《JOURNAL OF INTELLIGENT MANUFACTURING》:From manufacturing-as-a-service to company-as-a-service: a conceptual integration
编辑推荐:
制造即服务(Manufacturing-as-a-Service, MaaS)通过基于平台的生态系统促进对第三方提供的分布式制造资源和服务的按需访问。它支持分布式平台服务化生产,但尽管在人工智能驱动的规划、智能匹配、优化驱动的编排以及信息物理集成方面取得了进展
制造即服务(Manufacturing-as-a-Service, MaaS)通过基于平台的生态系统促进对第三方提供的分布式制造资源和服务的按需访问。它支持分布式平台服务化生产,但尽管在人工智能驱动的规划、智能匹配、优化驱动的编排以及信息物理集成方面取得了进展,相关文献仍然零散。大多数研究报告了孤立的决策层(工艺规划、供应商选择、调度、定价或信任),而未提出生命周期集成的架构。研究人员对2013年至2026年间发表的62项MaaS研究进行了符合PRISMA 2020标准的系统性综述,以考察智能制造平台的实施方式及其支持的决策功能。本文分析了文献,识别出:(i)MaaS解决方案的原型分类,从概念框架到信任基础设施;(ii)基于粒度的输入-输出分类法,将信息单元映射到智能决策;(iii)局限性分析,突出数据就绪性、互操作性、治理及不确定性下的实时编排方面的障碍。研究结果表明,工程智能、市场设计、运营优化和治理机制之间持续存在孤岛。基于此证据,研究人员提出了公司即服务(Company-as-a-Service, CaaS)概念,作为将MaaS模块整合到生命周期一致的组织能力中的扩展,通过“数字主线与治理内核(Digital Thread and Governance Kernel, DTGK)”进行协调。本文设计了可扩展、治理感知、人工智能驱动的制造生态系统原则。讨论了对于寻求在中小型企业(SMEs)、多站点网络和全球异构设备群中实现弹性、合规部署的平台开发者和制造商的影响。
**Background**
本研究遵循PRISMA 2020指南进行了系统性文献综述,以综合异构的MaaS研究并回答RQ1-RQ3。2026年2月,在Scopus中使用查询语句:‘manufacturing as a service’ AND (“platform” OR ‘servitisation’)在“TITLE-ABS-KEY”字段中检索,仅考虑英文论文。该搜索限制于Scopus,使用关注服务化制造关键词的查询语句,可能排除了其他数据库(如Web of Science)中收录的相关文献或预印本及行业白皮书。诸如云制造、分布式生产或共享制造等更广泛的搜索词通过索引关键词部分捕获,但未明确包含在查询字符串中。这些选择优先考虑精确性而非召回率,这是方法论上的局限,未来的综述应通过多数据库搜索和系统性纳入灰色文献来解决。对标题和摘要进行筛选,然后评估全文:如果研究描述了MaaS平台/框架或运营性MaaS组件,并报告了足够的信息以识别输入和/或输出(决策结果),则被纳入。所有62项研究均符合标准并被纳入综合。结果涵盖了2013年至2026年期间,相对峰值出现在2019年(约10%的文献)、2021年(约15.7%的文献)和2025年(约23%的文献),并涵盖了多个领域,包括工程(34.1%)、计算机科学(24.8%)、决策科学及商业与管理(分别为14.0%和10.9%)。这些方面表明该研究领域是一个新兴主题,在过去七年中呈指数级增长,部分得益于新兴技术如数字化、工业4.0和5.0范式,以及机器学习和人工智能。此外,本研究显示,兴趣不仅与制造业相关,而且从该领域出发,以跨学科方式发展,还涉及决策科学和商业/管理等不太明显的领域,占科学产出的1/4。选中的文献突显了MaaS平台在使用、应用和目的上的显著异质性,证实该范式并未收敛于单一标准实施,而是以覆盖“设计-采购-执行-治理”链不同部分的解决方案形式出现,该链定义了产品生命周期管理(Product Life-cycle Management, PLM),通常涉及传统制造公司。
