人工智能工具可以辅助传感器系统

本文回顾了7种人工智能(AI)工具，这些工具已被证明对传感器系统有用。它们是:基于知识的系统、模糊逻辑、自动知识获取、神经网络、遗传算法、基于案例的推理和环境智能。本文概述了每种人工智能工具，以及其与传感器系统使用的一些示例。这些工具在传感器系统中的应用已经变得更加广泛，由于当今计算机的能力和可负担性。许多新的传感器应用可能会出现，混合工具可能会得到更大的应用，这些工具结合了两种或两种以上所述工具的优点。

这里回顾的工具和方法具有最小的计算复杂度，可以在小型传感器系统、单个传感器或低功能微控制器的系统阵列中实现。新的人工智能工具的适当部署将有助于创建更具竞争力的传感器系统和应用程序。其他影响传感器系统的人工智能技术发展包括数据挖掘技术、多智能体系统和分布式自组织系统。环境传感包括将许多微电子处理器和传感器集成到日常物品中，使其“智能”。它们可以探索环境，与其他智能设备交流，并与人类互动。提供的建议旨在帮助用户以直观的方式处理他们的任务，但这种整合到我们生活中的反响很难预测。使用环境智能和混合人工智能工具是为了充分利用每种技术的优点。这些概念一般适用于整个工业过程，本研究旨在表明这些概念在实践中是有效的。

创建更智能的传感器系统

传感器系统可以通过人工智能(AI)来改进。人工智能在20世纪50年代中期成为一门计算机科学学科[2,3]，它已经产生了许多强大的工具，这些工具在传感器系统中非常有用，可以自动解决通常需要人类智能的问题。这里有七个这样的工具:基于知识的系统、模糊逻辑、归纳学习、神经网络、遗传算法、基于案例的推理和环境智能。

人工智能系统一直在改进，机器智能的新进展正在创造人与数字传感器系统之间的无缝交互。尽管人工智能在工业领域的应用进展缓慢，但它有望在灵活性、可重构性和可靠性方面带来改进。在越来越多的任务中，新的机器系统正在超越人类的表现。随着它们与我们更加密切地融合在一起，我们将我们的脑力与计算机能力结合起来，进行思考、分析、推断、交流和发明，那么我们可能正处于一个机器智能新时代的门槛上。［5］

人工智能(或机器智能)结合了各种各样的先进技术，赋予机器学习、适应、决策和展示新行为的能力。这是通过神经网络、[7]专家系统、[8,9]自组织地图、[10]模糊逻辑、[11]和遗传算法、[12]等技术实现的，机器智能技术已通过其应用于许多需要解释和处理传感器信息的领域而得到发展，例如:

• 装配[1,14]
• 生物传感器[13]
• 建筑建模[16]
• 计算机视觉[17]
• 刀具诊断[30]
• 环境工程[18]
• 力感[31]
• 运行状况监视[29]
• 人机交互[19,20]
• 互联网使用[21,22]
• 激光铣削[15]
• 维修及检查[25,26]
• 动力辅助[23,24]
• 机器人[27,28]
• 传感器网络[32]
• 遥控操作。(33、34)

机器智能的这些发展正被引入到越来越复杂的传感器系统中。鼠标的点击，开关的轻触，或者大脑的想法几乎可以将任何传感器数据转换为信息并传输给你。提供了这项研究工作的最近例子，其中包括朴茨茅斯大学的工作。人工智能可以帮助传感器系统遵循的七个领域。

1.以知识为基础的系统

基于知识(或专家)的系统是计算机程序，它体现了关于某个领域的知识，用于解决与该领域相关的问题。一个专家系统通常有两个主要元素，一个知识库和一个推理机制。知识库包含的领域知识可以表示为“IF-THEN”规则、事实陈述、框架、对象、过程和案例的组合。推理机制通过操作存储的知识来产生问题的解决方案。知识操作方法包括使用继承和约束(在基于框架或面向对象的专家系统中)，检索和适应案例(在基于案例的系统中)，推理规则的应用(在基于规则的系统中)，根据一些控制过程(向前或向后链接)和搜索策略(深度优先或广度优先)。[1]

基于规则的系统用IF…THEN…ELSE来描述系统的知识。具体的知识可以用来做决定。这些系统擅长以一种人类可以理解的方式表示知识和决策。由于严格的规则基结构，它们不太擅长处理不确定性，也不太擅长处理不精确性。典型的基于规则的系统有四个基本组件:规则列表或知识库，这是一种特定类型的知识库;推理引擎[35,36]或语义推理器，它根据输入和规则库的交互来推断信息或采取行动;临时工作记忆;以及一种用户界面或其他与外界的连接，通过它可以接收和发送输入和输出信号。[1]

基于案例推理的概念是将以前问题的解决方案用于当前问题。这些解决方案存储在数据库中，可以代表人类专家的经验。当系统出现从未遇到过的问题时，它将与以前的情况进行比较，并选择最接近当前问题的情况。然后，它根据给出的解决方案采取行动，并根据行动的成功或失败更新数据库。基于案例的推理系统通常被认为是基于规则的系统的扩展。它们擅长以一种对人类清晰的方式表示知识，但它们也有能力通过生成额外的新案例来从过去的例子中学习。

2.案例推理

基于案例的推理在计算机推理中被形式化为四步过程:

1)检索:给定一个目标问题，从内存中检索与解决该问题相关的案例。一个案例由一个问题、它的解决方案，以及关于如何得到解决方案的注释组成。

2)重用:将前一个案例的解决方案映射到目标问题。这可能涉及到根据需要调整解决方案以适应新的情况。

3)修改:将以前的解决方案映射到目标情况，在现实世界(或模拟)中测试新的解决方案，如果必要，修改。

4)保留:在解决方案成功地适应目标问题后，将由此产生的经验作为一个新的案例存储在记忆中。

批评者认为，这是一种接受传闻证据作为主要操作原则的方法。没有统计相关数据的支持和隐含的泛化，无法保证泛化的正确性。然而，所有的归纳推理，如果数据太稀缺，统计相关性本质上是基于轶事证据。[1]

