Computational Intelligence Assisted Design -- In Industrial Revolution 4.0 （计算智能在工业4.0的应用） --第五章

  本文内容是李耘，陈益老师的英文著作《Computational Intelligence Assisted Design – In Industrial Revolution 4.0》的中文翻译，因没有中文版书籍，所以希望翻译内容有助于内容的理解。

工程设计过程中如何创新创造？ ------这个回答一直让我受益匪浅

• 工程设计问题首先应在已知范围内找到最佳设计（学习过程），其次是在现有设计的基础上进行新的、更好的设计（创造过程）。这相当于一个在具有组合设计目标或多个目标的多维多模态（多变量）空间中进行优化、学习或者搜索的问题。

工程设计过程中为什么需要仿真？

• 仿真是将不可解的设计问题转化为可解的仿真问题。
  工程设计问题往往无法通过解析方法解决，因为很难获得目标函数的导数。这主要是由于实际物理系统的复杂性和(显式和隐式)约束。因此，在实际应用中很少采用解析优化的方法。
  仿真问题是“被动的”，因此相比通常是“主动的”或“创造性的”设计问题，它更容易解决。仿真(或评估)问题通常可以通过数字计算机上的数值方法得到解决，但仍存在局限性。现有的CAD软件，如SPICE，能被用于执行此类任务。然而，大多数现有CAD软件仅为工程师提供被动模拟工具，而很少提供可自动化，或可创造性的智能设计工具。

（第五章）CIAD-计算智能辅助设计

5.1 简介

  计算智能为解决复杂现实问题提供了大量受自然启发的方法，例如竞争和智能设计。与传统的优化方法相比，计算智能不需要构造目标函数来搜索非线性或不可微空间。计算智能的另一个优点是无论对单一目标还是多个目标，它都可以灵活地配置适应度函数，且能够通过CIAD框架内的传统CAD输出对适应度函数进行评估，如图5.1所示。当难以获得明确的目标函数时，此特性尤其具有吸引力。

  计算智能辅助设计与工程流程图如图5.2所示。它通常包括四个阶段：计算智能辅助设计(CI-assisted design ,CIAD)、计算智能辅助工程(Ciassisted engineering ,CIAE)、计算智能虚拟样机(CI-resultant virtual prototype ,CIVP)、计算智能辅助制造(CI-assisted manufacturing ,CIAM)。由于CIAD框架提供了可扩展功能以适应各种计算智能(CI)算法，因此它可以适应广泛的多学科应用。CIAD框架可实现3种功能：(1)调动计算资源；(2)利用多种计算智能(CI)算法；(3)降低计算成本。

5.2 优化设计与智能设计自动化

  “工程设计是设计一个系统、部件或过程以满足需求的过程。这是一个决策过程（通常是迭代的），其中，基础科学、数学和工程科学被应用于优化变换以满足所述需求。” [ABET (2017)]

5.2.1 优化工程设计

  工程系统设计的任务主要是优化其“参数”，以便最终的系统能够最好地满足设计规范或目标，或者在性能上优于现有系统。这些参数还可以表示系统结构，因此可以创建或发明新的配置和设计。在不失通用性的前提下，可以方便地用系统的参数集来表示候选设计，设计任务包括:

• 更好地设计可持续/可循环利用的产品；即，为重复利用，可维修，易保养以及再制造的要求而创建新的设计方案。例如，制造能使结构更易分开的产品，这就降低了产品复杂性。
• 设计影响消费者行为的产品；即，通过研究个人，集团和组织究竟怎样选择、购买、使用和处置商品、服务或创意的行为以设计满足他们需要的产品。
• 让消费者参与设计；
• 供应链设计；
• 服务设计。

定义1：
工程系统的候选设计可以用一个统一的参数向量表示： P_ij ∈P_n 。其中i代表第i个可能的候选设计方案，n代表工程系统所需参数的个数。j为第i个候选设计方案的第j个参数。
注意：
参数可以表示“设计结构”或“设计概念”，并不一定限于数字。尽管可能存在无数种设计方案，但为了便于标记，仅仅假设有限个候选设计方案

