智控

欢迎使用Markdown编辑器写博客

本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：
机器学习与智能制造
1、背景介绍
近年来，在信息技术与工业领域，都发生了重大变革，如大数据、云计算、3D 打印、工业机器人等，其中智能制造作为信息化与工业化深度融合的产物，更是得到了各国政府的广泛关注和普遍重视，如美国先进制造业国家战略、法国
“新工业法国计划”、德国“工业4. 0”等。与此同时，中国经济发展进入新常态，制造业面临的资源和环境约束不断强化。在此背景下，“中国制造2025”规划出台，坚持创新驱动、智能转型，加快从制造大国转向制造强国。
针对智能制造这一研究热点，国内外众多学者从不同角度展开了探讨，如美国国家科学基金智能制造项目、欧盟第七框架计划中的制造云项目、中国工程院智能制造重大咨询项目等。然而，智能制造研究涉及智能技术、制造技术、信息技术等多个学科，造成目前该领域的研究呈现出散乱的“碎片化”态势: 在研究领域上，智能制造横跨了理工学科到人文社科之间的诸多细分研究领域; 在研究载体上，既有综述性探讨，也有定量化研究; 在研究主题上，智能制造系统、智能制造服务、智能管理、智能终端产品等散乱分布，几乎难以整合到一个框架之
中。目前，智能制造庞杂的研究现状既显示了该研究领域蓬勃的生命力，同时也表明该领域到了亟需进行梳理与总结的阶段。
信息处理和知识合成是智能制造系统的重要环节, 直接影响着系统运行和产品实现的质量与效率。如何通过消化和归纳各种制造加工过程中的海量数据信息, 合成决策知识, 实现制造系统的自学习能力,正成为智能制造领域的研究热点。
机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。例如，它们遇到错误时不能自我校正；不会通过经验改善自身的性能；不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。
2、制造领域中机器学习的研究现状
（1）过程监测和质量控制
神经网络能够分类复杂工况下的加工状态,滤掉加工过程中常有的状态信噪, 其结构特有的大规模并行计算特性可以快速地处理各种大量传感信号。利用以上优点, Barscho rff建立了一个具有代表性的BP网监测模型。Mo nostori在该模型基础上, 将过程参数融入网络的训练中, 提高了泛化能力, 并且易于滤除漂移量。为了保证分辨率, 实现在线监测, Jammu采用了SCBC无监督神经网络, 而Tarng 设计了自回归滑块平均模型与ART2网组成的集成学习模型。
检测、诊断和质量控制是先进制造系统中不可缺少的必备环节。质量检测中测头所产生的预行程是坐标测量机误差的主要来源, Shen使用BP网学习预行程误差与位置坐标的关系映射,以此补偿位置误差。机床精度对热变形非常敏感,
Yang通过训练CMAC网络, 学习机床床身温度场与热变形之间的非线性对应关系,进行热补偿。故障诊断实质上是求解故障特征空间到识别空间的映射关系, 通常难以确定精确的数学模型。Montazemi将事例学习用于诊断交流电机运转过程中可能出现的故障。Drake使用三层BP网识别数控立铣内液压冷却系统的工作状态。
（2）过程建模和自适应控制
自适应控制作为智能控制的基本方法, 其求解过程是反求学习所建立的过程映射，即在满足加工约束条件的前提下, 优化加工参数。Rangwala在学习后获得的BP网上, 应用增广拉格朗日算法优化一组选定的性能指标, 其优点是仅依赖于传感器的检测数据, 无需先验的过程模型。Liao和Tarng在过程建模和优化时, 分别引入了波尔兹曼因子和基因算法, 以此改善算法性能。
（3）产品设计和系统设计
新产品设计通常从以往相似的产品中提取可用信息。Srinivasan基于这一设计思想, 采用概念聚类建立设计信息检索系统, 根据加工特征进行零件分类。Lu 提出了适应性交互建模系统AIMS, 设计过程中, AIMS从由多种归纳学习方法组成的“工具箱”中, 选择相应建模阶段中的最佳学习方法。Arai利用BP网的联想记忆,学习功能需求与设计方案之间的映射关系, 实现产品设计。
成组技术中大量采用的数学规划和语法模式识别方法通常难以用于动态生产模型。为此, Lu建立的CLU STER/2概念聚类系统采用了归纳和演绎两种学习方法, 对零件进行分组, 演绎学习利用领域知识将未处理的知识转换为清晰的概念描述, 同时, 系统将非结构化的实例信息归纳总结成有效的新知识。基于产品数据模型中的特征信息, Moon使用BP网分类工作, 网络强大的容错能力降低了识别特征中的噪声成分对分类结果的影响。Bohner则利用ART1网络解决动态成
组设计问题。
（4）工艺设计和工序规划
