简介： 就在几年前，节省劳动力似乎是领先制造商研究自动化的驱动因素。投资回报主要由自动化将取代的人数计算。如果 ROI 少于几年，自动化项目通常是绿灯。然而，最近，我们开始看到劳动力稀缺正在迅速成为制造商考虑自动化的一个激励因素。可用工人的缺乏阻碍了一些制造商扩大生产或跟上不断变化的客户需求。 COVID-19 的爆发使一些过时的手工制造方法变得清晰起来，这些做法将阻止如此多的公司在限制解除后迅速恢复。 需要帮助： 假设在制造商的道路上开设了一个大型配送仓库。他们需要雇佣 500 名工人才能快速启动和运行。由于业务蓬勃发展，这些工作提供更高的工资、全额福利和带薪假期。如果你在制造商工

大脑皮层是大脑中处理图像的部分。与其他哺乳动物相比，人类拥有最大的大脑皮层。这种卓越的视觉是使人类优于其他动物的进化特征之一。进化生物学家试图揭开这一特征背后的神秘面纱，而技术研究人员则试图复制它。 图 1. 工厂中的机器视觉系统。 人类通过经验和实践来学习。机器学习是人工智能 (AI) 领域，它试图让计算机模仿人脑的学习方式。图像识别和处理是该领域的一个重要子部分。使用图像识别，工程师可以在没有直接人工交互的情况下对物体进行分类。 神经网络和机器视觉 简单来说，机器视觉与算法或神经网络相结合是计算机查看数据并对其采取行动的能力。图像以数字格式馈送到计算机的处理单元，以进

机器视觉相机、未经校准的传感器或不可预测的阴影出现故障，可能会导致工业 AI 系统出现代价高昂且危险的错误。然而，研究人员正在开发防错算法以及可以采取的简单措施来降低出错概率。 人工智能已经远远超出了基本的感知器人工神经网络，但错误仍然是一个问题。图片由Pixabay提供 人工智能的工业应用 AI（人工智能）有许多工业应用，例如机器人平台、物料搬运、包装、机器管理、装配、检查和 BAS（楼宇自动化系统）。更具体的例子包括无人机和集群技术，用于分类、移动和运输物品或检测生产过程中的异常。 人工智能已成为依赖机器视觉、机械臂、遥感和过程控制的工业自动化的一个关键但经常被遗忘的方面

模糊逻辑听起来可能不是实现复杂控制系统的最可靠方法。然而，模糊逻辑系统处理不精确数据和实施专家经验的能力使其成为现代控制应用中的强大工具。 模糊逻辑概述 模糊逻辑是由 Lofti Zada 于 1965 年开发的 AI（人工智能）的一个细分，它使计算机系统能够模仿人类如何解释数据并与数据交互。虽然布尔逻辑仅限于两个结果（真或假，0 或 1），但模糊逻辑处理真实程度。 例如，考虑一个机器视觉系统，使自主机器人系统能够在繁忙的仓库楼层中导航。我们会看到右侧秋千的一扇门迅速打开，并知道障碍物可能即将出现。但是布尔逻辑不处理“可能”——它处理“障碍即将出现”和“障碍不会出现”。 通过模糊

将可编程逻辑控制器 (PLC) 用于机器人单元 机器人单元通常需要控制器来运行通常不在机器人工作范围内的单元部分。控制器，通常是可编程逻辑控制器 (PLC)，控制腋门、夹具、安全装置或工程师可能需要的任何其他东西，以实现完全自主的单元。 梯形逻辑编程类似于接线图，以保持从接线图到功能程序的简单转换。梯形逻辑编程按顺序运行，从而可以通过单元中的一系列命令来完成某些任务。它们还广泛用于单元中的安全系统。它们可以被编程为一旦单元中的安全参数被破坏就停止单元中的每项任务。 机器人通常使用 C 编程语言，可以类似于具有安全和 I/O 的 PLC 使用。然而，机器人可以处理的 I/O 数量有限，

