隨著智能制造行業(yè)的發(fā)展，智能技術(shù)日漸成為實(shí)現(xiàn)制造知識(shí)化、自動(dòng)化、柔性化以及實(shí)現(xiàn)對(duì)市場(chǎng)的快速響應(yīng)的關(guān)鍵技術(shù)。??

本文引自：《制造智能技術(shù)基礎(chǔ)》（主編：張智海, 副主編：李冬妮、蘇麗穎、張磊、賈旭杰、裴植、謝小磊）

目前，國(guó)內(nèi)外對(duì)智能制造尚無(wú)嚴(yán)格統(tǒng)一的定義。工信部下發(fā)的《智能制造發(fā)展規(guī)劃（2016—2020年）》中將智能制造定義為：

智能制造具有三個(gè)典型特征：自感知、自決策、自執(zhí)行。舉例說(shuō)明：端一杯水時(shí)，通過(guò)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(zhí)行），這些動(dòng)作可以輕易。而對(duì)于機(jī)器來(lái)說(shuō)，這并不容易，首先機(jī)器需要自動(dòng)識(shí)別水杯的坐標(biāo)位置、水杯的外形、高度、材質(zhì)等（自感知），然后需要判斷如何抓起水杯，握把手還是杯身等（自決策），最后完成抓取杯子動(dòng)作（自執(zhí)行），這一整套連貫動(dòng)作的執(zhí)行決策需要各種數(shù)據(jù)作為支撐，需要借助大數(shù)據(jù)分析、人工智能等技術(shù)來(lái)實(shí)現(xiàn)。

隨著智能制造行業(yè)的發(fā)展，智能技術(shù)日漸成為實(shí)現(xiàn)制造知識(shí)化、自動(dòng)化、柔性化以及實(shí)現(xiàn)對(duì)市場(chǎng)的快速響應(yīng)的關(guān)鍵技術(shù)。工業(yè)界對(duì)機(jī)械智能技術(shù)日益關(guān)注的根源在于各種智能技術(shù)在工業(yè)界扮演著日益重要的、不可替代的作用，在某些領(lǐng)域智能技術(shù)的應(yīng)用已經(jīng)成為企業(yè)核心競(jìng)爭(zhēng)力。例如，基于智能優(yōu)化算法的優(yōu)化設(shè)計(jì)，基于模式識(shí)別的故障識(shí)別、診斷，基于模糊控制的智能調(diào)節(jié)和控制、基于深度學(xué)習(xí)的智能檢測(cè)、故障診斷，基于類比推理、歸納學(xué)習(xí)與基于實(shí)例推理的知識(shí)系統(tǒng)，基于商業(yè)智能的決策支持系統(tǒng)等。下面簡(jiǎn)要介紹若干關(guān)鍵智能技術(shù)在智能制造領(lǐng)域中的典型應(yīng)用。

智能優(yōu)化算法

智能優(yōu)化算法在生產(chǎn)運(yùn)營(yíng)管理、機(jī)械設(shè)計(jì)、制造系統(tǒng)規(guī)劃設(shè)計(jì)等領(lǐng)域具有大量研究和廣泛的實(shí)際應(yīng)用。

智能優(yōu)化算法在車間生產(chǎn)調(diào)度中發(fā)揮了重要作用。傳統(tǒng)的人工排產(chǎn)方式通常工作強(qiáng)度較大，對(duì)人員依賴度較高，而且由于工序繁多還有可能導(dǎo)致生產(chǎn)計(jì)劃不合理、效率低。采用智能優(yōu)化算法可以幫助企業(yè)進(jìn)行資源和系統(tǒng)的整合、集成與優(yōu)化，實(shí)現(xiàn)動(dòng)態(tài)最優(yōu)化的排程，進(jìn)而幫助企業(yè)實(shí)現(xiàn)按需生產(chǎn)，提高運(yùn)行效率，縮短產(chǎn)品周期，提升企業(yè)的產(chǎn)能。以電梯制造企業(yè)為例，采用智能優(yōu)化算法的動(dòng)態(tài)智能排產(chǎn)系統(tǒng)可以將計(jì)劃制定的時(shí)間縮短75%。此外，將雙向調(diào)度方法或者指派規(guī)則嵌入到遺傳算法中，可得到一種新調(diào)度算法，從而更快速和準(zhǔn)確地解決智能制造系統(tǒng)的車間調(diào)度問(wèn)題。

