前 言
要以智能制造為主攻方向推動產(chǎn)業(yè)技術變革和優(yōu)化升級，推動制造業(yè)產(chǎn)業(yè)模式和企業(yè)形態(tài)根本性轉變，以鼎新帶動革故，以增量帶動存量，促進我國產(chǎn)業(yè)邁向全球價值鏈中高端。在智能制造等重點領域持續(xù)發(fā)力，引領制造業(yè)向智能化方向轉型，是加快形成新質生產(chǎn)力的重要方面。在國家發(fā)改委、工信部、科技部和財政部推動下，先后授予了4300多家國級智能制造示范企業(yè)；但各企業(yè)享受硬件紅利后，面臨數(shù)據(jù)爆炸帶來的創(chuàng)新焦慮。智能制造專業(yè)就應運而生，315家開設該專業(yè)的高校根據(jù)自己專長，分別形成側重軟件設計、自動化、深度學習或機器人的培養(yǎng)體系。
本人曾擔任上市公司總經(jīng)理6年，曾建成了全國shou ge輪胎行業(yè)的智能制造工廠，榮獲智能智造示范等12項國家榮譽。剛開始很興奮，覺得企業(yè)方方面面都數(shù)字化了，企業(yè)研發(fā)會上一個新臺階。但是慢慢發(fā)現(xiàn)，這一屋子數(shù)據(jù)硬盤對創(chuàng)新并沒有起到多大的促進作用，問題出在哪里呢？1）制造過程中數(shù)據(jù)躺在機房， 缺乏大海撈針的工具，現(xiàn)有軟件大多處于智能Excel模式而難以挖掘深層特征。2）智能制造理論散裝在機械、數(shù)學、計算機和經(jīng)濟管理等專業(yè)，缺乏系統(tǒng)研究的整體框架；3）直覺/經(jīng)驗式創(chuàng)新困 在產(chǎn)品本身而忽視了制造系統(tǒng)之間的內在影響。
陳左寧院士認為，人工智能的核心特征就是對關系的研究。因此，智能制造系統(tǒng)本質上是一門關系學，用于挖掘系統(tǒng)內各要素隱藏的深層聯(lián)系�！吨悄苤圃煜到y(tǒng)設計》是傳統(tǒng)工科的再升華：從分析形狀到分析關系，從設計產(chǎn)品到設計準則。比如，要想提高產(chǎn)品質量，需要建立供應鏈、設備狀態(tài)、生產(chǎn)過程等各要素節(jié)點的控制流程，每個節(jié)點包含訂單、資金、質量等異構數(shù)據(jù)，形成一個復雜的層析網(wǎng)絡系統(tǒng)。智能制造系統(tǒng)的目標就是挖掘深藏其中的問題來創(chuàng)新準則。
如果說微積分是分析產(chǎn)品形狀的理論基礎，那么分析關系的理論基礎是什么？圖論。大家從小學到大學學習了初等數(shù)學和高等數(shù)學，熟悉了歐幾里得幾何和笛卡爾坐標系，已經(jīng)習慣了具有長寬高的歐氏空間，習慣了坐標系確定要素位置，習慣了微積分進行形狀的演化。但所有這些在關系研究中失去了效力，因為智能制造系統(tǒng)甚至不需要坐標系來進行各要素的節(jié)點表示、要素關系的邊表示、子系統(tǒng)的社團表示以及整個系統(tǒng)的復雜網(wǎng)絡。智能制造系統(tǒng)的關系數(shù)學包括：圖論復雜網(wǎng)絡運籌學圖深度學習，都是傳統(tǒng)工科學生難以接觸到的，但設計和運營智能制造系統(tǒng)的主體恰恰是他們，這種錯位造成不知道如何下手的困惑。
制造系統(tǒng)成千上萬的節(jié)點，如何智能找到深層規(guī)律？對于新興的智能制造，其系統(tǒng)數(shù)據(jù)的收集、處理，各智能制造企業(yè)處于野蠻生長階段，導致了底層邏輯不統(tǒng)一，對關系研究帶來困擾。為此，作者提出了深度運籌學：以運籌學為底層邏輯，以質量流、資金流、信息流、物料流表征智能制造系統(tǒng)節(jié)點的異構張量，建立系統(tǒng)的社團化、層次化復雜網(wǎng)絡，提出具有智能制造特征的圖神經(jīng)網(wǎng)絡算法來進行特征提取，尋找要素間內在聯(lián)系來創(chuàng)新系統(tǒng)運行準則。從而，明晰智能制造系統(tǒng)的MES、ERP、 APS、CRM、WMS和PLM等構成的異構層析復雜網(wǎng)絡，圍繞生產(chǎn)調度優(yōu)化、物流路徑規(guī)劃、客戶關系優(yōu)化、產(chǎn)品研發(fā)以及網(wǎng)絡安全等，實現(xiàn)對工業(yè)大數(shù)據(jù)的深度挖掘，掌握以深度運籌為核心、PyTorch為平臺的智能制造系統(tǒng)設計。
本書從工科角度，以微積分、線性代數(shù)和概率論為起點，在作者《智能制造系統(tǒng)設計》講課PPT基礎上，采用形象化語言和可視化圖示手法，以深度運籌學為主線，將浩如煙海的人工智能知識凝練成簡單明了的創(chuàng)新技巧。本書具有以下5大優(yōu)勢：
1. 可視化關系數(shù)學，淺顯易懂 線性代數(shù)、概率和圖論是人工智能的三大數(shù)學基礎，并由此進階到現(xiàn)代數(shù)學。但嚴格的數(shù)學語言晦澀難懂，讓人學到崩潰。本書將數(shù)學名詞庸俗化，如：隨機過程=概率 時間，很容易理解隨機過程的作用；泛函在復雜網(wǎng)絡中最重要的用處就是距離。本書精心繪制了293幅示意圖，將嚴格的定義、枯燥的公式可視化。比如圖論 ，一般書籍從柯尼斯堡橋講起，令人云里霧里；而本書則從外賣最短路線圖的破圈法講起，文盲也能明白圖論是干什么用的。工科學生學習現(xiàn)代數(shù)學，可以遵循粗通數(shù)學體系，不求甚解的原則，廣比深更重要，深是數(shù)學家的事。比如，知道身份證用到數(shù)論、魔方用到群論、導航用到圖論、投標用到運籌學就已經(jīng)學得很好了；再進一步，把上述場景變矩陣你就很厲害了。
2. 目標中提取問題，庖丁解牛 企業(yè)目的是創(chuàng)造效益，從遠古到近代都是靠信息不對稱賺錢，到現(xiàn)代則靠專利不對稱賺錢，而智能時代則是靠準則不對稱賺錢。如何從浩如煙海的數(shù)據(jù)中挖掘出看似風馬牛不相及的準則呢？比如，智能手機影響口香糖銷量。李政道教授指出，能正確提取問題就是邁出了創(chuàng)新的第一步。質量、效率、安全與成本不僅是智能制造系統(tǒng)設計的目標，更是問題的來源。那么，從哪里下手？質量從CPK、效率從八大浪費、安全從能量、成本從制造費用入手。如何下手？本書介紹了大量的分析工具，如魚骨圖、SWOT、事故樹、PDCA、FMEA 、投資回收期等來透過現(xiàn)象看本質，找到問題背后的問題。