智能制造技术介绍

智能制造技术主要包括数字化技术、工业互联网、大数据技术、可视化技术、基于模型的工程，随着计算机技术的进步，大数据技术和基于模型的工程得到飞速发展，本文主要介绍以上两种技术的实际应用。

1 数字化转型和工业4.0现代化技术[1]

面对各种灵活、适应性强的制造系统和标准产品等挑战，数字化转换及工业4.0等技术越来越复杂。对于未来的发展，找到有效、灵活的方法对进行异构系统的连接（尤其是数据结构）至关重要。本章描述的第一种方法涉及物流领域中系统的智能互操作连接，提出了一种系统方法的概念，其中智能物流对象通过定义的级别相互通信，并为现代工厂和生产环境的智能增值过程或应用提供服务（见参考文献1中的FIGURE 2）。第二种方法涉及增材制造在中小型企业中的应用效果和潜力，介绍了数字化改造和工业4.0及其工业制造的最新发展。

当前数字化转型和工业4.0的发展使新技术在现代生产环境中得以应用。所提出的两种方法都将有助于与所提出的技术相关的管理决策以及进一步研究概念的设计。系统的可互操作连接是进一步发展的基本先决条件，尤其是在高度自动化的物流领域。

针对第一个研究方法，简要介绍互操作性，概述当前的互操作性方法，并介绍开发智能互操作物流环境的方法。开发了一个整体模型，包括三个级别（组织、信息和物理）及其智能对象为智能物流环境的不同要求提供服务。此外，异构IT系统的整合为现代物流系统提供了大量机会。各种IT系统和组件的互连目标是在系统之间实现高水平的互操作性，即意味着每个系统彼此连接并且可以一起通信。

所提出的两种方法都有助于与所提出的技术和进一步概念的设计以及进一步研究相关的管理决策。这两种方法结合了物流和互操作性以及传统制造领域，并使其适应数字化转换和工业4.0可持续概念。

2 基于模型工程和网络物理制造系统的虚拟调试-交通系统的研究 [2]

新兴的制造系统变得越来越复杂，而其工程和加速阶段需尽可能短，以减少对新市场需求的反应时间，并最大限度地减少生产线停机时间。由于工程信息不能满意地进行共享，工业工厂的虚拟调试非常复杂。通过制造系统的仿真，将Siemens Plant Simulation工具及工程与Montratec的Schmid P'X5配置器相结合，有助于更好地合成和分析生产线。

模型驱动工程（MDE）是一种新兴的软件工程模式，通过更高层次的抽象化开发系统来抵消现代软件系统日益复杂的问题，从而为工程支持提供基础。MDE最大的优势在于简单有效，可以在具有不同数据模型的各种数据格式之间开发数据转换器。在提出的方法中，数据不是直接转换的，而是使用中间格式AutomationML。所提的解决方案依赖于基于模型的数据和信息转换技术，如图2所示。

图2 所提的解决方案

标记为1和2的转换是指运输系统中可用组件的转换和集成数据，可用于创建运输线；标记为3和4的转换与将运输系统的拓扑信息传递给工程工具有关。

更详细地来讲，步骤1意味着制造/运输系统的可用组件被概括并以适当的形式表达。将可用组件表示为AutomationML数据格式的系统单元类，继续执行步骤2。对于使用基于模型的技术，使用Automation⁃ML的元模型。通过内置算法优化拓扑结构，通过仿真验证用户对所有功能和非功能的需求，进行第3步，此步骤侧重于单个组件的实现。步骤4表示将Auto⁃mationML结构中的实例转换为适用于Montratec的P'X5配置器的Pxpz文件。

3 汽车工业中基于模型工程的产品线工程[3]

产品线工程(PLE)和基于模型的工程(MBE)两种方法都为系统工程项目带来显著优势。本章探讨雷神公司、通用动力公司和通用汽车公司三家公司如何在极具挑战性的应用领域以独特和创新的方式将这两种工程进行有效结合，以实现至关重要的工程目标。

基于特征的产品线工程：三家公司都采用了“基于特征的PLE”。在基于特征的PLE中，共享资源可以是数字化表示的任何工件。配置程序通过激活产品来生成特定产品。特征是能将产品线中的产品彼此分开的区分性特征；产品功能选择的集合从产品系列所有可用功能选项中提取出来。

模型成为一个共享资源：三家公司使用MBE来实现其各自系统的设计和工程的特定目标，将MBE与PLE相结合。为了支持各自的产品线，每家公司都借助MBE来处理建模，并用PLE来处理模型中固有的变化，来反映他所构建产品的多样性。这三家公司都使用基于功能的PLE来配置他们的模型，将它们作为共享资源附加到各自的PLE工厂。

通用动力公司采用MBE+PLE+PLM，而通用汽车的主要目标是实现系统集成工程，以实现结合电气/电子、软件和硬件领域统一的系统工程，采用便于自动计算校准参数的模型及促进性能分析和网络管理的模型(模拟级别见文中Figure 8)。

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

4 使用基于CUDA技术的并行计算进行数字图像处理[4]

并行计算可以在中央处理器（CPU）及图形处理器（GPU）中实现，本文介绍一种使用并行计算进行图像中数字噪声去燥算法的优化。通常获取CT图像与大量数据的处理有关，使得优化成为主要问题之一。

首先介绍了在数字图像处理环境中使用GPU进行大数据处理的方便性、图像噪声及去燥的基本概念。数字噪声是一种图像缺陷，表现为亮度或颜色与其原始值的随机偏差，由光传感器和器件电路引起，可能导致图像中错误的边界。所有噪声消除算法可分为局部和非局部，局部算法使用像素周围的区域，非局部的使用整个图像的像素。去燥过程是CT分割前的准备步骤的一部分。去燥过程要求有最短的时间和最好的结果，因此在噪声消除过程中应用非局部均值算法。

并行计算是同时使用多个计算资源以解决计算问题。为了最大化并行计算的优势，任务由几个独立的子任务组成。在噪声消除过程中，新像素的计算彼此独立，允许计算机同时执行这些计算，而采用CUDA技术可以更快地操作数据。

针对单色和彩色图像，将并行计算应用于非局部算法。根据公式计算新像素值、欧几里德距离；使用GPU计算时需要预先评估计算，分批处理大量数据。

通过实验比较无并行计算、仅CPU、与CPU并行计算等三种情况的计算时间，可知：使用与GPU并行计算可以显著加速程序的实现，并行度和加速度由同时执行的独立计算的数量确定。