智能制造的研究背景
智能制造（Intelligent Manufacturing，IM）源於人工智能（Artificial Intelligence，AI）的研究。AI是计算机科学的一个分支，其产生与发展与半个世纪来Van Neumann型计算机的发展密不可分。回顾AI的发展历史，可归结为孕育（1956年前）、形成（1956~1969年）和发展（自1970年起）三个阶段。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高征服自然的能力。前人的有关观点及成果孕育了AI学科的诞生。特别是，1936年英国数学家A. M. Turing提出了一种理想计算机的数学模型—图灵机；1950年，他又在“计算机能思维吗？”一文中论述了机器能够思维，Turing因此被尊称为人工智能之父。1956年，在美国的Dartmouth大学，由年青数学家J. McCarthy和他的三位朋友M. Minsky、N. lochester、C. Shannon共同发起，邀请IBM公司、麻省理工学院以及RAND公司和CMU的学者和科研人员参加夏季学术讨论会，在会上第一次正式釆用AI这一术语来代表机器智能研究方向。这一具有历史意义的重要会议，标志着AI新学科的诞生。在这之后的十多年间，AI在机器学习、定理证明、模式识别、问题求解、专家系统与AI语言－LISP等方面的研究取得了许多令人瞩目的成就。进入1970年後，许多国家都大力开展AI研究工作，研究成果大量涌现，AI从此进入了发展阶段。
AI的发展已对人类及未来产生了深远影响，这些影响涉及人类的经济利益、社会作用和文化生活等方面。有人把它和空间技术、原子能技术一起誉为20世纪的三大科学技术成就；也有人称它为三次工业革命后的又一次革命，并称前三次革命主要延长了人手功能，把人类从繁重的体力劳动中解放出来，而AI则延伸了人脑的功能，实现了脑力劳动的自动化。目前，AI的研究更多的是结合具体领域进行的，其研究与应用领域概括主要有以下方面：问题求解、逻辑推理与定理证明、自然语言理解、自动程序设计、机器学习、专家系统、知识工程、模糊逻辑、神经网络、遗传算法、粗集理论、机器人学、模式识别、机器视觉、智能控制、智能检索、智能调度与指挥、智能代理、系统与语言工具等。
自二十世纪80年代以来，现代科技革命推动了人类社会从工业社会进入信息社会，使得现代制造系统由原先的能量驱动型转变为信息驱动型，这就要求制造系统不但要具备柔性，而且还要表现出智能，否则难以处理如此大量而复杂的信息；而且，多品种、变批量、柔性生产的要求、瞬息万变的巿场需求和激烈竞争的复杂环境，也要求制造系统表现出更高的灵活、敏捷和智能。在此背景下，人们开始尝试AI在制造业应用的研究，并取得了一批丰硕的成果。80年代末期，一种集制造自动化、AI、计算机科学等高新技术而发展起来的智能制造技术和智能制造系统脱颖而出，随后智能制造作为一门新的学科，愈来愈受到高度重视。人们普遍意识到：智能制造的理论研究及应用开发，对于提高产品质量、生产效率和降低成本，提高国家制造业响应巿场变化的能力和速度以及提高国家的经济实力和国民的生活水准，具有重大意义。因此，各国政府均将智能制造列入国家发展计划，大力推动实施。中国80年代末也将“智能模拟”列入国家科技发展规划的主要课题，已在专家系统、模式识别、机器人、汉语机器理解方面取得了一批成果；最近，国家科技部正式提出了“工业智能工程”，作为技术创新计划中创新能力建设的重要组成部分，智能制造是该项工程中的重要内容。
智能制造概述
从概念上讲，智能制造中的“制造”是“大制造”的概念，它不仅指传统意义的加工与工艺，而且还包括设计、组织、供应、销售、报废与回收在内的产品全生命周期各个阶段的活动。从内涵上讲，智能制造主要包含智能制造技术和智能制造系统。智能制造技术是制造技术、自动化技术、系统工程与人工智能相互渗透、相互交织而形成的一门综合性技术。智能制造系统是智能技术集成应用的环境，也是智能制造模式展现的载体。1990年日本通产省首先提出了智能制造系统的概念。该智能制造系统是一种由智能机器和人类专家共同组成的人机一体化系统，它突出了在制造各个环节中，以一种高度柔性与集成的方式，借助计算机模拟的人类专家的智能活动，进行分析、判断、推理、构思和决策，取代或延伸制造环境中人的部分脑力劳动，同时，收集、存储、完善、共享、继承和发展人类专家的制造智能。由於这种制造模式，突出了知识在制造活动中的价值地位，而知识经济又是继工业经济後的主体经济形式，所以智能制造就成为影响未来经济发展过程的一种先进制造生产模式。
