人工智能在制造业智能化升级的应用研究

人工智能在制造业智能化升级的应用研究TOC\o"1-2"\h\u29750第一章引言 3162621.1研究背景 338211.2研究意义 3110491.3研究内容与方法 371211.3.1研究内容 429971.3.2研究方法 4163第二章人工智能概述 4300752.1人工智能发展历程 4306492.1.1创立阶段（1950s） 4316442.1.2摸索阶段（1960s1970s） 423832.1.3发展阶段（1980s1990s） 4103912.1.4深度学习阶段（2000s至今） 5297712.2人工智能技术体系 5195742.2.1机器学习 5108302.2.2深度学习 5218062.2.3自然语言处理 5248302.2.4计算机视觉 5192472.2.5技术 527982.3人工智能在制造业的应用现状 569612.3.1智能制造 5237032.3.2设备维护与预测性维修 5245202.3.3供应链优化 5261682.3.4产品设计与创新 6123632.3.5个性化定制 6208922.3.6质量检测与监控 626622第三章制造业智能化升级需求分析 628293.1制造业发展现状 6122073.2制造业智能化升级的必要性 658983.3制造业智能化升级的关键技术 79510第四章人工智能在产品设计中的应用 788214.1设计优化 759074.2设计创新 823784.3设计验证与模拟 816732第五章人工智能在制造过程优化中的应用 9123395.1生产调度 953725.1.1引言 9121305.1.2人工智能在生产调度中的应用方法 9122525.1.3应用案例 94135.2生产过程监控 931335.2.1引言 9164895.2.2人工智能在生产过程监控中的应用方法 9278245.2.3应用案例 10324265.3质量控制与缺陷检测 10288585.3.1引言 1074855.3.2人工智能在质量控制与缺陷检测中的应用方法 10244605.3.3应用案例 104429第六章人工智能在设备维护与管理中的应用 10249466.1预测性维护 1047286.1.1概述 10261026.1.2技术原理 1058896.1.3应用案例 1191496.2故障诊断 11303676.2.1概述 11186016.2.2技术原理 1142616.2.3应用案例 11255536.3设备健康管理 11308776.3.1概述 1182526.3.2技术原理 1211636.3.3应用案例 1224203第七章人工智能在供应链管理中的应用 12129127.1供应链优化 12279037.1.1引言 12181247.1.2人工智能技术在供应链优化中的应用 12226377.2库存管理 13215397.2.1引言 13261507.2.2人工智能技术在库存管理中的应用 1371347.3物流调度 1315077.3.1引言 13314847.3.2人工智能技术在物流调度中的应用 1317449第八章人工智能在工厂自动化中的应用 14269848.1技术 14186348.2传感器与控制系统 1422948.3智能工厂布局与规划 152666第九章人工智能在工业大数据分析中的应用 15269649.1数据采集与预处理 15264189.1.1数据采集技术 1542099.1.2数据预处理方法 1651459.2数据挖掘与分析 1649029.2.1数据挖掘方法 1680359.2.2数据分析方法 16102819.3数据可视化与决策支持 16267089.3.1数据可视化技术 16121739.3.2决策支持系统 1615647第十章案例分析与前景展望 171520510.1典型案例解析 17654710.1.1案例一：某汽车制造企业的智能制造实践 171900010.1.2案例二：某电子制造企业的智能工厂建设 17515910.1.3案例三：某服装企业的智能制造转型 171086510.2智能制造发展趋势 171338010.2.1技术层面 173018710.2.2产业层面 17102510.2.3应用层面 182030110.3研究展望与政策建议 1817810.3.1研究展望 18584210.3.2政策建议 18第一章引言1.1研究背景科学技术的快速发展，人工智能技术逐渐成为全球关注的焦点。