智能制造概论 课件 3.4 人工智能技术

《智能制造概论》课程3.4人工智能技术3.4人工智能技术

3.4.1人工智能技术概述

1.人工智能的定义人工智能（artificialintelligence，AI）是一种模拟人类智能的技术，它使机器像人类一样具有“思考”和“学习”的能力，让机器能够处理语言、音频、图像、视频等各种信息，并从中智能地学习和推断，从而能够自主地执行各种任务。人工智能技术涵盖了多个学科分支，如机器学习、计算机视觉等。总体而言，人工智能技术研究的核心目标是开发能够执行通常需要人类智能来完成的复杂任务的机器。3.4.1人工智能技术概述

2.人工智能技术的产生在1950年，英国杰出的数学家艾伦·麦席森·图灵提出了一个极具前瞻性的概念，即图灵测试。图灵构想了一个场景：如果一台机器能够与人类开展对话且能不被辨别出机器身份，那么这台机器就具有智能。此外，图灵还做出了一个大胆的预测，认为制造出真正具备智能的机器是完全可能的，这一预测为人工智能技术的未来发展指明了方向，是人工智能技术发展重要的理论基础。3.4.1人工智能技术概述

2.人工智能技术的产生1956年，在达特茅斯学院举办的一次夏季研讨会上，约翰·麦卡锡等专家学者齐聚一堂，深入研究和探讨了如何利用机器来模拟人类的智能。在这次研讨会上，他们首次提出了“人工智能”这一全新的术语。这一历史事件被广泛认为是人工智能学科正式诞生的标志，从此，人工智能技术作为一门新兴学科，开始蓬勃发展，不断壮大。3.4.1人工智能技术概述

3.人工智能技术的发展

人工智能共经历了推理搜索、知识库系统、机器学习和深度学习四个阶段。1）推理搜索在推理搜索阶段，人工智能的研究重点是如何通过逻辑推理和搜索算法来解决复杂问题。这涉及如何构建有效的知识标识，以及如何利用这些知识进行推理和决策。此时的人工智能可以解决迷宫、汉诺塔等简单问题。3.4.1人工智能技术概述2）知识库系统计算机程序设计的迅猛发展促进了人工智能技术的不断发展。得益于计算机符号处理能力的不断提高，知识可以用符号结构表示，推理也可简化为对符号表达式的处理，这推动了知识库系统（或专家系统）的建立。这一阶段开发的知识库系统，能够存储、管理和利用大量的知识来解决实际问题。3.4.1人工智能技术概述3）机器学习随着研究的不断深入，人们开始研究一种能够通过经验自动改进的计算机算法，即机器学习，它可以自主更新或升级知识库。在机器学习阶段，人工智能的研究转向了如何使计算机系统能够自动地从数据中学习并改进自身性能。这涉及各种学习算法的开发，如监督学习、无监督学习和强化学习等，以便让计算机系统能够自动地适应不同的任务和场景。3.4.1人工智能技术概述机器学习的基本结构：机器学习中，环境为学习系统提供必要的输入信息，学习系统则利用这些信息来更新和扩充其知识库；随后，执行系统依据知识库去执行相应的任务；在执行任务的过程中，系统会将获取的新信息反馈给学习系统，以便学习系统能够进一步丰富和完善自身，从而提高执行系统完成任务的范围和效能。3.4.1人工智能技术概述机器学习的基本结构图4）深度学习深度学习是机器学习的一个分支，它的核心计算模型是人工神经网络，即模拟人脑神经元的工作方式建造的机器神经网络。深度学习利用人工神经网络来处理复杂的数据。在深度学习阶段，人工智能的研究取得了重大突破，特别是在计算机视觉、自然语言处理和语音识别等领域。深度学习算法能够自动地从大规模数据中提取有用的特征，并用于构建高效的预测和决策模型。3.4.1人工智能技术概述3.4人工智能技术

3.4.2机器学习

1.机器学习的定义机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是电子计算机、中子计算机、光子计算机或神经计算机等。机器学习是计算机系统为有效地执行特定任务，不使用明确的指令，而依赖模式和推理使用的算法和统计模型的科学研究。它基于样本数据（这些样本数据称为训练数据）构建数学模型，以便在没有明确编程来执行任务的情况下进行预测或决策。机器学习的基本流程包括收集并准备数据、选择合适的算法来训练模型、通过不断优化参数来最小化预测错误，以及将模型部署到实际应用中。3.4.2机器学习

2.机器学习的发展史机器学习是人工智能研究相对较新且具有活力的研究方向，其发展过程主要可分为三个阶段。第一阶段（热烈时期）：从20世纪50年代中叶到60年代中叶。第二阶段（冷静时期）：从20世纪60年代中叶至70年代中叶。第三阶段（复兴时期）：从20世纪70年代中叶至80年代中叶。3.4.2机器学习

3.机器学习的主要策略学习是一项高度复杂的智能行为，学习过程与推理过程是紧密相连的。按照学习中使用推理的多少，机器学习所采用的策略大体上可分为4种——机械学习、通过传授学习、类比学习和通过事例学习。学习中所用的推理越多，系统的能力越强。3.4.2机器学习

4.机器学习系统设计影响学习系统设计的最重要因素是环境向系统提供的信息。环境向系统提供的信息的质量至关重要。影响学习系统设计的第二个因素是知识库。知识的表示有多种形式，如特征向量、一阶逻辑语句、产生式规则、语义网络和框架等。3.4.2机器学习

