智能制造管理 课件 第十四章 人工智能与智能制造

第十四章人工智能与智能制造1人工智能及其进展2智能制造中的人工智能3机器视觉检测4机器学习与深度学习人工智能及其进展目前一般认为，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能（ArtificialIntelligence，AI）是一种机器智能，是由机器来仿真或者来模拟人智能的系统或者学科。人工智能的主要研究内容包括认知建模、知识表示、推理及应用、机器感知、机器思维、机器学习、机器行为和智能系统等等，推理、知识、规划、学习、交流、感知、移动、操作等。其发展历程主要划分为以下四个阶段。第一阶段：人工智能的诞生（1943～1956）。第二阶段：人工智能的第一次热潮（1956～1970）。第三阶段：人工智能的第二次热潮（1980～2000）。第四阶段：人工智能的第三次热潮（2006年至今）。14.1.1人工智能简介人工智能及其进展（1）弱人工智能：指通过模仿人脑的感知、记忆、学习和决策等基本功能以实现单方面的人工智能。例如，AlphaGo虽然能够战胜世界围棋冠军，但是其只会下围棋，无法下象棋或者跳棋。（2）强人工智能：指能够结合情感进行认知和推理，实现人类级别的高阶智能，是普通。伦达高特福瑞森（LundaGottfrefson）教授将其定义为“具有宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、推理复杂理念、快速学习和从经验中学习等操作”。强人工智能需要具备以下几种能力：自主推理决策能力、知识表示能力、自主学习能力、自主规划能力、使用自然语言进行交流沟通能力。（3）超级人工智能：指在各方面的能力都能够比人类强，且可以不断进化与自我学习的智能。牛津哲学家尼克·博斯特罗姆（NickBostrom）将其定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。14.1.2人工智能发展路径人工智能及其进展14.1.3人工智能关键技术体系人工智能及其进展工智能技术是智能制造的技术核心，经过几十年的不断研究，人工智能不断取得突破，其思想和技术已经在包括制造业在内的许多领域获得应用。从人工智能的研究领域来看，其进展主要分为专家系统、搜索技术、模式识别以及分布式人工智能等领域。专家系统（ExpertSystems），也叫基于知识的系统，是一个含有大量的某个领域专家水平的知识与经验智能计算机程序系统，能够利用人类专家的知识和解决问题的方法来处理该领域问题。搜索技术是根据问题的实际情况不断寻找可利用的知识，从而构造一条代价较小的推理路线。搜索分为盲目搜索和启发式搜索。模式识别是借助数学模型和计算机手段，研究和模拟人类识别语音、图形、文字、符号等能力的一门学科。分布式人工智能（DistributionArtificialIntelligent，DAI）是人工智能与分布式计算结合的产物，其目的主要是完成多任务系统和求解各种具有明确目标的问题。14.1.4人工智能进展智能制造中的人工智能新一代人工智能技术从层次上可分为基础设施层、算法层以及技术层和应用层等，其基础设施层的大数据、云计算以及互联网等结合算法层的机器学习和深度学习等算法共同驱动智能制造的发展，为智能制造提供先进的数据分析技术和设施保障，从而为制造型企业带来巨大的效益。14.2.1新一代人工智能技术引领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应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术主要应用场景人工智能在智能制造中的典型应用包括：智能设计、工业机器人、预测性维护、智能检测与智能调度等。（1）智能设计：随着虚拟现实VR、增强现实AR等新技术的快速发展，传统设计将得到升级并进入“智能时代”。（2）工业机器人：是最典型的机电一体化数字化装备，技术附加值很高，应用范围很广。（3）预测性维护：依据实时采集的设备运行数据，通过机器学习算法辨识故障信号，从而实现对故障设备的提前感知与维护。