智能制造管理 課件 第十四章 人工智能與智能制造

第十四章人工智能與智能制造1人工智能及其進(jìn)展2智能制造中的人工智能3機(jī)器視覺(jué)檢測(cè)4機(jī)器學(xué)習(xí)與深度學(xué)習(xí)人工智能及其進(jìn)展目前一般認(rèn)為，人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。人工智能（ArtificialIntelligence，AI）是一種機(jī)器智能，是由機(jī)器來(lái)仿真或者來(lái)模擬人智能的系統(tǒng)或者學(xué)科。人工智能的主要研究?jī)?nèi)容包括認(rèn)知建模、知識(shí)表示、推理及應(yīng)用、機(jī)器感知、機(jī)器思維、機(jī)器學(xué)習(xí)、機(jī)器行為和智能系統(tǒng)等等，推理、知識(shí)、規(guī)劃、學(xué)習(xí)、交流、感知、移動(dòng)、操作等。其發(fā)展歷程主要?jiǎng)澐譃橐韵滤膫€(gè)階段。第一階段：人工智能的誕生（1943～1956）。第二階段：人工智能的第一次熱潮（1956～1970）。第三階段：人工智能的第二次熱潮（1980～2000）。第四階段：人工智能的第三次熱潮（2006年至今）。14.1.1人工智能簡(jiǎn)介人工智能及其進(jìn)展（1）弱人工智能：指通過(guò)模仿人腦的感知、記憶、學(xué)習(xí)和決策等基本功能以實(shí)現(xiàn)單方面的人工智能。例如，AlphaGo雖然能夠戰(zhàn)勝世界圍棋冠軍，但是其只會(huì)下圍棋，無(wú)法下象棋或者跳棋。（2）強(qiáng)人工智能：指能夠結(jié)合情感進(jìn)行認(rèn)知和推理，實(shí)現(xiàn)人類(lèi)級(jí)別的高階智能，是普通。倫達(dá)高特福瑞森（LundaGottfrefson）教授將其定義為“具有寬泛的心理能力，能夠進(jìn)行思考、計(jì)劃、解決問(wèn)題、抽象思維、推理復(fù)雜理念、快速學(xué)習(xí)和從經(jīng)驗(yàn)中學(xué)習(xí)等操作”。強(qiáng)人工智能需要具備以下幾種能力：自主推理決策能力、知識(shí)表示能力、自主學(xué)習(xí)能力、自主規(guī)劃能力、使用自然語(yǔ)言進(jìn)行交流溝通能力。（3）超級(jí)人工智能：指在各方面的能力都能夠比人類(lèi)強(qiáng)，且可以不斷進(jìn)化與自我學(xué)習(xí)的智能。牛津哲學(xué)家尼克·博斯特羅姆（NickBostrom）將其定義為“在幾乎所有領(lǐng)域都比最聰明的人類(lèi)大腦都聰明很多，包括科學(xué)創(chuàng)新、通識(shí)和社交技能”。14.1.2人工智能發(fā)展路徑人工智能及其進(jìn)展14.1.3人工智能關(guān)鍵技術(shù)體系人工智能及其進(jìn)展工智能技術(shù)是智能制造的技術(shù)核心，經(jīng)過(guò)幾十年的不斷研究，人工智能不斷取得突破，其思想和技術(shù)已經(jīng)在包括制造業(yè)在內(nèi)的許多領(lǐng)域獲得應(yīng)用。從人工智能的研究領(lǐng)域來(lái)看，其進(jìn)展主要分為專(zhuān)家系統(tǒng)、搜索技術(shù)、模式識(shí)別以及分布式人工智能等領(lǐng)域。專(zhuān)家系統(tǒng)（ExpertSystems），也叫基于知識(shí)的系統(tǒng)，是一個(gè)含有大量的某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn)智能計(jì)算機(jī)程序系統(tǒng)，能夠利用人類(lèi)專(zhuān)家的知識(shí)和解決問(wèn)題的方法來(lái)處理該領(lǐng)域問(wèn)題。