，旨在实现智能化、网络化和自动化的综合化生产模式。其起源可追溯至2011年德国汉诺威工业博览会上提出的概念，强调以信息化为基础的工业革命，以提升制造业的创新能力和全球竞争力。而物联网、大数据及人工智能技术的广泛应用，使工业4.0不断演化，形成了以智能制造为核心的生态系统，在此生态系统中，设备、系统和人之间的深度互联，促成了数据的实时采集与分析，为生产过程的提供了自主化和智能化。工业4.0的发展经历了从最初的数字化转型，到如今的智能制造与产业互联网的深度融合，其涉及生产设备的智能化改造、价值链的重构与供应链的优化，通过实施智能化技术，企业得以在动态市场环境中快速响应，实现个性化定制与资源的高效配置[2]。
（三）智能制造与工业4.0的关系
智能制造与工业4.0之间存在着密切的内在联系，前者可视为后者的具体实现形式与应用载体。智能制造通过集成先进的信息技术、自动化设备及智能化算法，致力于实现生产过程的高度优化与智能化，而工业4.0则提供了宏观的框架与理论基础，推动这一转型进程。在工业4.0的背景下，智能制造涵盖了生产链各个环节的智能化重构，工业4.0强调通过物联网技术实现设备间的互联互通，形成智能化网络，从而使智能制造能够在数据驱动的基础上进行实时决策和优化管理，此过程体现了生产系统的自主性与灵活性，能够快速适应市场需求的变化。且智能制造在工业4.0框架下，强调价值链的全局优化与协同创新，促使企业通过信息共享与资源整合，实现跨部门、跨行业的合作与创新，以提升整体运营效率与市场响应能力。
二、关键技术
（一）物联网
1.物联网的基本原理
物联网作为智能制造在工业4.0背景下的核心技术，其基本原理是通过智能传感器、嵌入式设备及通信网络，将物理对象与虚拟网络紧密连接，形成无缝的数据交互和信息共享平台[3]。该系统的构建依赖于先进的通信协议和数据处理技术，能够实现设备与设备之间、设备与系统之间的实时互联互通。在此框架中，传感器能够实时监测设备状态、环境参数和生产进程，这些数据通过无线或有线网络传输至中央处理单元，经过分析与处理后，形成对生产过程的全局视图，这种数据驱动的决策机制，提升了生产效率，增强了资源的优化配置能力。同时，物联网还通过边缘计算和云计算相结合，优化了数据处理的时效性与灵活性，边缘计算能够在数据源近端进行实时分析，降低延迟，提升响应速度；而云计算则提供强大的数据存储和分析能力，支持大规模数据的处理与挖掘。
2.物联网的关键技术特征
物联网在智能制造中展现出的互联互通、智能感知能力、数据处理与分析能力等关键技术特征为实现高效、灵活的生产系统奠定了基础。互联互通利用多种通信协议与网络架构，实现设备之间能够实时数据传输与信息共享，这种无缝的连接性确保了制造过程中的信息流动顺畅，从而支持及时决策和响应；智能感知能力通过部署各种类型的传感器，使物联网能够实时采集环境参数、设备状态及生产数据，一些数据为生产流程的监控与优化提供了必要的基础，促进了生产系统的自适应能力与智能化水平的提升；物联网所产生的大量数据需要经过有效的处理与分析，以提取有价值的信息，边缘计算与云计算的结合，使得数据处理变得高效而且具有实时性，从而支持生产决策的及时性和准确性。
（二）大数据分析
1.大数据的特征
