Agent technology has been recognized as a promising paradigm for next generation manufacturing systems. Researchers have attempted to apply agent technology to manufacturing enterprise integration, enterprise collaboration (including supply chain management and virtual enterprises), manufacturing process planning and scheduling, shop floor control, and to holonic manufacturing as an implementation methodology. This paper provides an update review on the recent achievements in these areas, and discusses some key issues in implementing agent-based manufacturing systems such as agent encapsulation, agent organization, agent coordination and negotiation, system dynamics, learning, optimization, security and privacy, tools and standards.

Cu/SiO2 catalysts prepared by the ammonia-evaporation (AE) method have been systematically characterized focusing on the effect of the AE temperature during catalyst preparation. It is found that the texture, composition, and structure of the calcined and reduced Cu/SiO2 catalysts were profoundly affected by the AE temperature. Based on characterizations and previous findings, the copper species on calcined Cu/SiO2 samples and reduced Cu/SiO2 catalysts were assigned. In gas-phase hydrogenation of dimethyl oxalate (DMO) to ethylene glycol (EG), the evolution of the catalytic activity with the Cu0 and Cu+ surface areas suggested that Cu+ also participated in the hydrogenation process. The cooperative effect between Cu0 and Cu+ is proposed to be responsible for the highest hydrogenation activity of the Cu/SiO2 catalyst prepared at the AE temperature of 363 K, on which an EG yield of 98% was obtained under the optimized hydrogenation conditions.

This paper presents a state of the art review of existing research, projects, and applications in the domain of collaborative conceptual design, based on the Internet and Web technologies. The purpose of the review is to understand the needs for conceptual engineering design, to clarify the current conceptual design practice, to classify the available technologies, and to study the future trend in this area. The emphasis of this paper is to briefly outline the methodologies, architectures, and tools developed for the projects reviewed in this paper. It also uncovers approaches to conflict resolution and team/project management, as they are vital to a successful engineering design in a collaborative environment. More than 80 journal and conference papers and about 20 projects are reviewed based on the primary focus mentioned above. The selected research works are further categorised into several areas based on the application domain, design theory, and the technology used for implementation. The selected research projects and applications are basically for, but not limited to, the collaborative conceptual design.

Manufacturing process planning is the process of selecting and sequencing manufacturing processes such that they achieve one or more goals and satisfy a set of domain constraints. Manufacturing scheduling is the process of selecting a process plan and assigning manufacturing resources for specific time periods to the set of manufacturing processes in the plan. It is, in fact, an optimization process by which limited manufacturing resources are allocated over time among parallel and sequential activities. Manufacturing process planning and scheduling are usually considered to be two separate and distinct phases. Traditional optimization approaches to these problems do not consider the constraints of both domains simultaneously and result in suboptimal solutions. Without considering real-time machine workloads and shop floor dynamics, process plans may become suboptimal or even invalid at the time of execution. Therefore, there is a need for the integration of manufacturing process-planning and scheduling systems for generating more realistic and effective plans. After describing the complexity of the manufacturing process-planning and scheduling problems, this paper reviews the research literature on manufacturing process planning, scheduling as well as their integration, particularly on agent-based approaches to these difficult problems. Major issues in these research areas are discussed, and research opportunities and challenges are identified.

Abstract In this paper, general requirements of next generation manufacturing systems are discussed, and the strategies to meet these requirements are considered. The production paradigms which apply these strategies are also classified. Particular emphasis is put on the paradigm of Reconfigurable Manufacturing System (RMS). Some key issues of the RMS design are discussed, and a critical review is presented concerning the developments of RMSs. Finally, suggestions of the RMS research are made and future research directions are identified. Keywords: Reconfigurable Manufacturing Systems (RMS)System architectureSystem configurationOpen Architecture Control (OAC)ReconfigurabilityModularity Acknowledgement The authors wish to thank the anonymous reviewers for valuable comments and suggestions on the manuscript.