搜索技術(shù)是根據(jù)問(wèn)題的實(shí)際情況不斷尋找可利用的知識(shí)，從而構(gòu)造一條代價(jià)較小的推理路線(xiàn)。搜索分為盲目搜索和啟發(fā)式搜索。模式識(shí)別是借助數(shù)學(xué)模型和計(jì)算機(jī)手段，研究和模擬人類(lèi)識(shí)別語(yǔ)音、圖形、文字、符號(hào)等能力的一門(mén)學(xué)科。分布式人工智能（DistributionArtificialIntelligent，DAI）是人工智能與分布式計(jì)算結(jié)合的產(chǎn)物，其目的主要是完成多任務(wù)系統(tǒng)和求解各種具有明確目標(biāo)的問(wèn)題。14.1.4人工智能進(jìn)展智能制造中的人工智能新一代人工智能技術(shù)從層次上可分為基礎(chǔ)設(shè)施層、算法層以及技術(shù)層和應(yīng)用層等，其基礎(chǔ)設(shè)施層的大數(shù)據(jù)、云計(jì)算以及互聯(lián)網(wǎng)等結(jié)合算法層的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等算法共同驅(qū)動(dòng)智能制造的發(fā)展，為智能制造提供先進(jìn)的數(shù)據(jù)分析技術(shù)和設(shè)施保障，從而為制造型企業(yè)帶來(lái)巨大的效益。14.2.1新一代人工智能技術(shù)引領(lǐng)智能制造智能制造中的人工智能14.2.2智能制造中的人工智能應(yīng)用指南智能制造中的人工智能14.2.3基于人工智能的智能制造技術(shù)主要應(yīng)用場(chǎng)景人工智能在智能制造中的典型應(yīng)用包括：智能設(shè)計(jì)、工業(yè)機(jī)器人、預(yù)測(cè)性維護(hù)、智能檢測(cè)與智能調(diào)度等。（1）智能設(shè)計(jì)：隨著虛擬現(xiàn)實(shí)VR、增強(qiáng)現(xiàn)實(shí)AR等新技術(shù)的快速發(fā)展，傳統(tǒng)設(shè)計(jì)將得到升級(jí)并進(jìn)入“智能時(shí)代”。（2）工業(yè)機(jī)器人：是最典型的機(jī)電一體化數(shù)字化裝備，技術(shù)附加值很高，應(yīng)用范圍很廣。（3）預(yù)測(cè)性維護(hù)：依據(jù)實(shí)時(shí)采集的設(shè)備運(yùn)行數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)算法辨識(shí)故障信號(hào)，從而實(shí)現(xiàn)對(duì)故障設(shè)備的提前感知與維護(hù)。（4）智能檢測(cè)：依據(jù)傳感器采集的產(chǎn)品照片，通過(guò)計(jì)算機(jī)視覺(jué)算法檢測(cè)殘次品，從而提高產(chǎn)品檢測(cè)速度及質(zhì)量，避免因漏檢、錯(cuò)檢所引起的損失。（5）智能調(diào)度：借助人工智能的優(yōu)化方法，或人工智能與運(yùn)籌學(xué)結(jié)合的優(yōu)化方法，可以較好地解決制造系統(tǒng)的生產(chǎn)調(diào)度一般具有多目標(biāo)性、不確定性和高度復(fù)雜性等問(wèn)題。機(jī)器視覺(jué)檢測(cè)14.3.1機(jī)器視覺(jué)檢測(cè)簡(jiǎn)介機(jī)器視覺(jué)檢測(cè)（MachineVisionInspection）指使用機(jī)器視覺(jué)代替人類(lèi)視覺(jué)，并使用現(xiàn)代圖像處理、模式識(shí)別、人工智能，信號(hào)處理等技術(shù)模擬視覺(jué)功能，實(shí)現(xiàn)工業(yè)檢測(cè)和管控的過(guò)程。