「学科发展报告」制造系统智能控制技术

制造系统控制是根据给定的目标和要求，发挥人的智慧，利用计算机作为手段，对制造系统的运行过程进行合理控制，达到优化生产、优化经营的一门技术，是制造系统研究的热点和前沿课题之一，对提高制造系统自动化和智能化水平有重要作用。

制造系统控制的目标是通过对制造过程中的物料、人力、设备等生产资源的合理计划、调度与控制，缩短产品的制造周期、提高产品质量、降低物耗能耗、提高生产资源的利用率，最终提高生产率［1］。制造系统控制技术的发展体现在单元控制技术和系统控制技术两个方面。

国际上制造业发达国家越来越重视制造系统控制相关技术的发展，我国虽然起步较晚、基础较弱，但经过近几年的持续攻关与发达国家的差距正在逐渐缩小。目前，国内制造系统控制技术与国外相比仍存在以下几方面差距。

（1）缺乏具有自主知识产权的核心基础零部件研发能力。例如，高性能控制器是制造系统基本单元中最核心的运算控制元件，国产的制造系统用控制器主要存在开发性差、软件独立性差、容错性差和扩展性差等缺点，制约了其在先进制造系统中的应用，最终导致国外品牌产品长期占领中国市场的局面；网络化接口技术和标准化不足，导致各种控制单元无法实时进行通信，形成信息化孤岛；核心软件受制于人，制造过程的监控、检测难实现，基于数据分析的制造过程优化决策难以实现。

（2）制造系统智能化、数字化、网络化水平较低。以数字化车间、智能工厂、网络协同制造为代表的传统制造业转型升级在全球范围内兴起，国内尚处于跟进与探索阶段。以智能工厂为例，目前存在的问题包括行业对智能工厂认知程度不同，建设水平分化差距较大；智能工厂建设的系统性规划不足，全生命周期价值创造力有待增强；对外技术依存度仍然较高，安全可控能力有待进一步提升。

针对上述问题，国家制造业中长期发展战略规划《中国制造 2025》中强调开展新一代信息技术与制造装备融合的集成创新和工程应用，突破制造系统零部件及系统集成设计制造等技术瓶颈，建设重点领域智能工厂 / 数字化车间。建立智能制造标准体系和信息安全保障系统，搭建智能制造网络系统平台。到 2020 年，制造业重点领域智能化水平显著提升，试点示范项目运营成本降低 30%，产品生产周期缩短 30%，不良品率降低 30%。到 2025 年，制造业重点领域全面实现智能化，试点示范项目运营成本降低 50%，产品生产周期缩短 50%，不良品率降低 50%。此外，国务院在《关于积极推进“互联网 +”行动的指导意见》中，将“互联网 +”协同制造作为重点行动之一，旨在推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，加强产业链协作，发展基于互联网的协同制造新模式。在重点领域推进智能制造、大规模个性化定制、网络化协同制造和服务型制造，打造一批网络化协同制造公共服务平台，加快形成制造业网络化产业生态体系。

（一）制造系统控制技术国内外发展比较

制造系统的发展趋势是智能化、数字化和网络化，相应的制造系统控制技术在实现智能制造伟大工程中越来越发挥着重要作用。以下分设备、管理、模式及信息等几个层次介绍制造系统控制技术的发展：

1. 控制器与控制软件

制造系统的智能化离不开最底层的控制单元，因此控制器的发展水平直接决定了制造系统控制技术的先进性。随着制造系统复杂度的提高以及工业大数据的广泛应用，智能控制器的运算速度和处理能力逐渐受到了业界的关注，研发高性能控制器成为制造系统控制的核心技术之一。智能控制器从FPGA、GPU发展到TPU。谷歌TPU是专为机器学习量身定做的，执行每个操作所需的晶体管数量更少，能加速其第二代人工智能系统TensorFlow 的运行，而且效率也大大超过GPU。2016年，谷歌推出了TensorFlow Processing Unit（张量处理单元，TPU）的第2 代以及 Cloud TPU。与谷歌的第一代 TPU ASIC（专用集成电路） 不同，Cloud TPU被设计用来支持AI的神经网络训练或推理的使用。第二代TPU芯片为机器学习提供每秒45 万亿次浮点运算（约相当于 16位TFLOPS），大约是英伟达 P100（20 TFLOPS）或AMD 即将推出的 Vega GPU（25 TFLOPS）的两倍。TPU每瓦能为机器学习提供比所有商用GPU和FPGA更高的量级指令，这基本相当于7年后的科技水平。TPU 是为机器学习应用特别开发，以使芯片在计算精度降低的情况下更耐用，这意味每一个操作只需要更少的晶体管，用更多精密且大功率的机器学习模型，并快速应用这些模型，因此用户便能得到更正确的结果。Cloud TPU封装在一个4 芯片的模块上，具有把这些强大的处理器连接起来的结构，可以实现非常高的处理性能。TPU 技术已应用于围棋竞技、无人驾驶、计算机数据库节能，将其应用于制造工艺过程优化和智能装备控制急需控制工程学术界和工业界领域将引起制造系统的变革。

制造系统控制软件是制造过程智能化的另一核心组成部分，如 MES、CPS、ERP 等， 它们将控制器、传感器乃至底层设备的信息互通互联，共同组成了制造系统的控制单元。尽管目前已有较多的软件能够实现上述功能，但软件标准不统一、接口无法实现无缝对接，阻碍了智能工厂以及网络化协同制造的实施。软件作为控制系统的大脑，在未来制造系统控制技术发展中仍然是重中之重。

