智能制造系统中的智能算法

龙源期刊网

现场数据采集技术及在智能制造系统中的应用

作者：滕利 陈秦磊

来源：《科学与信息化》2018年第12期

摘 要 智能制造系统主要包括系统开发技术以及数据采集技术等。在实际应用当中，通过系统设计以及数据采集流程等方式操控流程方案。在本文中，将就现场数据采集技术及在智能制造系统中的应用进行一定的研究。

关键词 现场数据采集技术；智能制造系统；应用

前言

在科学技术不断发展的过程中，有较多新的技术出现，并因此对工业发展带来了较大的变化，这其中即包括有信息技术以及智能技术等。在该种情况下，即需要企业能够通过数据采集方案的升级，改造对自身经营以及生产管理的水平，从而获得更好的发展。

1 智能制造概述

在现今工业发展当中，智能化是其中的重要发展趋势。在信息化不断发展的过程中，工厂也从之前的数字化向着智能化的方向转变，物联网等设备的应用，不仅能够对信息服务管理工作进行强化，而且将对生产人员以及生产流程等进行更好的掌控与改造，以此使生产进度以及计划具有更为智能以及合理的特点。对于智能制造来说，其可以说是数字化管理工作开展的进阶阶段，具有一定的学习以及思考能力是其主要特点，能够在积极总结相关经验的基础上优化工艺。在智能生产线当中，具有不同功能和类型的智能设备设置，能够在单机设备、车间同生产线间互连的基础上，形成互联互通特征的智能工厂，并逐渐形成涵盖企业以及行业的系统，通过智能的组合分配满足不同制造需求[1]。

2 现场数据采集

在智能制造系统当中，实施数据采集的内容包括有设备、材料、施工环节、人员以及施工放大等内容。人员数据则包括有排班情况、运行参数、设备数据、物料编码、生产过程信息以及位置状态等等。在实际系统运行中，要想对上述信息进行采集，则可以通过刷卡、条码扫描以及RFID等方式进行。在具体采集数据的过程中，做好对复杂数据的处理十分关键，该项工作可以借助高精度设备完成目标。对此，在实际生产中对实时数据进行采集时，主要的工作即通过设备的使用实现相关信息的收集。而在智能系统当中，也具有较多的设备，除了基本的生产以及辅助设备外，还具有检验检测设备、运输设备以及冲压下料设备等。对于不同设备来龙源期刊网

龙源期刊网

智能制造技术与系统的应用研究

作者：陈建 李秀丽 朱健

来源：《世界家苑·学术》2016年第08期

摘要：当今社会随着科技的发展和经济的繁荣，人民生活水平不断在提高，越来越多的高科技的智能制造技术应用到人民生活中的各个领域中。现阶段，智能技术、自动化技术、信息技术在社会各个领域都应用广泛。这些智能制造技术应用在人们的生活中不仅会使人们的生活变得越来越方便，而且还会使人们的生活水平和效率大大提高。在工业生产中运用智能制造技术不仅降低了劳动强度，降低了生产成本，而且还大大提高了生产效率和产品的质量，从而提高了生产效益。目前国内重工业生产效率的提高就是这些智能制造技术广泛投入到工业生产中的体现。下面将对当今社会智能制造技术与系统的应用研究展开分析。

关键词：智能制造；工业生产；技术与系统；发展方向

1智能制造技术与系统定义及特点

可以看到目前社会，科学技术无疑是第一生产力。智能制造技术就是科学技术的重要组成部分，智能制造技术在工业生产中将扮演者重要角色，将会促使全球制造业往更高更快方向发展。在世界上的任何国家中，制造业都占据着举足轻重的地位，是推动国家发展和经济繁荣的最关键力量。一个国家制造业的发展水平往往决定着一个国家在世界上占据的地位，是一个国家综合国力的重要体现。迄今为止，制造业经历了一个漫长而又复杂的过程，从一开始的集体生产手工制作，到后来的机械化人工控制操作，到目前的无人化与智能化生产。在这样复杂而又漫长的过程，智能制造技术与系统改变制造业的一个最重要特点就是解放人的同时还提高了生产效率。这就突出显示了智能制造技术在工业生产中的重要性。智能制造技术与系统在原有的传感技术、电子通信技术、网络计算机技术，电子机器人等先进技术的基础上，再加上智能化技术与智能制造技术与系统来高效的完场制造。它是多种高科技设备完美融合的结晶产物。智能制造技术与系统包括许多高科技的子系统，其中最重要的就是计算机系统。智能制造技术的完美发挥需要各个子系统间的密切联系与合作。在我国的工业生产中，人们没有对智能制造技术与系统的正确认识，导致智能制造技术在我国工业生产中没有普遍实行。所以，目前在全国范围内大力推广智能制造技术与系统是我们的首要任务。

