人工智能在工業領域融的應用探討

張書超

（天翼智慧家庭科技有限公司，江蘇 南京 210000）

1 人工智能概述

新一代人工智能，一般是指構建在計算機科學、大數據技術、無線網絡傳輸信息技術、仿真建模信息技術、智能控制等多種現代信息化工程科學技術基礎上的智能科學技術，它既是現代計算機科學中所不能缺少的重要部分，同時又是在計算機領域中最富有代表性并具有良好前景的新技術，它在完全了解人類智能化本質的前提下，通過模仿人體意識與思想，并運用于智能設備管理中，從而達到更高的模擬與仿真功效。如今，在人類日常生活中隨處可見人工智能技術的運用，如智能家具、電器智能管理，甚至在工業中也開始大量運用人工智能技術，在智能制造設備以及相關信息技術基礎上，逐步開發出了人工智能技術軟件，但目前因為受科技制約，在機械設計生產與自動化過程中，人工智能技術運用仍處于較小范圍內測試，其整體技術仍處于摸索階段[1]。

2 人工智能在工業領域中的優勢

首先，為進一步提高在工業生產過程中的補償準確性，將電腦編程和監控等現代智能信息技術中的大部分操作都進行自動化設置，且在數據信息追蹤與檢測過程中運用大規模運算，從而大幅度降低了在人工生產中的誤差。其次，盡量減少人力管理中的資本消耗。人工智能技術應運后，有效減少了人工耗費，也釋放了大量剩余勞動力，可達到較好的投資回報率[2]。再次，應該增加對生產制造過程的監控標準。即便是專業的科技人員在監控機電設備時，也會存在一些問題。人工智能技術可利用模塊化編程系統及統一的標準控制機械協同作業，以更精確地邏輯思維減少錯誤操作。最后，能夠改善工廠管理自動化的穩靠性。因為人工智能通過計算機來計算和管理，從而減少了大量的外部影響。員工啟動操作程序后，系統按程序運行，不受外界因素的影響[3]。

3 人工智能在制造與生產全流程智能化的應用分析

工業制造與生產全流程智能化是實現制造與生產全流程的智能自主控制，將生產操作者的認知工作進行智能化，使生產控制器和加工裝置轉變為智能自主控制系統；使技術管理人員和生產管理人員的認識工作智能化；將ERP與MES系統轉變為由人機協作的管理與決策智能系統；將由企業內部資源規劃系統、制造執行系統、生產裝備管理系統等構成的企業三級架構，轉變為如圖1所述的由人機協作的管理、決策智能系統、智能自主系統構成的企業二層架構，將制造業和工業生產全過程中的企業投資決策、管理和運營，轉變為如圖2所述的企業CPS管理系統。

圖1 制造流程由三層結構變革為智能化兩層結構

圖2 制造與生產流程 CPS 系統

4 人工智能技術在工業自動化控制系統中的應用方式

4.1 模糊控制系統

以人工智能為主要基礎的模糊控制系統，其核心就是朦朧控制器架構，它們根據系統的動靜態、被控對象等，而包括了許多不同種類的控制器構成。在模糊控制系統工作的過程中，模糊控件架構就會以輸入-輸出連接方式為依據，收集有關被控制目標的有關數據。而采用這樣的方法，模糊控制系統就會對所收集的有關數據加以整理、變換，然后以仿真數據的方式再傳遞到被控制目標中。

4.2 專家控制系統

專家控制系統以計算機作為控制中心，建立數據庫系統、管理模塊等信息，管理模塊經過對信息的收集和分析發出控制指令，控制器使用時，首先必須建立求解體系，求解過程如下：

它們根據各種各樣的技術參數而有各種各樣的算法，U=(U1，U2，U3lum)，E=(E1，E2，E3len)，I=(I1，I2，I3liq)，f代表的含義就是對整套控制器的運算函數。當實現求解方程組以后，由控制器的工程設計人員解析整個系統的操控效率，并在此基礎上載入整套操作系統的操控代碼。在工程控制器的設計工作中，工作人員通過從整體控制器中輸入有關技術參數，實現了對有關工程裝置的科學管理。但必須注意的是，整體控制器有效性推理工作必須建立在正向推導基石上，工程設計員必須通過對知識的正確運用，實現了對整體控制器的科學設計。

4.3 神經網絡控制系統

神經網絡控制器可以改善系統的監控效率，需要具有對數據的有效分類和整合能力。因為工業系統中具有大量被控對象，使用神經網絡控制器可以達到較為優秀的監控效率。在神經網絡系統設計中，會使用大規模控制元件，從而形成了多層級的控制組合系統，在互聯的基礎上建立了專用的監控網絡系統，以全面地發揮人工智能技術的優越性。神經網絡監控對傳感器要求較高，將感應器設置在受控對象上，并收集設備的工作數據，利用數據反映和調節并掌握被控對象的工作狀況，但實際上，神經網絡控制器成為現代控制器，同時具有控制信息的多點輸入和多點輸出特性。在工業神經網絡管理系統中，除了會建立集成度極高的管理中樞，也會建立設備執行參量的數據庫，并通過對該類型數據的分類，建立不同工業裝置的監控模式，以改善系統的控制精度。