基于案例推理(case-based reasoning, CBR)的概念是将以前问题的解决方案应用于当前问题。这些解决方案存储在数据库中，并代表人类专家的经验。当系统出现从未遇到过的问题时，它将与以前的案例进行比较，并选择最接近当前问题的案例。然后，它根据给出的解决方案采取行动，并根据行动的成功或失败更新数据库。

CBR系统通常被认为是基于规则的系统的扩展。与基于规则的系统一样，CBR系统擅长以一种对人类清晰的方式表示知识;然而，CBR系统也有能力从过去的例子中学习，产生额外的新案例。图1显示了一个CBR系统。

许多专家系统是使用被称为“外壳”的程序开发的，它们是现成的专家系统，具有推理和知识存储设施，但没有领域知识。一些复杂的专家系统是在“开发环境”的帮助下构建的。后者比shell更灵活，因为它们还为用户提供了实现自己的推理和知识表示方法的方法。[关于专家系统外壳和开发环境的一些细节见参考文献40。]

专家系统可能是这里提到的工具中最成熟的，有许多商业外壳和开发工具可用于促进其构建。因此，一旦提取出要纳入专家系统的领域知识，系统的构建过程就相对简单了。专家系统开发的便利性导致了该工具的大量应用。在传感器系统中，可以发现应用于各种任务，包括传感器输入的选择，信号解释，状态监测，故障诊断，机器和过程控制，机器设计，工艺规划，生产调度和系统配置。专家系统执行的具体任务的一些例子如下:

• 汇编[44]
• 自动编程[41]
• 控制智能复杂车辆[42]
• 规划检验[46]
• 预测疾病[48]的风险
• 刀具选择和加工策略[45]
• 序列规划[43]
• 控制植物生长。[47]

[更多关于专家系统技术的信息见3,49。]

3.模糊逻辑

普通基于规则的专家系统的一个缺点是，它们不能处理知识库中没有明确涵盖的新情况(也就是说，不完全符合规则“IF”部分中描述的情况)。当遇到这种情况时，这些基于规则的系统无法得出结论。因此，它们被认为是浅薄的系统，以“脆弱”的方式失败，而不是像人类专家那样，在面对越来越陌生的问题时表现出性能的逐渐下降。[1]

模糊逻辑的运用，[50]，它反映了人类推理的定性和不精确性质，可以使专家系统更具弹性。在模糊逻辑中，将变量的精确值替换为语言描述，其含义用模糊集表示，并基于此表示进行推理。例如，来自20的传感器系统的输入可以用“normal”代替，作为变量“传感器输入”的语言描述。定义术语“正常传感器输入”的模糊集可能是:

正常传感器输入= 0.0/每分钟小于10个widget +0.5/10 - 15个widget /分钟+1.0/15 - 25个widget /分钟+0.5/25 - 30个widget /分钟+0.0/每分钟大于30个widget。

值0.0、0.5和1.0是给定模糊集的传感器范围低于10(高于30)、10−15(25−30)和15−25的隶属度或等级。会员等级等于1表示正式会员，会员等级为空表示完全非会员。

采用模糊逻辑的专家系统中的知识可以用定性语句(或模糊规则)表示，例如，“如果来自室温传感器的输入是正常的，那么将热输入设置为正常。”一种被称为推理组合规则的推理过程，相当于基于规则的专家系统中的modus-ponens规则，可以通过概化(外推或插值)从存储在知识库中的定性信息中得出结论。例如，当检测到传感器输入“略低于正常值”时，控制模糊专家系统可能会推断传感器输入应该设置为“略高于正常值”。请注意，这个结论可能没有包含在存储在系统中的任何模糊规则中。

模糊专家系统(FES)利用模糊逻辑来处理不完整或部分损坏数据所产生的不确定性。该技术利用模糊集的数学理论来模拟人类的推理。在决策方面，人类可以很容易地处理模糊性(灰色区域)，但机器却很难。[51]

图2显示了一个基于模糊逻辑的控制器的架构。

模糊逻辑在领域知识不精确的传感器系统中有很多应用。模糊逻辑非常适合于由于结构或对象之间的不精确限制、有限的分辨率、数值重建方法和图像滤波而固有的不精确。例如，在结构对象识别和场景解释方面的应用已经在专家系统中使用模糊集开发。模糊专家系统适用于需要处理不确定和不精确情况的应用程序。他们没有学习的能力，因为系统内的值是预设的，不能改变。[关于模糊逻辑和模糊集的进一步信息可以在参考文献52,53,54中找到。]

在下列领域取得了显著的成功:

• 协作机器人[58]
• 移动机器人[56]
• 感官特性预测[57]
• 供应链管理
• 焊接。55(28日)

[关于模糊逻辑和模糊集的进一步信息可以在参考文献60中找到。]

4.自动知识获取

将领域知识构建到知识库中可能是复杂且耗时的。这可能成为构建专家系统的瓶颈。自动知识获取技术是为了解决这个问题而开发的，例如，以IF-THEN规则的形式(或等效的决策树)。这种学习程序通常需要一组例子作为学习输入。每个示例都由一些属性的值和它们所属的类来表征。

例如，一种方法是通过“分治”过程，根据某种策略(例如，最大化信息增益)选择属性，将原始示例集划分为子集，归纳学习程序构建一个决策树，正确地对给定的示例集进行分类。树表示从集合中的特定例子中归纳出来的知识。这随后可用于处理示例集中没有明确涵盖的情况。

