智能制造与gps论文前沿研究丨从智能科学到智能制造|工业云|上海羊羽卓进出口贸易有限公司

前沿研究丨从智能科学到智能制造

本文选自中国工程院院刊《Engineering》2019年第4期

作者：Lihui Wang

来源：From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.

编者按

智能科学大致包括自然智能和人工智能两个领域。自然智能是发现生命系统智能行为的科学，而人工智能是制造智能软件和系统的科学和工程。智能制造对人工智能保持着很高的依赖度。

中国工程院院刊《Engineering》刊发《从智能科学到智能制造》一文，基于智能科学到智能制造的视角，探析人工智能发展简史，指出智能制造的目标是利用集成信息技术和人工智能，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、适应性强的制造业务，人工智能在云计算、大数据分析、物联网、移动互联网/5G等新技术的支持下，将为智能制造带来众多机遇：延迟时间短的远程实时监控和控制；通过机会过程计划和调度进行无缺陷加工；具有成本效益和安全的资产预测维护；整体规划和控制复杂的供应链。

一、引言

智能制造的目标是利用集成信息技术（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、适应性强的制造业务。智能制造依赖于及时获取、分发和利用制造车间甚至整个产品生命周期内机器和流程的实时数据。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。基于数字化的智能制造也旨在更具可持续性，并为未来的工厂做出贡献。然而，智能制造广泛依赖于人工智能。为了更好地掌握智能制造的未来，有必要了解人工智能。笔者从智能科学到智能制造，提出了对人工智能的看法。

二、人工智能的简史

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，而人工智能是制造智能软件和系统的科学和工程。这两个研究领域在过去的几十年相互促进。自然智能的发展为人工神经网络（ANN）、遗传算法（GAS）和蚁群优化（ACO）等的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速自然智能的发现。由于人工智能的历史相对较短，该领域的研究仍然活跃，有前景，并且还有待进一步发现，如在制造业的背景下。

在讨论智能制造之前，有必要简要回顾一下人工智能的历史，如图1所示。人工智能的历史可以追溯到20世纪40年代初。第一个人工智能是伊利诺伊大学的沃伦·麦卡洛克和沃尔特·皮兹创造的二元人工神经网络模型。尽管他们的模型只考虑了二元状态（即每个神经元的开/关），但该模型在20世纪80年代末却是快速人工神经网络研究的基础。在1950年，英国数学家阿兰·图灵提出了著名的“图灵测试”来确定机器是否能思考。“图灵测试”是通过计算机通信进行的，由一个考官、一个人和一台机器（即计算机）在单独的房间中进行。考官可以问任何问题。如果考官无法根据答案区分机器和人，则机器通过测试。1951年，普林斯顿大学的两名研究生马文·明斯基和迪恩·艾德蒙兹建造了第一台用于模拟40个神经元网络的神经元计算机。

图1 人工智能的简史

人工智能开发的一个重要里程碑是第一次人工智能研讨会 ，这个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 。该研讨会于1956年在达特茅斯学院举行。麦卡锡提出的“人工智能”一词在当时就得到了认可，并沿用至今。麦卡锡后来搬到麻省理工学院。1958年，他定义了第一种人工智能语言LISP，该语言至今仍在使用。该领域最雄心勃勃的项目之一是通用解题程序（GPS），由艾伦·纽厄尔和卡内基梅隆大学的赫伯特·西蒙于1961年创建。GPS基于形式逻辑，可以生成无数个试图找到解决方案的运营商，但在解决复杂问题方面效率低下。1965年，加州大学伯克利分校的拉特飞·扎德发表了他的著名论文《模糊集》，这是模糊集理论的基础。第一个专家系统DENDRAL于1969年在斯坦福大学开发，该项目由美国国家航空航天局（NASA）资助，由诺贝尔遗传学奖获得者乔舒亚·莱德伯格领导。然而，由于当时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，所以许多项目在美国、英国和其他几个国家被取消，人工智能研究进入了所谓的“人工智能冬季”。

尽管被削减了资金，但人工智能研究仍在继续。1969年，Bryson和Ho提出了神经网络学习的反向传播基础。此外，第一个遗传算法是由密歇根大学的约翰·霍兰德于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。1976年，MYCIN由斯坦福大学丹德拉的同一个研究小组开发。MYCIN系统是一种基于规则的血液疾病诊断专家系统，使用450个if-then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神经网络的研究。人工智能成为一门科学的新时期始于1982年，当时约翰·霍普菲尔德出版了他的霍普菲尔德网络（Hopfield Networks），该网络至今仍广受欢迎。1986年，反向传播在它被提出的16年后成为人工神经网络中真正实现的学习算法。它还通过并行分布式处理触发了分布式人工智能（DAI）的启动。经过22年的发展，日本的公司于1987年成功地将模糊集理论或模糊逻辑构建到洗碗机和洗衣机中。1992年，John Koza提出遗传编程来操纵代表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。20世纪90年代末，模糊逻辑、ANN和遗传算法（GA）的混合系统开始流行用于解决复杂问题。最近，各种新的人工智能方法应运而生，包括ACO、粒子沼泽优化（PSO）、人工免疫优化（AIO）和DNA计算。人工智能在未来的潜力（如制造业）仍然无法预测。