（4）智能检测：依据传感器采集的产品照片，通过计算机视觉算法检测残次品，从而提高产品检测速度及质量，避免因漏检、错检所引起的损失。（5）智能调度：借助人工智能的优化方法，或人工智能与运筹学结合的优化方法，可以较好地解决制造系统的生产调度一般具有多目标性、不确定性和高度复杂性等问题。机器视觉检测14.3.1机器视觉检测简介机器视觉检测（MachineVisionInspection）指使用机器视觉代替人类视觉，并使用现代图像处理、模式识别、人工智能，信号处理等技术模拟视觉功能，实现工业检测和管控的过程。典型的机器视觉检测系统，系统组成部分包括光源、视觉信号采集设备、输入接口、检测主机、输出接口、互联互通接口、用户界面、检测过程记录、数据库等。机器视觉检测14.3.1机器视觉检测简介从整个制造系统宏观角度来看，机器视觉检测系统要想真正提高企业效率，需要与制造系统中的众多实体发生交互行为，具体包括自动化生产线、机器视觉系统、第三方认证机构、系统运维机构、设备/系统解决方案供应商、人、制造执行系统、偏差决策管理模块、过程控制模块等实体，以机器视觉系统为中心的实体质检协作关系如图。机器视觉检测14.3.1机器视觉检测简介单个机器视觉检测系统微观角度来看，为完成机器视觉检测任务，机器视觉检测系统内部可分为三大基本功能模块：输入、处理和输出。机器视觉检测14.3.1机器视觉检测简介如何衡量机器视觉检测算法的性能？在制造业应用中，管理者通常关注三大核心指标：漏检率、误报率、处理速度。对于给定的视觉检测任务，定义检测样本总数为n，其中合格样本为负样本，缺陷样本为正样本。漏检率、误报率的具体含义及计算公式如下：漏检率（falsenegativerate，FNR）指机器视觉检测系统未检出的不合格品数量占据该检验批次总数量的百分比，计算公式为:误报率（falsepositiverate，FPR）指实际为合格品但被机器视觉检测系统检为不合格品的数量占据该检验批次检出的不合格品数量的百分比，计算公式为:机器视觉检测14.3.2机器视觉检测典型应用场景案例机器视觉检测14.3.2机器视觉检测典型应用场景案例上料场景：以变速箱物料检测装配场景：齿轮装配检测机器视觉检测14.3.2机器视觉检测典型应用场景案例质检场景：半导体芯片质量检测下线场景：变速箱下线外观检查机器视觉检测14.3.3深度学习及应用深度学习（Deeplearning）由机器学习算法中的神经网络发展而来，是一种基于对数据进行表征学习的方法，能够模拟人脑的神经结构。深度学习又叫深度神经网络，是指具有两层以上的神经网络，它可以通过增加层数或者增加每层的单元数，来存储更多的参数，从而构建更精密的模型。深度学习的概念最终是由Hinton等人于2006年提出，从此引发深度学习的浪潮。机器视觉检测14.3.4人工智能背景下的机器视觉检测数据驱动的机器视觉检测指利用大数据，以人工智能技术为核心，结合图像处理、模式识别、信号处理等技术的视觉检测。根据其发展历程，数据驱动的机器视觉检测主要可以分为两个阶段，第一阶段是基于传统机器学习的视觉检测，需要同时结合人工特征和机器学习方法实现分类，第二阶段是基于深度学习的视觉检测，只需要依靠深度神经网络实现端到端的预测分类。机器学习与深度学习14.4.1机器学习及应用机器学习任务具体内容及应用分类指定某些输入属于K类中的哪一类。如产品缺陷分类、产品等级分类等预测对给定输入预测数值。如：预测市场需求、预测交付期、预测设备或零部件剩余寿命等等转录机器学习系统观测一些相对非结构化表示的数据，并转录信息为离散的文本形式。如：光学字符识别机器翻译将输入的语言符号序列转化成另一种语言的符号序列。如；语言翻译结构化输出对于给定输出，将输出向量或者其他包含多个值的数据结构，且够成输出的这些不同元素间具有重要关系。

如:目标检测、图像分割等异常检测在一组事件中或对象中筛选，并标记不正常或非典型的个体。如：缺陷检测、过程检测等合成和采样生成和训练数据相似的新样本。如：语音合成、图像生成等缺失值填补补充新样本最终的缺陷元素。如：缺失数据恢复、图像修复等去噪根据经过未知损坏的样本预测干净的样本。如：图像去噪，时间序列去噪等机器学习与深度学习14.4.1