**RQ1: Platforms and frameworks for MaaS**
MaaS文献在范式实施方式上表现出显著的异质性。平台和框架在抽象层次、功能目标、使能技术和支持的决策功能上有所不同。为了组织这种多样性并回答RQ1,从Scopus作者关键词和索引关键词中提取了关键词频率。关键词被手动规范化(合并变体、缩写、同义词),然后分组以反映重复出现的MaaS功能:概念框架、能力和工艺规划、市场/发现与市场设计、运营编排以及信任-数据-可持续性。原型(A0-A4)是从规范化的Scopus关键词中衍生的主题分组,代表按主导贡献对MaaS平台/框架进行分类的重复出现的功能类别。与关键词共现模式一致,它们涵盖了从概念框架到运营编排和信任/可持续性基础设施。子原型A2.1捕获了明确建模为由定价、拍卖、合同或博弈论机制支配的经济系统的市场解决方案。为了评估原型分类的稳健性,原型分类过程在合著者之间分配,每位独立分析语料库的不同维度:关键词规范化、输入识别以及输入-输出相关性映射。然后将生成的分类进行比较并集体讨论,分歧通过结构化共识解决。这一多视角程序确认了五类结构(A0-A4)反映了从文献中浮现的系统性模式,而非任意的分组选择,因为独立分析一致收敛到表1中报告的相同主导原型。具体而言,A0原型汇集了定义MaaS概念模型、理论框架或成熟度分析的工作。最近的文献提出了将过程服务化分为阶段(映射、匹配、协作)的系统方法论。其他工作构建了服务化范式的架构基础,定义了物理资源、数字能力与云服务之间的关系。关于共享制造的综述巩固了MaaS作为协作范式(云、分布式、社会)的“伞形概念”的愿景,强调了缺乏端到端编排模型。总体而言,A0原型识别了将MaaS视为使能性组织和技术模型而非实施平台的工作。A1包括将MaaS与工艺设计和规划的数字化联系起来的工作。特别地,归类为A1的工作将MaaS平台视为工程导向的基础设施,重点是将项目信息转化为过程知识和可执行能力。关键示例包括在云环境中集成资源和知识的模型,以及使用卷积循环神经网络(Convolutional Recurrent Neural Networks, ConvRNN)学习操作之间先序关系的数据驱动方法,消除了对手动规则的需求。在这些情况下,必须作为输入提供给这些平台的主导信息单元是代表原型零件或CAD的零件或步骤文件(描述为“PART”),典型的输出是计划、路线或操作序列(“PLAN”第2.2.2节),可潜在地与后续分配决策集成。共同目标是将设计和规划阶段作为服务的组成部分,创建从CAD到平台上可访问的生产能力的连续流。A1原型因此代表了MaaS成为配置和生产能力的技术工具的水平。A2包括与MaaS作为数字市场的经济和运营应用相关的工作。这是一个在数量上显著的群体,将MaaS解释为多边生态系统和工业参与者之间的“交汇点”,平台使供应商/服务的发现和选择以及生产能力的共享成为可能。该类别的贡献描述了促进供应商或资源的搜索、评估和选择的平台。多边平台允许生产能力的发布和预订,通常具有众包制造或能力共享功能。最近的解决方案采用人工智能(Artificial Intelligence, AI)和联邦学习(Federated Learning, FL)进行自动匹配,保护供应商数据的所有权。A2将MaaS视为发现和连接的生态系统,平台在供需之间进行中介。考虑到这一原型,可以区分一个特定的第二子原型A2.1,主要涉及增材制造即服务(Additive Manufacturing as a Service, AMaaS)领域,该领域与市场设计(定价、拍卖、合同、博弈)相关。它涉及将MaaS视为由经济机制调节的市场的工作。提出的子原型包括用于购买原型服务(3D打印)的反向拍卖机制;用于MaaS市场中最优定价的博弈论模型(Hotelling, Stackelberg);用于评估不同定价政策和激励影响的模拟。这些框架将平台视为调节客户与供应商之间经济互动的战略参与者,优化利润和市场均衡。该领域包括用于交换未使用能力的架构建议和共同创造价值(例如MANU-SQUARE及其概念/架构扩展),以及分析真实平台及其部署模型(开放与封闭)以描述当前MaaS实施方式的实证研究。同时,关于众包制造的文献通过展示编排分布式供需并引入决策支持组件的网络平台,进一步扩展了这一愿景。一个明确的例子是与正畸和增材制造相关的应用案例,用于讨论众包生产网络中MaaS的运营影响和交付挑战。在这些解决方案中,主导单元是平台(定义为“PLAT”),用户可以在其中上传任务订单(ORDER)由通过市场(MKT)确定的其它服务提供商执行,市场是供需交汇点,主要输出是双方之间的匹配(MATCH,发现/匹配),可能通过多标准排序丰富。A3与调度和运营优化任务相关。