随着智能制造行業的發展，智能技術日漸成爲實現制造知識化、自動化、柔性化以及實現對市場的快速響應的關鍵技術。
本文引自：《制造智能技術基礎》（主編：張智海, 副主編：李冬妮、蘇麗穎、張磊、賈旭傑、裴植、謝小磊）
目前，國内外對智能制造尚無嚴格統一的定義。工信部下發的《智能制造發展規劃（2016—2020年）》中将智能制造定義爲：
智能制造具有三個典型特征：自感知、自決策、自執行。舉例說明：端一杯水時，通過眼睛看到水杯在哪（自感知），用手握住把手（自決策，選擇握住把手而不是杯身），端起水杯（自執行），這些動作可以輕易。而對于機器來說，這并不容易，*先機器需要自動識别水杯的坐标位置、水杯的外形、高度、材質等（自感知），然後需要判斷如何抓起水杯，握把手還是杯身等（自決策），*後完成抓取杯子動作（自執行），這一整套連貫動作的執行決策需要各種數據作爲支撐，需要借助大數據分析、人工智能等技術來實現。
随着智能制造行業的發展，智能技術日漸成爲實現制造知識化、自動化、柔性化以及實現對市場的快速響應的關鍵技術。工業界對機械智能技術日益關注的根源在于各種智能技術在工業界扮演着日益重要的、不可替代的作用，在某些領域智能技術的應用已經成爲企業核心競争力。例如，基于智能優化算法的優化設計，基于模式識别的故障識别、診斷，基于模糊控制的智能調節和控制、基于深度學習的智能檢測、故障診斷，基于類比推理、歸納學習與基于實例推理的知識系統，基于商業智能的決策支持系統等。下面簡要介紹若幹關鍵智能技術在智能制造領域中的典型應用。
智能優化算法
智能優化算法在生産運營管理、機械設計、制造系統規劃設計等領域具有大量研究和廣泛的實際應用。
智能優化算法在車間生産調度中發揮了重要作用。傳統的人工排産方式通常工作強度較大，對人員依賴度較高，而且由于工序繁多還有可能導緻生産計劃不合理、效率低。采用智能優化算法可以幫助企業進行資源和系統的整合、集成與優化，實現動态*優化的排程，進而幫助企業實現按需生産，提高運行效率，縮短産品周期，提升企業的産能。以電梯制造企業爲例，采用智能優化算法的動态智能排産系統可以将計劃制定的時間縮短75%。此外，将雙向調度方法或者指派規則嵌入到遺傳算法中，可得到一種新調度算法，從而更快速和準确地解決智能制造系統的車間調度問題。
在倉庫和物流優化配置問題中，可以通過數學規劃等運籌優化算法和遺傳算法進行優化決策；多個分揀機器人的路徑規劃和協調行動可通過多智能體算法蟻群算法進行規劃。
此外，智能優化算法在機械設計方面也有很廣泛的應用。機械設計的優化過程中，可能會遇到對目标函數的可導性有嚴格要求的問題或者陷入局部*優值這一類問題，以往傳統的優化方法很難得到滿意的結果，将智能優化算法運用到實際優化問題當中，有利于解決以往傳統優化方法所不能解決的非連續的、非凸的、非線性等複雜問題。
同時，智能優化算法在智能制造系統的*佳加工性能綜合評估中也具有實際應用價值，例如，利用遺傳算法求解多道車削的*佳切削條件。而且，在智能制造系統框架下，工業機器人的仿真研究也會用到智能*優算法。另外，在多狀态制造系統中，考慮維修成本和維修時間等多個約束的選擇性維修決策（組合優化）模型，可通過蟻群算法進行快速求解。此外，在智能制造系統中，利用物料需求計劃（material requirement planning，MRP）相關文檔中的供需位置來模拟銷售人員需到達的城市點，并采用蟻群優化算法，可以找到*短路徑，從而提高相關人員的效率。
模式識别
模式識别是信息科學和人工智能的重要組成部分，主要被應用于圖像分析與處理、語音識别、聲音分類、通信、計算機輔助診斷等方面。在制造行業中，模式識别技術大量應用于産品檢驗領域。