人工智能在智能制造中的算法原理与实际应用

随着科技的不断发展，人工智能（Artificial Intelligence，简称AI）正逐渐渗透到各个领域，其中智能制造无疑是人工智能应用的热点之一。本文将从算法原理和实际应用两个方面，探讨人工智能在智能制造中的应用。

一、算法原理

1. 机器学习

机器学习是指让机器通过从大量数据中学习，获取并自主改进知识和技能的能力。在智能制造中，机器学习可以通过训练模型，实现对生产过程中的数据进行分析和预测，从而优化生产效率和质量。

2. 深度学习

深度学习是机器学习的一种技术，通过构建类似于神经网络的结构，实现对大规模数据的处理和分析。在智能制造中，深度学习可以应用于图像识别、语音识别等方面，帮助实现智能化的生产过程。

3. 自然语言处理

自然语言处理（Natural Language Processing，简称NLP）是指让机器理解和处理人类自然语言的技术。在智能制造中，通过NLP技术，机器可以理解人类的指令和需求，并进行相应的操作和反馈，提高生产效率和交互体验。 二、实际应用

1. 智能生产线

通过人工智能算法的支持，智能生产线可以实现设备的自主联动、生产过程的自动监控和调整。例如，通过机器学习和深度学习的技术手段，生产线可以根据实时数据进行优化调整，提高生产效率和产品质量。

2. 智能质检

传统的质检过程通常需要大量的人力投入，且存在主观判断的问题。而利用人工智能技术，可以实现智能质检，通过对产品图像进行识别和分析，自动检测出产品的缺陷和不合格项，提高质检效率和准确性。

3. 智能物流

在物流领域，人工智能的应用可以实现智能调度、路径规划和风险预警等功能。通过人工智能算法，可以对运输数据进行分析和预测，优化物流运输路径和调度安排，提高物流运输的效率和安全性。

综上所述，人工智能在智能制造中的应用，通过算法原理的支持，实现了智能生产线、智能质检和智能物流等方面的创新。随着人工智能技术的不断进步和应用场景的扩大，相信人工智能将在智能制造领域发挥更大的作用，为生产企业带来更高效、更智能的发展。

智能制造中的工业机器人动力学建模与控制算法

在智能制造领域，工业机器人扮演着关键的角色，能够提高生产效率、降低成本、增强产品质量。而要实现智能化、高效化的工业机器人，动力学建模与控制算法是不可或缺的重要组成部分。

动力学建模指的是根据机器人的物理特性、结构参数以及运动学模型，建立机器人的动力学模型。通过动力学建模，可以获得机器人的运动学方程、动力学方程和力矩方程等重要参数，从而为后续的控制算法设计提供基础。

在实际应用中，机器人的动力学模型通常采用拉格朗日方法进行建模。首先，根据机器人的关节、连杆和质量分布等参数，构建机器人的运动学模型。然后，运用拉格朗日方程，可以将机器人的运动学方程转化为与关节力矩有关的动力学方程。最后，通过求解动力学方程，可以得到机器人在不同运动状态下的力矩分布情况。 控制算法是指利用动力学模型，对机器人的运动进行精确控制的算法。常用的控制算法包括PID控制、模糊控制、自适应控制等。其中，PID控制是最常见和简单的控制算法，通过对机器人的位置、速度和加速度进行反馈，调整机器人的输出信号，使其达到期望的运动状态。模糊控制则利用模糊逻辑和模糊推理，根据输入的模糊规则来设计控制器，对机器人的运动进行精确控制。自适应控制是一种根据系统动态特性自适应调整控制参数的控制算法，能够适应机器人在不同工况下的运动特性，提高控制的稳定性和精度。

需要注意的是，智能制造中的工业机器人动力学建模与控制算法，并不仅仅限于单个机器人的研究与应用。随着智能制造的不断发展，大规模的机器人系统和协作机器人系统在生产线上得到广泛应用。因此，如何将多个机器人进行协调控制，实现任务的分工与合作，成为智能制造中的重要研究内容。

为了实现多机器人的协调控制，需要先建立多机器人动力学模型。多机器人动力学模型的建立可以通过仿真实验、实际观测数据以及模型识别等方式来完成。根据多机器人的运动学关系和相互作用力的影响，推导出多机器人的总能量、动力学方程以及力矩方程等关键参数。