《智能制造技术》课件 第2章 智能制造赋能技术

第2章智能制造赋能技术2.1数字化技术2.2网络化技术2.3智能化技术2.4智能制造赋能技术的作用2.1数字化技术数字化涵义：将复杂多变的图、文、声、像等物理信息转换为可被计

算机处理的二进制数字信息的过程，以提高对信息处理和应用能力。2.1.1数字化感知

1、传感器：是将力、温度、位移等物理量转变为电信号的感知器件。

例如，电阻应变式传感器是通过粘贴在被测物体表面电阻丝的电

阻变化量，以检测物体所承载的力或力矩变化。电阻应变式传感器传感检测系统：包含传感转换、信息处理和微处理器三部分组成。传感转换—通过敏感元件感知被测对象的状态信息，并通过转换元

件将之转换为电信号。信号处理—通过放大、滤波及A/D模数转换，将模拟量转换为数字量。微处理器—负责对数字量信号进行分析、计算以及存储处理等。传感检测系统的组成常用的物理量检测传感器2、自动识别技术：用于静态不变物品信息的检测，包括条码识别、

射频识别（RFID）、磁卡识别、图像识别等。（1）条码识别：包括一位条码和二维条码识别。一维条码—是由一组宽窄不同的线条和间隔平行排列组成，通

过不同线条及间隔排列次序以表示不同的数字或字母。

特点：有成本低、速度快、准确率高等特点，但包含信息量较少，

常用于商业、仓储、邮政、图书管理等领域。某码制的一维条码二维条码：能够在横向和纵向两个方向同时表达信息，具有较

强的修错、防伪、安全等特点，其应用广泛。

行排式二维码--按需要将一维条码排列成两行或多行。

矩阵式二维码--在矩形空间内通过黑白像素进行编码。矩阵式二维码射频识别（RFID）：是利用射频信号的电磁耦合，实现目标识别、数

据采集与交换等，具有快捷、方便、廉价等特点，目前在生产系统

中得到越来越多的应用。

RFID组成：由电子标签、天线和读写器三部分组成。天线—作用于电子标签和读写器之间进行射频信号接受和传递。电子标签--包括控制电路和存储器等，由天线接收来自读写器信号，经控制电路译码进行信号接收与回发，其存储器用于存放所需识别的数据。

读写器--以不接触方式读取或写入电子标签数据，并与中央计算机相连，对所读取的电子标签进行信息处理。（2）RFID识别技术RFID识别系统构成（1）数字通信原理：包含信息发送端和接受端。

发送端--首先对来自信源的模拟信号进行编码，使之转换为数字信

号；再经信道编码器使之具有纠错能力并适合信道传输的信号；

最后经数字调制器将该信号调制适合所使用信道的信号进行发送。

接收端--按照上述反向信息处理过程，将所接收的信号送到信宿处。数字化通信系统模型2.1.2数字化通信

（2）数字化通信特点

抗干扰能力强：采用二进制数字通信，接收端仅需判别两种不同状态即可，干扰噪声不足以影响信号判断，而模拟通信即使很小噪声也难以消除。差错可控：数字信号可通过纠错编码加以控制，传输可靠性高。保密安全性好：易于加密和解密，提高了安全保密性。系统复杂，频带利用率不高：数字通信要求接收端与发送端严格同步，其通信系统比较复杂，频带宽度高于模拟通信十余倍，但随着光纤媒介的使用以及超大规模集成电路的发展，该缺陷已被弱化，目前数字通信已占据主导地位。（3）数字化通信相关技术

1）光纤通信：是以光波作为信息载体，以光纤作为传输媒介，通

过光电转换实现信息传输的一种通信方式。

特点：通信容量大，传输距离远，损耗极低。不受各种电磁干扰，无辐射，保密性能好。材料来源丰富，尺寸小、重量轻，便于铺设和运输。适应性强，寿命长。存在光缆质地脆、弯曲半径不能过等不足。应用：长途干线通信、城镇有线电视网、全球通信网、军事

