隨著智能制造行業的發展，智能技術日漸成為實現制造知識化、自動化、柔性化以及實現對市場的快速響應的關鍵技(ji)術。
本文引自：《制造智能(neng)技術(shu)基礎》（主編(bian)：張(zhang)智海, 副主編(bian)：李(li)冬妮(ni)、蘇麗穎、張(zhang)磊、賈(jia)旭杰、裴植(zhi)、謝小(xiao)磊）
目前，國內外對智能制造尚無嚴格統一的定義。工信部下發的《智能制造發展規劃（2016—2020年）》中將智能制造定義為：
智能制造具有三個典型特征：自感知、自決策、自執行。舉例說明：端一杯水時，通過眼睛看到水杯在哪（自感知），用手握住把手（自決策，選擇握住把手而不是杯身），端起水杯（自執行），這些動作可以輕易。而對于機器來說，這并不容易，*先機器需要自動識別水杯的坐標位置、水杯的外形、高度、材質等（自感知），然后需要判斷如何抓起水杯，握把手還是杯身等（自決策），*后完成抓取杯子動作（自執行），這一整套連貫動作的執行決策需要各種數據作為支撐，需要借助大數據分析、人工智能等技術來實現。
隨著智能制造行業的發展，智能技術日漸成為實現制造知識化、自動化、柔性化以及實現對市場的快速響應的關鍵技術。工業界對機(ji)械智能技術日益關注的根源在于各種智能技術在工業界扮演著日益重要的、不可替代的作用，在某些領域智能技術的應用已經成為企業核心競爭力。例如，基于智能優化算法的優化設計，基于模式識別的故障識別、診斷，基于模糊控制的智能調節和控制、基于深度學習的(de)(de)智(zhi)能(neng)檢測、故障診斷，基(ji)(ji)于類(lei)比推理(li)、歸納學習與基(ji)(ji)于實例(li)推理(li)的(de)(de)知識系統，基(ji)(ji)于商業(ye)智(zhi)能(neng)的(de)(de)決策(ce)支持系統等。下(xia)面簡要介(jie)紹若干關鍵(jian)智(zhi)能(neng)技(ji)術(shu)在智(zhi)能(neng)制造領(ling)域中(zhong)的(de)(de)典型應用。
智能優化算法
智能優化算法在生產運營管理、機械設計、制造系統規劃設計等領域具有大量研究和廣泛的實際應用。
智能優化算法在車間生產調度中發揮了重要作用。傳(chuan)(chuan)統的(de)(de)人(ren)工(gong)排(pai)產(chan)方(fang)式(shi)通常工(gong)作強(qiang)度(du)較大，對人(ren)員依賴度(du)較高，而且由于工(gong)序繁多(duo)還有可(ke)能(neng)導致(zhi)生(sheng)產(chan)計(ji)劃不合理、效率低(di)。采用智能(neng)優(you)化(hua)算(suan)(suan)法可(ke)以幫助企(qi)業(ye)進行(xing)資源和系(xi)統的(de)(de)整合、集成與(yu)優(you)化(hua)，實(shi)現動(dong)態*優(you)化(hua)的(de)(de)排(pai)程(cheng)，進而幫助企(qi)業(ye)實(shi)現按需生(sheng)產(chan)，提高運行(xing)效率，縮(suo)短(duan)產(chan)品周(zhou)期，提升企(qi)業(ye)的(de)(de)產(chan)能(neng)。以電梯制(zhi)造企(qi)業(ye)為例，采用智能(neng)優(you)化(hua)算(suan)(suan)法的(de)(de)動(dong)態智能(neng)排(pai)產(chan)系(xi)統可(ke)以將(jiang)計(ji)劃制(zhi)定的(de)(de)時間縮(suo)短(duan)75%。此外，將(jiang)雙(shuang)向調(diao)度(du)方(fang)法或者指派規則(ze)嵌(qian)入(ru)到遺(yi)傳(chuan)(chuan)算(suan)(suan)法中，可(ke)得到一種新(xin)調(diao)度(du)算(suan)(suan)法，從而更快速和準確地(di)解決智能(neng)制(zhi)造系(xi)統的(de)(de)車間調(diao)度(du)問(wen)題(ti)。
在倉庫和物流優化配置問題中，可以通過數學規劃等運籌優化算法和遺傳算法進行優化決策；多個分揀機器人的路(lu)徑規劃(hua)(hua)和(he)協(xie)調行動可通過多(duo)智能體算法蟻群算法進(jin)行規劃(hua)(hua)。