2. 数字化车间和智能工厂

数字化车间是以生产对象所要求的物料、工艺和设备等为基础，以信息技术、自动化技术等为手段，用数据连接车间不同生产要素，对生产过程进行规划、管理、诊断和优化。数字化车间技术在世界制造业领域发展的必然趋势。调查表明，车间运行可视度低是制造企业存在的主要问题，受制于生产设备和信息化管理手段的落后，而数字化车间正是解决这一问题的最佳途径。数字化车间分为车间生产控制和现场执行两部分，前者是数字化车间的核心，主要强调生产计划控制与执行，后者则是数字化车间的基础，主要强调设备管理、现场数据采集和监控。由数字化生产设备、网络、数据管理系统建立起来的制造执行系统是数字化车间的关键组成部分。数字化车间可以缩短产品制造周期、提高资源综合利用效率、提高制造系统的快速响应能力，实现高动态性、高生产率、高质量和低成本的产品数字化制造，是企业持续提高竞争能力的手段。在数字化车间领域，最先进的是FANUC 机器人制造车间实现的全年 24 小时的高度智能化，采用大量机器人实现零部件搬运、自动装配、测试和包装。在国内，新松机器人自动化股份有限公司在数字化智能车间解决方案方面拥有自主技术和核心产品，但应用范围和成熟度相对较低。

随着智能制造在全球范围的快速兴起，智能工厂业已成为传统制造企业转型升级的主要突破方向。智能工厂是在数字化工厂的基础上，利用物联网技术和监控技术加强信息管理服务，提高生产过程可控性、减少生产线人工干预，合理计划排产，同时集初步智能手段和智能系统等新兴技术于一体，构建高效、节能、绿色、环保、舒适的人性化工厂。

与流程工业相比，离散制造行业具有生产过程复杂、产品种类繁多、工艺路线和设备使用灵活、车间形态多样等特点，离散制造企业底层自动化、数字化的基础较为薄弱，应用信息网络技术进行智能工厂建设的难度也相对较大。离散制造业首先在底层制造环节由于生产工艺的复杂性，如车、铣、刨、磨、铸、锻、铆、焊对生产设备的智能化要求很高，投资很大。特别是装备制造业、家电、汽车、机械、模具、航空航天、消费电子等产品大多要求产品智能化，设计智能。因此，在中国制造2025及工业4.0信息物理融合系统CPS 的支持下，离散制造业需要实现生产设备网络化、生产数据可视化、生产文档无纸化、生产过程透明化、生产现场无人化等先进技术应用，做到纵向、横向和端到端的集成，以实现优质、高效、低耗、清洁、灵活的生产，从而建立基于工业大数据和“互联网 +”的智能工厂。目前，信息网络技术应用已经从流程行业延伸到离散行业，汽车、电子、工程机械、航空航天等部分大型离散制造企业积极进行探索，将信息网络技术引入研发设计、生产制造、过程管理等环节，不断提升产品、装备、生产、管理和服务的智能化水平。

目前，智能工厂标杆企业主要有：

（1）德国西门子旗下的安贝格电子制造工厂，是智能工厂的典范。它拥有高度数字化的生产流程，能灵活实现小批量、多批次生产，每 100 万件产品残次品仅为 10 余件， 生产线可靠性达到 99%、可追溯性高达 100%。它与西门子在华姐妹工厂—成都西门子工厂，从研发、生产、采购等一系列平台都是共享的，成都西门子工厂的良品率达到了99.9985%，准时交付率达到 98.8%。

（2）三一重工公司是典型的离散制造型行业，建有亚洲最大的智能制造车间。三一重工从 2012 年开始进行智能制造示范项目建设，目前已建成车间智能监控网络和刀具管理系统、公共制造资源定位与物料跟踪管理系统、计划 / 物流 / 质量管控系统生产控制中心（PCC）中央控制系统等智能系统，厂房规划全面应用数字化工厂仿真技术进行方案设计与验证，大大提高了规划的科学性和布局的合理性。

（3）青岛红领集团是一家 C2M（Customer to Manufacturer）模式的智能工厂。它强调“个性化定制”的理念，借助互联网搭建消费者与制造商的直接交互平台，从设计生产到物流售后，全过程依托数据驱动和网络运作，实现了智能排产、智能制造执行、智能设备使用、物料的智能化识别、人机交互的可视化、智能物流等。2015 年营收增长将超过200%，未来几年更将实现几何倍数的增长。

3. 网络协同制造

互联网影响了人类社会，并对社会发展起了很大的推动作用，是当今社会各种变革的最大根源。“互联网 +”协同制造将通过互联网技术手段让制造业价值链上的各个环节更加紧密联系、高效协作，使得个性化产品能够以高效率的批量化方式生产，实现所谓的“大规模定制”。德国在“工业 4.0”的各个环节应用互联网技术，通过制造过程与业务管理系统的深度集成，将实现对生产要素的高度灵活配置，实现智能制造，达到大规模定制生产的目的。“智能制造 + 网络协同”已经成为事实上的未来制造模式，而未来我国的制造企业也势必将从单纯制造向“制造 + 服务”转型升级。

网络协同制造将网络与制造紧密相连，按照敏捷制造的思想，采用 Internet 技术，建立灵活有效、互惠互利的动态企业联盟，有效地实现研究、设计、生产和销售各种资源的重组，从而提高企业的市场快速反应和竞争能力的新模式，贯穿工艺和设备层面、车间级别和工厂层面以及企业级别的人流、能量流、物流以及数据信息流的互联互通和协同共享，由传统的数据孤岛转为信息化协同管理，将各个环节的数据采集并输入到全生命周期数据库形成知识库。在全生命周期数据的基础上，结合物联网、云计算、大数据等技术，由要素驱动向创新驱动转变，由低成本竞争优势向质量效益竞争优势转变。结合云计算等先进理念，融合信息技术、制造技术以及新兴的物联网技术，支持制造业企业内部及企业间在众多可靠的网络资源支持下实现对不同产品各个阶段的增值，即云制造。建立共享制造资源的公共服务平台，将社会上的各类产品开发、制造、运维等全生命周期的相关数据资源整合在一起，提供标准、规范、可共享的制造服务模式，以此促进创新资源、生产能力、市场需求的集聚与对接，提高产业链资源整合能力。

