制造智能技术基础

本书介绍了智能优化、模式与图像识别、模糊控制、深度学习、智能工程、商业智能等几类典型智能技术的原理方法，并结合具体案例，使学生在掌握典型智能技术基础知识的同时，培养学生对智能制造中与智能技术应用相关的意识、理念和思维方式。

智能制造技术的发展，为提升各行业生产制造效率提供了坚实的基础。作为多类交叉新兴技术融合发展下的产物，智能制造技术结合多源工业大数据、数字孪生、机器人、智能技术等的优势，更高效地解决传统工业制造生产过程中的诸多问题。本书针对智能技术的核心方法及典型应用，系统地介绍了相关理论基础、方法及其在制造业的应用，按照制造智能技术概述、多种典型智能技术理论和应用案例的介绍以及对制造智能技术展望安排全书内容。本书内容分为8章，构成了一个理论和应用的完善体系。

张智海，清华大学工业工程系副教授，博士生导师，智能制造研究中心执行主任。研究兴趣包括智能制造、生产运营管理、资源优化。发表多篇国际期刊学术论文，其中代表性论文发表在生产运营领域旗舰重要期刊，部分工作被相关学术组织选为亮点成果报道和很好论文。主持参与多项自然科学基金项目、科技部重点研发项目等。现担任四个国际期刊副主编。

第1章 概论
1.1 智能技术简介
1.1.1 智能技术的定义
1.1.2 人工智能的关键技术
1.1.3 智能技术的发展历史
1.2 智能技术在智能制造中的应用
1.2.1 智能制造的特征
1.2.2 智能优化算法
1.2.3 模式识别
1.2.4 模糊控制
1.2.5 深度学习
1.2.6 知识工程
1.2.7 商业智能
1.2.8 多种智能技术融合在智能制造中的应用
1.3 本章小结
习题
参考文献
扩展阅读资料
第2章 智能优化技术
2.1 智能优化概述
2.1.1 优化的意义
2.1.2 数学模型及常见优化方法
2.1.3 传统优化方法的局限性
2.1.4 智能优化方法的发展
2.1.5 智能优化方法在制造业的应用
2.2 智能优化方法的重要元素
2.2.1 智能优化方法的分类
2.2.2 贪心算法与启发式规则
2.2.3 局部搜索与群体智能
2.2.4 元启发式算法与超启发式算法
2.3 模拟退火算法
2.3.1 热力学中的退火过程
2.3.2 模拟退火算法的构造与流程
2.3.3 算法参数分析
2.3.4 制造业应用案例
2.4 遗传算法
2.4.1 生物的遗传与变异
2.4.2 遗传算法的基本原理与流程
2.4.3 算法改进
2.4.4 制造业应用案例
2.5 蚁群优化算法
2.5.1 蚁群觅食特性
2.5.2 基本蚁群优化算法
2.5.3 改进蚁群优化算法
2.5.4 制造业应用案例
2.6 粒子群优化算法
2.6.1 粒子群优化的基本原理
2.6.2 算法流程与改进
2.6.3 制造业应用案例
2.7 超启发式算法
2.7.1 超启发式算法基本原理
2.7.2 选择式超启发算法
2.7.3 生成式超启发算法
2.7.4 制造业应用案例
2.8 本章小结
习题
参考文献
第3章 模式与图像识别
3.1 模式识别的概述
3.1.1 发展历史
3.1.2 基本概念与原理
3.1.3 模式识别系统
3.2 模式识别与机器学习
3.2.1 统计推断
3.2.2 回归模型
3.2.3 人工神经网络
3.2.4 核方法
3.2.5 支持向量机
3.2.6 聚类
3.2.7 贝叶斯分类器
3.2.8 合并分类器（集成学习）
3.3 图像识别的基本概念与原理
3.3.1 图像识别的概念及发展历史
3.3.2 图像识别技术原理
3.3.3 图像识别过程
3.4 图像处理技术
3.4.1 图像预处理
3.4.2 图像分割
3.4.3 形状表示与描述
3.4.4 图像识别
3.4.5 图像理解
3.4.6 数学形态学
3.4.7 图像数据压缩
3.5 模式与图像识别技术在智能制造中的应用
3.5.1 工业应用条件
3.5.2 案例
3.6 模式与图像识别技术的发展
3.7 本章小结
习题
参考文献
第4章 模糊控制
4.1 模糊控制概述
4.1.1 模糊控制的发展
4.1.2 经典集合论与模糊集合论
4.1.3 模糊控制的特点及其应用领域
4.2 模糊控制算法
4.2.1 模糊控制算法设计
4.2.2 模糊规则与模糊推理
4.2.3 模糊化方法与去(解)模糊化方法
4.3 模糊控制器
4.3.1 模糊控制器设计步骤
4.3.2 模糊控制器的结构
4.4 模糊控制仿真应用实例
4.4.1 MATLAB与Simulink
4.4.2 模糊控制与传统PID的结合
4.4.3 小费问题
4.5 本章小结
习题
参考文献
第5章 深度学习
5.1 深度学习概述
5.1.1 人工智能简介
5.1.2 深度学习简介
5.2 深度学习理论基础
5.2.1 线性代数
5.2.2 概率论与信息论
5.2.3 正则化
5.3 神经网络基础
5.3.1 感知器与异或学习
5.3.2 前馈神经网络
5.3.3 神经网络训练
5.4 卷积神经网络
5.4.1 基本概念与相关知识
5.4.2 卷积及其核心概念
5.4.3 池化
5.4.4 图像处理案例
5.5 循环神经网络
5.5.1 序列数据简介
5.5.2 循环神经网络理论
5.5.3 梯度计算
5.5.4 长短期记忆网络
5.5.5 文本学习案例
5.6 本章小结
习题
参考文献
第6章 知识工程
6.1 知识工程概述
6.1.1 知识工程发展历史
6.1.2 知识系统的结构
6.1.3 知识工程的核心问题
6.2 知识表示
6.2.1 知识表达方式分类
6.2.2 规则表示
6.2.3 语义网表示
6.2.4 框架表示法
6.2.5 逻辑表示法
6.3 知识获取
6.3.1 知识获取的来源
6.3.2 知识获取方法
6.3.3 知识获取的流程
6.3.4 知识储存与管理
6.4 智能制造中的知识工程
6.4.1 数字员工
6.4.2 机器人流程自动化技术
6.4.3 数字孪生
6.4.4 知识工程在航空制造业的应用案例
6.4.5 PERA.KE知识工程平台
6.5 本章小结
习题
参考文献
第7章 商业智能
7.1 商业智能概述
……