“人工智能”在汽車零部件的包裝系統設計中的應用方式研究

拱李媛

柳州職業技術學院 廣西柳州市 545006

1 “人工智能”的主要技術及應用范圍

1.1 人工智能的主要技術

人工智能（Artificial Intelligence，簡稱AI）是對人類智慧以及大腦生理構造的模擬，現階段人工智能的主要發展目標是在某方面使機器具備相當于人類的智能水平，達到此目標即可稱為人工智能。其核心技術包括（1）芯片、傳感器、操作系統、存儲系統等基礎軟件和硬件的人工智能共性技術；（2）以AI為基礎的計算機視聽感知、生物識別、人機交互、自然語言理解等人工智能重要技術。

1.2 人工智能的應用范圍

AI 先后被各國在多個重要領域試點推廣，在第一時間轉化為生產力，如家庭、制造、教育、環境等領域。隨著時代的發展，AI 技術在我國的關注度逐年提高，其熱門的衍生應用包括工業智能制造與人工智能的融合。智能制造是基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、 生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式。

在智能制造業領域，使用人工智能的方案主要分為產品、產品和服務、業務運營管理、供應鏈和業務模型驗證五個領域。AI 在工業領域的應用從智能制造轉移到生產服務和供應鏈管理。智能化生產領域，計算機視覺技術的發展促進了人工智能在質量監控和缺陷管理中的應用，未來越來越多的應用場景將應用到Al 技術。例如自動化生產工廠、訂單管理、自動調度等。

AI 在智能制造領域有著廣闊的應用前景，部分服裝制造公司經過智能改造后，效率大大提升，提高了產能1.25 倍左右；其他諸如高精密儀器制造公司完成的智能化改造的生產線也大大提升，一線工人數量減少了近70%，效率和產出提升超過30%。

2 “人工智能”在汽車零部件包裝系統設計的應用方式

隨著智能技術與制造業的融合，原有的包裝系統面臨著向智能化轉變，以符合時代發展的需求。這并非沒有先例，學者李燕清發明了一種基于物聯網大數據的人工智能包裝設計方法及系統，通過包裝生產智能模塊進行生產及配送，實現包裝設計生產全流程服務，該發明的應用大幅度縮減了包裝設計生產的時間，大幅度減少了人力、物力、財力的損耗。通過調查與分析，本文將探索性的提出“人工智能（Artificial Intelligence，簡稱AI）”在汽車零部件包裝系統設計的應用方式，來能實現包裝從需求到設計到生產到物流的一站式閉環服務形態，滿足包裝設計系統的智能化需求。

包裝系統設計思路以及采用的方法如圖1所示。沿著生產物流中物料的流動方向，從物料的終點向前倒推各個物流環節對包裝的要求，在包裝的規劃中綜合考慮這這些因素，最終形成的包裝形態對于各個環節具有更好的兼容性，能銜接物流作業活動，減少裝卸搬運頻次和資源的消耗，加快物料的流動速度。

圖1 包裝規劃邏輯圖

2.1 汽車零部件分類智能化

汽車企業的產品的研發和更新迭代速度在不斷加快，車型的變化隨之而來的是零部件的型號上的變化，汽車整車的零部件種類的多樣性特點尤為突出。這些零部件雖然型號編碼不同，但在形狀、尺寸、材質等方面存在著一定的相似度。根據汽車零部件的物料特性進行智能分類，一是區分出可以使用通用包裝的物料和非標物料，針對無法使用通用包裝的物料定制非標容器具；二是通過對物料特性的分析，明確物料對包裝的需求，使包裝的設計有據可依。通過物料分類，綜合考慮不同的物料流動階段對包的要求，對物料包裝進行通用化設計，以期達到減少包裝的轉化次數和搬運次數，方便物流作業環節的操作人員的作業；消除物料流動環節中不必要的浪費，加速物流流動，實現精益生產，降低物流運作成本的目的。

圖2 包裝智能化思路圖

傳統的物料分類方法是以優化采購為目的，大多從物料的價值、訂貨周期等經濟性維度進行分類，如ABC 分類法以及基于該方法的延伸出的一些分類方法。區別于傳統的單純以采購和物料管理為目的的物料分類，本文提出的物料分類方法，是從生產制造的角度，將企業中的產品（特別是典型零部件）按其尺寸、體積、重量、用途、工藝特性和材料特征等進行分類，一方面可以為物料管理構建信息基礎，另一方面保證包裝設計能貼合產品的需求特點。

下面，本文從實際的運用的角度出發，提出“基于特性因素圖的Q 型聚類物料分類確定”方法：以平板電視的生產零部件為對象，介紹如何確定企業物料大類（第一層級分類），并在此基礎上運用Q 型聚類方法進行二次精確分類。

特性因素圖也叫做魚骨圖（Fishbone Diagram），因形如魚骨而得名，是日本東京大學的ISHIKAWA 設計的一種找出問題原因的方法，已經被廣泛應用在問題發掘、項目管理和生產管理等方面。