大数据的特征包括体量巨大、多样性、实时性、变化性和价值密度低，这些特征为智能制造的实施与优化提供了重要基础，推动了工业4.0的深度发展。随着传感器、设备及系统的普及，制造过程中产生的数据量呈指数级增长，这种海量数据的生成为深入分析与挖掘提供了丰富的资源；数据源的多样化包括结构化数据、非结构化和半结构化数据，这种多样性为全面理解制造过程及优化决策提供了多维度的视角；在智能制造环境中，数据的实时采集与处理能力能够确保生产系统对市场变化及设备状态的迅速响应，从而提升生产效率和灵活性；制造环境及市场需求的不断变化导致数据特征和模式的快速演变，这要求智能制造系统具备自适应能力，能够及时调整分析模型，以应对数据流的动态变化；价值密度低的特征指出虽然大数据的总体量巨大，但其蕴含的有价值信息相对较少，需要采用有效的数据挖掘技术与分析工具，从庞杂的数据中提取出具有决策支持价值的信息[4]。
2.大数据分析的核心要素
大数据分析的核心要素包括数据采集与整合、数据存储与管理、数据处理与清洗、分析算法，这些要素共同支撑了智能制造在工业4.0背景下的高效运作与决策优化。数据采集与整合通过高效的传感器和采集设备，实时获取生产过程中的各类数据，并将其整合至统一的数据平台，实现数据源的互联互通，为后续分析提供可靠基础。数据存储与管理采用分布式存储架构，可以有效应对数据体量巨大的挑战，并确保数据的高可用性与安全性，且现代数据库管理系统的应用，能够支持对复杂查询的快速响应，提升数据管理的效率。原始数据常常存在噪声、缺失或异常值，这些因素会干扰分析结果，而通过数据清洗与预处理，去除不相关或错误数据，可以确保数据的准确性和完整性，为分析模型的构建提供优质的数据输入。分析算法是根据不同的业务需求与数据特性，采用合适的统计分析、机器学习或深度学习算法，能够挖掘数据中的潜在模式与趋势，为生产决策提供科学依据。
（三）人工智能
1.人工智能的技术框架
人工智能在智能制造中的技术框架由数据处理与特征提取、机器学习与深度学习、知识表示与推理、人机交互与可解释性构成，旨在通过模拟人类智能行为，提升制造过程的自动化和智能化水平。数据处理与特征提取是通过对生产数据的深入分析，提取出关键特征，为后续的模型训练和决策支持提供可靠依据；机器学习技术通过算法模型，利用历史数据进行学习，进而实现预测与分类，而深度学习则通过多层神经网络结构，自动提取数据中的高阶特征，能够处理更加复杂的非线性关系；知识表示技术通过建立知识图谱，将专家经验与生产规则形式化，使得系统能够进行智能推理，提供针对特定情境的决策支持；人机交互通过自然语言处理与图形用户界面等技术，实现人与智能系统之间的高效互动，同时提升模型的可解释性，使得智能决策过程透明化，增强用户对系统的信任。
2.人工智能的核心技术
人工智能的核心技术包括机器学习、深度学习、自然语言处理、计算机视觉，这些技术为智能制造在工业4.0背景下的高效运作提供了坚实的支持与创新动力。机器学习通过算法模型从历史数据中学习，生成预测和分类模型，其广泛应用于生产优化、需求预测及质量控制，提升了制造效率和决策的准确性。深度学习作为机器学习的重要分支，利用多层神经网络结构，能够自动提取数据中的高阶特征，适用于智能制造中的视觉检测和故障诊断，提高了系统的自适应能力。自然语言处理技术使得机器能够理解和生成人类语言，为智能制造中的人机交互提供了便捷的方式，并通过语义分析和情感识别，其能有效提升用户体验，支持智能助手和监控系统的高效运行。计算机视觉技术通过图像采集与处理，能够实现对生产线的实时监控与缺陷检测，提升了生产过程的质量控制能力[5]。