此外，智能(neng)優(you)(you)化(hua)(hua)算(suan)(suan)法在(zai)機械(xie)設(she)計方面也有很(hen)廣泛的(de)(de)應用(yong)。機械(xie)設(she)計的(de)(de)優(you)(you)化(hua)(hua)過程中，可能(neng)會遇(yu)到(dao)對目標函數(shu)的(de)(de)可導(dao)性有嚴格要(yao)求(qiu)的(de)(de)問題(ti)或者陷入局部*優(you)(you)值這一類問題(ti)，以往(wang)傳統的(de)(de)優(you)(you)化(hua)(hua)方法很(hen)難得(de)到(dao)滿意的(de)(de)結果，將(jiang)智能(neng)優(you)(you)化(hua)(hua)算(suan)(suan)法運用(yong)到(dao)實際(ji)優(you)(you)化(hua)(hua)問題(ti)當中，有利(li)于解決以往(wang)傳統優(you)(you)化(hua)(hua)方法所不(bu)能(neng)解決的(de)(de)非連(lian)續的(de)(de)、非凸的(de)(de)、非線性等復雜問題(ti)。
同時，智能優化算法在智能制造系統的*佳加工性能綜合評估中也具有實際應用價值，例如，利用遺傳算法求解多道車削的*佳切削條件。而且，在智能制造系統框架下，工(gong)業機器人的仿真研究也會用到智能*優算法。另外，在多狀態制造系統中，考慮維修成本和維修時間等多個約束的選擇性維修決策（組合優化）模型，可通過蟻群算法進行快速求解。此外，在智能制造系統中，利用物料需求計劃（material requirement planning，MRP）相關文檔中的供需位置來模擬銷售(shou)人(ren)員需到(dao)達的(de)城市(shi)點，并采用蟻群優(you)化(hua)算法，可以找到(dao)*短路徑，從而提高相關人(ren)員的(de)效率。
模式識別
模式識別是信息科學和人工智能的重要組成部分，主要被應用于圖像分析與處理、語音識(shi)別、聲音分類、通信(xin)、計算機輔助診斷等方面。在制造行業中，模式識別技術大量應用于產品檢驗領域。
在制造生產的過程中，幾乎所有的產品都面臨著質量檢測。傳統的手工檢測存在著許多不足：*先，人工檢測的準確性依賴于工人的狀態和熟練程度；其次，人工操作效率相對較低，不能很好地滿足大量生產檢測的要求；此外，由于工作強度高，容易引起操作人員的疲勞，從而導致次品率高；*后，近年來人工成本也在逐步上升。所以，模式識別技術被廣泛用于產品檢測中。
產品缺陷檢測的對象往往可以建模為二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點、暗點等常見的表面缺陷，這些缺陷特別是孔洞和裂紋等，可能嚴重影響產品質量和使用的安全性，因此，準確識別缺陷產品非常重要。以芯(xin)片企業為例，模式識別技術的應用實施可以大幅降低次品率，同時通過分析次品原因還可以降低產品的報廢率，并優化產品設計與生產工藝，達到進一步降低檢驗成本的目的。此外，將模式識別技術應用到智能制造過程中復合材料的分類上，可以使分類更加精準。另外，在半導體制造(zao)中可以使用混合自組織圖和支持向量機（self-organizing map and support vector machine，SOM-SVM）的方法對晶圓箱圖進行分類，進一步進行缺陷識別。同時，在用錫罐包裝的香煙的制造過程中，應用模式識別技術可以開發缺陷自動檢查系統。而且，在滾動軸承故障檢測中，將從振動信號中提取(qu)的特征(zheng)向量作為(wei)支持向量機的輸(shu)入，從(cong)而對故障模式進行識別。
除此之外，模式(shi)(shi)識別技術在(zai)定位被測(ce)零件時，也有重要的(de)應(ying)(ying)用。制造過程中的(de)物體測(ce)量(liang)也會應(ying)(ying)用模式(shi)(shi)識別技術，常見的(de)測(ce)量(liang)應(ying)(ying)用包括：齒輪、接(jie)插(cha)件、汽車零部件等。
另外，在智能制造和檢驗的過程中，可進一步改進模式識別技術，從而使得故障識別更加*和高效。例如，在軸承故障的檢測中，基于局部均值分解（local mean decomposiTIon，LMD）能量矩概念，針對故障振動信號特征值的相互內在聯系，將LMD能量矩與變量預測模型模式識別相結合，從而得到一種軸承故障智能診斷的新方法。其次，在熒光磁粉無損檢測技術的基礎上，使用一種電荷耦合(he)器件（charge coupled device，CCD）圖(tu)(tu)像獲(huo)取系(xi)統進(jin)(jin)行圖(tu)(tu)像采集(ji)，然后(hou)使用相關算(suan)法進(jin)(jin)行圖(tu)(tu)像處理和(he)模式識別，可以更(geng)準確(que)地檢(jian)測表面缺陷的(de)類型和(he)程度。此外(wai)，基于(yu)系(xi)統健(jian)康指標，構建新的(de)模式識別技術，從而得到一種可用于(yu)系(xi)統故障檢(jian)測和(he)診斷的(de)有效的(de)方法。