在另一种被称为“覆盖方法”的方法中，归纳学习程序试图找到给定类中由示例唯一共享的属性组，并将IF部分作为这些属性的连接，然后将THEN部分作为类形成规则。程序从考虑中删除正确分类的示例，并在形成规则对给定集合中的所有示例进行分类时停止。[２]

另一种方法是使用逻辑编程代替命题逻辑来描述例子和表示新概念。该方法采用了更强大的谓词逻辑来表示训练示例和背景知识，并表达新的概念。谓词逻辑允许使用不同形式的训练示例和背景知识。它使得归纳过程的结果(归纳的概念)可以被描述为具有变量的一般一阶子句，而不仅仅是由属性-值对组成的零阶命题子句。这些系统主要有两种类型，第一种基于自顶向下的泛化/专门化方法，第二种基于反向解析原理。[36]

已经开发了许多学习程序，例如ID3[61]，这是一个分治程序;AQ程序[35]，遵循覆盖方法;铝箔程序[36]是采用泛化/专门化方法的ILP系统;以及GOLEM程序[36]，这是一个基于反分辨率的ILP系统。虽然大多数程序只生成清晰的决策规则，但也开发了生成模糊规则的算法。[62]

传感器系统和网络很容易满足对一组严格格式(已知属性和已知类别)的样例的要求，从而使自动学习在传感器系统中得到广泛应用。这种类型的学习最适合于属性具有离散或符号值的问题，而不是像许多传感器系统问题那样具有连续值的属性。更多信息见63,64,65页。

归纳学习的一些应用例子如下:

• 激光切割[66]
• 地雷探测[67]
• 机器人技术。[68]

5.神经网络

神经网络还可以从例子中获取领域知识。但是，它们不会以规则或决策树等显式形式将获得的知识存档，并且它们可以轻松处理连续和离散数据。与模糊专家系统一样，它们也具有良好的泛化能力。

神经网络是大脑的计算模型。神经网络模型通常假设计算分布在几个称为神经元的简单单元上，这些单元相互连接并并行操作。(因此，神经网络也被称为并行分布式处理系统或连接主义系统。)

最流行的神经网络是多层感知器，它是一个前馈网络:所有的信号都从网络的输入到输出沿一个方向流动。前馈网络可以在输入空间和输出空间之间执行静态映射:给定时刻的输出仅是该时刻输入的函数。循环网络，其中一些神经元的输出被反馈到相同的神经元或在它们之前的一层神经元，被称为具有动态记忆:这种网络在给定时刻的输出反映了当前的输入以及以前的输入和输出。

隐性的“知识”通过训练被构建到神经网络中。一些神经网络可以通过典型的输入模式和相应的预期输出模式来训练。实际输出和预期输出之间的误差用于修改神经元之间连接的强度或权重。这种训练方法被称为监督训练。在多层感知器中，通常采用监督训练的反向传播算法来传播输出神经元的误差，并计算隐层神经元的权值修改。

一些神经网络在无监督模式下训练，在训练过程中只提供输入模式，网络自动学习将它们聚类到具有相似特征的组中。[有关神经网络的更多信息，请参见参考文献69、70、71。]

人工神经网络(ann)通常有输入和输出，在两者之间的隐藏层中进行处理。输入是自变量，输出是受变量。ann是具有可配置内部参数的灵活数学函数。为了准确地表示复杂的关系，这些参数通过学习算法进行调整。在“监督”学习中，输入的示例和相应的期望输出同时呈现给网络，网络迭代地自我调整以准确地表示尽可能多的示例。

经过训练后，ann可以接受新的输入，并尝试预测准确的输出。为了产生输出，网络只需执行函数求值。唯一的假设是输入和输出数据之间存在某种连续的函数关系。神经网络可以用作映射设备、模式分类器或模式补全器(自动关联内容可寻址存储器和模式关联器)。像专家系统一样，它们在传感器系统的几乎所有领域都有广泛的应用，解决了从建模、预测、控制、分类和模式识别到数据关联、聚类、信号处理和优化等问题。最近的应用例子如下:

• 特征识别[72]
• 热交换器[75]
• 焊点检查[74]
• 优化点焊参数[77]
• 权力[78]
• 触觉显示[76]
• 车辆传感器系统。[73]

6.遗传算法

遗传算法是一种受自然进化启发的随机优化过程。遗传算法可以在复杂的多模态搜索空间中产生全局最优解，而不需要对要解决的问题有特定的知识。然而，对于一个适用的遗传算法，一个给定问题的潜在解决方案必须可以表示为一串数字(通常是二进制)，即染色体，并且必须有一种方法来确定每个染色体的优度或适合度。遗传算法一次对染色体组或种群进行操作，迭代地应用基于遗传的操作符，如交叉和突变，以产生包含更好的解决染色体的更适合的种群。

该算法通常从使用随机数生成器创建染色体的初始种群开始。然后对每条染色体进行评估。染色体的适应度值用于后续操作的染色体选择。在交叉和突变操作后，得到一个新的种群，并随着该种群的评价重复循环。[有关遗传算法的进一步信息，请参阅参考文献79、80、81。]

遗传算法在涉及复杂组合或多参数优化的传感器系统问题中得到了应用。这些应用程序的一些最近的例子是:

• 汇编[82]
• 流水线平衡[85]
• 故障诊断[83]
• 健康监测[86]
• 动力转向。[84]

7.环境智能

环境智能在过去十年中一直在推广，它是一种人们在数字控制的环境中轻松工作的愿景，在这种环境中，电子设备可以预测他们的行为并对他们的存在做出反应。环境智能的概念是人与传感器系统之间的无缝交互，以满足实际和预期的需求。

