智能制造技术的方法优化

1）专家系统

（1）专家系统的定义。专家系统是一个计算机程序系统，它可以以人类专家的水平来处理和解决专业领域的复杂问题。专家系统的建立最早由知识工程师与领域专家共同完成。20世纪70年代以后，人们发展了专家系统开发工具，可以帮助领域专家直接生成自己的专家系统。专家系统具有启发性、透明性和灵活性特征。专家系统主要用于处理现实世界中提出的需要由专家来分析和判断的复杂问题。

（2）专家系统的组成。专家系统主要由知识库、推理机、数据库、知识获取设施、输入/输出接口等组成，如图10-5所示。

①知识库：存储从领域专家处采集的知识，经整理分解为事实与规则。

②推理机：根据知识进行推理和做出决策。

③数据库：存放已知事实和由推理得到的事实。

④知识获取设施（工具）：采集领域专家的知识。

⑤输入/输出接口：与用户进行联系的窗口。

图10-5　专家系统的组成

（3）专家系统工作过程：

①明确所要解决的问题；

②提取知识库中相应的事实与规则；

③进行推理，做出决策。

（4）推理方式。

①正向推理：从初始状态向目标状态的推理，其过程是从一组事实出发，逐步执行规则，且不断加入新事实，直至问题解决，适用于初始状态明确，而目标状态未知的场合。

②反向推理：从目标状态向初始状态的推理，其过程是从已定的目标出发，通过一组规则，寻找支持目标的各个事实，直至目标被证明为止，适用于目标状态明确，而初始状态不清楚的场合。

③混合推理：多用于一些复杂问题的推理中。

④模糊推理：属于不精确推理，用于解决一些不易确定现象或要用经验感知来决策的场合。

（5）知识表达。

①谓词逻辑、框架、语义网络、产生式系统等。

②其中产生式系统应用比较广泛，基本形式为：

IF　（条件1）AND　（条件2）　OR　（条件3）

THEN　（结论1）可信度a%

（结论2）可信度b%

例如，麻花钻钻孔对应的工作范围

DMAX=2″　　DMIN=0.0625″

ES=0.007　+0.003″

EI=0.007

位置精度：±0.008″

粗糙度：Ra=200 μm

长径比：L/D＜12

2）模糊推理

（1）知识的模糊表达。设论域U由若干元素U组成，普通集合A的特征函数为μA，其在U处的值μA称为U对A的隶属度。当U不属于A时，隶属度是0，表示U绝对不隶属于A。

（2）模糊推理。模糊推理主要有模糊评判、模糊统计判决、模糊优化等。其中，模糊评判应用比较广泛。模糊评判可分为单因素评判和多因素评判，多因素评判又称为综合评判。

（3）模糊逻辑的特点。

①模糊逻辑的理论基础是模糊数学，模糊逻辑主要解决不确定现象和模糊现象，需要具有多年经验的一种感知判断能力。

②模糊逻辑决策的过程由模糊化、模糊推理、逆模糊化三部分组成。输入零件信息的精确量通过模糊化转化成模糊量，模糊化是通过隶属度函数完成的，正确确定隶属度是至关重要的；模糊推理是通过产生式规则、模糊综合评判等完成的；逆模糊化采用最大隶属度法（极大平均法）、加权平均法等输出结论的精确量。(www.xing528.com)

③模糊推理常和专家系统相结合，构成所谓模糊（推理）决策专家系统。

④模糊推理中的关键问题是隶属度的确定，它直接影响推理的结果，是一个值得深入研究的问题。

3）神经网络

（1）基本概念。

①神经网络是研究人脑工作过程、如何从现实世界获取知识和运用知识的一门新兴的多学科交叉学科。

②人工神经网络（Artificial Neural Network-ANN）是人脑部分功能某些抽象、简化的模拟，用大量神经元（简单计算—处理单元）构成的非线性系统，具有学习、记忆、联想、计算和智能处理功能，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索等工作，最终形成神经网络计算机（Neurocomputer）。

③人工神经网络主要应用有信号处理与模式识别，如机械结构部件（装配）工艺智能识别，可通过一定的算法学习工艺人员的分类识别过程等；知识处理工程或专家系统，如在零件的工艺过程设计中加工方法的选择和加工工步的排序及其优化等，主要是进行决策；运动过程控制，如机器人的手眼协调自适应控制等。