模糊控制
模糊控制在智能制造自動化控制系統中得以廣泛應用。精準的智能化自動控制系統，可以批量、集中處理大量的信息和復雜的工作任務，從而提高企業內產品生產的效率、技術指標等。同時，也可以減少原料、人力的投入。模糊控制是以推理理論、模糊語言為基礎，把專家的經驗當作控制規則，實現智能化控制的一種控制方式。其本質是采用基于模糊模型的模糊控制器，實現智能制造自動化系統的控制過程。在實際應用的過程中，根據模糊邏輯推理原則，利用計算機技術，構建自動化控制系統，提高控制的效率。
例如，基于互補式金屬氧化物半(ban)導體（complementary metal-oxide-semiconductor，CMOS）傳(chuan)感(gan)器(qi)的自主循跡智能車，搭載了一套自適應模糊控制器。與傳統的模糊控制器相比，自適應模糊控制器在結構上得到了較大的改善。其次，在數控火焰(yan)切(qie)割機自(zi)動(dong)調(diao)(diao)高系(xi)統(tong)的(de)設計過(guo)程中(zhong)，通過(guo)分析影(ying)響切(qie)割機自(zi)動(dong)調(diao)(diao)高系(xi)統(tong)運行穩定性及精度的(de)主要因素，采用脈沖寬(kuan)度調(diao)(diao)制（pulse width modulaTIon，PWM）控(kong)(kong)制技術(shu)，設計出基于模糊控(kong)(kong)制方法的(de)自(zi)動(dong)調(diao)(diao)高控(kong)(kong)制系(xi)統(tong)。
此外，在AGV小車調速控制系統中，也應用到模糊控制技術。另外，在調節閥定位器控制系統，采用模糊控制理論中的合成推理方法，可以使得定位精度由傳統閥門定位器的±1%提高到±0.5%。同時，在注塑零件的焊接線位置控制系統中，將模糊控制技術與計算機輔助工程（computer aided engineering，CAE）軟件結(jie)合，從而加快了模具(ju)的設計過(guo)程(cheng)。而且，在智能制造過(guo)程(cheng)中，通(tong)過(guo)模糊控制算法監控放電(dian)電(dian)流可以減小(xiao)表面粗糙(cao)度，通(tong)過(guo)模糊控制算法監控火花隙可以避(bi)免有害的電(dian)弧效應。
深度學習
隨著數據爆炸式增長，傳統的統計建模方式已經難以處理高維度、非結構化的數據。此時，深度學習技術因其具備處理高維度、非線性數據模式的固有能力，開始登上歷史舞臺。
智能制造大力發展的今天，深度學習技術可以輔助零部件和材料缺陷檢測。在生產制造過程中，可能會出現劃痕、裂紋等損壞，使產品不能用于生產線上的下一道工序。深度學習技術可以在毫秒內檢測到裂紋、劃傷等缺陷。具體地，通過深度神經(jing)網(wang)絡系統，可以從歷史樣本中自動提取各種缺陷特征，從圖片中自動識別可能的缺陷并加以標識，能夠讓工作人員快速發現并且糾正，從而提升產品質量和工作效率。其實這種應用非常類似于之前Watson的醫療診斷應用，都是通過圖片信息來識別問題所在，這方面機器的效率要遠遠高于普通工人。幾萬張圖片，深度學習的機器可以在一秒之內完成識別和標注，如果人為的話*少需要兩個小時。據IBM資(zi)料顯示，通過深度學習，機器還可以在更多生產領域實現智能制造。比如工件定位，也就是工件在機械臂上的位置情況；工件精度測量、不良品分揀以及工件裝配檢查等方面。
斯坦福大學計算機系教授吳恩達（Andrew Ng）攜手富士康，幫助傳統制造業借助人工智能轉型升級。比如：通過利用深度學習、神經網絡，可以讓電腦快速學習做自動檢測的工作。人工智能介入了以后，工廠的誤判率會在上線時達到3%~4%的水平，并且會逐步減少到*低。
2018年漢諾威工業展上，西門子(zi)展位展示的(de)是搭載(zai)西門子Autonomous系統(tong)（用(yong)人(ren)工智(zhi)能技術打造的(de)增(zeng)(zeng)加(jia)生產(chan)柔性的(de)系統(tong)）的(de)KUKA機器(qi)人(ren)，這款機器(qi)人(ren)的(de)*大優勢(shi)在于(yu)其(qi)出色(se)的(de)靈活性。其(qi)中一臺樣(yang)機搭載(zai)了(le)三(san)維感知攝像機，基于(yu)圖像識(shi)別(bie)和(he)深度學習(xi)技術，能對現場任(ren)何環境變化(hua)做出靈敏(min)反應(ying)，即時(shi)調整操作(zuo)軌跡(ji)。這種技術可以大大增(zeng)(zeng)強(qiang)生產(chan)線的(de)柔性，不(bu)再局限于(yu)生產(chan)標(biao)準化(hua)產(chan)品(pin)。
