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人工智能及其進展2智能制造中的人工智能3機器視覺檢測4機器學習與深度學習人工智能及其進展目前一般認為，人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。人工智能（ArtificialIntelligence，AI）是一種機器智能，是由機器來仿真或者來模擬人智能的系統(tǒng)或者學科。人工智能的主要研究內容包括認知建模、知識表示、推理及應用、機器感知、機器思維、機器學習、機器行為和智能系統(tǒng)等等，推理、知識、規(guī)劃、學習、交流、感知、移動、操作等。其發(fā)展歷程主要劃分為以下四個階段。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人工智能簡介人工智能及其進展（1）弱人工智能：指通過模仿人腦的感知、記憶、學習和決策等基本功能以實現(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，但是其只會下圍棋，無法下象棋或者跳棋。（2）強人工智能：指能夠結合情感進行認知和推理，實現(xiàn)人類級別的高階智能，是普通。倫達高特福瑞森（LundaGottfrefson）教授將其定義為“具有寬泛的心理能力，能夠進行思考、計劃、解決問題、抽象思維、推理復雜理念、快速學習和從經(jīng)驗中學習等操作”。強人工智能需要具備以下幾種能力：自主推理決策能力、知識表示能力、自主學習能力、自主規(guī)劃能力、使用自然語言進行交流溝通能力。（3）超級人工智能：指在各方面的能力都能夠比人類強，且可以不斷進化與自我學習的智能。牛津哲學家尼克·博斯特羅姆（NickBostrom）將其定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創(chuàng)新、通識和社交技能”。14.1.2人工智能發(fā)展路徑人工智能及其進展14.1.3人工智能關鍵技術體系人工智能及其進展工智能技術是智能制造的技術核心，經(jīng)過幾十年的不斷研究，人工智能不斷取得突破，其思想和技術已經(jīng)在包括制造業(yè)在內的許多領域獲得應用。從人工智能的研究領域來看，其進展主要分為專家系統(tǒng)、搜索技術、模式識別以及分布式人工智能等領域。專家系統(tǒng)（ExpertSystems），也叫基于知識的系統(tǒng)，是一個含有大量的某個領域專家水平的知識與經(jīng)驗智能計算機程序系統(tǒng)，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。搜索技術是根據(jù)問題的實際情況不斷尋找可利用的知識，從而構造一條代價較小的推理路線。搜索分為盲目搜索和啟發(fā)式搜索。模式識別是借助數(shù)學模型和計算機手段，研究和模擬人類識別語音、圖形、文字、符號等能力的一門學科。分布式人工智能（DistributionArtificialIntelligent，DAI）是人工智能與分布式計算結合的產物，其目的主要是完成多任務系統(tǒng)和求解各種具有明確目標的問題。14.1.4人工智能進展智能制造中的人工智能新一代人工智能技術從層次上可分為基礎設施層、算法層以及技術層和應用層等，其基礎設施層的大數(shù)據(jù)、云計算以及互聯(lián)網(wǎng)等結合算法層的機器學習和深度學習等算法共同驅動智能制造的發(fā)展，為智能制造提供先進的數(shù)據(jù)分析技術和設施保障，從而為制造型企業(yè)帶來巨大的效益。14.2.1新一代人工智能技術引領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主要應用場景人工智能在智能制造中的典型應用包括：智能設計、工業(yè)機器人、預測性維護、智能檢測與智能調度等。（1）智能設計：隨著虛擬現(xiàn)實VR、增強現(xiàn)實AR等新技術的快速發(fā)展，傳統(tǒng)設計將得到升級并進入“智能時代”。（2）工業(yè)機器人：是最典型的機電一體化數(shù)字化裝備，技術附加值很高，應用范圍很廣。（3）預測性維護：依據(jù)實時采集的設備運行數(shù)據(jù)，通過機器學習算法辨識故障信號，從而實現(xiàn)對故障設備的提前感知與維護。（4）智能檢測：依據(jù)傳感器采集的產品照片，通過計算機視覺算法檢測殘次品，從而提高產品檢測速度及質量，避免因漏檢、錯檢所引起的損失。（5）智能調度：借助人工智能的優(yōu)化方法，或人工智能與運籌學結合的優(yōu)化方法，可以較好地解決制造系統(tǒng)的生產調度一般具有多目標性、不確定性和高度復雜性等問題。