工業(yè)大數(shù)據(jù)與人工智能HFUT12第三章

機器學習基礎

專家系統(tǒng)解決的問題傳統(tǒng)機器學習方法解決的問題深度學習和知識圖譜解決的問題3.5.面向特定任務的機器學習3面向特定任務的機器學習

工業(yè)人工智能在現(xiàn)代工業(yè)系統(tǒng)中廣泛發(fā)揮作用，在諸多細分應用場景都有其運用，極大地提升了生產效率、產品質量和資源利用率。

參考美國國家標準與技術研究院（NIST）對智能制造的劃分標準，工業(yè)智能應用場景可以按三個維度來劃分：產品生產商業(yè)4面向特定任務的機器學習這三個維度指向三類問題：對產品庫存、成本的計算管理，這類問題的特征是機理清晰、經驗主導、計算需求相對較低，這類問題一般用專家系統(tǒng)來解決；生產中的流程優(yōu)化、故障檢測，需要對數(shù)據(jù)進行統(tǒng)計分析但不需要推理，這類問題則引入機器學習技術；對市場需求、商業(yè)風險的預測推理，這類問題計算復雜度高但是其問題原理或是不同對象間的關系相對清晰，一般使用深度學習和知識圖譜技術來解決。5專家系統(tǒng)解決的問題車間調度與生產管理，與制造過程密切相關的各項管理工作，如產能計劃、庫存管理等。故障診斷與參數(shù)優(yōu)化，如Coru公司采用的專家系統(tǒng)能夠針對結晶器液面自動控制系統(tǒng)進行故障診斷，提供準確的問題定位和修復建議。異常預測與過程控制方面，日本川崎的GO/STOP專家系統(tǒng)可以通過豐富的規(guī)則集對煉鋼過程進行全面監(jiān)控，并能及時預警和處理異常狀況。6專家系統(tǒng)解決的問題專家系統(tǒng)解決的問題機理清晰車間調度與生產管理計算需求相對較低經驗主導異常預測與過程控制故障診斷與參數(shù)優(yōu)化7傳統(tǒng)機器學習方法解決的問題傳統(tǒng)的機器學習技術在設備自執(zhí)行、預測性維護等場景中應用較多。在設備自執(zhí)行場景中，機器學習技術使機器人有了自主學習和適應環(huán)境變化的能力，使之能夠更靈活、高效地參與到生產活動中。在設備/系統(tǒng)預測性維護場景中，機器學習技術的參與更為重要，通過分析設備運行數(shù)據(jù)、環(huán)境數(shù)據(jù)和其他相關數(shù)據(jù)，機器學習模型能夠精準預測設備的故障趨勢，提前進行預防性維護，大大降低了停機時間和維修成本。如德國KONUX公司通過整合智能傳感器與機器學習算法，成功實現(xiàn)了對設備運行狀態(tài)的精準監(jiān)測和預測。8傳統(tǒng)機器學習方法解決的問題KONUX提供的設備監(jiān)控服務9深度學習和知識圖譜解決的問題深度學習是基于深度神經網(wǎng)絡來學習數(shù)據(jù)特征的方法，在工業(yè)領域解決質量檢測、物體分揀、風險管理問題上表現(xiàn)良好。在質量檢測環(huán)節(jié)，深度學習通過自動特征提取和模型訓練，能高效識別傳統(tǒng)方法難以捕捉的細微缺陷，顯著提升檢測速度和準確性。10深度學習和知識圖譜解決的問題深度學習是基于深度神經網(wǎng)絡來學習數(shù)據(jù)特征的方法，在工業(yè)領域解決質量檢測、物體分揀、風險管理問題上表現(xiàn)良好。知識圖譜作為一種新型知識組織和管理方式，在工業(yè)領域也被廣泛應用。通過構建供應鏈知識圖譜，華為實現(xiàn)了供應鏈風險管理，以有效關聯(lián)并管理多元信息資源；而在融資風險管控場景中，西門子利用知識圖譜技術建立高維關系網(wǎng)絡，識別和管控融資過程中的潛在風險。11深度學習和知識圖譜解決的問題在不規(guī)則物體分揀方面，深度學習與3D視覺技術結合，使得機器人能夠學習和識別復雜形狀和重疊物體，并確定最佳抓取點，從而實現(xiàn)快速、準確的自動化分揀。Robominds的Robobrain-Vision系統(tǒng)以及愛普生、埃爾森、梅卡曼德等公司的解決方案都證明了這一點。Robominds的Robobrain-Vision系統(tǒng)12深度學習和知識圖譜解決的問題深