项目1：认知化学制造（利兹大学领衔）。开发新算法用于生成基于机器学习的化学工艺设计知识，将算法与网络平台结合起来进行自动化实验。联合的网络物理系统将最大限度地减少安全、鲁棒的化学制造过程筛选所需的时间，并通过与项目合作伙伴所面临的当前制造挑战有关的深入案例研究来进行验证。

　　项目2：用于操作员与技术优化的数字工具包（诺丁汉大学领衔）。提供开放式数字工具套件，以便实时获取及预测影响，优化用于制造系统性能的数字技术。通过使用新的人为因素理论和数据分析方法，工具将告知人们数字制造中工作负荷、态势感知和决策的需求。同时，还将测试传感技术的实施，这些技术将获取和评估性能变化情况，并建立系统性能的预测模型。该项目还将了解在评估未来工作场所工作绩效时，引入数字制造工具和数字传感器工具的伦理、组织和社会影响。

　　项目3：在原型设计过程中，通过整合版本控制和数字物理模型来改进产品开发工艺（布里斯托大学领衔）。物理-数字模型结对缺乏版本控制会导致多个几乎相同的模型实例，从而在流程管理、可追溯性、决策、设计重复和低效率以及设计原理获得等方面出现问题，并几乎不可能根据数字物理工具链优化产品开发流程。该项目将从根本上重新定义数字与物理模型的版本控制和结对过程，实现从手动、繁琐、易出错、高价到无缝集成、快速、可靠、知识丰富的转变。

　　项目4：面向集成ICT技术的制药业的人工智能（斯特拉思克莱德大学领衔）。寻求开发新型机器学习方法，学习过去和现在的制造数据，创造新的知识，以帮助制定关键的制造决策，例如了解要采用的工艺和操作、要部署的传感器和测量以优化产品交付；以及潜在的工艺异常及其对药品质量的影响。所有这些数据和人工智能“学习”将通过定制的、个性化的增强现实和虚拟现实界面提供。

　　项目5：动态材料与结构的系统科学设计和制造（谢菲尔德大学领衔）。许多工程系统中的材料与结构经常受到动态负载的影响，这对其设计及制造提出了具有挑战性的限制和要求。对这些系统进行建模的主要挑战之一是如何生成高保真降阶模型，并基于该模型，对需要承受苛刻动态负载的工程材料与系统进行设计。该项目将开发基于复杂系统科学的创新型数字制造方法，并通过三个案例研究来论证新方法的有效性和重要性。

　　项目6：中小企业的数字制造（剑桥大学领衔）。解决共同关切的问题，即由于升级工业计算和通信环境的相关资本成本，中小企业不太可能受益数字化制造的新发展。该项目提出一种完全不同于制造过程数字化演进的方法，主要侧重于工业自动化和信息挑战的非工业解决方案。该项目将寻求利用非常低成本的商用技术来实现移动计算、传感和人工智能，并解决将这些技术安全集成到小规模制造环境中的挑战。

　　项目7：数据驱动的循环经济智能（克兰菲尔德大学领衔）。确定如何利用使用中产品的数据，来为围绕循环经济战略实施的智能决策提供信息，从而加速在英国制造业中实现资源利用的循环方法该项目将开发新的知识、工具和方法，使机构能够在产品的整个生命周期中获取数据，并根据最合适的循环经济战略做出明智决策。           （万勇）