自动化制造系统（自动化制造系统题库）

一、引言

制造系统控制是根据给定的目标和要求，发挥人的智慧，利用计算机作为手段，对制造系统的运行过程进行合理控制，达到优化生产、优化经营的一门技术，是制造系统研究的热点和前沿课题之一，对提高制造系统自动化和智能化水平有重要作用。

制造系统控制的目标是通过对制造过程中的物料、人力、设备等生产资源的合理计划、调度与控制，缩短产品的制造周期、提高产品质量、降低物耗能耗、提高生产资源的利用率，最终提高生产率［1］。制造系统控制技术的发展体现在单元控制技术和系统控制技术两个方面。

国际上制造业发达国家越来越重视制造系统控制相关技术的发展，我国虽然起步较晚、基础较弱，但经过近几年的持续攻关与发达国家的差距正在逐渐缩小。目前，国内制造系统控制技术与国外相比仍存在以下几方面差距。

（1）缺乏具有自主知识产权的核心基础零部件研发能力。例如，高性能控制器是制造系统基本单元中最核心的运算控制元件，国产的制造系统用控制器主要存在开发性差、软件独立性差、容错性差和扩展性差等缺点，制约了其在先进制造系统中的应用，最终导致国外品牌产品长期占领中国市场的局面；网络化接口技术和标准化不足，导致各种控制单元无法实时进行通信，形成信息化孤岛；核心软件受制于人，制造过程的监控、检测难实现，基于数据分析的制造过程优化决策难以实现。

（2）制造系统智能化、数字化、网络化水平较低。以数字化车间、智能工厂、网络协同制造为代表的传统制造业转型升级在全球范围内兴起，国内尚处于跟进与探索阶段。以智能工厂为例，目前存在的问题包括行业对智能工厂认知程度不同，建设水平分化差距较大；智能工厂建设的系统性规划不足，全生命周期价值创造力有待增强；对外技术依存度仍然较高，安全可控能力有待进一步提升。

针对上述问题，国家制造业中长期发展战略规划《中国制造 2025》中强调开展新一代信息技术与制造装备融合的集成创新和工程应用，突破制造系统零部件及系统集成设计制造等技术瓶颈，建设重点领域智能工厂 / 数字化车间。建立智能制造标准体系和信息安全保障系统，搭建智能制造网络系统平台。到 2020 年，制造业重点领域智能化水平显著提升，试点示范项目运营成本降低 30%，产品生产周期缩短 30%，不良品率降低 30%。到 2025 年，制造业重点领域全面实现智能化，试点示范项目运营成本降低 50%，产品生产周期缩短 50%，不良品率降低 50%。此外，国务院在《关于积极推进“互联网 ”行动的指导意见》中，将“互联网 ”协同制造作为重点行动之一，旨在推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，加强产业链协作，发展基于互联网的协同制造新模式。在重点领域推进智能制造、大规模个性化定制、网络化协同制造和服务型制造，打造一批网络化协同制造公共服务平台，加快形成制造业网络化产业生态体系。

二、制造系统及其控制技术发展趋势

（一）制造系统控制技术国内外发展比较

制造系统的发展趋势是智能化、数字化和网络化，相应的制造系统控制技术在实现智能制造伟大工程中越来越发挥着重要作用。以下分设备、管理、模式及信息等几个层次介绍制造系统控制技术的发展：

1. 控制器与控制软件

制造系统的智能化离不开最底层的控制单元，因此控制器的发展水平直接决定了制造系统控制技术的先进性。随着制造系统复杂度的提高以及工业大数据的广泛应用，智能控制器的运算速度和处理能力逐渐受到了业界的关注，研发高性能控制器成为制造系统控制的核心技术之一。智能控制器从FPGA、GPU发展到TPU。谷歌TPU是专为机器学习量身定做的，执行每个操作所需的晶体管数量更少，能加速其第二代人工智能系统TensorFlow 的运行，而且效率也大大超过GPU。2016年，谷歌推出了TensorFlow Processing Unit（张量处理单元，TPU）的第2 代以及 Cloud TPU。与谷歌的第一代 TPU ASIC（专用集成电路） 不同，Cloud TPU被设计用来支持AI的神经网络训练或推理的使用。第二代TPU芯片为机器学习提供每秒45 万亿次浮点运算（约相当于 16位TFLOPS），大约是英伟达 P100（20 TFLOPS）或AMD 即将推出的 Vega GPU（25 TFLOPS）的两倍。TPU每瓦能为机器学习提供比所有商用GPU和FPGA更高的量级指令，这基本相当于7年后的科技水平。TPU 是为机器学习应用特别开发，以使芯片在计算精度降低的情况下更耐用，这意味每一个操作只需要更少的晶体管，用更多精密且大功率的机器学习模型，并快速应用这些模型，因此用户便能得到更正确的结果。Cloud TPU封装在一个4 芯片的模块上，具有把这些强大的处理器连接起来的结构，可以实现非常高的处理性能。TPU 技术已应用于围棋竞技、无人驾驶、计算机数据库节能，将其应用于制造工艺过程优化和智能装备控制急需控制工程学术界和工业界领域将引起制造系统的变革。

