1.2　企业数字化是实现智能制造的基础

企业产品全生命周期的数字化是人工智能技术融入智能制造的基础。

1.2.1　产品数字化

通过一系列产品研发设计软件将产品、工艺数字化。

1. 计算机辅助设计

计算机辅助设计（CAD）在一系列设计标准、规范的约束条件下，综合运用机、电、液、声、光、信息技术，实现产品要求的技术指标、功能、性能、可靠性、经济、安全、环保等各项指标，通过三维建模设计，将产品、部件、零件的物理模型转化为计算机内部的数据模型，实现产品数字化。

2. 计算机辅助工程

计算机辅助工程（CAE）在CAD几何建模的基础上，通过静力学分析、动力学分析、运动分析、有限元分析一系列算法验证上述几何模型的合理性、科学性，模拟产品在不同工况下的表现，进行优化设计。

3. 计算机辅助工艺过程设计

计算机辅助工艺过程设计（CAPP）根据CAD设计要求，在一系列工艺设计规范、生产批量、企业生产工艺装备等约束条件下，正确选择产品或零件的加工工艺过程、加工方法，工艺卡，保证零件的形状、尺寸、内部和表面质量满足设计要求，提出工时定额和材料消耗定额等。

4. 计算机辅助制造

计算机辅助制造（CAM）对需要数控机床加工的零件，根据零件的几何模型、工艺要求、工艺环境等进行刀具路线的规划、刀位文件的生成、刀具轨迹仿真以及后处理和NC代码生成等作业过程。

5. 产品生命周期管理

产品生命周期管理（PLM）是指从人们对产品的需求开始，到产品淘汰报废的全部生命历程的项目、流程和数据的管理，实现CAD、CAE、CAPP、CAM系统的集成，并将管理范畴扩大到产品策划、设计、工艺准备、生产制造、售后服务、回收再利用整个生命周期的电子文档管理。产品生命周期管理是企业的数据源头，为企业资源计划（ERP）系统、制造执行（ME）系统、客户关系管理（CRM）系统、供应商关系管理（SRM）系统提供数据支撑。

上述研发设计软件能够帮助企业实现产品数字化，为产品的生产制造、供应链管理、售后服务提供数据支撑，同时也为人工智能的应用提供支持。

1.2.2　运营管理数字化

1. ERP

1977年9月，美国著名生产管理专家奥列弗·怀特（Oliver Wight）提出了一个新概念—制造资源计划MRP-II（Manufacturing Resources Planning-II）。MRP-II是对制造业企业资源进行有效计划的一整套方法。它是一个围绕企业的基本经营目标，以生产计划为主线，对企业制造的各种资源进行统一计划和控制，使企业的物流、信息流、资金流保持畅通的动态反馈系统。根据美国生产库存控制学会（APICS）第九次编辑出版的字典，1990年年初Gartner Group公司提出了ERP概念，即ERP是面向业务管理的信息系统，用于确定和规划企业在接受客户订单并进行制造、发运和结算所需的各种资源。ERP系统与典型MRP-II系统的区别在于技术条件，诸如图形用户界面、关系数据库、第四代计算机语言、计算机辅助软件工程开发工具、客户/服务器体系结构以及系统的开放性和可移植性。通俗来说，ERP是为从事制造、分销、服务的企业提供有效计划，控制所有资源的一套管理信息系统，以便其接受客户订单，并为之进行制造、发运和结算。上述定义确实是MRP-II和ERP最原始的定义，但是在ERP的定义中加入了当时计算机软件开发的环境是毫无意义的。计算机技术永远在发展，现在是浏览器/服务器、微服务架构、移动计算、工业APP，以后是什么将不得而知。

今天如何定义ERP？仁者见仁，智者见智，有人将ERP的核心概括为供应链管理，认为它跳出了传统企业边界，在供应链范围优化企业的资源。这句话肯定了ERP在供应链管理中的核心地位，这是正确的，但也有其不足之处。今天的ERP将原来的采购管理扩展成了SRM，将原来的销售管理扩展成了CRM，将原来的车间管理扩展成了制造执行系统（MES），所有这些加起来才能对整个供应链进行优化和控制。所以，作者认为ERP还是回归到面向制造业企业产供销人财物业务管理的信息平台这样一个定位，用于确定和规划企业在接受客户订单并进行制造、发运和结算所需的各种资源，这将为人工智能应用，优化运营管理提供真实准确的统计数据，服务于智能制造。

