智能制造在信息系统的性能需求和功能需求方面对目前的制造业提出了崭新的或者更高级别的要求,通过对影响信息系统重要性能—鲁棒性的因素进行分析,根据智能制造信息系统的信息层和物理层之间的深度协作建立智能制造信息系统网络模型,描述智能制造信息系统级联失效过程,从网络可用性角度基于蚁群算法进行仿真实验,提高系统未发生故障的点在级联失效情况下寻找最短路径的能力,从而改善系统鲁棒性。本文主要从以下三方面进行创新研讨:（1）基于云服务平台和多个企业信息系统分析智能制造信息系统横向概念框架,从单元级、系统级和复杂系统级分析智能制造信息系统纵向概念框架,从纵向和横向两个角度对智能制造信息系统进行整体理解,然后分别从数据管理、资源管理、自主学习和人机交互对智能制造信息系统的功能需求进行分析,从分解性、可操作性、系统安全性和鲁棒性进行性能需求分析,从智能制造信息系统鲁棒性入手,基于业务流程对智能制造信息系统鲁棒性进行分析,最后根据网络抗毁性度量、网络可用性度量和网络成本度量对智能制造信息系统进行鲁棒性度量分析;（2）根据智能制造信息系统的鲁棒性中的实体重要性和链路重要性,对其与复杂网络级联失效之间的联系进行深度解析,分析了信息层和物理层之间的协作,基于信息层和物理层的运行过程进行复杂网络模型构建,对智能制造信息系统级联失效过程进行描述,最后根据蚁群算法基本原理,基于蚁群算法进行智能制造信息系统级联失效设计;（3）利用蚁群算法来解决级联失效现象发生以后未出现故障的节点或者边寻找最短路径到达目标节点的问题。但是该方法仍有需要改进的地方:1)可能存在某条路径上的信息素浓度远远大于其他路径,使算法过早收敛于局部最优解;2)算法可能出现停滞现象,搜索时间过长,收敛速度过慢。针对上述问题,通过对蚁群算法的进一步研究发现,信息素的浓度对算法的收敛速度有很大的影响,而信息素浓度取决于挥发因子ρ的值,因此,本文在综合参考了相似蚁群群体对遍历路径的负载信息素的更新、实体节点的抗毁性度量和成本度量,在此基础上寻找挥发因子的参数值,本文在Python 3.7的环境中,在其他参数不变的情况下,改变算法中的挥发因子,在多次实验中找到挥发因子的合适值,提高寻找最短路径的效率和稳定性,增强智能制造信息系统的鲁棒性。图13幅,表5个,参考文献45篇。