面向智能制造的10大智能算法

点击蓝字 关注我们↑↑↑

DIGITAL TWIN

如果您不希望错过文章，就加个星标吧！

 文章信息 

1. 引言

当今，广泛的信息技术工具正应用于制造业，极大地推动了智能制造的发展。人工智能（AI）凭借其感知环境、发现知识和做出明智决策的能力，成为最受欢迎的技术之一，为制造过程赋予了更高的智能性。

人工智能方法有多个分支，包括进化计算、知识表示、句法模式分析、基于逻辑的推理、基于不完全知识的推理、聚类分析等。对于每个分支，智能算法在数据处理和分析中都起着不可或缺的作用。常用的算法包括人工神经网络、支持向量机、模糊逻辑、决策树、遗传算法等，这些算法在学习能力、收敛速度、泛化能力和准确性方面表现出色。这些算法被整合到用于制造运营的人工智能解决方案中。

近年来，尤其是自 2013 年工业 4.0 概念提出以来，智能制造已成为一个热门话题。智能制造领域关于智能算法的出版物也在急剧增加。尽管已经发表了许多有价值的相关研究综述文章，但其中一些仅聚焦于某一类智能算法（如深度学习算法、优化算法），或者主要涵盖某一类应用对象（如机床），又或者某一类问题（如设备预测、工艺优化）。对于那些对智能制造不同对象或问题的智能算法进行全面研究的文章，它们强调的方面各不相同，例如讨论基于算法的解决方案、突出潜在益处和成功应用、找出当前研究的差距等。本文与以往研究不同，聚焦于使用频率最高的十大算法，旨在回答关于它们在智能制造中应用的三个基本问题（即何时、为何以及如何使用这些算法），从不同视角理解这些智能算法。本文的主要贡献包括：

（1）详细审视十大算法，并分析这些算法如何为智能制造做出贡献；

（2）提出一个关于如何将这些算法应用于解决制造问题的通用框架；

（3）讨论它们在实施过程中面临的挑战及解决方案。

本文其余部分结构如下：第 2 节概述智能制造中的问题，随后在第 3 节进行一系列统计分析，以确定十大算法及其主要发展趋势。第 4 节详细介绍这十种算法，第 5 节进一步阐述在智能制造中何时、如何以及为何使用这些算法这三个关键问题。第 6 节讨论未来面临的挑战。最后，第 7 节对本文进行总结并阐述一些未来的研究方向。

2. 智能制造中的问题综述

"智能"是一种心智特质，体现为通过学习和适应应对不确定环境的能力。相较于依赖自然选择筛选最优解的"自然法则"，"智能"可显著降低目标追寻过程中的资源消耗。由此衍生的智能算法即是对"智能"特征的模拟。与传统依赖刚性规则和严格数学模型的算法不同，智能算法具有自学习、自组织和自演化特征，能够通过自主学习和动态调整适应复杂环境。

智能制造致力于实现车间、企业及供应链的多层级智能化。车间层聚焦人机料法环要素，企业层注重部门间资源协同，供应链层优化企业间协作。各层级均面临检测、分析、预测与决策四类共性命题，分别对应"现状认知"、"根因溯源"、"趋势预判"和"行动优化"的认知闭环。

在检测层面，传统数学模型难以应对制造大数据的多样性、复杂关联性及动态演化性，而机器学习算法凭借强大的非线性函数逼近能力，在复杂数据特征提取、高维数据处理及样本自适应等方面展现出显著优势。

分析层面相较于依赖主观经验的鱼骨图、5Why等传统方法，贝叶斯网络、Apriori算法和模糊逻辑推理等智能算法通过数据驱动的因果关联挖掘，在不确定性处理、稀疏数据适应和非线性映射等方面各具优势。

预测层面需构建多维数据与未来指标的复杂时序关联模型，其技术需求与检测类似，同样依赖智能算法的非线性建模能力。

决策层面面对多变量、多约束、多目标的NP难题，传统精确算法易陷入维数灾难，而差分进化、遗传算法、粒子群优化等智能优化算法通过探索-开发的平衡机制，在求解效率与质量间取得良好权衡。

图1 常见制造问题概述

尽管许多智能算法已应用于智能制造领域，本文重点分析了使用频率最高的十大算法。这些算法是通过文献计量分析筛选得出的。

3.1 研究方法

自2013年提出“工业4.0”概念以来，智能制造吸引了越来越多的关注，相关研究大量涌现。本综述基于Scopus和Web of Science（WoS）数据库中2013年至2022年的文献，主要分为三个步骤。

首先，通过关键词搜索构建初始文献列表。关键词包括智能制造的主要特征（如数字化、协作、连接、服务导向）以及智能算法中的高频词（如机器学习、群体、进化、启发式、代理、模糊、逻辑），最终获得1545篇文献。