2. SRM

SRM能够改善企业与供应链上游供应商、协作配套厂商的关系，是一种致力于实现与供应商建立长久紧密伙伴关系的软件技术解决方案，可应用在与企业采购、外协业务相关的领域，并通过对双方资源和竞争优势的整合来共同开拓市场，扩大市场需求和份额，降低产品前期的高额成本，实现双赢。SRM的内容包括供应商寻源、准入、评价、退出等供应商管理，采购招标全过程管理，外协供应商管理等。总之企业能够通过SRM实现采购全过程的数字化。

3. CRM

CRM是企业为提高核心竞争力，利用相应信息技术以及互联网技术来协调企业与顾客在销售、营销和服务上的交互，提升管理效率，提供创新且个性化的客户交互和服务的过程。CRM的最终目标是吸引新客户、保留老客户以及将已有客户转为忠实客户，以增加市场份额。CRM的内容包括市场信息管理、销售全过程管理、售后服务和客户关怀等。通过CRM能够实现客户关系管理全过程的数字化。

4. PM

对于按订单设计、按订单制造的项目来说，企业需要一套专门的工具来进行全过程管理，PM便应运而生。PM的内容包括项目报价、投标、合同、预算、项目分解、项目计划、项目采购、进度跟踪、预算执行、项目成本、项目交付、项目结算、获利分析等。PM不仅需要使用计划评审技术（PERT）、关键路径法（CPM）等技术，PM还需要应用ERP、SRM、CRM的一些功能。PM最终能帮助企业实现项目管理的数字化。

1.2.3　生产制造数字化

1. 生产装备和物流的数字化

要想在生产制造过程中使用人工智能技术，首先要保证生产装备和物流设备实现了数字化。在装备数字化基础上安装各种传感器、嵌入式系统、网络通信模块、数据采集与监控系统、边缘计算设备等，实现单机产品的数字化和网络化。根据生产批量、相似工艺特征组成一条条柔性生产线、柔性制造单元，在单元内实现加工和物流的自动化，建设自动化立体仓库和物流配送系统，实现生产装备和物流的数字化。

2. 服务网/物联网平台

要实现生产制造过程数字化、智能化，就要将制造车间底层大量不同厂家、不同接口、不同协议的设备，如机器人、立体仓库、仪器仪表、环境传感器以及数控机床等异构设备的异构数据实现联网和通信，实现机器与机器、机器与人、人与人的万物互联。通过各种传感器，采集底层装备和系统的动态数据，将这些数据进行抽取、清洗、转换、装载，经过处理的数据通过网络传输到大数据管理平台，为人工智能的应用提供丰富的数据资源。

实现这种万物互联的最有效的技术就是服务网/物联网技术。国际电信联盟将物联网定义为通过智能传感器、射频识别（RFID）设备、卫星定位系统等信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。由此可见，物联网所要实现的是物与物之间的互联、共享、互通，因此又被称为“物物相连的互联网”，英文则是“Internet of Thing”（IoT），它与传统计算机网络相结合便形成了万物互联的服务网/物联网平台。

当前较为公认的物联网的基本架构包括三个逻辑层，即感知层、网络层、应用层，如图1.2所示[1]。

感知层处在物联网的最底层，传感器系统、标识系统、卫星定位系统以及相应的信息化支撑设备（如计算机硬件、服务器、网络设备、终端设备等）组成了感知层的最基础部件。其中传感器是物联网系统中的关键组成部分，传感器的可靠性、实时性、抗干扰性等特性，对物联网应用系统的性能起到举足轻重的作用。传感器（transducer/sensor）是能感受被测量并将其按照一定规律转换成可用输出信号的器件或装置，通常由敏感元件和转换元件组成。传感器好比人类的眼睛、耳朵、鼻子、舌头、皮肤，能够感知周围环境的变化，做出适应环境的决策。传感器种类繁多，有各种分类的方式，可按传感器材料、工作原理、输出信号类型、工作机理、检测对象、制作工艺等标准进行分类。从应用角度一般按照检测对象分类，可分为物理量传感器（力学量、热学量、光学量、磁学量、电学量、声学量）、化学量传感器（气体、湿度、离子）、生物量传感器（生化量、生理量）。考核传感器的指标包括测量精度、范围、稳定性、阈值、体积、成本等。标识系统（signage system）指的是以标识系统化设计为导向，综合解决信息传递、识别、辨别和形象传递等功能的整体解决方案，它对物理世界进行标识和识别，是实现物联网全面感知的基础。常用的识别技术包括 二维码、RFID标识、GPS定位、条形码等，涵盖物品识别、位置识别和地理识别。物联网的识别技术是以RFID为基础，RFID是通过无线电信号识别特定目标并读写相关数据的无线通信技术。该技术不仅无须识别系统与特定目标之间建立的机械或光学接触，而且在许多恶劣的环境下也能进行信息传输，因此在物联网的运行中有着重要意义。

