随着智能(néng)制造行業的發展，智能(néng)技(jì )術日漸成為(wèi)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(jì )術。
本文(wén)引自：《制造智能(néng)技(jì )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(xiè)小(xiǎo)磊）
目前，國(guó)内外對智能(néng)制造尚無嚴格統一的定義。工(gōng)信部下發的《智能(néng)制造發展規劃（2016—2020年）》中(zhōng)将智能(néng)制造定義為(wèi)：
智能(néng)制造具(jù)有(yǒu)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(yòng)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(zuò)可(kě)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(zuò)标位置、水杯的外形、高度、材質(zhì)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(zuò)（自執行），這一整套連貫動作(zuò)的執行決策需要各種數據作(zuò)為(wèi)支撐，需要借助大數據分(fēn)析、人工(gōng)智能(néng)等技(jì )術來實現。
随着智能(néng)制造行業的發展，智能(néng)技(jì )術日漸成為(wèi)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(jì )術。工(gōng)業界對機械智能(néng)技(jì )術日益關注的根源在于各種智能(néng)技(jì )術在工(gōng)業界扮演着日益重要的、不可(kě)替代的作(zuò)用(yòng)，在某些領域智能(néng)技(jì )術的應用(yòng)已經成為(wèi)企業核心競争力。例如，基于智能(néng)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(néng)調節和控制、基于深度學(xué)習的智能(néng)檢測、故障診斷，基于類比推理(lǐ)、歸納學(xué)習與基于實例推理(lǐ)的知識系統，基于商(shāng)業智能(néng)的決策支持系統等。下面簡要介紹若幹關鍵智能(néng)技(jì )術在智能(néng)制造領域中(zhōng)的典型應用(yòng)。
智能(néng)優化算法
智能(néng)優化算法在生産(chǎn)運營管理(lǐ)、機械設計、制造系統規劃設計等領域具(jù)有(yǒu)大量研究和廣泛的實際應用(yòng)。
智能(néng)優化算法在車(chē)間生産(chǎn)調度中(zhōng)發揮了重要作(zuò)用(yòng)。傳統的人工(gōng)排産(chǎn)方式通常工(gōng)作(zuò)強度較大，對人員依賴度較高，而且由于工(gōng)序繁多(duō)還有(yǒu)可(kě)能(néng)導緻生産(chǎn)計劃不合理(lǐ)、效率低。采用(yòng)智能(néng)優化算法可(kě)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(chǎn)，提高運行效率，縮短産(chǎn)品周期，提升企業的産(chǎn)能(néng)。以電(diàn)梯制造企業為(wèi)例，采用(yòng)智能(néng)優化算法的動态智能(néng)排産(chǎn)系統可(kě)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(zhōng)，可(kě)得到一種新(xīn)調度算法，從而更快速和準确地解決智能(néng)制造系統的車(chē)間調度問題。
在倉庫和物(wù)流優化配置問題中(zhōng)，可(kě)以通過數學(xué)規劃等運籌優化算法和遺傳算法進行優化決策；多(duō)個分(fēn)揀機器人的路徑規劃和協調行動可(kě)通過多(duō)智能(néng)體(tǐ)算法蟻群算法進行規劃。
此外，智能(néng)優化算法在機械設計方面也有(yǒu)很(hěn)廣泛的應用(yòng)。機械設計的優化過程中(zhōng)，可(kě)能(néng)會遇到對目标函數的可(kě)導性有(yǒu)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(hěn)難得到滿意的結果，将智能(néng)優化算法運用(yòng)到實際優化問題當中(zhōng)，有(yǒu)利于解決以往傳統優化方法所不能(néng)解決的非連續的、非凸的、非線(xiàn)性等複雜問題。
