智能制造技術介紹

智能制造技術主要包括數字化技術、工業互聯網、大數據技術、可視化技術、基于模型的工程，隨著計算機技術的進步，大數據技術和基于模型的工程得到飛速發展，本文主要介紹以上兩種技術的實際應用。

1 數字化轉型和工業4.0現代化技術[1]

面對各種靈活、適應性強的制造系統和標準產品等挑戰，數字化轉換及工業4.0等技術越來越復雜。對于未來的發展，找到有效、靈活的方法對進行異構系統的連接（尤其是數據結構）至關重要。本章描述的第一種方法涉及物流領域中系統的智能互操作連接，提出了一種系統方法的概念，其中智能物流對象通過定義的級別相互通信，并為現代工廠和生產環境的智能增值過程或應用提供服務（見參考文獻1中的FIGURE 2）。第二種方法涉及增材制造在中小型企業中的應用效果和潛力，介紹了數字化改造和工業4.0及其工業制造的最新發展。

當前數字化轉型和工業4.0的發展使新技術在現代生產環境中得以應用。所提出的兩種方法都將有助于與所提出的技術相關的管理決策以及進一步研究概念的設計。系統的可互操作連接是進一步發展的基本先決條件，尤其是在高度自動化的物流領域。

針對第一個研究方法，簡要介紹互操作性，概述當前的互操作性方法，并介紹開發智能互操作物流環境的方法。開發了一個整體模型，包括三個級別（組織、信息和物理）及其智能對象為智能物流環境的不同要求提供服務。此外，異構IT系統的整合為現代物流系統提供了大量機會。各種IT系統和組件的互連目標是在系統之間實現高水平的互操作性，即意味著每個系統彼此連接并且可以一起通信。

所提出的兩種方法都有助于與所提出的技術和進一步概念的設計以及進一步研究相關的管理決策。這兩種方法結合了物流和互操作性以及傳統制造領域，并使其適應數字化轉換和工業4.0可持續概念。

2 基于模型工程和網絡物理制造系統的虛擬調試-交通系統的研究 [2]

新興的制造系統變得越來越復雜，而其工程和加速階段需盡可能短，以減少對新市場需求的反應時間，并最大限度地減少生產線停機時間。由于工程信息不能滿意地進行共享，工業工廠的虛擬調試非常復雜。通過制造系統的仿真，將Siemens Plant Simulation工具及工程與Montratec的Schmid P'X5配置器相結合，有助于更好地合成和分析生產線。

模型驅動工程（MDE）是一種新興的軟件工程模式，通過更高層次的抽象化開發系統來抵消現代軟件系統日益復雜的問題，從而為工程支持提供基礎。MDE最大的優勢在于簡單有效，可以在具有不同數據模型的各種數據格式之間開發數據轉換器。在提出的方法中，數據不是直接轉換的，而是使用中間格式AutomationML。所提的解決方案依賴于基于模型的數據和信息轉換技術，如圖2所示。

圖2 所提的解決方案

標記為1和2的轉換是指運輸系統中可用組件的轉換和集成數據，可用于創建運輸線；標記為3和4的轉換與將運輸系統的拓撲信息傳遞給工程工具有關。

更詳細地來講，步驟1意味著制造/運輸系統的可用組件被概括并以適當的形式表達。將可用組件表示為AutomationML數據格式的系統單元類，繼續執行步驟2。對于使用基于模型的技術，使用Automation?ML的元模型。通過內置算法優化拓撲結構，通過仿真驗證用戶對所有功能和非功能的需求，進行第3步，此步驟側重于單個組件的實現。步驟4表示將Auto?mationML結構中的實例轉換為適用于Montratec的P'X5配置器的Pxpz文件。

3 汽車工業中基于模型工程的產品線工程[3]

產品線工程(PLE)和基于模型的工程(MBE)兩種方法都為系統工程項目帶來顯著優勢。本章探討雷神公司、通用動力公司和通用汽車公司三家公司如何在極具挑戰性的應用領域以獨特和創新的方式將這兩種工程進行有效結合，以實現至關重要的工程目標。

基于特征的產品線工程：三家公司都采用了“基于特征的PLE”。在基于特征的PLE中，共享資源可以是數字化表示的任何工件。配置程序通過激活產品來生成特定產品。特征是能將產品線中的產品彼此分開的區分性特征；產品功能選擇的集合從產品系列所有可用功能選項中提取出來。

模型成為一個共享資源：三家公司使用MBE來實現其各自系統的設計和工程的特定目標，將MBE與PLE相結合。為了支持各自的產品線，每家公司都借助MBE來處理建模，并用PLE來處理模型中固有的變化，來反映他所構建產品的多樣性。這三家公司都使用基于功能的PLE來配置他們的模型，將它們作為共享資源附加到各自的PLE工廠。

通用動力公司采用MBE+PLE+PLM，而通用汽車的主要目標是實現系統集成工程，以實現結合電氣/電子、軟件和硬件領域統一的系統工程，采用便于自動計算校準參數的模型及促進性能分析和網絡管理的模型(模擬級別見文中Figure 8)。

Figure 8 System engineering modeling levels(figured used with permission of General Motors)【3】

4 使用基于CUDA技術的并行計算進行數字圖像處理[4]

并行計算可以在中央處理器（CPU）及圖形處理器（GPU）中實現，本文介紹一種使用并行計算進行圖像中數字噪聲去燥算法的優化。通常獲取CT圖像與大量數據的處理有關，使得優化成為主要問題之一。

首先介紹了在數字圖像處理環境中使用GPU進行大數據處理的方便性、圖像噪聲及去燥的基本概念。數字噪聲是一種圖像缺陷，表現為亮度或顏色與其原始值的隨機偏差，由光傳感器和器件電路引起，可能導致圖像中錯誤的邊界。所有噪聲消除算法可分為局部和非局部，局部算法使用像素周圍的區域，非局部的使用整個圖像的像素。去燥過程是CT分割前的準備步驟的一部分。去燥過程要求有最短的時間和最好的結果，因此在噪聲消除過程中應用非局部均值算法。

并行計算是同時使用多個計算資源以解決計算問題。為了最大化并行計算的優勢，任務由幾個獨立的子任務組成。在噪聲消除過程中，新像素的計算彼此獨立，允許計算機同時執行這些計算，而采用CUDA技術可以更快地操作數據。

針對單色和彩色圖像，將并行計算應用于非局部算法。根據公式計算新像素值、歐幾里德距離；使用GPU計算時需要預先評估計算，分批處理大量數據。

通過實驗比較無并行計算、僅CPU、與CPU并行計算等三種情況的計算時間，可知：使用與GPU并行計算可以顯著加速程序的實現，并行度和加速度由同時執行的獨立計算的數量確定。