【工业智能】基于专家系统和神经网络的制造过程智能决策系统

2018 年 8 月 31 日 产业智能官

基于专家系统和神经网络的制造过程智能决策系统

来源：无线测温 http://www.testeck.com

1　引言

　　一个理想的机械加工过程要求加工成本、废品率、工具损耗、能源损耗等尽可能的低，而生产率、制造精度、表面质量等尽可能的高。但由于加工过程的复杂性、系统的非线性和加工参数变化而引起的时变性等，使传统的数值计算方法和试验拟合法难以满足加工过程多目标优化决策的要求，因此智能决策是制造过程决策发展的必然趋势。本文通过建立开放性的车削过程智能决策系统，描述专家系统与神经网络结合的智能决策方法，提供了一条从全局的观点实现加工参数性能优化的新途径。

2　基于专家系统和神经网络的车削过程智能决策

2.1　系统模型
　　制造过程决策就是在生产过程的各种约束条件，如机床功率、扭矩限制、刀具耐用度、加工精度等的限制下，通过选取刀具参数、切削用量等加工参数使各种优化目标如加工成本、生产率和利润率等得到尽可能的优化［1］。我们建立的车削过程智能决策系统MTOS-Ⅰ模型如图1所示，它通过专家系统和神经网络的共同作用来获得制造过程的最优解。制造过程决策是典型的多目标优化问题，采用将多目标问题转化为单目标优化问题的方法进行求解，允许选用不同的方法如线性加权法、理想点法和乘除法等，其主要差别只是在于评价函数的不同。利用专家系统来构造评价函数，确定各个优化参数的取值范围，用神经网络将各个优化变量连接起来并进行优化计算。系统以Windows为运行平台，采用Microsoft Visual C++开发。

图1　智能决策系统MTOS-Ⅰ

2.2　决策系统中的专家系统
　　专家系统包含知识库、数据库、公式库和推理机。知识库汇总了选择切削用量的各种知识和经验，主要涉及计算方案选择、约束条件确定、修正系数和其它参数的选取等内容。数据库存储有选择切削用量所需要的标准数据、计算常数、实验数据等。公式库存储有各种加工过程的切削速度、切削力计算等经验公式。专家系统的知识主要来源于《切削用量简明手册》［2］及专家的经验知识。推理机由一组程序组成，控制、协调整个系统，并根据当前的环境，调用知识库、公式库和数据库的资料，选择最优的参数。在本系统中，分别设计了参数选择和约束判断专家系统，能够根据输入的不同机床类型和不同的加工工序，判断某一型号的机床是否满足加工所需要的功率、主轴扭矩，选择合适的刀具角度，确定需要优化的加工参数及选定取值范围，并建立评价函数。
2.3　神经网络优化器
　　神经网络以其自组织、自学习和并行计算的能力，使其在优化求解运算中显示出强大的优势。系统选用Markov神经网络模型为优化器。Markov网络的主要特点是，它不需要对神经网络构造能量函数，容易根据不同的加工过程建立网络建模，而且由于其求解算法不仅能向函数值下降的方向前进，而且在某些情况下允许向函数值上升的方向前进，有利于达到全局最优［3］。加工过程每一个需要优化的参数构成Markov神经网络的一个单元，每个单元和其它单元双向连接。例如对外圆切削来说，定义变量包括进给量、切削深度、刀具耐用度、刀具的车刀前角、主偏角、副偏角、刀尖圆弧半径等共8个变量，则设计有8个单元的神经网络，使神经网络的每一个单元对应于一个需要优化的变量，并规定第一个单元对应进给量、第二个单元对应切削深度……。神经网络运行时，各单元根据各种参数的当前值计算各自的取值范围，然后按Markov神经网络的运行规则改变网络的当前状态，当网络温度降到某个预定值时，各单元的状态就直接对应了一组优化的参数。神经网络的单元能够根据求解问题的需要动态增减，根据不同的加工过程而动态重构，因此神经网络的优化过程不依赖于具体的加工对象。