国防等领域。在生产企业，可用于产品生产现场的监视与

调度等。2）移动通信：是一种移动状态下的通信方式，属无线通信，突破

可传送语音、文本、图像和多媒体等数字信息。特点：移动状态下通信，不受时间和空间限制。存在运动状态下电磁波反射、折射、绕射等多普勒效应。易受环境、工业以及用户互调等噪声干扰。网络结构复杂，需要与市话、卫星通信等数据系统互连；由于具有灵活性、方便性等优势，其发展迅速。1G~5G移动通信发展历程：1G：蜂窝无线电话系统，体积大、通信费用高、保密性差。2G：可提供数字语音和低速数据通信业务，无法全球漫游。

3G：支持高速传输，可提供移动多媒体业务。

4G：宽带数据移动通信，有国际协议标准支持，速度快、频谱

宽、高质量、高效率、通信灵活、兼容性好等特点。

5G：最新一代移动通信技术，具有大连接、低时延、高可靠性

等特点，大大推导移动通信技术的发展。1、自动控制技术的发展回顾气动控制系统（PCS）：与蒸汽机同时问世的PCS，能够自动调节蒸汽机进气阀的开度和转速，但控制功能简单有限。模拟量控制系统（ACS）：是基于模拟电流信号控制，可由控制器、执行器、被控对象和测量装置等组成闭环控制系统。计算机数字控制系统（CNC）：CNC将人们带入了数字化控制新时代，大大提高了控制精度和控制的灵活性。分布式控制系统（DCS）：由分散的计算机以及智能仪器共同承担控制任务，以减轻中央控制单元负担，容错力得到提高。现场总线控制系统（FCS）：

FCS由一条总线链接，形成全数字双向多节点总线式分支结构，大大提高数据传输效率和系统可靠性和可维护性。2.1.3数字化控制2、机床数控系统（CNC）:

CNC系统是数控机床的核心，担负机床

整个加工控制任务。数控系统组成：包括数控装置（CNC）、可编程控制器（PLC）、主

轴伺服驱动单元、进给伺服驱动单元、人机界面（HMI）以及检

测反馈装置等。

数控装置：数控系统的大脑，具有多轴联动控制、运动插补、速

度调节、误差补偿、故障诊断、程序编辑、信息通讯等功能；

PLC：负责加工进程开关逻辑量的控制；

伺服驱动单元：是数控装置的执行部件。机床数控系统构成3、数字化制造装备数控机床单机--切削类数控机床，如数控车床、铣床、磨床等；

成形类数控机床，如数控折弯机、弯管机、压力机等；

数控特种机床，如数控线切割、电火花机床、激光加工机床等。数控柔性生产线：包括柔性制造单元（FMC）、柔性制造系统（FMS）、柔性自动生产线（FML）等，是由若干加工单元、物料储运单元和控制单元组成，具有较高柔性度和加工效率。数字化储运装备：包括工业机器人、自动输运车（AGV）、自动化仓库等，担负物料输运和存储功能。不同数字控制系统：数控单机通常采用CNC；生产线控制可采用DCS或FCS，也可采用DCS与FCS混合控制系统。非数值型数据数字化，如图像需要将之分割成一个个像素，每个像素用颜色或灰度值进行表示，其过程包含采样和量化基本步骤。

采样：采用矩形网格将其分割为一个个像素，如图像分辨率

640*480，则该图像是由640*480=307200个像素表示。量化：通过数值表示采样后的每一个像素点的颜色或浓淡度。经采样和量化过程，便可将一幅连续模拟图像由有限个离散像素点组成的数字图像。2.1.4非数值型数据的数字化图像数字化处理

CPS内涵：是在环境感知基础上，集通信、计算、决策及控制技术于一体，基于数据与模型，驱动信息空间与物理实体相互映射、交互协同的网络化物理设备系统。2.2网络化技术网络化：通过网络和通信技术将一个个数字化系统连接到一起，以拓宽网络连接范围和信息集成深度。网络化衍生出信息物理系统、云计算、大数据、工业互联网等新一代信息技术。2.2.1信息物理系统（CPS)CPS闭环技术体系架构CPS原理：在CPS中，物理实体将感知及处理的自身环境信息发送给信息系统；信息系统针对物理实体需求，调整相关联的数据或模型之后，将控制指令传送到相关物理设备单元；物理单元接收到控制指令后，按要求进行操作执行。CPS特征--具有实时、分布、高可靠、强安全和自治性等特征，具

