人工智能和机器学习
人工智能(AI)和机器学习是允许机器执行通常需要人类智能的任务的技术，例如理解语言、识别模式和做出决定，或者以人类无法达到的速度准确地完成任务。在制造业中，这些技术可用于改进各种流程，如生产、质量控制和维护。人工智能和机器学习如何应用于制造业的例子包括预测性维护、包括机器视觉在内的质量控制、生产优化和供应链管理。人工智能和机器学习在制造业中可以帮助提高效率，降低成本，提高制造商的竞争力。
人工智能和机器学习文章
介绍人工神经网络在控制中的应用
人工神经网络(ANNs)在控制系统，特别是非线性系统中的实际应用，包括模拟时间最优控制器和基于ann的控制系统(工厂)模型。这种模型与经典的比例-积分-微分(PID)控制器相结合，可以实现自适应和其他更复杂的控制系统。
学习目标
- 研究神经网络的基础知识。
- 看看Python中的神经网络实现。
- 通过使用人工神经网络的控制系统的例子，了解神经网络如何适用于控制应用。
当阅读标题“控制应用中的人工神经网络介绍”时，你可能会问，是否值得读更多关于几十年前成功解决的人工神经网络(ANN)的文章，尤其是互联网上成千上万的ANN文章。(答案是:“是的。”请继续。)
当我开始对人工神经网络感兴趣时，我浏览了数百篇关于人工神经网络的文章。只有少数几个帮助我理解了人工神经网络是如何工作的以及如何实现的。即便如此，我也找不到任何关于如何使用人工神经网络实现控制系统的文章。我花了数百个小时试验Python编程、人工神经网络和控制系统模拟，直到我对人工神经网络在控制系统应用中的工作原理的理解感到满意。
今天的专业人员不必从头开始解决人工神经网络问题。他们可以使用在许多编程平台/语言的支持材料(库)中提供的详细的类库、函数库等。但是，如果您需要首先了解控制系统的ANN基础知识，那么这篇文章应该会有所帮助。
下载。pdf以了解更多信息。
1.神经网络基础
神经网络正试图模仿人类和动物大脑的能力。这些能力中最重要的是适应能力。虽然现代计算机在许多方面都优于人脑，但它们仍然是“静态”设备，这就是为什么计算机不能充分发挥其潜力的原因。人工神经网络的使用试图通过复制神经系统的行为来将大脑的功能引入计算机。我们可以把神经网络想象成一个数学函数，将一个给定的输入集映射到一个期望的输出集。神经网络由以下部分组成:
- 一个输入层，x，
- 一个或多个隐藏层，
- 一个输出层，ŷ，
- 一套权重而且偏见每一层之间，W和b，
- 激活函数对于每个隐藏层，σ。
图1展示了一个2层神经网络的架构。(注意:在计算神经网络中的层数时，输入层通常被排除在外。)偏差显示为输入层和隐藏层中的额外神经元(节点)，具有固定的非零值，例如1，在将权重系数值添加到下一层节点和之前，将其与比重系数值修改(相乘)。
在图1的右侧，可以看到一个这样的(第j个)隐藏层节点。首先，它将来自输入(i)个节点的所有信号加起来，每个节点受影响-乘以其权重系数。在求和离开节点输出之前，它经过一个激活函数-限制器。最流行的限制器是由Sigmoid函数实现的，S (x)，因为它可以相对简单地区分:
S(x) = 1 / (1 + e- x）
在输出层中使用了类似的节点。只是它们的输入信号来自于隐层的节点。
权重系数的正确值决定了预测的强度，也就是说，将输入集转换为输出集的精度。图2显示了一个典型的输入→输出集映射(在左侧)，以及人工神经网络如何通过线性函数近似这种映射y = wx + b(在右边)。即使不应用偏置(偏置)也可以找到合适的映射，但通常添加偏置(偏置)应该产生更好的近似。添加更多的隐藏层甚至可以实现非线性映射。
从输入层和隐层节点微调权重系数的过程被称为训练神经网络。训练过程的每一次迭代都包括以下步骤:
- 预测输出的计算ŷ，这个过程被称为前馈
- 更新权重系数，这个过程被称为反向传播
输出ŷ简单的2层神经网络的，计算为:
ŷ=ϐ(W2ϐ(W1X + b1) + b2）
预测的输出自然会与期望的输出不同，至少在训练过程的开始是这样。有多大的差别就能告诉我们损失函数．有许多可用的损失函数，但一个简单的，误差平方和是一个很好的损失函数。
我们在训练中的目标是找到使损失函数最小化的最佳权重集。从数学上讲，我们需要找到一个损失函数的极值(在我们的例子中是最小值)。这样的损失函数并不仅仅依赖于一个变量(x)，它可以是一个具有许多局部最小值的复杂形状的多维函数。我们的目标是找到损失函数的全局最小值。
让我们求一个平方和误差函数∂Loss(y，)/∂W的一阶导数。不幸的是，我们的损失函数并不直接依赖于权重系数，因此我们需要应用以下链式法则进行推导计算:
第一个部分推导得到:2(y -)