5 人工智能在機加工中的應用分析

大規模機械制造過程復雜，需要確定的機加工參數眾多，機加工成品質量也會受其他一些不確定因素的影響。因為傳統加工依賴于人工的機加工參數設定及成品質量把控，不僅消耗大量時間，而且受從業者自身素質影響較大，所以人工智能算法在機械制造中的應用意義重大。人工智能技術可以實現機加工工藝流程優化，在眾多的工藝參數中搜索出最優的工藝參數組合；可以實現機加工參數的智能調整，對機加工過程中的不確定因素進行分析，及時調整加工參數；可以預測刀具磨損情況，把控機加工的成品質量；可以實時監測機加工過程，保證機加工的安全性。

人工智能又稱智能模擬，是通過對數據進行學習分析，從而訓練出數據處理模型的一類技術。機器學習可分為監督式學習和無監督式學習兩大類。監督式學習通過給定事先標記過的訓練數據，通過訓練可對離散數據進行分類分析和對連續數據進行回歸分析。而無監督式學習通過事先給定的沒有被標記過的訓練數據，可對數據進行的分群分析。與傳統的數據處理方式不同，機器學習不需要人為地提前設計數據處理的模型，而是通過對實際數據的學習得出的。因此，機器學習可以靈活地應對復雜的數據結構，如機械制造中所需要考慮的眾多參數及不確定因素。人工智能技術在機加工上的應用可以分為五個步驟，即問題確定、數據采集、模型訓練、模型評估、結果分析。隨著工業的發展，人工智能技術在機械制造中的應用也日益增加。

6 人工智能技術在機加工中的應用分析

6.1 機加工工藝的優化

機加工是一個復雜的過程，如加工步驟的確定，加工刀具的選擇，均存在一定的選擇性。對于每個機加工步驟，需要確定的參數也有許多，如進刀速率、進刀量、主軸轉速、刀具前角等。這些都會影響到機加工的結果，如工件表面粗糙度、材料去除速率、工具壽命損耗等。傳統制造工業，加工工藝的制定完全依賴經驗，成品質量的最終呈現也因機加工工藝師的素質而有所偏差。機加工工藝的設定需要考慮眾多參數，工藝的優化可以通過采集加工參數，設定與其對應的機加工結果的數據，進而進行人工智能算法，如模糊算法、遺傳算法、模擬退火算法等，可以達到優化工藝參數組合的目的。

6.2 機加工參數的智能調整

即使提前設置好了機加工的工藝參數，在機械加工過程中，能造成誤差的因素還是存在的。不可把控的因素包括工件的實際塑性變形、機床的顫振、機床熱變形等。通過配備對應的傳感器進行實時監測（溫度傳感器、振動傳感器等），并使用人工智能技術對這些不確定因素進行分析，及時調整加工參數，從而達到把控成品質量的目的。例如，在加工過程中，由于環境溫度的差異導致機床各部位存在熱變形的現象。由于溫度的不確定性，熱變形導致的誤差也無法靠人工去精確調整。在這種情況下，可以對機床各個部位的實時溫度進行監測，通過運用神經網絡對機床實際熱變形進行分析，對加工參數進行自動調整。又如，在機加工過程中，材料廢屑的厚度是變化的，加工過的工件表面實際上也不是絕對平整的，而是波狀的。當這種厚度變化劇烈時，會使刀具產生巨大的振動，稱為機床顫振現象。傳統的避免顫振現象是通過提前對機加工過程進行振動模型分析，從而計算出適當的主軸轉速與進刀量。然而傳統模型描述的是理想狀態下的情況，而實際上所涉及的因素是眾多的。通過運用支援向量網絡，可以考慮到更多的因素，包括主軸轉速、進刀量、進刀速率、機床在各個方向上的實時振動信號等，從而實現加工參數的實時調整，避免機床顫振的發生。

6.3 刀具磨損、破損的預測

刀具的磨損甚至損壞會極大地影響到機加工的成品質量。傳統的由機加工工人進行的刀具情況把控，已不適應于大規模，自動化的機加工方式。通過運用人工智能技術對各種相關的參數進行監測，可以預測刀具的磨損程度。通過對磨損情況進行分級，及時更換磨損情況嚴重的刀具，可以保證成品質量，提高生產效率。現有預測刀具磨損、破損的相關研究表示，使用人工智能預測的方式，準確率均可達90%以上。

6.4 機加工過程的實時監控

對于機加工的實時監控尤為重要，不僅涉及加工成品質量，更重要的是要避免機加工安全事故。實時監控可以在人工智能的幫助下實現，通過配備設備監控裝置采集相關數據，實時檢測機床各個部件的運行狀態。

7 結束語

與傳統的數據處理方式不同，機器學習不需要人為地提前設計數據處理的模型，而通過對實際數據的學習得出。因此機器學習可以靈活地應對復雜的數據結構，如機械制造中所需要考慮的眾多參數及不確定因素。人工智能技術在機加工上的應用可以分為五個步驟，即問題確定、數據采集、模型訓練、模型評估、結果分析。隨著人工智能技術在機械制造中的廣泛應用，有效地促進了工業發展。■