事实上,除了这些“市场”变体之外,一些研究将重点转移到执行阶段,提出MaaS平台作为编排和运营优化的工具。在这里,平台不仅限于选择供应商,还支持多参与者、多目标和动态环境中的分配和调度决策。与该原型相关的论文侧重于MaaS的执行阶段,如匹配后的资源分配和规划。许多贡献提出了多目标或双层优化模型和深度强化学习(Deep Reinforcement Learning, DRL)方法用于动态匹配和自适应调度。这些平台提供决策和运营输出:生产计划、最优分配、执行时间和成本。A3原型因此将MaaS定义为在分布式环境中协调规划和控制决策的智能编排系统。代表性示例包括建模为Stackelberg博弈或双层优化以协调平台和服务商在任务管理中的模型,并在工业案例上验证。此外,一些研究明确将匹配视为动态问题,并提出数据驱动方法以改进双边市场中的实时决策。这些解决方案输入订单(ORDER,第2.2.1节)及约束、优先级、时间,并返回调度(SCHED,第2.2.2节)输出,包括计划、分配、时间/成本,有时应用机器学习(Machine Learning, ML)组件。A4,最后一个原型,包括专注于信任、安全、数据管理和可持续性的平台和架构。事实上,文献中存在一种趋势,将MaaS平台视为解决与信任、数据治理、可持续性和韧性相关的系统性问题的使能基础设施。从这个角度出发,一些架构集成了数据主权和环境影响评估机制(例如通过生命周期评估(Life Cycle Assessment, LCA)引擎和用于受控数据交换管理的连接器),而其他架构则通过数字孪生(Digital Twin, DT)将MaaS扩展到数字孪生即服务(Digital Twin as a Service, DTaaS)和设备即服务(Equipment-as-a-Service, EaaS)模型,在工业应用中包括事前评估、监控和控制支持。同时,关于共享制造和供应链的文献强调,MaaS平台可以作为协调和重构生产网络的枢纽,特别是在中断情况下,但也强调了端到端集成和整体规划方面持续存在的差距。典型示例包括基于区块链的用于可追溯性和数据来源的架构;混合解决方案,如以太坊与BigchainDB,以改进可扩展性和透明度;与国际数据空间(International Data Spaces, IDS)集成的数据主权平台,以保证数据所有权;基于数字孪生的系统,将MaaS扩展到DTaaS/EaaS模型;用于早期检测中断和可持续供应链韧性的人工智能和可解释人工智能(Explainable AI, XAI)框架。A4原型突显了MaaS向数据中心和可持续范式的演变,其中互操作性、安全性和环境责任成为服务的核心维度。最后,原型并非相互排斥(许多研究跨越多个功能),但分类捕获了每项工作的主导贡献,并使得沿着从概念框架到运营性、数据驱动决策模型的连续体进行系统比较成为可能。每种MaaS类型(A0-A4)对应一个从最高到最低的渐进抽象层次:A0识别定义/方法,A1能力工程,A2供需匹配平台和经济机制(在子原型A2.1中),A3运营编排,A4信任和可持续性基础设施。详细分类在表1中提供,其中为文献中分析的每篇论文分配了主导或最常报告的原型。从这些原型和MaaS论文中报告的抽象层次出发,文献综述继续研究最常见的输入和输出。
**RQ2: What inputs do MaaS solutions require and what outputs do they provide?**
遵循表1中的原型分类(A0-A4),为回答RQ2而进行的分析考察了MaaS输入/输出,揭示了与所解决问题粒度水平相关的变异性。粒度表示MaaS系统操作的细节水平,跨越三个逻辑尺度:微观(精细:单个组件)、中观(中间:任务/市场交互)、宏观(粗略:网络/组织)。这决定了输入复杂性和输出可操作性:微观需要精确的专有数据进行原子动作;中观处理操作任务以进行多参与者决策;宏观聚合战略约束以进行治理。这种分类反映了从单个生产工件的技术规范到系统性网络或组织动态的自然进展。该粒度决定了所需输入的复杂性和生成输出的操作性质:在微观层面,重点在于诸如几何形状和公差之类的原子细节,需要专有且计算密集型的数据以产生可执行输出;在中观层面,重点在于操作任务和市场交互以进行动态多参与者决策;在宏观层面,重点在于系统汇总以进行战略评估和治理。随着解决方案从概念方法演变为完全运营的平台,输入变得更加丰富和复杂,不仅需要声明性数据,还需要实时操作信息,而输出则从描述性和使能性评估转变为直接可执行的决策;然而,这种进展揭示了端到端集成的局限性,将在下一章探讨。