零件加工方法选择反映的是从期望加工特征空间到适当加工参数空间映射关系的求解。设计60中常用的设计手册和建模计算工具(仿真系统)只提供了加工特征/加工参数关系的逆映射,即由加工参数计算出能够达到的加工质量。通过学习,可以在设计手册和建模计算工具的基础上, 反求加工特征/加工参数映射关系,产生切实经济的加工工艺, Lu利用CLUST ER/2概念聚类系统对加工过程仿真模型产生的训练实例进行无监督学习, 自动生成工艺分类的概念描述, 为专家系统提供辅助设计人员制定工艺规划的规则知识。Mei以加工基准选择为例, 利用BP网的学习功能, 自动选择零件加工基准。
由于加工过程规划设计需要大量相关专业的经验和知识, CAPP系统的自学习功能已成为智能制造领域的一个主要研究方向。Park使用解释学习, 设计了智能工艺设计系统EXBLIPP。该系统不仅能够以创成方式自动产生零件的工序规划, 而且可以通过解释学习对规划进行泛化, 产生零件的标准化工序范式, 进而以变异方式设计出一类相似零件的工艺。Yang设计了一个事例学习的工序规划系统PROCASE, PROCASE使用事例表达工序规划知识, 由已有的工序规划构造工艺设计知识库, 通过修改已有事例得到的新事例被不断地加入到事例知识库中,实现知识库的自我丰富和完善。
（5）生产调度和生产管理
生产调度过程是将一组作业以一种合理的顺序分配到相关设备上, 完成要求的加工步骤, 达到优化过程性能指标的目的。在多维空间中搜索最优解的调度问题属NP难题。启发式是一种简单、快捷的可靠算法, 但很难获取用于实际建模假设的知识, Chu通过概念聚类,学习启发式调度算法与任务特征之间的映射关系, 获得规则组织知识库的内容, 指导调度新的任务。Chrysso loouris将调度分为车间中的工作调度和加工单元内的任务分配两层计算, 运用BP网训练仿真实例, 经过简单的自学习即可以获得调度方案, 避免了复杂、费时的数学分析建模和仿真。
3、人工智能在机器人领域中的应用
人工智能在智能机器人中应用所要经过的过程为：1、人工智能实体将首先在精确思维能力上超过人，然后在模糊思维能力上超过人。2、由于创造力是个性化的产物，较高的创造力不是复制及经验的吸收所能产生的，它需要通过个性化的学习来获得，而个性化的学习不是短时间内所能完成的，因而人工智能实体在创造力上全面超过人将需要较长的时间。一旦人工智能实体的创造力超过人其智力水平也就能远远超过人。
从机器人的用途来分，可以分为两大类：军用机器人和民用机器人。军用机器人主要用于军事上代替或辅助军队进行作战、侦察、探险等工作。根据不同的作战空间可分为地面军用机器人、空中军用机器人(即无人飞行机)、水下军用机器人和空间军用机器人等。军用机器人的控制方式一般有自主操控式、半自主操控式、遥控式等多种方式。在民用机器人中，各种生产制造领域中的工业机器人在数量上占绝对多数，成为机器人家族中的主力军；其它各种种类的机器人也开始在不同的领域得到研究开发和应用。总体看来，若按用途分，民用机器人可以分为以下几个主要类别：
工业机器人 
制造工业部门应用机器人的主要目的在于削减人员编制和提高产品质量。机器人无论是否与其它机器一起运用，与传统的机器相比，它具有两个主要优点： 
1．生产过程的几乎完全自动化。 
2．生产设备的高度适应能力。 
现在工业机器人主要用于汽车工业、机电工业（包括电讯工业）、通用机械工业、建筑业、金属加工、铸造以及其它重型工业和轻工业部门。  
机器人的工业应用分为四个方面，即材料加工、零件制造、产品检验和装配。其中，材料加工往往是最简单的。零件制造包括锻造、点焊、捣碎和铸造等。检验包括显式检验（在加工过程中或加工后检验产品表面图像和几何形状、零件和尺寸的完整性）和隐式检验（在加工中检验零件质量上或表面上的完整性）两种。装配是最复杂的应用领域，因为它可能包含材料加工、在线检验、零件供给、配套、剂压和紧固等工序。在农业方面，已把机器人用于水果和蔬菜嫁接、收获、检验与分类，剪羊毛和挤牛奶等。这是一个潜在的产业机器人应用领域。
服务机器人
在一些科幻影片、电视片或影碟中，多少具有外形的机器人常被用来协助或代替人去执行人不乐意做或危险和困难的任务。今天在现实生活中能够看到的最接近于人类的机器人可能要算家用机器人了。家用机器人能够清扫地板而不碰到家具。不过它的价格目前还较高，
影响到它的推广应用。随着家用机器人造价的大幅度降低，它将获得日益广泛的应用。服务机器人尚处于开发及普及的早期阶段，目前国际上对它还没有普遍承认的严格定义，它的定义是由操作型工业机器人引伸而来的。根据国际机器人联合会采用的初步定义，所谓服务机器人是一种半自主或全自主工作的机器人，它完成的是有益于人类健康的服务工作，但不包括那些从事生产的设备。另一种定义把服务机器人看做一种可自由编程的移动装置，它至少有三个运动轴，可以部分地或全自动地完成服务工作。这些服务工作为个人或单位完成的，
不指工业生产服务。
4、人工智能在机器学习中的应用