在制造生産的過程中，幾乎所有的産品都面臨着質量檢測。傳統的手工檢測存在着許多不足：*先，人工檢測的準确性依賴于工人的狀态和熟練程度；其次，人工操作效率相對較低，不能很好地滿足大量生産檢測的要求；此外，由于工作強度高，容易引起操作人員的疲勞，從而導緻次品率高；*後，近年來人工成本也在逐步上升。所以，模式識别技術被廣泛用于産品檢測中。
産品缺陷檢測的對象往往可以建模爲二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點、暗點等常見的表面缺陷，這些缺陷特别是孔洞和裂紋等，可能嚴重影響産品質量和使用的安全性，因此，準确識别缺陷産品非常重要。以芯片企業爲例，模式識别技術的應用實施可以大幅降低次品率，同時通過分析次品原因還可以降低産品的報廢率，并優化産品設計與生産工藝，達到進一步降低檢驗成本的目的。此外，将模式識别技術應用到智能制造過程中複合材料的分類上，可以使分類更加精準。另外，在半導體制造中可以使用混合自組織圖和支持向量機（self-organizing map and support vector machine，SOM-SVM）的方法對晶圓箱圖進行分類，進一步進行缺陷識别。同時，在用錫罐包裝的香煙的制造過程中，應用模式識别技術可以開發缺陷自動檢查系統。而且，在滾動軸承故障檢測中，将從振動信号中提取的特征向量作爲支持向量機的輸入，從而對故障模式進行識别。
除此之外，模式識别技術在定位被測零件時，也有重要的應用。制造過程中的物體測量也會應用模式識别技術，常見的測量應用包括：齒輪、接插件、汽車零部件等。
另外，在智能制造和檢驗的過程中，可進一步改進模式識别技術，從而使得故障識别更加*和高效。例如，在軸承故障的檢測中，基于局部均值分解（local mean decomposiTIon，LMD）能量矩概念，針對故障振動信号特征值的相互内在聯系，将LMD能量矩與變量預測模型模式識别相結合，從而得到一種軸承故障智能診斷的新方法。其次，在熒光磁粉無損檢測技術的基礎上，使用一種電荷耦合器件（charge coupled device，CCD）圖像獲取系統進行圖像采集，然後使用相關算法進行圖像處理和模式識别，可以更準确地檢測表面缺陷的類型和程度。此外，基于系統健康指标，構建新的模式識别技術，從而得到一種可用于系統故障檢測和診斷的有效的方法。
模糊控制
模糊控制在智能制造自動化控制系統中得以廣泛應用。精準的智能化自動控制系統，可以批量、集中處理大量的信息和複雜的工作任務，從而提高企業内産品生産的效率、技術指标等。同時，也可以減少原料、人力的投入。模糊控制是以推理理論、模糊語言爲基礎，把專家的經驗當作控制規則，實現智能化控制的一種控制方式。其本質是采用基于模糊模型的模糊控制器，實現智能制造自動化系統的控制過程。在實際應用的過程中，根據模糊邏輯推理原則，利用計算機技術，構建自動化控制系統，提高控制的效率。
例如，基于互補式金屬氧化物半導體（complementary metal-oxide-semiconductor，CMOS）傳感器的自主循迹智能車，搭載了一套自适應模糊控制器。與傳統的模糊控制器相比，自适應模糊控制器在結構上得到了較大的改善。其次，在數控火焰切割機自動調高系統的設計過程中，通過分析影響切割機自動調高系統運行穩定性及精度的主要因素，采用脈沖寬度調制（pulse width modulaTIon，PWM）控制技術，設計出基于模糊控制方法的自動調高控制系統。
