摘 要：著重探討了基于機器學習，特別是神經(jīng)網(wǎng)絡和遺傳算法的智能控制系統(tǒng)在注塑模具設計與制造中的具體應用。該系統(tǒng)通過神經(jīng)網(wǎng)絡對注塑模具的相關數(shù)據(jù)進行深度學習，同時結合遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的權重和偏置，旨在提高其針對注塑模具設計與制造的預測準確度和泛化能力。實驗數(shù)據(jù)顯示，此系統(tǒng)在注塑模具的設計與制造過程中響應迅速、運行穩(wěn)定，且能有效降低生產(chǎn)成本，顯著提升生產(chǎn)效率?？傮w而言，所研發(fā)的智能控制系統(tǒng)為注塑模具設計與制造行業(yè)的智能化升級提供了強大的技術支持，顯示出明顯的優(yōu)勢和實際應用價值，有望為注塑模具行業(yè)的創(chuàng)新發(fā)展注入新的動力。

關鍵詞：機器學習；模具設計與制造；神經(jīng)網(wