柔性制造单元可以看作最小的数字化工厂,是智能制造的基础单元。智能控制可以比拟为柔性制造单元的“大脑”,它使柔性制造单元更加智能、灵活和敏捷,从而使柔性制造单元能快速地适应复杂多变的环境。作为“智能制造工程”专业的教材,本书尝试从系统科学与工程的角度阐述柔性制造单元的智能控制的基本概念、工作原理、体系结构以及核心技术-制造过程建模、信息集成、过程控制、智能调度和深度学习。
前言
制造业直接体现着一个国家或地区的经济和综合实力,是立国之本、强国之基、兴国之器。随着时代的□迁,制造业的发展重点也发生了巨大的□化。历史上的工业革命有三次,可以大致归纳为□□次的机械化工业革命、第二次的电气化工业革命和第三次的数字化工业革命,而正在到来的第四次工业革命则是以智能化——新一代人工智能(artificial intelligence,AI)为标志的智能制造。
人工智能可以比拟为智能制造的“大脑”,它使制造系统更加智能、灵活和敏捷,从而使制造系统能够快速地适应多□的环境,实现智能制造系统与混沌环境的和谐。数字化制造是智能制造的基础,没有数字化,智能制造将是无源之水、无本之木。数字化工厂是将产品从设计意图转化为实体产品的关键环节,是数字化制造的基础。柔性制造单元(flexible manufacturing cell,FMC)提供了一种完整的多品种、小批量、离散型制造模式的解决方案,具有高度柔性和智能化加工能力,能适应复杂多□的市场需求,是数字化工厂建设的新方向。FMC可以看作□小的数字化工厂,是数字化工厂落地生根□有效的“抓手”。通过众多FMC的分工合作,整个数字化工厂就可以通过积木式、模块化、标准化、分区化的方式,进行自由地□换组合,从而大大提升数字化工厂对内外部环境□化的快速响应能力。如今的FMC不仅能完成机械加工,而且还能完成钣金加工、锻造、焊接、铸造、激光、电火花等多种加工,以及喷漆、热处理、注塑和橡胶膜制等工作; 而从整个制造业所生产的产品来看,现在的FMC已不再□限于生产机床、汽车、飞机、舰船等产品,而是逐步扩展并应用到计算机、手机、半导体、化工等产品的生产之中。
控制系统是柔性制造单元的核心,它贯穿于系统的各个方面和各个层级,控制和指挥系统的各个环节协调一致地按作业计划运行,以期获取□佳的运行效果。
柔性制造单元常常表现为高度非线性、不确定性和复杂性。这些特性给柔性制造单元的控制系统带来了新的挑战,提出了更高的要求,如: 要求控制系统能在不确定、不完整的环境下充分理解目标和感知环境; 要求控制系统在复杂多□的环境下,要有较强的自学习和自适应能力,要有灵活性、敏捷性和适应性,要能自主地做出合理有效的决策和适当的反应,以实现高度综合与抽象的控制目标。
显然,基于精确数学模型的传统控制难以解决上述复杂对象的控制问题。诞生于□0世纪60年代的智能控制理论与技术,为解决像柔性制造单元这样复杂被控对象的控制问题,提供了新的思维,产生了更为有效、更有针对性的控制方法。
本书是编者在上海大学上海市智能制造及机器人重点实验室多年科研实践和教学工作的基础上编写的。作为“智能制造工程”专业的教材,本书尝试从系统科学与工程的角度阐述柔性制造单元的智能控制的基本概念、工作原理、体系结构以及核心技术——制造过程建模、信息集成、过程控制、智能调度和深度学习。
本教材内容分为两大部分。
□□章和第□章为综述部分: 主要介绍柔性制造单元的研究背景及意义、离散事件动态系统的概念及建模方法、人工智能的发展简史以及FMC智能控制系统的综述及体系架构。
第3章至第6章共4章为分述部分: 详细阐述基于Petri网的制造过程建模原理、FMC制造过程建模和性能分析的详细流程以及FMC的过程控制系统的实现; 详细介绍基于遗传算法的单目标和多目标FMC调度智能算法; 详细阐述深度学□□基本概念、基本原理、发展历程以及深度学习模型的训练、评估与改进,概述基于深度学□□计算机视觉技术,重点介绍目前性能□优且应用□广泛的“两阶段目标检测算法”和“一阶段目标检测算法”。
本书的编写得到了上海大学上海市智能制造及机器人重点实验室的大力支持与帮助,在此表示□诚挚的感谢。
衷心感谢SAP(北京)软件系统有限公司邬学宁专家的帮助和宝贵建议。
衷心感谢清华大学出版社,特别是刘杨编辑。
在本书的编写过程中,编者参考了国内外大量的专著、教材和文献,在此谨向有关著作者致以衷心的谢意!
由于编者的水平和能力有限,书中错谬之处在所难免,内容表述也会存在不妥之处,承蒙各位专家和广大读者不吝赐教,将不胜感激。
米智伟
2021年6月
米智伟 单位:上海大学。职务、职称:教师,教授。性别:□。年龄:5□周岁。专业:机械制造及自动化。学历:博士。研究领域:智能制造。研究成果:参加两项863计划研究项目,主持多项企业信息化项目,发表论文近30篇。
目录
第1章绪论
1.1柔性制造单元
1.1.1柔性制造单元的外延
1.1.2柔性制造单元的内涵
1.2离散事件动态系统
1.3人工智能综述
1.3.1人工智能简史
1.3.2人工智能的研究领域
1.4FMC智能控制系统综述
1.4.1FMC智能控制系统的被控对象
1.4.2FMC控制系统面临的挑战
1.4.3FMC智能控制系统的特点
1.4.4FMC智能控制系统的组成
1.5本书的主要内容
第2章FMC智能控制系统的体系结构
2.1工业控制系统的体系结构概述
2.2工业控制系统物理体系结构
2.2.1计算机集中控制系统
2.2.2分散控制系统
2.2.3现场总线控制系统
2.2.4工业以太网控制系统
2.2.5工业物联网系统
2.3FMC智能控制系统逻辑体系结构
2.3.1逻辑体系结构的总体框架
2.3.2数据交换层
2.3.3过程控制层
2.3.4分析决策层
第3章基于Petri网的制造过程建模原理
3.1Petri网综述
3.2基本Petri网原理
3.2.1基本Petri网的定义
3.2.2Petri网的基本性能
3.2.3制造过程的若干基本Petri网模型
3.3面向对象的Petri网原理
3.3.1问题的提出
3.3.2面向对象的建模技术
3.3.3面向对象的Petri网模型定义
3.4OOPN模型的建模及性能分析
3.4.1OOPN模型的建模流程
3.4.2OOPN模型的死锁分析算法
第4章FMC的过程控制
4.1机器人柔性制造单元简介
4.2RFMC制造过程建模
4.2.1制造过程建模综述
4.2.2OOPN模型的建立
4.2.3OOPN模型的动态行为分析
4.3RFMC的过程控制系统实现
4.3.1过程控制系统体系结构设计
4.3.2可编程逻辑控制器
4.3.3设备控制层的实现
第5章FMC的调度智能算法
5.1车间调度问题综述
5.2FMC调度问题的模型和算法
5.2.1FMC调度问题的模型描述
5.2.2调度算法综述
5.3遗传算法的基本原理
5.4基于遗传算法的单目标FMC调度
5.4.1染色体的编码设计
5.4.2染色体的解码设计
5.4.3运行参数设置
5.4.4种群初始化
5.4.5适应度函数设计
5.4.6选择操作设计
5.4.7交叉操作设计
5.4.82异操作设计
5.5基于遗传算法的多目标FMC调度
5.5.1多目标优化问题综述
5.5.2遗传算法求解多目标FMC调度问题
第6章深度学习技术
6.1人工智能、机器学习与深度学习
6.2从神经元到深度学习
6.2.1人工神经网络综述
6.2.2神经元
6.2.3感知器
6.2.4多层感知器
6.2.5深度学习
6.3深度学习模型的训练
6.3.1深度学习中的优化技术
6.3.2梯度下降算法及其改进
6.3.3深度学习模型的训练过程
6.4深度学习模型的评估
6.4.1训练误差与泛化误差
6.4.2模型评估的方法
6.5深度学习模型的改进
6.6计算机视觉
6.6.1计算机视觉综述
6.6.2卷积神经网络基础
6.6.3基于深度学22目标检测算法
6.7深度学22展望
参考文献