其次，聚焦于领域内最具代表性的期刊文章，将文献数量缩减至738篇。然后，通过筛选标题和摘要，剔除无关文献（如医学领域、构建概念框架或平台的文献、综述某一类算法而非具体算法的文献）、重复文献、非英文文献以及无法获取的文献，最终筛选出459篇文献。

最后，详细阅读所选文献，并从两个维度进行分类：一是根据算法类型分组，二是根据应用领域分类。结果识别出数十种算法（如ABC、模糊逻辑、GA、K-means、贝叶斯、NSGA-II、决策树）及其应用领域。
此外，由于研究主题广泛，初始搜索阶段识别出上千篇文献，但最终仅选取459篇高质量期刊文章作为样本。为减少遗漏相关文献的风险，本研究还参考了相关综述文献，以确保涵盖主流算法。

本文主要探讨以下五个研究问题：
Q1. 智能制造中十大智能算法是什么？
Q2. 何时使用这十大算法？
Q3. 如何使用这十大算法？
Q4. 为何使用这十大算法？
Q5. 这些算法面临的主要挑战及应对策略是什么？

3.2 统计分析

图2显示了逐年增长的文献数量趋势，表明学术界对智能制造中智能算法的研究日益增多，这也将是未来工业应用的发展方向。

图3按文献数量对常见问题进行了排名，车间调度、服务选择与组合、生产过程控制、产品缺陷检测、设备诊断与预测、状态检测（如物体定位、异常检测、材料分类）、产品设计优化、物流优化、服务调度以及节能减排位居前十。尽管主题多样，但超过一半属于决策问题。

图4列出了热门智能算法，其中许多排名靠前的算法是优化算法，包括GA、PSO、ACO、ABC和DE。由于部分算法原理相似，这些算法被分为两类：进化优化算法（EA，如GA和DE）和群体智能算法（SA，如PSO、ACO和ABC）。最终选出的十大算法包括EA、SA、卷积神经网络（CNN）、Q-learning、模糊逻辑、支持向量机（SVM）、长短期记忆网络（LSTM）、随机森林（RF）、反向传播网络（BP）和K近邻算法（KNN）。尽管这些算法存在诸多差异，但作为最受欢迎的算法，它们具有性能优异、操作简便以及变体丰富等共同特点。

本文介绍了智能制造中的十大智能算法，并阐述了它们的基本思想、结构以及主要特征。

4.1 反向传播神经网络（BP神经网络）

BP神经网络是一种广泛研究的人工神经网络，以其非线性映射能力著称。其结构包括输入层、输出层以及一个或多个隐藏层。输入层和输出层的神经元数量取决于具体问题，而隐藏层的神经元数量通常通过实验确定。神经元通过连接权重和偏差相互连接，数据输入后，通过反向传播机制迭代调整参数，以控制输出误差在预期范围内。

4.2 支持向量机（SVM）

SVM是一种监督学习的二分类线性分类器，旨在定义一个最优超平面，最大化两类训练样本之间的距离。对于非线性分类问题，SVM可通过核函数（如高斯径向基函数）将数据映射到高维空间，使其线性可分。SVM的目标是找到一个使数据类别间间隔最大且误分类向量距离最小的超平面。

4.3 K近邻算法（KNN）

KNN是一种基于类比的惰性学习算法，与决策树和BP神经网络等急切学习方法不同，KNN在接收到未标记样本后才构建分类器。其过程包括确定最近邻居和基于邻居类别进行分类。对于未知样本，KNN通过距离加权投票方法确定其类别，也可用于回归问题，计算邻居的加权平均值作为回归结果。

4.4 长短期记忆网络（LSTM）

LSTM是一种特殊的循环神经网络，专为解决长期依赖导致的梯度爆炸和消失问题而设计。其结构包括细胞、输入门、输出门和遗忘门，通过控制信息流决定保留或丢弃哪些信息。LSTM能够从时间序列数据中提取有用记忆并丢弃无用信息。

4.5 卷积神经网络（CNN）

CNN是一种受生物启发的深度学习架构，适用于处理时间序列数据、图像和视频。其基本组件包括卷积层、池化层和全连接层。卷积层通过卷积核提取输入数据的局部特征，池化层保留重要特征以减少可学习特征数量，全连接层用于分类或回归任务。

4.6 随机森林（RF）

RF是一种集成学习算法，结合多个决策树进行分类或回归。每个决策树是一个树状结构的白盒分类器，通过投票或平均融合结果。RF在数据采样和输入选择中引入随机性，使各决策树尽可能不同，从而具有稳定性好和对缺失数据不敏感等优点。