4.机器学习的分类

1）按照学习策略分类（1）机械学习

（2）示教学习

（3）演绎学习

（4）类比学习

（5）基于解释的学习

（6）归纳学习3.4.2机器学习

4.机器学习的分类

1）按照学习方式分类（1）监督学习

（2）无监督学习

（3）半监督学习

（4）强化学习3.4.2机器学习3.4人工智能技术

3.4.3HCPS与人机交互在2017年12月7日南京举办的世界智能制造大会上，周济院士发表了题为《关于中国智能制造发展战略的思考》的报告，系统阐述了对我国智能制造发展的看法。

周济院士提出了一个核心观点：“新一代智能制造技术：人-信息-物理系统（HCPS），即随着智能制造战略的持续推进，传统制造过程中的人与物理系统之间的关系正在由人-物理系统二元体系向人-信息-物理系统三元体系转变。”3.4.3人机交互与HCPS人机交互是指人与物理系统之间为完成任务而进行的信息交换。

传统制造主要由人和物理系统两大核心要素构成。在这个过程中，人通过向机器发送指令来实现与机器的互动。机器则根据接收到的指令执行生产任务。同时，人还要接收机器反馈的各种状态信息完成相关的感知、分析决策及学习认知等工作，从而使人机系统形成完整的工作闭环。

在传统制造过程中，物理系统主要用来替代人类从事大量的体力劳动，降低企业对人的需求，并提升产品质量和生产效率。3.4.3人机交互与HCPS传统制造中“人-物理系统”体系如图所示。3.4.3人机交互与HCPS当前，随着智能制造战略的深入实施，周济院士将新一代智能制造系统在第一代和第二代智能制造体系的基础上做了进一步的深化。最本质的特征就是它的信息系统发生重大变化，增加了认知和学习的功能，使其具备了更高的智能水平。在传统信息系统当中，核心功能包括感知、分析、决策与控制。而现今，一个关键功能——认知与学习功能被纳入其中。这个功能是赋予信息系统自主学习功能，让信息系统不仅具有强大的感知、计算分析和控制能力，更加具备了学习提升和产生知识的能力。3.4.3人机交互与HCPS第一代和第二代智能制造体系3.4.3人机交互与HCPS智能制造与人工智能融合的意义重大，主要体现在两方面：一是能将制造业的质量与效率提升至全新高度，为民众的高品质生活提供更加坚实的物质基础；二是能有效减轻人类的繁重体力劳动和高强度脑力劳动负担，使人类得以投身更具价值与创新性的工作。总之，制造业从传统模式向新一代智能制造的转型，实质上是从原有的“人-物理”二元系统向新一代“人-信息-物理”三元系统的演进。新一代“人-信息-物理”系统揭示了智能制造发展的内在规律，能够有效指导新一代智能制造的理论研究和工程实践。3.4.3人机交互与HCPS3.4人工智能技术

3.4.4人工智能技术在制造业中的应用人工智能作为一项革命性技术，正以前所未有的速度渗透到人类社会的各个领域，推动生产方式、生活方式和社会治理模式的深刻变革。当前，人工智能在制造业的应用已深入生产、管理、供应链等核心环节，推动行业向智能化、柔性化、高效化转型。3.4.4人工智能技术在制造业中的应用

1.智能生产与质量控制的应用华为工业AI质检平台通过深度融合AI技术，实现了生产质量管控的自动化与智能化，显著提升了制造业的质检效率与精准度。该平台集成800+工业级图像处理算子，覆盖缺陷检测、定位、测量等场景，识别准确率达98.5%以上。该平台结合光学成像、深度学习算法，实现复杂工件全方位、多特征图像采集与精准识别，通过在线获取场景数据、实时调试，快速迭代优化模型，实现毫秒级实时AI分析。数据显示，在华为生产中心，平台将铭牌遗漏或错误、螺钉缺失等缺陷检测准确率提升至99.9%。3.4.4人工智能技术在制造业中的应用

2.设备预测性维护的应用航空发动机在极端环境下运行，传统维护依赖固定周期，易导致过度维修或突发故障。通用电气（GE）航空发动机预测性维护系统就是通过物联网传感器实时采集发动机振动、温度、压力等数据，利用机器学习算法（如随机森林、支持向量机）分析历史故障数据，建立故障预测模型，结合数字孪生技术，模拟发动机运行状态，提前预测部件寿命。系统的采用成效显著，如缩短30%的设备非计划停机时间，降低20%的维护成本，延长关键部件寿命15%～20%。3.4.4人工智能技术在制造业中的应用

3.柔性制造与供应链优化的应用某汽车制造商的AI供应链管理系统通过整合人工智能、大数据、物联网和云计算等技术，构建了覆盖采购、生产、物流、销售等环节的全链条的智能化管理平台。该系统以数据驱动为核心，实现了供应链的实时监控、需求预测、动态优化和风险预警，显著提升了供应链的透明度、响应速度和协同效率。

例如，采用该系统可以实现智能需求预测，基于历史销售数据、市场趋势、季节性因素及外部事件（如政策变化、竞争对手动态），利用深度学习算法预测未来需求。智能需求预测准确率提升至90%以上，帮助企业提前调整生产计划，降低库存积压或短缺风险。3.4.4人工智能技术在制造业中的应用

4.人机协作与柔性生产的应用工业机器人“Foxbot”是一个典型代表。2009年，富士康完成15款Foxbot机器人的开发，并在山西晋城设立工厂进行大规模生产。随着技术迭代，Foxbot已细分出十余款机型，覆盖打磨抛光、喷涂、装配、搬运等多种生产任务。3.4.4人工智能技术在制造业中的应用

4.人机协作与柔性生产的应用富士康工业机器人“Foxbot”集成视觉识别与深度学习算法，实现复杂工件抓取与自适应任务切换。其特点主要包括：高精度与稳定性，其重复定位精度达±0.01mm，负载能力覆盖10kg至500kg，六轴机械臂可完成复杂旋转动作；智能化与柔性化，集成机器视觉和抓取