工業(yè)智能：方法與應用

第一篇 工業(yè)智能基礎
第1章 工業(yè)智能概述 / 002
1．1 智能制造概述 / 002
1．1．1 智能制造的概念及參考架構 / 002
1．1．2 智能制造的核心 / 009
1．2 工業(yè)智能概述 / 019
1．2．1 工業(yè)智能的概念 / 019
1．2．2 工業(yè)智能的分類 / 023
參考文獻 / 029
第2章 工業(yè)智能基礎 / 031
2．1 工業(yè)智能算法基礎 / 031
2．1．1 工業(yè)智能的機器學習任務 / 031
2．1．2 常用工業(yè)智能經(jīng)典算法 / 035
2．1．3 深度學習算法 / 042
2．2 工業(yè)智能流程 / 045
2．2．1 數(shù)據(jù)收集 / 046
2．2．2 數(shù)據(jù)預處理和特征工程 / 047
2．2．3 模型訓練和強化 / 049
2．3 工業(yè)智能場景 / 051
2．3．1 預測性維護 / 051
2．3．2 質量檢驗與保證 / 052
2．3．3 制造流程優(yōu)化 / 052
2．3．4 供應鏈優(yōu)化 / 054
2．3．5 人工智能驅動的網(wǎng)絡安全和隱私 / 054
2．3．6 自動物理安全 / 054
2．3．7 自動化數(shù)據(jù)管理 / 054
2．3．8 智能助手 / 055
2．3．9 人工智能驅動的研發(fā) / 055
2．3．10 自主資源勘探 / 055
參考文獻 / 055
第二篇 設計階段的工業(yè)智能
第3章 結構設計的特征識別與優(yōu)化 / 059
3．1 智能設計研究現(xiàn)狀 / 060
3．1．1 智能設計研究方法 / 060
3．1．2 產品智能CAD設計研究現(xiàn)狀 / 062
3．2 產品智能設計框架 / 063
3．3 智能設計中的關鍵技術 / 064
3．3．1 三維模型檢索技術 / 064
3．3．2 加工特征自動識別技術 / 068
3．3．3 設計方案優(yōu)化 / 070
3．4 基于點云語義分割的下頜角術前截骨規(guī)劃 / 077
3．4．1 計算機輔助技術在下頜角術前截骨規(guī)劃中的應用 / 077
3．4．2 下頜角點云語義分割網(wǎng)絡 / 078
3．4．3 實驗設計與結果 / 080
參考文獻 / 082
第4章 設計文檔結構化分析 / 087
4．1 國內外相關技術研究現(xiàn)狀 / 088
4．1．1 標準電子文檔文本提取及結構化相關研究 / 088
4．1．2 航空標準電子文檔關鍵詞自動提取技術的相關研究 / 089
4．1．3 航空標準電子文檔信息檢索技術相關研究 / 091
4．2 基于規(guī)則匹配的文本去噪和結構化方法 / 093
4．2．1 航空標準電子文檔數(shù)據(jù)說明 / 093
4．2．2 航空標準電子文檔文本去噪和結構化技術路線 / 098
4．2．3 基于開源工具的航空標準電子文檔的文本提取實驗 / 099
4．2．4 基于規(guī)則匹配的文本去噪方法 / 103
4．2．5 航空標準電子文檔的文本數(shù)據(jù)存儲結構 / 106
4．2．6 文本樹的生成方法 / 108
4．3 航空標準電子文檔關鍵詞自動提取數(shù)據(jù)預處理方法 / 110
4．3．1 中文文檔關鍵詞自動提取方法技術路線 / 111
4．3．2 中文分詞模型 / 111
4．3．3 停用詞過濾 / 113
4．4 關鍵詞提取案例 / 114
參考文獻 / 119
第5章 裝配工藝智能設計 / 124
5．1 裝配工藝設計進展與現(xiàn)狀 / 124
5．1．1 裝配工藝信息建模研究現(xiàn)狀 / 124
5．1．2 裝配工藝規(guī)劃研究現(xiàn)狀 / 126
5．1．3 裝配工藝評價研究現(xiàn)狀 / 127
5．2 基于知識圖譜的裝配工藝智能設計方法 / 128
5．2．1 基于知識圖譜的裝配工藝信息建模 / 128