在工业上的应用是有限的，但新的、更智能、更互动的系统正处于研究阶段。从传感器系统的角度来看，需要考虑对环境智能进行更少人性化、更以系统为中心的定义。现代传感器概念倾向于以人为本的方法，因此将环境智能技术与知识管理相结合的应用可能是一种有前途的方法。要将环境智能技术引入工业领域，仍有许多研究问题需要解决，例如强大、可靠的(无线)传感器和环境敏感性、智能用户界面、安全、安保等。

从环境中的传感器收集的环境智能信息和知识代表了优化流程和提供更高效服务的可能性的未开发资源。环境智能技术的引入仍处于初始阶段。然而，它有望带来灵活性、可重构性和可靠性方面的优势。与此同时，传感器和标签的价格正在下降。在中长期内，开发和实施基于环境智能系统的新概念是可能的。大量的工业公司可能会在车间引入不同的环境智能技术。

另一方面，传感器供应商将需要为其产品配备额外的环境智能功能，并利用环境智能集成传感器在环境中的优势来提供新的功能(例如:自配置、上下文敏感性等)，并提高其产品的性能。

[更多信息见第87,88页。]

朴茨茅斯大学人工智能应用

朴茨茅斯大学正在应用人工智能工具，以帮助工业界采用人工智能用于传感器系统。

监测和控制机械:正在研究修改预先规划的路径和改进与拾取和放置组装任务相关的机器人总体运动的简单规则，[89]并且正在使用前馈神经网络开发预测地形轮廓的规则。[90]基于案例的推理被应用于重用程序(或程序的一部分)来自动编程传感器阵列。综合工作已经表明，自动编程和重新编程可能有助于将环境传感器引入中小型企业。其他项目正在使用简单的专家系统来改进远程操作应用中传感器数据的使用。[91, 92, 93]

过程监测和控制:正在开发一个专家系统，以协助过程控制和加强统计过程控制的实施。定制专家系统采用基于规则和伪面向对象的混合方法表示标准统计过程控制知识和特定过程诊断知识。来自传感器阵列和传感器系统的知识量可能很大，这证明了基于知识的系统方法的使用是合理的。通过将神经网络模块与专家系统模块集成在一起来检测任何异常模式，该系统正在得到增强。[94]

监测传感器阵列:已经创建了一个系统来监测高再循环气升反应堆(生产清洁水的过程)中的传感器。[8,18,95]反应器可能处于稳定的边缘，这需要对传感器的实时传感器数据进行准确的解释，例如:流量、空气输入、压力等。第二个系统是解释来自远程操作的移动机器人和轮椅上的超声波传感器阵列的数据。[23,24,33,34]

模糊监测和控制:正在创建一个机器人焊接系统，该系统使用图像处理技术和计算机辅助设计(CAD)模型向多智能决策模块提供信息。[96]该系统使用多种技术组合来建议焊接要求。对这些建议进行评估，做出决定，然后将焊接参数发送到程序生成器。由于焊接过程中存在较大的扰动，焊接过程的状态难以监控。其他工作是使用多个传感器来获取有关该过程的信息。本文研究了模糊测量和模糊积分方法来融合提取的信号特征，以预测焊接过程的熔透状态。

基于神经网络的产品检测:有两个项目正在使用神经网络进行产品检测:一个是识别造船部件，另一个是使用摄像机检测和分类缺陷。神经网络对于这些类型的应用是有用的，因为在精确描述各种类型的缺陷和差异方面存在共同的困难。神经网络可以从实例中自动学习分类任务。

第一个系统是使用人工神经网络和傅里叶描述符来识别造船部件。对船舶零件的模式识别系统进行了改进。这是通过使用一种新的，简单和准确的寻角器来实现的。新系统首先在零件的边缘检测图像中找到角落，并使用这些新信息提取傅里叶描述子，将其输入神经网络，以做出关于形状的决定。使用全有或全无的精度测量，新系统比其他系统取得了改进。

第二个智能检测系统由连接到计算机的摄像机组成，该计算机实现了基于神经网络的检测和分类缺陷的算法。来自网络的输出指示缺陷的类型。初步调查表明，缺陷分类的准确性很好(超过85%)，比人工检查更快。该系统还用于检测缺陷部件，精度高(几乎100%)。

创建符合人体工程学的工作场所布局的遗传算法:一种用于决定在工作单元中放置传感器的遗传算法正在开发中。由程序生成的布局将使最常用的传感器得到优先级。遗传算法适合于这种优化问题，因为它可以很容易地适应多个约束。

环境智能提高能源效率:环境智能和知识管理技术正被用于优化制造单位的能源效率。[88]这对公司和环境都有好处，因为碳足迹减少了。不同的测量系统被用于监测能源使用情况。[97]环境数据提供了获得制造单位绩效详细信息的机会。[98]知识管理有助于对这些信息的处理，并就减少能源使用但保持生产的行动提出建议。来自标准测量的现有能耗数据正在被与环境智能相关的测量(来自人类操作员与机器/工艺和智能标签的交互)以及与工艺相关的测量(生产线温度、生产线压力、生产率)和制造装配单元内收集的知识所补充。这将被提供给面向服务的体系结构系统。图3显示了一个使用环境智能来提高能源效率的实验系统。

组合不同的系统

混合系统的目的是将不同人工智能技术的理想元素组合到一个系统中。每一种实现人工智能的方法都有自己的优点和缺点。人们已作出一些努力，把不同的方法结合起来，以产生优点多缺点少的混合技术。一个例子是神经模糊系统，它试图将模糊系统的不确定性处理与人工神经网络的学习强度相结合。

用这种方法解决了与焊接规划有关的问题。[96]现有的系统由两个软件系统组成，它们串联工作以构建可行的机器人程序。第一个系统是CAD模型解释器，它接受CAD模型并确定所需的焊接。这些数据被馈送到程序生成器，程序生成器根据面板的实际实际方向重新定向焊接要求。然后程序生成器按顺序将任何程序发送给机器人(通常每条焊缝线一个程序)。当机器人程序被发送到机器人系统时，可以将其他软件系统合并到现有系统中。这是因为此时的传输协议是标准的TCP/IP[传输控制协议/互联网协议]，任何要发送的程序都可以被视为文本文件。