人工智能是研究如何使机器具有认识问题和解决问题的能力，人工智能研究的要点就是让机器如何更具有人的智能，这就是机器学习。它是人工智能研究的一个核心问题” 人工智能与人的智能互相补充、互相促进，将开辟人机共存的人类文化。
机器学习是人工智能发展中一个十分活跃的领域，机器学习的研究目的，是希望计算机具有能像人类一样从现实世界获取知识的能力。同时，建立学习的计算理论，构造各种学习系统并将之应用到各个领域中去。
机器学习的研究目标有三个方向，一个方向是以模拟人类的学习过程出发，试图建立学习的认识生理学模型。这个方向与认知科学的发展密切相关。第二个方向是基础研究，发展各种适合机器特点的学习理论，探讨所有可能的学习方法，比较人类学习与机器学习的异同与联系。第三个方向是应用研究!建立各种实用的学习系统或知识获取辅助工具，在人工智能科学的应用领域-机器人系统，专家系统等建立自动获取知识系统。积累经验、完善知识库与控制知识，进而能使机器的智能水平象人类一样。
目前机器学习已有许多不同的方法，从认识科学的角度可将机器学习分为-演绎学习系统，这是在一般到特殊的一种推理学习系统，通过公理系统或推理定理法则，可以从已知前题推出有效结论。例如三段论推理，有关经验的模态逻辑推理都属于这一类推理方法，归纳学习系统。这是以特殊到一般的一种推理学习系统，归纳有完全归纳与不完全归纳。在不完全归纳系统中又有简单枚举归纳与因果关系归纳，因果关系归纳法就是根据事物的因果关系推出该类事物中所有对象都具有某一属性，这是从特殊到特殊的一种推理与学习系统又称为模仿系统。根据特定事例通过寻求一般规律，类比关系推理规则等，再联系到新的事例中去。这是一种创作性的推理与学习。
通过学习理论与方法的研究，通过建立学习模型工作，一方面使得机器变得更聪明，能更加有效地为人类服务。另一方面也可对人类的学习过程作更深透的了解与认识，对人们的智力开发与人类的智力革命都具有深远的影响&。通过研制各种具有学习功能的人工智能系统，系统的智能水平将进入高级阶段。例如，自动编程系统的出现对计算机的程序设计是一场革命，能够通过实践进行学习的专家系统，才能真正与人类专家平等地讨论问题。具有学习功能的机器人系统，才能在实践中不断增长自己的水平。
机器学习是人工智能研究的中心问题，而且也是极端重要的理论基础。具有完善智能接口的人机系统，只有在机器学习取得重大发展以后，才能发挥巨大力量。 机器学习系统的发展必须依靠思维科学提供理论指导，思维学就是研究人有意识思维规律的科学，是思维科学的基础。机器学习工作的发展从根本上来说取决于思维科学的发展。
5、智能制造发展的前景
智能制造研究领域涉及经济学、管理学、制造科学、信息科学等多个学科。制造业智能化是一个复杂、系统的转型过程，同时也是多学科相互交叉、深度融合的过程，但目前国内学者对智能制造交叉领域的相关问题，如智能化管理、智能化服务、智能化过程中人的因素等研究较少或仍是空白。因此，国内学者在
后续研究中应注重多学科的交叉融合。例如，根据制造业智能化的特点，引入智能供应链的思想，研究制造业各环节的智能衔接和管理优化; 智能制造强调“以人为本”的中心思想，因此可从员工的招聘、培训、职业发展等问题入手，探讨人力资源管理如何支持和服务于制造企业的智能化转型; 另外，还可借鉴行为科学和市场营销理论，从微观层面研究消费者的心理倾向和选择偏好问题。值得一提的是，目前智能制造领域的消费者行为研究大部分基于西方文化语境，缺乏“中国情境”以及跨文化情境下的比较研究。这一点需引起中国学者的注意，对中国语境下的消费者行为展开研究，形成具有本土消费文化特色的研究结论或比较研究，从而为中国企业智能产品的创新研发提供指导。
6、机器学习的愿景及应用
最近，引世人关注的人机大战以AlphaGo以4：1胜利而告终，这为世人所震撼惊叹的同时，更让人感受到机器学习的强大威力，更昭示出机器学习研究与应用的灿烂前景。以此为契机，机器学习理论研究将会成为一个新的热点，在认知计算、类脑计算的支撑下将促进机器学习向更高阶段发展，在此基础上将会出现性能更好、结构优化、学习高效、功能强大的机器模型，非监督机器学习将会取得实质性的进展。机器学习的自主学习能力将进一步提高，逐渐跨越弱人工智能阶段，不断提高智能性。机器学习将向人类的学习、认知、理解、思考、推理和预测能力迈进，必将推动人工智能及整个科学技术的迈向更高台阶。
随着机器学习与大数据、云计算、物联网的深度融合，将会掀起一场新的数字化技术革命，借助自然语言理解、情感及行为理解将会开启更加友好的人机交互新界面、自动驾驶汽车将成为现实，我们的工作、生活中将出现更多的智能机器人，在医疗、金融、教育等行业将能够给我们提供更多智能化、个性化服务定制服，机器学习一定会造福于我们整个人类，使明天的生活更美好！
- Markdown和扩展Markdown简洁的语法
- 代码块高亮
- 图片链接和图片上传
- LaTex数学公式
- UML序列图和流程图
- 离线写博客
- 导入导出Markdown文件
- 丰富的快捷键