4. 工业大数据

工业大数据是未来工业在全球市场竞争中发挥优势的关键。无论是德国工业 4.0、美国工业互联网还是《中国制造 2025》，各国制造业创新战略的实施基础都是工业大数据的搜集和特征分析，及以此为未来制造系统搭建的无忧环境［11］。随着新一代信息技术与制 造业的深度融合，工业企业的运营管理越来越依赖工业大数据。工业大数据的潜在价值也日益呈现。随着越来越多的生产设备、零部件、产品以及人力物力不断加入工业互联网， 也致使工业大数据呈现出爆炸性增长的趋势。

工业大数据实现如下功能：

（1）优化网络：在一个网络系统内实现互联的各种设备或机器，可以通过互联网相互协作，提高网络整体的运营效率。

（2）优化运维：通过工业大数据可以实现最优化、低成本，并有利于整个设备或机器的运行维护。

（3）恢复系统：通过建立广泛的大数据信息，可以帮助网络系统在发生毁灭性打击之后更加快速、有效地进行恢复。

（4）自主学习：每台设备或机器的操作经验可以聚合为一个大数据，使得整个设备或机器能够自主学习。

毫无疑问，工业大数据的应用可以为制造型企业带来两大价值，即增加收入、降低成本。

（二）制造过程中的智能方法

工业制造作为国防和国民经济支柱产业，长期以来是各发达国家激烈竞争的热点，是制造系统一个主要问题。以半导体硅材料的制造为例，根据“一代工艺、一代装备、一代产品”的产业发展规律，各种新材料、新工艺和新型需求的不断涌现，高端电子信息制造特别是半导体制造过程带来极具挑战性的控制技术创新难题。半导体制造技术亟待探索新型柔性化、智能化的超精密生产工艺和专用装备。其关键问题主要体现在多物理场耦合建模与优化、精密电子制造过程的超精密检测、高速高精度运动控制等方面。进一步，随着IC 应用范围不断扩大，元器件及终端产品种类越来越繁多，终端应用产品也呈现多元化和个性化等，半导体制备过程朝着更加智能化、绿色化、服务化方向发展，对制造系统控制技术提出了更高要求。

1. 智能检测

随着集成电路的要求不断提高，对直拉硅单晶生长过程中关键参量的检测提出了更为苛刻的要求。在大尺寸电子级单晶炉工作的过程中，单晶炉的关键参量主要包括热场温度、晶体直径和硅熔体液位。同时由于硅单晶尺寸的不断增加，炉内内部环境、结构变得越来越复杂，传感器的视野范围、布设位置等都受到较大的影响，这为单晶炉的这三个关键参量检测带来了较大的困难。

在直拉硅单晶生长的过程中，热是晶体生长的根本驱动力，热场温度的检测不仅是加热器功率控制的一个重要环节，也是设计和优化热系统参考数据的一个重要来源。目前常用的热场温度检测手段是采用单点测量的方法取代整个热场的温度，即采用检测固液界面处的温度来间接计算热场温度［2］。随着单晶炉内部空间尺寸越来越大、控制和建模的要求和热场描述更加复杂，单点温度测量方法无法反映整个空间的温度分布，难以满足要求，选取多个测量点已经成为必然的趋势，如何用最少数目的测量点来逼近整个热场的测量，是热场温度检测未来发展的一个重要课题。由于热场测量评价函数和传感器布设位置的关系较为复杂，同时存在较强的非线性，无法通过解析的方法进行求解，而随着智能优化方法的发展，为单晶炉热场温度测量传感器的位置布设问题提供了新的解决方案。晶体直径是整个硅单晶生长过程中的控制目标，一方面可以提高晶体在后续工序中的利用率， 另一方面可以降低晶体内部的微缺陷，提高晶体的品质。目前国内外大多采用 CCD摄像机对晶体直径进行检测，为了提高直径检测的精度和速度，许多智能方法被应用到晶体直径的检测中，如基于贝叶斯方法的直径检测方法［3］、基于人工鱼群 - 霍夫变换的直径检测方法［4］、基于粒子群直径检测方法等方法［5］，但这些方法都受到标定问题的困扰。随 着控制领域中机器视觉的发展，尤其是双目机器视觉测量方法的发展，采用机器视觉检测方法以提高晶体直径的检测精度成为今后检测晶体直径的一个重要研究方向。

在晶体生长的过程中，由于在大量的周期性机械运动和随机运动，使得检测信号中存在大量的周期干扰和非高斯的随机干扰，这些干扰严重影响着信号检测的精度，从而影响控制系统的性能。目前的抑制方法国内外经常采用均值滤波、中值滤波、一阶滞后滤波和自适应对消法，由于这些噪声的先验知识（频率、幅值和个数等）不能精确确定，导致这些方法的滤波效果不能满足控制系统的要求。由于这些噪声参数的不确定和非线性的存在，国内外学者引入了智能优化方法对检测信号进行估计，如基于跨维模拟退火算法的热场温度估计方法［2］、基于粒子群的热场温度滤波方法等［6］，但由于智能优化方法在收敛性能和速度存在着不足，使得这些方法仍然存在一些缺点，因此，如果改进和使用智能优化方法估计直拉硅单晶生长过程中的参量是今后研究硅单晶生长过程中关键参量检测的一个重要问题。

2. 智能建模

在半导体硅材料制备过程中，由于具有温度场空间大、多场动态耦合、边界条件模糊，化学物理变化交错且相互影响等突出特点，使得这一过程存在模型不精确、数据不完整、机理不明确的问题。

