浅谈智能制造行业可实现快速响应的关键技术

随着智能制造行业的发展，智能技术日渐成为实现制造知识化、自动化、柔性化以及实现对市场的快速响应的关键技术。  

本文引自：《制造智能技术基础》（主编：张智海, 副主编：李冬妮、苏丽颖、张磊、贾旭杰、裴植、谢小磊）

目前，国内外对智能制造尚无严格统一的定义。工信部下发的《智能制造发展规划（2016—2020年）》中将智能制造定义为：

智能制造具有三个典型特征：自感知、自决策、自执行。举例说明：端一杯水时，通过眼睛看到水杯在哪（自感知），用手握住把手（自决策，选择握住把手而不是杯身），端起水杯（自执行），这些动作可以轻易。而对于机器来说，这并不容易，首先机器需要自动识别水杯的坐标位置、水杯的外形、高度、材质等（自感知），然后需要判断如何抓起水杯，握把手还是杯身等（自决策），最后完成抓取杯子动作（自执行），这一整套连贯动作的执行决策需要各种数据作为支撑，需要借助大数据分析、人工智能等技术来实现。

随着智能制造行业的发展，智能技术日渐成为实现制造知识化、自动化、柔性化以及实现对市场的快速响应的关键技术。工业界对机械智能技术日益关注的根源在于各种智能技术在工业界扮演着日益重要的、不可替代的作用，在某些领域智能技术的应用已经成为企业核心竞争力。例如，基于智能优化算法的优化设计，基于模式识别的故障识别、诊断，基于模糊控制的智能调节和控制、基于深度学习的智能检测、故障诊断，基于类比推理、归纳学习与基于实例推理的知识系统，基于商业智能的决策支持系统等。下面简要介绍若干关键智能技术在智能制造领域中的典型应用。

智能优化算法

智能优化算法在生产运营管理、机械设计、制造系统规划设计等领域具有大量研究和广泛的实际应用。

智能优化算法在车间生产调度中发挥了重要作用。传统的人工排产方式通常工作强度较大，对人员依赖度较高，而且由于工序繁多还有可能导致生产计划不合理、效率低。采用智能优化算法可以帮助企业进行资源和系统的整合、集成与优化，实现动态最优化的排程，进而帮助企业实现按需生产，提高运行效率，缩短产品周期，提升企业的产能。以电梯制造企业为例，采用智能优化算法的动态智能排产系统可以将计划制定的时间缩短75%。此外，将双向调度方法或者指派规则嵌入到遗传算法中，可得到一种新调度算法，从而更快速和准确地解决智能制造系统的车间调度问题。

在仓库和物流优化配置问题中，可以通过数学规划等运筹优化算法和遗传算法进行优化决策；多个分拣机器人的路径规划和协调行动可通过多智能体算法蚁群算法进行规划。

此外，智能优化算法在机械设计方面也有很广泛的应用。机械设计的优化过程中，可能会遇到对目标函数的可导性有严格要求的问题或者陷入局部最优值这一类问题，以往传统的优化方法很难得到满意的结果，将智能优化算法运用到实际优化问题当中，有利于解决以往传统优化方法所不能解决的非连续的、非凸的、非线性等复杂问题。

同时，智能优化算法在智能制造系统的最佳加工性能综合评估中也具有实际应用价值，例如，利用遗传算法求解多道车削的最佳切削条件。而且，在智能制造系统框架下，工业机器人的仿真研究也会用到智能最优算法。另外，在多状态制造系统中，考虑维修成本和维修时间等多个约束的选择性维修决策（组合优化）模型，可通过蚁群算法进行快速求解。此外，在智能制造系统中，利用物料需求计划（material requirement planning，MRP）相关文档中的供需位置来模拟销售人员需到达的城市点，并采用蚁群优化算法，可以找到最短路径，从而提高相关人员的效率。

模式识别

模式识别是信息科学和人工智能的重要组成部分，主要被应用于图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断等方面。在制造行业中，模式识别技术大量应用于产品检验领域。

