如何快速准确评估智能制造系统

智能制造日益成为未来制造业发展的重大趋势和核心内容，是企业向中高端迈进、加快转型升级的重要举措，也是新常态下企业打造新的竞争优势的必然选择。

而推进智能制造是一项复杂的系统工程，也是一件新生事物，这需要一个不断探索和试错的过程，难以一蹴而就，更不能急于求成。企业对自身到底处于智能制造的什么水平并不清楚，不能明确该如何去分步实施智能制造，这种供需不对等和困惑极大地影响了智能制造的有效落地。

有人可能会从质量、成本、交货期入手去评价一个制造系统，也有人会从人机料法环去看待这个问题，但智能制造系统与传统制造系统不同，应该用哪些指标？选择的指标是否全面？不论从任何角度，各指标必须要有一个主次之分，权重如何设定？指标间是否相关？ 

你可能已经感觉到了智能制造系统评估并不是一个能够一拍脑袋就能决定的事。因此，我们采用神经网络进行机器学习模式识别的方式解决智能制造系统评估问题，为企业有效推进智能制造提供一种新工具。

1. 评估指标体系设计

我们对《国家智能制造标准体系建设指南》、《NIST智能制造生态系统》和《德国工业4.0参考体系》进行分析，结合工业工程先验知识对智能制造评估指标体系进行覆盖性特征提取，在样本数据清洗、预处理的基础上进行降维操作，最终形成24维列向量、120个测量指标的评估指标体系。指标虽然不一定互相正交，也不能保证一定“有用”，但是我们尽量确保其“全面性”，尽量让它们表达智能制造的各个方面各个角落。

2. BP神经网络建模

我们对BP神经网络的指标、配置细节、优化算法进行设计，并在Mat lab平台上完成编码。网络的输入是24维特征向量，标杆是工业4.0，输出是网络所处模式（工业1.0到工业4.0区间）的概率，概率最高的即为识别得到的模式，并通过特征向量与同行业模式优秀样本的特征向量比较，给出差距最大的特征作为指导。神经网络的指标将用于在随机选择的交叉验证数据样本，对各个不同参数配置的网络进行筛选，同时采用NSGA-II多目标遗传算法对BP神经网络的权值和阈值初始化进行优化。

3. 神经网络模型训练

研究采用Minitab进行正交试验设计选择超参数配置，训练中遇到了过拟合、欠拟合等各类问题，我们在低阶特征至高阶特征提取、残差结构防止深度增加反向传播失效、采用随机失活减小神经元之间的依赖性、使用梯度裁剪防止出现梯度爆炸、使用批规范化和长短期记忆网络防止梯度消失等方面进行了完善。评估模型徜徉在样本数据的海洋中，最终达到95%的拟合精度。

通过样本训练，神经网络模型能够学习、调整各个指标间的权重和关系，并且它还能够随着输入样本的改变而变化，这就使得它能够自适应动态的制造环境。每一个接受评估的制造系统同时也是该模型的塑造者，每个受评估者也成为了别人评估的榜样，这是一个包容、学习、共同进步的评估模型！

4. 评估模型应用

针对某家跨国大型制造企业的制造系统，评估模型用时2.8秒给出了结论：该企业制造系统属于工业3.0模式的概率为0.595，属于工业3.5模式的概率为0.382，可以通俗的说这个制造系统处在工业3.0到工业3.5的转型时期，与该企业的实际情况十分符合。配合评估结果，与特征向量的初始数据对比，模型进一步给出如下结论和建议：

①当前阶段的主要改进点在人机分离程度、自动化数据采集、人机交互、设备互联与智能数据处理上，未来供应链层面的网络化将成为重点。

②企业管理文化与生产模式与优秀样本有一定差距。

③在设计、制造、销售与采购四个生命周期阶段与优秀样本有较大差距。

④企业在制造柔性方面关注程度不够。

课题组构建的智能制造系统神经网络评估模型能够在短时间内对特征进行模式识别，对分析制造系统以工业4.0为标杆的薄弱点与改进点有很好的指导作用，且模型随着样本增加会不断适应动态的制造环境，给出动态合理的分析结果。我们期待能与相关政府部门、行业协会和企业开展密切合作，为企业智能制造系统的落地与推进提供有效的前馈工具。

点击标题分享往期精彩内容

关于我们

为您分享智能制造、机器人与智能装备、精益体系（设计、生产、物流、品质）、创新设计、创新思维与创新方法的感悟、解决方案、科研成果、开放课程。

长按二维码关注我们