在晶体生长过程中，由于存在不均匀的温度场、磁场、重力场、自由表面张力以及多种机械运动，使坩埚内的硅熔体产生多种对流。热场影响热对流，磁场的作用直接影响流场并间接影响温度场中的温度分布，温度场的改变反过来又会影响流场，在这种多场动态耦合作用下，使熔体的对流形态及演变过程呈现复杂特征，最终使得晶体生长的决定性变量 - 温度的变化复杂。机理建模具有精确性高、针对性强等特点，适用范围较大。如参考文献［7-9］对热辐射和热传导机理等进行理论分析建立的钢温数学模型。然而，硅单晶生长要经过引晶、放肩、转肩、等径、收尾等工艺过程。随着工艺过程的不断变化，晶体长度与重量不断增加，熔硅体积随之减小，坩埚位置不断上升，使得单晶炉中固液界面形态随时间变化，温度场分布相应变化，反映出具有鲜明的时空变化特征，因此建模难度大、周期长，且模型中众多的结构参数和物性参数难于求取，方法的应用受到限制。另外，机理分析总是基于很多简化和假设之上，这就使得机理建模与实际过程之间存在着一定的误差。参考文献［10］应用卡尔曼滤波器技术实现了对钢还在均热炉中温度分布的估计，其缺点是必须测量钢还在炉内表面温度，这在现实生产中很难实现。

目前，采用数据和机理相结合的方法是一种行之有效的途径，从而建立更加准确的晶体生长模型。其方法是基于过程采集数据建立的，具有算法通用性强等特点，广泛应用于流程工业的建模及优化中。依据机理在已知范围内研究各物理场之间的偏微分方程描述和模型的选择问题。通过大量数值仿真和实验验证修正所建模型的正确性。基于传导辐射对流换热建立 CZ 法晶体生长数值模型，研究固液界面处传热传输规律，定义更多的状态变量。在建模中考虑自由表面的辐射散热，气氛对晶体和熔体自由表面的影响从而逼真实的晶体生长系统。由于坩埚中的熔体存在复杂的传热传质现象，二维数值模拟难以真实的反应其变化规律，目前，多采用建立晶体生长过程三维数值模型，研究热场、磁场、流场等多场作用下对晶体生长的固液界面形状、晶体热应力、熔体的温度分布等重要参数的影响。具有诸如此类特点的工业过程建立准确的数学模型，可更好地对这类过程进行准确高效的故障诊断与检测，同时也可以更好地设计控制算法及参数，优化过程参数，从而减少设备的停产时间，并能增加过程运行的安全性，使得控制过程达到最优，并减小制造成本，对研究半导体硅材料制备具有一定的指导意义。

3. 智能控制

硅单晶炉是一种重要的半导体硅材料制备系统，具有非线性、大时滞、不确定性等复杂性，以及在批流程运行时呈现的连续动态特征，其工作机理复杂，变量众多、相互耦合，难以采用传统数学建模方法描述其本质特征。

传统的控制方法以PID 控制为主，通常利用提拉速度和加热功率设计一个串级控制结构，对晶体直径和生长速度进行控制。PID控制结构简单、易于实现，但是控制参数需要多次整定，而且很难得到一个满意的控制结果。随着科学技术的进步和人类社会的发展，人们对硅单晶炉的控制提出了越来越高的要求，希望能获得更好的大直径、高品质的硅单晶。

智能控制是在解决具有高度复杂与不确定性以及控制性能要求越来越高的背景下产生的，近几十年智能控制得到了快速发展。其中，模糊控制鲁棒性比较好，抗干扰能力比较强，无须建立精确数学模型，已经成功应用在水泥、乙烯、食品加工等过程控制领域；神经网络控制具有自组织、自适应、自学习和较强的非线性函数逼近能力，拥有强大的容错能力，已广泛应用在化工过程控制中，但是神经网络结构和节点数目选取问题往往通过经验试凑得到。

近年来，将神经网络、模糊系统、预测控制、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，这将为解决硅单晶炉时滞参数时变复杂过程的控制问题提供有效的手段。

此外，硅单晶生产企业每天都在产生并存储着大量的生产过程数据，这些数据隐含着工艺变动和设备运行等信息，利用这些海量数据进行深度学习，这给统计学习意义下的神经网络模型的结构设计、参数选取、训练算法，以及时效性等方面都提出了新的挑战。

演讲实录丨王耀南：智能制造机器人的感知与控制技术及其应用进展

7月25日-26日，在中国科学技术协会、中国科学院、中国工程院、浙江省人民政府、杭州市人民政府、浙江省人工智能发展专家委员会指导下，由中国人工智能学会、杭州市余杭区人民政府主办，浙江杭州未来科技城管理委员会承办的2020全球人工智能技术大会在“数字之都”——杭州，成功举办。在7月26日举办的CAAI人工智能大讲堂暨云课堂 上，CAAI 监事、中国工程院院士、湖南大学教授、CAAI Fellow 王耀南 为我们带来了题为“智能制造机器人的感知与控制技术及其应用进展” 的精彩演讲。

王耀南 CAAI 监事、中国工程院院士、湖南大学教授、CAAI Fellow

以下是王耀南的演讲实录：

今天给大家带来的报告是《智能制造机器人的感知与控制技术及其应用进展》，内容主要分为三个部分，第一个部分介绍为什么要发展智能制造？智能制造的重要意义，以及它的需求在哪里？第二部分是智能制造在实施过程中有哪些关键技术？重点讲解机器人的关键技术，以及国内外的应用现状。尤其想介绍一下近年来，我们团队机器视觉感知与控制技术国家工程实验室在智能制造机器人生产线方面所做的一些工作。最后介绍智能制造是一个复杂系统，它还有很多技术需要研究，未来机器人在智能制造中有哪些发展方向？

