智能制造的实现是一个从手工到半自动化，再到全自动化，最终实现智能化、柔性化生产的过程。智能制造将制造业与信息技术和互联网技术相结合，在生产工艺、生产管理、供应链体系、营销体系等多个方面实现全产业链的互联互通。

那么，企业该如何实现自己的智能制造改革呢？以下十项技术都是知识点：

1.多源多通道数据实时采集感知技术

多源传感器数据采集是智能制造过程中实现智能感知的前提，通过各类传感器（压力传感器、位移传感器、视觉传感器等）组成，实现对多源多通道分布式数据的实时采集、分析和转换等。

多源传感器数据采集系统包含以下几项技术：

· 信号转换技术

· 实时网络通信技术

· 多线程管理技术

· 数据缓存池技术

· 黑匣子技术

· 信息安全技术

2.异构数据内容融合与传输共享技术

通过对各种异构计算数据进行内容分析和融合处理，从海量数据中挖掘隐藏信息和有效数据，提高智能制造过程中各种装备状态监测的准确性。

异构数据包括：海量的多媒体传感数据、文本/超文本、声音数据、影像数据、视频序列等。

3.复杂工况的多任务自适应协同技术

智能制造的实现往往需要能够自主分析当前的工况环境和任务要求，实现多任务自适应协同规划，并根据不同任务难度自适应调整作业策略。

多工况包含以下几种（以挖掘作业为例）：

· 常用，挖掘形状规则，且经常使用该功能

· 特殊，挖掘形状规则，但不经常使用

· 自主标记，挖掘形状不规则，但经常使用

· 高度自定义，高度依赖驾驶经验的操作

4.多机协同的集群化交互与控制技术

智能制造的多机集群模仿生物集群行为，单机间通过彼此信息交互与自主控制来进行协同工作，从而可在各种险恶环境下低成本完成多样性的复杂任务。

具体包括：

· 远程操控端，人机交互装置远程遥控，任务指派和监控

· 移动用户端，网页、APP做任务指派和监控

· 智能机械端，环境感知、机身工况传感、自主作业控制

· 移动互联网，无线数据通讯承载

· 卫星定位，导航与测量辅助

· 云端数据中心，环境建模分析，任务和轨迹规划，大数据分析和诊断

5.大数据驱动故障诊断深度学习技术

制造装备运行过程中产生的海量特征数据蕴含大量的故障信息，在收集智能装备运行特征数据的基础上，应用深度学习算法对大数据进行知识挖掘，获寻与故障有关的诊断规则，实现对制装备的故障进行智能预测和分析。

6.数字孪生与数字样机建模分析技术

数字孪生充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映了相对制造过程中各装备的全生命周期过程。

7.多技术路线工作方案优化决策技术

针对不确定性的、半结构化或非结构化的智能制造工作方案决策问题，通过信号推理、定量推理等方法，在不确定性、不完备、模糊信息的环境下实现智能制造与产品设计旨在服役多目标多技术路线工作方案优化的自主决策。

8.工艺工装协同推送与自动装夹技术

个性化推送技术及语义检索技术融入工艺工装推送过程中，基于融合智能装备与产品工艺工装特征的个性化语义检索，形成个性化的工艺工装协同推送机制，提高智能制造工艺设计过程中获取产品工艺工装的效率。

9.产品知识图谱与知识网络构建技术

通过对分布的多学科知识数据进行结构层次上的集成，消除多学科多领域知识数据的语法和语义分歧，使得数据结构具有一致性，进而对设计设计库数据进行知识表示，完成知识库的建立。 

结构化数据、半结构化数据、非结构化数据通过结构化改造和筛选整合，形成趋同或者一致且无冗余的结构化数据，也就是将客观世界主观抽象成设计数据库，再通过知识表示形成知识库。

10.机电液一体化云平台知识服务技术

知识服务技术着手于知识的自动推送，有序地组织机、电、液一体化跨学科知识，并在合适的设计过程中推送给设计人员合适的设计知识，从而实现跨学科知识服务的个性化、高效化和智能化。