体表现为：内嵌计算能力：依据嵌入式系统，使系统具有内嵌计算自治能力，可实现实时分析、计算、决策和控制等系统进程。以数据和模型为驱动：

通过感知物理实体数据，构建数字化模型，驱动虚拟仿真进程；数据模型仿真结果形成的控制指令，驱动物理系统执行单元的运行。感知与控制进程交互闭环：“感知/连接”是打通物理世界到信息世界数据上行通道；“控制/执行”是将信息世界决策指令下传给物理世界，形成“感知”与“控制”的交互闭环。严格的目标与时空约束：

CPS有严格的控制目标与较强的时空约束，随着CPS规模扩大，其设备异构性越强，对时序要求越高。3、CPS关键技术无线传感网络：

CPS需要以无线通信方式，接受来自各类传感器数据，无线传感网络可有效支撑CPS自主感知能力的实现。物联网

：通过物-物相连的物联网，可为CPS功能的实现提供一个网络通信环境。边缘计算：边缘计算是在靠近数据源头的网络边缘进行数据计算处理的一种模式。通过嵌入式系统，在数据源头对部分任务进行初步解算处理，以降低对云平台的依赖，提高网络服务响应速度。工业控制系统：控制系统是CPS实现物理进程控制与执行的重要支撑，除了具有现有SCADA、

DCS、

PLC功能之外，还要求具有远程感知与控制能力。4、CPS的使能作用资源数据的采集、整合与共享：

CPS通过不同渠道对大量实体数据进行采集、处理、整合与分类，以提供不同系统应用与共享。多维度的综合仿真：

CPS对不同来源的感知数据，通过综合仿真平台，可对服务对象进行结构、动力、热传导等多维度的仿真，以满足物理实体作业进程与虚拟信息处理进程的协调一致性。对物理系统感知与反馈的闭环控制：

CPS通过嵌入式系统，在信息层进行虚拟模型仿真，将仿真结果以指令形式控制物理实体的执行单元，构成一个“感知-反馈”的闭环控制系统。资源的协同优化：CPS应用物理设备侧的本地控制器，快速低延时地获取现场信息进行实时控制，并依据自身互联互通的通信功能，可实现区域间以至整个系统资源的协同优化。1、云计算概念：云计算是将硬件和软件等计算资源进行虚拟化，通

过互联网络所建立的虚拟化网络计算平台，用户可通过网络接入，

以按需使用、按量计费的方式，享用高性价比的计算、存储、建模

等各种计算服务。2、云计算基本特性硬件资源及其应用的虚拟化：云计算将硬件资源及其应用的虚拟化，通过虚拟云平台为用户提供所需的服务。按需配置资源：云计算平台能够根据用户的需求，快速配备计算能力与资源。灵活的资源访问：用户可在任意时间和地点，通过网络获取所需要的计算资源。弹性使用资源：支持用户扩容申请及释放资源，实现资源使用的最优化。效用计算：提供可计量的服务，用户仅需为所使用的资源付费，可大大降低用户信息服务的成本。2.2.2云计算3、云计算体系架构：其架构自下而上可分为物理资源层、虚拟资

源层、管理控制层和应用服务层。云计算的体系架构物理资源层：

包括计算、存储、网络等各种软/硬件资源，如服务器、存储设备、网络设施、数据库和软件等。虛拟资源层：通过虚拟化技术对物理资源进行封装，构建成为云计算资源池，可为上层的应用和服务提供支撑。管理控制层：负责对云计算资源、任务、用户和安全等进行有序地管理与控制。应用服务层：是为用户提供不同形式的云服务，包括IaaS、PaaS和SaaS。