网络层由各种私有网络、互联网、有线和无线通信网、网络管理系统等组成，在物联网中起到信息传输的作用，该层主要用于传递感知层和应用层之间的数据，是连接感知层和应用层的桥梁。目前信息传输技术包含有线传感网络技术、无线传感网络技术和移动通信技术，其中无线传感网络技术应用较为广泛。无线传感网络技术又可分为远距离无线传输技术和近距离无线传输技术。其中，远距离无线传输技术包括2G、3G、4G、5G、NB-IoT、Sigfox、LoRa，信号覆盖范围一般在几公里到几十公里，主要应用在远程数据的传输，如智能电表、智能物流、远程设备数据采集等。近距离无线传输技术包括Wi-Fi、蓝牙、UWB、MTC、ZigBee、NFC，信号覆盖范围则一般在几十厘米到几百米之间，主要应用在局域网，比如家庭网络、工厂车间联网、企业办公联网。在生产车间要注意解决异构设备、异构数据、异构通信协议的互联互通问题。

应用层主要包括云计算、云服务、大数据管理、人工智能优化算法以及各种应用场景的解决方案。这些将在后面详细论述。

物联网中，除上面三个逻辑层外，信息安全问题也是互联网时代十分重要的议题，安全和隐私问题是物联网发展面临的巨大挑战。物联网除面临一般信息网络所具有的如物理安全、运行安全、数据安全等问题外，还面临特有的威胁和攻击，如物理俘获、传输威胁、阻塞干扰、信息篡改等。保障物联网安全涉及防范非授权实体的识别，阻止未经授权的访问，保证物体位置及其他数据的保密性、可用性，保护个人隐私、商业机密和信息安全等诸多内容，这里涉及网络非集中管理方式下的用户身份验证技术、离散认证技术、云计算和云存储安全技术、高效数据加密和数据保护技术、隐私管理策略制定和实施技术等。对于制造业企业来说，它们可以采购符合应用场景的商品化的物联网平台。

3. 制造执行系统

制造执行系统（MES）是美国先进制造研究机构AMR于20世纪90年代提出的概念。AMR将MES定义为位于上层的计划管理系统与底层的工业控制之间的面向车间层的管理信息系统，它为操作人员或管理人员提供有关计划执行、计划跟踪以及资源追踪的相关信息。制造执行系统协会（Manufacturing Execution System Association，MESA）则将MES描述为在工厂综合自动化系统中起着中间层的作用，在ERP系统长期计划的指导下，根据底层控制系统采集的与生产有关的实时数据，能够对短期生产作业的计划调度、监控、资源配置和生产过程进行优化。

图1.3是MES主要业务活动模型，其中包括10项管理活动，分别为产品定义管理、生产资源管理、作业计划管理、生产调度管理、生产执行管理、数据采集管理、完工分析管理、物料管理、质量管理、绩效管理。

MES能够为企业创造许多价值，如缩短在制品周转和等待时间、提高设备利用率和车间生产能力、提高现场异常情况的响应和处理能力、缩短计划编制周期，以及降低计划人员的人力成本、提高计划准确性、促进计划从粗放式管理向细化到工序的详细计划转变、提高生产统计的准确性和及时性、降低库存水平和在制品数量、改善质量控制过程、提高产品质量等。