MaaS解决方案所需的输入根据所采用的分析单元和粒度水平系统性地变化,反映了不同的基础设施假设和功能目标。在微观层面(精细粒度),来自PART或CAD的技术描述占主导,包括3D几何、材料、公差、制造特征(如孔、凹槽)、质量/表面要求,并且通常是步骤或零件文件,这些在能力工程和工艺规划(原型A1)中至关重要,平台将产品规格转化为可执行的过程知识(PLAN),通常集成通过ConvRNN等模型学习操作优先序的数据驱动规则提取。这里,平台充当CAD的数字扩展,减少对手动专家的依赖,但需要专有且计算密集型的数据。转向中观层面(中间粒度),ORDER或操作任务占主导:要生产的数量、截止日期、优先级、物流约束(如交货时间、设置……)、多标准目标(成本、质量、CO
2排放、可靠性)和供应商概况(产能、提前期),通常与带有拍卖/定价规则或访问策略的MKT/PLAT相结合。这种中观尺度,通常出现在A2-A3中,假设零件或过程已经定义或抽象化,主要用于为发现和匹配或运营编排提供市场。在宏观层面(粗略粒度),输入被放大为NET/SC,包括聚合能力、采购替代方案、网络节点、约束、中断风险、外部指标以及韧性或循环性目标;另一种宏观输入是EQP,包括物联网(IoT)传感器数据、机器状态、控制参数和数字孪生模型;最后一种宏观输入ORG涉及非技术因素,如数字成熟度、业务目标、障碍和战略治理,驱动A0/A4的采用分析。输入可以进一步分为五个相互关联的逻辑类别,每个类别都与文献中出现的经验相关性相关联(总结于表2,按粒度和类型组织):技术-生产(PART/EQP:机器-材料兼容性、特征、用于可制造性检查的过程参数);操作(ORDER:执行约束,如数量、时间、优先级、用于动态调度的资源可用性,以及诸如延迟或利用率之类的关键绩效指标(KPI));经济-合同(MKT/PLAT:成本、定价规则、激励、拍卖、用于市场均衡的平台政策);数据/信息技术(PLAT/NET:标准、应用程序编程接口(API)、本体、数字身份、用于互操作性和可信交换的共享政策);可持续性/风险(SC/NET:排放/LCA、绿色目标、用于多目标优化和网络治理的中断指标)。这种映射不仅解释了为什么许多提议由于依赖于输入的粒度、质量和可用性而无法直接比较,而且还突显了分层依赖关系:运营原型,如A3,需要可靠的约束和实时可用性,而A4(信任/可持续性)需要数据治理基础设施,这在实践中往往缺失并限制了可扩展性。这些分析的输入产生不同的输出:具体结果或后处理工件,分类为可操作决策(直接可执行)、使能性工件(结构性前提)和跨领域组件(预测性支持)。文献中最常识别的输出包括PLAN(工艺规划:来自CAD的操作序列/路线)、MATCH(供应商匹配:供应商排名)、SCHED(调度:分配/平衡)、CTRL(数字孪生上的实时控制)、FW(参考框架/路线图)、TAX(概念分类法)、EVAL(KPI评估/基准测试)、TRUST(通过区块链进行数据治理)、MECH(市场机制:定价/拍卖)、MLA(机器学习工件:学习到的规则/预测)。它们可以分为三种主要类型,并附有文献中的具体示例:可操作决策,生成具体行动,决定生产什么、如何生产以及何时生产,并且是直接可执行的输出;使能性工件,为直接决策铺平道路但不做出直接决策,主要代表结构性前提;跨领域组件,影响其他决策或从系统中学习,实现预测/决策支持。在第一组(可操作决策)中,输出包括PLAN,即从CAD翻译获得的操作序列、路线或替代设置;MATCH,根据多标准排名(可能涉及成本、质量、时间、CO
2)选择兼容的供应商;SCHED,调度活动以分配资源、平衡负载并优化生产;CTRL,对机器的实时命令、数字孪生设定点或源自系统监控的闭环调整。所有这些可操作决策直接进入生产。第二组(使能性工件)包括参考架构、成熟度模型和服务化路线图,可以定义为框架(FW)或分类法(TAX)概念。在使能性工件中,还包括KPI评估、成本效益分析和平台基准测试,作为“EVAL”。TRUST是最后的使能性输出,通过区块链维护数据的完整性和主权、隐私和数字身份。在跨领域组件中,输出是MECH,即最优价格(Hotelling)、拍卖结果或稳定合同,或MLA,即基于人工智能/机器学习或其他策略的学习规则或模型(例如用于优先序的ConvRNN、用于动态匹配的深度强化学习(DRL)预测)。因此,使能性工件定义了游戏规则,而跨领域组件则充当优化或为所有其他层次学习的“智能引擎”。