一个新提出的系统(如图4所示)将从图像传感器收集数据。可视化数据和CAD模型数据将结合使用来确定一个对象列表，该对象列表将被传递给一个焊缝标识模块，该模块将使用人工智能技术来确定焊缝要求。

该系统使用并行工作的AI技术组合来建议焊接要求。然后对这些建议进行评估，并就所需的焊接做出决定。然后，这些参数被发送到一个新的程序生成器，该生成器生成一个定制的机器人程序，供车间使用。图像捕获方法与使用多种人工智能技术的决策系统相结合，以决定工作的焊接要求。

该系统将结合真实的视觉传感器数据和CAD模型提供的数据。然后，它将使用这些组合数据向不同的人工智能系统展示相同的信息。然后，这些系统将向焊接标识模块提出焊接需求建议(图5)。该模块将评估这些建议并确定最佳焊接路径。这些建议将被传递给现有的机器人程序生成器。

机器人程序生成系统已经创建，测试，并用于生产一致的直线焊接。创建了一个简单的边缘检测系统。围绕人工智能系统的工作尚处于早期阶段，并将进一步推进。将进一步开发多智能决策模块框架，并测试人工智能技术的组合。要测试的人工智能技术将包括基于规则、基于案例和模糊系统。任何创建的系统都需要能够处理图像中未知物体的不确定性;然而，当所有物体都被确定时，焊接路径应该没有什么疑问。

另一个结合不同人工智能工具的例子是模糊网络。这种类型的网络的节点是模糊规则库，节点之间的连接是节点输出形式的交互，这些节点输出被作为输入馈送给相同或其他节点。模糊网络是模糊系统与神经网络相结合的一种混合工具，其底层的网格结构有水平层和垂直层。该工具非常适合于对装配自动化过程进行建模，因为单独的装配阶段可以描述为顺序/并行方式和前馈/反馈上下文中相互作用的模块化模糊规则库。

应用这种混合建模工具的主要优点是，由于采用单一的模糊化-推理-去模糊化方法，精度更高;由于采用模块化方法，透明度更高。考虑到数据的不确定性和一些传感器系统的互连结构，这些优势是相当重要的。

传感器和逻辑系统的混合

朴茨茅斯大学的研究人员正在混合传感器系统[97]和一些强大的新技术，使用时间越长，效果越好。随着时间的推移，结果包括更少的能源、空间和时间的使用，以及更少的成本带来更多的产出。在朴茨茅斯大学(Portsmouth University)的区域制造业中心，机器从真实物体中读取数据，然后逐层分层，根据一系列横截面建立物体模型。人工智能在减少成本和时间方面变得越来越重要。

AI可以增加有效的沟通，减少错误，最小化错误，延长传感器寿命。

在过去的40年里，人工智能已经产生了许多强大的工具，包括这里介绍的那些:基于知识的系统、模糊逻辑、自动学习、神经网络、环境智能和遗传算法。这些工具在传感器系统中的应用已经变得更加广泛，由于当今计算机的能力和可负担性。许多新的传感器系统应用可能会出现，混合工具可能会得到更大的应用，这些工具结合了上述两种或多种工具的优点。其他影响传感器系统的人工智能技术发展包括数据挖掘、多智能体系统和分布式自组织系统。新的人工智能工具的适当部署将有助于创建更具竞争力的传感器系统。

考虑到目前对这些工具的不熟悉和使用这些工具的技术障碍，工程师们可能还需要十年才能认识到这些工具的好处，但这一研究领域正在扩大。

所描述的工具和方法具有最小的计算复杂度，并且可以在小型装配线、单个机器人或具有低功能微控制器的系统上实现。这些新方法使用了环境智能和不同人工智能工具的混合，以努力利用每种技术的优点。这些概念一般适用于许多流程。

- David Sanders是英国朴茨茅斯大学工程学院系统与知识工程专业的研究协调员，CFE Media内容经理Mark T. Hoske编辑。控制工程、设备工程、而且Consulting-Specifying工程师，mhoske@cfemedia.com．

在线额外

这篇文章的在线完整版本包含了上面文章的引用和下一页的参考文献。

关于作者大卫·桑德斯的更多信息，可从朴茨茅斯大学获得。

https://www.port.ac.uk/departments/academic/eng/ourstaff/title,134485,en.html

参考控制工程文章:人工智能工具可以辅助传感器系统

[1]桑德斯DA和Gegocv A(2012)。回顾了一些用于装配自动化的人工智能工具和一些最近应用的例子。装配自动化。

[2] Pham D.T和Pham PTN(1999)。工程中的人工智能。国际机床与制造杂志，39卷，Iss: 6, 1999年6月，第937-949页。

[3] Pham D.T和Pham PTN(1988)。机械和制造装配自动化专家系统。Int。中华民国制造技术杂志，3(1988)，页3-21。

[4]桑德斯D(1999)。机器人的感知。工业机器人:国际期刊;卷:26(2)，页90-91。

[5]桑德斯D(2009)。将AI引入MEMS可以让我们实现脑机接口和超人类智能。装配自动化，Vol 29, Iss: 4, pp: 309-312。

[6]桑德斯(2008)。机器智能的进展。工业机器人学报35(6)，页:485-487。

[7] Sanders DA, Haynes BP, Tewkesbury GE，等(1996)。将神经网络添加到内部反馈路径，以改进预先训练的前馈估计器的使用。数学和计算机在模拟41 (5-6)，pp 461-472。

[8] Hudson AD, Sanders DA, Golding H, et al.(1997)。污水处理行业专家设计系统的几个方面。系统架构研究43(1-5):59-65。