人工智能的研究现状及发展动态
现代计算机有极强的算术和逻辑运算功能，运算速度高达数千亿次/秒，其结果的准确性和可靠性是人工所无法企及的，因此，在早期的AI研究中，以釆用符号、规则表达和逻辑推理的方式成为主流，这些研究也称为AI的“符号主义”学派。尽管建立在Van Neumann计算机基础上的传统AI在专家系统、博弈游戏、定理证明等方面取得了一些成就，但是，迄今为止AI所体现的智能从整体上看与人脑还相距遥远，特别表现在计算机的形象思维能力与人相差甚远。因此，模拟人脑形象思维和神经系统结构的神经网络研究应运而生。1943年，心理学家McCalloch与数学家Pitts合作提出了神经网络（Neural Networks，NN）的第一个数学计算模型－MP模型，从而开创了神经网络理论研究的新时代。50多年来，神经网络的研究虽一度陷入低谷，但自1982年J. Hopfield提出Hopfield神经网络模型成功地解决了旅行商问题以来，其研究再次进入高潮阶段，并向自组织、自适应、自学习等方向发展。神经网络的研究又被人们称为AI的“联结主义”学派。1975年美国Michigan大学的John. H. Holland根据生物进化的模型提出的一种优化算法－遗传算法（Genetic Algorithm，GA），这是一种全局意义上的自适应启发式搜索技术，它依照自然界优胜劣汰的自然选择规律，经过遗传、变异後演变出满足给定精度的较优解。对遗传算法、进化编程、进化策略等方面的研究，也称为AI的“行为主义”学派。
符号主义只抓住人脑的抽象思维的特性；联结主义只模仿人的形象思维；行为主义则?眼于人类智能行为特性及进化过程，它们都存在明显的局限性，且应用层次与场合也相对不同。要使机器达到人脑那样多功能、多层次、多侧面、全方位的高级智能行为，必须从多维和全局观点来研究智能，才能克服上述局限性。自90年代以来，人们开始将AI的各大学派有机结合起来研究，认为这是更有效地发挥AI各大学派的优势并弥补各自不足的有效途径。下面简介AI近年来在实现智能理论方法方面的研究动态。
模糊逻辑与神经网络的结合
1967年，美国加利福尼亚大学的L. A. Zadeh教授发表了题为《模糊集》的开创性论文，随后从模糊集合基础上建立起来的模糊数学发展为一门专门学科。神经网络与模糊逻辑（FL）各自具有互补的优缺点，如表2所示。1974年，美国C. T. Lin教授和C. S. G. Lee教授首先将模糊思想引入神经网络，1987年，B. Kosko率先将模糊逻辑与神经网络有机结合进行了较为系统的研究，模糊神经网络（FNN）就是二者有机结合的产物，它汇集了两者的优点，集学习、联想、识别、自适应及模糊信息处理于一体。迄今为止，将神经网络与模糊逻辑融合形成FNN的方式较多，但是真正体现渗透两者优点的FNN系统主要有两类：第一、系统由模糊逻辑支撑，模糊逻辑规则由神经网络实现；第二、系统釆用神经网络结构，学习过程釆用模糊推理。在第一类FNN中，利用神经网络从输入/输出样本中学习到映射规律的能力来建立模糊逻辑所需要的规则，以解决模糊逻辑系统模糊规则提取困难的“瓶颈”问题。在第二类FNN中，将神经网络的常用数值改为隶属度输入，或用简单的max-min的运算来代替神经网络复杂的积－和运算，用模糊规则来引导神经网络的学习，加快了神经网络的学习进程，使系统逻辑分析更加明确。
遗传算法与神经网络的结合
遗传算法按照生物进化论优胜劣汰的规律和生命的自学习、自组织和自适应等基本行为特征，来制定有指导的寻优策略或搜索算法，其特点是，以随机的形式将最适合於特定目标函数的种群通过重组产生新的一代，并在进化过程种通过选择、重组和置换等变异步骤，来搜索更好的样本空间点。近年来将遗传算法与神经网络的连接权值学习、神经元及网络结构的优化有机结合起来，得到鲁棒性强的进化神经网络的研究已成为神经网络领域的一个新的研究热点，并取得了许多有价值的结论和成果，为工程上的广泛深入应用带来了充满希望的前景。
遗传算法与模糊逻辑的结合
遗传算法与模糊逻辑的结合是一种将知识获取和知识表示有机结合起来的新领域，目前的研究重点为：利用遗传算法改进模糊逻辑系统，如用遗传算法优化模糊逻辑的规则函数和学习模糊规则；利用模糊逻辑改进遗传算法的性能，例如用模糊规则指导遗传算法的行动等。
粗集理论与神经网络的结合