--IaaS（基础设施即服务）：是为用户提供服务器、存储器、网

络等虚拟化的硬件资源。

--PaaS（平台即服务）：是为用户提供操作系统、编程环境、

数据库以及Web服务器等不同应用平台。

--SaaS（软件即服务）：是为用户提供各类功能软件服务模块，

如ERP、MES、CRM等，用户仅需要通过Web浏览器、移

动终端便可访问各类服务。4、云计算的关键技术

虚拟化技术：通过虚拟化可将一台物理主机虚拟出若干台虚拟机，或将多个物理资源整合成为一个虚拟资源，将有限物理资源根据不同需求以达到应用最大化目的。分布式数据存储技术：将数据分散存储在多台存储服务器上，以分担集中存储的负荷，应用位置服务器定位存储信息，以提高系统可靠性、可用性和存取效率。分布式并行编程模型：用户可应用云计算提供的分布式编程模型，通过简单编程以实现特定的应用目的。典型并行编程模型为MapReduce模型，它将待处理任务进行Map分解计算，然后通过Reduce汇总输出最终结果。分布式任务调度：这是一种高效的调度策略，通常采用遗传算法、蚁群算法、神经网络等启发式算法应用在任务调度策略中。监控管理技术：采用集中和分布式两种监控管理架构，以监控包括用户权限、设备运行状态、应用系统进程以及计算资源使用等，监察可能发生的服务宕机事故，减少服务失效损失。1、大数据概念：

大数据定义：是一种在数据获取、存储、管理、分析等方面，超出

传统数据管理工具能力范围的数据集合，具有海量的数据规模、

快速的数据流转、多样的数据类型和低密度的价值特征。

大数据引发因素：制造系统蕴藏的大量数据信息及其价值未得到充分挖掘和利用。传感、检测、通信技术进步，使实时数据获取成本大幅减低。新一代信息技术使实时数据处理能力得到大幅提升。传统数据分析处理手段已无法满足现代系统管理与优化需求。2.2.3大数据2、大数据的特征—“4V”特征。Volume（海量）：体量巨大，非结构化数据快速增长，数据总量和实时性等需求远远超越传统IT基础设施的承载能力。Variety（多样）：数据类型多种多样，包括办公文档、图片、图像、音频、视频、传感器数据、位置信息等。Velocity（快速）：大数据产生与采集频繁迅速，对大数据处理和实时性响应要求越来越高。Value（低价值密度）：大数据价值巨大，但价值密度低，普遍存在“3B”问题，即Belowsurface（隐秘性）、Broken（碎片化）、Badquality（低质性）。

如何挖掘大数据“金矿”，快速提取有价值的数据，这是目前大

数据研究的重要目标。大数据与传统数据的特征比较特征大数据传统数据数据规模常以GB，甚至是TB、PB为基本处理单位以MB为基本处理单位数据类型种类繁多，包括结构化、半结构化和非结构化数据数据类型少，且以结构化数据为主数据模式难以预先确定模式，待数据出现后才有模式的概念，且模式随着数据量的增长也在不断演化模式固定，在已有模式基础上产生数据数据对象数据作为一种资源来辅助解决诸多领域问题数据仅作为处理对象处理工具需要多种不同处理工具才能应对一种或少数几种处理工具即可处理范围对全局数据进行分析处理，允许噪音数据存在处理样本数据，不允许噪音数据存在3、大数据处理技术体系大数据处理技术包括数据采集与预处理、数据存储与管理、计算模

式与系统、数据分析与挖掘以及数据隐私与安全等方面。大数据处理技术体系数据采集与预处理：从传感器、智能设备、社交网络、互联网平台等收集获取数据，并对之进行清洗、集成、转换等处理过程。数据存储与管理

：基于大规模并行处理的分布式存储模式，使计算与存储节点合一，消除了I/O接口瓶颈。计算模式与系统

：并行计算是大数据处理通常模式，目前常用MapReduce计算模型，可满足“先存储后处理”离线批量计算要求。数据分析与挖掘：数据挖掘是通过对大量数据的分析而获得新知识过程，常用数据挖掘方法有聚类分析、分类回归分析、时序分析、机器学习、专家系统、神经网络、人工智能等技术。数据隐私与安全：大数据在存储、处理、传输等过程都将面临安全风险，这是当前大数据所面临的关键问题之一。1、工业互联网概念：“工业”是其基本对象，“互联网”是其工具