一、发展智能制造的重大意义

今天人类已经进入到了工业4.0 的阶段。第一次工业革命人类发明了蒸汽机，开启了我们的机械化；随之开启了我们的制造，推动了工业革命。18 世纪的制造基本处于一种机械制造阶段，有了各种机械化的装备。第二次工业革命开启是在上个世纪20 年代初，人类发明了电，开启了电气化时代，人们通过电机带动生产制造。这个时期我们的制造业已经进入到一个大规模的生产阶段——批量化。随着上个世纪中叶计算机发明后，在数字化驱动下，延续到今天我们的工业已经进入到了自动化的生产，其设备有机器、数控和机器人，即进入了一个数字化、智能化和机器人化的时代，在生产制造中大量采用机器人开展制造工作。未来人类还将进入到更加智能化的制造过程，也就是我要谈的智能制造的问题。

为什么要发展智能制造？智能制造世界各国近几年发展非常迅速，在新一轮全球工业革命的催生下，互联网络与工业深度融合。我们看到世界各国都在提出自己的智能制造，尤其是著名的三大制造强国。美国提出他的互联网络制造强国，未来用互联网打造其制造业，通过对大数据进行智能分析和管理，提升传统制造。德国是一个全球制造业大国，为了提振其强大的制造业，2013 年提出了工业4.0，主要体现在怎么用嵌入式系统和信息技术切入到装备制造中，提升制造水平。中国也提出来了中国制造2025，但目前我国是制造大国，还不是制造强国。为了使制造大国向制造强国转型，我们要加快制造业转型，提出了用新一代的新型技术，以制造业进行深度的融合为主线，推进智能制造这一主攻方向，发展智能制造。

实际上，智能制造和人工智能息息相关。首先分析一下国内现状，为什么要发展我国的智能制造。从智能制造来看，制造业是国民经济的主体，是立国之本、强国之基，占我国GDP 的29.3%。我国虽然已成为世界第一制造大国，但仍存在生产效率偏低、产品质量不高、核心的高端制造装备进口率高等问题，因此迫切需要研究智能制造与机器人技术，加速我国制造业由中低端向高端转型升级，这就是国内的重大需求。

制造业要转型升级，都是向高端制造看齐，因为世界各国都把高端制造作为竞争的高点。今天中美贸易战打的主要就是在高技术、高端装备领域。进入到高端制造中，各个国家都在竞争，比如航空航天、海洋工程、轨道交通、新能源装备等高端装备，它也是我国和世界各国竞争的焦点，是战略性新兴行业，是国民经济、国防建设的主战场。所以在高端制造装备中，如何加工构建精密、结构复杂的核心零部件，它的质量直接决定了装备的性能。这就是我们说的发展智能制造需求的第二点。

第三点，机器人是制造业的关键技术，在整个高端制造中，无论是航天、轨道交通、海洋工程方面都有广泛应用，在发展智能制造机器人起着最关键的作用。机器人在智能制造中要替代人完成复杂的作业任务，将面临着重大挑战。这里面的挑战性问题非常多，归结为三个，第一个大挑战，机器人要面临替代人在高温恶劣环境下工作，它的作业环境非常恶劣；第二个大挑战，加工高端制造过程中，它的部件结构非常复杂大型、工业结构复杂；第三个挑战，加工的零部件要求一定是高速、高精度、高可靠的。在这样三大挑战的催生下，世界制造强国都在开展研究适应自己的智能制造的机器人技术。

今天介绍的主题是智能制造机器人关键技术的突破。目前制造业对现有的机器人提出了巨大挑战，首先现在的机器人实际还是一个自动化装置，它的感知适应能力还比较差；第二缺乏在线的规划、决策、优化；第三多个机器人它的协同能力比较差，无法满足高端制造的需求。

如何攻克智能制造所需要在高端中的机器人的柔性生产线这些关键技术，首先要使机器人能够适应高端制造，要突破实时的精准感知技术；第二要突破机器人在线规划和自主的决策；第三要攻克多机器人的高效协同作业。今天发展以机器人为核心的智能制造系统已经大势所趋，从这次新冠肺炎疫情中就看出，我们一条生产线怎样在很短的时间内重新组装、重新组合变成一条柔性生产线，满足人们的需求。这就是在以机器为核心的智能制造过程中需求已经发生了变化，不是在工业3.0 和2.0 大批量的生产，而是在一种小批量、品种多、定制化这样的需求下；未来的智能工厂的特征一定是数字化、网络化、智能化。

在这样的大背景下，我们设计的以机器人为核心的智能制造系统有哪几个部分组成？第一部分一定是要设置一个完整的智能化设计平台，也就是我们制造业在工业互联网的互联互通支撑下，产品设计一定是智能制造过程，一定要智能；同时，我们的服务过程一定要智能。在这种情况下，从产品的智能设计到产品的制造和服务，整个过程都一定是在互联互通的情况下完成的。

智能制造的两个核心，一个是怎样利用高端的机器人改进它，变成能够在不同环境下进行作业的机器人；第二个我们怎样搬运和组装这么多零部件。这是给大家介绍的第一部分。

二、智能制造机器人关键技术

今天要发展智能制造有很多关键技术，除了在供应链制造过程它采用了很多人工智能技术，在制造过程中，在生产线方面，比如在汽车制造、新能源装备制造、航空、轨道交通、海洋工程方面，这些高端装备中，它的零部件在加工过程中，一定要设置柔性的机器人自动化生产线。机器人带来很多优点，它可以建成一个完整的柔性化生产线，比如上下料、焊接、打磨、抛光、喷涂、装配检测、搬运物流等。