在倉(cāng)庫(kù)和物流優(yōu)化配置問(wèn)題中，可以通過(guò)數(shù)學(xué)規(guī)劃等運(yùn)籌優(yōu)化算法和遺傳算法進(jìn)行優(yōu)化決策；多個(gè)分揀機(jī)器人的路徑規(guī)劃和協(xié)調(diào)行動(dòng)可通過(guò)多智能體算法蟻群算法進(jìn)行規(guī)劃。

此外，智能優(yōu)化算法在機(jī)械設(shè)計(jì)方面也有很廣泛的應(yīng)用。機(jī)械設(shè)計(jì)的優(yōu)化過(guò)程中，可能會(huì)遇到對(duì)目標(biāo)函數(shù)的可導(dǎo)性有嚴(yán)格要求的問(wèn)題或者陷入局部最優(yōu)值這一類問(wèn)題，以往傳統(tǒng)的優(yōu)化方法很難得到滿意的結(jié)果，將智能優(yōu)化算法運(yùn)用到實(shí)際優(yōu)化問(wèn)題當(dāng)中，有利于解決以往傳統(tǒng)優(yōu)化方法所不能解決的非連續(xù)的、非凸的、非線性等復(fù)雜問(wèn)題。

同時(shí)，智能優(yōu)化算法在智能制造系統(tǒng)的最佳加工性能綜合評(píng)估中也具有實(shí)際應(yīng)用價(jià)值，例如，利用遺傳算法求解多道車削的最佳切削條件。而且，在智能制造系統(tǒng)框架下，工業(yè)機(jī)器人的仿真研究也會(huì)用到智能最優(yōu)算法。另外，在多狀態(tài)制造系統(tǒng)中，考慮維修成本和維修時(shí)間等多個(gè)約束的選擇性維修決策（組合優(yōu)化）模型，可通過(guò)蟻群算法進(jìn)行快速求解。此外，在智能制造系統(tǒng)中，利用物料需求計(jì)劃（material requirement planning，MRP）相關(guān)文檔中的供需位置來(lái)模擬銷售人員需到達(dá)的城市點(diǎn)，并采用蟻群優(yōu)化算法，可以找到最短路徑，從而提高相關(guān)人員的效率。

模式識(shí)別

模式識(shí)別是信息科學(xué)和人工智能的重要組成部分，主要被應(yīng)用于圖像分析與處理、語(yǔ)音識(shí)別、聲音分類、通信、計(jì)算機(jī)輔助診斷等方面。在制造行業(yè)中，模式識(shí)別技術(shù)大量應(yīng)用于產(chǎn)品檢驗(yàn)領(lǐng)域。

在制造生產(chǎn)的過(guò)程中，幾乎所有的產(chǎn)品都面臨著質(zhì)量檢測(cè)。傳統(tǒng)的手工檢測(cè)存在著許多不足：首先，人工檢測(cè)的準(zhǔn)確性依賴于工人的狀態(tài)和熟練程度；其次，人工操作效率相對(duì)較低，不能很好地滿足大量生產(chǎn)檢測(cè)的要求；此外，由于工作強(qiáng)度高，容易引起操作人員的疲勞，從而導(dǎo)致次品率高；最后，近年來(lái)人工成本也在逐步上升。所以，模式識(shí)別技術(shù)被廣泛用于產(chǎn)品檢測(cè)中。