一些输入必然生成某些输出,但在其他情况下关联并不明显:例如,PART通常生成过程路径、操作序列PLAN、加工替代方案MATCH或用于学习规则的MLA,通过减少对手动规则的依赖,弥合设计与制造之间的鸿沟;ORDER导致SCHED,包括订单-资源分配、时间序列、负载平衡和多目标权衡,通常使用双层编程建模;MKT和PLAT输入产生最优价格(Hotelling, Stackelberg)、拍卖结果、稳定合同或战略均衡,以及通过区块链、数据主权或用于来源和可审计性的分类账产生的TRUST。在宏观层面,EQP产生CTRL,包括近实时监控、数字孪生命令、设定点和闭环适应,而SC和ORG产生EVAL(KPI、成熟度评估、基准测试)或FW(服务化路线图、参考架构、采用方法论)。然后,通过将这些输出分组到功能集群中,浮现出一个反映粒度的逻辑流程:输出镜像输入粒度,特别地,微观输入(PART/EQP)产生技术/原子结果(PLAN, CTRL);中观输入(ORDER/MKT)驱动操作决策(SCHED, MECH);宏观输入(SC/ORG)产生战略使能者(FW/EVAL)。可以识别的第一个输出集群是产品实现集群,代表设计到制造的流程:这些解决方案交付将产品信息转化为过程知识和可制造性的结果。该集群包括MaaS解决方案,其中平台“进入”工程阶段并将精细输入转化为PLAN和MLA,支持分布式工程并考虑时间和成本。在合作伙伴选择集群中,目标是识别相对于所述要求(订单、技术要求、时间/成本/质量约束,有时包括CO
2)的最佳供应商。主要输出是供需之间的匹配(简明列表或选择),通常带有结合技术兼容性、成本、提前期、可靠性、容量,有时包括可持续性标准的多标准排名。在许多解决方案中,匹配不是“二元”结果,而是一个信息包,包括兼容性解释(例如已满足/未满足的约束)、风险或可靠性指标,以及在更高级情况下,通过模拟或从历史数据导出的指标对服务“可行性”的量化。该集群包括发现和供应商选择,从ORDER/MKT产生MATCH和MECH,包括排名、稳定性模拟和TRUST保证。供应链编排与协调集群从中观约束生成SCHED,包括可执行计划、动态KPI和影响分配的经济机制;最后,信息物理控制与性能保证集群:从EQP和SC提供CTRL、诊断、报警和评估以验证操作,通常带有审计跟踪和基准测试。目标是治理运行中的系统并验证结果,因此考虑了机器状态、近实时性能指标、报警、故障预测以及用于远程控制或过程适应(例如闭环)的命令/参数。这张输入-输出图揭示了MaaS文献的三个关键局限性,这些局限性将在章节“Dissects”中系统分析:功能孤岛:微观层面的解决方案擅长PLAN,但在少数情况下集成了SCHED;宏观层面主导FW/EVAL,却完全忽略了操作性的CTRL。输入理想主义:原型A3(编排)和A4(信任/可持续性)预设了实时物联网/数字孪生数据和联邦基础设施,但由于技术不成熟和数据隐私法规,这些很少可用。系统性权衡:粒度在微观层面的精确性(专有CAD数据)与宏观层面的可扩展性(联邦治理)之间产生了固有张力,将解决方案分散在孤立的层次中,而没有端到端管道。这些差距解释了MaaS的碎片化:微观解决方案缺乏市场编排;宏观框架缺乏可执行的精确性。
**RQ3: Limitations of MaaS platforms and sector variability**
尽管制造即服务(MaaS)文献快速增长,大规模采用仍受到技术、组织和经济障碍的制约。重要的是,这些局限性在不同贡献中并不统一:它们取决于(i)粒度水平和所针对的决策/输出类型,以及(ii)提案的主导原型重点(A0-A4,表1)。实际上,主要产生使能性工件(如框架、分类法、评估模型和治理机制)的MaaS系统,与旨在产生操作决策(匹配、调度或信息物理控制)的解决方案面临不同的约束。基于RQ2,本节将局限性与主要MaaS功能模块(能力/数据建模、发现/匹配、编排、市场机制、信任/可持续性)对齐形成分类法,然后讨论这些约束如何因工业领域和应用背景而异。在根据输入、输出、它们之间的相关性、原型和最常见应用对各种MaaS解决方案进行分类后,研究人员能够在构建的框架内识别局限性。这些局限性主要与数据相关,从获取方式到所有权、质量、可靠性和数量。特别地,考虑数据可用性和质量时,还需考虑数据新鲜度、完整性、可靠性。许多MaaS提议隐含假设关键数据(如能力、提前期、成本、质量水平和资源状态)是可用的、标准化的且持续更新的。