3　专家系统与神经网络的信息交换

　　制造过程智能决策系统利用专家系统确定需要优化的参数，并由此确定神经网络的神经元数目。神经网络优化计算时也需要调用专家系统来确定优化参数的取值。专家系统和神经网络的有效结合及协同工作的前提在于相互间的信息交换。我们设计了如图2所示的查询-翻译式数据传递技术作为数据交换的接口。在系统开始运行时，先由神经网络部分通过标准接口对选定的加工操作对象进行查询，该对象报告出自己所需要的变量个数和每个变量的变化范围，然后神经网络根据查询的结果建立网络单元，当网络单元内容发生变化时，再用网络的当前状态作为参数调用加工对象的翻译函数，该函数根据原先的报告把各个单元的数值转换为对应变量的实际数值，然后神经网络调用该对象的评价函数进行加工参数的评价。通过这种机制，神经网络部分就可以与具体的加工操作分离开来，它在工作时不需要知道当前正在优化的是什么加工操作，也不需要知道各个工作单元的实际物理意义。专家系统和神经网络信息交换主要包括：
　　①通过调用机床的报告函数间接调用某一加工操作的报告函数，取得神经网络需要的变量个数和各自变化范围。
　　②根据查询结果初始化神经网络。
　　③调用翻译函数并计算评价函数的值。

图2　神经网络和专家系统信息交换

4　系统的控制软件设计

4.1　机床类和加工类
　　为适应不同的机床类型和不同的加工过程，设计了开放性的智能决策系统。该系统软件结构采用面向对象的设计方法，所有车床都由同一个基类派生出来。该车床基类定义了车床的共有特征和进行优化计算时所需要的接口，某些成员函数在基类中是纯虚函数，如计算评价函数、数据翻译等。从车床基类可以派生出各种车床类，这些派生出的子类可以是某一种具体的车床，如C620-1，也可以是某一类车床的基类，如所有数控车床的基类。在派生类中根据具体类型机床的特征完成两项工作：(1)加入新的成员函数和数据；(2)对基类的纯虚函数进行重新定义。在主程序中只要声明一个基类对象就可以调用任何派生类的对象，在软件结构上实现主程序和其它部分无关，其它程序模块能直接接入系统中。在各个具体对象和数据方面，采用了程序和数据分离的技术，使同一类的对象共用一个程序部分。例如，卧式车床的各种不同型号之间的区别通常只是功率、转速、进给量和精度等有所不同，因此在程序中定义了一个卧式车床类，这个类与一个按统一格式描述车床数据的文本文件相结合就能表示某一种具体型号的车床，因此在系统中增、减车床变得很容易。
　　加工类也是由同一个加工基类派生出来的，派生类对基类的完善和机床类相似，如派生一个外圆车削类，需对在基类的基础上定义外圆车削的基本参数，包括车削长度、工件总加工余量、工件直径、工件材料、刀具材料及参数、车削工时等。
4.2　系统控制软件
　　　　系统设计具有Windows风格的软件界面，包括主窗口界面、菜单、程序中使用的各种图标和按钮、对话框等。通过友好的系统界面选择操作类型、输入基本数据及加工参数、确定优化目标和实现优化过程的动态显示等。
　　采用MFC架构下的消息驱动方式，软件内部提供了对运行时各种消息的响应函数，系统运行流程如图3所示。使用者在系统自动引导下，创建车床、确定加工操作对象、输入相关参数，系统能够自动地输出优化结果。

图3　系统运行流程

5　结论

　　本研究对实现制造过程的智能决策进行了有益的探索。所提出的加工过程智能决策系统设计方法在MTOS-Ⅰ车削过程智能决策系统设计上得到验证并通过仿真运行验证了系统的有效性和优化性［4］。根据本文提出的设计方法，也可以将系统功能扩展到铣削等其它机械加工过程。