制造系统控制软件是制造过程智能化的另一核心组成部分，如 MES、CPS、ERP 等， 它们将控制器、传感器乃至底层设备的信息互通互联，共同组成了制造系统的控制单元。尽管目前已有较多的软件能够实现上述功能，但软件标准不统一、接口无法实现无缝对接，阻碍了智能工厂以及网络化协同制造的实施。软件作为控制系统的大脑，在未来制造系统控制技术发展中仍然是重中之重。

2. 数字化车间和智能工厂

数字化车间是以生产对象所要求的物料、工艺和设备等为基础，以信息技术、自动化技术等为手段，用数据连接车间不同生产要素，对生产过程进行规划、管理、诊断和优化。数字化车间技术在世界制造业领域发展的必然趋势。调查表明，车间运行可视度低是制造企业存在的主要问题，受制于生产设备和信息化管理手段的落后，而数字化车间正是解决这一问题的最佳途径。数字化车间分为车间生产控制和现场执行两部分，前者是数字化车间的核心，主要强调生产计划控制与执行，后者则是数字化车间的基础，主要强调设备管理、现场数据采集和监控。由数字化生产设备、网络、数据管理系统建立起来的制造执行系统是数字化车间的关键组成部分。数字化车间可以缩短产品制造周期、提高资源综合利用效率、提高制造系统的快速响应能力，实现高动态性、高生产率、高质量和低成本的产品数字化制造，是企业持续提高竞争能力的手段。在数字化车间领域，最先进的是FANUC 机器人制造车间实现的全年 24 小时的高度智能化，采用大量机器人实现零部件搬运、自动装配、测试和包装。在国内，新松机器人自动化股份有限公司在数字化智能车间解决方案方面拥有自主技术和核心产品，但应用范围和成熟度相对较低。

随着智能制造在全球范围的快速兴起，智能工厂业已成为传统制造企业转型升级的主要突破方向。智能工厂是在数字化工厂的基础上，利用物联网技术和监控技术加强信息管理服务，提高生产过程可控性、减少生产线人工干预，合理计划排产，同时集初步智能手段和智能系统等新兴技术于一体，构建高效、节能、绿色、环保、舒适的人性化工厂。

与流程工业相比，离散制造行业具有生产过程复杂、产品种类繁多、工艺路线和设备使用灵活、车间形态多样等特点，离散制造企业底层自动化、数字化的基础较为薄弱，应用信息网络技术进行智能工厂建设的难度也相对较大。离散制造业首先在底层制造环节由于生产工艺的复杂性，如车、铣、刨、磨、铸、锻、铆、焊对生产设备的智能化要求很高，投资很大。特别是装备制造业、家电、汽车、机械、模具、航空航天、消费电子等产品大多要求产品智能化，设计智能。因此，在中国制造2025及工业4.0信息物理融合系统CPS 的支持下，离散制造业需要实现生产设备网络化、生产数据可视化、生产文档无纸化、生产过程透明化、生产现场无人化等先进技术应用，做到纵向、横向和端到端的集成，以实现优质、高效、低耗、清洁、灵活的生产，从而建立基于工业大数据和“互联网 ”的智能工厂。目前，信息网络技术应用已经从流程行业延伸到离散行业，汽车、电子、工程机械、航空航天等部分大型离散制造企业积极进行探索，将信息网络技术引入研发设计、生产制造、过程管理等环节，不断提升产品、装备、生产、管理和服务的智能化水平。