现实中,这些数据通常是不完整、有噪声、不可互操作或专有的,这直接损害了排名和选择质量(MATCH/EVAL),并危及编排输出(SCHED)的可行性。这一差距的证据在评估“运行中”平台和部署成熟度的研究中反复出现,其中实际实施显示出不均衡的数字就绪度和部分数据覆盖。对于数据驱动的韧性或监控管道,问题变得更加关键,其中模型输出依赖于传感和指标的稳定性和质量。因此,平台可能退回到手动输入、简化近似或静态概况,限制了稳健性和可转移性。此外,MaaS生态系统本质上是异构的:它们必须连接工程工具(计算机辅助设计/产品生命周期管理(CAD/PLM))、业务系统(企业资源规划(ERP)和制造执行系统(MES))、市场层和车间设备。缺乏共享数据模型、API和语义互操作性,迫使进行临时集成,增加了上板成本,并降低了跨领域可移植性。这些方面揭示了与互操作性和标准相关的局限性,涉及语义对齐以及信息技术(IT)和运营技术(OT)集成。基于本体的发现方法解决了部分问题,但需要跨参与者的维护、治理和对齐。网络/联邦设置加剧了这一局限,因为互操作性不再是一个平台内部的问题,而是跨组织分布(例如,生态系统级别的语义互操作性和反馈循环,跨网络资产的谈判)。参考架构和边缘-云“数据骨干”方法提供了集成模式,但文献仍强调集成是可扩展性的瓶颈,特别是在从概念框架(FW/TAX)转向操作决策(MATCH/SCHED/CTRL)时。此外,边缘-云和云架构引发了与信任、数据主权、知识产权、安全交换和治理开销相关的问题/局限性。实际上,MaaS的一个结构性障碍是供应商不愿透露敏感信息(真实能力、工艺参数、成本、性能记录),而客户需要可信数据以减少选择风险。信任解决方案(安全通信、数据主权连接器、区块链来源、去中心化资产)缓解了这一障碍,但引入了开销和治理复杂性。与可持续性评估(如LCA)集成的数据主权显示了受控数据交换作为可信评估和供应商排名前提的重要性。安全通信是必要的,但不能单独解决治理问题。基于区块链的来源和去中心化方法改进了可追溯性和不可否认性,但可能引发可扩展性和成本问题(例如,混合区块链架构、去中心化CMaaS和数字资产)。联邦学习方法解决了训练准确性与数据所有权之间的权衡,但需要大量基础设施和协调。因此,TRUST输出通常仍然是使能性工件,而不是完全集成的端到端解决方案,如在航空航天、医疗、汽车领域或流程工业的MaaS应用中:在受监管或高责任领域,质量和可追溯性不是可选指标,而是涉及资格认证、审计跟踪和责任分配的合规流程。MaaS提议通常将质量视为KPI(EVAL)或调度中的约束,但较少的贡献将认证工作流和法律问责制作为第一类系统组件。数字孪生使能的MaaS和控制即服务展示了监控和控制如何改进保证和运营可见性,然而认证集成仍然不发达。基于众包和案例的MaaS讨论说明了为什么当缺乏正式保证时,这些差距可能将MaaS采用限制在低风险任务、原型或受信任/封闭的供应商网络中。因此,它经常决定MaaS能否从机会性能力共享扩展到关键任务生产。安全数据共享、数据主权和维护知识产权的保证鼓励数据共享并用于训练更准确的模型,从而在复杂过程(产品-过程-资源依赖)中实现建模和可验证性能力。在许多工业领域(精密加工、合格过程、专业材料),能力无法通过静态关键词或简化概况可靠表达,必须使用真实信息和数据。能力是上下文相关的:它取决于特征-过程-机器交互、公差、工装和质量保证实践。这一局限在合作伙伴选择(MATCH)和CAD到计划管道(PLAN)中尤为突出,能力细节不足导致下游失败。从制造数据中学习优先序或操作关系的数据驱动方法突显了机会以及对丰富上下文输入的依赖。能力建模和基于足迹/Pareto的评估旨在使能力描述更具操作性,而模拟支持发现试图量化超出二元匹配的“可行性”。尽管如此,文献表明真正的可验证性通常需要额外的工件(审计、认证、历史性能),许多MaaS平台并未原生集成这些工件。文献中识别的另一个关键局限性与数据可用性和模型训练相关,即不确定性下的实时编排(动态调度、多约束优化)。编排和调度输出(SCHED)是MaaS最具操作性的功能之一,但在实际场景中面临重大挑战:随机需求、动态能力变化、不确定的处理时间和频繁的中断。基于优化的贡献(约束规划(CP)/混合整数线性规划(MILP)、双层调度等)在定义假设下展示了强大的决策质量,但对问题规模、不确定性和实时要求敏感。数据驱动方法(例如基于DRL的接受/拒绝或动态决策逻辑)解决了适应性,但引入了新问题,如可解释性、稳定性以及当环境变化时策略错位的风险。当嵌入可持续性约束(如低碳规划)时,复杂性进一步增加,模拟与工业可行性之间的差距可能扩大。