典型的機(jī)器視覺(jué)檢測(cè)系統(tǒng)，系統(tǒng)組成部分包括光源、視覺(jué)信號(hào)采集設(shè)備、輸入接口、檢測(cè)主機(jī)、輸出接口、互聯(lián)互通接口、用戶(hù)界面、檢測(cè)過(guò)程記錄、數(shù)據(jù)庫(kù)等。機(jī)器視覺(jué)檢測(cè)14.3.1機(jī)器視覺(jué)檢測(cè)簡(jiǎn)介從整個(gè)制造系統(tǒng)宏觀(guān)角度來(lái)看，機(jī)器視覺(jué)檢測(cè)系統(tǒng)要想真正提高企業(yè)效率，需要與制造系統(tǒng)中的眾多實(shí)體發(fā)生交互行為，具體包括自動(dòng)化生產(chǎn)線(xiàn)、機(jī)器視覺(jué)系統(tǒng)、第三方認(rèn)證機(jī)構(gòu)、系統(tǒng)運(yùn)維機(jī)構(gòu)、設(shè)備/系統(tǒng)解決方案供應(yīng)商、人、制造執(zhí)行系統(tǒng)、偏差決策管理模塊、過(guò)程控制模塊等實(shí)體，以機(jī)器視覺(jué)系統(tǒng)為中心的實(shí)體質(zhì)檢協(xié)作關(guān)系如圖。機(jī)器視覺(jué)檢測(cè)14.3.1機(jī)器視覺(jué)檢測(cè)簡(jiǎn)介單個(gè)機(jī)器視覺(jué)檢測(cè)系統(tǒng)微觀(guān)角度來(lái)看，為完成機(jī)器視覺(jué)檢測(cè)任務(wù)，機(jī)器視覺(jué)檢測(cè)系統(tǒng)內(nèi)部可分為三大基本功能模塊：輸入、處理和輸出。機(jī)器視覺(jué)檢測(cè)14.3.1機(jī)器視覺(jué)檢測(cè)簡(jiǎn)介如何衡量機(jī)器視覺(jué)檢測(cè)算法的性能？在制造業(yè)應(yīng)用中，管理者通常關(guān)注三大核心指標(biāo)：漏檢率、誤報(bào)率、處理速度。對(duì)于給定的視覺(jué)檢測(cè)任務(wù)，定義檢測(cè)樣本總數(shù)為n，其中合格樣本為負(fù)樣本，缺陷樣本為正樣本。漏檢率、誤報(bào)率的具體含義及計(jì)算公式如下：漏檢率（falsenegativerate，F(xiàn)NR）指機(jī)器視覺(jué)檢測(cè)系統(tǒng)未檢出的不合格品數(shù)量占據(jù)該檢驗(yàn)批次總數(shù)量的百分比，計(jì)算公式為:誤報(bào)率（falsepositiverate，F(xiàn)PR）指實(shí)際為合格品但被機(jī)器視覺(jué)檢測(cè)系統(tǒng)檢為不合格品的數(shù)量占據(jù)該檢驗(yàn)批次檢出的不合格品數(shù)量的百分比，計(jì)算公式為:機(jī)器視覺(jué)檢測(cè)14.3.2機(jī)器視覺(jué)檢測(cè)典型應(yīng)用場(chǎng)景案例機(jī)器視覺(jué)檢測(cè)14.3.2機(jī)器視覺(jué)檢測(cè)典型應(yīng)用場(chǎng)景案例上料場(chǎng)景：以變速箱物料檢測(cè)裝配場(chǎng)景：齒輪裝配檢測(cè)機(jī)器視覺(jué)檢測(cè)14.3.2機(jī)器視覺(jué)檢測(cè)典型應(yīng)用場(chǎng)景案例質(zhì)檢場(chǎng)景：半導(dǎo)體芯片質(zhì)量檢測(cè)下線(xiàn)場(chǎng)景：變速箱下線(xiàn)外觀(guān)檢查機(jī)器視覺(jué)檢測(cè)14.3.3深度學(xué)習(xí)及應(yīng)用深度學(xué)習(xí)（Deeplearning）由機(jī)器學(xué)習(xí)算法中的神經(jīng)網(wǎng)絡(luò)發(fā)展而來(lái)，是一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，能夠模擬人腦的神經(jīng)結(jié)構(gòu)。