5．2．2 基于Bi-LSTM的裝配工藝信息模型構建方法 / 133
5．2．3 基于圖嵌入的裝配工藝生成方法 / 136
5．2．4 基于點云深度學習的裝配干涉檢測方法 / 144
5．3 某航空發(fā)動機壓氣機轉子部件裝配實例與驗證 / 147
5．3．1 裝配工藝知識圖譜數(shù)據(jù)庫自動構建 / 147
5．3．2 基于圖嵌入的裝配工藝自動生成 / 152
5．3．3 多裝配工藝方案可行性評價 / 155
參考文獻 / 158
第三篇 制造階段的工業(yè)智能
第6章 工業(yè)缺陷圖像智能檢測 / 162
6．1 工業(yè)缺陷圖像檢測進展與現(xiàn)狀 / 162
6．1．1 工業(yè)缺陷圖像檢測的定義 / 162
6．1．2 工業(yè)缺陷圖像檢測發(fā)展歷程 / 164
6．1．3 基于深度學習的工業(yè)缺陷圖像檢測進展 / 165
6．2 基于卷積神經(jīng)網(wǎng)絡的鑄件缺陷檢測模型 / 175
6．3 基于注意力機制的細粒度鑄件缺陷識別方法 / 176
6．4 基于深度學習的鑄件射線圖像檢測案例 / 179
6．4．1 輸入分析 / 179
6．4．2 訓練過程分析 / 180
6．4．3 輸出分析 / 182
6．4．4 模型評估 / 184
6．4．5 成果展示 / 185
6．5 面向工業(yè)缺陷識別的可解釋性深度學習方法 / 186
6．5．1 工業(yè)缺陷檢測過程的可解釋性需求分析 / 186
6．5．2 可解釋性分析研究現(xiàn)狀 / 187
6．5．3 基于可解釋性方法的焊縫缺陷檢測案例 / 188
參考文獻 / 189
第7章 人工作業(yè)行為檢測與監(jiān)控 / 194
7．1 作業(yè)行為檢測與監(jiān)控的進展與現(xiàn)狀 / 194
7．2 作業(yè)行為檢測與監(jiān)控算法總體框架 / 197
7．2．1 人體姿態(tài)估計 / 197
7．2．2 行為檢測 / 201
7．2．3 作業(yè)安全監(jiān)控 / 205
7．3 基于深度學習的作業(yè)行為檢測與監(jiān)控方法 / 205
7．3．1 基于OpenPose的骨架提取與建模 / 205
7．3．2 基于雙流LSTM融合網(wǎng)絡的作業(yè)行為特征提取 / 208
7．3．3 作業(yè)行為檢測識別 / 214
7．3．4 基于GRU的作業(yè)行為流程序列編碼 / 215
7．3．5 基于規(guī)范性感知網(wǎng)絡的作業(yè)行為規(guī)范性權重挖掘 / 217
7．3．6 基于邏輯回歸的規(guī)范性判斷 / 220
7．4 基于作業(yè)行為檢測的人機協(xié)作裝配案例 / 222
7．4．1 案例介紹 / 222
7．4．2 實驗環(huán)境設置 / 225
7．4．3 功能驗證 / 225
參考文獻 / 227
第8章 制造過程的人機協(xié)同 / 231
8．1 人機協(xié)同研究進展與現(xiàn)狀 / 231
8．1．1 研究動機 / 231
8．1．2 目標物體檢測 / 235
8．1．3 散亂對象拾取 / 237
8．1．4 人機協(xié)作 / 238
8．2 人機協(xié)作環(huán)境中的場景理解 / 239
8．2．1 散亂場景的虛擬數(shù)據(jù)集構建 / 240
8．2．2 基于視覺的物體識別與定位 / 244
8．2．3 抓取順序與機器人姿態(tài)調節(jié)方法 / 253
8．3 基于強化學習的人機協(xié)同 / 264
8．3．1 機器人感知基礎 / 264
8．3．2 基于強化學習的任務決策 / 266
8．3．3 基于強化學習的人機協(xié)同制造 / 272
8．4 案例研究 / 278
8．4．1 散亂零件的識別與拾取 / 278
8．4．2 發(fā)電機裝配 / 282
參考文獻 / 287
第四篇 運維階段的工業(yè)智能
第9章 生產作業(yè)運行智能管控 / 293
9．1 生產作業(yè)運行智能管控進展與現(xiàn)狀 / 293