在制造生产的过程中，几乎所有的产品都面临着质量检测。传统的手工检测存在着许多不足：首先，人工检测的准确性依赖于工人的状态和熟练程度；其次，人工操作效率相对较低，不能很好地满足大量生产检测的要求；此外，由于工作强度高，容易引起操作人员的疲劳，从而导致次品率高；最后，近年来人工成本也在逐步上升。所以，模式识别技术被广泛用于产品检测中。

产品缺陷检测的对象往往可以建模为二维平面上的元素，包括孔洞、污渍、划痕、裂纹、亮点、暗点等常见的表面缺陷，这些缺陷特别是孔洞和裂纹等，可能严重影响产品质量和使用的安全性，因此，准确识别缺陷产品非常重要。以芯片企业为例，模式识别技术的应用实施可以大幅降低次品率，同时通过分析次品原因还可以降低产品的报废率，并优化产品设计与生产工艺，达到进一步降低检验成本的目的。此外，将模式识别技术应用到智能制造过程中复合材料的分类上，可以使分类更加精准。另外，在半导体制造中可以使用混合自组织图和支持向量机（self-organizing map and support vector machine，SOM-SVM）的方法对晶圆箱图进行分类，进一步进行缺陷识别。同时，在用锡罐包装的香烟的制造过程中，应用模式识别技术可以开发缺陷自动检查系统。而且，在滚动轴承故障检测中，将从振动信号中提取的特征向量作为支持向量机的输入，从而对故障模式进行识别。

除此之外，模式识别技术在定位被测零件时，也有重要的应用。制造过程中的物体测量也会应用模式识别技术，常见的测量应用包括：齿轮、接插件、汽车零部件等。

另外，在智能制造和检验的过程中，可进一步改进模式识别技术，从而使得故障识别更加精确和高效。例如，在轴承故障的检测中，基于局部均值分解（local mean decomposition，LMD）能量矩概念，针对故障振动信号特征值的相互内在联系，将LMD能量矩与变量预测模型模式识别相结合，从而得到一种轴承故障智能诊断的新方法。其次，在荧光磁粉无损检测技术的基础上，使用一种电荷耦合器件（charge coupled device，CCD）图像获取系统进行图像采集，然后使用相关算法进行图像处理和模式识别，可以更准确地检测表面缺陷的类型和程度。此外，基于系统健康指标，构建新的模式识别技术，从而得到一种可用于系统故障检测和诊断的有效的方法。

模糊控制

模糊控制在智能制造自动化控制系统中得以广泛应用。精准的智能化自动控制系统，可以批量、集中处理大量的信息和复杂的工作任务，从而提高企业内产品生产的效率、技术指标等。同时，也可以减少原料、人力的投入。模糊控制是以推理理论、模糊语言为基础，把专家的经验当作控制规则，实现智能化控制的一种控制方式。其本质是采用基于模糊模型的模糊控制器，实现智能制造自动化系统的控制过程。在实际应用的过程中，根据模糊逻辑推理原则，利用计算机技术，构建自动化控制系统，提高控制的效率。

例如，基于互补式金属氧化物半导体（complementary metal-oxide-semiconductor，CMOS）传感器的自主循迹智能车，搭载了一套自适应模糊控制器。与传统的模糊控制器相比，自适应模糊控制器在结构上得到了较大的改善。其次，在数控火焰切割机自动调高系统的设计过程中，通过分析影响切割机自动调高系统运行稳定性及精度的主要因素，采用脉冲宽度调制（pulse width modulation，PWM）控制技术，设计出基于模糊控制方法的自动调高控制系统。