怎样协同控制好这些机器人有条不紊地实现生产过程，这是今天我们需要的人工智能技术，也就是我们的智能化决策和控制技术，怎样能感知到生产线的过程，怎样通过感知我们能够进行决策、规划所要加工的部件，怎样进行控制，这个过程需要设置一个云平台、互联互通的云端。云端主要是智能制造大脑，我们叫做制造大脑，可以指挥整个生产线的过程，它有很多复杂的算法在上面实施，这就是整个完整的一个面向装备和高端制造的智能制造体系。

在智能制造中有三个核心技术，第一个就是高速、高精度的机器视觉技术感知。

怎样有条不紊地完成柔性的生产制造。感知技术我们从生产线上怎么产生的，在这个复杂的生产线中，它应对的问题比较多，面对的挑战有光照的条件多变、结构尺寸的复杂、测量目标的微弱，它怎样能感知、测量到我们所要加工的零部件。

面临的三大挑战，就是我们的感知技术存在很多要破解的难点。第一个难点成像噪声大；第二个目标特征比较微弱；第三个感知精度比较低。为了解决这些技术上的问题，应对挑战，近年来国内外，包括我们的团队都做了大量工作。比如，我们在感知中提出了高分辨率实施的视觉成像与信息处理、高速微弱目标完整的感知，以及精准的识别、多尺度量多特征实施的三维测量。这些过程解决的策略最终是要达到高端装备制造过程中，对于大型复杂构件和零部件的识别定位检测等作业，在实施智能制造中需要有很多AI 技术，尤其体现在视觉成象、视觉感知、视觉处理、视觉三维测量方面。

下面举几个例子。

第一个例子。在复杂的生产过程中，我们提出的机器人的主动视觉成像技术，可以解决各种复杂制造环境下不同类型运动目标的精准识别。

第二个例子，我们在测量中，比如测量一个三维的汽车产线，通过高分辨率的视觉实时成像和处理能够进行视觉的信息处理。这里采用了硬件实现，为了加快速度能够进行目标三维的重建目标，达到机器人能够实时精准地对整个加工和生产的零部件，做到三维的视觉感知。

第三个例子，在感知到的情况下，怎样对一些复杂的加工零部件进行定位。比如，航空发动机、汽车发动机等构件，在复杂加工的过程中，怎样进行识别其精准位置。我们可以采用AI 技术，如前面谈到的聚类初步分割、深度的学习特征，以及精准的目标识别，最后能够达到控制加工过程中，机器人精准定位到所要装配的零部件，以解决复杂工件在加工中的定位难题。又如，通过视觉我们在突破了技术的情况下，怎样进行测量零部件。这里可采用我们提出的多尺度特征提取，实施三维的测量方法，最终达到三维的机器人测量。在零部件加工制造测量完的情况下，怎样进行质量的判断。同样采用AI 技术完成高分辨率视觉，通过视觉深度学习判定加工质量是否符合要求。

上面介绍了第一个技术，下面介绍第二个关键技术——机器人怎样高效的规划和精准的控制。

有了感知以后，我们怎样规划好。在生产线过程中，加工零部件的制造过程中，它面临的最大问题就是零部件复杂、结构化、空间小，怎样在狭小的空间指挥机器人精准地进行加工，需要很好的规划。目前研究规划要解决的第一个问题是实施位置估计；第二个问题是精准的规划角色；第三个问题是精准的轨迹跟踪。近年来，国内外研究现状都做了大量工作，绝大部分主要体现在怎样自适应的鲁棒视觉控制、多约束轨迹的规划，第三个变结构的控制应用的比较广。我举几个例子，第一个，自适应的鲁棒视觉跟踪控制，重点是解决重载抓起和定位的问题。第二个，多约束，轨迹规划算法，怎样规划好一个复杂的进行加工的路径和机器加工的轨迹，精准地控制它，实时操作。这里提出了基于视觉感知，以特征提取方法，解决复杂工件精准配准的问题和装配的问题。第三个，比如在打磨抛光，它的力位混合怎么控制好，这需要我们提到的变结构，精准的控制方法。第四个，比如通过AI 深度学习，可以辅助我们精准的控制，使机器通过第一次加工比较粗，第二次加工精确精密一点，第三次、第四次通过无限的迭代学习，最终使机器人像人一样学会操作。第五个就是视觉装配，这里也体现了视觉的作用。

第三个关键技术专业性比较强，就是多机器人的高效协同加工。

下面通过一些例子给大家进行介绍。

我们在一条非常复杂的柔性生产线过程中怎样协同？这些机器有条不紊由多个机器人来操作，这里就需要AI 技术——智能规划和调度。因为在生产线中它会面临多个机器人，面临多任务、多工序、多机器的强耦合，我们怎样解决这些问题和挑战？克服攻克这些技术难点就需要一个很好的决策系统对多个机器进行协同。第二个任务的分配。第三怎样自主的决策。解决的思路很多，但是目前在国内外应用比较好的主要是多机械协同优化的调度算法、工序优化调度的决策，以及高效优化的决策。这些手段最终目的就是要在高速生产线中，机器人能够完成定制化、小批量、多品种的生产。

怎样实施这些技术？我举一个例子，比如构建加工怎么用多个机器人去完成。一个复杂的大型航空构建，加工需要多个机器人，机器人面临着很多问题，任务多、工序多、环境复杂、信息分散等，多种指标协调起来非常困难。如何完成这些多机的协作？主要解决的思路是，第一解决多机器人的优化调度，怎么进行任务的分解，任务分配给机器人规划好路径，然后进行多个机械的协同控制。多机械在高效大型部件加工中的思路，具体实施过程中有很多复杂的技术，在多机的高效过程中，首先要进行怎样的优化调度和任务分配。第二，对多个机器人怎样进行防碰撞地解决它们的路径规划，使其精准地到达规定地方，并按照预定轨迹进行加工。第三，在这样复杂的背景下，怎样协同这些机器人有条不紊地完成重要任务。这里主要体现在多传感器新兴的融合任务的分配和路径规划、协同的控制。除了单机和多机加工在智能制造中应用最多的制造生产线，高端的数控装备和各种加工的设备怎样进行调度、协同它，这也是一个多机、多工序、多任务分配的问题，是一个多目标优化的问题。如果我们把多机器发挥得好，它可以实现多工序、多个机器的高效作用。