手段，综合利用物联网、信息通信、云计算、大数据等关键技术，

接入各类工业资源与能力，以支撑新型工业制造模式与产业生态。

工业互联网的特征万物互联：通过网络通信技术，实现工厂内生产装备、控制系统、信息系统的互联互通以及物料、产品与人之间的无缝集成。数据挖掘：通过对工业大数据挖掘和应用，可创造出新的生产或商业模式，以大数据为基础的企业业务会成为企业的核心业务。通用基础设施：工业互联网被称为新型工业“操作系统”，通过海量数据、工业智能与复杂工业场景结合，成为新一轮工业革命的重要基础设施。服务增值：工业互联网驱动企业以服务为中心经营方式转变，拓展增值服务，实现服务效应最大化。业态更新：

“互联网+”是当前潮流，共享经济逐渐形成，服务型制造将成为生态更新的重要方向。2.2.4工业互联网

工业互联网与公众互联网的性能比较条

目工业互联网公众互联网连接对象包括人、机、物等种类数量多，场景复杂，对网络实时性、可靠性、安全性要求高。主要服务普通消费者，尽力而为的服务，对网络性能要求不高推进模式多目标系统，推进模式复杂，操作难度大，要求有较好工作基础。单目标系统，推进模式简单，易于成功信息兼容与用户共同决定运营规则，须与用户现有信息系统兼容互联网企业单方面决定运营规则，不存在信息兼容性问题服务时效无限责任连续服务，责任重大阶段性的时间服务，责任有限软件定位不仅提供门户平台，还需融入专业产品管理，定位难度大仅提供一个门户平台，不需要考虑不同用户的定制要求2、工业互联网结构体系：包含网络、平台、安全、技术四大体系，

其中，网络是基础，平台是中枢，技术是支撑，安全是保障。工业互联网总体结构

1）网络体系网络互联：包括企业外网与内网，

外网连接企业上下游企业以及终端客户，内网连接企业员工、机器、材料、环境和系统。数据互通：标准化描述和统一建模，保证各结点信息相互理解。标识解析：由标识编码和标识解析系统组成，以实现资源要素的标记、管理和定位。

2）平台体系：工业互联网的“操作系统”，是制造业中枢载体。数据汇聚—汇聚有多源、异构、海量数据。建模分析--提供大数据智能算法模型，实现数据驱动智能应用。知识复用--将知识经验转化为平台模型库和知识库供重复调用。应用创新--各类工业APP及云层化软件提供企业提质增效。3）技术体系：涉及如数据集成、标识解析、边缘处理、知识沉淀、

价值挖掘、安全技术等众多关键技术。4）安全体系：涉及设备、控制、网络、平台、数据等多方面安全，

通过监测预警、应急响应、检测评估等确保互联网健康发展。3、工业互联网功能架构：包含感知控制、数字模型、决策优化三个

层次，构成一个由自下而上信息流和自上而下决策流的应用优化闭环。工业互联网功能架构工业互联网功能架构：感知控制层：包含生产系统信息感知与识别，以及生产系统控制与执行等数字化输入/输出接口。数字模型层：提供数据与服务管理、工业模型与数据模型构建等工业应用基础资源及工具，强化对数据的虚拟映射与组织管理。决策优化层：包括数据分析、描述、诊断、预测及应用开发等，侧重数据挖掘分析及其价值转化。工业互联网的信息流与决策流：信息流：从数据感知出发，通过数据的集成和建模分析，将生产系统状态信息向上传递到虚拟空间，为系统决策优化提供依据。决策流：将决策优化指令信息，向下反馈到控制执行环节，改进和提升生产系统功能和性能。在工业互联网信息流与决策流共同作用下，可使底层资产与上层业务紧密连接，将形成智能生产、网络协同、规模化定制和服务化延伸等智能应用解决方案。4、工业互联网基础技术：包括网络互联、标识解析体系、工业