第二个部分推导得到:ϐ '
最后一个偏导就是x
最后我们会得到:∂Loss(y，)/∂W = 2(y -) * ϐ ' * x这就是我们要实现的反向传播过程。使用Sigmoid函数的一个优点是它的导数的简单实现，ϐ”：
ϐ ' (u) = ϐ(u)(1 - ϐ(u))
上面的公式描述了如何进行:从神经网络的输出反向传播到隐藏层，隐藏层位于输出层的前面，并通过W2权重与输出层连接。从隐藏层到输入层必须再次应用相同的过程，输入层通过W1权重与隐藏层连接。隐层损失函数推导中的第一个链元，∂损失(h,ĥ)/∂ĥ，将不得不以不同的方式计算，因为我们不显式地知道隐藏层的期望值，h．我们必须从输出值中计算它们，正如您将在下一段中看到的那样。
如果阅读电子版，请点击标题进入在线文章，下载17页的PDF文件Python(适合神经网络的编程平台)编程教程，有更多的方程和图表来解释和相关资源的链接。
2.Python中的神经网络实现
3.神经网络适用于控制应用
4.人工神经网络控制系统的例子
4.1前馈反馈控制器的神经网络仿真
5.结论:神经网络可用于控制系统
彼得•加是一位退休的控制软件工程师;由内容经理马克·霍斯克编辑，控制工程、www.globalelove.com， CFE媒体与技术，www.cfemedia.com，mhoske@cfemedia.com。
关键字
人工神经网络(ANN)，用于控制系统的ANN
学习目标
考虑一下这个
人工神经网络能否增强您的控制系统或工厂模型?
在线额外
其他控制工程退休控制软件工程师Peter Galan的文章在下面突出显示。
人工智能和机器学习常见问题
人工智能如何影响制造业?
人工智能正在以多种方式影响制造业，包括:
- 自动化重复和危险的任务，如检查和质量控制，以提高效率和安全性。
- 通过实时监控和预测性维护优化生产流程，可以减少停机时间和成本。
- 通过先进的机器学习和计算机视觉技术实现更个性化和定制化的产品。
- 通过先进的分析和预测改善供应链管理。
- 通过使用大数据和高级分析来加强决策。
人工智能和机器学习的区别是什么?
人工智能(AI)是一个广泛的领域，包括许多子学科，包括机器学习(ML)。
人工智能(AI)是指在编程软件中模拟人类智能，使其像人类一样思考和学习。它旨在执行通常需要人类智力的任务，例如理解自然语言、识别物体和图像以及做出决策。
机器学习是人工智能的一个子集，它将算法和统计模型应用于软件(可能有助于优化机电系统)，以根据经验自动提高性能。机器学习被用来建立模型并做出预测或决策，而不需要明确地编程来执行任务。
什么是机器学习?
机器学习是人工智能的一个子集，它将算法和统计模型应用于软件(可能有助于优化机电系统)，以根据经验自动提高性能。机器学习被用来建立模型并做出预测或决策，而不需要明确地编程来执行任务。
机器学习的几种类型包括:
- 监督学习:在标记数据集上训练模型，其中为给定输入提供正确的输出(标签)。然后，该模型可以使用这些信息对新的、不可见的数据进行预测。
- 无监督学习:在未标记的数据集上训练模型，其中不提供正确的输出。模型必须自己找到数据中的底层结构或模式。
- 强化学习:模型通过与环境的试错交互进行学习。该模型以奖励或惩罚的形式接收反馈，以指导其学习。
- 半监督学习:在部分标记的数据集上训练模型，其中提供了一些正确的输出标签，但不是全部。
机器学习被用于各种应用，如图像和语音识别、自然语言处理和预测分析。
人工智能的未来是什么?
人工智能的未来预计将为许多行业带来重大进步和变化，包括制造业、运输业、医疗保健业和金融业。人工智能预计将产生重大影响的一些关键领域包括:
- 智能自动化:人工智能驱动的自动化将继续改进并变得更加复杂，从而提高整个行业的效率和生产力。
- 人类与人工智能的协作:人工智能将越来越多地用于增强人类的能力，而不是取代人类，从而创造出与人工智能系统一起工作的新工作和角色。
- 边缘人工智能:随着人工智能的能力不断增强，更多的人工智能系统将部署在边缘，更接近数据来源，从而实现更快、更高效的处理。
- 通用人工智能:人工智能的进步将导致更通用的人工智能系统的发展，这些系统可以执行广泛的任务，而不是专门用于一项任务。
- 生物医学研究:人工智能将在生物医学研究和药物发现方面发挥重要作用，有助于加快开发疾病新疗法和治愈方法的进程。
- 类人人工智能:人工智能将在自然语言理解、决策和解决问题等能力上变得更像人类，这将使与人类更有效的沟通和互动。
一些常见问题的内容是在ChatGPT的帮助下编译的。由于人工智能工具的限制，所有内容都由我们的内容团队编辑和审查。