[9]图克斯伯里G，桑德斯D(1999)。一种新的基于仿真的机器人命令库应用于三个机器人。机器人系统学报16 (8)，pp 461-469。

[10] Burn K, Home G(2008)。使用Kohonen自组织地图进行环境分类。专家系统25 (2)，pp 98-114。

[11] Zoumponos GT, Aspragathos NA(2008)。模糊逻辑路径规划用于机器人在工作台上放置织物。机器人技术与计算机集成制造24 (2)，pp 174-186。

[12] Manikas TW, Ashenayi K, Wainwright RL(2007)。自主机器人导航的遗传算法，IEEE仪器仪表与测量，Vol: 10 (6)， pp 26-31。

[13] Rajamani S和Sayre R(2011)。基于fret的生物传感器用于AI-2类群体感应化合物的检测和定量。编辑:Rumbaugh KP。群体感应:方法和协议。《分子生物学方法》丛书，第692卷，pp: 31-46 {DOI: 10.1007/978-1-60761-971-0_3}。

[14]大师SM，费尔南多S, Halgamuge S和Chan K(2004)。智能紧固采用A-BOLT技术和传感器网络。装配自动化24 (4)，pp 386 - 393。

[15]巴斯提罗A;Sedano J;雷蒙·维拉尔;Et al.(2008)。铜零件激光铣削的人工智能建模。编辑:Fyfe C;金正日D;Lee SY等。第九届智能数据工程与自动化学习国际会议论文集地点:大田，韩国(2008年11月)。图书系列“计算机科学讲义”，第5326卷，pp: 498-507。

[16] Gegov, A(2004)。计算智能方法在建筑智能建模中的应用。软计算中的应用和科学ISSN: 1615-3871(软计算的进展ISBN: 3-540-40856-8编辑:Loffi A, Garobaldi J)， Springer-Verlag，柏林，pp 263-270。

[17]桑德斯DA (2009b)。利用人工神经网络和傅里叶描述子识别造船零件。机械工程学报，2009,23(3)，337-342。

[18]桑德斯DA和哈德森AD(2000)。一个专门的黑板专家系统来模拟和自动化高再循环气升反应器的设计。数学与计算机在模拟53 (1-2)，pp 41-65

[19]桑德斯DA和鲍德温A(2001)。X-by-wire技术。整车技术:挑战当前思维，第3-12页。

[20] Sanders DA, Urwin-Wright SD, Tewkesbury GE，等(2005)。用于薄膜晶体管和阴极射线管计算机屏幕的指针装置。电子通讯41 (16)，pp 894-896。

[21] Bergasa-Suso J, Sanders DA, Tewkesbury GE(2005)。基于浏览器的智能系统，以协助互联网用户。《电子工程学报》(4)，pp 580-585。

[22]切斯特，S;图克斯伯里,G;Sanders, D, et al.(2006)。新型电子多媒体考核系统。WEBIST 2006:第二届网络信息系统和技术国际会议论文集，pp: 320-324。

[23]斯托特I，桑德斯D(2000)。新型动力轮椅系统用于一些严重残疾用户的康复。康复研究23 (3)，pp 149-153。

[24]桑德斯DA，朗纳M和图克斯伯里GE(2010)。改进轮椅驾驶，使用传感器系统控制轮椅转向和可变开关作为数字开关或操纵杆的替代方案。工业机器人，Vol 37 (2)， pp: 157-167。

[25]娜达卡蒂，M;拉,一个;库马尔ANS(2008)。基于人工智能的工厂维护状态监测。装配自动化28 (2)，pp 143-150。

[26]桑德斯DA，兰伯特G和佩维L(2009)。在图像中预先定位角，以提高傅里叶描述子的提取和后续的船舶零件识别，机械工程师学会学报b部分，工程制造杂志，Vol 223, Iss: 9, pp: 1217-1223。

[27]布利纳亚，JA;李，XL(2007)。机器人控制的计算智能技术简介。工业机器人，国际期刊34 (4)，pp 295-302。

[28]图克斯伯里G和桑德斯D(1999)。一个新的机器人命令库，包括仿真。工业机器人:国际期刊26 (1)，pp 39-48。

[29] Lopatin C and Mahmood S(2006)。健康监测的人工智能技术:固体火箭发动机嵌入式传感器的应用。编辑:Guemes A.第三届欧洲结构健康监测研讨会论文集(格拉纳达，西班牙- 7月06日)，第1125-1132页

[30]莫拉莱斯-梅内德斯R;瓦列霍;加尔扎·路易斯·e;等人(2007)。加工过程中刀具诊断的人工智能方法。编者:Devedzic V. isted人工智能与应用国际会议论文集(奥地利因斯布鲁克- 07年2月)，页:186-191。

桑德斯D(2007)。视点-力感知。工业机器人:国际期刊34 (4)，pp 268-268。

[32]大师SM，费尔南多S, Halgamuge S和Chan K(2004)。智能紧固采用A-BOLT技术和传感器网络。装配自动化24 (4)，pp 386-393。

[33]桑德斯(2008c)。控制倾斜地面上的“步行者”式叉车和托盘千斤顶的方向。装配自动化28 (4)，pp 317-324。

[34]桑德斯DA(2010)。比较人类远程操作员和辅助传感器系统的人类之间完成越来越困难的移动机器人路径的速度，传感器评论，Vol: 30, Iss: 1, pp: 40-50。

[35] Michalski RS(1990)，归纳学习的理论和方法，见Shavlik JW和Dietterich TG(编者)，Kaufmann，机器学习阅读，圣马特奥，CA，第70-95页。