此外，深度學習系統可以根據數百個工廠過程參數和產品設計變量來跟蹤用電量的模式，并可以動態地推薦*佳(jia)實踐以實現*佳(jia)利用率。例如(ru)，在可(ke)再(zai)生能源行業(ye)，可(ke)以利用深度學習算法(fa)(fa)的預測來繪制(zhi)從依(yi)賴化石燃料到(dao)使用可(ke)持續能源的*佳(jia)過渡軌跡，而傳統的預測分(fen)析方法(fa)(fa)很難處理這(zhe)種模式(shi)。
另外，一條生產線突然發出故障報警，利用深度學習算法，可以使得機器能夠自己進行診斷，找到(dao)問(wen)(wen)題出在哪里，原(yuan)因(yin)是什么(me)(me)，同(tong)時(shi)還能夠(gou)根據歷史(shi)維護的(de)(de)(de)記錄或(huo)者(zhe)維護標(biao)準，告訴管理者(zhe)如何解決(jue)故(gu)障(zhang)(zhang)，甚*讓機(ji)器自(zi)己解決(jue)問(wen)(wen)題、自(zi)我恢復。例如，在一個電網中(zhong)，當(dang)出現故(gu)障(zhang)(zhang)時(shi)，若利用常規方法識別電網的(de)(de)(de)哪個地(di)方出現了(le)問(wen)(wen)題，通常準確識別定(ding)位的(de)(de)(de)可靠概率是80%。而西(xi)門(men)子利用了(le)深(shen)度學習技(ji)術對(dui)歷史(shi)故(gu)障(zhang)(zhang)事(shi)件學習，通過已(yi)經分(fen)布在電網中(zhong)的(de)(de)(de)繼(ji)電器，來更好地(di)判斷電網出了(le)什么(me)(me)問(wen)(wen)題，出在哪個地(di)方等。
在智能制造的過程中，可將深度學習技術與其他技術進行過融合，從而使得智能制造的過程更加*和高效。例如，將神經網(wang)絡融(rong)(rong)合到模式和圖像識別(bie)技(ji)術中，有助于提取圖像特征、優選特征向量組成方案，從(cong)而優化智(zhi)能(neng)制(zhi)造(zao)系(xi)統(tong)圖像識別(bie)技(ji)術。其(qi)次(ci)，利用(yong)基于多物理(li)域(yu)信(xin)息(xi)多模式融(rong)(rong)合與(yu)深(shen)度(du)學(xue)習的(de)智(zhi)能(neng)加工機器自主感(gan)知(zhi)(zhi)方法，從(cong)而可(ke)以有效地解決(jue)智(zhi)能(neng)機器自主感(gan)知(zhi)(zhi)問題。而且，在深(shen)度(du)學(xue)習的(de)基礎上利用(yong)大數(shu)據(ju)分(fen)析技(ji)術，可(ke)以提高對機械零(ling)部件(jian)故障(zhang)診斷的(de)識別(bie)分(fen)類(lei)精(jing)度(du)。此外(wai)，將深(shen)度(du)學(xue)習、數(shu)字孿生（digital twin，DT）和信(xin)息(xi)物理(li)系(xi)統(tong)（cyber-physical system，CPS）的(de)架構進行集成，可(ke)以促進傳統(tong)制(zhi)造(zao)向智(zhi)能(neng)制(zhi)造(zao)和工業4.0的(de)轉型。
知識工程
知識工程是以知識為處理對象，為那(nei)些需要專家(jia)知識(shi)才能(neng)(neng)解決的(de)應用(yong)難(nan)題(ti)提供求解的(de)手段，借用(yong)工(gong)程化(hua)的(de)思想，對如何用(yong)人工(gong)智能(neng)(neng)的(de)原理、方法、技術來設計(ji)、構造和(he)維護知識(shi)型系統的(de)一(yi)門學科。
目前知識工程的發展和應用狀況，除了通用的大規模知識圖譜，各行業也在建立行業和領域的(de)知(zhi)識圖譜。當前知(zhi)識圖譜的(de)應(ying)用(yong)包括語義搜索、問答(da)系(xi)統與(yu)聊天、大數據(ju)語義分(fen)析以及智能知(zhi)識服務等，在智能客服、商(shang)業智能等真實(shi)場景體現出廣泛的(de)應(ying)用(yong)價值。