（2）人工神经网络的结构。

①人工神经网络是由大量神经元（Neuron）组成。神经元是一种多输入、单输出的基本单元，从信息处理的观点出发，为神经元构造了多种形式的数学模型，其中有经典的Mc-Culoch-Pitts模型。

②该模型的数学表达式为

yi=sgn(∑wijxj-θi)

式中，yi——神经元i的输出；

xi——神经元i的输入；

wij——神经元j对神经元i作用权重；

∑wijxj——对神经元i的净输入；

sgn——符号函数，表示神经元的输出是其当前状态的函数；

θi——阈值，当净输入超过阈值时，神经元输出取值+1，反之为-1。

③人工神经网络是由大量神经元相互连接而成的自适应非线性动态系统，可实现大规模并行分布处理，如信息处理、知识和信息存储、学习、识别和优化等，具有联想记忆（AM-Associative Memory）、分类（Classifier）、优化计算（优化决策）等功能。

④人工神经网络是一个前馈型网络，网络分若干层，各层之间无反馈，除输入、输出层外，其余均为隐含层，输入节点输入矢量各元素值，无计算功能。在反馈型神经网络中，每个节点都表示一个计算单元，接受外加输入和其他节点的反馈输入，同时也直接向外部输出。

（3）人工神经网络知识表达。

①知识的表达可分为显式与隐式两类。

②在专家系统中，知识多以产生式规则描述出来，直观、可读，易于理解，便于解释推理，这种形式是显式表达。

③在人工神经网络中，知识是通过样本学习而获取的，这时是以隐式的方式表达出样本中所蕴含的知识，称为隐式表达。这种表达方式可以表达难以符号化的知识、经验、容易忽略的知识（如常识性知识），甚至尚未发现的知识，从而使人工神经网络具有通过现象（实例）发现本质（规则）的能力。

（4）人工神经网络的学习（训练）。人工神经网络中，知识来自样本实例，是从用户输入的大量实例中通过自学习得到规律、规则，不是像专家系统那样由程序提供现成的规则。学习算法很多，如Hebb算法、误差修正法等。

4）遗传算法

（1）基本概念。

①遗传算法是模拟达尔文遗传选择和自然淘汰的生物进化过程的计算模型，它是一种全局优化搜索算法。它从任一初始化的群体出发，通过随机选择、交叉和变异等遗传操作，实现群体内个体结构重组，反复迭代处理，使群体一代一代地得到进化（优化），并逐渐逼近最优解。

②生物中遗传物质的主要载体是染色体，基因是控制生物性状遗传物质的结构单位和功率单位，复数个基因组成染色体。

③染色体有表现型（指生物个体所表现出来的性状，即参数集、解码结构和候选解）和基因型（指与表现型密切相关的基因结构组成）两种表示模式，两者应能互相转换。在遗传算法中，染色体对应的是数据、数组或位串。

（2）标准遗传算法。

①编码：染色体通常用一维串结构数据描述，通过编码将其表示成遗传空间基因型串结构数据，即把搜索空间中的参数或解转换成遗传空间中的染色体或个体。编码的形式很多，如二进制码。

②初始群体的生成：在遗传算法开始，要为操作准备一个由若干初始解组成的初始群体，称为初始代或第一代，它的每个个体通过随机方法产生。

③适应度评估检测：适应度通常用适应度函数来表示，它是一个目标函数，用来评估在搜索进化过程中个体或解的优劣。

④进化循环：其主要操作有以下3种，即选择（或复制）：从当前群体中选出优良个性作为父代繁殖子孙。判断个体优良与否的准则是各自的适应度，适应度值高被选择机会多。交叉：首先对配对库中的个体进行随机配对，然后在配对个体中随机设定交叉处，配对个体彼此交换部分信息。交叉是遗传算法中最主要的操作，通过交叉得到新一代个体。新群体中个体适应度的平均值和最大值都会提高（进化）。变异：按位进行，在二进制编码中，将某位由0变为l，或由1变为0，随机进行，目的是挖掘群体中个性的多样性，克服可能得到局部解，应和交叉妥善配合使用。

（3）遗传算法特点。

①群体搜索策略——实际上是模拟由个体组成的群体的整体学习过程，其中每个个体表示给定问题搜索空间中的一个解点。

②全局最优搜索——与其他搜索优化方法相比，遗传算法在搜索过程中不易陷入局部最优，能以很大的概率找到全局最优解。由于遗传算法固有的并行性，适合于大规模并行分布处理。易于和神经网络、模糊推理等方法相结合，进行综合求解。