我们主要设置好三大软件，设置好一个多工序的优化调度；第二个多任务进行分配；第三多机器怎样控制好。下一个柔性生产线都是采用模块化、组装化的，一旦产品发生变化，通过模块化重新组装，然后改变软件重新变成一条完整的生产线，仍然可以适应生产另外一种产品，从而能够真正解决智能制造所提出来的多工序、多任务、多机器的生产适应性这一大难题。完成定制化的过程。

前面讲到的在有感知规划、精准的进化完成了三大关键技术，接下来就是要突破工程的应用。

机器人生产线的工程应用是一个复杂系统，需要开发一个完整的智慧生产线大脑，也就是控制系统。机器人控制系统由几个部分组成，第一个部分在生产线过程中怎样去完成多机器的协同。比如，多个机器人怎样协同进行焊接，多个机器人怎样进行协同抛光，多个机器人怎么协同的打磨及装配；比如大型的机翼，航空客机它的机翼的装配用多个机器人怎么完成？这些需要针对性设计好软件和硬件，在AI 技术里最核心的我们要感知到每个机器人工作的状态，采用分布式的传感。有了感知系统，怎样有效地进行每个机器人的动作规划；规划好后要找出最佳的轨迹加工路径；有了轨迹加工路径，我们交给控制系统，指挥控制系统控制这些机身，有条不紊地实施多机器人的协同。所以最核心的就是要给它一个智慧的、智能制造的大脑，整个大脑涵盖分布式的传感协同的规划与决策、分布式的控制线三大部分。

有了这套完整的加工制造控制系统就可以应用到不同领域，比如应用到汽车加工自动化生产线、应用到发动机装配生产线、应用到大型盾构机的生产制造和刀盘加工，可以采用多个机器人的协作。盾构机的刀盘加工是一个大型构件，可以采用多机协同加工和组装；比如电子制造、精密的电子制造组装，也可以采用人机协同共用机器人来组装电子零部件生产线，体现到人机共荣。

在精密装配中采用视觉控制。比如，在工程应用中，用机器人和数控配合加工高端的航空发动机叶片，因为叶片80% 都是航空发动机的关键部件，占有80% 的工作量；在航空发动机的装配中，首先为了装配进去就需要用三维的视觉测量；在大型舰船螺旋桨的加固过程中，可以采用多个机器协同完成。过去这些工作采用人工时间比较多，现在用机器人来完成，其加工周期短、效率高，且质量达到了更高的要求。再比如，现在在高端大型装备制造和加工过程中，以及高速列车的车主装配、转向的加工中，仍然可以采用多个机器人的协同来装配。

今天已经进入到了机器人时代，比如我们的大型构件、核电和大型发电厂，其复杂的部件加工都可以采用机器人三维激光切割、三维激光焊接、三维激光测量完成。这些都是机器人在整个高端装备制造中发挥的重要作用，体现它两个核心——机器人的感知、机器人的规划路径和决策控制，使机器人像人一样完成复杂的智能制造零部件的加工制造。

还有近年来我们开发的高端无菌化机器人制药生产线这一柔性生产。过去在制药过程中都采用人工配药，今天多个机器人可以协同进行灌装、分解、包装整个药品，真正做到了机器人灵巧精准的作业；多机器人协作完成任务，实现无菌化、无人化，以及数字化的制药生产，真正达到在整个制药过程中都能够安全、高效追溯。今年新冠肺炎的发生，机器人在制药过程中发挥了重大的作用。它的产线生产过程和效率都满足了人们的需求，源源不断生产人们需要的不同医药产品。

刚才我主要介绍了智能制造机器人的三个关键技术，第一个关键技术是智能制造里机器人的感知技术；第二个是智能制造机器人精准规划、路径轨迹规划和精准的控制；第三个重点介绍了多机器人的协同作用；同时介绍了机器人在智能制造中发挥的作用——高端装备的作用。此外我们还有很多工作要做，因为未来机器人高端中还要面临很多问题，它的发展方向和需要做的工作有哪些，这就是我今天介绍的第三部分。

三、未来机器人在智能制造中有哪些发展方向

机器人，不管是工业机器人、服务机器人，还是特种机器人也好，未来都是向着智能化发展。智能机器人是人工智能的重要应用，也是人工智能应用的皇冠上的明珠。目前常用的大部分机器人还处在一个自动化的状态，也就是大部分工业机器人除了机器人本体，机器人电机、机器人的感知这方面还有待加强。这就是工业1.0 的机器人，大部分普通的低端的机器人大量应用在生产线，是自动化的装置。

现在我们逐步过渡到机器人的2.0 数字化，就是刚才我介绍的机器人，在工业机器人的基础上能够收集现场的加工数据、感知到环境的适应性、辅助人的辅助决策思维。未来机器人要向3.0看齐，能够有学习能力、交互能力，以及有多模态的分析判断和人际交互、人机协作的能力。

