2025年第二届智能制造与自动化国际研讨会（ISIMA 2025）

重要信息

官网： https://ais.cn/u/zERJBf

**时间：**2025年12月19-21日

**地点：**中国-广州- 广州航海学院(黄埔校区)B10图书馆胜海厅

征稿主题

一、智能制造与自动化的技术体系框架

智能制造与自动化是融合了工业物联网、人工智能、数字孪生、智能算法等多领域的复合型技术体系，其核心目标是实现生产全流程的自主决策、高效协同与动态优化。以下从技术维度拆解智能制造的核心构成：

技术维度	核心内容	应用场景	技术挑战
工业物联网（IIoT）	设备互联互通、数据采集与传输、边缘计算	产线状态监控、设备预测性维护	多协议兼容、数据安全、海量数据处理
人工智能与机器学习	生产异常检测、工艺参数优化、需求预测	质量检测、能耗优化、供应链调度	小样本数据训练、模型实时性、可解释性
数字孪生	虚拟产线建模、仿真分析、虚实交互	产线设计验证、故障模拟复现	高精度建模、实时数据同步、算力需求
智能控制算法	自适应控制、模型预测控制（MPC）、强化学习控制	机器人轨迹规划、流程工业闭环控制	算法鲁棒性、多目标优化、实时性平衡
自动化执行层	工业机器人、AGV、智能传感器、PLC	柔性生产单元、无人仓储、自动装配	多设备协同、高精度定位、环境适应性

二、核心技术落地实践：以 Python 实现关键场景

2.1 基于机器学习的生产异常检测

在智能制造场景中，设备运行数据的异常检测是保障产线稳定的核心环节。以下通过 Python 实现基于孤立森林（Isolation Forest）的设备异常检测案例，该算法适用于高维、非正态分布的工业数据，且无需标注样本，适合产线实时监控场景。

python

运行

复制代码

import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 1. 模拟工业设备运行数据（实际场景可替换为传感器采集数据）
np.random.seed(42)
# 正常数据：温度（20-30℃）、振动（0-5mm/s）、电流（5-10A）
normal_data = np.random.uniform(low=[20, 0, 5], high=[30, 5, 10], size=(1000, 3))
# 异常数据：温度>35℃ 或 振动>8mm/s 或 电流>15A
abnormal_data = np.random.uniform(low=[35, 8, 15], high=[45, 12, 20], size=(50, 3))
# 合并数据集
data = np.vstack((normal_data, abnormal_data))
df = pd.DataFrame(data, columns=['Temperature', 'Vibration', 'Current'])

# 2. 数据预处理：标准化
scaler = StandardScaler()
data_scaled = scaler.fit_transform(df)

# 3. 构建孤立森林模型
model = IsolationForest(
    n_estimators=100,  # 决策树数量
    max_samples='auto',
    contamination=0.05,  # 异常值比例（根据实际场景调整）
    random_state=42
)
df['Anomaly'] = model.fit_predict(data_scaled)
# 转换标签：1为正常，-1为异常
df['Anomaly'] = df['Anomaly'].map({1: 'Normal', -1: 'Abnormal'})

# 4. 结果统计与输出
anomaly_stats = df['Anomaly'].value_counts()
print("异常检测结果统计：")
print(anomaly_stats)

# 输出前10条数据的检测结果
print("\n前10条数据检测结果：")
print(df.head(10))

# 可选：计算异常分数（分数越低，异常概率越高）
df['Anomaly_Score'] = model.decision_function(data_scaled)
print("\n异常分数分布（前5条）：")
print(df[['Temperature', 'Vibration', 'Current', 'Anomaly', 'Anomaly_Score']].head(5))

代码说明：

数据层：模拟了工业设备的温度、振动、电流三类核心监测指标，贴合产线实际采集维度；
算法层：孤立森林通过随机划分特征空间实现异常点快速识别，相较于 SVM、KNN 等算法，更适合工业场景的实时性要求；
工程层：标准化处理消除了不同指标量纲差异，异常分数可用于量化设备异常程度，便于后续分级预警。

2.2 数字孪生中的产线参数优化（Python 实现多目标优化）

数字孪生的核心价值之一是通过虚拟仿真优化物理产线参数，以下基于 NSGA-II 算法实现产线能耗与产能的多目标优化，适配智能制造中 "高效低耗" 的核心需求。

python

运行

复制代码

from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.core.problem import Problem
from pymoo.optimize import minimize
from pymoo.visualization.scatter import Scatter
import numpy as np