產(chǎn)品缺陷檢測(cè)的對(duì)象往往可以建模為二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點(diǎn)、暗點(diǎn)等常見(jiàn)的表面缺陷，這些缺陷特別是孔洞和裂紋等，可能嚴(yán)重影響產(chǎn)品質(zhì)量和使用的安全性，因此，準(zhǔn)確識(shí)別缺陷產(chǎn)品非常重要。以芯片企業(yè)為例，模式識(shí)別技術(shù)的應(yīng)用實(shí)施可以大幅降低次品率，同時(shí)通過(guò)分析次品原因還可以降低產(chǎn)品的報(bào)廢率，并優(yōu)化產(chǎn)品設(shè)計(jì)與生產(chǎn)工藝，達(dá)到進(jìn)一步降低檢驗(yàn)成本的目的。此外，將模式識(shí)別技術(shù)應(yīng)用到智能制造過(guò)程中復(fù)合材料的分類上，可以使分類更加精準(zhǔn)。另外，在半導(dǎo)體制造中可以使用混合自組織圖和支持向量機(jī)（self-organizing map and support vector machine，SOM-SVM）的方法對(duì)晶圓箱圖進(jìn)行分類，進(jìn)一步進(jìn)行缺陷識(shí)別。同時(shí)，在用錫罐包裝的香煙的制造過(guò)程中，應(yīng)用模式識(shí)別技術(shù)可以開發(fā)缺陷自動(dòng)檢查系統(tǒng)。而且，在滾動(dòng)軸承故障檢測(cè)中，將從振動(dòng)信號(hào)中提取的特征向量作為支持向量機(jī)的輸入，從而對(duì)故障模式進(jìn)行識(shí)別。

除此之外，模式識(shí)別技術(shù)在定位被測(cè)零件時(shí)，也有重要的應(yīng)用。制造過(guò)程中的物體測(cè)量也會(huì)應(yīng)用模式識(shí)別技術(shù)，常見(jiàn)的測(cè)量應(yīng)用包括：齒輪、接插件、汽車零部件等。

另外，在智能制造和檢驗(yàn)的過(guò)程中，可進(jìn)一步改進(jìn)模式識(shí)別技術(shù)，從而使得故障識(shí)別更加精確和高效。例如，在軸承故障的檢測(cè)中，基于局部均值分解（local mean decomposition，LMD）能量矩概念，針對(duì)故障振動(dòng)信號(hào)特征值的相互內(nèi)在聯(lián)系，將LMD能量矩與變量預(yù)測(cè)模型模式識(shí)別相結(jié)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(wú)損檢測(cè)技術(shù)的基礎(chǔ)上，使用一種電荷耦合器件（charge coupled device，CCD）圖像獲取系統(tǒng)進(jìn)行圖像采集，然后使用相關(guān)算法進(jìn)行圖像處理和模式識(shí)別，可以更準(zhǔn)確地檢測(cè)表面缺陷的類型和程度。此外，基于系統(tǒng)健康指標(biāo)，構(gòu)建新的模式識(shí)別技術(shù)，從而得到一種可用于系統(tǒng)故障檢測(cè)和診斷的有效的方法。

模糊控制

模糊控制在智能制造自動(dòng)化控制系統(tǒng)中得以廣泛應(yīng)用。精準(zhǔn)的智能化自動(dòng)控制系統(tǒng)，可以批量、集中處理大量的信息和復(fù)雜的工作任務(wù)，從而提高企業(yè)內(nèi)產(chǎn)品生產(chǎn)的效率、技術(shù)指標(biāo)等。同時(shí)，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(yǔ)言為基礎(chǔ)，把專家的經(jīng)驗(yàn)當(dāng)作控制規(guī)則，實(shí)現(xiàn)智能化控制的一種控制方式。其本質(zhì)是采用基于模糊模型的模糊控制器，實(shí)現(xiàn)智能制造自動(dòng)化系統(tǒng)的控制過(guò)程。在實(shí)際應(yīng)用的過(guò)程中，根據(jù)模糊邏輯推理原則，利用計(jì)算機(jī)技術(shù)，構(gòu)建自動(dòng)化控制系統(tǒng)，提高控制的效率。

例如，基于互補(bǔ)式金屬氧化物半導(dǎo)體（complementary metal-oxide-semiconductor，CMOS）傳感器的自主循跡智能車，搭載了一套自適應(yīng)模糊控制器。與傳統(tǒng)的模糊控制器相比，自適應(yīng)模糊控制器在結(jié)構(gòu)上得到了較大的改善。其次，在數(shù)控火焰切割機(jī)自動(dòng)調(diào)高系統(tǒng)的設(shè)計(jì)過(guò)程中，通過(guò)分析影響切割機(jī)自動(dòng)調(diào)高系統(tǒng)運(yùn)行穩(wěn)定性及精度的主要因素，采用脈沖寬度調(diào)制（pulse width modulation，PWM）控制技術(shù)，設(shè)計(jì)出基于模糊控制方法的自動(dòng)調(diào)高控制系統(tǒng)。