---

快捷键

• 加粗 Ctrl + B
• 斜体 Ctrl + I
• 引用 Ctrl + Q
• 插入链接 Ctrl + L
• 插入代码 Ctrl + K
• 插入图片 Ctrl + G
• 提升标题 Ctrl + H
• 有序列表 Ctrl + O
• 无序列表 Ctrl + U
• 横线 Ctrl + R
• 撤销 Ctrl + Z
• 重做 Ctrl + Y

Markdown及扩展

Markdown 是一种轻量级标记语言，它允许人们使用易读易写的纯文本格式编写文档，然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]

使用简单的符号标识不同的标题，将某些文字标记为粗体或者斜体，创建一个链接等，详细语法参考帮助？。

本编辑器支持 Markdown Extra , 　扩展了很多好用的功能。具体请参考Github.

表格

Markdown　Extra　表格语法：

项目	价格
Computer	$1600
Phone	$12
Pipe	$1

可以使用冒号来定义对齐方式：

项目	价格	数量
Computer	1600 元	5
Phone	12 元	12
Pipe	1 元	234

定义列表

Markdown　Extra　定义列表语法： 项目１ 项目２

定义 A

定义 B

项目３

定义 C

定义 D

定义D内容

代码块

代码块语法遵循标准markdown代码，例如：

@requires_authorization
def somefunc(param1='', param2=0):
    '''A docstring'''
    if param1 > param2: # interesting
        print 'Greater'
    return (param2 - param1 + 1) or None
class SomeClass:
    pass
>>> message = '''interpreter
... prompt'''

脚注

生成一个脚注1.

目录

用 [TOC]来生成目录：

数学公式

使用MathJax渲染LaTex 数学公式，详见math.stackexchange.com.

• 行内公式，数学公式为： Γ(n)=(n−1)!∀n∈N Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N 。
• 块级公式：

x=−b±b2−4ac−−−−−−−√2a x = − b ± b 2 − 4 a c 2 a

更多LaTex语法请参考 这儿.

UML 图:

可以渲染序列图：

Created with Raphaël 2.1.2 张三 张三 李四 李四 嘿，小四儿, 写博客了没? 李四愣了一下，说： 忙得吐血，哪有时间写。

或者流程图：

Created with Raphaël 2.1.2 开始 我的操作 确认？ 结束 yes no

• 关于 序列图 语法，参考 这儿,
• 关于 流程图 语法，参考 这儿.

离线写博客

即使用户在没有网络的情况下，也可以通过本编辑器离线写博客（直接在曾经使用过的浏览器中输入write.blog.csdn.net/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。

用户写博客的过程中，内容实时保存在浏览器缓存中，在用户关闭浏览器或者其它异常情况下，内容不会丢失。用户再次打开浏览器时，会显示上次用户正在编辑的没有发表的内容。

博客发表后，本地缓存将被删除。　

用户可以选择 把正在写的博客保存到服务器草稿箱，即使换浏览器或者清除缓存，内容也不会丢失。

注意：虽然浏览器存储大部分时候都比较可靠，但为了您的数据安全，在联网后，请务必及时发表或者保存到服务器草稿箱。

浏览器兼容

1. 目前，本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
2. IE９以下不支持
3. IE９，１０，１１存在以下问题
   
   1. 不支持离线功能
   2. IE9不支持文件导入导出
   3. IE10不支持拖拽文件导入

---

---

1. 这里是 脚注 的 内容. ↩