目前，智能工厂标杆企业主要有：

（1）德国西门子旗下的安贝格电子制造工厂，是智能工厂的典范。它拥有高度数字化的生产流程，能灵活实现小批量、多批次生产，每 100 万件产品残次品仅为 10 余件， 生产线可靠性达到 99%、可追溯性高达 100%。它与西门子在华姐妹工厂—成都西门子工厂，从研发、生产、采购等一系列平台都是共享的，成都西门子工厂的良品率达到了99.9985%，准时交付率达到 98.8%。

（2）三一重工公司是典型的离散制造型行业，建有亚洲最大的智能制造车间。三一重工从 2012 年开始进行智能制造示范项目建设，目前已建成车间智能监控网络和刀具管理系统、公共制造资源定位与物料跟踪管理系统、计划 / 物流 / 质量管控系统生产控制中心（PCC）中央控制系统等智能系统，厂房规划全面应用数字化工厂仿真技术进行方案设计与验证，大大提高了规划的科学性和布局的合理性。

（3）青岛红领集团是一家 C2M（Customer to Manufacturer）模式的智能工厂。它强调“个性化定制”的理念，借助互联网搭建消费者与制造商的直接交互平台，从设计生产到物流售后，全过程依托数据驱动和网络运作，实现了智能排产、智能制造执行、智能设备使用、物料的智能化识别、人机交互的可视化、智能物流等。2015 年营收增长将超过200%，未来几年更将实现几何倍数的增长。

3. 网络协同制造

互联网影响了人类社会，并对社会发展起了很大的推动作用，是当今社会各种变革的最大根源。“互联网 ”协同制造将通过互联网技术手段让制造业价值链上的各个环节更加紧密联系、高效协作，使得个性化产品能够以高效率的批量化方式生产，实现所谓的“大规模定制”。德国在“工业 4.0”的各个环节应用互联网技术，通过制造过程与业务管理系统的深度集成，将实现对生产要素的高度灵活配置，实现智能制造，达到大规模定制生产的目的。“智能制造 网络协同”已经成为事实上的未来制造模式，而未来我国的制造企业也势必将从单纯制造向“制造 服务”转型升级。

网络协同制造将网络与制造紧密相连，按照敏捷制造的思想，采用 Internet 技术，建立灵活有效、互惠互利的动态企业联盟，有效地实现研究、设计、生产和销售各种资源的重组，从而提高企业的市场快速反应和竞争能力的新模式，贯穿工艺和设备层面、车间级别和工厂层面以及企业级别的人流、能量流、物流以及数据信息流的互联互通和协同共享，由传统的数据孤岛转为信息化协同管理，将各个环节的数据采集并输入到全生命周期数据库形成知识库。在全生命周期数据的基础上，结合物联网、云计算、大数据等技术，由要素驱动向创新驱动转变，由低成本竞争优势向质量效益竞争优势转变。结合云计算等先进理念，融合信息技术、制造技术以及新兴的物联网技术，支持制造业企业内部及企业间在众多可靠的网络资源支持下实现对不同产品各个阶段的增值，即云制造。建立共享制造资源的公共服务平台，将社会上的各类产品开发、制造、运维等全生命周期的相关数据资源整合在一起，提供标准、规范、可共享的制造服务模式，以此促进创新资源、生产能力、市场需求的集聚与对接，提高产业链资源整合能力。

4. 工业大数据

工业大数据是未来工业在全球市场竞争中发挥优势的关键。无论是德国工业 4.0、美国工业互联网还是《中国制造 2025》，各国制造业创新战略的实施基础都是工业大数据的搜集和特征分析，及以此为未来制造系统搭建的无忧环境［11］。随着新一代信息技术与制 造业的深度融合，工业企业的运营管理越来越依赖工业大数据。工业大数据的潜在价值也日益呈现。随着越来越多的生产设备、零部件、产品以及人力物力不断加入工业互联网， 也致使工业大数据呈现出爆炸性增长的趋势。