此外，在AGV小車調速控制系統中，也應用到模糊控制技術。另外，在調節閥定位器控制系統，采用模糊控制理論中的合成推理方法，可以使得定位精度由傳統閥門定位器的±1%提高到±0.5%。同時，在注塑零件的焊接線位置控制系統中，将模糊控制技術與計算機輔助工程（computer aided engineering，CAE）軟件結合，從而加快了模具的設計過程。而且，在智能制造過程中，通過模糊控制算法監控放電電流可以減小表面粗糙度，通過模糊控制算法監控火花隙可以避免有害的電弧效應。
深度學習
随着數據爆炸式增長，傳統的統計建模方式已經難以處理高維度、非結構化的數據。此時，深度學習技術因其具備處理高維度、非線性數據模式的固有能力，開始登上曆史舞台。
智能制造大力發展的今天，深度學習技術可以輔助零部件和材料缺陷檢測。在生産制造過程中，可能會出現劃痕、裂紋等損壞，使産品不能用于生産線上的下一道工序。深度學習技術可以在毫秒内檢測到裂紋、劃傷等缺陷。具體地，通過深度神經網絡系統，可以從曆史樣本中自動提取各種缺陷特征，從圖片中自動識别可能的缺陷并加以标識，能夠讓工作人員快速發現并且糾正，從而提升産品質量和工作效率。其實這種應用非常類似于之前Watson的醫療診斷應用，都是通過圖片信息來識别問題所在，這方面機器的效率要遠遠高于普通工人。幾萬張圖片，深度學習的機器可以在一秒之内完成識别和标注，如果人爲的話*少需要兩個小時。據IBM資料顯示，通過深度學習，機器還可以在更多生産領域實現智能制造。比如工件定位，也就是工件在機械臂上的位置情況；工件精度測量、不良品分揀以及工件裝配檢查等方面。
斯坦福大學計算機系教授吳恩達（Andrew Ng）攜手富士康，幫助傳統制造業借助人工智能轉型升級。比如：通過利用深度學習、神經網絡，可以讓電腦快速學習做自動檢測的工作。人工智能介入了以後，工廠的誤判率會在上線時達到3%~4%的水平，并且會逐步減少到*低。
2018年漢諾威工業展上，西門子展位展示的是搭載西門子Autonomous系統（用人工智能技術打造的增加生産柔性的系統）的KUKA機器人，這款機器人的*大優勢在于其出色的靈活性。其中一台樣機搭載了三維感知攝像機，基于圖像識别和深度學習技術，能對現場任何環境變化做出靈敏反應，即時調整操作軌迹。這種技術可以大大增強生産線的柔性，不再局限于生産标準化産品。
此外，深度學習系統可以根據數百個工廠過程參數和産品設計變量來跟蹤用電量的模式，并可以動态地推薦*佳實踐以實現*佳利用率。例如，在可再生能源行業，可以利用深度學習算法的預測來繪制從依賴化石燃料到使用可持續能源的*佳過渡軌迹，而傳統的預測分析方法很難處理這種模式。
另外，一條生産線突然發出故障報警，利用深度學習算法，可以使得機器能夠自己進行診斷，找到問題出在哪裏，原因是什麽，同時還能夠根據曆史維護的記錄或者維護标準，告訴管理者如何解決故障，甚*讓機器自己解決問題、自我恢複。例如，在一個電網中，當出現故障時，若利用常規方法識别電網的哪個地方出現了問題，通常準确識别定位的可靠概率是80%。而西門子利用了深度學習技術對曆史故障事件學習，通過已經分布在電網中的繼電器，來更好地判斷電網出了什麽問題，出在哪個地方等。
在智能制造的過程中，可将深度學習技術與其他技術進行過融合，從而使得智能制造的過程更加*和高效。例如，将神經網絡融合到模式和圖像識别技術中，有助于提取圖像特征、優選特征向量組成方案，從而優化智能制造系統圖像識别技術。其次，利用基于多物理域信息多模式融合與深度學習的智能加工機器自主感知方法，從而可以有效地解決智能機器自主感知問題。而且，在深度學習的基礎上利用大數據分析技術，可以提高對機械零部件故障診斷的識别分類精度。此外，将深度學習、數字孿生（digital twin，DT）和信息物理系統（cyber-physical system，CPS）的架構進行集成，可以促進傳統制造向智能制造和工業4.0的轉型。