因此,这一局限通常成为阻碍MaaS系统从“规划原型”进展到持续更新、可执行编排的关键障碍。最后,识别的最后一个局限性与市场设计输出(MECH)相关。定价、拍卖、合同被广泛研究,但许多模型依赖于简化假设(信息对称、理性行为、稳定参与)。MaaS市场(MKT/PLAT)中的定价策略显示了平台利润和参与如何依赖于政策选择,但未能完全捕获采用摩擦和异构参与者行为。反向拍卖和机制设计模型突显了公平与效率之间的权衡,但对标和信息假设仍然敏感。基于合同的稳定性机制解决了分配稳健性和匹配稳定性,然而它们的部署需要治理和可执行条件,这在开放生态系统中很少得到保证。关于部署模型(开放与封闭)的实证研究表明,激励、信任和关键多数强烈影响实际结果,往往导致封闭或半封闭网络,而不是完全开放的市场。
**From MaaS modules to company capabilities: the CaaS framing**
基于这一证据,本文提出了公司即服务(Company-as-a-Service, CaaS)作为概念框架,将MaaS从“制造能力按需”推广为“公司能力按需”。CaaS指的是一个虚拟、模块化的企业,可以从产品创意实例化并运行,而无需拥有完全集成的实体工厂,通过在公司生命周期内组合专门的MaaS服务,从工程到采购与签约,再到执行与保证。提出CaaS的理由直接基于RQ2和RQ3。RQ2显示MaaS输出覆盖了互补的“公司功能”,但仍然碎片化;RQ3突显了反复出现的障碍,特别是与数据就绪性和可信交换相关的障碍,这些障碍阻止了简单的服务序列成为可运营的组织。CaaS因此不是作为另一个MaaS平台实施(图1)而提出的,而是作为一个更高级的概念化,解释多个MaaS原型如何共同再现传统上内化于一家公司的组织功能(图2)。这种综合阐明了为什么现有技术看起来碎片化:MaaS研究覆盖了“公司功能”,但将它们分布在多种平台类型、决策范围和抽象层次上。基于这一证据,本文提出了CaaS作为概念框架,将MaaS从“制造能力按需”推广为“公司能力按需”。CaaS指的是一个虚拟、模块化的企业,可以从创意实例化并运行,而无需拥有完全集成的实体工厂,通过在公司生命周期内组合专门的MaaS服务。为了证明CaaS结构的合理性,它从RQ2中观察到的输出集群中推导出其功能核心。具体而言,所综述的贡献可以综合为四个宏观领域,这些领域近似于传统制造公司中嵌入的核心能力:1. 产品实现与工程使能:将产品意图转化为可制造的过程知识的输出:工艺计划、路线、可行性和工程估算,通常由学习组件支持,这些组件提取规则或预测关键指标。该领域主要对应于通常与零件/CAD和技术-生产输入相关的PLAN和MLA输出。2. 合作伙伴选择与市场交互:通过发现和排名识别合适供应商/服务的输出,通常与签约、定价和激励机制相结合。信任、来源和数据主权工件经常作为可信选择的前提出现。该领域汇总了通常与市场/平台输入相关的MATCH、MECH和TRUST输出。3. 运营与供应网络协调:在能力、资格和多目标约束下生成可执行分配和调度决策的输出,有时扩展到可持续性意识目标。该领域主要由与订单/任务和网络级输入相关的SCHED输出代表。4. 信息物理控制与性能保证:支持在设备中心环境中进行监控、诊断和控制的输出,通常通过数据管道和数字孪生,产生保证证据和性能评估输出。该领域映射到与设备和可持续性/风险输入相关的CTRL和EVAL输出。这种综合阐明了为什么现有技术看起来碎片化:MaaS文献并不缺乏“公司功能”,而是将它们分布在不同的分析单元、粒度水平和技术假设上。虽然四个领域捕获了CaaS的功能范围,但公司级的解释需要将这些能力按生命周期阶段化。因此,概念图将MaaS构建块重新组织为顺序阶段,其中一个阶段的输出成为下一个阶段的结构化输入。步骤0-上板与治理(使能条件):建立数字身份、角色、访问、知识产权(IP)、合规性的最低政策以及共享词汇表(分类法或本体)。该阶段将使能性工件(TRUST, TAX/FW)作为可扩展协作的前提进行操作化。步骤1-从创想到结构化产品规范(微观到中观):将产品意图形式化为机器可读规范(功能、目标成本/提前期、合规约束、预期数量)。这一步在概念上是必要的,因为许多MaaS文献从CAD或订单开始;CaaS明确考虑了前期工程的“翻译”,使得下游MaaS服务能够一致运行。步骤2-产品定义与过程可行性(微观级工程):将CAD/特征(如果可用)或原型过程骨架转化为工艺计划和可行性估计(PLAN),可能通过学习规则/预测(MLA)丰富。