在智能制造領域，產品的創新性設計在很大程度上是基于以往的知識，具有很強的繼承性。這些知識包括設計歷史資料、設計參數的選擇以及依據、國家法規、設計標準、設計流程、實驗數據、材料數據、用戶反饋的信息、各種失誤的原因等所有的與制造業產品開發有關的信息。系統地使用知識工程思想指導制造業產品智能設計，將知識和設計流程軟件化，使設計開發的自動化程度大大提高，因而大大減輕了設計人員的勞動強度，節省了產品設計成本，縮短產品設計周期，同時，使企業的知識積累規范化、制度化和軟件化，并且使產品設計變得更加靈活、高效和智能化，推動企業的科技進步。
知識工程思想在智能制造中的具體應用也有很多。例如，在(zai)閥(fa)門(men)設(she)(she)(she)(she)(she)計(ji)(ji)中(zhong)，通過(guo)(guo)引入知(zhi)識(shi)(shi)(shi)工(gong)(gong)(gong)程(cheng)(cheng)的(de)(de)(de)(de)思想，可(ke)以(yi)開發基(ji)于(yu)知(zhi)識(shi)(shi)(shi)工(gong)(gong)(gong)程(cheng)(cheng)的(de)(de)(de)(de)閥(fa)門(men)智能(neng)設(she)(she)(she)(she)(she)計(ji)(ji)系(xi)統(tong)，從而(er)實(shi)現(xian)從閥(fa)門(men)總(zong)體設(she)(she)(she)(she)(she)計(ji)(ji)到零(ling)(ling)部件(jian)(jian)設(she)(she)(she)(she)(she)計(ji)(ji)的(de)(de)(de)(de)智能(neng)化(hua)。其(qi)次，在(zai)零(ling)(ling)部件(jian)(jian)的(de)(de)(de)(de)設(she)(she)(she)(she)(she)計(ji)(ji)過(guo)(guo)程(cheng)(cheng)中(zhong)，采用(yong)基(ji)于(yu)知(zhi)識(shi)(shi)(shi)工(gong)(gong)(gong)程(cheng)(cheng)的(de)(de)(de)(de)參(can)數化(hua)設(she)(she)(she)(she)(she)計(ji)(ji)方法，為(wei)零(ling)(ling)部件(jian)(jian)產品(pin)建立一個產品(pin)知(zhi)識(shi)(shi)(shi)庫，從而(er)可(ke)以(yi)實(shi)時地檢(jian)驗(yan)設(she)(she)(she)(she)(she)計(ji)(ji)。此外，在(zai)汽車(che)車(che)身的(de)(de)(de)(de)制(zhi)造(zao)過(guo)(guo)程(cheng)(cheng)中(zhong)，可(ke)采用(yong)基(ji)于(yu)知(zhi)識(shi)(shi)(shi)工(gong)(gong)(gong)程(cheng)(cheng)技(ji)術(shu)的(de)(de)(de)(de)車(che)身側(ce)圍設(she)(she)(she)(she)(she)計(ji)(ji)軟(ruan)件(jian)(jian)，并(bing)將車(che)身側(ce)圍設(she)(she)(she)(she)(she)計(ji)(ji)軟(ruan)件(jian)(jian)與基(ji)于(yu)面(mian)向制(zhi)造(zao)設(she)(she)(she)(she)(she)計(ji)(ji)技(ji)術(shu)的(de)(de)(de)(de)一步逆成形(xing)沖壓分(fen)析軟(ruan)件(jian)(jian)進行集成應用(yong)，從而(er)更*地進行設(she)(she)(she)(she)(she)計(ji)(ji)。