神经网络在学习阶段常发生收敛速度慢、学习时间长等问题，在学习训练完成后的工作阶段常出现泛化能力差的毛病。这些情况一部分是由于学习算法或参数选择上不合理所引起，另有相当一部分则是由于学习样本在质量或数量上不符合要求所引致的。每个学习样本具有若干特征，而每个特征又和若干样本相关联，分析样本、特征以及它们之间的包含关联关系的一个理想数学工具，就是粗集理论。
1982年波兰华沙理工大学的Z. Pawlak教授首次提出粗集理论。它作为离散数据推理的一种新方法，适合于在智能信息处理中研究不完整数据、不精确知识的表达、归纳和阐明它们之间的关系。正如模糊集理论本身并不模糊一样，粗集理论本身不但不粗糙，而且是一件去粗取精、去伪存真的锐利武器。在神经网络学习阶段，学习样本除了要在数量上加以保证，更要在质量上加以保证。利用粗集理论对神经网络的学习样本加以检验，剔除冗余的学习样本，增补保证内插外推所必需的学习样本，可以保证神经网络在学习阶段有较快的学习速度，在工作阶段有较好的泛化能力。目前，在神经网络和模糊神经网络中融合粗集理论来提高学习样本质量是神经网络理论研究的一个新热点。
人工智能在智能制造中的应用
AI作为智能制造的核心技术，在产品制造过程各个环节的应用产生了制造智能。如何使制造智能接近或达到人脑那样的高级智能水平，是智能制造的研究重点。纵览全球，总体而言智能制造尚处于概念形成和智能制造单元的实验探索阶段。凭借智能制造单元技术可以有效地将CNC机床、机器人、加工中心以及自动化程度较低的设备集成起来，建立以人为中心，以计算机为核心工具，以信息技术和网络技术为基础，具有柔性化、智能化、集成化的制造自动化系统，实现建模、制造、操作、测量四者融为一体的智能4M系统，达到快速设计、快速制造、快速检测、快速响应和快速重组，从而增强制造企业的产品开发及创新能力，提高产品的技术和知识含量，提高制造业对瞬息万变的巿场的响应能力和响应速度。因此，智能制造的近期研究目标就是运用AI的理论方法进一步提高制造单元的制造智能水平。现今，尽管有关AI的理论方法在智能制造方面应用的学术论文与成功应用实例很多，但综合这些研究成果并从本质上看，AI在智能制造系统的应用主要可以概括为产品的智能设计、制造资源的智能规划、智能加工与过程监控、制造系统活动的智能管理四大方面，具体体现如下：
* 在智能设计方面，利用图像分析与处理以及智能模式识别技术实现工程图由光栅图到矢量图的智能识别；利用模式识别技术实现由零件的平面投影图到三维立体图的智能三维建模；利用模糊技术和神经网络技术进行产品的可靠性分析、优化设计及设计效果的综合评判；对产品进行基于专家系统与神经网络结合的智能CAD造型、有限元分析与虚拟制造；
* 在制造资源的智能规划方面，利用专家系统、知识库、NN或FNN在优质、高效、低成本或在恒力切削等优化目标下对切削用量进行优化选择，实现切削参数智能工艺规划与优化、制造资源的智能计划以及企业资源的智能规划；
* 在智能加工与过程监控方面，利用NN、FL、GA等智能技术进行多传感器的融合、信号处理与决策和传感器的集成；利用NN、FL、FNN、GA和粗集理论等对加工状态（如刀具磨/破损状态）进行实时识别，并对非正常状态进行自适应控制与决策，实现加工状态智能检测与监控；利用NN、FNN、FL、GA和粗集理论等在优化（或约束）目标下，对切削参数进行自学习、自组织或自适应控制，用知识指导加工方案，实现加工过程智能控制与优化；利用专家系统、FL或NN技术进行机械故障的智能诊断；利用机器视觉技术模拟人的视觉功能实现大批量生产过程中的在线测量、检查、工况辨识和质量控制；利用智能工业机器人实现产品的装配与包装、材料搬运、表面喷涂、焊接、高压水切割等；
* 制造系统活动的智能管理方面，利用神经网络、专家系统、知识库、智能代理实现制造系统的分布作业、多元代理，使制造系统的活动并行进行，解决系统集成，实现敏捷制造。
结论与展望
综如上述，AI在智能制造中的应用取得了长足的发展，但是反思现状还存在以下不足：AI在智能制造中的应用以计算机仿真为主，从硬件方面实现的较少；AI的一些理论如NN理论在学习算法、稳定性分析及模型原理等方面没取得突破性的进展，离实用阶段还有一定距离；AI在智能制造单元的应用较多，而实现制造系统整体智能化的成功研究则较少。因此，要使智能制造技术朝实用化方向发展，还须对AI作进一步的深入研究，今后要解决以下几个最关键和最迫切的智能技术难题：
* 深入探索人脑的工作机制，寻找和建立更新的AI框架和理论体系；
* 寻求更适合於知识处理的表达知识新方法；
* 更好的技术集成，即对AI的不同学派如符号主义、联结主义、行为主义等进行融合与协作。
10/17/2004
|