三、智能制造的应用
（一）自动化生产
自动化生产是智能制造在工业4.0背景下的重要应用，旨在通过高效的自动化设备和智能化控制系统，实现生产过程的全面自动化，此类生产模式的引入，显著提升了生产效率，还在资源配置、成本控制及产品质量等方面产生了深远影响。具体而言，自动化生产通过应用机器人技术与智能机械，实现了生产线的高度灵活性与适应性，这些智能设备能够自主执行复杂的操作任务，如组装、焊接和搬运，极大地降低了人工干预的需求，减少了人为错误，确保了生产过程的稳定性与一致性。另外，自动化生产依赖于先进的信息技术与数据分析能力，通过实时监测与数据反馈，形成闭环控制系统，该系统能够即时响应生产环境的变化，自动调整生产参数，确保产品的质量与合规性。此过程提高了生产效率，强化了对市场需求变化的快速适应能力，通过智能设备、高效的数据处理与实时监控，为制造业的发展奠定了坚实基础。
（二）智能仓储管理
智能仓储管理通过物联网技术、数据分析与自动化设备的综合运用，实现了仓储运营的智能化与高效化，为企业的物流管理提供了强有力的支持与保障。一方面，智能仓储管理依赖于先进的物联网技术，通过传感器与射频识别技术，实现对库存物品的实时监控与数据采集，这种高效的信息获取方式使得企业能够实时掌握库存状况，及时调整补货策略，有效降低库存积压与缺货风险。另一方面，智能仓储系统通过集成数据分析与人工智能算法，实现对仓储流程的优化管理，通过对历史数据的分析，系统能够预测需求变化，自动调整库存水平和仓储布局，提升空间利用率与作业效率，这种智能化的决策过程，降低了人工干预的需求，提升了仓储管理的科学性与准确性。
（三）预测性维护
预测性维护通过实时数据监测、数据分析与资源优化，实现了设备管理的智能化与高效化，为企业的运营提供了坚实的支持与保障。具体而言，预测性维护依赖于先进的物联网技术，通过传感器实时监测设备的运行状态，收集温度、振动、压力等关键数据为后续分析提供了基础，使得企业能够及时了解设备的健康状况，发现潜在问题，提前制定维护计划。同时，通过对历史数据的深入挖掘，系统能够建立故障预测模型，识别影响设备性能的关键因素，从而提前采取相应措施，防止设备突发性故障的发生。并通过精确预测维护需求，企业能够合理安排维护人员与物资，减少不必要的维护操作，提高整体生产效率，这种基于数据驱动的维护策略，极大地提升了维护活动的科学性与有效性。
四、结论
本文明确了智能制造在工业4.0背景下的关键技术与应用，讨论了自动化生产、智能仓储管理和预测性维护等领域的重要性，揭示了这些技术如何通过数据驱动与智能化提升制造业的效率与灵活性。因此，应加大对智能制造技术的研发投入，促进各项技术的深度融合，以推动制造业的转型升级，实现可持续发展目标。
参与文献：
[1]杨婕,刘旭,宋青.基于智能制造的企业标准化建设研究[J].大众标准化,2024(18):16-18.
[2]王志丰,杨小玉,邬正阳.面向工业4.0的智能制造工程人才培养[J].高教发展与评估,2024,40(05):105-118+124.
[3]应筱艳.《物联网基本原理演示》实验教学设计[J].中国信息技术教育,2024(05):17-20.
[4]张克荣.基于大数据技术的学习行为模式分析[J].电子技术,2024,53(06):246-247.
[5]杨旭.智能制造技术与系统发展研究[J].科技资讯,2024,22(13):36-38.