Fault detection and diagnosis (FDD) is crucial for stable, reliable, and safe operation of industrial equipment. In recent years, deep learning models have been widely used in data-driven FDD methods because of their automatic feature learning capability. In general, these models are trained on historical sensor data, and therefore, it is very difficult to meet the real-time requirement of online FDD applications. Since transfer learning can solve different but similar problems in the target domain efficiently and effectively with the knowledge learned from the source domain, this paper proposes an online fault diagnosis method based on a deep transfer convolutional neural network (TCNN) framework. The TCNN framework is made up of an online CNN based on LeNet-5 and several offline CNNs with a shallow structure. First, time-domain signal data are converted into images that contain abundant fault information and are suitable as the input of CNN. Then, the online CNN is constructed to automatically extract representative features from the converted images and classify faults. Finally, in order to improve the real-time performance of the online CNN, several offline CNNs are also constructed and pretrained on related data sets. By directly transferring the shallow layers of the trained offline CNNs to the online CNN, the online CNN can significantly improve the real-time performance and successfully address the issue of achieving the desired diagnostic accuracy within limited training time. The proposed method is validated on two bearing data sets and one pump data set, respectively. The prediction accuracy of the proposed method using three data sets are 99.88%, 99.13%, and 99.98%, respectively. The experimental results also indicate that the improvement of accuracy is 19.21% for the motor bearing case, 29.82% for the rolling mill bearing case, and 33.26% for the pump case during the early stage of learning.

Recently, research on data-driven bearing fault diagnosis methods has attracted increasing attention due to the availability of massive condition monitoring data. However, most existing methods still have difficulties in learning representative features from the raw data. In addition, they assume that the feature distribution of training data in source domain is the same as that of testing data in target domain, which is invalid in many real-world bearing fault diagnosis problems. Since deep learning has the automatic feature extraction ability and ensemble learning can improve the accuracy and generalization performance of classifiers, this paper proposes a novel bearing fault diagnosis method based on deep convolutional neural network (CNN) and random forest (RF) ensemble learning. Firstly, time domain vibration signals are converted into two dimensional (2D) gray-scale images containing abundant fault information by continuous wavelet transform (CWT). Secondly, a CNN model based on LeNet-5 is built to automatically extract multi-level features that are sensitive to the detection of faults from the images. Finally, the multi-level features containing both local and global information are utilized to diagnose bearing faults by the ensemble of multiple RF classifiers. In particular, low-level features containing local characteristics and accurate details in the hidden layers are combined to improve the diagnostic performance. The effectiveness of the proposed method is validated by two sets of bearing data collected from reliance electric motor and rolling mill, respectively. The experimental results indicate that the proposed method achieves high accuracy in bearing fault diagnosis under complex operational conditions and is superior to traditional methods and standard deep learning methods.

The future Internet of Things (IoT) is expected to enable a new and wide range of decentralized systems (from small-scale smart homes to large-scale smart cities) in which "things" are able to sense/actuate, compute, and communicate, and thus play a central and crucial role. The growing importance of such novel networked cyber-physical context demands suitable and effective computing paradigms to fulfill the various requirements of IoT systems engineering. In this paper, we propose to explore an agent-based computing paradigm to support IoT systems analysis, design, and implementation. The synergic meeting of agents with IoT makes it possible to develop smart and dynamic IoT systems of diverse scales. Our agent-oriented approach is specifically based on the agent-based cooperating smart object (ACOSO) methodology and on the related ACOSO middleware: they provide effective agent design and programming models along with efficient tools for the actual construction of an IoT system in terms of a multiagent system. A case study concerning the development of a complex IoT system, namely a Smart University Campus, is described to show the effectiveness and efficiency of the proposed approach.

In this paper, we consider a cognitive radio network that consists of one cognitive base station (CBS) and multiple cognitive users (CUs) in the presence of multiple eavesdroppers, where CUs transmit their data packets to CBS under a primary user's quality of service (QoS) constraint while the eavesdroppers attempt to intercept the cognitive transmissions from CUs to CBS. We investigate the physical-layer security against eavesdropping attacks in the cognitive radio network and propose the user scheduling scheme to achieve multiuser diversity for improving the security level of cognitive transmissions with a primary QoS constraint. Specifically, a cognitive user (CU) that satisfies the primary QoS requirement and maximizes the achievable secrecy rate of cognitive transmissions is scheduled to transmit its data packet. For the comparison purpose, we also examine the traditional multiuser scheduling and the artificial noise schemes. We analyze the achievable secrecy rate and intercept probability of the traditional and proposed multiuser scheduling schemes as well as the artificial noise scheme in Rayleigh fading environments. Numerical results show that given a primary QoS constraint, the proposed multiuser scheduling scheme generally outperforms the traditional multiuser scheduling and the artificial noise schemes in terms of the achievable secrecy rate and intercept probability. In addition, we derive the diversity order of the proposed multiuser scheduling scheme through an asymptotic intercept probability analysis and prove that the full diversity is obtained by using the proposed multiuser scheduling.