定义2：
设计问题的求解空间为: S
该空间包括所有可能的和潜在的创造性设计方案，不仅仅局限在已知范围内。借助数字计算机，该空间成为离散域（即经过采样和量化的空间，而不是一个连续和无限精确的空间）。

定义3：
设计的目标(如性能指标，或适应度)由函数表示。
在许多实际情况下，最大化性能指标等同于最小化拟合、学习或搜索错误。因此，常通过最小化代价函数来代替最大化适应度函数。例如，在实际系统约束情况下，控制系统的性能指标需要反映以下设计准则：

• 良好的相对稳定性（例如，良好的增益和相位裕度）
• 出色的稳态精度（例如，最小或没有稳态误差）
• 极好的瞬态响应（例如，最小上升时间、最小调节时间、最小过冲和欠冲）
• 对环境的鲁棒性（例如，最大限度地排除干扰）
• 对设备不确定性的鲁棒性（例如，对参数和结构变化的敏感性最小）

总结：
  工程设计问题首先应在已知范围内找到最佳设计（学习过程），其次是在现有设计的基础上进行新的、更好的设计（创造过程）。这相当于一个在具有组合设计目标或多个目标的多维多模态（多变量）空间中进行优化、学习或者搜索的问题。
  如果实际工程约束条件下的目标函数（或代价函数）在多维空间是可微的，那么将其向量导数设为零则可以很容易地解决设计问题。首先求出使一阶导数为零且满足二阶导数条件的参数集，从而得到局部最优解。然后将所有局部最优解与所有边界参数集的性能指标进行比较，得到全局最优解，其中相应的“参数”集将代表最佳设计。
  因此，我们从传统的优化和搜索方法开始，逐渐转向机器学习及更现代的优化方法，并且试图把机器学习转向机器创造。

5.2.2 传统优化方法的困难

  利用计算技术（如数值优化的方法）可以解决设计问题。然而，先验方法依赖于梯度信息，这在实际复杂问题中很难获得；后验方法虽然不需要导数，但仍具有确定性，即利用问题的解析性质，产生确定的有限或无限点序列使其收敛于全局最优解。如果存在多个局部最优，这两种方法都容易产生噪声，缺乏全局寻优的能力。传统优化技术的缺点总结如下：

• 存在性问题：只有当 ∇ F(P_i )(在某些情况下二阶导数单调) 存在或目标函数被定义为光滑函数时，梯度才可适用于调整 P_i [Goldberg (1989)]。

• 实际问题：传统优化技术难以处理实际应用中的约束。这些约束包括直接域约束（如参数范围和固定关系），以及间接不等式约束（如电压或电流限制和其他严格非线性）。此外，在实际应用中，性能信息可能是不连续、不完整、不确定或不精确的，甚至可能包含噪声。

• 多模态问题：先验方法通常会导致局部最优，尽管并行计算可以在一定程度上克服这一点。然而，传统的并行性方法并没有有效的机制来在并行搜索点之间交换信息。

• 多目标优化问题：传统的优化技术通常一次只能处理一个目标。在工程实践中，通常存在多个设计目标，这些设计目标可能无法很好地加权以形成单个复合目标。

• 先验问题：在设计中融入设计师的知识和经验是很困难的。

因此，一个实际的系统设计问题很难通过传统的数值方法来解决。

5.2.3 将设计问题转化为仿真问题

  工程设计问题往往无法通过解析方法解决，因为很难获得目标函数的导数。这主要是由于实际物理系统的复杂性和(显式和隐式)约束，如带宽(频域)限制和执行器饱和（时域）限制。因此，在实际应用中很少采用解析优化的方法。
  仿真问题是“被动的”，因此相比通常是“主动的”或“创造性的”设计问题，它更容易解决。仿真(或评估)问题通常可以通过数字计算机上的数值方法得到解决，但仍存在局限性。现有的CAD软件，如SPICE，能被用于执行此类任务。然而，大多数现有CAD软件仅为工程师提供被动模拟工具，而很少提供可自动化，或可创造性的智能设计工具。

