从智能科学到智能制造：人工智能发展及应用前景【意见和评论】

工程5（2019）615意见和评论从智能科学到智能制造王立辉KTH皇家理工学院，斯德哥尔摩10044，瑞典1. 介绍智能制造的目标是通过使用集成信息技术（IT ）和人工智能（AI），将先进的计算能力与制造设备相结合，在本地或全球建立灵活和自适应的制造业务。智能制造依赖于从制造车间的机器和过程中及时获取、分发和利用实时数据[1]甚至在产品生命周期中。有效的信息共享可以提高生产质量、可靠性、资源效率和报废产品的可回收性。建立在数字化基础上的智能制造也旨在提高可持续性，并为未来的工厂做出贡献。然而，智能制造在很大程度上依赖于AI。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2. AI简史人工智能是智能科学的一个分支。智能科学领域大致涵盖两个领域：自然智能和人工智能。自然智能是发现生命系统智能行为的科学，而人工智能（AI）既是制造智能软件系统和机器的科学，也是制造智能软件系统和几十年来，这两个研究领域自然智能的进步为人工神经网络（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快自然智能的发现[2]。由于人工智能的历史相对较短，这一领域的研究仍然很活跃，很有前途，但还有待进一步发现，例如在制造业的背景下。在讨论智能制造之前，简要回顾一下人工智能的历史，如图所示。 1. 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的WarrenMcCulloch和Walter Pitts于1943年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进制状态（即，每个神经元的开/关），它在20世纪80年代后期成为快速ANN研究的基础。1950年，英国数学家阿兰·图灵提出了著名的图灵测试[4]确定机器是否会思考。图灵测试是通过涉及一个检查者、一个人和一台机器的计算机通信来执行（即，电脑在不同的房间。考官可以问任何问题。如果考官不能根据答案区分机器和人，机器就通过了测试。1951年，普林斯顿大学的两名研究生Marvin Minsky和Dean Edmonds建造了第一台神经元计算机，模拟了40个神经元的网络。人工智能发展的一个重要里程碑是第一个人工智能研讨会[6]，由约翰·麦卡锡于1956年在达特茅斯学院举行。这次研讨会标志着人工智能历史上“黑暗时代”的结束和“人工智能崛起”的开始。麦卡锡提出的“人工智能”一词在当时得到了一致同意，至今仍在使用。McCarthy后来搬到了麻省理工学院（MIT）; 1958年，他定义了第一个AI语言LISP，至今仍在使用。通用问题求解器（General Problem Solver，GPS）是这一领域最雄心勃勃的项目之一，由Allen Newell和Herbert Simon于1961年创建。卡耐基梅隆大学GPS基于形式逻辑，可以生成无限数量的运算符来试图找到解决方案;然而，它在解决复杂问题时效率低下。1965年，加州大学伯克利分校的Lotfi Zadeh发表了他的著名论文第一个专家系统DENDRAL[9]于1969年在斯坦福大学开发，由美国国家航空航天局（NASA）资助，由诺贝尔遗传学奖获得者Joshua Lederberg领导。然而，当时，由于大多数人工智能项目只能处理玩具问题，而不是现实世界的问题，美国，英国和其他几个国家的许多项目被取消。AI研究进入了所谓的尽管这些资金削减，人工智能研究仍在继续。 一九六九年Bryson和Ho[10]提出了神经网络学习的反向传播基础。此外，第一个GA是由密歇根大学的John Holland于1975年提出的，他使用选择，交叉和变异作为遗传算子进行优化[11]。1976年，MYCIN [12]由斯坦福大学与DENDRAL相同的小组开发。 MYCIN是一个基于规则的血液病诊断专家系统，使用了450条“如果-那么”规则，被发现比初级医生表现得更好。30年后，人工智能领域再次开始研究神经网络人工智能成为一门科学的新时期始于1982年，当时John Hopfield发表了他的Hopfield网络[13]，该网络至今仍很受欢迎1986年，反向传播成为一种https://doi.org/10.1016/j.eng.2019.04.0112095-8099/©2019 THE CONDITOR.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng616L. Wang /工程 5 （2019）615Fig. 1. AI的简史在人工神经网络中真正实现的学习算法[14]，在它被提出16年后。