# 1. 定义产线优化问题
class ProductionLineOptimization(Problem):
    def __init__(self):
        # 决策变量：[生产节拍(10-30s/件), 电机转速(500-2000rpm), 进料速度(0.5-2m/s)]
        super().__init__(
            n_var=3,
            n_obj=2,  # 目标1：最小化能耗；目标2：最大化产能
            n_constr=2,
            xl=np.array([10, 500, 0.5]),  # 变量下限
            xu=np.array([30, 2000, 2])     # 变量上限
        )

    def _evaluate(self, x, out, *args, **kwargs):
        # 决策变量解包
        cycle_time = x[:, 0]  # 生产节拍
        motor_speed = x[:, 1] # 电机转速
        feed_speed = x[:, 2]  # 进料速度

        # 目标函数1：能耗（经验公式：转速² * 进料速度 * 0.001 + 节拍*0.1）
        f1 = (motor_speed **2 * feed_speed * 0.001) + (cycle_time * 0.1)
        # 目标函数2：产能（60/节拍 * 设备利用率(经验值0.9)，取负转为最小化问题）
        f2 = - (60 / cycle_time) * 0.9

        # 约束条件1：电机转速与进料速度匹配（转速/feed_speed < 1500）
        g1 = (motor_speed / feed_speed) - 1500
        # 约束条件2：生产节拍≥电机响应时间（经验值：转速*0.01）
        g2 = (motor_speed * 0.01) - cycle_time

        out["F"] = np.column_stack([f1, f2])
        out["G"] = np.column_stack([g1, g2])

# 2. 初始化算法并求解
algorithm = NSGA2(pop_size=50, eliminate_duplicates=True)

# 执行优化
res = minimize(
    ProductionLineOptimization(),
    algorithm,
    ('n_gen', 100),  # 迭代次数
    seed=42,
    verbose=True
)

# 3. 输出优化结果
print("优化后的帕累托最优解（决策变量）：")
print("生产节拍(s/件) | 电机转速(rpm) | 进料速度(m/s)")
for sol in res.X[:5]:  # 输出前5个最优解
    print(f"{sol[0]:.2f} | {sol[1]:.2f} | {sol[2]:.2f}")

print("\n对应目标函数值（能耗 | 产能）：")
for f in res.F[:5]:
    print(f"{f[0]:.2f} | {-f[1]:.2f} 件/分钟")

# 可选：可视化帕累托前沿（无需图片时可注释）
# plot = Scatter()
# plot.add(res.F, color="red")
# plot.show()

技术亮点：

多目标优化：同时兼顾能耗与产能，解决了单一目标优化导致的产线失衡问题；
工程约束：融入电机转速与进料速度匹配、节拍与响应时间适配等工业实际约束；
算法适配：NSGA-II 是智能制造领域主流的多目标优化算法，相较于传统加权法，能输出一组帕累托最优解，便于工程师根据产线工况选择最优方案。

三、智能制造与自动化的技术演进与趋势

3.1 技术融合趋势

AI 与控制层深度融合：传统 PID 控制向 "AI+MPC" 混合控制演进，通过机器学习自适应调整控制参数，适配柔性生产场景的动态工况；
数字孪生全生命周期化：从产线设计阶段的虚拟仿真，延伸至生产、维护、报废全生命周期，实现物理资产与虚拟模型的全维度同步；
边缘智能普及化：将 AI 推理、数据预处理下沉至边缘设备，降低云端传输压力，满足产线毫秒级实时控制需求。

3.2 工程落地关键要点

落地阶段	核心任务	技术抓手	常见问题	解决方案
数据层建设	多源数据统一采集与治理	工业网关、OPC UA 协议、数据中台	数据孤岛、格式不统一	制定统一数据标准，采用边缘网关做协议转换
算法层适配	算法轻量化与实时性优化	模型量化、边缘计算框架（TensorRT）	算法延迟高、算力不足	按需裁剪模型，优先采用轻量级算法（如孤立森林、轻量 CNN）
应用层落地	业务场景闭环验证	数字孪生仿真、小范围试点	算法与实际工况脱节	建立 "仿真 - 试点 - 迭代" 闭环，逐步扩大应用范围

四、总结

智能制造与自动化的核心是通过数据驱动与算法优化，实现生产系统的自主化、柔性化与高效化。从技术落地角度，需兼顾算法的工程适配性与工业场景的实际约束：一方面，通过机器学习、多目标优化等技术解决异常检测、参数优化等核心问题；另一方面，依托数字孪生、工业物联网实现虚拟与物理世界的协同。未来，随着 AI 大模型与工业控制的深度融合、边缘智能的持续普及，智能制造将从 "局部优化" 走向 "全流程智能"，成为制造业转型升级的核心驱动力。

五、国际交流与合作机会

作为国际学术会议，将吸引全球范围内的专家学者参与。无论是发表研究成果、聆听特邀报告，还是在圆桌论坛中与行业大咖交流，都能拓宽国际视野，甚至找到潜在的合作伙伴。对于高校师生来说，这也是展示研究、积累学术人脉的好机会。