5.2.4 基于试验和错误的手动设计

  设计工程师使用现有的CAD软件，通过启发式仿真解决设计问题。工程师首先通过试验提供某些先验系统参数，例如通过初步分析获得的参数；然后使用仿真软件进行模拟和评估。如果“设计”的系统的模拟性能不符合规范要求，设计人员将根据自己已有的的经验或者随机地修改参数的值。然后重复模拟和试验过程，直到出现一个“令人满意的”设计。显然，这种设计技术存在以下不足:

• 由于多个参数之间的相互作用难以预测（多维度问题），设计不易进行。
• 最终的“令人满意”的设计不一定能提供最佳或接近最佳的性能（多模态问题），可能存在进一步改进的空间。
• 设计过程不是自动化的，而且可能非常繁琐。

5.2.5 基于穷举搜索的自动化设计

  由于现有的CAD软件提供了分析、模拟和评估的手段，因此，对所有可能的候选设计方案进行详尽的评估是解决设计问题和实现自动化设计的一种方法。
  举例说明这个方法：使系统参数的数量为n = 8，假设在整个设计空间S中，每个系统参数有10个候选值，即共有10n个候选设计方案。现在假设通过CAD模拟进行的每个设计方案评估需要0.1秒，那么评估完所有候选设计方案将需要 0.1s×【10】^8=3.8个月，这在实践中是不能接受的。
  综上所述，这种穷举或枚举搜索方法确实可以将不可解的设计问题转化为可解的仿真问题。但是，随着需要优化的参数数量的增加，搜索点的数量和搜索时间呈现指数级增长。即使动态规划在“维度”和“复杂性”的问题上已经有所突破[Bellman (1957), Goldberg (1989)]。

5.2.6 对CAD环境的进一步要求

现代CAD模型应被设计为开放系统，以便应对以下设计挑战：

• 处理实际系统的复杂性
• 高质量和高精度的设计
• 设计速度快，上市时间短
• 良好的稳健性、可靠性和安全性
• 智能设计工具的竞争

研究发现，由于传统优化技术的局限性，许多CAD系统还不能很容易地应对这些挑战。之后，我们将了解到受人类智能启发的计算智能是如何帮助实现这些目标的。有关“算法与问题分类”的问题，请参阅第2.3.4节。

5.3 智能设计与制造业的结合

  物理样机或3D打印的设计和制造过程就是虚拟样机设计。数字虚拟样机使概念设计、工程、制造、销售和营销部门能够在一个完整的产品建成之前，对其进行模拟仿真探索[Wikipedia (2015a) ,Bullinger and Fischer (1998)]。研究表明，即使没有使用CautoD，使用数字样机的制造商构建的物理样机数量是一般制造商的一半，产品提前58天进入市场，样机成本降低48％[Lubell et al. (2012)]。
  然而，数字样机只有在优化或完全扩展现有产品或设计的边界问题时才能发挥其优势，这样的问题在实践中很难解决。例如，设计过程中存在10个参变量，其中每个参变量均有8个候选值。如果每次CAD运行需要1秒完成，则完成任务所需的总时间将为 8^10s = 12,428天 = 34年。但是，通过CAutoD，这样的CAD过程就转变为智能设计自动化过程，从而可以通过生物启发的环境交互学习技术，在多项式(而不是指数)的时间内完成[Wikipedia (2015b)]。使用CAutoD技术的数字样机设计将打破传统的学科界限，把基于“概念 → 构建 →测试 →修复”的传统的产品开发周期转变为“概念 →仿真优化→构建”。这样不仅可以在设计阶段节省昂贵且耗时的物理样机代价，还可以通过CAutoD创建有创新性的数字样机，以同时满足多个设计目标，并大幅减少开发负担和上市时间[Li, et al. (2004)]。
  因此，本项目的科学成果有助于改变和弥合低技术准备水平(TRL) 的基础研究（是数字原型和未来探索的基础）与高技术准备水平(TRL)的应用创新之间的差距，从而缩短上市时间。如图5.3所示，该方法还旨在与不同的工业部门无缝协作，从而为智能制造和以市场为目标的制造实现智能设计，进而实现创造力的跨步变化。
  工业4.0研发的最新进展主要体现在智能制造商对数字化制造的提升，即基于智能互联生产的工业互联网[Annunziata and Evans (2012)]，使工厂成为自动化创新中心[Siemens (2015)]。然而，目前缺乏的是：使工业4.0在价值链上进一步提升的“智能设计”工具以及价值链末端的“市场信息学”，这两者都是工厂层面创新需要考虑的因素。
  这项工作的核心技术是基于自然启发的CAutoD技术，它将彻底改变设计创新和机器制造的方式。这种CAutoD技术，有助于提升传统工业4.0下基于CAD的快速原型设计以及3D打印技术[Bickel and Alexa (2013)]，将能够通过知识密集型设计和价值链集成，结合市场需求，逐步提高工业效率、性能和竞争力[Ang, et al. (2005)]。

