智能制造中的控制问题

江苏凤谷节能科技有限公司  大家上午好!非常感谢组委会的邀请，今天主要谈一下智能制造中的控制问题。

首先讲一下工业4.0对工业的发展。经过四次工业革命，从最早的机械加工到生产线到工业机器人到多机器人，工业4.0在德国做的很好。

什么是工业4.0呢?实际上就是说把实体和虚拟结合起来。我做一个简单的总结，可以看成简单的CPS+，因为它首先从市场需求开始，通过智能制造，以智能制造通过互联网集成，实现全自动化。全自动化以后当有客户需求的时候，能够把原材料、产品、机器连在一起，实现智能化。

很重要的是过去工人也这么做，只不过需要人，需要程序。在这里智能起了很大的作用，要把智能能够添到里面，到最终实现质量的提升、效率提高。它产生的工业应用有很多方面，制造业降低了成本、提高了效率，能源还有城市的规划交通以及健康医疗体系。

工业4.0九大技术支柱：人工智能、工业互联网、工业云计算、工业大数据、工业机器人、3D打印、知识工作自动化、工业网络安全、虚拟现实。

现在提出知识自动化是很难的。从工业4.0的角度、智能的尺度来讲，它有五个尺度：首先是硬件，这是企业比较擅长的，上面的是数据信息，第一个是链接，第二是看见信息。这上面有很多方法去做激励学习、深入挖掘等等，这还是属于产品智能。第三层级是系统智能，各个模块的衔接，看的很清楚，人们可以看的更清楚。这开始有难度了。再往上就是人的智能，这就非常难了，我们看事就看的透了，它要跨界，跨多个维度和尺度去看，这个层面上的智能难。最后是希望自主的，我觉得这是非常难的。工业4.0希望这样做，但实际上真正能做到什么级别、什么程度，我认为从学术的角度看有很大的难度。

这是国家973项目，其中一个是做装备智能，希望装备智能化设计、整个数字化有智能感知，能够建模，以后做智能抉择设计。制造难就是尺度大，不确定性大。

再下去深入讲一点，控制在制造中的应用，首先我打开一个小尺度，这是电子封装很简单的回路，非常简单的小回路可以看出多个控制的前导，每个打开下去以后，你可以看到喷胶过程。

这个尺度是时间尺度，在一个毫秒级点胶水，在分钟级别上点很多胶水，而且最后的性能是不可测的，那是需要现场人的辅助，这是非常难的。还有固化，10公分的系统是三维的，实际上就是物理期间，有空间尺度。这个描述过程是非常难的问题。其他很多流程都是这样描述，包括柔性力，包括弹性的材料来操作都是属于这个过程，这是比较难的。

如果从整个制造尺度来看，它是多层的、分散式的，从最底层自动化到回路控制到监督层到生产调度中间层到整个工厂层面，因此从自动化到控制到监督到管理，智能是逐渐提升的，但是它是在下面更关心产品的质量，其实在上面更关心商业质量。因此，它难度是从底下往上面越来越难，越到上面不确定性越大，不确定性越大，控制智能化就非常难。

因此来讲，制造系统像我们培养是多尺度的，有局部特性，有宏观级别。局部的东西越高层的动的越慢，当我们做的很快，可以交互，当人做错决定，你要纠正起来很慢。复杂度，越到上面越大，但是越下面，从学术角度来讲，它比较好放驱动。不确定性是下面小，有多种不确定性，控制是动态，模型驱动，基本上比较精确的处置。到上面看是知识驱动，下面比较本能的反应，上面是逻辑思维，逻辑的，评价体系也这样，越到下面精确度高，上面是应用。智能也是下面低、上面高。因此，不确定性从左到右，制造体系在底下是小的，是做不到的。在工业界来讲，在底层不确定比较小，建模、控制、设计能够去做，因为到上面来讲就不能做建模，因为东西太大。所谓的智能方案，模糊的神经元等等方法做。在这里感知非常重要。