此外，在AGV小车调速控制系统中，也应用到模糊控制技术。另外，在调节阀定位器控制系统，采用模糊控制理论中的合成推理方法，可以使得定位精度由传统阀门定位器的±1%提高到±0.5%。同时，在注塑零件的焊接线位置控制系统中，将模糊控制技术与计算机辅助工程（computer aided engineering，CAE）软件结合，从而加快了模具的设计过程。而且，在智能制造过程中，通过模糊控制算法监控放电电流可以减小表面粗糙度，通过模糊控制算法监控火花隙可以避免有害的电弧效应。

深度学习

随着数据爆炸式增长，传统的统计建模方式已经难以处理高维度、非结构化的数据。此时，深度学习技术因其具备处理高维度、非线性数据模式的固有能力，开始登上历史舞台。

智能制造大力发展的今天，深度学习技术可以辅助零部件和材料缺陷检测。在生产制造过程中，可能会出现划痕、裂纹等损坏，使产品不能用于生产线上的下一道工序。深度学习技术可以在毫秒内检测到裂纹、划伤等缺陷。具体地，通过深度神经网络系统，可以从历史样本中自动提取各种缺陷特征，从图片中自动识别可能的缺陷并加以标识，能够让工作人员快速发现并且纠正，从而提升产品质量和工作效率。其实这种应用非常类似于之前Watson的医疗诊断应用，都是通过图片信息来识别问题所在，这方面机器的效率要远远高于普通工人。几万张图片，深度学习的机器可以在一秒之内完成识别和标注，如果人为的话至少需要两个小时。据IBM资料显示，通过深度学习，机器还可以在更多生产领域实现智能制造。比如工件定位，也就是工件在机械臂上的位置情况；工件精度测量、不良品分拣以及工件装配检查等方面。

斯坦福大学计算机系教授吴恩达（Andrew Ng）携手富士康，帮助传统制造业借助人工智能转型升级。比如：通过利用深度学习、神经网络，可以让电脑快速学习做自动检测的工作。人工智能介入了以后，工厂的误判率会在上线时达到3%~4%的水平，并且会逐步减少到最低。

2018年汉诺威工业展上，西门子展位展示的是搭载西门子Autonomous系统（用人工智能技术打造的增加生产柔性的系统）的KUKA机器人，这款机器人的最大优势在于其出色的灵活性。其中一台样机搭载了三维感知摄像机，基于图像识别和深度学习技术，能对现场任何环境变化做出灵敏反应，即时调整操作轨迹。这种技术可以大大增强生产线的柔性，不再局限于生产标准化产品。

此外，深度学习系统可以根据数百个工厂过程参数和产品设计变量来跟踪用电量的模式，并可以动态地推荐最佳实践以实现最佳利用率。例如，在可再生能源行业，可以利用深度学习算法的预测来绘制从依赖化石燃料到使用可持续能源的最佳过渡轨迹，而传统的预测分析方法很难处理这种模式。

另外，一条生产线突然发出故障报警，利用深度学习算法，可以使得机器能够自己进行诊断，找到问题出在哪里，原因是什么，同时还能够根据历史维护的记录或者维护标准，告诉管理者如何解决故障，甚至让机器自己解决问题、自我恢复。例如，在一个电网中，当出现故障时，若利用常规方法识别电网的哪个地方出现了问题，通常准确识别定位的可靠概率是80%。而西门子利用了深度学习技术对历史故障事件学习，通过已经分布在电网中的继电器，来更好地判断电网出了什么问题，出在哪个地方等。

在智能制造的过程中，可将深度学习技术与其他技术进行过融合，从而使得智能制造的过程更加精确和高效。例如，将神经网络融合到模式和图像识别技术中，有助于提取图像特征、优选特征向量组成方案，从而优化智能制造系统图像识别技术。其次，利用基于多物理域信息多模式融合与深度学习的智能加工机器自主感知方法，从而可以有效地解决智能机器自主感知问题。而且，在深度学习的基础上利用大数据分析技术，可以提高对机械零部件故障诊断的识别分类精度。此外，将深度学习、数字孪生（digital twin，DT）和信息物理系统（cyber-physical system，CPS）的架构进行集成，可以促进传统制造向智能制造和工业4.0的转型。