从字面上看，模糊逻辑控制器就在我们身边。从防抱死制动系统到清洗我们衣服的洗衣机。但它们真的有效吗？使用它们有什么好处？ 图 1. 现代加工通常依靠模糊逻辑来控制过程的关键方面。图片由 Michael Schwarzenberger 提供 梯形逻辑和模糊逻辑 学习模糊逻辑控制的一个很好的起点是确定梯形逻辑是否与模糊逻辑兼容。当需要时序逻辑时，梯形逻辑是一种常用的基于规则的编程 PLC（可编程逻辑控制器）方法。梯形逻辑程序中的每个梯级代表一个二进制或离散的逻辑方程。 请记住，梯形逻辑是从左到右、从上到下读取的，然后梯级的最右侧代表输出条件。该梯级的输出条件取决于输出左侧梯形逻辑符

也许在我们的机器可以编写自己的程序的那一天，计算机科学的“圣杯”就会被发现。遗传编程 (GP) 是一种相对较新的机器学习范式，代表了朝这个方向迈出的一步。 GP 在控制工程领域大有可为。在本文中，我们将讨论什么是遗传编程，它是如何表示的，并看一看示例程序。 本文是系列文章的第一篇。要跳到下一个条目，请选择下面的一个： 进化算法中的遗传算子 遗传算法示例：进化排序程序和符号回归 遗传编程的应用和局限性 遗传编程和遗传算法 GP 本质上是 John Holland 最初构想的遗传算法 (GA) 的变体。与 GA 一样，GP 是一种进化算法，它依赖于遗传算子，例如适应度成比例的繁殖、交叉

计算机革命始于 1960 年代集成电路 (IC) 的创立。在过去的半个世纪里，IC 进入了许多行业。今天，有各种计算设备用于各个部门。 最初，软件曾经是使用基于硬件的计算解决方案的推动者。后来，软件发展成为利用计算能力高效地做更多事情的工具。今天，使用结合硬件和软件工具的数字工具对于世界上的每个行业都至关重要。企业通过数字化转型带来了这些新功能。 什么是数字化转型？ 在较早之前未使用的数字技术的实施称为数字转换。它可以被解释为借助数字技术实现业务转型。如今，很难找到未与数字技术集成的行业。 图 1. 数字化转型的代表。 近期新车短缺和二手车价格大幅上涨是由于半导体短

工业机器人不乏品牌、型号、颜色、形状和尺寸。但在机械设计方面，所有品牌都有许多相似之处。 工业铰接式机械臂通常被视为描绘高科技制造设施的形象。即使是普通的协作机器人 (cobot) 情人也遵循相同的机械结构——运输有效载荷、堆叠、分拣、码垛、组装以及许多其他可重复的任务。 RobotWorx 提供的视频 在所有品牌和型号中，一个共同的特征脱颖而出：六轴运动。有些型号有更多，许多型号更少，但6轴似乎是标准目标。是什么让这个数字如此普遍？这导致了两个相关的问题：少于六个轴将是一项糟糕的投资吗？同样，如果六个是好的，应该首选七个或更多轴吗？ 理想的 6 轴运动范围 简而言之

拥有汽车曾经是交通便利的基本组成部分。今天，人们可以通过手机应用程序召唤汽车，汽车将可用。您无需担心维护、保养、损坏、保险等问题。 这可以通过 Uber 和 Lyft 等服务实现，称为运输即服务 (TaaS)。服务模式正在向更多领域拓展，包括产业空间。产品可以在有限的时间内租用，不需要时可以退回。此类产品通常称为“（空白）即服务”或“X（任何东西）即服务”(XaaS)。 “即服务”模式的兴起 “即服务”的商业模式似乎永远存在。例如，Blockbuster 过去常常以购买电影所需成本的一小部分来租用电影磁带和 CD。但随着互联网和基于网络的经济的兴起，“即服务”一词开始流行。 互联网是

第一次工业革命始于 18 世纪，随着蒸汽机的发明和进步。进一步的技术进步带来了大规模生产和自动化。这些技术代表了工业革命的前三个演进，工业 4.0 是我们现在生活的时代。或者，我们在第五？ 工业 4.0 工业 4.0 利用数字技术来改变制造过程中的自动化格局。它还可以将任何事物相互连接起来，以提高沟通和效率。 工业 3.0 利用计算能力来部分自动化流程。工业 4.0 利用数据来提高自动化水平并引入预测能力以更好地应对未来事件。工业 4.0 是由一组连接、收集和计算的技术实现的。 工业4.0使用的技术包括以下。 信息系统 ：管理信息系统 (MIS) 和企业资源规划 (ERP) 软件