深度學(xué)習(xí)又叫深度神經(jīng)網(wǎng)絡(luò)，是指具有兩層以上的神經(jīng)網(wǎng)絡(luò)，它可以通過(guò)增加層數(shù)或者增加每層的單元數(shù)，來(lái)存儲(chǔ)更多的參數(shù)，從而構(gòu)建更精密的模型。深度學(xué)習(xí)的概念最終是由Hinton等人于2006年提出，從此引發(fā)深度學(xué)習(xí)的浪潮。機(jī)器視覺(jué)檢測(cè)14.3.4人工智能背景下的機(jī)器視覺(jué)檢測(cè)數(shù)據(jù)驅(qū)動(dòng)的機(jī)器視覺(jué)檢測(cè)指利用大數(shù)據(jù)，以人工智能技術(shù)為核心，結(jié)合圖像處理、模式識(shí)別、信號(hào)處理等技術(shù)的視覺(jué)檢測(cè)。根據(jù)其發(fā)展歷程，數(shù)據(jù)驅(qū)動(dòng)的機(jī)器視覺(jué)檢測(cè)主要可以分為兩個(gè)階段，第一階段是基于傳統(tǒng)機(jī)器學(xué)習(xí)的視覺(jué)檢測(cè)，需要同時(shí)結(jié)合人工特征和機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)分類(lèi)，第二階段是基于深度學(xué)習(xí)的視覺(jué)檢測(cè)，只需要依靠深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端到端的預(yù)測(cè)分類(lèi)。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)14.4.1機(jī)器學(xué)習(xí)及應(yīng)用機(jī)器學(xué)習(xí)任務(wù)具體內(nèi)容及應(yīng)用分類(lèi)指定某些輸入屬于K類(lèi)中的哪一類(lèi)。如產(chǎn)品缺陷分類(lèi)、產(chǎn)品等級(jí)分類(lèi)等預(yù)測(cè)對(duì)給定輸入預(yù)測(cè)數(shù)值。如：預(yù)測(cè)市場(chǎng)需求、預(yù)測(cè)交付期、預(yù)測(cè)設(shè)備或零部件剩余壽命等等轉(zhuǎn)錄機(jī)器學(xué)習(xí)系統(tǒng)觀(guān)測(cè)一些相對(duì)非結(jié)構(gòu)化表示的數(shù)據(jù)，并轉(zhuǎn)錄信息為離散的文本形式。如：光學(xué)字符識(shí)別機(jī)器翻譯將輸入的語(yǔ)言符號(hào)序列轉(zhuǎn)化成另一種語(yǔ)言的符號(hào)序列。如；語(yǔ)言翻譯結(jié)構(gòu)化輸出對(duì)于給定輸出，將輸出向量或者其他包含多個(gè)值的數(shù)據(jù)結(jié)構(gòu)，且夠成輸出的這些不同元素間具有重要關(guān)系。

如:目標(biāo)檢測(cè)、圖像分割等異常檢測(cè)在一組事件中或?qū)ο笾泻Y選，并標(biāo)記不正常或非典型的個(gè)體。如：缺陷檢測(cè)、過(guò)程檢測(cè)等合成和采樣生成和訓(xùn)練數(shù)據(jù)相似的新樣本。如：語(yǔ)音合成、圖像生成等缺失值填補(bǔ)補(bǔ)充新樣本最終的缺陷元素。如：缺失數(shù)據(jù)恢復(fù)、圖像修復(fù)等去噪根據(jù)經(jīng)過(guò)未知損壞的樣本預(yù)測(cè)干凈的樣本。如：圖像去噪，時(shí)間序列去噪等機(jī)器學(xué)習(xí)與深度學(xué)習(xí)14.4.1