[36] Muggleton S (Ed.)(1992)，归纳逻辑编程。学术出版社，伦敦，1992年。565便士。

[37] Kolonder JL(1994)基于案例的推理。摩根考夫曼。

[38]加西亚-克雷斯波·安吉尔;Ruiz-Mezcua Belen;路易斯·洛佩兹-夸德拉多·何塞;等人(2011)。常规和基于知识的机械加工报价系统综述。智能制造学报第22卷(6)，pp: 823-841。

[39]马庆昌;刘晓文(编辑:程凯;姚YX;周林)(2008)。基于知识的PLM工程综述。第六届电子工程与数字企业技术国际会议论文集(哈尔滨-中国07)，电子工程与数字企业技术。书系列:应用力学和材料10-12,pp: 127-131。

[40] Ashiru I, Czanecki C和Routen T(1995)。移动机器人的智能操作和最优遗传路径规划。机电一体化最新进展国际会议论文集，伊斯坦布尔，土耳其(95年8月)pp: 1018-1023。

[41]王玲，田毅，Sawaragi T(2011)。机器人装配生产中基于案例的自动编程。工业机器人学报，Vol 38 (1)， pp: 86-96。

[42]侯赛因A，拉赫曼A和莫希丁AKM(2011)。沼泽地形智能气垫履带式车辆控制的模糊专家系统。《汽车工程学报》12 (5)，pp: 745-753。

[43]吴永华，邵海杰(2011)。基于文档的舰船基本设计知识库工程方法。海洋工程Vol 38 (13)， pp: 1508-1521。

Gamez Garcia J, Gomez Ortega J. Satorres Martinez S等人(2011)。基于专家系统的汽车前照灯高精度自动装配控制器。专家系统与应用38 (10)，pp: 128 -128。

[45] Mawussi KB和Tapie L(2011)。复杂锻模加工的知识库模型。计算机与工业工程，Vol 61 (1)， pp: 84-97。

[46]同行SMC，唐mx和Dharmavasan S(1994)。基于知识的海上结构检测调度系统，G. Rzevski, R.A. Adey, D.W. Russell(编者)，装配自动化中的人工智能IX (AIEng 9)，计算力学，南安普顿。页:181 - 188。

[47] May GA, Lanoue MA, Bethel M等(2011)。控制植物在封闭环境中生长的专家系统。专利号:US 07987632。专利受让人:技术发展研究所。美国专利和商标局专利官方公报(2011年8月)。

[48] Armero C, Artacho A, Lopez-Quilez A等(2011)。概率专家系统预测军团菌在蒸发装置的风险。专家系统与应用38 (6)，pp: 6637-6643。

[49] Garcia-Crespo A, Ruiz-Mezcua B和Luis Lopez-Cuadrado J等人(2011)。常规和基于知识的机械加工报价系统综述。智能制造学报第22卷(6)，pp: 823-841。

[50] L.A. Zadeh, Fuzzy sets。Inf. Control 8 (1965)， pp: 338-353。

[51] F. Lara Rosano, N. Kemper Valverde, C. De La Paz Alva, J. Alcántara Zavala，能源热电联产电厂设计教程专家系统，第三届世界专家系统大会论文集，韩国首尔，1996年2月。页:300 - 305。

[52]周宏儒。齐默尔曼，模糊集理论及其应用，第2版。Kluwer，波士顿，1991年。

[53]阿扎德干·阿拉什;Porobic Lejla;Ghazinoory Sepehr;等人(2011)。模糊逻辑在制造业中的应用:文献综述和专业应用。《生产经济学》，第2卷，页:258-270。

[54]刘东(2010 .)模糊逻辑与计算智能。IEEE智能系统，Vol 26 (4)， pp: 11-11。

[55]陈斌，陈顺生(2010)。基于模糊测度和模糊积分的脉冲GTAW多传感器信息融合作者:资料来源:装配自动化Vol . 30: 3 page: 276-285 DOI: 10.1108/01445151011061172发布日期:2010

[56]程燕，范燕，黄敏(2012)。将模糊逻辑和单元组合应用于救援机器人的创新智能导航系统。应用人工智能26 (3)，pp: 183-203。

[57]杰奎琳·塞尔萨比尔·埃尔加扎尔;Dhouib Amal Babay;Sahnoun救世主;等人(2011)。利用模糊逻辑和神经网络模型对针织物的工艺和结构参数进行感官性能预测。智能制造学报，Vol 22, Iss: 6, pp: 873-884。

[58]倪娟，杨世祥(2012)。基于模糊逻辑的混沌遗传算法用于未知环境下多机器人的协同搜索。机械工程学报27 (1)，pp: 15-30。

[59] Devos GGM和Ribeiro CLC(2011)。供应链绩效管理的模糊逻辑方法。《生产经济学》，Vol . 1, pp: 177-187。

[60]阿扎德干·阿拉什;Porobic Lejla;Ghazinoory Sepehr;Et a(2011)。模糊逻辑在制造业中的应用:文献综述和专业应用。《生产经济学》，Vol . 32, Iss: 2, pp: 258-270。

[61]杨晓明，陈晓明，杨晓明(主编)，《机器学习与人工智能》，计算机科学与技术，2003。页:463 - 482。

[62]王晓霞，王晓明。基于实例学习的模糊规则生成方法。IEEE反式。系统。，Man Cybernet. 22 (1992), pp. 1414-1427.