同時，智能(néng)優化算法在智能(néng)制造系統的*佳加工(gōng)性能(néng)綜合評估中(zhōng)也具(jù)有(yǒu)實際應用(yòng)價值，例如，利用(yòng)遺傳算法求解多(duō)道車(chē)削的*佳切削條件。而且，在智能(néng)制造系統框架下，工(gōng)業機器人的仿真研究也會用(yòng)到智能(néng)*優算法。另外，在多(duō)狀态制造系統中(zhōng)，考慮維修成本和維修時間等多(duō)個約束的選擇性維修決策（組合優化）模型，可(kě)通過蟻群算法進行快速求解。此外，在智能(néng)制造系統中(zhōng)，利用(yòng)物(wù)料需求計劃（material requirement planning，MRP）相關文(wén)檔中(zhōng)的供需位置來模拟銷售人員需到達的城市點，并采用(yòng)蟻群優化算法，可(kě)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(kē)學(xué)和人工(gōng)智能(néng)的重要組成部分(fēn)，主要被應用(yòng)于圖像分(fēn)析與處理(lǐ)、語音識别、聲音分(fēn)類、通信、計算機輔助診斷等方面。在制造行業中(zhōng)，模式識别技(jì )術大量應用(yòng)于産(chǎn)品檢驗領域。
在制造生産(chǎn)的過程中(zhōng)，幾乎所有(yǒu)的産(chǎn)品都面臨着質(zhì)量檢測。傳統的手工(gōng)檢測存在着許多(duō)不足：*先，人工(gōng)檢測的準确性依賴于工(gōng)人的狀态和熟練程度；其次，人工(gōng)操作(zuò)效率相對較低，不能(néng)很(hěn)好地滿足大量生産(chǎn)檢測的要求；此外，由于工(gōng)作(zuò)強度高，容易引起操作(zuò)人員的疲勞，從而導緻次品率高；*後，近年來人工(gōng)成本也在逐步上升。所以，模式識别技(jì )術被廣泛用(yòng)于産(chǎn)品檢測中(zhōng)。
産(chǎn)品缺陷檢測的對象往往可(kě)以建模為(wèi)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(kě)能(néng)嚴重影響産(chǎn)品質(zhì)量和使用(yòng)的安(ān)全性，因此，準确識别缺陷産(chǎn)品非常重要。以芯片企業為(wèi)例，模式識别技(jì )術的應用(yòng)實施可(kě)以大幅降低次品率，同時通過分(fēn)析次品原因還可(kě)以降低産(chǎn)品的報廢率，并優化産(chǎn)品設計與生産(chǎn)工(gōng)藝，達到進一步降低檢驗成本的目的。此外，将模式識别技(jì )術應用(yòng)到智能(néng)制造過程中(zhōng)複合材料的分(fēn)類上，可(kě)以使分(fēn)類更加精(jīng)準。另外，在半導體(tǐ)制造中(zhōng)可(kě)以使用(yòng)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(fēn)類，進一步進行缺陷識别。同時，在用(yòng)錫罐包裝(zhuāng)的香煙的制造過程中(zhōng)，應用(yòng)模式識别技(jì )術可(kě)以開發缺陷自動檢查系統。而且，在滾動軸承故障檢測中(zhōng)，将從振動信号中(zhōng)提取的特征向量作(zuò)為(wèi)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(jì )術在定位被測零件時，也有(yǒu)重要的應用(yòng)。制造過程中(zhōng)的物(wù)體(tǐ)測量也會應用(yòng)模式識别技(jì )術，常見的測量應用(yòng)包括：齒輪、接插件、汽車(chē)零部件等。
另外，在智能(néng)制造和檢驗的過程中(zhōng)，可(kě)進一步改進模式識别技(jì )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(zhōng)，基于局部均值分(fēn)解（local mean decomposiTIon，LMD）能(néng)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(néng)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(néng)診斷的新(xīn)方法。其次，在熒光磁粉無損檢測技(jì )術的基礎上，使用(yòng)一種電(diàn)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(yòng)相關算法進行圖像處理(lǐ)和模式識别，可(kě)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(xīn)的模式識别技(jì )術，從而得到一種可(kě)用(yòng)于系統故障檢測和診斷的有(yǒu)效的方法。
模糊控制