互联网平台以及边缘计算基础技术。（1）网络互联：网络互联和数据互通是工业互联网总体目标，其网

络互联包括接入层、网络层和传输层三个层次。工业互联网网络互联基本框架接入层：通过有线和无限网络将各种资产要素接入企业内网和外网。

有线网--包括现场总线、工业以太网、工业无源光纤网等。

无线网--移动通信（4G/5G）、WiFi、工业级无线传感网络等。网络层：担负实时数据和非实时数据转发、网络控制与管理等功能。

实时数据—包括生产控制过程的控制信息和采集信息；

非实时数据—是指无时延同步要求的采集数据和管理数据；

网络控制—包括路径选择、路由协议互通、ACL配置、QoS配置等；

网络管理--包括服务质量管理、接入管理、资源管理等。传输层：担负端到端的数据传输和网络管理等功能，包括基于传输控制协议TCP、用户数据报协议UDP等网络设备、端口与系统间的数据传输、各端口连接以及网络安全等。工业互联网标识解析体系功能框架（2）标识解析体系：包含标识编码和标识解析两部分，前者是使

每一个物理实体有唯一的对应标识，后者是根据编码查询其位置

及相关信息。目前常用的条形码、二维码以及RFID识别标签等。注：工业互联网标识解析体系是由国家相关机构进行制定（3）工业互联网平台：2017年我国提出了工业互联网平台组成架构。我国工业互联网平台功能架构通常工业互联网平台包含边缘层、laaS层、PaaS层、应用层。边缘层：工业互联网平台基础，具有海量设备连接管理、数据采集、协议解析、边缘数据处理等功能，以满足低时延的业务需求。IaaS层：为平台提供基础实施支撑，通过软硬件资源的虚拟化建立平台的虚拟池，为用户提供灵活、弹性化服务。PaaS层：提供各种应用开发平台以及数据管理分析服务，将之打造成一个开放、可扩展的工业操作系统。应用层：以SaaS及工业App形式为用户提供一系列创新业务应用和服务，实现工业数据价值的挖掘和提升。（4）工业互联网边缘计算：边缘计算是使计算更靠近数据位置，以减少网络操作和服务的延时，提高网络响应速度。边缘计算系统架构通常由边缘控制器、边缘网关和边缘云三部分组成。工业互联网边缘计算系统框架1、新一代人工智能发展三要素新算法：新算法是新一代人工智能快速发展基础，深度学习是近年来人工智能领域最大的技术突破之一，如基于深度学习的人脸识别成功率目前已达99%。大数据：大数据为人工智能学习训练奠定良好的基础，数据量越大学习训练效果越好，如AlphaGo的成功得益于3000多万例成熟棋谱。运算力：运算力是人工智能高速发展的必备条件，目前如图形处理器GPU、嵌人式神经网络处理器NPU、各种AI-PU专用智能芯片涌现，大大提升了人工智能运算力，为人工智能发展提供了强大的算力支撑。2.3智能化技术2.3.1新一代人工智能概述2、新一代人工智能的研究热点大数据智能

：通过对大数据智能分析，挖掘其所隐含的模式与规律，以提供有价值的决策知识。尤其以深度学习为代表大数据智能，其相关产品研发和行业应用不断取得新的成就。跨媒体智能：通过图像、视频、文本等多种媒体信息采集感知、机器学习和语言计算等，对外部世界复杂结构进行高效表达和理解。近年来我国在计算机视觉、语音识别以及基于视觉和语音的特征识别等方面取得了明显的进步，并在无人驾驶、智能搜索等领域得到了成功的应用。群体智能：是由一组自由个体通过相互协调以及与环境间的交互作用而表现出来的集体自组织智能，面对复杂系统环境任务时，群体智能将远超任意单一个体的智能，如多机器人协同作业、众多无人机的群体控制等。目前群体智能研究还处于初级探索阶段。混合增强智能

：将人的作用引入到人工智能系统，与智能机器形成混合的增强智能形态。目前人类大脑与计算机智能设备间的耦合研究还刚刚起步。3、我国人工智能技术的发展现状数据应用领域具有竞争优势：网民数量全球第一，计算机视觉、语音识别等应用研究国际领先，人脸识别率接近99%，语音识别准确率97%以上。基础算法研究稳中有升：人工智能论文总量仅次于美国，高水平论文与美国相差不远，但在原创性、理论突破方面有较大差距。芯片与软件框架较为薄弱：通用训练芯片，美国英伟达占据统治地位；云端推理芯片，阿里云、华为、百度云等纷纷展开布局；终端推理芯片，我国在智能手机、无人驾驶、计算机视觉、VR设备等领域有长足发展。总体上已步入全球第一梯队：在数据、芯片、算法以及软件框架等领域均取得了较大较快的进展。机器学习：模拟人类的学习行为，通过计算的手段从数据中学习新的知识与技能，应用已有知识结构不断改善自身系统性能。机器学习数据识别流程：训练数据--抽取特征--特征表示--特征建模。2.3.2机器学习机器学习数据识别流程机器学习可分为监督学习、无监督学习、半监督学习等类型。1、监督学习：数据样本中，除特征数据外，还给出数据类别标签，