在我国，智能制造作为制造业转型升级的关键途径，正面临着前所未有的发展机遇。人工智能作为一种重要的技术手段，其在制造业智能化升级中的应用日益广泛，已成为推动我国制造业高质量发展的重要引擎。在当前国际竞争格局下，制造业是国家综合实力的重要体现。我国制造业规模庞大，但长期以来存在资源消耗高、环境污染重、生产效率低等问题。为解决这些问题，我国提出了“中国制造2025”计划，将智能制造作为主攻方向，以期实现制造业的智能化、绿色化、服务化。在此背景下，研究人工智能在制造业智能化升级中的应用具有重要的现实意义。1.2研究意义（1）理论意义：本研究通过对人工智能在制造业智能化升级中的应用进行深入分析，有助于丰富和发展智能制造理论体系，为制造业智能化升级提供理论支持。（2）实践意义：研究人工智能在制造业中的应用，有助于提高制造业的生产效率、降低成本、提升产品质量，从而推动我国制造业向高端、智能化方向发展。（3）政策意义：本研究为制定相关政策提供参考，有助于优化制造业发展环境，推动制造业智能化升级。1.3研究内容与方法1.3.1研究内容本研究主要围绕以下三个方面展开：（1）人工智能技术在制造业中的应用现状及发展趋势分析；（2）人工智能在制造业智能化升级中的应用案例分析；（3）人工智能在制造业智能化升级中的应用策略与政策建议。1.3.2研究方法本研究采用以下方法进行：（1）文献综述法：通过查阅国内外相关文献，梳理人工智能在制造业中的应用现状和发展趋势；（2）案例分析法：选取具有代表性的案例，深入剖析人工智能在制造业智能化升级中的应用情况；（3）实证分析法：结合实际数据，对人工智能在制造业中的应用效果进行评估；（4）政策研究法：分析政策对人工智能在制造业中的应用影响，提出政策建议。第二章人工智能概述2.1人工智能发展历程人工智能（ArtificialIntelligence，简称）的发展历程可以追溯到20世纪50年代。以下是对人工智能发展历程的简要概述：2.1.1创立阶段（1950s）1950年，英国数学家艾伦·图灵提出了“图灵测试”，这是衡量机器是否具有智能的第一个标准。1956年，美国达特茅斯会议标志着人工智能学科的正式诞生。2.1.2摸索阶段（1960s1970s）在这一阶段，人工智能研究主要集中在基于符号操作的逻辑推理和搜索算法。同时人工智能开始应用于诸如自然语言处理、机器学习、等领域。2.1.3发展阶段（1980s1990s）这一阶段，人工智能研究取得了重要进展，包括神经网络、遗传算法、模糊逻辑等技术的提出和发展。人工智能开始在商业、工业等领域得到应用。2.1.4深度学习阶段（2000s至今）计算机功能的提升和大数据的出现，深度学习技术取得了突破性进展。人工智能在图像识别、语音识别、自然语言处理等领域取得了显著成果，推动了制造业智能化升级。2.2人工智能技术体系人工智能技术体系包括以下几个方面：2.2.1机器学习机器学习是人工智能的核心技术之一，通过让计算机从数据中学习，提高其智能水平。主要包括监督学习、无监督学习、半监督学习等方法。2.2.2深度学习深度学习是一种基于神经网络的机器学习方法，通过构建多层的神经网络结构，实现对复杂数据的自动特征提取和建模。2.2.3自然语言处理自然语言处理旨在让计算机理解和人类语言，包括语音识别、文本分类、机器翻译等任务。2.2.4计算机视觉计算机视觉是让计算机具备处理和理解图像、视频等视觉信息的能力，包括目标检测、图像识别、视频分析等任务。2.2.5技术技术是集成了多种人工智能技术的应用领域，包括感知、规划、控制、交互等环节。2.3人工智能在制造业的应用现状2.3.1智能制造智能制造是人工智能在制造业中的核心应用，通过将人工智能技术融入生产线，实现生产过程的自动化、智能化。