另外，在(zai)船(chuan)舶(bo)制(zhi)造(zao)的(de)(de)(de)(de)過(guo)(guo)程(cheng)(cheng)中(zhong)，通過(guo)(guo)分(fen)析船(chuan)舶(bo)制(zhi)造(zao)中(zhong)生(sheng)產計(ji)(ji)劃(hua)(hua)與控制(zhi)中(zhong)存(cun)在(zai)的(de)(de)(de)(de)問題(ti)，以(yi)及結合(he)現(xian)代船(chuan)舶(bo)生(sheng)產制(zhi)造(zao)模式，可(ke)以(yi)建立基(ji)于(yu)知(zhi)識(shi)(shi)(shi)工(gong)(gong)(gong)程(cheng)(cheng)的(de)(de)(de)(de)船(chuan)舶(bo)生(sheng)產計(ji)(ji)劃(hua)(hua)與控制(zhi)系(xi)統(tong)模型。同時，在(zai)熱鍛設(she)(she)(she)(she)(she)計(ji)(ji)過(guo)(guo)程(cheng)(cheng)中(zhong)，通過(guo)(guo)開發基(ji)于(yu)知(zhi)識(shi)(shi)(shi)的(de)(de)(de)(de)工(gong)(gong)(gong)程(cheng)(cheng)系(xi)統(tong)，可(ke)以(yi)將熱鍛設(she)(she)(she)(she)(she)計(ji)(ji)過(guo)(guo)程(cheng)(cheng)集成到一個框架中(zhong)，從而(er)便(bian)于(yu)收集設(she)(she)(she)(she)(she)計(ji)(ji)工(gong)(gong)(gong)程(cheng)(cheng)師的(de)(de)(de)(de)知(zhi)識(shi)(shi)(shi)和(he)經(jing)驗(yan)。
此外，知識工程在智能制造業的應用還包含數字員工和數字孿生。數字員工管理(li)平臺在企(qi)業制(zhi)造過程(cheng)信(xin)息(xi)(xi)化建設中有(you)著重要的(de)意義，其(qi)關鍵目標是使得(de)企(qi)業制(zhi)造過程(cheng)中的(de)信(xin)息(xi)(xi)全面(mian)化。生產過程(cheng)中，數字孿生可(ke)通過收集各種傳感器發出的(de)信(xin)號，獲取與實(shi)際制(zhi)造過程(cheng)相關的(de)運營和(he)環(huan)境數據，從而能夠(gou)識(shi)別偏離(li)理(li)想狀態的(de)異常(chang)情況(kuang)，并進行報警。
商業智能
僅憑生產更優質的產品即可創造和獲得價值的時代已經結束，以大數據技術為核心驅動的智能制造，正以洶涌之勢席卷全球。要(yao)實(shi)現(xian)(xian)智能轉(zhuan)型，離(li)不開大數據分析平臺的構(gou)建，離(li)不開密切(qie)關聯的制造業商業智能。通過(guo)幫(bang)助(zhu)企業建立(li)數據化(hua)運營(ying)體系，真(zhen)正實(shi)現(xian)(xian)數據驅動(dong)決策。通過(guo)數據化(hua)運營(ying)，業務人(ren)員將數據轉(zhuan)化(hua)成運營(ying)策略，從而能夠判斷趨勢，展開有效行動(dong)，幫(bang)助(zhu)自己發現(xian)(xian)問題，推動(dong)創新或解決方案出現(xian)(xian)。
《2009-2010年中國商業智能市場分析》中稱，目前全球范圍內，商業智能已經超過ERP和CRM（customer relaTIonship management，客戶關系管理），成為*具增長潛力的領域。據中國(guo)商(shang)業智能網調查，2009年(nian)中國(guo)大陸地區的(de)(de)商(shang)業智能市場份額(e)(e)約為(wei)26億元人民幣(bi)，比2008年(nian)增長18%，約占(zhan)企業管理軟件的(de)(de)市場份額(e)(e)的(de)(de)8%。
應用商業智能的行業中，制造、零售行業約占30%的市場份額，是商業智能應用*具潛力的行業。智能制造行業，商業智能的幾個應用包括：
（1）操(cao)作(zuo)現場(chang)。實現技術流(liu)程(cheng)與生產作(zuo)業流(liu)程(cheng)的(de)有機(ji)結合。
（2）售后服務。改變保修問題分析主要靠工(gong)程師手工處(chu)理的方式，應(ying)用(yong)保(bao)修分(fen)析(xi)解決系統(tong)，使工程師迅(xun)速判斷保(bao)修賠償率(lv)、是否需要特殊檢(jian)查等。