機器視覺檢測14.3.1機器視覺檢測簡介機器視覺檢測（MachineVisionInspection）指使用機器視覺代替人類視覺，并使用現(xiàn)代圖像處理、模式識別、人工智能，信號處理等技術模擬視覺功能，實現(xiàn)工業(yè)檢測和管控的過程。典型的機器視覺檢測系統(tǒng)，系統(tǒng)組成部分包括光源、視覺信號采集設備、輸入接口、檢測主機、輸出接口、互聯(lián)互通接口、用戶界面、檢測過程記錄、數(shù)據(jù)庫等。機器視覺檢測14.3.1機器視覺檢測簡介從整個制造系統(tǒng)宏觀角度來看，機器視覺檢測系統(tǒng)要想真正提高企業(yè)效率，需要與制造系統(tǒng)中的眾多實體發(fā)生交互行為，具體包括自動化生產線、機器視覺系統(tǒng)、第三方認證機構、系統(tǒng)運維機構、設備/系統(tǒng)解決方案供應商、人、制造執(zhí)行系統(tǒng)、偏差決策管理模塊、過程控制模塊等實體，以機器視覺系統(tǒng)為中心的實體質檢協(xié)作關系如圖。機器視覺檢測14.3.1機器視覺檢測簡介單個機器視覺檢測系統(tǒng)微觀角度來看，為完成機器視覺檢測任務，機器視覺檢測系統(tǒng)內部可分為三大基本功能模塊：輸入、處理和輸出。機器視覺檢測14.3.1機器視覺檢測簡介如何衡量機器視覺檢測算法的性能？在制造業(yè)應用中，管理者通常關注三大核心指標：漏檢率、誤報率、處理速度。對于給定的視覺檢測任務，定義檢測樣本總數(shù)為n，其中合格樣本為負樣本，缺陷樣本為正樣本。漏檢率、誤報率的具體含義及計算公式如下：漏檢率（falsenegativerate，F(xiàn)NR）指機器視覺檢測系統(tǒng)未檢出的不合格品數(shù)量占據(jù)該檢驗批次總數(shù)量的百分比，計算公式為:誤報率（falsepositiverate，F(xiàn)PR）指實際為合格品但被機器視覺檢測系統(tǒng)檢為不合格品的數(shù)量占據(jù)該檢驗批次檢出的不合格品數(shù)量的百分比，計算公式為:機器視覺檢測14.3.2機器視覺檢測典型應用場景案例機器視覺檢測14.3.2機器視覺檢測典型應用場景案例上料場景：以變速箱物料檢測裝配場景：齒輪裝配檢測機器視覺檢測14.3.2機器視覺檢測典型應用場景案例質檢場景：半導體芯片質量檢測下線場景：變速箱下線外觀檢查機器視覺檢測14.3.3深度學習及應用深度學習（Deeplearning）由機器學習算法中的神經(jīng)網(wǎng)絡發(fā)展而來，是一種基于對數(shù)據(jù)進行表征學習的方法，能夠模擬人腦的神經(jīng)結構。深度學習又叫深度神經(jīng)網(wǎng)絡，是指具有兩層以上的神經(jīng)網(wǎng)絡，它可以通過增加層數(shù)或者增加每層的單元數(shù)，來存儲更多的參數(shù)，從而構建更精密的模型。深度學習的概念最終是由Hinton等人于2006年提出，從此引發(fā)深度學習的浪潮。機器視覺檢測14.3.4人工智能背景下的機器視覺檢測數(shù)據(jù)驅動的機器視覺檢測指利用大數(shù)據(jù)，以人工智能技術為核心，結合圖像處理、模式識別、信號處理等技術的視覺檢測。根據(jù)其發(fā)展歷程，數(shù)據(jù)驅動的機器視覺檢測主要可以分為兩個階段，第一階段是基于傳統(tǒng)機器學習的視覺檢測，需要同時結合人工特征和機器學習方法實現(xiàn)分類，第二階段是基于深度學習的視覺檢測，只需要依靠深度神經(jīng)網(wǎng)絡實現(xiàn)端到端的預測分類。機器學習與深度學習14.4.1機器學習及應用機器學習任務具體內容及應用分類指定某些輸入屬于K類中的哪一類。如產品缺陷分類、產品等級分類等預測對給定輸入預測數(shù)值。如：預測市場需求、預測交付期、預測設備或零部件剩余壽命等等轉錄機器學習系統(tǒng)觀測一些相對非結構化表示的數(shù)據(jù)，并轉錄信息為離散的文本形式。如：光學字符識別機器翻譯將輸入的語言符號序列轉化成另一種語言的符號序列。如；語言翻譯結構化輸出對于給定輸出，將輸出向量或者其他包含多個值的數(shù)據(jù)結構，且夠成輸出的這些不同元素間具有重要關系。

如:目標檢測、圖像分割等異常檢測在一組事件中或對象中篩選，并標記不正常或非典型的個體。如：缺陷檢測、過程檢測等合成和采樣生成和訓練數(shù)據(jù)相似的新樣本。如：語音合成、圖像生成等缺失值填補補充新樣本最終的缺陷元素。如：缺失數(shù)據(jù)恢復、圖像修復等去噪根據(jù)經(jīng)過未知損壞的樣本預測干凈的樣本。如：圖像去噪，時間序列去噪等機器學習與深度學習14.4.1