1。说明

智能制造的目的是利用集成的信息技术（IT）和人工智能（AI），在先进的计算能力和制造设备相结合的情况下，在本地或全球范围内建立灵活和适应性的制造操作。智能制造依赖于对制造车间的机器和过程的实时数据的及时获取、分配和利用。甚至跨越产品生命周期。有效的信息共享可以提高产品质量、可靠性、资源效率和废旧产品的可回收性。数字化制造的智能制造也更具可持续性，并为未来的工厂做出贡献。然而，智能制造广泛依赖于人工智能。为了更好地把握智能制造的未来，有必要了解AI。本文从智能科学到智能制造的角度对人工智能进行了展望。

2。AI简史

人工智能是情报科学的一个分支。领域情报学大致涵盖两个领域：自然智能和人工智能。自然智能是发现生命系统的智能行为的科学。人工智能或人工智能，既是智能软件系统和机器的科学和工程。这两个研究领域相互贡献了几十年。自然智能的发展为人工神经网络（ANN）、遗传算法（GAS）、蚁群优化（ACO）等人工智能研究奠定了坚实的基础，而先进的人工智能工具有助于加速自然智能的发现。 由于AI的历史相对较短，在这一领域的研究仍然是活跃的，有前途的，但有待进一步发现，如在制造业的背景下。

在讨论智能制造之前，有必要简要地回顾AI的历史，如图1所示。人工智能的历史可以追溯到20世纪40年代初，第一个人工智能是由伊利诺伊大学Warren McCulloch和Walter Pitts于1943创建的二元人工神经网络模型。. 虽然他们的模型只考虑了二元状态（即每个神经元的开/关），但它是80年代末快速神经网络研究的基础。1950，英国数学家Alan Turing提出了著名的图灵测试。确定机器是否能思考。图灵测试是通过计算机通信进行的，包括一个考官，一个人，和一台机器（即，计算机）在单独的房间。考官可以问任何问题。如果主考人不能根据他们的答案区分机器和人，机器就通过测试。1951，来自普林斯顿大学的两个研究生Marvin Minsky和Dean Edmonds建立了第一个神经元计算机来模拟40个神经元的网络。.

AI发展的一个重要里程碑是第一个人工智能车间。这是约翰·麦卡锡于1956在达特茅斯学院举办的。这个研讨会标志着“黑暗时代”的结束和AI历史上“AI的崛起”的开始。麦卡锡提出的“人工智能”一词在当时是一致的，至今仍在使用。麦卡锡后来移居麻省理工学院（MIT）；1958，他定义了第一种人工智能语言LISP，LISP至今仍在使用。这一领域最雄心勃勃的项目之一就是通用问题求解器（GPS）。这是由卡内基梅隆大学的Allen Newell和希尔伯特·西蒙于1961创建的。GPS是基于形式逻辑，可以产生无限数量的经营者试图找到一个解决方案，但是，它是低效的解决复杂的问题。1965，加州大学伯克利分校的Lotfi Zadeh出版了他的著名论文“模糊集”。这是模糊集合论的基础。第一专家系统1969是在斯坦福大学由一个由国家航空航天局资助的项目，由诺贝尔奖得主Joshua Lederberg主持。然而，当时，由于大多数人工智能项目只能处理玩具问题而不是现实世界，许多项目在美国、英国和其他几个国家被取消。人工智能研究进入了所谓的“人工智能冬天”。

尽管这些资金削减，人工智能的研究仍在继续。1969，布莱森和Ho提出了反向传播神经网络学习的基础。此外，密歇根大学的约翰·霍兰德在1975提出了第一个遗传算法，使用选择、交叉和变异作为遗传算子进行优化。. 1976，霉素是由斯坦福大学的丹麦人开发的。MYCIN是一个基于规则的血液系统疾病诊断专家系统，使用450个IF-THE规则，比初级医生表现更好。

经过30年的研究，人工神经网络的研究又在人工智能领域得到了广泛的应用。人工智能成为一门科学的新时期始于1982，当时John Hopfield发表了Hopfield网络。今天仍然流行。1986，反向传播成为一种真实的实现学习算法。在安，16年后提出的。它还通过并行分布式处理触发分布式AI（DAI）的启动。22年后，模糊集理论或模糊逻辑在1987由日本公司成功地在洗碗机和洗衣机中建立。1992，遗传程序设计John Koza提出了操纵表示LISP程序的符号代码。基于DAI和人工生命的思想，智能Agent在20世纪90年代中期逐渐形成，20世纪90年代末，模糊逻辑、人工神经网络和遗传算法的混合系统成为解决复杂问题的热点。最近，各种新的人工智能方法已经出现，包括ACO、粒子沼泽优化（PSO）、人工免疫优化（AIO）和DNA计算。AI在未来的潜力，比如制造业，仍然是不可预测的。