知識工程
知識工程是以知識爲處理對象，爲那些需要專家知識才能解決的應用難題提供求解的手段，借用工程化的思想，對如何用人工智能的原理、方法、技術來設計、構造和維護知識型系統的一門學科。
目前知識工程的發展和應用狀況，除了通用的大規模知識圖譜，各行業也在建立行業和領域的知識圖譜。當前知識圖譜的應用包括語義搜索、問答系統與聊天、大數據語義分析以及智能知識服務等，在智能客服、商業智能等真實場景體現出廣泛的應用價值。
在智能制造領域，産品的創新性設計在很大程度上是基于以往的知識，具有很強的繼承性。這些知識包括設計曆史資料、設計參數的選擇以及依據、國家法規、設計标準、設計流程、實驗數據、材料數據、用戶反饋的信息、各種失誤的原因等所有的與制造業産品開發有關的信息。系統地使用知識工程思想指導制造業産品智能設計，将知識和設計流程軟件化，使設計開發的自動化程度大大提高，因而大大減輕了設計人員的勞動強度，節省了産品設計成本，縮短産品設計周期，同時，使企業的知識積累規範化、制度化和軟件化，并且使産品設計變得更加靈活、高效和智能化，推動企業的科技進步。
知識工程思想在智能制造中的具體應用也有很多。例如，在閥門設計中，通過引入知識工程的思想，可以開發基于知識工程的閥門智能設計系統，從而實現從閥門總體設計到零部件設計的智能化。其次，在零部件的設計過程中，采用基于知識工程的參數化設計方法，爲零部件産品建立一個産品知識庫，從而可以實時地檢驗設計。此外，在汽車車身的制造過程中，可采用基于知識工程技術的車身側圍設計軟件，并将車身側圍設計軟件與基于面向制造設計技術的一步逆成形沖壓分析軟件進行集成應用，從而更*地進行設計。另外，在船舶制造的過程中，通過分析船舶制造中生産計劃與控制中存在的問題，以及結合現代船舶生産制造模式，可以建立基于知識工程的船舶生産計劃與控制系統模型。同時，在熱鍛設計過程中，通過開發基于知識的工程系統，可以将熱鍛設計過程集成到一個框架中，從而便于收集設計工程師的知識和經驗。
此外，知識工程在智能制造業的應用還包含數字員工和數字孿生。數字員工管理平台在企業制造過程信息化建設中有着重要的意義，其關鍵目标是使得企業制造過程中的信息全面化。生産過程中，數字孿生可通過收集各種傳感器發出的信号，獲取與實際制造過程相關的運營和環境數據，從而能夠識别偏離理想狀态的異常情況，并進行報警。
商業智能
僅憑生産更優質的産品即可創造和獲得價值的時代已經結束，以大數據技術爲核心驅動的智能制造，正以洶湧之勢席卷全球。要實現智能轉型，離不開大數據分析平台的構建，離不開密切關聯的制造業商業智能。通過幫助企業建立數據化運營體系，真正實現數據驅動決策。通過數據化運營，業務人員将數據轉化成運營策略，從而能夠判斷趨勢，展開有效行動，幫助自己發現問題，推動創新或解決方案出現。
《2009-2010年中國商業智能市場分析》中稱，目前全球範圍内，商業智能已經超過ERP和CRM（customer relaTIonship management，客戶關系管理），成爲*具增長潛力的領域。據中國商業智能網調查，2009年中國大陸地區的商業智能市場份額約爲26億元人民币，比2008年增長18%，約占企業管理軟件的市場份額的8%。
應用商業智能的行業中，制造、零售行業約占30%的市場份額，是商業智能應用*具潛力的行業。智能制造行業，商業智能的幾個應用包括：
（1）操作現場。實現技術流程與生産作業流程的有機結合。
（2）售後服務。改變保修問題分析主要靠工程師手工處理的方式，應用保修分析解決系統，使工程師迅速判斷保修賠償率、是否需要特殊檢查等。