它还通过并行分布式处理触发了分布式AI（DAI）的开始。22年后，模糊集理论或模糊逻辑于1987年被日本公司成功地内置到洗碗机和洗衣机中。1992年，John Koza提出了遗传编程[15]来操纵代表LISP程序的符号代码。基于DAI和人工生命的思想，智能代理在20世纪90年代中期逐渐形成。在20世纪90年代后期，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流行。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。的潜在人工智能在未来的发展--比如在制造业--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国际象棋计算机程序深蓝[16]，由国际商业机器公司（IBM）创建。1997年，当时的国际象棋世界冠军加里·卡斯帕罗夫在一场表演赛中与深蓝交手，他以2.5比3.5输给了深蓝另一个早期的例子是2005年的本田对于在非结构化环境中移动并由人类指挥的机器人来说，它需要自然语言处理，计算机视觉，感知，对象识别，机器学习和运行时运动控制最近，在2016年，AlphaGo[17]DeepMind的DeepMind在五场比赛中的四场比赛中击败了世界围棋冠军李世石，使用云计算，强化学习和蒙特卡洛搜索算法结合深度神经网络进行决策。它的较新版本AlphaGo Zero[18]通过从头开始的自我学习，在短短三天内就超越了AlphaGo的能力。今天，人工智能技术和系统可以在各个领域找到，从下棋到机器人控制，从疾病诊断到飞机自动驾驶，从智能设计到智能制造。除了图1中总结的人工智能技术外，机器学习和深度学习也为智能制造带来了很大的希望。表1根据机器学习模型是有监督的还是无监督的，是判别式的还是生成式的，是深度学习的还是非深度学习的，对典型的机器学习模型进行了分类。3. 人工智能在制造业中的代表性例子在制造业的背景下，智能科学-或者更具体地说，机器学习模型形式的人工智能-有助于智能制造。图2描绘了人机协作（HRC）的一个场景利用特定领域的人权理事会决策模块，将知识进一步转化为行动因此，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，而机器人表1典型的机器学习模型机器学习模型有监督/无监督/半监督判别式/生成式深度学习/非深度学习K-means clustering无监督生成式非深度学习K- 近邻监督判别非深度学习支持向量机监督判别式非深度学习隐马尔可夫模型监督鉴别非深度学习随机森林监督鉴别非深度学习XGBoost监督判别式非深度学习监督判别式非深度学习卷积神经网络监督判别式深度学习递归神经网络监督判别式深度学习长短期记忆监督判别式深度学习朴素贝叶斯监督生成式非深度学习高斯混合模型监督生成式非深度学习生成式对抗网络半监督生成式深度学习L.王/工程5（2019）615-618617图二. 智能制造中的机器学习可以预测人类下一步会做什么，并根据需要提供原位阻抗[20，21]。脑机器人[22]是使用有经验的人类操作员的脑电波进行脑电波-动作过程可以通过适当的训练将人类脑电波模式映射到机器人控制命令，而不是遵循数据-知识-动作链，如图所示。3.第三章。在这种情况下，使用14通道EMOTIV EPOC+设备（EMOTIV，USA）来收集人类脑波信号。信号处理后的匹配命令然后被传递到机器人控制器用于自适应执行。4. 机遇和挑战在人工智能和云计算、大数据分析、物联网（IoT）和移动互联网/5G等最新IT技术的支持下，智能制造的机遇不胜枚举。这些新技术将促进智能制造中的实时信息共享、知识发现和知情决策，具体如下：物联网为数据收集提供了更好的机器和现场设备连接，从而使实时数据收集成为可能。移动互联网/5G使得以超低延迟传输大量数据以实现实时信息共享成为现实。云计算提供了快速和按需的数据分析;它还有助于存储数据，这些数据可以轻松地与授权用户共享。大数据分析可以揭示数据中隐藏的模式和有意义的信息，从而将数据转化为信息，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远程实时监控和微延迟控制;②通过机会性工艺规划和调度实现无缺陷加工;③资产的成本效益和安全预测性维护;以及复杂供应链的整体规划和控制此外，在不久的将来，智能制造将在不同的时间尺度上受益于上述技术，如下所示：五年内更好的横向和纵向整合可能会消除80%的自动化岛屿之间的差距，主要是由物联网和移动互联网实现的图3.第三章。脑机器人HRC。复制自Ref。[22]在爱思唯尔的许可©2018年。●●●●●618L. Wang /工程 5 （2019）615在十年内，经验驱动的制造业务可能会成为数据驱动的先验知识支持，主要由云计算和大数据分析实现。