9．2 基于知識圖譜的生產作業(yè)智能管控模型 / 298
9．2．1 生產全過程狀態(tài)感知模型 / 298
9．2．2 面向生產過程的數(shù)據(jù)建模 / 299
9．2．3 面向生產全過程的知識圖譜構建 / 306
9．3 數(shù)據(jù)驅動的生產作業(yè)智能管控優(yōu)化技術 / 311
9．3．1 紡紗生產工藝流程設計與布局仿真優(yōu)化技術 / 311
9．3．2 基于工業(yè)互聯(lián)網(wǎng)平臺的紡紗生產全流程 / 315
9．3．3 生產過程在線檢測與生產狀態(tài)遠程監(jiān)控技術 / 317
9．3．4 基于工業(yè)大數(shù)據(jù)平臺的協(xié)同優(yōu)化 / 323
9．4 生產作業(yè)智能管控案例 / 330
9．4．1 環(huán)錠紡紗能耗智能管控平臺架構設計方案 / 330
9．4．2 基于最小量化誤差的紡紗能耗智能監(jiān)控與預警 / 332
9．4．3 基于狀態(tài)驅動的紡紗能耗智能調控 / 333
9．4．4 基于核心影響因素的紡紗能耗分析預測 / 334
參考文獻 / 336
第10章 設備故障診斷與預防性維修 / 341
10．1 設備故障診斷與預防性維修進展與現(xiàn)狀 / 341
10．2 設備故障診斷 / 346
10．2．1 基于CNN的設備故障診斷 / 346
10．2．2 基于卷積神經(jīng)網(wǎng)絡的設備故障診斷方法 / 348
10．2．3 基于卷積神經(jīng)網(wǎng)絡的設備故障診斷案例 / 351
10．3 設備預防性維修 / 355
10．3．1 基于遷移學習的設備預防性維修 / 355
10．3．2 基于遷移學習的設備預防性維修方法 / 359
10．3．3 基于遷移學習的設備預防性維修案例 / 364
參考文獻 / 370
第五篇 工業(yè)智能熱點研究
第11章 設備故障診斷與預防性數(shù)字孿生與工業(yè)智能 / 376
11．1 數(shù)字孿生進展與現(xiàn)狀 / 376
11．1．1 數(shù)字孿生發(fā)展歷程 / 376
11．1．2 相關工作 / 378
11．1．3 數(shù)字孿生定義和參考模型 / 379
11．2 數(shù)字孿生裝配 / 386
11．2．1 基于數(shù)字孿生的裝調理論體系 / 386
11．2．2 體系方法 / 386
11．2．3 應用案例 / 394
11．3 數(shù)字孿生加工 / 396
11．3．1 面向加工的數(shù)字孿生模型 / 396
11．3．2 加工過程中的智能方法 / 400
11．3．3 數(shù)字孿生加工案例 / 406
11．4 數(shù)字孿生智能評估 / 407
11．4．1 模型智能評估思想 / 408
11．4．2 模型保真度評估方法 / 413
11．4．3 評估案例 / 418
參考文獻 / 422
第12章 設備故障診斷與預防性AI+AR輔助下的制造 / 427
12．1 AR概述 / 427
12．1．1 AR的定義及發(fā)展 / 427
12．1．2 AR關鍵技術 / 428
12．2 面向AR的加工過程信息多視圖構建與交互 / 430
12．2．1 基于AR的加工過程信息集成模型描述與定義 / 430
12．2．2 面向AR的加工過程信息多視圖構建方法 / 431
12．2．3 面向AR的加工過程信息多視圖交互方法 / 434
12．3 基于多元信息融合的模型虛實融合方法 / 437
12．3．1 虛實融合基本思想與流程 / 438
12．3．2 梯度描述符離線學習 / 438
12．3．3 多元信息融合的在線識別與追蹤 / 443
12．3．4 方法驗證與討論 / 449
12．4 基于AR的加工原型系統(tǒng)開發(fā)與案例分析 / 454
12．4．1 原型系統(tǒng)開發(fā)與實現(xiàn) / 454
12．4．2 系統(tǒng)功能驗證與應用實例 / 458
參考文獻 / 463