工业大数据实现如下功能：

（1）优化网络：在一个网络系统内实现互联的各种设备或机器，可以通过互联网相互协作，提高网络整体的运营效率。

（2）优化运维：通过工业大数据可以实现最优化、低成本，并有利于整个设备或机器的运行维护。

（3）恢复系统：通过建立广泛的大数据信息，可以帮助网络系统在发生毁灭性打击之后更加快速、有效地进行恢复。

（4）自主学习：每台设备或机器的操作经验可以聚合为一个大数据，使得整个设备或机器能够自主学习。

毫无疑问，工业大数据的应用可以为制造型企业带来两大价值，即增加收入、降低成本。

（二）制造过程中的智能方法

工业制造作为国防和国民经济支柱产业，长期以来是各发达国家激烈竞争的热点，是制造系统一个主要问题。以半导体硅材料的制造为例，根据“一代工艺、一代装备、一代产品”的产业发展规律，各种新材料、新工艺和新型需求的不断涌现，高端电子信息制造特别是半导体制造过程带来极具挑战性的控制技术创新难题。半导体制造技术亟待探索新型柔性化、智能化的超精密生产工艺和专用装备。其关键问题主要体现在多物理场耦合建模与优化、精密电子制造过程的超精密检测、高速高精度运动控制等方面。进一步，随着IC 应用范围不断扩大，元器件及终端产品种类越来越繁多，终端应用产品也呈现多元化和个性化等，半导体制备过程朝着更加智能化、绿色化、服务化方向发展，对制造系统控制技术提出了更高要求。

1. 智能检测

随着集成电路的要求不断提高，对直拉硅单晶生长过程中关键参量的检测提出了更为苛刻的要求。在大尺寸电子级单晶炉工作的过程中，单晶炉的关键参量主要包括热场温度、晶体直径和硅熔体液位。同时由于硅单晶尺寸的不断增加，炉内内部环境、结构变得越来越复杂，传感器的视野范围、布设位置等都受到较大的影响，这为单晶炉的这三个关键参量检测带来了较大的困难。

在直拉硅单晶生长的过程中，热是晶体生长的根本驱动力，热场温度的检测不仅是加热器功率控制的一个重要环节，也是设计和优化热系统参考数据的一个重要来源。目前常用的热场温度检测手段是采用单点测量的方法取代整个热场的温度，即采用检测固液界面处的温度来间接计算热场温度［2］。随着单晶炉内部空间尺寸越来越大、控制和建模的要求和热场描述更加复杂，单点温度测量方法无法反映整个空间的温度分布，难以满足要求，选取多个测量点已经成为必然的趋势，如何用最少数目的测量点来逼近整个热场的测量，是热场温度检测未来发展的一个重要课题。由于热场测量评价函数和传感器布设位置的关系较为复杂，同时存在较强的非线性，无法通过解析的方法进行求解，而随着智能优化方法的发展，为单晶炉热场温度测量传感器的位置布设问题提供了新的解决方案。晶体直径是整个硅单晶生长过程中的控制目标，一方面可以提高晶体在后续工序中的利用率， 另一方面可以降低晶体内部的微缺陷，提高晶体的品质。目前国内外大多采用 CCD摄像机对晶体直径进行检测，为了提高直径检测的精度和速度，许多智能方法被应用到晶体直径的检测中，如基于贝叶斯方法的直径检测方法［3］、基于人工鱼群 - 霍夫变换的直径检测方法［4］、基于粒子群直径检测方法等方法［5］，但这些方法都受到标定问题的困扰。随 着控制领域中机器视觉的发展，尤其是双目机器视觉测量方法的发展，采用机器视觉检测方法以提高晶体直径的检测精度成为今后检测晶体直径的一个重要研究方向。

在晶体生长的过程中，由于在大量的周期性机械运动和随机运动，使得检测信号中存在大量的周期干扰和非高斯的随机干扰，这些干扰严重影响着信号检测的精度，从而影响控制系统的性能。目前的抑制方法国内外经常采用均值滤波、中值滤波、一阶滞后滤波和自适应对消法，由于这些噪声的先验知识（频率、幅值和个数等）不能精确确定，导致这些方法的滤波效果不能满足控制系统的要求。由于这些噪声参数的不确定和非线性的存在，国内外学者引入了智能优化方法对检测信号进行估计，如基于跨维模拟退火算法的热场温度估计方法［2］、基于粒子群的热场温度滤波方法等［6］，但由于智能优化方法在收敛性能和速度存在着不足，使得这些方法仍然存在一些缺点，因此，如果改进和使用智能优化方法估计直拉硅单晶生长过程中的参量是今后研究硅单晶生长过程中关键参量检测的一个重要问题。

2. 智能建模

在半导体硅材料制备过程中，由于具有温度场空间大、多场动态耦合、边界条件模糊，化学物理变化交错且相互影响等突出特点，使得这一过程存在模型不精确、数据不完整、机理不明确的问题。

