面向制造的机器学习与深度学习
Machine Learning and Deep Learning for Manufacturing
Sang Won Lee¹
¹ 韩国水原市，成均馆大学机械工程学院
E-mail: sangwonl@skku.edu
现状
在智能制造领域，深度学习（DL）和机器学习（ML）技术的应用已扩展到质量控制、机器和设备维护以及过程优化等多个领域。近期的研究进展主要集中在预测性维护、故障诊断和产品检测方面。
预测性维护已演变为复杂的框架，该框架集成了用于时序数据分析的基于LSTM的深度学习、随机森林和XGBoost等机器学习模型，以及利用数字孪生的混合框架。例如，在工业机器人的预测性维护研究中，一种结合了LSTM提取的时间特征和K近邻（KNN）分类器的模型，通过融入基于知识图谱的维护策略，提高了设备正常运行时间和延长了故障间隔时间。此外，在加工中心中，基于物联网（IoT）的数据收集与随机森林预测模型相结合，展现了高准确性和实时性能，有效支持了操作员的决策[1]。
在故障诊断方面，领域自适应技术已成为解决数据稀缺的关键方案，而半监督学习和联邦学习则满足了利用少量标记数据的需要。一项结合主动学习与半监督学习的代表性研究显示，在保持各种工业数据集故障分类准确性的同时，显著降低了数据标注的成本[2]。
在产品检测领域，已探索了基于实时YOLO的检测模型、弱监督目标定位网络和语义分割方法。例如，CADN框架提出了一种仅使用图像级标签即可检测缺陷的模型，而YOLOv4与RCNN之间的比较研究则证明了它们在汽车点焊过程中检测缺陷的有效性[3]。
基于注意力的轻量级网络也被报道用于缺陷检测任务[4]。这些模型通过在大规模预训练主干网络之上集成定制设计的架构，在NEU-DET和GC10-DET等公共数据集上，无论在准确率（mAP）还是推理速度（FPS）方面都展现了卓越的性能。
当前及未来挑战
基于机器学习/深度学习的智能制造所面临的最严峻挑战在于高质量标注数据的匮乏。由于工业环境中的安全性、成本及操作复杂性，收集足够的标注数据集——尤其是针对罕见故障场景的数据——极度困难。尽管部分研究已尝试利用生成对抗网络（GAN）生成合成故障数据，并采用长短期记忆网络（LSTM）进行时序建模[5]，但这些方法并非总能适用于那些无法收集真实故障数据的制造现场。
其次，泛化能力有限及可解释性不足仍是关键问题。例如，针对特定刀具优化的预测模型往往难以推广到不同的机器或操作条件。为解决这一问题，可解释人工智能（XAI）技术正被越来越多地引入，以提高人工智能模型的可解释性[6]。
第三，实现实时性能及轻量化模型部署仍是持续存在的技术瓶颈。尤其在边缘AI环境中，资源受限的环境要求模型既高效又准确。近年来的趋势包括通过知识蒸馏压缩大规模模型，并利用领域特定数据进行微调，以在性能与复杂度之间取得平衡[7]。
最后，文化的和体制性障碍同样不可忽视。中小型企业往往因基础设施不足、技术能力有限或前期投资较大而在人工智能采用上面临延误或失败。在已记录的工业4.0转型失败案例中，不切实际的管理期望、基础设施赤字以及内部阻力是主要因素[8]。
应对挑战的科技进展
多项技术路径已被提出以克服上述挑战（如图1所示）：
首先，迁移学习、自监督学习、基于GAN的合成数据生成及联邦学习被用于解决数据稀缺和类别不平衡问题。具体而言，领域自适应技术已被用于在有限样本下泛化模型性能，而GAN则被用于合成故障数据或利用未标注数据集[9,10,11]。
其次，可解释人工智能（XAI）技术正越来越多地被用于降低质量检测的计算成本，同时为操作人员提供可解释的人工智能预测。CAM和Grad-CAM等可视化技术有助于识别决策依据，而虚拟传感器重建及噪声修正方法则被开发用于提高数据质量和可信度[12,13]。
第三，轻量级实时机器学习/深度学习模型架构的研发已付出大量努力。可变形卷积、通道注意力及双向特征融合等技术已被嵌入现代网络设计，以在保持高精度的同时实现30至100 FPS的推理速度，从而支持在生产环境中的边缘部署[14,15]。
第四，数字孪生与混合建模的融合日益重要。结合基于物理的仿真与传感器驱动数据模型的混合框架在预测部件寿命方面表现出显著改进。这些方法在提高真实操作中的预测精度和可扩展性方面尤为有效[16,17]。
最后，隐私保护学习方法受到广泛关注，以解决跨企业数据共享问题。联邦学习框架支持在不暴露敏感制造数据的前提下协作训练高性能模型，其有效性已在实际生产数据集上得到验证[18]。
结论
综上所述，尽管基于机器学习/深度学习的智能制造发展迅速且潜力巨大，其仍面临若干根本性挑战。这些挑战包括：获取标注高质量工业数据集的困难、在多样化操作场景中泛化能力的局限、复杂模型的可解释性不足，以及基础设施与准备程度方面的重大差距——这些问题对中小型企业而言尤为突出。
应对这些挑战需要一套综合性的分层策略。首先，增强的数据采集管道不仅需要基于传感器的监测，还需纳入基于仿真（数字孪生）的合成数据增强。跨领域整合异构结构化和非结构化数据，将有助于构建更为全面的人工智能模型。
以人为中心的可解释性也须从设计早期阶段便予以纳入。除透明化可视化外，特征重要性高亮、注意力热图及上下文解释等技术应使操作人员能够理解和验证基于人工智能的决策。这将有助于建立信任并提高现场接受度。
此外，轻量级人工智能模型架构的持续创新至关重要。在需要实时决策的边缘计算环境中，必须开发新型深度学习/机器学习方法，以在准确性与计算效率之间取得平衡。特别是，人们越来越关注那些在保持高性能的同时最小化能耗的模型设计，以及使用本地化现场数据逐步提高模型准确性的联邦微调技术。
最终，人工智能制造系统的成功部署与规模化推广，需要学术界、产业界与政府之间的协调合作。当技术创新通过实证测试验证，并与体制及劳动力战略相契合时，智能制造将超越自动化，成为透明、有韧性、以人为本的智能生产系统。
致谢
本文由Industry Technology Alchemist Project funded by the Ministry of Trade, Industry & Energy (MOTIE, Korea) (No. 20025702)和National Research Foundation of Korea (NRF) grant funded by the Korea government (MSIT) (No. 2022R1A2C3012900)提供支持。
参考文献
[1] Rosati, R., Romeo, L., Cecchini, G., Tonetto, F., Viti, P., Mancini, A., & Frontoni, E., From knowledge-based to big data analytic model: a novel IoT and machine learning based decision support system for predictive maintenance in Industry 4.0. 2023 Journal of Intelligent Manufacturing, 34, 107–121
[2] Farahani, B., & Monsefi, A. K., Smart and collaborative industrial IoT: A federated learning and data space approach, 2023 Digital Communications and Networks, 9, 436-447