特性因素圖物料分類確定方法的具體過程和步驟如下：

（1）將不同分類者對所有物料劃分的大類全部列舉在魚骨圖上。

（2）進行第一輪分類分析。對所有分類逐一分析：若該分類和其他分類有包含和被包含關系，則去掉其中之一;若該分類應該和其他分類合并在一起形成更為合理的分類，則合并在一起;若該分類太大，則將此大類進行劃分，直至將所有物料逐一分析完成為止。

（3）整理第一輪分析結果，然后按照此步驟再進行第二輪分析，直至所有人都同意這種分類架構為止。

為了保證物料分類結果具有客觀性，在確定每種物料大類下的詳細物料種類，此處引入基于由于特性因素圖確定的物料大類的類別特征的Q 型聚類方法。

Q 型聚類分析方法：聚類是一種無監督的學習，它將相似的對象歸到一個簇中，將不相似對象歸到不同簇中，相似這一概念取決于所選擇的相似度計算方法。聚類方法按聚類的對象可分為R 型聚類和Q 型聚類。R型聚類是對變量按其表現出來的共性進行相似度的識別，得出分類結果的方案。而Q 型聚類法，是針對樣本進行的聚類。

根據物料在物理屬性如尺寸、材質、重量、體積等特征，以及產線需求數量和通用性三個維度的特征進行聚類分析。Q 型聚類分析，采用SPSS 軟件完成。按照分類的結果，對不同特征的物料采用差異化的包裝設計，具有相同特征的物料采用相似的包裝設計。

該部分使用的聚類分析法可以有效解決聚類和降維問題。該方法是通過設置聚類中心（將物料的形狀、規格、尺寸、材質等特點分別設置為聚類中心），將數據按照聚類中心進行聚合，來完成物料的智能分類。物料智能化分類，可以大幅度降低物料管理難度，提高包裝設計的效率。

2.2 包裝方案設計的智能化

為了減輕后續新增零部件的物料包裝的設計工作，本文提出一種基于已有的包裝方案數據庫和物料特性分類結果，使用AI 中的機器學習算法，模擬人腦做出包裝需求的識別、校驗包裝設計需求條件和包裝設計需求結論模糊匹配。在這一部分使用的機器學習算法屬于有監督學習技術，主要通過神經網絡算法來完成。神經網絡算法是一種可以模仿人的大腦神經系統，是將多個神經網絡節點匯聚在一起構成的系統，是運用生物學、神經學、心理學等多類知識的有監督類人工智能技術。其中，BP 神經網絡算法主要應用包裝需求的識別中圖像處理，GRNN（Generalized regression neural network）神經網絡用于包裝方案需求條件與結論的模糊匹配，并通過引入深度學習規則進一步提高精確率。GRNN 廣義回歸神經網絡預測模型，挖掘分析方案中容器與物料特性之間的關系，當有未知的物料進入神經網絡時，能通過計算未知物料與已知物料之間特性的相似性，對包裝設計結果的圖形結構進行場景匹配，尋找到合適的包裝的方案。

2.3 包裝方案評估的智能化

經過對包裝方案的評估與改進方面作的初步研究，包裝投入使用之前，需要進行評估測試包裝方案的實用性和穩定性等，并根據評估的結果對方案進行調整。此前，對于包裝的評估基本采取專家評價法。針對包裝方案投入生產現場使用中的不確定性，提出了基于BP 神經網絡與模糊專家系統評估診斷包裝方案實施效果的方法。將專家評估體系與BP 神經網絡的結合使用，實現包裝測試與驗證的智能化。BP 神經網絡用于預測包裝效果，專家系統的規則作為機器學習的知識獲取庫，在不確定性推理過程中采取模糊匹配的方法完成對包裝方案的評估。根據調查研究發現，BP 神經網絡與專家系統結合使用的方法曾用戶評估厚鋼板的質量，匹配的準確率可搞到95%以上，并有效提高了鋼板質量。

2.4 包裝文件管理的智能化

包裝生產包括指令文件行文件和信息類文件。指令性文件為后續包裝生產過程中的包裝數量、包裝生產工藝、包裝生產質量要求、包裝生產物流及配送要求等，作為物料包裝供應商的指導性文件，以行業通用格式文件，構成包裝文件數據庫。信息類文件為包裝生產供應商的相關信息，包括地點、價格、生產周期和質量等。在系統中，自動下發到距離最近、生產成本最低、質量最好的包裝生產工廠。

3 結語

人工智能技術為生活的各個方面帶來新的活力，隨著時代的進步，現出現的痛點將會隨著智能制造與人工智能技術的適度融合以及共同發展逐步被解決。目前市場上的智能制造行業出現的痛點，我們可以通過人工智能技術技術提高產品質量及制作效率。