模糊控制在智能(néng)制造自動化控制系統中(zhōng)得以廣泛應用(yòng)。精(jīng)準的智能(néng)化自動控制系統，可(kě)以批量、集中(zhōng)處理(lǐ)大量的信息和複雜的工(gōng)作(zuò)任務(wù)，從而提高企業内産(chǎn)品生産(chǎn)的效率、技(jì )術指标等。同時，也可(kě)以減少原料、人力的投入。模糊控制是以推理(lǐ)理(lǐ)論、模糊語言為(wèi)基礎，把專家的經驗當作(zuò)控制規則，實現智能(néng)化控制的一種控制方式。其本質(zhì)是采用(yòng)基于模糊模型的模糊控制器，實現智能(néng)制造自動化系統的控制過程。在實際應用(yòng)的過程中(zhōng)，根據模糊邏輯推理(lǐ)原則，利用(yòng)計算機技(jì )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(wù)半導體(tǐ)（complementary metal-oxide-semiconductor，CMOS）傳感器的自主循迹智能(néng)車(chē)，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(zhōng)，通過分(fēn)析影響切割機自動調高系統運行穩定性及精(jīng)度的主要因素，采用(yòng)脈沖寬度調制（pulse width modulaTIon，PWM）控制技(jì )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(xiǎo)車(chē)調速控制系統中(zhōng)，也應用(yòng)到模糊控制技(jì )術。另外，在調節閥定位器控制系統，采用(yòng)模糊控制理(lǐ)論中(zhōng)的合成推理(lǐ)方法，可(kě)以使得定位精(jīng)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(xiàn)位置控制系統中(zhōng)，将模糊控制技(jì )術與計算機輔助工(gōng)程（computer aided engineering，CAE）軟件結合，從而加快了模具(jù)的設計過程。而且，在智能(néng)制造過程中(zhōng)，通過模糊控制算法監控放電(diàn)電(diàn)流可(kě)以減小(xiǎo)表面粗糙度，通過模糊控制算法監控火花(huā)隙可(kě)以避免有(yǒu)害的電(diàn)弧效應。
深度學(xué)習
随着數據爆炸式增長(cháng)，傳統的統計建模方式已經難以處理(lǐ)高維度、非結構化的數據。此時，深度學(xué)習技(jì )術因其具(jù)備處理(lǐ)高維度、非線(xiàn)性數據模式的固有(yǒu)能(néng)力，開始登上曆史舞台。
智能(néng)制造大力發展的今天，深度學(xué)習技(jì )術可(kě)以輔助零部件和材料缺陷檢測。在生産(chǎn)制造過程中(zhōng)，可(kě)能(néng)會出現劃痕、裂紋等損壞，使産(chǎn)品不能(néng)用(yòng)于生産(chǎn)線(xiàn)上的下一道工(gōng)序。深度學(xué)習技(jì )術可(kě)以在毫秒(miǎo)内檢測到裂紋、劃傷等缺陷。具(jù)體(tǐ)地，通過深度神經網絡系統，可(kě)以從曆史樣本中(zhōng)自動提取各種缺陷特征，從圖片中(zhōng)自動識别可(kě)能(néng)的缺陷并加以标識，能(néng)夠讓工(gōng)作(zuò)人員快速發現并且糾正，從而提升産(chǎn)品質(zhì)量和工(gōng)作(zuò)效率。其實這種應用(yòng)非常類似于之前Watson的醫(yī)療診斷應用(yòng)，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(yuǎn)遠(yuǎn)高于普通工(gōng)人。幾萬張圖片，深度學(xué)習的機器可(kě)以在一秒(miǎo)之内完成識别和标注，如果人為(wèi)的話*少需要兩個小(xiǎo)時。據IBM資料顯示，通過深度學(xué)習，機器還可(kě)以在更多(duō)生産(chǎn)領域實現智能(néng)制造。比如工(gōng)件定位，也就是工(gōng)件在機械臂上的位置情況；工(gōng)件精(jīng)度測量、不良品分(fēn)揀以及工(gōng)件裝(zhuāng)配檢查等方面。
斯坦福大學(xué)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(gōng)智能(néng)轉型升級。比如：通過利用(yòng)深度學(xué)習、神經網絡，可(kě)以讓電(diàn)腦快速學(xué)習做自動檢測的工(gōng)作(zuò)。人工(gōng)智能(néng)介入了以後，工(gōng)廠的誤判率會在上線(xiàn)時達到3%~4%的水平，并且會逐步減少到*低。