第一个流行的AI工具可能是基于AI的国际象棋计算机程序“深蓝”（Deep Blue），该程序由IBM创造。当世界象棋冠军加里·卡斯帕罗夫在1997年的一场表演赛中与“深蓝”一起比赛时，他以2.5︰3.5输给了“深蓝”。另一个早期的例子是2005年的本田ASIMO机器人，它能够爬楼梯。对于机器人在非结构化环境中移动并由人类指挥，它需要具备在运行时自然语言处理、计算机视觉、感知、对象识别、机器学习和运动控制的能力。在2016年，DeepMind的AlphaGo 使用云计算、强化学习和蒙特卡罗搜索算法结合深度神经网络进行决策，在五场比赛中有四场击败了世界围棋冠军李世石。它的新版本Alphago Zero，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。如今，从下棋到机器人控制，从疾病诊断到飞机自动驾驶仪，从智能设计到智能制造，人工智能技术和系统无处不在。除了图1中总结的人工智能技术外，机器学习和深度学习显示了智能制造的巨大前景。

表1根据是否受监督或无监督、区分性或生成性以及深度学习或非深度学习对典型的机器学习模型进行分类。

表1 典型的机器学习模型

三、人工智能在制造业中的代表性例子

在制造业背景下，智能科学，或者更具体地说，机器学习模型形式的AI，有助于智能制造 。图2描绘了人机协作（HRC）的一种场景，其中来自传感器和现场设备的数据在应用适当的机器学习模型后被转换为知识。使用特定领域的HRC决策模块进一步将知识转化成行动。因此，操作人员可以在沉浸式环境中安全地使用机器人，而机器人可以预测人类接下来会做什么，并根据需要提供现场帮助。

图2 智能制造中的机器学习

脑机器人是利用有经验的人类操作者的脑电波进行自适应机器人控制的另一个例子 。不需要遵循数据—知识—动作链，只需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即可实现脑电波—动作的进展，如图3所示。在这种情况下，使用一个14通道的EMOTIV EPOC +设备（EMOTIV，美国）来收集人类的脑波信号。信号处理后的匹配命令被传递给机器人控制器进行自适应执行。

图3 脑机器人人机协作

四、机遇与挑战

人工智能和云计算、大数据分析、物联网、移动互联网/5G等最新IT技术的支持，为智能制造提供了众多机遇。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更好的机器和现场设备连接，因此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，实现实时信息共享成为可能。

• 云计算提供快速和按需数据的分析；它还有助于储存数据，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，智能制造的新机遇可能包括 ：①延迟时间短的远程实时监控和控制；②通过机会过程计划和调度进行无缺陷加工；③具有成本效益和安全的资产预测维护；④整体规划和控制复杂的供应链。

此外，近期的智能制造将受益于上述不同时间尺度的技术，具体如下 ：

• 5年内，主要通过物联网和移动互联网实现更好的横向和纵向集成，可以消除自动化岛之间的80%的差距；

• 10年内，主要通过云计算和大数据分析实现经验驱动的制造运营，可能会在先前知识的支持下变成数据驱动；

• 20年内，众多中小型企业（SME）可以通过云制造技术为所有人提供服务，从而在全球市场中获得竞争优势。

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缓解甚至解决这些挑战的机会。例如，可以使用深度学习来更好地理解制造环境，并在制造过程发生之前更准确地预测未来的问题或失败，从而实现无缺陷制造。

安全的HRC是智能和灵活的自动化进程中的另一个挑战，其中包括人工参与。这种协作是有用和必要的，特别是在制造装备操作中，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，同时为人类的绝对安全提供更好的情境意识。

最后，在未来的工厂中实施智能制造之前，网络安全和新的商业模式必须得到充分的重视。

注：本文内容呈现形式略有调整，若需可查看原文。

改编原文：

Lihui Wang.From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.