知识工程

知识工程是以知识为处理对象，为那些需要专家知识才能解决的应用难题提供求解的手段，借用工程化的思想，对如何用人工智能的原理、方法、技术来设计、构造和维护知识型系统的一门学科。

目前知识工程的发展和应用状况，除了通用的大规模知识图谱，各行业也在建立行业和领域的知识图谱。当前知识图谱的应用包括语义搜索、问答系统与聊天、大数据语义分析以及智能知识服务等，在智能客服、商业智能等真实场景体现出广泛的应用价值。

在智能制造领域，产品的创新性设计在很大程度上是基于以往的知识，具有很强的继承性。这些知识包括设计历史资料、设计参数的选择以及依据、国家法规、设计标准、设计流程、实验数据、材料数据、用户反馈的信息、各种失误的原因等所有的与制造业产品开发有关的信息。系统地使用知识工程思想指导制造业产品智能设计，将知识和设计流程软件化，使设计开发的自动化程度大大提高，因而大大减轻了设计人员的劳动强度，节省了产品设计成本，缩短产品设计周期，同时，使企业的知识积累规范化、制度化和软件化，并且使产品设计变得更加灵活、高效和智能化，推动企业的科技进步。

知识工程思想在智能制造中的具体应用也有很多。例如，在阀门设计中，通过引入知识工程的思想，可以开发基于知识工程的阀门智能设计系统，从而实现从阀门总体设计到零部件设计的智能化。其次，在零部件的设计过程中，采用基于知识工程的参数化设计方法，为零部件产品建立一个产品知识库，从而可以实时地检验设计。此外，在汽车车身的制造过程中，可采用基于知识工程技术的车身侧围设计软件，并将车身侧围设计软件与基于面向制造设计技术的一步逆成形冲压分析软件进行集成应用，从而更精确地进行设计。另外，在船舶制造的过程中，通过分析船舶制造中生产计划与控制中存在的问题，以及结合现代船舶生产制造模式，可以建立基于知识工程的船舶生产计划与控制系统模型。同时，在热锻设计过程中，通过开发基于知识的工程系统，可以将热锻设计过程集成到一个框架中，从而便于收集设计工程师的知识和经验。

此外，知识工程在智能制造业的应用还包含数字员工和数字孪生。数字员工管理平台在企业制造过程信息化建设中有着重要的意义，其关键目标是使得企业制造过程中的信息全面化。生产过程中，数字孪生可通过收集各种传感器发出的信号，获取与实际制造过程相关的运营和环境数据，从而能够识别偏离理想状态的异常情况，并进行报警。

商业智能

仅凭生产更优质的产品即可创造和获得价值的时代已经结束，以大数据技术为核心驱动的智能制造，正以汹涌之势席卷全球。要实现智能转型，离不开大数据分析平台的构建，离不开密切关联的制造业商业智能。通过帮助企业建立数据化运营体系，真正实现数据驱动决策。通过数据化运营，业务人员将数据转化成运营策略，从而能够判断趋势，展开有效行动，帮助自己发现问题，推动创新或解决方案出现。

《2009-2010年中国商业智能市场分析》中称，目前全球范围内，商业智能已经超过ERP和CRM（customer relationship management，客户关系管理），成为最具增长潜力的领域。据中国商业智能网调查，2009年中国大陆地区的商业智能市场份额约为26亿元人民币，比2008年增长18%，约占企业管理软件的市场份额的8%。

应用商业智能的行业中，制造、零售行业约占30%的市场份额，是商业智能应用最具潜力的行业。智能制造行业，商业智能的几个应用包括：

（1）操作现场。实现技术流程与生产作业流程的有机结合。

（2）售后服务。改变保修问题分析主要靠工程师手工处理的方式，应用保修分析解决系统，使工程师迅速判断保修赔偿率、是否需要特殊检查等。

（3）决策支持。决策支持系统由数据仓库及管理系统、模型库及管理系统、知识库及管理系统、数据抽取工具、数据挖掘与知识发现工具、用户界面等模块组成，从而成功实现了对数据、模型、知识、交互四个部件的系统集成决策。