其学习任务即根据样本特征数据和类别标签建立其识别模型，通

过该模型，即可根据特征数据便可识别其数据类型。

学习算法：已有数以百计的监督学习算法，如K近邻算法、决策树

算法、线性回归、逻辑回归、支持向量机算法等。鸢尾花数据样本集每一数据样本有5个参数，前4个为花萼及花瓣长度和宽度，最后字符串为样本类别标签，即setosa、versicolor、……等。支持向量机监督学习算法：若取两种鸢尾花花萼长、宽各10组数据，

通过二维数据点表示，如图示，图中直线C将两组数据点相互分开。

对于多维数据样本，则C为空间超平面。支持向量：距离超平面C最近的样本点称为“支持向量”，两个不同支

持向量到超平面C距离之和称为“分类间隔”。支持向量机算法就

是求取最大分隔距离的超平面。支持向量机学习算法2、无监督学习：不需要样本中的数据标签，通过自我学习过程，归纳

寻找潜在的识别规则，其最大特点是不需要给出样本标签。学习算法：聚类是无监督学习的最重要算法，根据样本数据的相似性

将其分为不同类别。例如，可根据两类鸢尾花数据点相互间距离，

将其划分为不同的聚类数据块。鸢尾花不同的聚类数据块a)b)

3、半监督学习：介于监督学习和无监督学习之间，先对有标签样本

进行监督学习，并将其中间结果应用到无标签样本，可大大降低对

有标签样本的需求量，实际问题往往含含有少量带标签的样本。半监督学习算法：基于图的学习算法应用比较广泛。

数据样本的相似度图例如，图示中节点1、2、3、4为不同类别的有标签节点，其它为无标签节点。可根据节点相似度，将有标签节点向无标签节点传播。如节点5与节点4相似度最高，可将之与节点4归为同类。1、人工神经网络：通常包含输入层、输出层和隐藏层。

输入层：从外部接收信息，每个神经单元相当于自变量。输入层单

元不从事任何处理运算。

输出层：输出网络最终处理计算结果；

隐藏层：介于输入和输出层之间，用于数据变换与处理。人工神经网络2.3.3人工神经网络与深度学习

常用的人工神经网络激励函数2、深度学习人工神经网络

深度学习：是应用深度人工神经网络模型，通过逐层特征变换，将原空间的样本特征变换到新一空间的特征表示，将原始数据转换为更高层次、更抽象的表达。通过包含更多隐藏层的人工神经网络学习模型和海量的训练数据可获得更有价值的特征。包含若干隐藏层的深度学习神经网络模型

深度学习与传统机器学习的性能比较类别深度学习机器学习所需数据量

百万级以上，数据量越大，学习效果越好

适用各种数据量，特别是小数据量解决方法

集中解决问题

分别求解，结果合并特征工程

逐层卷积，局部特征提取后，汇聚全局特征

需要人为进行特征描述与设计硬件依赖性

依赖高端设备，需要有力的硬件资源支持

硬件要求不高可解释性

黑箱操作，无法获知解决问题的方法途径

结果可溯源执行时间

训练时间长

训练时间短应用场景

难以用特征设计场景，如文字识别、图像识别等

易于用特征设计场景，如特征检测、分类等3、卷积神经网络：卷积神经网络（CNN）是深度学习的一种重要框架，在计算机视觉、自然语言识别等领域被广泛应用。（1）卷积运算：一种矩阵运算方法，如图像卷积运算可用来提取图像