此外，在AGV小車調(diào)速控制系統(tǒng)中，也應(yīng)用到模糊控制技術(shù)。另外，在調(diào)節(jié)閥定位器控制系統(tǒng)，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(tǒng)閥門定位器的±1%提高到±0.5%。同時(shí)，在注塑零件的焊接線位置控制系統(tǒng)中，將模糊控制技術(shù)與計(jì)算機(jī)輔助工程（computer aided engineering，CAE）軟件結(jié)合，從而加快了模具的設(shè)計(jì)過(guò)程。而且，在智能制造過(guò)程中，通過(guò)模糊控制算法監(jiān)控放電電流可以減小表面粗糙度，通過(guò)模糊控制算法監(jiān)控火花隙可以避免有害的電弧效應(yīng)。

深度學(xué)習(xí)

隨著數(shù)據(jù)爆炸式增長(zhǎng)，傳統(tǒng)的統(tǒng)計(jì)建模方式已經(jīng)難以處理高維度、非結(jié)構(gòu)化的數(shù)據(jù)。此時(shí)，深度學(xué)習(xí)技術(shù)因其具備處理高維度、非線性數(shù)據(jù)模式的固有能力，開始登上歷史舞臺(tái)。

智能制造大力發(fā)展的今天，深度學(xué)習(xí)技術(shù)可以輔助零部件和材料缺陷檢測(cè)。在生產(chǎn)制造過(guò)程中，可能會(huì)出現(xiàn)劃痕、裂紋等損壞，使產(chǎn)品不能用于生產(chǎn)線上的下一道工序。深度學(xué)習(xí)技術(shù)可以在毫秒內(nèi)檢測(cè)到裂紋、劃傷等缺陷。具體地，通過(guò)深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)，可以從歷史樣本中自動(dòng)提取各種缺陷特征，從圖片中自動(dòng)識(shí)別可能的缺陷并加以標(biāo)識(shí)，能夠讓工作人員快速發(fā)現(xiàn)并且糾正，從而提升產(chǎn)品質(zhì)量和工作效率。其實(shí)這種應(yīng)用非常類似于之前Watson的醫(yī)療診斷應(yīng)用，都是通過(guò)圖片信息來(lái)識(shí)別問(wèn)題所在，這方面機(jī)器的效率要遠(yuǎn)遠(yuǎn)高于普通工人。幾萬(wàn)張圖片，深度學(xué)習(xí)的機(jī)器可以在一秒之內(nèi)完成識(shí)別和標(biāo)注，如果人為的話至少需要兩個(gè)小時(shí)。據(jù)IBM資料顯示，通過(guò)深度學(xué)習(xí)，機(jī)器還可以在更多生產(chǎn)領(lǐng)域?qū)崿F(xiàn)智能制造。比如工件定位，也就是工件在機(jī)械臂上的位置情況；工件精度測(cè)量、不良品分揀以及工件裝配檢查等方面。

斯坦福大學(xué)計(jì)算機(jī)系教授吳恩達(dá)（Andrew Ng）攜手富士康，幫助傳統(tǒng)制造業(yè)借助人工智能轉(zhuǎn)型升級(jí)。比如：通過(guò)利用深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，可以讓電腦快速學(xué)習(xí)做自動(dòng)檢測(cè)的工作。人工智能介入了以后，工廠的誤判率會(huì)在上線時(shí)達(dá)到3%~4%的水平，并且會(huì)逐步減少到最低。

2018年漢諾威工業(yè)展上，西門子展位展示的是搭載西門子Autonomous系統(tǒng)（用人工智能技術(shù)打造的增加生產(chǎn)柔性的系統(tǒng)）的KUKA機(jī)器人，這款機(jī)器人的最大優(yōu)勢(shì)在于其出色的靈活性。其中一臺(tái)樣機(jī)搭載了三維感知攝像機(jī)，基于圖像識(shí)別和深度學(xué)習(xí)技術(shù)，能對(duì)現(xiàn)場(chǎng)任何環(huán)境變化做出靈敏反應(yīng)，即時(shí)調(diào)整操作軌跡。這種技術(shù)可以大大增強(qiáng)生產(chǎn)線的柔性，不再局限于生產(chǎn)標(biāo)準(zhǔn)化產(chǎn)品。