2018年漢諾威工(gōng)業展上，西門子展位展示的是搭載西門子Autonomous系統（用(yòng)人工(gōng)智能(néng)技(jì )術打造的增加生産(chǎn)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(zhōng)一台樣機搭載了三維感知攝像機，基于圖像識别和深度學(xué)習技(jì )術，能(néng)對現場任何環境變化做出靈敏反應，即時調整操作(zuò)軌迹。這種技(jì )術可(kě)以大大增強生産(chǎn)線(xiàn)的柔性，不再局限于生産(chǎn)标準化産(chǎn)品。
此外，深度學(xué)習系統可(kě)以根據數百個工(gōng)廠過程參數和産(chǎn)品設計變量來跟蹤用(yòng)電(diàn)量的模式，并可(kě)以動态地推薦*佳實踐以實現*佳利用(yòng)率。例如，在可(kě)再生能(néng)源行業，可(kě)以利用(yòng)深度學(xué)習算法的預測來繪制從依賴化石燃料到使用(yòng)可(kě)持續能(néng)源的*佳過渡軌迹，而傳統的預測分(fēn)析方法很(hěn)難處理(lǐ)這種模式。
另外，一條生産(chǎn)線(xiàn)突然發出故障報警，利用(yòng)深度學(xué)習算法，可(kě)以使得機器能(néng)夠自己進行診斷，找到問題出在哪裏，原因是什麽，同時還能(néng)夠根據曆史維護的記錄或者維護标準，告訴管理(lǐ)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(diàn)網中(zhōng)，當出現故障時，若利用(yòng)常規方法識别電(diàn)網的哪個地方出現了問題，通常準确識别定位的可(kě)靠概率是80%。而西門子利用(yòng)了深度學(xué)習技(jì )術對曆史故障事件學(xué)習，通過已經分(fēn)布在電(diàn)網中(zhōng)的繼電(diàn)器，來更好地判斷電(diàn)網出了什麽問題，出在哪個地方等。
在智能(néng)制造的過程中(zhōng)，可(kě)将深度學(xué)習技(jì )術與其他(tā)技(jì )術進行過融合，從而使得智能(néng)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(jì )術中(zhōng)，有(yǒu)助于提取圖像特征、優選特征向量組成方案，從而優化智能(néng)制造系統圖像識别技(jì )術。其次，利用(yòng)基于多(duō)物(wù)理(lǐ)域信息多(duō)模式融合與深度學(xué)習的智能(néng)加工(gōng)機器自主感知方法，從而可(kě)以有(yǒu)效地解決智能(néng)機器自主感知問題。而且，在深度學(xué)習的基礎上利用(yòng)大數據分(fēn)析技(jì )術，可(kě)以提高對機械零部件故障診斷的識别分(fēn)類精(jīng)度。此外，将深度學(xué)習、數字孿生（digital twin，DT）和信息物(wù)理(lǐ)系統（cyber-physical system，CPS）的架構進行集成，可(kě)以促進傳統制造向智能(néng)制造和工(gōng)業4.0的轉型。
知識工(gōng)程
知識工(gōng)程是以知識為(wèi)處理(lǐ)對象，為(wèi)那些需要專家知識才能(néng)解決的應用(yòng)難題提供求解的手段，借用(yòng)工(gōng)程化的思想，對如何用(yòng)人工(gōng)智能(néng)的原理(lǐ)、方法、技(jì )術來設計、構造和維護知識型系統的一門學(xué)科(kē)。
目前知識工(gōng)程的發展和應用(yòng)狀況，除了通用(yòng)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(yòng)包括語義搜索、問答(dá)系統與聊天、大數據語義分(fēn)析以及智能(néng)知識服務(wù)等，在智能(néng)客服、商(shāng)業智能(néng)等真實場景體(tǐ)現出廣泛的應用(yòng)價值。
在智能(néng)制造領域，産(chǎn)品的創新(xīn)性設計在很(hěn)大程度上是基于以往的知識，具(jù)有(yǒu)很(hěn)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(guó)家法規、設計标準、設計流程、實驗數據、材料數據、用(yòng)戶反饋的信息、各種失誤的原因等所有(yǒu)的與制造業産(chǎn)品開發有(yǒu)關的信息。系統地使用(yòng)知識工(gōng)程思想指導制造業産(chǎn)品智能(néng)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(chǎn)品設計成本，縮短産(chǎn)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(chǎn)品設計變得更加靈活、高效和智能(néng)化，推動企業的科(kē)技(jì )進步。