4. 企业大数据管理平台

在数据成为企业数据资产、成为人工智能的基础、成为企业核心竞争力的今天，企业必须将数字化生产装备、工业软件、外部新媒体产生的大量结构化、半结构化和非结构化数据进行有效管理，这就需要一个企业大数据管理平台，如图1.4所示。

Hadoop是构建企业大数据管理平台较好的工具之一，是一个能够对大量数据进行分布式处理的软件框架。它以一种可靠、高效、可伸缩的方式进行数据处理。它能够维护多个工作数据副本，确保对失败的节点重新进行分布处理，恢复原来的数据，从而大大提高数据的安全性。它以并行的方式工作，所以数据处理的效率较高。此外它能存储结构化、半结构化、非结构化和流数据，具有PB级超大数据存储和处理的能力。

Hadoop可以在Linux操作系统平台上运行，支持Java语言、C++等编程语言。Hadoop依托强有力的ETL处理能力，实现数据的抽取、清洗、转换、装载。它能够使大数据处理引擎尽可能地靠近存储，批处理结果可以直接存储。依托Hadoop的MapReduce功能将单个任务打碎，并将碎片任务发送到多个节点上，之后再以单个数据集的形式加载到数据仓库里。

企业大数据平台要具有数据标准、数据预处理、数据存储管理、数据可视化、数据安全等功能。数据标准包括数据标准定义、数据评估监测、数据标准落地、数据版本管理；数据预处理是指运用数据冗余剔除、异常检测、归一化等方法对原始数据进行抽取、清洗、转换、装载的功能；数据存储管理包括通过Hadoop的数据管理引擎实现海量工业数据的分区选择、存储、编目与索引等；数据可视化包括利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、平面、属性以及动画的显示，对数据加以可视化展示；数据安全包括制度安全、技术安全、运算安全、存储安全、传输安全、产品和服务安全等。

5. 企业知识图谱

（1）知识图谱的由来

1977年，美国计算机科学家费根鲍姆正式命名知识工程，他曾于1994年获得图灵奖，被誉为专家系统之父，知识工程奠基人。知识工程是自上而下的，并严重依赖专家干预。知识工程的基本目标就是把专家的知识赋予机器，利用机器解决问题。在传统的知识工程里，首先需要有相关领域的专家，而且专家能够把自己的知识表达出来；其次，还需要有知识工程师把专家表达的知识变成计算机能够处理的形式。

互联网的应用催生了大数据时代下的知识工程。虽然知识工程解决问题的思路极具前瞻性，但传统知识工程能够表示的规模有限，难以适应互联网时代大规模开放应用的需求。为应对这些问题，学界和业界的知识工程研究者们试图寻找新的解决方案。于是学者们将目光转移到数据本身上，提出了链接数据的概念。链接数据中的数据不仅仅需要发布于语义网中，更需要建立自身数据之间的联系，从而形成一张巨大的链接数据网。首先在这项技术上取得重大突破的是谷歌的搜索引擎产品，谷歌将其命名为“知识图谱”。

（2）知识图谱的定义

知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，其构成了一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。现在的知识图谱已被用来泛指各种大规模的知识库。图1.5便是一个围绕产品全生命周期的知识图谱示例，一般来说知识图谱中包含三种节点：

实体或概念指的是具有可区别性且独立存在的某种事物。以图1.5为例，产品、产品1、研发设计、生产制造、采购、质量等都是一个个实体。世界万物由若干具体事物组成，实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。

属性及属性值用来刻画实体的内在特性，从一个实体指向它的属性值。不同的属性类型对应不同类型属性的边。属性值主要指对象指定属性的值。如图1.5所示的“采购”“生产”“质量”是几种不同的属性。属性值则是采购物料的数量和价格、生产数量和进度、采购和生产的质量指标。

关系则是用来连接两个实体，刻画它们之间的关联。知识图谱亦可被看作一张巨大的关系网图，图中的节点表示实体或概念，而图中的边则由属性或关系构成。

（3）知识图谱的技术架构

知识图谱的技术架构是指其构建模式的结构，如图1.6所示。图1.6中虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新过程。知识图谱构建从最原始的数据（包括结构化、半结构化、非结构化数据）出发，采用一系列自动或者半自动的技术手段，从原始数据库和第三方数据库中进行知识提取，并将其存入知识库的数据层和模式层中，这一过程包含数据采集、知识抽取、知识融合、知识加工、知识应用五个过程，每一次更新迭代均包含这四个阶段。知识图谱主要有自顶向下（top-down）与自底向上（bottom-up）两种构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入知识库中。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如Freebase项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。自底向上指的是从一些开放链接数据中提取出实体，选择其中置信度较高的加入知识库中，再构建顶层的本体模式。对于大多数制造业企业来说，由于缺乏大量的实证数据，在应用初期主要使用自顶向下的构建方式。