5.4 计算智能集成求解器

  为了利用各种计算智能方法，如图5.4，设计了计算智能集成求解器(CIS)。计算智能集成求解器(CIS)的体系结构由数据输入、集成求解器和结果输出三个模块组成，其描述如下:

• 模块1：数据输入（点A）。该模块为集成求解器准备数据输入，它收集、过滤、储存和预处理各种来源的数据，如统计年鉴、研究分析和政府报告。
• 模块2：集成求解器。在该模块中，将一组自然启发的计算方法集成到一个求解器中，以优化复杂的现实问题，主要涉及以下一种或多种方法：遗传算法(CAS)，模拟退火算法(SA)，人工免疫算法和量子计算。本章中，我们在求解器中嵌入了海豚群算法（C点），该算法的细节在7.7章中介绍。
• 模块3：结果输出（点B）。该模块报告模块2的最终结果，并执行所有后期“集成求解器”任务，如结果可视化和数据存储。可用于人工神经网络(ANNs)和模糊逻辑(FL)等应用。

5.5 计算智能辅助设计(CIAD)

阶段1：计算智能辅助设计(CIAD)，如图5.5所示，可分为5个步骤：

• 步骤1：CAD模型。利用计算机辅助设计(CAD)技术对特定条件下的工程应用进行定量建模。
• 步骤2：参数优化。根据设计目标，通过预先定义的适应度函数对CAD模型进行优化。
• 步骤3：计算智能集成求解器(CIS)。通过计算智能集成求解器(CIS)，对适应度函数的参数进行优化。详情见图5.4。
• 步骤4：验证1。使用性能标准来评估最优结果，然后决定优化过程是否继续。
• 步骤5：生成最终结果并完成后处理任务。更具体地说，该步骤报告最佳解决方案，分析并可视化结果，并将建议呈现给下一阶段，即计算智能辅助工程(CIAE)。

5.6 计算智能辅助工程(CIAE)

阶段2：计算智能辅助工程(CIAE)，如图5.6所示，可分为5个步骤：

• 步骤1：CAE模型。利用计算机辅助工程(CAE)技术, 如有限元法，从CIAD导入数据，建立模型，以满足工程应用的需求。
• 步骤2：参数优化。根据工程目标，通过预先定义的适应度函数对CAE模型进行优化。
• 步骤3：计算智能集成求解器(CIS)。通过计算智能集成求解器(CIS)，对适应度函数的参数进行优化。详情见图5.4。
• 步骤4：验证2。使用性能标准来评估最优结果，然后决定优化过程是否继续。
• 步骤5：将结果传递到下一阶段，即计算智能虚拟样机(CIVP)。

5.7 计算智能虚拟样机(CIVP)

阶段3：计算智能虚拟样机(CIVP)，如图5.7所示，可分为5个步骤。虚拟样机是在给定虚拟环境下，使用智能控制器构建动态模型，利用CIS求解器对动态模型及其控制器进行参数最优的协同仿真。此阶段开始时，数据将从CIAE阶段导入。