知識工(gōng)程思想在智能(néng)制造中(zhōng)的具(jù)體(tǐ)應用(yòng)也有(yǒu)很(hěn)多(duō)。例如，在閥門設計中(zhōng)，通過引入知識工(gōng)程的思想，可(kě)以開發基于知識工(gōng)程的閥門智能(néng)設計系統，從而實現從閥門總體(tǐ)設計到零部件設計的智能(néng)化。其次，在零部件的設計過程中(zhōng)，采用(yòng)基于知識工(gōng)程的參數化設計方法，為(wèi)零部件産(chǎn)品建立一個産(chǎn)品知識庫，從而可(kě)以實時地檢驗設計。此外，在汽車(chē)車(chē)身的制造過程中(zhōng)，可(kě)采用(yòng)基于知識工(gōng)程技(jì )術的車(chē)身側圍設計軟件，并将車(chē)身側圍設計軟件與基于面向制造設計技(jì )術的一步逆成形沖壓分(fēn)析軟件進行集成應用(yòng)，從而更*地進行設計。另外，在船舶制造的過程中(zhōng)，通過分(fēn)析船舶制造中(zhōng)生産(chǎn)計劃與控制中(zhōng)存在的問題，以及結合現代船舶生産(chǎn)制造模式，可(kě)以建立基于知識工(gōng)程的船舶生産(chǎn)計劃與控制系統模型。同時，在熱鍛設計過程中(zhōng)，通過開發基于知識的工(gōng)程系統，可(kě)以将熱鍛設計過程集成到一個框架中(zhōng)，從而便于收集設計工(gōng)程師的知識和經驗。
此外，知識工(gōng)程在智能(néng)制造業的應用(yòng)還包含數字員工(gōng)和數字孿生。數字員工(gōng)管理(lǐ)平台在企業制造過程信息化建設中(zhōng)有(yǒu)着重要的意義，其關鍵目标是使得企業制造過程中(zhōng)的信息全面化。生産(chǎn)過程中(zhōng)，數字孿生可(kě)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(néng)夠識别偏離理(lǐ)想狀态的異常情況，并進行報警。
商(shāng)業智能(néng)
僅憑生産(chǎn)更優質(zhì)的産(chǎn)品即可(kě)創造和獲得價值的時代已經結束，以大數據技(jì )術為(wèi)核心驅動的智能(néng)制造，正以洶湧之勢席卷全球。要實現智能(néng)轉型，離不開大數據分(fēn)析平台的構建，離不開密切關聯的制造業商(shāng)業智能(néng)。通過幫助企業建立數據化運營體(tǐ)系，真正實現數據驅動決策。通過數據化運營，業務(wù)人員将數據轉化成運營策略，從而能(néng)夠判斷趨勢，展開有(yǒu)效行動，幫助自己發現問題，推動創新(xīn)或解決方案出現。
《2009-2010年中(zhōng)國(guó)商(shāng)業智能(néng)市場分(fēn)析》中(zhōng)稱，目前全球範圍内，商(shāng)業智能(néng)已經超過ERP和CRM（customer relaTIonship management，客戶關系管理(lǐ)），成為(wèi)*具(jù)增長(cháng)潛力的領域。據中(zhōng)國(guó)商(shāng)業智能(néng)網調查，2009年中(zhōng)國(guó)大陸地區(qū)的商(shāng)業智能(néng)市場份額約為(wèi)26億元人民(mín)币，比2008年增長(cháng)18%，約占企業管理(lǐ)軟件的市場份額的8%。
應用(yòng)商(shāng)業智能(néng)的行業中(zhōng)，制造、零售行業約占30%的市場份額，是商(shāng)業智能(néng)應用(yòng)*具(jù)潛力的行業。智能(néng)制造行業，商(shāng)業智能(néng)的幾個應用(yòng)包括：
（1）操作(zuò)現場。實現技(jì )術流程與生産(chǎn)作(zuò)業流程的有(yǒu)機結合。
（2）售後服務(wù)。改變保修問題分(fēn)析主要靠工(gōng)程師手工(gōng)處理(lǐ)的方式，應用(yòng)保修分(fēn)析解決系統，使工(gōng)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(lǐ)系統、模型庫及管理(lǐ)系統、知識庫及管理(lǐ)系統、數據抽取工(gōng)具(jù)、數據挖掘與知識發現工(gōng)具(jù)、用(yòng)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(bàn)公(gōng)系統。加強和完善生産(chǎn)管理(lǐ)、提高資源共享和團隊協作(zuò)程度，*大限度地實現公(gōng)司内部資源的高效利用(yòng)，提高綜合統計、分(fēn)析、處理(lǐ)數據，報表設計的效率。
