人工智能在工业领域融的应用探讨

张书超

（天翼智慧家庭科技有限公司，江苏 南京 210000）

1 人工智能概述

新一代人工智能，一般是指构建在计算机科学、大数据技术、无线网络传输信息技术、仿真建模信息技术、智能控制等多种现代信息化工程科学技术基础上的智能科学技术，它既是现代计算机科学中所不能缺少的重要部分，同时又是在计算机领域中最富有代表性并具有良好前景的新技术，它在完全了解人类智能化本质的前提下，通过模仿人体意识与思想，并运用于智能设备管理中，从而达到更高的模拟与仿真功效。如今，在人类日常生活中随处可见人工智能技术的运用，如智能家具、电器智能管理，甚至在工业中也开始大量运用人工智能技术，在智能制造设备以及相关信息技术基础上，逐步开发出了人工智能技术软件，但目前因为受科技制约，在机械设计生产与自动化过程中，人工智能技术运用仍处于较小范围内测试，其整体技术仍处于摸索阶段[1]。

2 人工智能在工业领域中的优势

首先，为进一步提高在工业生产过程中的补偿准确性，将电脑编程和监控等现代智能信息技术中的大部分操作都进行自动化设置，且在数据信息追踪与检测过程中运用大规模运算，从而大幅度降低了在人工生产中的误差。其次，尽量减少人力管理中的资本消耗。人工智能技术应运后，有效减少了人工耗费，也释放了大量剩余劳动力，可达到较好的投资回报率[2]。再次，应该增加对生产制造过程的监控标准。即便是专业的科技人员在监控机电设备时，也会存在一些问题。人工智能技术可利用模块化编程系统及统一的标准控制机械协同作业，以更精确地逻辑思维减少错误操作。最后，能够改善工厂管理自动化的稳靠性。因为人工智能通过计算机来计算和管理，从而减少了大量的外部影响。员工启动操作程序后，系统按程序运行，不受外界因素的影响[3]。

3 人工智能在制造与生产全流程智能化的应用分析

工业制造与生产全流程智能化是实现制造与生产全流程的智能自主控制，将生产操作者的认知工作进行智能化，使生产控制器和加工装置转变为智能自主控制系统；使技术管理人员和生产管理人员的认识工作智能化；将ERP与MES系统转变为由人机协作的管理与决策智能系统；将由企业内部资源规划系统、制造执行系统、生产装备管理系统等构成的企业三级架构，转变为如图1所述的由人机协作的管理、决策智能系统、智能自主系统构成的企业二层架构，将制造业和工业生产全过程中的企业投资决策、管理和运营，转变为如图2所述的企业CPS管理系统。

图1 制造流程由三层结构变革为智能化两层结构

图2 制造与生产流程 CPS 系统

4 人工智能技术在工业自动化控制系统中的应用方式

4.1 模糊控制系统

以人工智能为主要基础的模糊控制系统，其核心就是朦胧控制器架构，它们根据系统的动静态、被控对象等，而包括了许多不同种类的控制器构成。在模糊控制系统工作的过程中，模糊控件架构就会以输入-输出连接方式为依据，收集有关被控制目标的有关数据。而采用这样的方法，模糊控制系统就会对所收集的有关数据加以整理、变换，然后以仿真数据的方式再传递到被控制目标中。

4.2 专家控制系统

专家控制系统以计算机作为控制中心，建立数据库系统、管理模块等信息，管理模块经过对信息的收集和分析发出控制指令，控制器使用时，首先必须建立求解体系，求解过程如下：

它们根据各种各样的技术参数而有各种各样的算法，U=(U1，U2，U3lum)，E=(E1，E2，E3len)，I=(I1，I2，I3liq)，f代表的含义就是对整套控制器的运算函数。当实现求解方程组以后，由控制器的工程设计人员解析整个系统的操控效率，并在此基础上载入整套操作系统的操控代码。在工程控制器的设计工作中，工作人员通过从整体控制器中输入有关技术参数，实现了对有关工程装置的科学管理。但必须注意的是，整体控制器有效性推理工作必须建立在正向推导基石上，工程设计员必须通过对知识的正确运用，实现了对整体控制器的科学设计。

4.3 神经网络控制系统

神经网络控制器可以改善系统的监控效率，需要具有对数据的有效分类和整合能力。因为工业系统中具有大量被控对象，使用神经网络控制器可以达到较为优秀的监控效率。在神经网络系统设计中，会使用大规模控制元件，从而形成了多层级的控制组合系统，在互联的基础上建立了专用的监控网络系统，以全面地发挥人工智能技术的优越性。神经网络监控对传感器要求较高，将感应器设置在受控对象上，并收集设备的工作数据，利用数据反映和调节并掌握被控对象的工作状况，但实际上，神经网络控制器成为现代控制器，同时具有控制信息的多点输入和多点输出特性。在工业神经网络管理系统中，除了会建立集成度极高的管理中枢，也会建立设备执行参量的数据库，并通过对该类型数据的分类，建立不同工业装置的监控模式，以改善系统的控制精度。