不确定性有两种，一种随机的，还有一种是模糊的，好比两杯水，一个随机10%有毒，一个模糊的10%有毒，确定的不确定性和随机的不确定，还有空间的不确定，因为尺度。

控制在不同尺度上体现不一样，一般来讲最底层的机器设计，回路控制、机器控制，这里面更多是任务的分配、制造，在设计中承担更多的控制。这两层更多的是离散系统，实现产品自动化方面的变化，但到高层，决策是战略性的，这里进行知识的阐释和自动化方面。建模不一样，感知完了才建模，对于设计的建模、控制的建模，这些都不太一样。

一般来讲做一个产业，我认为在制造做的研究上，我们需要三个平台，一个是实验，毫无疑问需要实验来感知。二是物理仿真。这两个要衔接好。三是基于模型的控制，是从常规方面驱动的。

点胶是多时间尺度。多时间尺度很难，因为短时间尺度点进去，基本上不可能做到闭环。因此，在短时间尺度、长时间尺度、在分钟级别20、30分钟点几千滴胶水，怎么做到一致性?就需要控制，通过控制解决趋势性问题，没有趋势性干扰才能通过控制实现。因此，我们叫多尺度的设计机器人。我要了解清楚才能设计，这两个是解决短时间尺度上的工作。另外一个是解决长时间尺度的工作。

通过胶水的方程有一定的了解，通过做实验，通过做混合实验锻炼很多的特征，由此来支持获取，在物理仿真上通过物理仿真、实验离合进行设计，使设计的整个尺寸等来进行设计，设计完了以后来控制。所有点胶机都是开发性控制，没有传感器，我们如果做工业4.0，很重要的是要加传感器，我们想知道撞针，通过信息位置我们做后续的很多分析，很多预测。在这个基础上智能感知加额外的感知，以后在后面做过程级别多点的一致性补偿，发觉趋势性变化，然后再做控制。

4.0里面有一点，你要做全面的自动化需要感知，温度场只能一个产品一点，空间上其他点的温度你不知道，我们现在如何用几个传感器知道呢?这样对过程有更清晰的了解，然后做控制，这是智能感知。

其实我们把深度学习加在这里，来提高它感知的精度。因此，在未来最大的挑战是智能，我们要三个智能系统，这是很大的挑战，对人都是挑战，机器更是，知识的生成和自动化很难。

智能从哪儿来?先看人，为逻辑分析再到行动。相对人制造系统也相似，和人结构相似，因此，相应这部分机器只能是商业智能。计算机的速度足够快，所以狗可以打败人，人是被硬件打败，不能说软体，因为人有第六感，这是机器做不到的。

数据信息，学习信息有两块，量化模型、知识模型，这两块有很多方法，这是产品层面。比较高的是决策，因为有两种不确定性，刚才说的确定的不确定性，还有随机的不确定性，因为知识的表达是模糊的，也是随机的。

城市大学世界排名150-200名，这是模糊的，不是精确性的。这是概率的，所以这句话是对的。人可以很好的处理，机器就有很大的问题。模糊系统是处理机器的一种方式，是成熟的。我们最近开发概率模糊性，把两种集成起来给予支持。

这是一个973项目里面做的，这个难点是功率耦合机不确定，锻造材料，两条驱动，因此来讲，两个驱动截面的耦合模型要搞清楚，要得到量化模型建模，还有操作员的操作的经验、知识清理出来决策，然后取得参数，这样才能驱动两个东西，这是现在做的东西。总之，智能制造是多尺度集成。从过程开始，还有很多跨学科，因为制造是多尺度的。通过智能提高所有我们的标准，这里最大的挑战是智能的建模，人的智能。

总之，智能制造是多尺度集成。从过程开始，还有很多跨学科，因为制造是多尺度的。通过智能提高所有我们的标准，这里最大的挑战是智能的建模，人的智能。

凤谷工业炉集设计研发,生产销售,培训指导,售后服务一体化,专利节能技术应用,每年为企业节省40%-70%的能源成本,主要产品加热炉,工业炉,节能炉,蓄热式炉,垃圾气化处理设备，欢迎致电咨询:0510-88818999