2.3.2设备维护与预测性维修利用人工智能技术对设备运行数据进行实时监测和分析，预测设备故障，提前进行维护，降低生产风险。2.3.3供应链优化人工智能在供应链管理中的应用，通过对大量数据的分析，实现供应链的优化，提高企业竞争力。2.3.4产品设计与创新人工智能技术可以辅助设计师进行产品创新，提高设计效率，缩短产品研发周期。2.3.5个性化定制基于人工智能技术的个性化定制，满足消费者多样化需求，提高企业盈利能力。2.3.6质量检测与监控利用人工智能技术对生产过程进行实时监控，提高产品质量，降低不良率。第三章制造业智能化升级需求分析3.1制造业发展现状全球经济一体化进程的加快，制造业作为国家经济的重要组成部分，其发展水平直接影响着一个国家的综合实力。我国制造业取得了显著的成果，主要体现在以下几个方面：（1）产业规模持续扩大。我国制造业规模已位居世界前列，拥有完整的产业体系和庞大的产业链。（2）技术创新能力不断提高。在关键领域和核心技术方面，我国制造业已取得一系列重要突破，部分技术达到国际领先水平。（3）产业结构不断优化。我国制造业正从低端向高端、从传统制造业向现代制造业转型，新兴产业快速发展。（4）区域布局逐渐合理。制造业向中西部地区梯度转移，区域发展差距逐渐缩小。3.2制造业智能化升级的必要性尽管我国制造业取得了长足的发展，但仍然存在一些问题，如生产效率较低、资源消耗较高、环境污染等问题。制造业智能化升级成为解决这些问题的重要途径，其主要必要性如下：（1）提高生产效率。通过智能化升级，制造业可以实现生产过程的自动化、数字化，提高生产效率，降低生产成本。（2）优化资源配置。智能化技术可以帮助企业实现资源的精细化管理，提高资源利用率，减少浪费。（3）提升产品质量。智能化技术可以提高产品检测、诊断和优化水平，提升产品质量。（4）降低环境污染。智能化技术有助于实现清洁生产，降低污染物排放，减轻环境压力。（5）增强企业竞争力。制造业智能化升级有助于企业提高市场响应速度，满足个性化、多样化市场需求，增强竞争力。3.3制造业智能化升级的关键技术制造业智能化升级涉及众多关键技术，以下列举几个具有代表性的技术：（1）工业互联网。工业互联网是制造业智能化升级的基础设施，通过连接人、设备、系统和数据，实现生产过程的智能化管理。（2）大数据分析。大数据技术在制造业中的应用可以挖掘海量数据中的价值，为企业决策提供支持。（3）人工智能。人工智能技术在制造业中的应用可以实现对生产过程的智能监控、诊断和优化。（4）技术。技术是实现制造业自动化、数字化的重要手段，可以替代人工完成复杂、危险的任务。（5）3D打印技术。3D打印技术可以缩短产品研发周期，降低生产成本，提高生产效率。（6）边缘计算。边缘计算技术可以将计算任务从云端迁移到边缘设备，提高数据处理速度和安全性。（7）5G通信技术。5G通信技术具有高速度、低时延、大容量等特点，为制造业智能化升级提供强大的网络支持。第四章人工智能在产品设计中的应用4.1设计优化人工智能技术的发展，其在产品设计领域的应用日益广泛。设计优化是人工智能在产品设计中的关键应用之一。通过引入机器学习算法和深度学习技术，设计优化可以实现产品的功能提升、成本降低和可持续性增强。在产品设计过程中，人工智能可以分析大量的历史数据，识别产品设计的瓶颈和潜在问题，从而提供针对性的优化方案。例如，通过分析产品在使用过程中的故障数据，人工智能可以预测产品的寿命，进而指导设计者改进产品的结构、材料和工艺，提升产品的可靠性和耐用性。4.2设计创新人工智能在产品设计中的另一个重要应用是设计创新。借助计算机视觉、自然语言处理等技术，人工智能可以理解用户需求、市场趋势和竞争对手的产品特点，为设计者提供创新灵感。在设计创新过程中，人工智能可以协助设计者进行概念、方案评估和原型设计。例如，通过分析用户评价和社交媒体数据，人工智能可以挖掘用户的真实需求，为设计者提供创新点；同时通过模拟不同的设计方案，人工智能可以帮助设计者评估方案的可行性，降低设计风险。4.3设计验证与模拟在设计过程中，验证和模拟是保证产品质量和功能的关键环节。人工智能在此环节的应用可以提高设计验证的效率和准确性。