作者单位：安徽文达信息工程学院智能制造学院
关键词：智能制造；工业4.0；关键技术
智能制造以信息化与工业化的深度融合为基础，通过先进的信息技术和智能化设备的应用，实现制造过程的自动化、智能化和网络化。工业4.0概念的提出推动了智能制造的发展，强调了以数据为核心的智能生产模式，基于此，企业须具备快速适应市场变化与技术演进的能力，才能在激烈的竞争中立于不败之地，而物联网、大数据和人工智能等关键技术的快速发展，使得智能制造延伸至优化资源配置和提升决策水平。因此，本文将深入探讨智能制造在工业4.0背景下的关键技术，以期为制造业的数字化转型提供理论支持与实践参考。
一、智能制造的概念与背景
（一）智能制造的定义
智能制造是指在制造过程中，利用先进的信息技术、自动化设备及智能算法，构建智能化的生产系统，此概念涵盖了设备的自动化操作，强调了数据驱动的决策机制和全生命周期的管理[1]。在智能制造环境中，设备与系统之间通过物联网技术实现互联互通，从而形成高度集成的网络体系，这种体系能够实时采集和分析生产数据，进而优化生产流程和资源配置。智能制造有助于生产环节的优化，包括产品设计、供应链管理和服务创新等多维度的智能化转型，使得生产系统能够实时响应市场需求变化，实现灵活生产与个性化定制，极大提升了企业的竞争力，智能制造代表了一种先进的生产模式，通过智能化手段提升生产效率、降低运营成本，并推动制造业向高端化、绿色化、服务化发展。
（二）工业4.0的起源与发展
工业4.0是指在信息技术迅猛发展背景下，制造业进入的全新阶段，旨在实现智能化、网络化和自动化的综合化生产模式。其起源可追溯至2011年德国汉诺威工业博览会上提出的概念，强调以信息化为基础的工业革命，以提升制造业的创新能力和全球竞争力。而物联网、大数据及人工智能技术的广泛应用，使工业4.0不断演化，形成了以智能制造为核心的生态系统，在此生态系统中，设备、系统和人之间的深度互联，促成了数据的实时采集与分析，为生产过程的提供了自主化和智能化。工业4.0的发展经历了从最初的数字化转型，到如今的智能制造与产业互联网的深度融合，其涉及生产设备的智能化改造、价值链的重构与供应链的优化，通过实施智能化技术，企业得以在动态市场环境中快速响应，实现个性化定制与资源的高效配置[2]。
（三）智能制造与工业4.0的关系
智能制造与工业4.0之间存在着密切的内在联系，前者可视为后者的具体实现形式与应用载体。智能制造通过集成先进的信息技术、自动化设备及智能化算法，致力于实现生产过程的高度优化与智能化，而工业4.0则提供了宏观的框架与理论基础，推动这一转型进程。在工业4.0的背景下，智能制造涵盖了生产链各个环节的智能化重构，工业4.0强调通过物联网技术实现设备间的互联互通，形成智能化网络，从而使智能制造能够在数据驱动的基础上进行实时决策和优化管理，此过程体现了生产系统的自主性与灵活性，能够快速适应市场需求的变化。且智能制造在工业4.0框架下，强调价值链的全局优化与协同创新，促使企业通过信息共享与资源整合，实现跨部门、跨行业的合作与创新，以提升整体运营效率与市场响应能力。
二、关键技术
（一）物联网
1.物联网的基本原理
物联网作为智能制造在工业4.0背景下的核心技术，其基本原理是通过智能传感器、嵌入式设备及通信网络，将物理对象与虚拟网络紧密连接，形成无缝的数据交互和信息共享平台[3]。该系统的构建依赖于先进的通信协议和数据处理技术，能够实现设备与设备之间、设备与系统之间的实时互联互通。在此框架中，传感器能够实时监测设备状态、环境参数和生产进程，这些数据通过无线或有线网络传输至中央处理单元，经过分析与处理后，形成对生产过程的全局视图，这种数据驱动的决策机制，提升了生产效率，增强了资源的优化配置能力。同时，物联网还通过边缘计算和云计算相结合，优化了数据处理的时效性与灵活性，边缘计算能够在数据源近端进行实时分析，降低延迟，提升响应速度；而云计算则提供强大的数据存储和分析能力，支持大规模数据的处理与挖掘。