人工智能在智能机器人领域中的应用

在现代的工业制造，航空航天，交通矿业等领域，机器人越来越发挥着重要的作用。一些日本的专家预测，到2010年，只有5%的体力劳动需要由人来完成，其余大量的体力劳动要由机器人来承担。随着机器人的普及，机器人安全，规划，控制等领域也日益承受着巨大的挑战。

当今大多数机器人被看作是笨拙的、缓慢的、缺乏智能的。它们只是用来完成一些非常特定的任务。教机器人像人类一样完成一些任务也是非常困难的。按NitzenllJ的说法，这是机器人以下的一些特点决定的:(l)操作器的能力有限。机器人的末端操作器灵活性有限，不能像人的手那样灵活操作，因此只能操作特定形状及大小的器件。(2)开环控制。如今的机器人多数都是开环控制，如搬运、焊接等操作，开环操作导致精确性很难保证。(3)无法进行错误诊断。绝大多数机器人无法对非预期的故障进行诊断并修复。机器人系统经常无法确认机器人是否按原计划工作。(4)有限的可移动性。今天的机器人常常会被引导方式所限制。这些机器人无法自由运动，避障能力也很有限。他们常常只能在确定的环境中运动。

在过去的几十年，机器人控制理论得到了极大的发展。国内外专家学者做出了许多有益的尝试，取得了丰硕的成果。然而，大多数控制方法需要合适的数学模型。但由于机器人动力学的非线性、时变性、多关节强藕合及变惯量等复杂性，不仅其数学模型的参数，就连数学模型的类型都很难准确确定。由在线进行系统辨识的方法确定的动态数学模型将随着负载和机器人型位的变化而不断变化。其巨大的计算量使这种方法根本无法应用到实际中去。因此在实际应用中，我们看到最多的应用还是Pl，PD和PID控制。另一方面，人类的操作员在执行相似任务的时候，并不需要知道什么数学模型，却能够执行得很好。因此，采用一种方式模拟人类的行为而不需要大量的数计算的控制方法自然而然地被提出来，这就是所谓的智能控制。智能控制涉及到人工智能的多个领域，包括专家系统、神经元网络以及模糊控制等。除了“专家系统”之外,还可列举出其他许多聪明的智能软件系统。如:机器博突的智能软件、智能控制、智能管理、智能通信……的软件等。例如:IBM的“深蓝”系统战胜了国际象棋大师卡斯帕诺夫,就是计算机的机器智能水平的一次荣誉记录,也是聪明的人工智能软件的一个成功范例。

那何谓人工智能呢？

 “人工智能”(Artificial Intelligence)简称AI它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人们认为“人工智能”是计算机科学技术的前沿科技领域。因此,“人工智能”与计算机软件有密切的关系。人工智能是“类人”机器人所需要的算法和技术，也就是说我们研究的主题是高级智能的本质，而不是其外在表现和辅助部件。一方面,各种人工智能应用系统都要用计算机软件去实现,另一方面,许多聪明的计算机软件也应用了人工智能的理论方法和技术。例如,专家系统软件,机器博奕软件等。但是,“人工智能”不等于“软件”,除了软件以外,还有硬件及其他自动化的通信设备。人工智能是从思维、感知、行为三层次和机器智能、智能机器两方面研究模拟、延伸与扩展人的智能的理论、方法、技术及其应用的技术学科。

例如,用计算机打印常用的报表,进行一些常规的文字处理,都是程序化的操作,谈不上有智能。但是,用计算机给人看病,进行病理诊断和药物处方,或者,用计算机给机器看病,进行故障诊断和维修处理,就需要计算机有人工智能。人工智能学科领域中有一个重要的学科分支是“专家系统”(Expert System),简称代写论文ES。就是用计算机去模拟、延伸和扩展专家的智能。基于专家的知识和经验,可以求解专业性问题的、具有人工智能的计算机应用系统。如:医疗诊断专家系统,故障诊断专家系统等。