在遗传编程 (GP) 系列的这一点上，我们已经了解了什么是遗传编程以及它如何表示信息、遗传算子如何在进化算法中工作，以及通过符号回归进化排序程序。 在这里，我们将深入了解这项技术在发展过程中可以实现的目标。 遗传编程的实际考虑 要理解我们系列的最后一章，让我们记住我们在本系列的第一部分中讨论的 XOR 示例： GP发现的XOR问题的完美解决方案： (defun 程序 () （与（或 X1 X2） （不是（和 X1 X2）） ) ) 清单 1。 异或结果。 我们也回顾一下上一篇文章中的符号回归示例： 区间 (0 <=x <=pi/2) 中 sin(x) 的多项式逼近

激光距离传感器在机器人和自动化行业有很多用途。它们可以跨越行业的许多不同方面，但本文重点介绍使用激光距离传感器作为位置传感器的过时技术的电池改造。 这些传感器在测距方面非常准确，这使它们可以进行许多不同类型的控制。但是，应该注意的是，应将某些安全功能编程到系统中，以确保安全处理任何激光故障。 传统的T-cart控制方法 要了解 T-cart 控制，重要的是要了解 T-cart 操作的具体内容。 T 型推车是一种电子控制推车，通常在金属轨道上，在自动码垛操作中对托盘进行分类和移动。这些推车在仓库环境中移动托盘。他们通常将托盘从一组装载输送机带到码垛过程的下一步 - 通常是收缩包装站。

我们可以通过添加一层隐藏节点来极大地增强感知器的性能，但这些隐藏节点也使训练变得更加复杂。 到目前为止，在关于神经网络的 AAC 系列中，您已经了解了使用神经网络进行数据分类，尤其是感知器种类。 赶上下面的系列或深入了解这个新条目，它将解释多层感知器 (MLP) 神经网络的基础知识。 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解

本文介绍了我们在执行权重更新计算时使用的方程，我们还将讨论反向传播的概念。 欢迎来到 AAC 的机器学习系列。 在这里了解到目前为止的系列： 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器的训练公式和反向传播 Python 实现的神经网络架构 如何在 Python 中创建多层感知器神经网络 使用神经网络进行信号处理：神经

本文讨论了我们将用于神经网络训练和分类实验的感知器配置，我们还将查看相关主题偏置节点。 欢迎阅读 All About Circuits 神经网络系列技术文章。在迄今为止的系列中（链接如下），我们已经介绍了很多有关神经网络的理论。 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器的训练公式和反向传播 Python 实现的神经网

本文将带您逐步了解一个 Python 程序，该程序将使我们能够训练神经网络并执行高级分类。 这是 AAC 神经网络开发系列的第 12 篇文章。在下面查看该系列还提供什么： 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器的训练公式和反向传播 Python 实现的神经网络架构 如何在 Python 中创建多层感知器神经网络 使

本文解释了为什么在我们使用神经网络处理数据时验证特别重要。 AAC 关于神经网络开发的系列文章将继续介绍神经网络中的验证以及 NN 在信号处理中的作用。 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器的训练公式和反向传播 Python 实现的神经网络架构 如何在 Python 中创建多层感知器神经网络 使用神经网络进行信号

在本文中，我们将使用 Excel 生成的样本来训练多层感知器，然后我们将看到网络在验证样本上的表现. 如果您想开发 Python 神经网络，那么您来对地方了。在深入探讨本文关于如何使用 Excel 为您的网络开发训练数据的讨论之前，请考虑查看以下系列的其余部分以了解背景信息： 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器

本文提供了配置多层感知器隐藏部分的指南。 到目前为止，在本系列神经网络中，我们已经讨论了感知器 NN、多层 NN，以及如何使用 Python 开发此类 NN。在我们继续讨论您可以选择使用多少隐藏层和节点之前，请考虑了解以下系列。 如何使用神经网络进行分类：什么是感知器？ 如何使用简单的感知器神经网络示例对数据进行分类 如何训练基本的感知器神经网络 了解简单的神经网络训练 神经网络训练理论简介 了解神经网络中的学习率 使用多层感知器进行高级机器学习 Sigmoid 激活函数：多层感知器神经网络中的激活 如何训练多层感知器神经网络 了解多层感知器的训练公式和反向传播 Python 实现的神经网