• 步骤1：设计一个由CIS求解器确定的最佳参数的控制器。
• 步骤2：参数优化。由CIS求解器确定的多体动力学(MD)虚拟样机(VP) 模型的参数优化，包括刚体系统、柔性体系统和多学科机械/机电一体化系统。
• 步骤3：计算智能集成求解器(CIS)。优化控制器和动态模型的参数。
• 步骤4：验证3。同以上阶段。
• 步骤5：展示CIVP阶段的结果，并进行分析和可视化处理，以及将数据传输到下一阶段。

5.8 物理样机

阶段4：根据从CIVP导入的结果和数据，此步骤将虚拟样机转换成物理样机，工程师可以通过快速原型技术构建实验系统的全尺寸副本。例如，为了快速设计、测试和制造机械、机电和电子产品，可以使用3D打印技术。

5.9 计算智能辅助制造(CIAM)

阶段5：计算智能辅助制造(CIAM)，通过物理样机验证，数字模型/数据分阶段导入。如图5.8所示，CIAM可分为5个步骤，是CIAD、CIAE和CIVP阶段之后的一个阶段。在先前阶段中构建，验证，优化和改进的模型可以导入到CIAM阶段，该阶段执行计算机辅助制造(CAM)过程。该过程控制机床和相关机械，此外，它还利用CIS系统来辅助制造工厂的所有操作，包括规划，管理，运输，存储和其他产品生命周期管理(PLM)。

• 步骤1：构建CIS优化控制器，并使用从先前阶段导入的数据，通过几个数控程序驱动计算机数控机床。
• 步骤2：使用来自控制器的命令进行制造自动化的参数优化，包括使用计算机应用来定义一个工具设计、CAD模型制备、直接数字控制(DNC)、数控编程、工具管理、坐标测量机(CMM)和执行、CNC加工、检验编程、机床模拟或后处理的制造计划。
• 步骤3：计算智能集成求解器(CIS)，用来优化CNC制造过程。
• 步骤4：验证6，同以上阶段。
• 步骤5：总结CIAM阶段的结果，并将数据发送到下一阶段。

5.10 系统集成

阶段6：在系统集成、测试和安装阶段，对所有组件进行集成、测试和安装，以形成功能齐全的系统或产品。

5.11 应用

阶段7：之前阶段所支持的多学科应用，我们在不同领域的工作中已经得以证明：公共安全的太赫兹光谱分析[Chen, et al.(2011)]，应用能量[Chen, et al. (2013)]，可持续发展[Chen, et al. (2013), Chen, etal. (2012), Chen and Song (2012)]，工程建模和设计[Chen, et al.(2012)]，航空航天工程[Chen and Cartmell (2007)]，汽车工程[Chen, et al.(2012)]，经济学和金融学[Chen and Zhang (2013)]，以及公共卫生保健的新药开发[Xu, et al. (2012), Liu et al. (2012)]，等。

5.12 工业4.0的物理网络设计集成

  在技术创新和智慧未来的驱动下，智能设计和制造在促进经济增长和竞争力方面发挥着关键作用。当前流程面临的一个重大挑战是，它经历了多个阶段，包括：概念规划→原型设计→测试→校正→改进→制造→最终用户。通过改进这一过程，数字技术证明工业4.0确实提高了设计效率，缩短了产品上市时间，提升了制造业价值链，如图5.9所示。
  利用CIAD框架，可以通过物理网络集成实现“按键”解决方案，将设计和制造流程缩短为：挖掘需求数据→物理网络“按键”解决方案→终端用户。这将有助于将制造业竞争力提高一个数量级。它还将改变企业业务流程，产生社会经济效益（例如，机器/人员安全和有效的行业价值链），调动计算资源，利用多种计算智能(CI)算法，降低总体计算成本，促进行业合作伙伴之间的知识整合，并开展双赢的国际合作。
  展望未来，支持CIAD的工业4.0价值链整合也将促进物联网与服务，云计算与大数据技术的融合，并将计算智能(CI)算法从理论层面转变为实践层面。总体而言，人工智能改善了工业生产系统，培养了下一代设计和制造专业人员，并在应对社会挑战方面迈出了一大步。