在20年内，众多中小企业（SME）可能会通过云制造提供动力并为所有人提供服务而在全球市场上获得竞争优势。然而，复杂性和不确定性仍将是未来几年制造业面临的主要挑战。人工智能和机器学习可以在很大程度上提供放松甚至解决这些挑战的机会。例如，深度学习可用于更好地理解制造环境，并在制造过程中发生问题或故障之前更准确地预测未来的问题或故障，从而实现无缺陷制造。安全的HRC是向智能和灵活的自动化发展的另一个挑战，包括人类在回路中这种协作是有用和必要的，特别是在制造装配操作中，深度学习可以帮助机器人变得足够智能，以帮助人类操作员，同时提供更好的环境感知，以实现绝对的人类安全。最后，在智能制造投入使用之前，必须充分解决网络安全和新的商业模式问题。在未来的工厂里实践引用[1] 汪湖面向云制造的机器可用性监控和加工工艺规划。 CIRP J Manif Sci Technol2013;6（4）：263-73。[2] 涅涅维茨基湾人工智能：智能系统指南。Harlow：Addison-Wesley; 2005.[3] McCullochWS，Pitts W. 对神经活动中固有的思想的逻辑演算。Bull MathBiophys1943;5（4）：115-33.[4] 图灵AM.计算机和智能。Mind 1950;LIX（236）：433-60.[5] MinskyML. 神经模拟强化系统理论及其在脑模型问题中的应用。Princeton：Princeton University;1954.[6] 布鲁克河 物质与生命的关系。Nature2001;409：409-11.[7] NewellA，Simon HA. 全球定位系统，一个模拟人类思维的程序In：BillingH，editor. Lernetes automaten. München：R. Oldenbourg; 1961年。p. 109比24[8] 洛杉矶扎德。模糊集合。 Inf Control1965;8（3）：338-53.[9] BuchananB，Sutherland G，Feigenbaum EA. 启发式树状图：一个用于生成有机化学中解释性假设的程序。In：Meltzer B，Michie D，Swann M，editors.机器智能4.爱丁堡：爱丁堡大学出版社. p.209比54[10] Bryson Jr AE，Ho YC.应用最佳控制：最佳化、估计与控制。Waltham：BlaisdellPublishing Company;1969.[11] 荷兰JH。自然与人工系统中的适应：生物学、控制与人工智能应用的介绍性分析。AnnArbor：University of Michigan Press，1975.[12] Shortliffe E，编辑。基于计算机的医疗咨询：MYCIN。 NewYork：Elsevier; 1976.[13] 霍普菲尔德JJ。神经网络和物理系统与新兴集体计算能力。Proc Natl Acad SciUSA1982;79（8）：2554-8.[14] Rumelhart DE，McClelland JL; PDP研究小组。并行分布处理：探索在的微结构的认知.剑桥：麻省理工学院出版社，1986.[15] 小浩左遗传程序设计：通过自然选择的方式对计算机进行编程。剑桥：麻省理工学院出版社.[16] 深 蓝 [ 互 联 网 ] 。 Armonk ： IBM [2019 年 1 月 7 日 引 用 ] 。 网 址 ：www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/。[17] AlphaGo Korea.伦敦：DeepMind Technologies Limited; c2019 [引用于2019年1月7日]。可查阅：https://deepmind.com/research/alphago/韩国/。[18] [10] Silver D，Schrittwieser J，Simonyan K，Antonoglou I，Huang A，GuezA，et al. 在没有人类知识的情况下掌握围棋。Nature 2017;550（7676）：354-9.[19] 刘华，方涛，周涛，王林。迈向强健的人机协同制造：多模态融合。IEEEAccess2018;6：74762-71.[20] 刘宏，王磊.用于人机协作的人体运动预测。制造系统杂志2017;44（Pt 2）：287-94。[21] 王萍，刘华，王丽，高瑞祥.基于深度学习的人体运动识别，用于预测上下文感知的人机协作。CIRPAnn 2018;67（1）：17-20。[22] 穆罕默德A，王L。脑电波驱动的人机协同装配。CIRP Ann2018;67（1）：13-6。●●