未来机器人的方向发展更多的是朝向我们今天所提的自主化的服务、持续的学习、协同的学习和场景知识。在控制器方面能够体现它知识的图谱，加入知识图谱提升机器人的智慧；在控制方面要体现在云边端，无缝协同计算；在数据方面要提倡更加安全。工业机器人、服务机器人都是向着智能化发展。机器人在智能制造中的发展，未来一定的是人机合作的方向。智能制造机器人是向着智能化、柔性化、灵巧化、协作化、现代化发展，主要目的是要适应网络化的协同制造、大规模的定制化制造。这就需要人机协作中，使机器人能够自主的感知、自主的处理、自主的决策和执行。也就是，机器人要像一个自主的人一样能够独立处理问题，这就需要我们在技术上有深度突破，比如具有信息深度的感知、智慧的决策、精准的控制这些功能，这是第一发方向的趋势，目前全世界都向这个方向发展。

第二个在工厂方面，今天机器人是关在笼子里的，要把它圈起来，防止危害人类；我们认为明天的机器人一定是人机共有、人机互动，它的发展方向是一个轻量化、灵活化的人机共用，这样在整个工厂就像一个办公室，能够人机协作工作。

第三个方向发展是工业4.0，智能生产线提出的要求。如我们要使机器人能够看懂说明书，提醒通过一双明亮的眼睛能够看懂说明书，能够组装这台手机；通过利用机器人的大脑识别系统能够阅读尺寸、安装位置，使机械能够从信息物理系统中获得产品说明书，对照进行装配。这就是人们向往的未来机器人发展的第三个方向。

第四个方向就是5G 网络的多机器人协作。一台机器人要达到这样的功能，它在技术手段上有哪些。我们今天已经进入5G 时代，要充分利用5G 技术，在云端、在边缘端、在终端进行有深度的融合，构建我们的智能机器人系统；也就是在硬件平台上，机器人本体边缘端、云端方面要构建机器人的操作系统，要构建出一个网络化的操作系统。所以我们的开发工具要跟上。

我们在移动平台和感知能力方面，要建立大量的人际交互能力，也就是自适应的机器人人机交互；要建立起完整的知识库和三维的语义，以及场景的理解和个性化的知识图谱。现有的1.0机器人真正能变到我们的3.0。智能化的3.0 机器才能应对不同的应用场景，如智能的提醒、寻找物流日常行为的检测等不同的应用场景。

第五个发展方向，人们更多的是将云计算、互联网知识库有机结合，再形成一个互联互通，云端下的人机交互协作来开展智慧的智能制造，把很多复杂的工作交到云端，实施性很强的控制指令命令交到边缘端。要建立起产品智能设计的知识库，提交给自动化的产品设计需要达到真正的自主学习、自主解决问题能力的机器人系统。

第六个发展方向是如何高效的多机器协同。在车间、在社会层面我们都要充分利用云层边缘层设备现场上的自动化生产系统来解决，真正实施多个机器人协同作业、边缘有效的计算和实时的控制。在工厂这个层面上，我们有复杂的生产线，通过工业互联网络连接起来，把工业加工机器人作业移动到机器人生产线；立体仓库有机结合起来，收集数据进行计算，提供软件决策分析的有效供给，最终会应用生产不同的大型装备，提供有效的智能制造。

总之，未来机器人的发展方向主要体现在人机交互和人机合作方面。人际交互需要突破的核心技术有三维的完全感知、导航对人的灵巧操作、直观的人机交互、行为的安全等关键技术。最终要解决主要的三个科学问题，第一个要揭示机器人与非结构化环境下不确定性作业任务的适应性能力，为现代的机器人创造、创新和设计提供理论依据；第二个要解决的科学问题是揭示机器人能够理解人的行为和抽象指令的机制，为智能机器人的构建设计，以及人机沟通和安全机制提供有效的理论依据；第三个要探索和揭示人机交互，以智力协同的控制原理，为机器人的人机协作提供有效的技术支撑。

（本报告由湖南大学张辉教授整理）

CAAI原创 丨 作者王耀南

未经授权严禁转载及翻译

如需转载合作请向学会或本人申请

转发请注明转自中国人工智能学会

相关问答

[回答]公司定位为研发驱动型企业,将自主创新根植于水电气表远程集抄产品研发和工控行业应用,每年投入大量科研经费用于人才培养、尖端设备引进和实验室建...

制造单元智能化改造与集成技术针对的是传统制造生产系统向智能制造单元技术升级的实际问题。这一赛项以智能制造技术应用为核心,以汽车零部件加工、打磨、检测...

[回答]每当高考结束,特别是各省份的高考分数公布之后,很多高考学生在专业选择上存在很多疑惑,志愿填报想要选择智能制造工程专业的很多同学都想了解金智能...

开关柜智能操控装置故障及原因主要有以下几类:(1)拒动、误动故障:这种故障是高压开关柜最主要的故障,其原因可分为两类:一类是因操动机构及传动系统的机械故...

[回答]智能制造,广义上智能制造是具有信息感知获取、智能判断决策、自动执行等功能的先进制造过程及系统与模式的总称。具体来看,智能制造体现在制造过程...

谢谢邀请!作为一名计算机专业的研究生导师,我来回答一下这个问题。作为机械专业的本科生来说,在考研的时候选择自动化、控制和人工智能方向都是不错的选择,...

[最佳回答]D【解析】试题分析:此类考查句子语病的题目,在分析思考时,要注意句子成分在搭配,句式杂糅等方面的错误,要仔细琢磨,推敲。A项成分残缺,“解决”后面...

不是很难。机械的确属于劝退的老工科专业,机械专业考控制工程算是跨考,也有挺多机械的考控制工程的,跨考也不是很难的。要考控制的话可以根据目标院校招生专...

[回答]有朋友做过宝来威智能的产品,别说效果还真不错,楼主可以去了解一下电动伸缩门的组成:电动伸缩门主要由门体、驱动器、控制系统构成。门体采用优质...

如果认为这种本科生毕业设计课题很low,那么请最好自我评估一下,尽量避免养成一种眼高手低的习惯。作为本科生毕业设计课题“基于单片机的寻迹智能车”、“基...