人工智能要解决的问题主要是以下几个方面：

一、识别过程，外界输入的信息向概念逻辑信息转译，将动态静态图像、声音、语音、文字、触觉、味觉等信息转化为形式化（大脑中的信息存储形式）的概念逻辑信息。

二、智能运算过程，输入信息刺激自我学习、信息检索、逻辑判断、决策，并产生相应反应。

三、控制过程，将需要输出的反应转译为肢体运动和媒介信息。

实用机器人在第三个方面做得比较多，而识别和智能运算是很弱的，尤其是概念知识的存储形式、逻辑判断和决策这些方面更是鲜有成果，这正是人工智能要重点解决的问题。

在机器人控制中常用的智能控制方式是模糊控制。如图1所示。

图1：机器人控制中的模糊控制

十几年来，用神经元网络来控制机器人变得非常流行从控制的角度来考虑，神经元控制具有如下一些特性:

(l)分布式的非线性。

(2)从经验进行学习的能力。

(3)强壮的平行多处理能力。

(4)在尚未进行训练情况下的表现。

常见的神经元机器人控制器如图2所示。

图2：神经元机器人控制器

神经元网络采用不同的结构可用于不同的应用，因此它引起了人们广泛的兴趣。从控制的角度来看，神经元网络在非线性控制方面的表现是最突出的。由于神经元网络不是基于模型的，因此他被看作是机器人传统控制之外的另一个可行的控制方法。他可以模拟人类的思维方式。在机器人控制方面，神经元网络还有一些很特别的优点。它可以被训练来进行运动学的正解和逆解。可以来表示n个关节的机械臂的各种输人与输出关系。关于用神经元网络控制机械臂，许多人已经进行的大量的研究。

人工智能在智能机器人中应用所要经过的过程为：1、人工智能实体将首先在精确思维能力上超过人，然后在模糊思维能力上超过人。2、由于创造力是个性化的产物，较高的创造力不是复制及经验的吸收所能产生的，它需要通过个性化的学习来获得，而个性化的学习不是短时间内所能完成的，因而人工智能实体在创造力上全面超过人将需要较长的时间。一旦人工智能实体的创造力超过人其智力水平也就能远远超过人。

不难看出，不久的将来，“智能机器人”将在工业、服务业、军事、航空航天等领域发挥越来越重要的作用。今天，尽管我们的机器人已经具备了一定的智能，但距离真正的“智能机器人”还有相当大的差距。随着生理学，行为学等学科的发展，随着我们对人脑的工作方式的理解进一步的加深，随着机器视觉和自然语言理解等人工智能领域在机器人上的应用，机器人终将成为真正意义上的“智能机器人”。这是充满了生机与活力科研领域。

最后让我们预测一下人工智能及人工智能影响下人类社会的发展历程。
　 1、十年内人类将编写出能学习、思维的软件，并能迅速提高其智力水平，其顺序是从需要精确思维的行业到需要模糊思维的行业，从低创造力的行业到高创造力的行业。
　 2、为了缓解社会矛盾，各国政府得从有人工智能参与生产的商品中适当收税以补贴失业人员，同时限制人工智能实体进入文化、体育等行业，禁止人工智能实体拥有感情。并对违反这些规定的个人或组织、国家进行严厉处罚。
　 3、各国政府将对人工智能的发展进行监控，并从法律上规定任何具有独立意志的人工智能实体其存在的第一目的和行为动力应是为了人类的生存与发展，否则应禁止其具有独立思考行为能力。
　 4、当廉价的人工智能实体在智力上超过人后，人类参不参加生产对生产力的影响可能已不大，按劳分配将失去其意义，这时人类将根据当时的资源状况、科技水平、生产、消费情况采取新的分配方式。