商(shāng)業智能(néng)在智能(néng)制造中(zhōng)的具(jù)體(tǐ)應用(yòng)也有(yǒu)很(hěn)多(duō)。例如，針對基于ERP系統的制造企業，可(kě)利用(yòng)商(shāng)業智能(néng)系統進行數據挖掘、前瞻性數據分(fēn)析和決策支持功能(néng)的應用(yòng)。其次，以制造型企業的業務(wù)需求為(wèi)前提，可(kě)提出商(shāng)業智能(néng)的應用(yòng)實施方案，基于SQL Server 2008 Business Intelligence平台創建以生産(chǎn)、庫存和銷售為(wèi)主題的數據倉庫，且通過SQL Server集成服務(wù)從源數據庫中(zhōng)抽取、轉換和加載相關數據到數據倉庫中(zhōng)，然後，利用(yòng)SQL Server分(fēn)析服務(wù)對三個主題建立相應的多(duō)維數據集，并進行分(fēn)析，接着通過SQL Server報表服務(wù)完成商(shāng)業智能(néng)的交付任務(wù)。另外，針對智能(néng)制造産(chǎn)品的各種售後服務(wù)問題，可(kě)利用(yòng)商(shāng)業智能(néng)的解決和應用(yòng)實施方案，對售後服務(wù)問題進行研究分(fēn)析，用(yòng)商(shāng)業智能(néng)的理(lǐ)論去幫助制造行業分(fēn)析、控制并解決售後服務(wù)的質(zhì)量問題。同時，通過将制造系統與基于數據倉庫的商(shāng)業智能(néng)進行集成應用(yòng)，不僅為(wèi)各種車(chē)間系統帶來了接口，而且還具(jù)有(yǒu)數據集成、數據分(fēn)析和儀表盤生成的功能(néng)。而且，針對智能(néng)制造中(zhōng)的柔性制造系統，應用(yòng)商(shāng)業智能(néng)工(gōng)具(jù)，可(kě)以分(fēn)析涵蓋用(yòng)戶需求的相關柔性制造數據。此外，商(shāng)業智能(néng)工(gōng)具(jù)可(kě)為(wèi)正在經曆工(gōng)業4.0轉型的中(zhōng)型企業（medium enterprises，ME）帶來很(hěn)大的價值。
多(duō)種智能(néng)技(jì )術融合
在智能(néng)制造中(zhōng)的應用(yòng)
除了将單個關鍵智能(néng)技(jì )術應用(yòng)到智能(néng)制造中(zhōng)的研究之外，制造企業中(zhōng)交叉融合應用(yòng)多(duō)種關鍵智能(néng)技(jì )術的研究也比比皆是。
将多(duō)種關鍵智能(néng)技(jì )術融合應用(yòng)到實際的智能(néng)制造中(zhōng)，可(kě)為(wèi)制造過程提供智能(néng)優化決策系統，從而減少智能(néng)制造的誤差，提高智能(néng)制造的精(jīng)度和效率。比如，韓*駿等[1]提出了一種用(yòng)于加工(gōng)中(zhōng)心優選刀(dāo)具(jù)和切削參數的新(xīn)方法，該方法以基本切削數據庫為(wèi)基礎，結合遺傳算法、神經網絡、模糊控制技(jì )術，以及根據實際工(gōng)況的需要，通過學(xué)習、修正，實時優選出能(néng)滿足各種具(jù)體(tǐ)工(gōng)作(zuò)環境要求的刀(dāo)具(jù)*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(gōng)過程多(duō)目标優化智能(néng)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(gōng)過程精(jīng)度控制遇到的困境，提出了将傳統的專家系統推理(lǐ)架構和模糊神經網絡相結合建立智能(néng)磨削參數決策系統。
在該決策系統中(zhōng)，利用(yòng)專家系統對磨削參數初步決策，并在加工(gōng)間隙及加工(gōng)結束時對加工(gōng)參數進行調整以及對知識庫進行修正，使系統具(jù)有(yǒu)了很(hěn)強的自适應能(néng)力和自學(xué)習能(néng)力，提高了磨削的精(jīng)度和磨削效率，減小(xiǎo)了磨削加工(gōng)誤差。另外，Tammy Hoiter等[4]創建了一項預測功能(néng)來評估決策變化和環境變化對系統性能(néng)造成的影響。其中(zhōng)，這種預測功能(néng)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(wén)撰寫過程引用(yòng)和參考了以下文(wén)章和資料，一并感謝(xiè)：
[1]韓*駿， 張昆. 加工(gōng)中(zhōng)心工(gōng)藝參數智能(néng)生成系統的研究[J]. 清華大學(xué)學(xué)報: 自然科(kē)學(xué)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(néng)決策系統[J]. 組合機床與自動化加工(gōng)技(jì )術， 1999 (2): 24-27.
[3]嚴濤，李蕾. 基于FNN智能(néng)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