[63]李志强，李志强。(2011)。MDLChunker:基于mdl的归纳学习认知模型。认知科学Vol . 35: 7 page: 1352-1389。

[64]李志强，李志强。知识层面的归纳规则学习。认知系统研究，第12卷，Iss: 3-4，页:237-248。

[65]李志强，李志强。改进归纳学习算法的迭代特征构造。专家系统与应用，Vol 36, Iss: 2, pp: 3401-3406。

[66]李志强，刘志强。基于机器学习的过程控制方法研究。IEEE Transiblic automation。控制39 (1994)，pp: 1166-1171。

[67]李志强，李志强。归纳学习作为地雷探测的融合引擎。丛书:IEEE系统、人与控制论国际会议论文集-计算控制论与仿真(SMC 97 = Orlando FL)，卷1-5,pp: 4133-4138。

[68]李志强，李志强，李志强(2001)。基于归纳学习的反射式机器人控制器的自主生成。机器人与自主系统17 (4)，pp: 287-305。

[69]刘晓霞，范德涛，神经网络的识别、预测与控制，清华大学学报(自然科学版)，1997。238页。

[70]李国强;Kumar Usha A(2009)。神经网络和统计技术:应用综述。专家系统与应用，Vol 36, Iss: 1, pp: 2-17。

[71]李志强，李志强。结合神经网络模型和归纳学习算法。专家系统与应用，Vol 38, Iss: 5, pp: 4839-4850。

[72]李志强，李志强。人工神经网络在图像配准中特征识别的应用。显微杂志246 (1)，pp: 20-32。

[73]李志强，李志强，李志强，等。(2012)。基于基础设施传感器和神经网络的浮动汽车数据增强。智能交通系统学报1,pp: 107-114。

[74]张晓明;卡瓦依Naohiro;不借);等人(编辑:Shirase K和Aoyagi S)(2010)。基于多角度视角和主成分分析的神经网络焊接接头视觉检测。服务机器人与机电一体化，pp: 329-334。

[75]李志强，李志强。利用神经网络和基于规则的技术改进换热器的监管。专家系统与应用39 (3)，pp: 3012-3021。

[76]李志强，李志强，李志强(2012)。基于多层人工神经网络的触觉显示器双轴压电致动器控制器。先进机器人技术26 (1-2)，pp: 219-232。

[77]李国强;Shariatpanahi m;Mansourzadeh A(2007)。利用神经网络和遗传算法优化钣金装配点焊参数。机械工程师学会会刊b部分工程制造杂志卷:221 .:7页:1175-1184。

[78]李志强，王志强，神经网络在电力系统中的应用，电力系统工程学报，1998,12(2):1 - 4。页:321 - 326。

[79]李志强，刘志强。生态系统的适应性研究。密歇根大学出版社，安娜堡，密歇根州1975年。

[80]王晓明，王晓明。遗传算法研究进展。范·诺斯特兰德，纽约，纽约。1991.

[81]王晓明;Tunali Semra(2011)。遗传算法在混合模型装配线测序中的应用综述。国际生产研究杂志第49卷:15页:4483-4503。

[82]李国强;桑卡尔·萨拉瓦纳;彭南巴兰s.g.(2011)。批量选择装配中制造系统效率优化的遗传算法。中国机械工程学报，Vol . 25, Vol . 25, pp: 795-810。

[83]吴强(2011)。基于三角模糊高斯小波核支持向量分类器和遗传算法的汽车装配线故障诊断模型。专家系统与应用，Vol 38, Iss: 12, pp: 14812-14818。

[赵文忠，王春春(2012)。基于遗传算法的EPS H-2/H-a混合路感控制科学通报(1)，pp: 72-80。

[85]于剑锋;殷月红(2010)。基于自适应遗传算法的装配线平衡。国际先进制造技术杂志，第48卷，Iss: 1-4, pp: 347-354。

[86]张晓明;梁东，曾杰等(2012)。基于FBG传感器网络的高可靠性SHM系统的遗传算法-支持向量回归。光学和激光工程50 (2)，pp: 148-153。

[87]李国强;Neves-Silva瑞;品牌玛丽亚;等人(2007)。基于环境智能的复杂制造和装配线生命周期管理系统。第五届IEEE工业信息学国际会议地点:奥地利维也纳(2007年6月23-27日)。页:945 - 950。

[88]刘志强，刘志强，刘志强。(2008)基于环境智能的能源效率。系统与工程计算杂志，Vol 9 (1)， pp: 114-120。

[89]李志强，李志强。中国农业科学(2011)。简单的规则修改预先规划的路径，并改善与拾取和放置组装任务相关的总体机器人运动。装配自动化，Vol 31, Iss: 1, pp: 69-78。

[90]李志强，李志强，李志强(2003)。使用前馈神经网络预测地形轮廓。人工智能工程应用16 (5-6)，pp: 465-472。

[91]李志强，李志强，李志强，等。(2011)。用于远程操作移动机器人的超声传感器系统的简单专家系统，导报，Vol 31, Iss: 3, pp: 246-260。

[92]李志强，李志强。比较在有和没有传感器系统的情况下完成简单远程操作救援或维护移动机器人任务的能力。传感器评论，Vol 30, Iss: 1, pp: 40-50。

[93]李国强;格雷厄姆琼斯,J;Gegov, A(2010)。利用简单的专家系统和超声波传感器，提高远程操作员逐步完成移动机器人路径的能力。机械工程学报，Vol . 37, Iss: 5, pp: 431-440。

[94]李国强，李国强;棕褐色,YC;罗杰斯，我等人(2009)。自动装配设计专家系统。装配自动化，Vol 29, Iss: 4, pp: 378-388。

[95]王志刚，王志刚;桑德斯,DA;图克斯伯里，GE等人(1996)。高再循环气升反应器稳态运行的模拟。水科学与技术，Vol . 34, Iss: 5-6, pp: 59-66。

[96]李志刚;兰伯特,G;Graham-Jones, J，等。采用图像处理技术和CAD模型为多智能决策模块提供信息的机器人焊接系统。装配自动化，第30卷。4, pp: 323-332。

[97]杨晓明(2008)。环境传感器和传感器网络。传感器学报28 (4)，pp: 273 - 274。

[98]李志强，李志强，李志强，Alcañiz(电子版)(2005)。实践中的环境智能:未来展望和应用。IOS出版社，pp: 237-264。

[99]李志强，李志强。你想要什么都行。新科学家杂志九月。2258号。

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。