☟ 如请点击文末“阅读原文”

前沿研究：走向新一代智能制造

前沿研究：介尺度中的复杂性——人工智能发展中的共性挑战

智能制造的三个基本范式

前沿研究：智能制造领域的研究进展

战略研究：新一代人工智能引领下的智能制造

智能制造助力制造业高质量发展

中国工程院院刊

工程造福人类

科技开创未来

微信公众号ID ：CAE-Engineering

注：论文反映的是研究成果进展，不代表《中国工程科学》杂志社的观点。

博士论文摘要严丽：BDSGPS融合精密定位理论与算法研究

《测绘学报》

构建与学术的桥梁拉近与权威的距离

复制链接，关注《测绘学报》抖音！

【测绘学报的个人主页】长按复制此条消息，长按复制打开抖音查看TA的更多作品##7NsBSynuc88##[抖音口令]

BDS/GPS融合精密定位理论与算法研究

引文格式：严丽. BDS/GPS融合精密定位理论与算法研究. 测绘学报，2020，49(6)：803-803. DOI: 10.11947/j.AGCS.2020.20190260.

基金项目：江西省教育厅科技项目（GJJ180421）

阅读全文：http://xb.sinomaps.com/article/2020/1001-1595/2020-6-803.htm

全文概述

北斗卫星导航系统是首个异构星座，是目前完全运行的唯一的三频导航系统，集导航定位、授时、用户监测、短报文通信于一体。BDS具有的独特优势，有利于改善DOP(dilution of precision)值、削弱大气误差、缩短模糊度初始化时间等。BDS与GPS融合卫星资源的利用，将成为BDS逐步走向国际卫星导航领域的一个过程。本文分析BDS与GPS在时空参考框架、星座结构、信号内容、数据质量等方面的差异性，研究BDS/GPS融合高精度相对定位关键技术。提出了一套BDS/GPS静态与动态相对定位算法，并开展了大量的试验研究，如铁路CPI控制网静态数据处理，基于相对定位精度因子RPDOP(relative positioning dilution of precision)分析的快速静态定位，不同范围与挑战性环境下RTK(real time kinematic)定位等，验证本文理论算法研究的正确性。本文主要内容如下。

(1) 考虑BDS/GPS不同系统观测值随机模型的差异，进行了随机模型的精化与评估。为了精化随机模型，利用5类经验随机模型函数拟合BDS/GPS卫星观测值精度与卫星高度角、信噪比间的关系，并计算拟合优度，选择最优随机模型。开展BDS/GPS差分整周模糊度固定及定位试验，评估精化随机模型的性能。结果表明：精化随机模型可提高整周模糊固定成功率，加常数随机模型更适合测试接收机，信噪比随机模型能更好地反映融合系统观测值质量。

(2) 分析BDS GEO(geostationary orbit)卫星、IGSO(inclined geosynchronous orbit)卫星、MEO(medium earth orbit)卫星观测值的方差分量，发现其大小不同、时间相关性存在显著差异。顾及不同类型BDS卫星观测值的异方差特性，研究采用迭代最小二乘与最小范数二次无偏估计MINQUE(minimum norm quadratic unbiased estimation)相结合的方法，实时估计BDS不同类型卫星观测值方差分量和精确的位置参数。为评估实时估计随机模型的性能，对243m、645m、10137m 3条不同长度基线进行精密相对定位测试，结果表明：实时估计随机模型能有效改善BDS精密单历元动态相对定位性能，尤其当站间距离较长时改善更显著。10137m基线测试结果，表明1h数据单历元解在北、东、高方向，平均定位精度分别提高了41.3%、54.5%、51.6%。

(3) 从精度因子DOP(dilution of precision)的角度，论证BDS与GPS融合能够提高单系统相对定位的精度和时间效率。论证了BDS与GPS系统融合，模糊度精度因子减小，能够快速固定模糊度，且相对几何精度因子和对流层精度因子减小，能够提高定位精度，达到与延长观测时长相同作用。另外，论证引入BDS三频，电离层精度因子减小，相比三频数据较少的GPS系统具有一定的优越性。利用实测数据，分析验证了该理论推导的正确性。

(4) 研究了BDS与GPS高精度静、动态相对定位数据处理算法，并研制了相关软件，开展测试分析。川藏铁路CPI控制网数据处理，表明BDS基线解算精度与GPS相当，系统融合能提高基线解算合格率和精度，且融合实时快速测量能提高85%的时间效率。不同距离RTK数据处理，表明BDS与GPS短距离RTK均能获得1cm水平精度、5cm高程精度，20~50km中长距离RTK均能获得2cm水平精度、1dm高程精度，融合系统能够显著提高RTK定位高程精度。在本文试验的城市环境及墙角环境，实施RTK定位，融合系统具有明显优势，模糊度固定解的成功率比单系统提高了50%以上。