20260227-大连理工大学机械工程学院-大_小_微模型赋能先进制造_实践与思考_108页_15mb

大/小/微模型赋能先进制造：实践与思考

核心内容

AI4M（Large/Small/Micro AI Models for Manufacturing）是人工智能在先进制造领域的应用，结合了大模型的泛化能力与小模型的高效性，同时利用微模型的灵活性和可解释性，为制造业提供智能化解决方案。随着《中国制造2025》和美国《国家先进制造业战略》等政策的推动，AI已成为工业4.0的重要组成部分。

主要观点

• AI技术正在深刻改变先进制造的全生命周期，推动智能制造发展。
• AI模型可按学习方式、参数规模、功能类型和实时性要求等维度进行分类。
• 不同的AI模型适用于不同的应用场景，如浅层神经网络、深度学习神经网络、卷积神经网络、图神经网络和长短期记忆网络等。
• 小模型在处理低维数据时具有优势，如多项式拟合和浅层神经网络。
• 大模型适用于大规模数据，如图像识别和时序数据分析。
• 微模型在复杂系统建模方面具有潜力，如图神经网络用于机械系统故障传播分析。

关键信息

AI4M的背景意义

• 先进制造是衡量国家科技发展水平的重要标志，涉及制造过程的优化和生产效率的提升。
• AI4M已成为工业4.0的核心技术之一，各国纷纷将其纳入国家发展战略，如美国、德国、法国、日本和中国。
• AI的第四范式：AI作为科学研究的新范式，推动制造业智能化发展。

AI的不同分类方式

• AI可根据学习方式、参数规模、功能类型和实时性要求进行分类。
• 可根据模型结构复杂度、智能实现方式和深度进行系统性划分。
• 模型结构的复杂度与数据的特征提取能力相关，如深度学习模型适用于图像识别，LSTM适用于时序数据处理。

多项式拟合

• 方法：最小二乘法用于非线性拟合，适合低维、平滑、连续数据。
• 过程：通过构建误差函数，计算梯度并进行参数更新，逐步逼近目标输出。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁵。

浅层神经网络

• 结构：输入层、隐藏层（ReLU激活）、输出层（线性激活）。
• 案例：输入x=[1,2]，目标输出y=10。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁻⁵。

深度学习神经网络 (DNN)

• 结构：多层隐藏层（ReLU激活）和输出层（线性激活）。
• 案例：输入x=[1,2]，目标输出y=10。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁻⁵。

卷积神经网络 (CNN)

• 结构：卷积层、池化层、全连接层。
• 案例：输入为5x5图像，目标输出y=10。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁻⁵。

图神经网络 (GNN)

• 结构：图卷积层、全连接层。
• 案例：输入为图结构，目标输出y=10。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁻⁵。

长短期记忆网络 (LSTM)

• 结构：遗忘门、输入门、候选状态、输出门。
• 案例：输入为单个时间步的向量，目标输出y=10。
• 结果：经过100次迭代，输出y趋近于目标值，MSE低于10⁻⁵。

瓶颈与科学问题

• 数据质量与规模：小模型在小数据集上表现良好，但在大规模数据上可能无法达到最佳效果。
• 模型复杂度：深度模型需要更多计算资源和时间，可能限制其在实际应用中的效率。
• 泛化能力：大模型在泛化能力上有优势，但对数据依赖性强。
• 实时性：部分模型在实时性方面存在挑战，需优化以适应工业环境。

发展方向

• 模型优化：开发更高效的模型结构，以适应不同规模的数据集和实时性要求。
• 跨学科融合：结合AI与制造领域的专业知识，提升模型的适用性和准确性。
• 可解释性：增强模型的可解释性，以提高在工业场景中的可信度和接受度。
• 应用拓展：探索AI在智能制造中的更多应用场景，如预测性维护、质量控制和生产优化。

思考与总结

• AI4M的发展为先进制造提供了新的机遇和挑战。
• 不同AI模型适用于不同场景，需根据具体需求选择合适的模型。
• AI技术在制造业中的应用仍面临数据、计算资源和实时性等瓶颈。
• 未来需加强跨学科研究，推动AI与制造技术的深度融合，实现智能制造的全面升级。