8、定制化制造中的边缘智能应用解析

定制化制造中的边缘智能应用解析

1. 优化策略与机器学习模型选择

在定制化制造领域，深度学习（DL）算法有助于为工业物联网（MIoT）构建更全面的监测系统，不再过度依赖采样节点或特定领域知识。准确的机器学习（ML）模型是实现边缘MIoT智能服务的前提。然而，获取近似MIoT真实网络环境的真实测试集是一项挑战，因此无监督ML模型可能更适合解决相关问题。嵌入式ML算法在领域专家定义的条件下，有助于提供更准确的模型。

2. 智能制造工厂中边缘智能关键方法验证

在智能制造工厂中，边缘智能的相关关键方法验证主要包括以下几个方面：
- 基于边缘智能的知识推理与共享
- 利用边缘计算进行制造中的自适应传输优化
- 基于边缘智能的定制化制造可重构

3. 基于边缘智能的知识推理与共享

多品种、混流制造环境的发展受到相似加工技术间信息和经验参数复用自动化程度低的阻碍。基于边缘智能的制造资源间知识推理与共享机制应运而生。该机制利用本体模型对制造过程知识进行编码，将制造任务细化分解为最低粒度的概念，即知识原语。在此基础上，通过对部署在云端和边缘的知识库中现有知识原语进行有效筛选、匹配和组合，实现设备间的学习过程。

3.1 实验原型平台

多品种、混流智能制造生产线的原型平台系统工作流程如下：
1. 用户通过网页或移动应用选择产品类型、数量和个性化图案，订单在云端完成记录。
2. 订单直接下发到制造资源边缘，生成与加工任务相关的控制流。
3. 控制流驱动各制造资源执行当前加工任务，通过高度协调和先前加工操作获得的知识优化设备利用率。
4. 生产线效