此外，深度學(xué)習(xí)系統(tǒng)可以根據(jù)數(shù)百個(gè)工廠過(guò)程參數(shù)和產(chǎn)品設(shè)計(jì)變量來(lái)跟蹤用電量的模式，并可以動(dòng)態(tài)地推薦最佳實(shí)踐以實(shí)現(xiàn)最佳利用率。例如，在可再生能源行業(yè)，可以利用深度學(xué)習(xí)算法的預(yù)測(cè)來(lái)繪制從依賴化石燃料到使用可持續(xù)能源的最佳過(guò)渡軌跡，而傳統(tǒng)的預(yù)測(cè)分析方法很難處理這種模式。

另外，一條生產(chǎn)線突然發(fā)出故障報(bào)警，利用深度學(xué)習(xí)算法，可以使得機(jī)器能夠自己進(jìn)行診斷，找到問(wèn)題出在哪里，原因是什么，同時(shí)還能夠根據(jù)歷史維護(hù)的記錄或者維護(hù)標(biāo)準(zhǔn)，告訴管理者如何解決故障，甚至讓機(jī)器自己解決問(wèn)題、自我恢復(fù)。例如，在一個(gè)電網(wǎng)中，當(dāng)出現(xiàn)故障時(shí)，若利用常規(guī)方法識(shí)別電網(wǎng)的哪個(gè)地方出現(xiàn)了問(wèn)題，通常準(zhǔn)確識(shí)別定位的可靠概率是80%。而西門子利用了深度學(xué)習(xí)技術(shù)對(duì)歷史故障事件學(xué)習(xí)，通過(guò)已經(jīng)分布在電網(wǎng)中的繼電器，來(lái)更好地判斷電網(wǎng)出了什么問(wèn)題，出在哪個(gè)地方等。

在智能制造的過(guò)程中，可將深度學(xué)習(xí)技術(shù)與其他技術(shù)進(jìn)行過(guò)融合，從而使得智能制造的過(guò)程更加精確和高效。例如，將神經(jīng)網(wǎng)絡(luò)融合到模式和圖像識(shí)別技術(shù)中，有助于提取圖像特征、優(yōu)選特征向量組成方案，從而優(yōu)化智能制造系統(tǒng)圖像識(shí)別技術(shù)。其次，利用基于多物理域信息多模式融合與深度學(xué)習(xí)的智能加工機(jī)器自主感知方法，從而可以有效地解決智能機(jī)器自主感知問(wèn)題。而且，在深度學(xué)習(xí)的基礎(chǔ)上利用大數(shù)據(jù)分析技術(shù)，可以提高對(duì)機(jī)械零部件故障診斷的識(shí)別分類精度。此外，將深度學(xué)習(xí)、數(shù)字孿生（digital twin，DT）和信息物理系統(tǒng)（cyber-physical system，CPS）的架構(gòu)進(jìn)行集成，可以促進(jìn)傳統(tǒng)制造向智能制造和工業(yè)4.0的轉(zhuǎn)型。

知識(shí)工程

知識(shí)工程是以知識(shí)為處理對(duì)象，為那些需要專家知識(shí)才能解決的應(yīng)用難題提供求解的手段，借用工程化的思想，對(duì)如何用人工智能的原理、方法、技術(shù)來(lái)設(shè)計(jì)、構(gòu)造和維護(hù)知識(shí)型系統(tǒng)的一門學(xué)科。

目前知識(shí)工程的發(fā)展和應(yīng)用狀況，除了通用的大規(guī)模知識(shí)圖譜，各行業(yè)也在建立行業(yè)和領(lǐng)域的知識(shí)圖譜。當(dāng)前知識(shí)圖譜的應(yīng)用包括語(yǔ)義搜索、問(wèn)答系統(tǒng)與聊天、大數(shù)據(jù)語(yǔ)義分析以及智能知識(shí)服務(wù)等，在智能客服、商業(yè)智能等真實(shí)場(chǎng)景體現(xiàn)出廣泛的應(yīng)用價(jià)值。