（4）办公系统。加强和完善生产管理、提高资源共享和团队协作程度，最大限度地实现公司内部资源的高效利用，提高综合统计、分析、处理数据，报表设计的效率。

商业智能在智能制造中的具体应用也有很多。例如，针对基于ERP系统的制造企业，可利用商业智能系统进行数据挖掘、前瞻性数据分析和决策支持功能的应用。其次，以制造型企业的业务需求为前提，可提出商业智能的应用实施方案，基于SQL Server 2008 Business Intelligence平台创建以生产、库存和销售为主题的数据仓库，且通过SQL Server集成服务从源数据库中抽取、转换和加载相关数据到数据仓库中，然后，利用SQL Server分析服务对三个主题建立相应的多维数据集，并进行分析，接着通过SQL Server报表服务完成商业智能的交付任务。另外，针对智能制造产品的各种售后服务问题，可利用商业智能的解决和应用实施方案，对售后服务问题进行研究分析，用商业智能的理论去帮助制造行业分析、控制并解决售后服务的质量问题。同时，通过将制造系统与基于数据仓库的商业智能进行集成应用，不仅为各种车间系统带来了接口，而且还具有数据集成、数据分析和仪表盘生成的功能。而且，针对智能制造中的柔性制造系统，应用商业智能工具，可以分析涵盖用户需求的相关柔性制造数据。此外，商业智能工具可为正在经历工业4.0转型的中型企业（medium enterprises，ME）带来很大的价值。

多种智能技术融合

在智能制造中的应用

除了将单个关键智能技术应用到智能制造中的研究之外，制造企业中交叉融合应用多种关键智能技术的研究也比比皆是。

将多种关键智能技术融合应用到实际的智能制造中，可为制造过程提供智能优化决策系统，从而减少智能制造的误差，提高智能制造的精度和效率。比如，韩至骏等[1]提出了一种用于加工中心优选刀具和切削参数的新方法，该方法以基本切削数据库为基础，结合遗传算法、神经网络、模糊控制技术，以及根据实际工况的需要，通过学习、修正，实时优选出能满足各种具体工作环境要求的刀具最佳切削参数。同时，彭观等[2]提出一种基于专家系统和神经网络相结合的加工过程多目标优化智能决策方法，并建立了专家系统和神经网络之间的信息交换机制。此外，严涛等[3]针对传统磨削加工过程精度控制遇到的困境，提出了将传统的专家系统推理架构和模糊神经网络相结合建立智能磨削参数决策系统。

在该决策系统中，利用专家系统对磨削参数初步决策，并在加工间隙及加工结束时对加工参数进行调整以及对知识库进行修正，使系统具有了很强的自适应能力和自学习能力，提高了磨削的精度和磨削效率，减小了磨削加工误差。另外，Tammy Hoiter等[4]创建了一项预测功能来评估决策变化和环境变化对系统性能造成的影响。其中，这种预测功能是通过将神经网络和遗传算法结合来实现的。

- 参考资料 - 

本文撰写过程引用和参考了以下文章和资料，一并感谢：

[1]韩至骏， 张昆. 加工中心工艺参数智能生成系统的研究[J]. 清华大学学报: 自然科学版， 1999， 39

(2): 30-33.  [2]彭观，陈统坚. 基于专家系统和神经网络的制造过程智能决策系统[J]. 组合机床与自动化加工技术， 1999 (2): 24-27. 

[3]严涛，李蕾. 基于FNN智能型磨削参数决策系统[J]. 机床与液压，1999

(4): 27-29.   [4]HOLTER T， YAO X， RABELO L C， et al. Integration of neural networks and genetic algorithms for an intelligent manufacturing controller[J]. Computers & Industrial Engineering，1995，29(1-4): 211-215. 

编辑：黄飞