5 人工智能在机加工中的应用分析

大规模机械制造过程复杂，需要确定的机加工参数众多，机加工成品质量也会受其他一些不确定因素的影响。因为传统加工依赖于人工的机加工参数设定及成品质量把控，不仅消耗大量时间，而且受从业者自身素质影响较大，所以人工智能算法在机械制造中的应用意义重大。人工智能技术可以实现机加工工艺流程优化，在众多的工艺参数中搜索出最优的工艺参数组合；可以实现机加工参数的智能调整，对机加工过程中的不确定因素进行分析，及时调整加工参数；可以预测刀具磨损情况，把控机加工的成品质量；可以实时监测机加工过程，保证机加工的安全性。

人工智能又称智能模拟，是通过对数据进行学习分析，从而训练出数据处理模型的一类技术。机器学习可分为监督式学习和无监督式学习两大类。监督式学习通过给定事先标记过的训练数据，通过训练可对离散数据进行分类分析和对连续数据进行回归分析。而无监督式学习通过事先给定的没有被标记过的训练数据，可对数据进行的分群分析。与传统的数据处理方式不同，机器学习不需要人为地提前设计数据处理的模型，而是通过对实际数据的学习得出的。因此，机器学习可以灵活地应对复杂的数据结构，如机械制造中所需要考虑的众多参数及不确定因素。人工智能技术在机加工上的应用可以分为五个步骤，即问题确定、数据采集、模型训练、模型评估、结果分析。随着工业的发展，人工智能技术在机械制造中的应用也日益增加。

6 人工智能技术在机加工中的应用分析

6.1 机加工工艺的优化

机加工是一个复杂的过程，如加工步骤的确定，加工刀具的选择，均存在一定的选择性。对于每个机加工步骤，需要确定的参数也有许多，如进刀速率、进刀量、主轴转速、刀具前角等。这些都会影响到机加工的结果，如工件表面粗糙度、材料去除速率、工具寿命损耗等。传统制造工业，加工工艺的制定完全依赖经验，成品质量的最终呈现也因机加工工艺师的素质而有所偏差。机加工工艺的设定需要考虑众多参数，工艺的优化可以通过采集加工参数，设定与其对应的机加工结果的数据，进而进行人工智能算法，如模糊算法、遗传算法、模拟退火算法等，可以达到优化工艺参数组合的目的。

6.2 机加工参数的智能调整

即使提前设置好了机加工的工艺参数，在机械加工过程中，能造成误差的因素还是存在的。不可把控的因素包括工件的实际塑性变形、机床的颤振、机床热变形等。通过配备对应的传感器进行实时监测（温度传感器、振动传感器等），并使用人工智能技术对这些不确定因素进行分析，及时调整加工参数，从而达到把控成品质量的目的。例如，在加工过程中，由于环境温度的差异导致机床各部位存在热变形的现象。由于温度的不确定性，热变形导致的误差也无法靠人工去精确调整。在这种情况下，可以对机床各个部位的实时温度进行监测，通过运用神经网络对机床实际热变形进行分析，对加工参数进行自动调整。又如，在机加工过程中，材料废屑的厚度是变化的，加工过的工件表面实际上也不是绝对平整的，而是波状的。当这种厚度变化剧烈时，会使刀具产生巨大的振动，称为机床颤振现象。传统的避免颤振现象是通过提前对机加工过程进行振动模型分析，从而计算出适当的主轴转速与进刀量。然而传统模型描述的是理想状态下的情况，而实际上所涉及的因素是众多的。通过运用支援向量网络，可以考虑到更多的因素，包括主轴转速、进刀量、进刀速率、机床在各个方向上的实时振动信号等，从而实现加工参数的实时调整，避免机床颤振的发生。

6.3 刀具磨损、破损的预测

刀具的磨损甚至损坏会极大地影响到机加工的成品质量。传统的由机加工工人进行的刀具情况把控，已不适应于大规模，自动化的机加工方式。通过运用人工智能技术对各种相关的参数进行监测，可以预测刀具的磨损程度。通过对磨损情况进行分级，及时更换磨损情况严重的刀具，可以保证成品质量，提高生产效率。现有预测刀具磨损、破损的相关研究表示，使用人工智能预测的方式，准确率均可达90%以上。

6.4 机加工过程的实时监控

对于机加工的实时监控尤为重要，不仅涉及加工成品质量，更重要的是要避免机加工安全事故。实时监控可以在人工智能的帮助下实现，通过配备设备监控装置采集相关数据，实时检测机床各个部件的运行状态。

7 结束语

与传统的数据处理方式不同，机器学习不需要人为地提前设计数据处理的模型，而通过对实际数据的学习得出。因此机器学习可以灵活地应对复杂的数据结构，如机械制造中所需要考虑的众多参数及不确定因素。人工智能技术在机加工上的应用可以分为五个步骤，即问题确定、数据采集、模型训练、模型评估、结果分析。随着人工智能技术在机械制造中的广泛应用，有效地促进了工业发展。■