在智能制造領(lǐng)域，產(chǎn)品的創(chuàng)新性設(shè)計(jì)在很大程度上是基于以往的知識(shí)，具有很強(qiáng)的繼承性。這些知識(shí)包括設(shè)計(jì)歷史資料、設(shè)計(jì)參數(shù)的選擇以及依據(jù)、國(guó)家法規(guī)、設(shè)計(jì)標(biāo)準(zhǔn)、設(shè)計(jì)流程、實(shí)驗(yàn)數(shù)據(jù)、材料數(shù)據(jù)、用戶反饋的信息、各種失誤的原因等所有的與制造業(yè)產(chǎn)品開發(fā)有關(guān)的信息。系統(tǒng)地使用知識(shí)工程思想指導(dǎo)制造業(yè)產(chǎn)品智能設(shè)計(jì)，將知識(shí)和設(shè)計(jì)流程軟件化，使設(shè)計(jì)開發(fā)的自動(dòng)化程度大大提高，因而大大減輕了設(shè)計(jì)人員的勞動(dòng)強(qiáng)度，節(jié)省了產(chǎn)品設(shè)計(jì)成本，縮短產(chǎn)品設(shè)計(jì)周期，同時(shí)，使企業(yè)的知識(shí)積累規(guī)范化、制度化和軟件化，并且使產(chǎn)品設(shè)計(jì)變得更加靈活、高效和智能化，推動(dòng)企業(yè)的科技進(jìn)步。

知識(shí)工程思想在智能制造中的具體應(yīng)用也有很多。例如，在閥門設(shè)計(jì)中，通過(guò)引入知識(shí)工程的思想，可以開發(fā)基于知識(shí)工程的閥門智能設(shè)計(jì)系統(tǒng)，從而實(shí)現(xiàn)從閥門總體設(shè)計(jì)到零部件設(shè)計(jì)的智能化。其次，在零部件的設(shè)計(jì)過(guò)程中，采用基于知識(shí)工程的參數(shù)化設(shè)計(jì)方法，為零部件產(chǎn)品建立一個(gè)產(chǎn)品知識(shí)庫(kù)，從而可以實(shí)時(shí)地檢驗(yàn)設(shè)計(jì)。此外，在汽車車身的制造過(guò)程中，可采用基于知識(shí)工程技術(shù)的車身側(cè)圍設(shè)計(jì)軟件，并將車身側(cè)圍設(shè)計(jì)軟件與基于面向制造設(shè)計(jì)技術(shù)的一步逆成形沖壓分析軟件進(jìn)行集成應(yīng)用，從而更精確地進(jìn)行設(shè)計(jì)。另外，在船舶制造的過(guò)程中，通過(guò)分析船舶制造中生產(chǎn)計(jì)劃與控制中存在的問(wèn)題，以及結(jié)合現(xiàn)代船舶生產(chǎn)制造模式，可以建立基于知識(shí)工程的船舶生產(chǎn)計(jì)劃與控制系統(tǒng)模型。同時(shí)，在熱鍛設(shè)計(jì)過(guò)程中，通過(guò)開發(fā)基于知識(shí)的工程系統(tǒng)，可以將熱鍛設(shè)計(jì)過(guò)程集成到一個(gè)框架中，從而便于收集設(shè)計(jì)工程師的知識(shí)和經(jīng)驗(yàn)。

此外，知識(shí)工程在智能制造業(yè)的應(yīng)用還包含數(shù)字員工和數(shù)字孿生。數(shù)字員工管理平臺(tái)在企業(yè)制造過(guò)程信息化建設(shè)中有著重要的意義，其關(guān)鍵目標(biāo)是使得企業(yè)制造過(guò)程中的信息全面化。生產(chǎn)過(guò)程中，數(shù)字孿生可通過(guò)收集各種傳感器發(fā)出的信號(hào)，獲取與實(shí)際制造過(guò)程相關(guān)的運(yùn)營(yíng)和環(huán)境數(shù)據(jù)，從而能夠識(shí)別偏離理想狀態(tài)的異常情況，并進(jìn)行報(bào)警。

