传统制造业在智能化转型升级的过程中,面临着数据网络异构、设备计算能力不足等多方面的问题和挑战。制造模式呈现出的个性化定制生产趋势,导致制造企业需要在更短的时间内完成更频繁的制造任务调整,这对制造系统在产线规划调度层提出了快速重构的新需求。然而,传统的制造资源受限于自身硬件性能,导致复杂任务重构过程中需要大量的人工参与环节。本文针对这一不足之处,通过研究智能制造设备群体学习技术,提出了可行的解决方案,本文主要完成的工作如下:首先,通过引入软件定义网络（Software-Defined Networking,SDN）技术,构建一种基于云边协同的SDN架构。分别从数据采集和数据传输两方面对现有的工业环境网络设施和传输策略进行优化。其次,研究制造资源结构化数据的知识提取方案。本文针对制造环境中用途最为广泛的结构化数据,进行制造资源知识提取策略的研究,实现结构化数据的知识自动提取。通过对已有的数据源语义模型进行分析完成自动学习,从而在重构过程中接入新的数据源时,能够自动预测数据源类型并生成相关语义模型进行知识提取。然后,分析并实现了面向制造资源的知识融合方法。基于实体对齐的策略,根据一个小样本数量的对齐实体种子集合,将不同知识图中的实体和关系共同编码到一个统一的低纬度语义空间当中,通过迭代和参数共享的方法来提高实体对齐的准确性。接着,构建了一种制造资源知识复用机制。在所提出的知识提取和知识融合的基础之上,对物理制造资源间知识复用的匹配机制展开研究,通过对加工过程进行细粒度的动作分解来实现动作基元的知识表示,在知识复用时则可以通过动作基元重新组合来表示新动作的执行过程,为原有资源的动作运行规则寻找新的适用场景。最后,对本文所提出的智能制造环境下设备群体学习方案进行实验验证。依托于课题组自主构建的多产品混流制造原型平台,在此平台上搭建云边协同的SDN网络系统实验环境并定义实验参数,然后面向混流制造加工过程实施所提出的智能制造设备群体学习方案,根据平台具体制造资源和通讯网络设施对所提出方案进行涵盖数据采集与知识的提取、表征、融合和复用过程可行性的验证。