（3）決策支(zhi)持。決策支(zhi)持系統(tong)(tong)(tong)由數(shu)據倉庫及管理系統(tong)(tong)(tong)、模(mo)型庫及管理系統(tong)(tong)(tong)、知識庫及管理系統(tong)(tong)(tong)、數(shu)據抽取工具(ju)、數(shu)據挖掘(jue)與知識發現工具(ju)、用戶界面等模(mo)塊組(zu)成，從(cong)而(er)成功實現了對數(shu)據、模(mo)型、知識、交互四(si)個部件的系統(tong)(tong)(tong)集成決策。
（4）辦公系(xi)統(tong)。加強和完(wan)善生產管理、提高資源共享和團隊協作程度，*大限度地實現公司(si)內部資源的高效利用，提高綜合統(tong)計、分(fen)析、處理數據(ju)，報表設計的效率。
商業智能在智能制造中的具體應用也有很多。例如，針對基于ERP系統的制造企業，可利用商業智能系統進行數據挖掘、前瞻性數據分析和決策支持功能的應用。其次，以制造型企業的業務需求為前提，可提出商業智能的應用實施方案，基于SQL Server 2008 Business Intelligence平臺(tai)創(chuang)建以生(sheng)產、庫(ku)(ku)存(cun)和銷售(shou)(shou)為(wei)主題的(de)(de)(de)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)倉庫(ku)(ku)，且通(tong)過(guo)SQL Server集成(cheng)(cheng)服(fu)(fu)務(wu)(wu)從源(yuan)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)庫(ku)(ku)中抽取、轉換(huan)和加載相關(guan)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)到數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)倉庫(ku)(ku)中，然后(hou)，利用(yong)(yong)(yong)SQL Server分(fen)(fen)析(xi)服(fu)(fu)務(wu)(wu)對(dui)(dui)三個(ge)主題建立相應的(de)(de)(de)多維數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)集，并進(jin)行分(fen)(fen)析(xi)，接著通(tong)過(guo)SQL Server報表(biao)服(fu)(fu)務(wu)(wu)完成(cheng)(cheng)商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)的(de)(de)(de)交付任務(wu)(wu)。另(ling)外，針(zhen)對(dui)(dui)智(zhi)能(neng)(neng)(neng)制(zhi)造(zao)(zao)產品(pin)的(de)(de)(de)各種(zhong)售(shou)(shou)后(hou)服(fu)(fu)務(wu)(wu)問(wen)題，可利用(yong)(yong)(yong)商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)的(de)(de)(de)解決(jue)和應用(yong)(yong)(yong)實施方案，對(dui)(dui)售(shou)(shou)后(hou)服(fu)(fu)務(wu)(wu)問(wen)題進(jin)行研究分(fen)(fen)析(xi)，用(yong)(yong)(yong)商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)的(de)(de)(de)理(li)論去幫助制(zhi)造(zao)(zao)行業(ye)(ye)分(fen)(fen)析(xi)、控(kong)制(zhi)并解決(jue)售(shou)(shou)后(hou)服(fu)(fu)務(wu)(wu)的(de)(de)(de)質量問(wen)題。同(tong)時，通(tong)過(guo)將制(zhi)造(zao)(zao)系(xi)統與基于數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)倉庫(ku)(ku)的(de)(de)(de)商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)進(jin)行集成(cheng)(cheng)應用(yong)(yong)(yong)，不僅為(wei)各種(zhong)車間系(xi)統帶(dai)來了接口，而(er)且還具有數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)集成(cheng)(cheng)、數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)分(fen)(fen)析(xi)和儀表(biao)盤生(sheng)成(cheng)(cheng)的(de)(de)(de)功能(neng)(neng)(neng)。