商業(yè)智能

僅憑生產(chǎn)更優(yōu)質(zhì)的產(chǎn)品即可創(chuàng)造和獲得價(jià)值的時(shí)代已經(jīng)結(jié)束，以大數(shù)據(jù)技術(shù)為核心驅(qū)動(dòng)的智能制造，正以洶涌之勢(shì)席卷全球。要實(shí)現(xiàn)智能轉(zhuǎn)型，離不開大數(shù)據(jù)分析平臺(tái)的構(gòu)建，離不開密切關(guān)聯(lián)的制造業(yè)商業(yè)智能。通過(guò)幫助企業(yè)建立數(shù)據(jù)化運(yùn)營(yíng)體系，真正實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)決策。通過(guò)數(shù)據(jù)化運(yùn)營(yíng)，業(yè)務(wù)人員將數(shù)據(jù)轉(zhuǎn)化成運(yùn)營(yíng)策略，從而能夠判斷趨勢(shì)，展開有效行動(dòng)，幫助自己發(fā)現(xiàn)問(wèn)題，推動(dòng)創(chuàng)新或解決方案出現(xiàn)。

《2009-2010年中國(guó)商業(yè)智能市場(chǎng)分析》中稱，目前全球范圍內(nèi)，商業(yè)智能已經(jīng)超過(guò)ERP和CRM（customer relationship management，客戶關(guān)系管理），成為最具增長(zhǎng)潛力的領(lǐng)域。據(jù)中國(guó)商業(yè)智能網(wǎng)調(diào)查，2009年中國(guó)大陸地區(qū)的商業(yè)智能市場(chǎng)份額約為26億元人民幣，比2008年增長(zhǎng)18%，約占企業(yè)管理軟件的市場(chǎng)份額的8%。

應(yīng)用商業(yè)智能的行業(yè)中，制造、零售行業(yè)約占30%的市場(chǎng)份額，是商業(yè)智能應(yīng)用最具潛力的行業(yè)。智能制造行業(yè)，商業(yè)智能的幾個(gè)應(yīng)用包括：

（1）操作現(xiàn)場(chǎng)。實(shí)現(xiàn)技術(shù)流程與生產(chǎn)作業(yè)流程的有機(jī)結(jié)合。

（2）售后服務(wù)。改變保修問(wèn)題分析主要靠工程師手工處理的方式，應(yīng)用保修分析解決系統(tǒng)，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(tǒng)由數(shù)據(jù)倉(cāng)庫(kù)及管理系統(tǒng)、模型庫(kù)及管理系統(tǒng)、知識(shí)庫(kù)及管理系統(tǒng)、數(shù)據(jù)抽取工具、數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)工具、用戶界面等模塊組成，從而成功實(shí)現(xiàn)了對(duì)數(shù)據(jù)、模型、知識(shí)、交互四個(gè)部件的系統(tǒng)集成決策。

（4）辦公系統(tǒng)。加強(qiáng)和完善生產(chǎn)管理、提高資源共享和團(tuán)隊(duì)協(xié)作程度，最大限度地實(shí)現(xiàn)公司內(nèi)部資源的高效利用，提高綜合統(tǒng)計(jì)、分析、處理數(shù)據(jù)，報(bào)表設(shè)計(jì)的效率。