特征，是通过“卷积核”对图像数字矩阵进行卷积运算的。图像卷积运算（卷积常数S=1）图像卷积运算过程：将卷积核矩阵对图形数据矩阵从左到右、从上到下，

每次滑动s个像素进行卷积运算。其运算结果是两重合部分相应矩阵

元素的乘积之和，如1x1+2x2+3x4+4x5=37。注：图像卷积运算关键是卷积核算子，不同的卷积核可实现对图像进行缩放、滤波、降维、特征抽取等处理结果。（2）CNN组成结构：CNN是一种多层深度神经网络结构。例如，用于手写字母识别的CNN网络是由一个输入层、两个卷积层、两个池化层、全连接网络层以及输出层组成。输入层：是由一幅图像各个像素组成，每一个像素占用一个单元。卷积层：通过不同卷积核处理，可得到不同的图像特征。池化层：主要是对经卷积运算得到的特征图进行降维处理。全连接网络：是对经学习得到的图像特征进一步分类和预测处理。输出层：输出最终学习识别结果。1、计算机视觉概念及其主要任务：是从图像或视频中提取有价值

的特征，经处理转换后可被其他系统理解、交互和应用，其主要

任务包括图像恢复、图像识别、动作分析、场景重建等。（1）图像恢复：若图像质量不佳，可通过深度学习超分辨率技术

来提高原图像分辨率，以达到图像恢复的目的。（2）图像识别：以确定图像中是否包含某特定对象或特征，可用

于目标检测和目标分割等计算机视觉处理。目标检测--通过提取图形中的目标特征，以便进一步进行目标跟踪、动作识别和行为理解等。目标分割--是将图像中的每个像素分为不同的类别，以得到不同区域的分割图。（3）动作分析：评估视频图像每个像素点的运动速度、相机相

对物体速度以及相对位置关系，分析物体的运动状态。（4）场景重建：根据视频若干图像及已知场景，使计算机能够

理解该场景并重构其三维模型。2.3.4计算机视觉图像目标的分割a）原图像b）分割的目标图像2、图像的基本特征：主要有颜色特征、纹理特征、形状特征。（1）颜色特征：是基于图像每一像素点的颜色属性，可用RGB（红绿

蓝）、YUV（亮度、色度差）和HSV（色调、饱和度、明度）等

不同色彩空间表示，不同的颜色属性相互间可转换。（2）纹理特征：通过物体表面颜色或亮度规律性变化，以反映其表面

的固有特征，如斑马或老虎身上条纹。（3）形状特征：表示物体轮廓性质与区域性质，是对物体边界敏感性

度量的特征。3、基于深度模型的视觉方法：现广泛应用的是深度卷积神经网络

（DCNN），通过逐层卷积和池化作用，从小局部特征提取，再将小

局部特征合并为大局部特征，最终通过全连接网络形成为全局特征。

基本步骤：选择或设计DCNN网络模型，如选用现有AlexNet、VGG16等模型；应用训练集对模型权重参数优化，使之能够准确分类训练集不同类别图像。人脸识别DCNN模型

步骤1：人脸检测，给出人脸的位置和大小。步骤2：特征点定位，找出眼睛中心、鼻尖和嘴角等关键特征点。步骤3：面部子图预处理，将人脸关键点进行对齐处理，以消除人脸

尺度、角度、旋转、光亮度等影响。步骤4：特征提取，通过深度学习提取可以区分不同人脸的特征。步骤5：特征比对，对两幅图像所提取的特征进行相似度计算。步骤6：判别决策，对计算结果进行判别，若超过设定阈值则为相同

人，否则为不同人。人脸识别流程：

数字化、网络化、智能化等赋能技术对智能制造过程的传感、通信、计算、控制等不同环节的赋能作用。2.4智能制造赋能技术的作用赋能技术在智能制造中的赋能作用赋能环节数字化技术网络化技术智能化技术传感-信息获取数字传感网联传感智能传感通信-信息传输数字通信互联网、移动互联网，物联网新一代通信技术计算-信息处理数字计算云计算、大数据新一代计算技术控制-信息应用数字控制网联控制智能控制数字传感：采集感知声、光、热、电、磁等物理信号，并将之

转换为数字信号，实时监控连接互动的物体或过程。数字通信：通过对模拟信号的数字编码和调制，大幅提升了信

号传输性能、传输距