4.7 Q学习

Q学习是一种强化学习算法，通过代理与环境交互来优化行为。其核心是Q函数，表示在状态st选择动作at后的预期奖励。Q函数通过迭代更新，目标是使预期奖励最大化。Q学习在简单环境中表现良好，但在大规模状态-动作环境中耗时长且占用空间大，因此衍生出结合CNN的深度Q学习。

4.8 模糊逻辑

模糊逻辑是一种模仿人类思维的智能算法，能够处理不完全或不精确的信息。其关键步骤包括模糊化、模糊规则库、推理引擎和去模糊化。模糊逻辑通过语言化表示知识，适用于处理不确定性数据。

4.9 进化优化算法（EA）

EA基于达尔文“适者生存”概念，通过自然选择、交叉、变异和复制等过程从候选解中寻找最优解。遗传算法（GA）和差分进化（DE）是典型的进化算法。GA通过选择、交叉和变异生成下一代解，而DE主要通过变异构建更优解，且具有更快的收敛速度。

4.10 群体智能算法（SA）

SA是一类基于种群的元启发式算法，受自然界动物或植物集体行为的启发，表现出强大的自主协调和社会组织能力。粒子群优化（PSO）、人工蜂群（ABC）和蚁群算法（ACO）属于此类。例如，PSO通过粒子位置和速度的迭代更新搜索最优解，粒子的运动速度和方向根据个体最优位置和群体最优位置调整。

基于上述分析，本节进一步探讨这些算法在智能制造中的应用，主要回答三个问题：何时使用、如何使用以及为何使用这些算法。

5.1 何时使用十大算法

根据图9，十大算法分为四类：

浅层学习算法（BP、SVM、KNN、RF、Q学习）、深度学习算法（LSTM、CNN）、智能优化算法（EA、SA）和基于逻辑推理的算法（模糊逻辑）。

图9. 十大算法的适用性

这四类算法在不同问题中的适用性如下：

• 浅层学习算法：占十大算法的一半，适用于处理有限的手工特征数据，主要处理结构化数据，具有训练时间短、可解释性强的优点，常用于检测和预测任务，如工人状态检测、材料识别、设备预测等。

  
  

• 深度学习算法：如LSTM和CNN，适用于大规模、高维和非结构化数据（如文本、图像、视频）。LSTM主要用于时间序列数据的预测，如剩余寿命预测、能耗预测；CNN则擅长图像分类和识别，如表面缺陷分类、材料类型分类。

  
  

• 智能优化算法：如EA和SA，用于寻找最佳解决方案，支持决策制定。EA多用于离散优化问题（如车间调度、服务组合），SA则适用于连续变量优化（如工艺参数优化）。

  
  

• 基于逻辑推理的算法：如模糊逻辑，用于处理不精确输入和输出之间的关系，适合检测、预测和优化问题，如机器诊断、表面粗糙度预测。

5.2 如何使用十大算法

图10展示了一个通用的应用框架，包括三个阶段：问题分析、算法实现和算法应用。

图10. 十大算法应用框架

• 问题分析阶段：通过根本原因分析方法（如决策树、因果图、贝叶斯网络）确定问题的原因，并将其转化为算法功能需求。

  
  

• 算法实现阶段：首先进行数据预处理（如降噪、归一化、特征选择），然后根据功能需求选择合适的算法，并通过多准则决策技术（如层次分析法、TOPSIS）进行算法排序和选择。接着，对选定的算法进行配置和优化（如参数初始化、约束设置、训练和测试），并通过实验设计（如正交实验、正则化方法）最大化算法性能。

  
  

• 算法应用阶段：对算法结果进行后处理（如数据转换、可视化），并将其嵌入制造信息系统中，通过在线运行解决具体问题。

5.3 为何使用十大算法

本节从五个方面分析了十大算法被广泛使用的原因：

• 普遍性：大多数算法发展历史悠久，用户广泛积累，适用于多个领域，包括智能制造。

  
  

• 可实现性：算法有现成的代码、工具和库支持，易于实现，适合缺乏复杂算法知识的制造工程师。

  
  

• 适用性：这些算法及其组合能够解决大多数常见制造问题，支持检测、预测和优化任务，适用于不同类型的数据（如连续、离散、数值、非数值）和问题特征（如精确信息、模糊推理）。

  
  

• 优越性：这些算法在某些方面表现出优越性能，如LSTM和CNN擅长处理复杂关系的大规模数据，SVM和BP在处理数值数据时具有高精度和泛化能力，KNN易于操作，RF对缺失数据具有良好的容忍性。

  
  