2.物联网的关键技术特征
物联网在智能制造中展现出的互联互通、智能感知能力、数据处理与分析能力等关键技术特征为实现高效、灵活的生产系统奠定了基础。互联互通利用多种通信协议与网络架构，实现设备之间能够实时数据传输与信息共享，这种无缝的连接性确保了制造过程中的信息流动顺畅，从而支持及时决策和响应；智能感知能力通过部署各种类型的传感器，使物联网能够实时采集环境参数、设备状态及生产数据，一些数据为生产流程的监控与优化提供了必要的基础，促进了生产系统的自适应能力与智能化水平的提升；物联网所产生的大量数据需要经过有效的处理与分析，以提取有价值的信息，边缘计算与云计算的结合，使得数据处理变得高效而且具有实时性，从而支持生产决策的及时性和准确性。
（二）大数据分析
1.大数据的特征
大数据的特征包括体量巨大、多样性、实时性、变化性和价值密度低，这些特征为智能制造的实施与优化提供了重要基础，推动了工业4.0的深度发展。随着传感器、设备及系统的普及，制造过程中产生的数据量呈指数级增长，这种海量数据的生成为深入分析与挖掘提供了丰富的资源；数据源的多样化包括结构化数据、非结构化和半结构化数据，这种多样性为全面理解制造过程及优化决策提供了多维度的视角；在智能制造环境中，数据的实时采集与处理能力能够确保生产系统对市场变化及设备状态的迅速响应，从而提升生产效率和灵活性；制造环境及市场需求的不断变化导致数据特征和模式的快速演变，这要求智能制造系统具备自适应能力，能够及时调整分析模型，以应对数据流的动态变化；价值密度低的特征指出虽然大数据的总体量巨大，但其蕴含的有价值信息相对较少，需要采用有效的数据挖掘技术与分析工具，从庞杂的数据中提取出具有决策支持价值的信息[4]。
2.大数据分析的核心要素
大数据分析的核心要素包括数据采集与整合、数据存储与管理、数据处理与清洗、分析算法，这些要素共同支撑了智能制造在工业4.0背景下的高效运作与决策优化。数据采集与整合通过高效的传感器和采集设备，实时获取生产过程中的各类数据，并将其整合至统一的数据平台，实现数据源的互联互通，为后续分析提供可靠基础。数据存储与管理采用分布式存储架构，可以有效应对数据体量巨大的挑战，并确保数据的高可用性与安全性，且现代数据库管理系统的应用，能够支持对复杂查询的快速响应，提升数据管理的效率。原始数据常常存在噪声、缺失或异常值，这些因素会干扰分析结果，而通过数据清洗与预处理，去除不相关或错误数据，可以确保数据的准确性和完整性，为分析模型的构建提供优质的数据输入。分析算法是根据不同的业务需求与数据特性，采用合适的统计分析、机器学习或深度学习算法，能够挖掘数据中的潜在模式与趋势，为生产决策提供科学依据。
（三）人工智能
1.人工智能的技术框架
人工智能在智能制造中的技术框架由数据处理与特征提取、机器学习与深度学习、知识表示与推理、人机交互与可解释性构成，旨在通过模拟人类智能行为，提升制造过程的自动化和智能化水平。数据处理与特征提取是通过对生产数据的深入分析，提取出关键特征，为后续的模型训练和决策支持提供可靠依据；机器学习技术通过算法模型，利用历史数据进行学习，进而实现预测与分类，而深度学习则通过多层神经网络结构，自动提取数据中的高阶特征，能够处理更加复杂的非线性关系；知识表示技术通过建立知识图谱，将专家经验与生产规则形式化，使得系统能够进行智能推理，提供针对特定情境的决策支持；人机交互通过自然语言处理与图形用户界面等技术，实现人与智能系统之间的高效互动，同时提升模型的可解释性，使得智能决策过程透明化，增强用户对系统的信任。
2.人工智能的核心技术