商業(yè)智能在智能制造中的具體應(yīng)用也有很多。例如，針對(duì)基于ERP系統(tǒng)的制造企業(yè)，可利用商業(yè)智能系統(tǒng)進(jìn)行數(shù)據(jù)挖掘、前瞻性數(shù)據(jù)分析和決策支持功能的應(yīng)用。其次，以制造型企業(yè)的業(yè)務(wù)需求為前提，可提出商業(yè)智能的應(yīng)用實(shí)施方案，基于SQL Server 2008 Business Intelligence平臺(tái)創(chuàng)建以生產(chǎn)、庫(kù)存和銷售為主題的數(shù)據(jù)倉(cāng)庫(kù)，且通過(guò)SQL Server集成服務(wù)從源數(shù)據(jù)庫(kù)中抽取、轉(zhuǎn)換和加載相關(guān)數(shù)據(jù)到數(shù)據(jù)倉(cāng)庫(kù)中，然后，利用SQL Server分析服務(wù)對(duì)三個(gè)主題建立相應(yīng)的多維數(shù)據(jù)集，并進(jìn)行分析，接著通過(guò)SQL Server報(bào)表服務(wù)完成商業(yè)智能的交付任務(wù)。另外，針對(duì)智能制造產(chǎn)品的各種售后服務(wù)問(wèn)題，可利用商業(yè)智能的解決和應(yīng)用實(shí)施方案，對(duì)售后服務(wù)問(wèn)題進(jìn)行研究分析，用商業(yè)智能的理論去幫助制造行業(yè)分析、控制并解決售后服務(wù)的質(zhì)量問(wèn)題。同時(shí)，通過(guò)將制造系統(tǒng)與基于數(shù)據(jù)倉(cāng)庫(kù)的商業(yè)智能進(jìn)行集成應(yīng)用，不僅為各種車間系統(tǒng)帶來(lái)了接口，而且還具有數(shù)據(jù)集成、數(shù)據(jù)分析和儀表盤生成的功能。而且，針對(duì)智能制造中的柔性制造系統(tǒng)，應(yīng)用商業(yè)智能工具，可以分析涵蓋用戶需求的相關(guān)柔性制造數(shù)據(jù)。此外，商業(yè)智能工具可為正在經(jīng)歷工業(yè)4.0轉(zhuǎn)型的中型企業(yè)（medium enterprises，ME）帶來(lái)很大的價(jià)值。

多種智能技術(shù)融合

在智能制造中的應(yīng)用

除了將單個(gè)關(guān)鍵智能技術(shù)應(yīng)用到智能制造中的研究之外，制造企業(yè)中交叉融合應(yīng)用多種關(guān)鍵智能技術(shù)的研究也比比皆是。

將多種關(guān)鍵智能技術(shù)融合應(yīng)用到實(shí)際的智能制造中，可為制造過(guò)程提供智能優(yōu)化決策系統(tǒng)，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，韓至駿等[1]提出了一種用于加工中心優(yōu)選刀具和切削參數(shù)的新方法，該方法以基本切削數(shù)據(jù)庫(kù)為基礎(chǔ)，結(jié)合遺傳算法、神經(jīng)網(wǎng)絡(luò)、模糊控制技術(shù)，以及根據(jù)實(shí)際工況的需要，通過(guò)學(xué)習(xí)、修正，實(shí)時(shí)優(yōu)選出能滿足各種具體工作環(huán)境要求的刀具最佳切削參數(shù)。同時(shí)，彭觀等[2]提出一種基于專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的加工過(guò)程多目標(biāo)優(yōu)化智能決策方法，并建立了專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)之間的信息交換機(jī)制。此外，嚴(yán)濤等[3]針對(duì)傳統(tǒng)磨削加工過(guò)程精度控制遇到的困境，提出了將傳統(tǒng)的專家系統(tǒng)推理架構(gòu)和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合建立智能磨削參數(shù)決策系統(tǒng)。

在該決策系統(tǒng)中，利用專家系統(tǒng)對(duì)磨削參數(shù)初步?jīng)Q策，并在加工間隙及加工結(jié)束時(shí)對(duì)加工參數(shù)進(jìn)行調(diào)整以及對(duì)知識(shí)庫(kù)進(jìn)行修正，使系統(tǒng)具有了很強(qiáng)的自適應(yīng)能力和自學(xué)習(xí)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(chuàng)建了一項(xiàng)預(yù)測(cè)功能來(lái)評(píng)估決策變化和環(huán)境變化對(duì)系統(tǒng)性能造成的影響。其中，這種預(yù)測(cè)功能是通過(guò)將神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合來(lái)實(shí)現(xiàn)的。

- 參考資料?-?

本文撰寫過(guò)程引用和參考了以下文章和資料，一并感謝：

[1]韓至駿， 張昆. 加工中心工藝參數(shù)智能生成系統(tǒng)的研究[J]. 清華大學(xué)學(xué)報(bào): 自然科學(xué)版， 1999， 39

(2): 30-33.? [2]彭觀，陳統(tǒng)堅(jiān). 基于專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的制造過(guò)程智能決策系統(tǒng)[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)， 1999 (2): 24-27.?

[3]嚴(yán)濤，李蕾. 基于FNN智能型磨削參數(shù)決策系統(tǒng)[J]. 機(jī)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

?