在晶体生长过程中，由于存在不均匀的温度场、磁场、重力场、自由表面张力以及多种机械运动，使坩埚内的硅熔体产生多种对流。热场影响热对流，磁场的作用直接影响流场并间接影响温度场中的温度分布，温度场的改变反过来又会影响流场，在这种多场动态耦合作用下，使熔体的对流形态及演变过程呈现复杂特征，最终使得晶体生长的决定性变量 - 温度的变化复杂。机理建模具有精确性高、针对性强等特点，适用范围较大。如参考文献［7-9］对热辐射和热传导机理等进行理论分析建立的钢温数学模型。然而，硅单晶生长要经过引晶、放肩、转肩、等径、收尾等工艺过程。随着工艺过程的不断变化，晶体长度与重量不断增加，熔硅体积随之减小，坩埚位置不断上升，使得单晶炉中固液界面形态随时间变化，温度场分布相应变化，反映出具有鲜明的时空变化特征，因此建模难度大、周期长，且模型中众多的结构参数和物性参数难于求取，方法的应用受到限制。另外，机理分析总是基于很多简化和假设之上，这就使得机理建模与实际过程之间存在着一定的误差。参考文献［10］应用卡尔曼滤波器技术实现了对钢还在均热炉中温度分布的估计，其缺点是必须测量钢还在炉内表面温度，这在现实生产中很难实现。

目前，采用数据和机理相结合的方法是一种行之有效的途径，从而建立更加准确的晶体生长模型。其方法是基于过程采集数据建立的，具有算法通用性强等特点，广泛应用于流程工业的建模及优化中。依据机理在已知范围内研究各物理场之间的偏微分方程描述和模型的选择问题。通过大量数值仿真和实验验证修正所建模型的正确性。基于传导辐射对流换热建立 CZ 法晶体生长数值模型，研究固液界面处传热传输规律，定义更多的状态变量。在建模中考虑自由表面的辐射散热，气氛对晶体和熔体自由表面的影响从而逼真实的晶体生长系统。由于坩埚中的熔体存在复杂的传热传质现象，二维数值模拟难以真实的反应其变化规律，目前，多采用建立晶体生长过程三维数值模型，研究热场、磁场、流场等多场作用下对晶体生长的固液界面形状、晶体热应力、熔体的温度分布等重要参数的影响。具有诸如此类特点的工业过程建立准确的数学模型，可更好地对这类过程进行准确高效的故障诊断与检测，同时也可以更好地设计控制算法及参数，优化过程参数，从而减少设备的停产时间，并能增加过程运行的安全性，使得控制过程达到最优，并减小制造成本，对研究半导体硅材料制备具有一定的指导意义。

3. 智能控制

硅单晶炉是一种重要的半导体硅材料制备系统，具有非线性、大时滞、不确定性等复杂性，以及在批流程运行时呈现的连续动态特征，其工作机理复杂，变量众多、相互耦合，难以采用传统数学建模方法描述其本质特征。

传统的控制方法以PID 控制为主，通常利用提拉速度和加热功率设计一个串级控制结构，对晶体直径和生长速度进行控制。PID控制结构简单、易于实现，但是控制参数需要多次整定，而且很难得到一个满意的控制结果。随着科学技术的进步和人类社会的发展，人们对硅单晶炉的控制提出了越来越高的要求，希望能获得更好的大直径、高品质的硅单晶。

智能控制是在解决具有高度复杂与不确定性以及控制性能要求越来越高的背景下产生的，近几十年智能控制得到了快速发展。其中，模糊控制鲁棒性比较好，抗干扰能力比较强，无须建立精确数学模型，已经成功应用在水泥、乙烯、食品加工等过程控制领域；神经网络控制具有自组织、自适应、自学习和较强的非线性函数逼近能力，拥有强大的容错能力，已广泛应用在化工过程控制中，但是神经网络结构和节点数目选取问题往往通过经验试凑得到。

近年来，将神经网络、模糊系统、预测控制、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，这将为解决硅单晶炉时滞参数时变复杂过程的控制问题提供有效的手段。

此外，硅单晶生产企业每天都在产生并存储着大量的生产过程数据，这些数据隐含着工艺变动和设备运行等信息，利用这些海量数据进行深度学习，这给统计学习意义下的神经网络模型的结构设计、参数选取、训练算法，以及时效性等方面都提出了新的挑战。

请添加微信号咨询：19071507959

在线报名