[3] Zhang, J., Su, H., Zou, W., Gong, X., Zhang, Z., & Shen, F., CADN: A weakly supervised learning-based category-aware object detection network for surface defect detection, 2020 Pattern Recognition, 109, 107571
[4] Chen, H., Du, Y., Fu, Y., Zhu, J., & Zeng, H., DCAM-Net: A Rapid Detection Network for Strip Steel Surface Defects Based on Deformable Convolution and Attention Mechanism, 2023 IEEE Transactions on Instrumentation and Measurement, 72, 1- 12
[5] Alzubaidi, L., Bai, J., Al-Sabaawi, A., Santamaría, J., Albahri, A. S., Al-Dabbagh, B. S. N., ... & Gu, Y., A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications, 2023 Journal of Big Data, 10, 46
[6] Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K., Applications of machine learning to machine fault diagnosis: A review and roadmap, 2020 Mechanical systems and signal processing, 138, 106587
[7] Zhang, H., Semujju, S. D., Wang, Z., Lv, X., Xu, K., Wu, L., ... & Ma, X., Large scale foundation models for intelligent manufacturing applications: a survey, 2025 Journal of Intelligent Manufacturing, 1-52
[8] Pfeifer, M. R., SMEs in Failed Transition Towards Industry 4.0: A case study of a Czech SME , 2021 Journal of Innovation & Business Best Practice, 1-16
[9] Jain, S., Seth, G., Paruthi, A., Soni, U., & Kumar, G., Synthetic data augmentation for surface defect detection and classification using deep learning. Journal of Intelligent Manufacturing, 1-14
[10] Zhong, H., Yu, S., Trinh, H., Yuan, R., Lv, Y., & Wang, Y. A time-saving fault diagnosis using simplified fast GAN and triple- type data transfer learning. 2025 Structural Health Monitoring, 24, 869-882
[11] Mehta, M., Chen, S., Tang, H., & Shao, C. A federated learning approach to mixed fault diagnosis in rotating machinery. 2023 Journal of Manufacturing Systems, 68, 687-694
[12] Bordekar, H., Cersullo, N., Brysch, M., Philipp, J., & Hühne, C. eXplainable artificial intelligence for automatic defect detection in additively manufactured parts using CT scan analysis. 2025 Journal of Intelligent Manufacturing, 36, 957-974.
[13] Fabiocchi, D., Giulietti, N., Carnevale, M., & Giberti, H. Ai-driven virtual sensors for real-time dynamic analysis of mechanisms: A feasibility study. 2024 Machines, 12, 257.
[14] Wan, D., Lu, R., Shen, S., Xu, T., Lang, X., & Ren, Z. Mixed local channel attention for object detection. 2023 Engineering Applications of Artificial Intelligence, 123, 106442
[15] Zhang, X., Song, Y., Song, T., Yang, D., Ye, Y., Zhou, J., & Zhang, L. LDConv: Linear deformable convolution for improving convolutional neural networks. 2024 Image and Vision Computing, 149, 105190.
[16] Iranshahi, K., Brun, J., Arnold, T., Sergi, T., & Müller, U. C. Digital Twins: Recent Advances and Future Directions in Engineering Fields. 2025 Intelligent Systems with Applications, 200516.
[17] Sahin, T., Wolff, D., von Danwitz, M., & Popp, A. Towards a hybrid digital twin: Physics-informed neural networks as surrogate model of a reinforced concrete beam. 2024 arXiv preprint arXiv:2405.08406.
[18] Piran, F. J., Chen, Z., Imani, M., & Imani, F. Privacy-preserving federated learning with differentially private hyperdimensional computing. 2025 Computers and Electrical Engineering, 123, 110261.