（3）決策支持。決策支持系統由數據倉庫及管理系統、模型庫及管理系統、知識庫及管理系統、數據抽取工具、數據挖掘與知識發現工具、用戶界面等模塊組成，從而成功實現了對數據、模型、知識、交互四個部件的系統集成決策。
（4）辦公系統。加強和完善生産管理、提高資源共享和團隊協作程度，*大限度地實現公司内部資源的高效利用，提高綜合統計、分析、處理數據，報表設計的效率。
商業智能在智能制造中的具體應用也有很多。例如，針對基于ERP系統的制造企業，可利用商業智能系統進行數據挖掘、前瞻性數據分析和決策支持功能的應用。其次，以制造型企業的業務需求爲前提，可提出商業智能的應用實施方案，基于SQL Server 2008 Business Intelligence平台創建以生産、庫存和銷售爲主題的數據倉庫，且通過SQL Server集成服務從源數據庫中抽取、轉換和加載相關數據到數據倉庫中，然後，利用SQL Server分析服務對三個主題建立相應的多維數據集，并進行分析，接着通過SQL Server報表服務完成商業智能的交付任務。另外，針對智能制造産品的各種售後服務問題，可利用商業智能的解決和應用實施方案，對售後服務問題進行研究分析，用商業智能的理論去幫助制造行業分析、控制并解決售後服務的質量問題。同時，通過将制造系統與基于數據倉庫的商業智能進行集成應用，不僅爲各種車間系統帶來了接口，而且還具有數據集成、數據分析和儀表盤生成的功能。而且，針對智能制造中的柔性制造系統，應用商業智能工具，可以分析涵蓋用戶需求的相關柔性制造數據。此外，商業智能工具可爲正在經曆工業4.0轉型的中型企業（medium enterprises，ME）帶來很大的價值。
多種智能技術融合
在智能制造中的應用
除了将單個關鍵智能技術應用到智能制造中的研究之外，制造企業中交叉融合應用多種關鍵智能技術的研究也比比皆是。
将多種關鍵智能技術融合應用到實際的智能制造中，可爲制造過程提供智能優化決策系統，從而減少智能制造的誤差，提高智能制造的精度和效率。比如，韓*駿等[1]提出了一種用于加工中心優選刀具和切削參數的新方法，該方法以基本切削數據庫爲基礎，結合遺傳算法、神經網絡、模糊控制技術，以及根據實際工況的需要，通過學習、修正，實時優選出能滿足各種具體工作環境要求的刀具*佳切削參數。同時，彭觀等[2]提出一種基于專家系統和神經網絡相結合的加工過程多目标優化智能決策方法，并建立了專家系統和神經網絡之間的信息交換機制。此外，嚴濤等[3]針對傳統磨削加工過程精度控制遇到的困境，提出了将傳統的專家系統推理架構和模糊神經網絡相結合建立智能磨削參數決策系統。
在該決策系統中，利用專家系統對磨削參數初步決策，并在加工間隙及加工結束時對加工參數進行調整以及對知識庫進行修正，使系統具有了很強的自适應能力和自學習能力，提高了磨削的精度和磨削效率，減小了磨削加工誤差。另外，Tammy Hoiter等[4]創建了一項預測功能來評估決策變化和環境變化對系統性能造成的影響。其中，這種預測功能是通過将神經網絡和遺傳算法結合來實現的。
- 參考資料 -
本文撰寫過程引用和參考了以下文章和資料，一并感謝：
[1]韓*駿， 張昆. 加工中心工藝參數智能生成系統的研究[J]. 清華大學學報: 自然科學版， 1999， 39
(2): 30-33. [2]彭觀，陳統堅. 基于專家系統和神經網絡的制造過程智能決策系統[J]. 組合機床與自動化加工技術， 1999 (2): 24-27.
[3]嚴濤，李蕾. 基于FNN智能型磨削參數決策系統[J]. 機床與液壓，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.
編輯：黃飛