利用人工智能技术，设计者可以在虚拟环境中对产品进行仿真测试，预测产品在实际使用过程中的功能和寿命。人工智能还可以对设计方案进行优化，以降低产品成本和提高生产效率。在设计验证与模拟过程中，人工智能可以协助设计者完成以下任务：（1）预测产品功能：通过分析设计参数和历史数据，人工智能可以预测产品的功能指标，如强度、刚度、疲劳寿命等。（2）优化设计参数：根据预测结果，人工智能可以调整设计参数，以实现最佳功能和成本平衡。（3）模拟生产过程：人工智能可以模拟产品的生产过程，预测可能出现的问题，并提前制定解决方案。（4）评估产品可靠性：通过分析产品在实际使用过程中的数据，人工智能可以评估产品的可靠性，为设计改进提供依据。人工智能在产品设计中的应用涵盖了设计优化、设计创新和设计验证与模拟等多个方面。这些应用不仅提高了设计效率，还提升了产品质量和功能，为制造业智能化升级提供了有力支持。第五章人工智能在制造过程优化中的应用5.1生产调度5.1.1引言生产调度是制造业中的核心环节，其目标是在有限资源约束下，实现生产计划的高效执行。传统生产调度方法往往依赖于人工经验，存在一定的局限性。人工智能技术的发展，将其应用于生产调度中，可以有效提高生产效率，降低生产成本。5.1.2人工智能在生产调度中的应用方法（1）遗传算法：遗传算法是一种模拟自然界生物进化过程的优化算法，通过编码、选择、交叉和变异等操作，实现生产调度问题的求解。（2）粒子群算法：粒子群算法是一种基于群体行为的优化算法，通过粒子间的信息共享和局部搜索，求解生产调度问题。（3）深度学习：深度学习是一种模拟人脑神经网络结构的算法，通过训练神经网络，实现对生产调度问题的预测和优化。5.1.3应用案例某汽车制造企业利用遗传算法对生产调度进行优化，实现了生产效率提高10%以上，降低了生产成本。5.2生产过程监控5.2.1引言生产过程监控是保证生产顺利进行的关键环节，通过对生产过程中的各项参数进行实时监测，可以发觉异常情况并及时处理。人工智能技术的应用，可以提高生产过程监控的准确性和实时性。5.2.2人工智能在生产过程监控中的应用方法（1）传感器数据融合：通过将多种传感器的数据融合，实现对生产过程的全面监控。（2）机器学习：利用机器学习算法对生产过程中的数据进行分析，实现对生产状态的预测和诊断。（3）计算机视觉：利用计算机视觉技术对生产现场的图像进行识别，实现对生产过程的实时监控。5.2.3应用案例某电子制造企业利用机器学习算法对生产过程中的数据进行分析，成功预测了设备故障，避免了生产。5.3质量控制与缺陷检测5.3.1引言质量控制与缺陷检测是保证产品质量的关键环节，传统方法依赖于人工检测，效率低下且容易出现误判。人工智能技术的应用，可以提高质量控制与缺陷检测的准确性和效率。5.3.2人工智能在质量控制与缺陷检测中的应用方法（1）机器学习：利用机器学习算法对产品质量数据进行分析，实现对缺陷的自动识别。（2）深度学习：通过训练深度神经网络，实现对产品质量的自动评估和缺陷检测。（3）计算机视觉：利用计算机视觉技术对产品表面进行检测，识别缺陷和瑕疵。5.3.3应用案例某家电制造企业利用深度学习技术对产品表面进行缺陷检测，提高了检测准确率，降低了人工检测成本。第六章人工智能在设备维护与管理中的应用6.1预测性维护6.1.1概述预测性维护是制造业智能化升级的重要环节，它通过实时监测设备状态，运用人工智能技术对设备故障进行预测，从而实现设备维护的自动化和智能化。预测性维护能够降低设备故障率，提高生产效率，减少停机时间。6.1.2技术原理预测性维护主要基于以下技术原理：（1）数据采集与处理：通过传感器、物联网等技术实时采集设备运行数据，进行预处理和清洗。（2）特征提取：从原始数据中提取与设备状态相关的特征，为后续模型训练提供输入。（3）模型训练与优化：利用机器学习、深度学习等方法训练故障预测模型，并通过实际数据进行优化。（4）预测与评估：根据训练好的模型，对设备故障进行预测，并评估预测结果的准确性。6.1.3应用案例某制造业企业应用预测性维护技术，通过实时监测设备运行数据，成功预测出潜在故障，避免了设备停机，提高了生产效率。