第一个流行的人工智能工具可能是基于人工智能的电脑游戏程序深蓝。这是由国际商业机器公司（IBM）创建的。当时世界象棋冠军Garry Kasparov在1997场比赛中以2.5比3.5击败了深蓝队。另一个早期的例子是2005本田ASIMO机器人，它能够爬楼梯。为了使机器人在非结构化环境中运动并由人类指挥，它需要自然语言处理、计算机视觉、感知、物体识别、机器学习和运行时运动控制的能力。最近，在2016，在五场比赛中，深迪击败了世界冠军Lee Sedol，在四场比赛中使用云计算、强化学习和蒙特卡洛搜索算法结合了深度神经网络进行决策。新版本，AlphaGo Zero超过三天，通过自学自学，超过了Apple的能力。今天，AI技术和系统可以从棋牌到机器人控制、疾病诊断到飞机自动驾驶仪、智能设计到智能制造等各个领域。除了在图1中总结的人工智能技术之外，机器学习和深度学习对智能制造显示了很大的希望。

表1基于他们是否有监督或无监督、判别或生成、以及深度学习或非深度学习对典型的机器学习模型进行分类。

三。制造业人工智能的典型实例

在制造业，智能科学，或者更具体地说，人工智能的机器学习模型的形式-有助于智能制造。图2描述了人类机器人协作（HRC）的一个场景。数据从传感器和现场设备转换为知识在应用适当的机器学习模型之后.知识进一步转化为行动使用特定领域的人力资源管理决策模块。因此，人类操作员可以在沉浸式环境中安全地与机器人一起工作，而机器人可以预测人类接下来将做什么，并根据需要提供原位协助。

脑机器人学 是使用有经验的人类操作员的脑波的自适应机器人控制的另一个例子。而不是跟随数据-知识-行动链，脑波-动作过程可以通过适当的训练将人脑模式映射到机器人控制命令来实现，。在这种情况下，使用14通道EMOTIVEPOC+设备（EMOTIV，美国）来收集人类脑波信号。然后将信号处理后的匹配命令传递给机器人控制器进行自适应执行。

4。机遇与挑战

AI和最新的IT技术，如云计算、大数据分析、物联网（IOT）和移动互联网/5G，为智能制造提供了许多机会。这些新技术将有助于智能制造中的实时信息共享、知识发现和知情决策，如下：

IOT为机器和现场设备提供更好的数据收集连接，从而使实时数据收集成为可能。

移动互联网/5G使得在超低时延下传输大量数据用于实时信息共享是实用的。

云计算提供了快速和按需的数据分析；它也有助于存储数据，这些数据可以很容易地与授权用户共享。

大数据分析可以揭示数据中隐藏的模式和有意义的信息，以便将数据转化为信息，并进一步将信息转化为知识。

例如，智能制造中的新机会可能包括：①远程实时监控和延迟小，②通过机会工艺规划和调度无缺陷加工，③资产的成本效益和安全预测维护，以及复杂供应链的整体规划和控制。此外，智能制造在不久的将来将受益于上述技术在不同的时间尺度，如下：

在五年内更好的水平和垂直整合可以消除自动化岛之间的差距80%，主要是由物联网和移动互联网启用。

十年后，体验驱动制造操作可能成为数据驱动具有先验知识支持，主要由云计算和大数据分析支持。

在20年内，众多的中小型企业（SMES）可以通过云制造提供动力并在全球市场上获得竞争优势。

然而，复杂性和不确定性仍然是制造业未来几年面临的主要挑战。人工智能和机器学习可以在很大程度上提供放松或甚至解决这些挑战的机会。例如，深度学习可以用来更好地理解制造上下文，并且更准确地预测在制造过程中发生的未来问题或失败，从而导致无缺陷制造。

安全的人力资源管理是另一个挑战，向智能和灵活的自动化，包括人类在循环中的进展。这种协作是有用的和必要的，尤其是在制造装配操作中，深度学习可以帮助机器人足够智能以帮助人类操作员，同时提供对绝对人类安全的改进的上下文意识。

最后，网络安全和新的商业模式必须充分解决之前智能制造可以付诸实施的工厂在未来。