• 适应性：这些算法有众多变体，能够灵活适应不同的制造需求，扩展了算法的应用范围。

通过以上分析，可以全面理解十大智能算法在智能制造中的应用价值及其适用场景。

尽管十大算法在制造业中得到了广泛应用，但在不同方面仍存在重大挑战，如图12所示。毫无疑问，成功应对这些挑战将带来显著的收益。

图12. 十大算法面临的挑战

6.1 来自制造数据的挑战

尽管近年来制造数据量不断增加，但数据质量差仍是数据准备中的常见挑战，这导致智能算法的性能下降。

• 数据分布不平衡：某些类别的数据丰富，而其他类别的数据量较少。这通常是由于小概率事件（如设备故障）或极端制造条件（如高温、高压）导致的。数据不平衡会使数据驱动算法（如KNN、BP、SVM、LSTM、CNN）的学习结果偏向于数据量较多的类别，降低算法准确性。解决方法包括数据生成、过采样、设计正则化神经网络以及直接优化分类或回归模型。

  
  

• 数据格式多样性：制造数据通过不同方式从多个来源收集，数据格式多样，包括结构化数据、半结构化数据和非结构化数据。信息提取技术（如规则法、学习法和混合法）可将半结构化和非结构化数据转化为结构化信息。

  
  

• 数据缺失：包括标签缺失、属性值缺失和时间序列数据段缺失等。数据缺失可能导致算法性能下降，解决方法包括统计方法和基于学习的方法。

  
  

• 数据不确定性：制造数据中的不确定性不可避免，可能来自于环境变化、采样问题、信号传输干扰等。数据不确定性测量方法（如概率论、香农熵）和不确定性缓解方法（如数据清洗、模糊逻辑）可提高算法性能。

6.2 来自制造问题的挑战

制造过程是一个动态、复杂且间歇性的过程，涉及多种变量、对象和扰动，这使制造问题具有复杂性、不确定性和独特性。

• 问题复杂性：制造系统具有静态复杂性（如产品多样性）和动态复杂性（如事件不确定性、不可预测行为），这增加了算法的解决难度。通过短周期规划、标准化操作和过程自动化等策略可降低复杂性。

  
  

• 问题不确定性：制造过程中可能面临许多不确定因素（如紧急订单插入、库存短缺、设备故障）。为提高响应速度，除了调整算法参数外，还可使用硬件加速器（如FPGA、GPU）提高计算效率。

  
  

• 问题独特性：每个制造问题因目标、要求和场景不同而具有独特性。迁移学习可将先验知识迁移到新任务中，减少算法构建的工作量。

  
  

6.3 来自算法实现的挑战

来自算法的挑战主要包括算法实现中的不确定性和算法的可解释性差。

• 算法实现中的不确定性：即使同一算法在解决同一问题时也可能表现出不同性能，这主要源于模型不确定性（如训练误差、模型结构不足）和数据不确定性（如测量误差）。通过优化算法架构、增加训练数据量可减少模型不确定性。

  
  

• 算法可解释性差：许多智能算法因参数复杂、层数多而具有“黑箱”特性，难以用可理解的方式解释预测结果。梯度解释法、特征可视化法和类激活映射法等方法可提高算法可解释性。

6.4 来自制造工程师的挑战

制造工程师在智能算法成功应用于智能制造中起着关键作用。

• 制造经验的差异：经验丰富的专家能快速高效地完成制造问题分析，而新手则缺乏相关技能。构建制造知识库可集成专家知识，支持知识共享与重用，提升新手能力。

  
  

• 缺乏算法专业背景：许多制造工程师缺乏智能算法的背景知识，难以设计基于算法的问题解决方法。算法模板的提出可自动生成分析结果，帮助缺乏算法知识的工程师进行数据分析，这是未来算法创建的一个方向。

本文系统阐述了智能制造中常用的十大算法，回答了这些算法何时使用、如何使用以及为何使用的问题，并进一步探讨了未来面临的挑战。本文的主要贡献包括：

（1）总结并筛选了十大常用算法，（2）详细阐述了这些算法在智能制造领域的应用及其贡献，（3）分析了算法面临的主要挑战。

未来，将智能算法与新兴信息技术（如云计算、区块链、数字孪生）相结合将成为重要发展趋势。例如，区块链技术有助于提高制造数据的可信度，从而提升基于这些数据构建的算法的可靠性；云计算和边缘计算可显著增强算法处理海量数据的能力；数字孪生技术通过模拟算法输入和对应输出，提供更好的可视化效果，使算法更易于理解和接受。借助这些新兴技术，智能算法将得到进一步优化，从而更好地支持智能制造的发展。

（以上中文翻译由Deepseek辅助生成）

关注公众号，后台回复“MT19”即可下载原文