人工智能的核心技术包括机器学习、深度学习、自然语言处理、计算机视觉，这些技术为智能制造在工业4.0背景下的高效运作提供了坚实的支持与创新动力。机器学习通过算法模型从历史数据中学习，生成预测和分类模型，其广泛应用于生产优化、需求预测及质量控制，提升了制造效率和决策的准确性。深度学习作为机器学习的重要分支，利用多层神经网络结构，能够自动提取数据中的高阶特征，适用于智能制造中的视觉检测和故障诊断，提高了系统的自适应能力。自然语言处理技术使得机器能够理解和生成人类语言，为智能制造中的人机交互提供了便捷的方式，并通过语义分析和情感识别，其能有效提升用户体验，支持智能助手和监控系统的高效运行。计算机视觉技术通过图像采集与处理，能够实现对生产线的实时监控与缺陷检测，提升了生产过程的质量控制能力[5]。
三、智能制造的应用
（一）自动化生产
自动化生产是智能制造在工业4.0背景下的重要应用，旨在通过高效的自动化设备和智能化控制系统，实现生产过程的全面自动化，此类生产模式的引入，显著提升了生产效率，还在资源配置、成本控制及产品质量等方面产生了深远影响。具体而言，自动化生产通过应用机器人技术与智能机械，实现了生产线的高度灵活性与适应性，这些智能设备能够自主执行复杂的操作任务，如组装、焊接和搬运，极大地降低了人工干预的需求，减少了人为错误，确保了生产过程的稳定性与一致性。另外，自动化生产依赖于先进的信息技术与数据分析能力，通过实时监测与数据反馈，形成闭环控制系统，该系统能够即时响应生产环境的变化，自动调整生产参数，确保产品的质量与合规性。此过程提高了生产效率，强化了对市场需求变化的快速适应能力，通过智能设备、高效的数据处理与实时监控，为制造业的发展奠定了坚实基础。
（二）智能仓储管理
智能仓储管理通过物联网技术、数据分析与自动化设备的综合运用，实现了仓储运营的智能化与高效化，为企业的物流管理提供了强有力的支持与保障。一方面，智能仓储管理依赖于先进的物联网技术，通过传感器与射频识别技术，实现对库存物品的实时监控与数据采集，这种高效的信息获取方式使得企业能够实时掌握库存状况，及时调整补货策略，有效降低库存积压与缺货风险。另一方面，智能仓储系统通过集成数据分析与人工智能算法，实现对仓储流程的优化管理，通过对历史数据的分析，系统能够预测需求变化，自动调整库存水平和仓储布局，提升空间利用率与作业效率，这种智能化的决策过程，降低了人工干预的需求，提升了仓储管理的科学性与准确性。
（三）预测性维护
预测性维护通过实时数据监测、数据分析与资源优化，实现了设备管理的智能化与高效化，为企业的运营提供了坚实的支持与保障。具体而言，预测性维护依赖于先进的物联网技术，通过传感器实时监测设备的运行状态，收集温度、振动、压力等关键数据为后续分析提供了基础，使得企业能够及时了解设备的健康状况，发现潜在问题，提前制定维护计划。同时，通过对历史数据的深入挖掘，系统能够建立故障预测模型，识别影响设备性能的关键因素，从而提前采取相应措施，防止设备突发性故障的发生。并通过精确预测维护需求，企业能够合理安排维护人员与物资，减少不必要的维护操作，提高整体生产效率，这种基于数据驱动的维护策略，极大地提升了维护活动的科学性与有效性。
四、结论
本文明确了智能制造在工业4.0背景下的关键技术与应用，讨论了自动化生产、智能仓储管理和预测性维护等领域的重要性，揭示了这些技术如何通过数据驱动与智能化提升制造业的效率与灵活性。因此，应加大对智能制造技术的研发投入，促进各项技术的深度融合，以推动制造业的转型升级，实现可持续发展目标。
参与文献：
[1]杨婕,刘旭,宋青.基于智能制造的企业标准化建设研究[J].大众标准化,2024(18):16-18.
[2]王志丰,杨小玉,邬正阳.面向工业4.0的智能制造工程人才培养[J].高教发展与评估,2024,40(05):105-118+124.
[3]应筱艳.《物联网基本原理演示》实验教学设计[J].中国信息技术教育,2024(05):17-20.
[4]张克荣.基于大数据技术的学习行为模式分析[J].电子技术,2024,53(06):246-247.
[5]杨旭.智能制造技术与系统发展研究[J].科技资讯,2024,22(13):36-38.
作者单位：安徽文达信息工程学院智能制造学院