6.2故障诊断6.2.1概述故障诊断是设备维护与管理的关键环节，它通过分析设备运行数据，找出设备故障原因，为设备维修提供依据。人工智能技术在故障诊断中的应用，可以提高诊断准确性，缩短维修周期。6.2.2技术原理故障诊断主要基于以下技术原理：（1）数据采集与处理：同预测性维护。（2）故障特征提取：从原始数据中提取与故障相关的特征。（3）故障分类与识别：利用机器学习、深度学习等方法对故障进行分类和识别。（4）诊断结果评估：评估诊断结果的准确性，为维修决策提供参考。6.2.3应用案例某制造业企业利用人工智能技术进行故障诊断，成功找出设备故障原因，缩短了维修周期，降低了维修成本。6.3设备健康管理6.3.1概述设备健康管理是对设备进行全面、系统的监控、评估和优化，以提高设备运行效率和降低故障风险。人工智能技术在设备健康管理中的应用，可以实现设备状态的实时监控、故障预测和维修决策的智能化。6.3.2技术原理设备健康管理主要基于以下技术原理：（1）数据采集与处理：同预测性维护。（2）设备状态评估：利用人工智能算法对设备状态进行评估，包括设备功能、故障风险等。（3）故障预测与预警：根据设备状态评估结果，对潜在故障进行预测和预警。（4）维修决策优化：根据故障预测结果，制定合理的维修策略，提高维修效率。6.3.3应用案例某制造业企业应用设备健康管理技术，实现了设备状态的实时监控，有效降低了故障风险，提高了设备运行效率。第七章人工智能在供应链管理中的应用7.1供应链优化7.1.1引言市场竞争的加剧和消费者需求的多样化，供应链管理在制造业中的地位日益重要。人工智能技术的不断发展，为供应链优化提供了新的思路和方法。本节将探讨人工智能在供应链优化中的应用，以提升供应链的整体运作效率。7.1.2人工智能技术在供应链优化中的应用（1）需求预测通过运用机器学习、深度学习等人工智能技术，对历史销售数据进行挖掘和分析，预测未来的市场需求。准确的需求预测有助于企业合理安排生产计划，降低库存成本，提高供应链的响应速度。（2）供应商评价与选择人工智能技术可以对供应商的资质、质量、价格、交货期等方面进行综合评价，为企业选择优质供应商提供依据。通过智能匹配算法，可以实现供应商与采购商的精准对接，提高供应链协同效率。（3）供应链网络优化利用遗传算法、蚁群算法等人工智能优化算法，对供应链网络进行优化。通过调整运输路线、库存策略等，降低运输成本，提高运输效率，实现供应链整体成本的降低。7.2库存管理7.2.1引言库存管理是供应链管理的重要组成部分，合理的库存管理有助于降低库存成本，提高企业的运营效率。人工智能技术在库存管理中的应用，为企业提供了更加精确、高效的库存管理手段。7.2.2人工智能技术在库存管理中的应用（1）库存预测利用人工智能技术对历史销售数据进行挖掘和分析，预测未来一段时间的库存需求。根据预测结果，合理安排采购计划和库存策略，降低库存积压和缺货风险。（2）库存分类与优化通过运用聚类分析、关联规则挖掘等人工智能技术，对库存物品进行分类，实现库存的精细化管理。同时结合优化算法，对库存策略进行调整，提高库存周转率。（3）库存监控与预警利用物联网技术和人工智能算法，实时监控库存状况，发觉异常情况并及时预警。通过预警系统，企业可以及时调整库存策略，避免库存损失。7.3物流调度7.3.1引言物流调度是供应链管理中的关键环节，合理的物流调度可以提高运输效率，降低物流成本。人工智能技术在物流调度中的应用，为企业提供了智能化、高效的物流解决方案。7.3.2人工智能技术在物流调度中的应用（1）运输路径优化通过运用遗传算法、蚁群算法等人工智能优化算法，对运输路径进行优化。在满足运输需求的前提下，降低运输成本，提高运输效率。（2）车辆调度利用人工智能技术，对车辆进行智能调度。根据订单需求、车辆状态、道路状况等因素，合理安排车辆运输任务，提高车辆利用率。（3）实时物流监控利用物联网技术和人工智能算法，实时监控物流运输过程，发觉异常情况并及时处理。通过实时物流监控，提高物流服务质量，降低物流风险。（4）物流数据分析与决策支持对物流数据进行挖掘和分析，为物流决策提供依据。