而(er)且，針(zhen)對(dui)(dui)智(zhi)能(neng)(neng)(neng)制(zhi)造(zao)(zao)中的(de)(de)(de)柔性制(zhi)造(zao)(zao)系(xi)統，應用(yong)(yong)(yong)商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)工具，可以分(fen)(fen)析(xi)涵(han)蓋(gai)用(yong)(yong)(yong)戶需求的(de)(de)(de)相關(guan)柔性制(zhi)造(zao)(zao)數(shu)(shu)(shu)(shu)據(ju)(ju)(ju)。此外，商(shang)業(ye)(ye)智(zhi)能(neng)(neng)(neng)工具可為(wei)正在經歷工業(ye)(ye)4.0轉型(xing)的(de)(de)(de)中型(xing)企業(ye)(ye)（medium enterprises，ME）帶(dai)來很(hen)大的(de)(de)(de)價值。
多種智能技術融合
在智能制造中的應用
除了將(jiang)單個關鍵(jian)智能技術(shu)(shu)應用(yong)到智能制(zhi)造(zao)中的(de)(de)研究之外，制(zhi)造(zao)企業中交叉融合應用(yong)多種關鍵(jian)智能技術(shu)(shu)的(de)(de)研究也比比皆(jie)是(shi)。
將多種關鍵智能技術融合應用到實際的智能制造中，可為制造過程提供智能優化決策系統，從而減少智能制造的誤差，提高智能制造的精度和效率。比如，韓*駿等[1]提出了一種用于加工中心優選刀具和切削參數的新方法，該方法以基本切削數據庫為基礎，結合遺傳算法、神經網絡、模糊控制技術，以及根據實際工況的需要，通過學習、修正，實時優選出能滿足各種具體工作環境要求的刀具*佳切削參數。同時，彭觀等[2]提出一種基于專家系統和神經網絡相結合的加工過程多目標優化智能決策方法，并建立了專家系統和神經網絡之間的信息交換機制。此外，嚴濤等[3]針對傳統(tong)磨(mo)(mo)削(xue)加工過程精度控(kong)制遇到的(de)困境，提(ti)出了將傳統(tong)的(de)專(zhuan)家系統(tong)推(tui)理(li)架構和模糊神經網絡相(xiang)結合建立智能磨(mo)(mo)削(xue)參數(shu)決策系統(tong)。
在該決策系統中，利用專家系統對磨削參數初步決策，并在加工間隙及加工結束時對加工參數進行調整以及對知識庫進行修正，使系統具有了很強的自適應能力和自學習能力，提高了磨削的精度和磨削效率，減小了磨削加工誤差。另外，Tammy Hoiter等[4]創建了一項預測功能來評估決策變化和環境變化對系統性能造成的影響。其中，這種預測功能是通過將神經網絡和遺傳算法結合來實現的。
- 參考資料 -
本文撰寫過程引用和參考了以下文章和資料，一并感謝：
[1]韓(han)*駿， 張昆(kun). 加(jia)工中心工藝參數智能(neng)生成系(xi)統的研(yan)究[J]. 清華大學(xue)學(xue)報: 自(zi)然(ran)科學(xue)版， 1999， 39
(2): 30-33. [2]彭觀，陳統堅(jian). 基于專家系統和神(shen)經網(wang)絡的制造過程(cheng)智能決策系統[J]. 組合機床與自動化加工技術， 1999 (2): 24-27.
[3]嚴濤(tao)，李蕾. 基于FNN智能(neng)型磨削參數決策(ce)系(xi)統(tong)[J]. 機床與液壓(ya)，1999
(4): 27-29. [4]HOLTER T， YAO X， RABELO L C， et al. IntegraTIon of neural networks and genetic algorithms for an intelligent manufacturing controller[J]. Computers & Industrial Engineering，1995，29(1-4): 211-215.
編輯：黃飛