这一步对应于工程导向的MaaS贡献,通过将采购和编排建立在可制造性证据上,降低下游失败风险。步骤3-供应商发现与签约(市场与信任):利用订单/要求以及规划输出和市场规则,返回排名匹配(MATCH)、合同/价格条件(MECH)和可信交换工件(TRUST)。这一阶段整合了文献中通常分开处理的内容(发现、市场设计、治理)为一个决策阶段,决定“谁在什么条件下、以何种保证做什么”。步骤4-运营编排(执行计划):将选定的供应商及其可用性转化为分配和调度计划(SCHED)以及运营关键绩效指标(KPI)(延迟、利用率、稳健性、足迹),支持在需求/能力变化时的滚动时限更新。步骤5-执行与控制(闭环):通过遥测、数据管道和/或数字孪生将编排输出连接到信息物理监控/控制(CTRL),产生性能证据和评估输出(EVAL),并在发生偏差时支持重新调度。这一阶段解决了仅市场MaaS解决方案中的一个常见差距,即计划未与执行证据耦合。步骤6-交付与学习循环(自适应改进):整合实际成本、提前期、质量和可持续性指标,以更新知识库、预测和决策策略(MLA/EVAL),改进后续规划、匹配和编排周期。生命周期并非严格顺序:不同的反馈循环将“下游”阶段连接回“上游”决策,反映了MaaS生态系统的动态性质。特别地,执行期间检测到的偏差(步骤5)可以触发步骤4中的重新调度更新(CTRL→SCHED),而在步骤6中整合的性能证据可以更新步骤3中的供应商排名和合同条件(EVAL→MATCH),并改进步骤2中的工艺计划和能力模型(MLA→PLAN)。这些反馈机制对于捕获分布式生产网络的迭代、自适应行为至关重要,其中来自一个周期的输出成为下一个周期的输入,逐步提高规划、匹配和编排层的决策质量。此外,生命周期结构不是一个任意的“过程模型”,而是对MaaS贡献已经以碎片化方式所做工作的重构,与输入/输出粒度证据一致:微观级输入主导工程规划,中观级输入主导匹配/调度,宏观级输入主导治理、韧性和保证。尽管六步生命周期可能在表面上类似于通用产品生命周期管理(PLM)模型,但在两个关键方面有所不同。首先,PLM模型描述了单个垂直集成组织内产品的生命周期,而CaaS生命周期描述了从平台中介的外部服务开始整体业务能力的实例化:每个阶段不是内部过程,而是源自组织边界之外的专门MaaS模块的组合。其次,PLM框架没有解决公司间数据交换的治理、知识产权保护或服务水平问责问题;然而,这些是CaaS生命周期中的关键关注点,通过数字主线与治理内核(DTGK)在每个阶段进行操作化。CaaS生命周期因此不是PLM逻辑的重新表述,而是对现有MaaS构建块的组织重构,从孤立的平台功能提升为跨组织边界治理的阶段化公司能力。公司级的组合不能仅通过并置MaaS模块来实现。RQ3突显了与数据可用性/质量、互操作性、信任/数据主权和问责制(特别是在跨组织设置中)相关的反复出现的局限性。此外,许多MaaS输出是使能性工件(FW/TAX/TRUST),这些工件是非持久的且与运营决策弱连接。因此,提出的CaaS框架引入了“数字主线与治理内核”(Digital Thread and Governance Kernel, DTGK)作为协调元素,将模块化的MaaS能力转变为组织上连贯的系统。概念上,DTGK是一个持久层,负责:1. 在需求、计划、合同、调度和执行证据之间保持连续性和一致性(版本管理、可追溯性)。2. 管理跨参与者和服务的访问、IP、合规性和数据共享政策。3. 通过共享词汇表(分类法/本体)协调语义,以减少互操作性摩擦。4. 记录来源和审计跟踪以实现问责制和性能保证。DTGK的一个关键设计挑战涉及真实世界的制造事件(例如机器故障、质量偏差、延迟交付等),这些事件必须可靠地映射到治理层。借鉴预言机设计原则,DTGK在概念上纳入多方证明机制,其中基于阈值的传感器或人在环确认作为可信数据馈送,仅在跨独立来源达成共识时触发链上政策更新或合同修正。争议解决通过分层升级协议处理:轻微的服务水平协议(SLA)偏差通过预定义的处罚条款(编码在智能合约中)自动管理,而无法解决的冲突升级到涉及平台治理参与者的指定仲裁层。尽管这一设计仍有待实证验证,但它为超越“链上”交易的信任主张提供了具体的架构理由。在这个意义上,DTGK代表了缺失的“公司粘合剂”,将一组MaaS构建块转化为可组合的公司能力。概念图因此捕捉了从基于模块的MaaS视图(有效但松散耦合)到公司级视图的转变,其中功能通过数字连续性和治理