（4）知识图谱与大数据的区别

知识图谱是运用一套新的技术和方法论在知识结构化和分析洞察两个方面提升信息转化为知识并且被利用的效率。大数据和知识图谱的抽象工作都是关于“结构化”和“关联”的，不过大数据是数据结构化和数据级别的关联，知识图谱是知识结构化和知识级别的关联。所谓知识结构化在知识图谱技术中就是用三元组的数据结构对实体和关系建模。知识图谱在解决分析洞察这类问题时，在处理“关系”这件事情上，更直观也更高效。知识图谱技术无非是将人工的过程平移，希望计算机能够更高效地完成这一工程。大数据很大程度上是在尝试将非结构化的数据转为结构化的数据，使其能被计算机分析，从这个意义上讲，传统的企业大数据平台、数据治理和知识图谱无疑都要共享企业的大数据。

6. 专家系统

（1）专家系统的定义及发展历程

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域的问题。也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

专家系统的发展已经历了三代，正在向第四代过渡和发展。第一代专家系统以高度专业化、解决专业问题的能力强为特点，但在体系结构的完整性、可移植性、系统的透明性和灵活性等方面存在缺陷，解决问题的能力弱。第二代专家系统属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性和通用性等方面都有所改进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。

（2）专家系统的构成

专家系统通常由人机交互界面、知识获取、知识库、推理机、综合数据库、解释器、6个部分构成，如图1.7所示。其中尤以知识库与推理机相互分离而别具特色。专家系统的构成随专家系统的类型、功能和规模的不同而有所差异。

（3）人机交互界面

人机交互界面是系统与用户进行交流时的界面。通过该界面，用户输入基本信息、回答系统提出的相关问题，并输出推理结果及相关的解释等。

（4）知识获取

知识获取是专家系统知识库是否优越的关键，也是专家系统设计的瓶颈问题。通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功能。

（5）知识库

知识库用来存放专家提供的知识。使用专家系统解决问题要运用知识库中的知识并模拟专家的思维方式，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量和水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。

人工智能中的知识表示形式有产生式规则、框架、语义网络等，而在专家系统中运用得较为普遍的知识是产生式规则。产生式规则以“IF…THEN…”的形式出现，IF后面跟的是条件（前件），THEN后面跟的是结论（后件），条件与结论均可以通过逻辑运算AND、OR、NOT进行复合。在这里，产生式规则的理解非常简单，即如果前提条件得到满足，就会产生相应的动作或结论。

（6）推理机

推理机针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。在这里，推理方式可以有正向链和逆向链两种。正向链的策略是找出前提可以同数据库中的事实或断言相匹配的那些规则，并运用冲突的消除策略，从这些都可满足的规则中挑选出一个来执行，从而改变原来数据库中的内容。这样反复地进行寻找，直到数据库的事实与目标一致即找到答案，或者到没有规则可以与之匹配时才停止。逆向链的策略是从选定的目标出发，寻找执行后果可以达到目标的规则。如果这条规则的前提与数据库中的事实相匹配，问题就得到解决；否则就把这条规则的前提作为新的子目标，并就新的子目标找到可以运用的规则，执行逆向序列的前提，直到最后运用的规则的前提可以与数据库中的事实相匹配，或者直到没有规则再可以应用时，系统便以对话形式请求用户回答并输入必需的事实。由此可见，推理机就如同专家解决问题的思维方式，知识库就是通过推理机来实现其价值的。

（7）综合数据库

综合数据库专门用来存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区。

（8）解释器

解释器能够根据用户的提问，对结论、求解过程做出说明，从而使专家系统更具有人情味。

如何运用专家系统求解智能制造的问题将在后面各章中阐述。

---

[1]本图来自魏强的“物联网的概念、基本架构及关键技术”一文。