通过人工智能技术，实现物流数据的实时分析，为企业提供智能化决策支持。第八章人工智能在工厂自动化中的应用8.1技术科技的不断发展，技术在制造业中的应用日益广泛。技术作为人工智能的重要分支，具有高度的自主性、灵活性和精确性，能够在恶劣环境中替代人工完成复杂、危险的任务。在工厂自动化中，技术的应用主要包括以下几个方面：（1）搬运与装卸：可以在生产线上实现物料的搬运、装卸，提高生产效率，减轻工人劳动强度。（2）装配与焊接：具有较高的精度和稳定性，可以完成高精度、高要求的装配和焊接任务。（3）检测与维护：可以代替人工进行设备检测、故障诊断和维护工作，提高设备运行可靠性。（4）加工与制造：可以应用于各种加工制造领域，如数控机床、3D打印等，实现自动化生产。8.2传感器与控制系统传感器与控制系统是工厂自动化的核心组成部分，它们负责实时监测生产过程，收集数据，并对设备进行精确控制。在人工智能的助力下，传感器与控制系统可以实现以下功能：（1）数据采集与处理：传感器可以实时采集生产过程中的各种数据，如温度、压力、速度等，通过控制系统对这些数据进行处理，为生产决策提供依据。（2）智能控制：控制系统可以根据生产需求，自动调整设备运行参数，实现设备的精确控制。（3）故障诊断与预警：传感器与控制系统可以实时监测设备运行状态，及时发觉潜在故障，并发出预警信号。（4）自适应调整：控制系统可以根据生产环境的变化，自动调整设备运行策略，提高生产效率。8.3智能工厂布局与规划智能工厂布局与规划是制造业智能化升级的关键环节。在人工智能技术的支持下，智能工厂布局与规划可以实现以下目标：（1）优化生产流程：通过分析生产数据，优化生产流程，提高生产效率。（2）减少资源浪费：通过合理布局生产线，减少物料搬运、存储等环节的资源浪费。（3）提高设备利用率：通过实时监测设备运行状态，提高设备利用率。（4）提升产品质量：通过精确控制生产过程，提高产品质量。（5）降低安全风险：通过智能化监控系统，及时发觉并处理安全隐患。人工智能技术在工厂自动化中的应用，有助于提高生产效率、降低成本、提升产品质量，为制造业智能化升级提供有力支持。在未来的发展中，我国应加大对人工智能技术的研发力度，推动制造业智能化进程。第九章人工智能在工业大数据分析中的应用9.1数据采集与预处理制造业智能化升级的推进，工业大数据的采集与预处理成为人工智能在制造业中的应用基础。本节将从以下几个方面展开论述。9.1.1数据采集技术工业大数据的采集涉及到多种数据源，包括传感器数据、设备运行数据、生产过程数据等。以下是几种常见的数据采集技术：（1）传感器技术：通过安装在生产设备上的传感器，实时采集设备的运行状态、环境参数等数据。（2）物联网技术：利用物联网技术，将生产设备连接到互联网，实现数据的远程传输和实时监控。（3）数据接口技术：通过数据接口，将不同设备、系统之间的数据进行整合和交换。9.1.2数据预处理方法数据预处理是提高数据分析质量的关键环节。以下是几种常用的数据预处理方法：（1）数据清洗：对采集到的数据进行去噪、去重、缺失值处理等，保证数据的准确性和完整性。（2）数据整合：将来自不同数据源的数据进行整合，形成统一的数据格式，便于后续分析。（3）特征工程：提取数据中的关键特征，降低数据维度，提高数据分析的效率。9.2数据挖掘与分析数据挖掘与分析是人工智能在工业大数据应用中的核心环节。本节将从以下几个方面展开论述。9.2.1数据挖掘方法（1）关联规则挖掘：发觉数据中的关联性，为生产决策提供依据。（2）聚类分析：对数据进行分类，找出相似性较高的数据集合。（3）时序分析：分析数据的时间序列特征，预测未来的发展趋势。9.2.2数据分析方法（1）统计分析：利用统计学方法，对数据进行描述性分析、推断性分析等。（2）机器学习：通过训练算法模型，实现对数据的智能分析。（3）深度学习：利用深度神经网络，对数据进行高级抽象和特征提取。9.3数据可视化与决策支持数据可视化与决策支持是人工智能在工业大数据应用中的重要环节，有助于企业更好地理解和利用数据。9.3.1数据可视化技术（1）报表：以表格形式展示数据，便于快速浏览和比较。（2）图表：以图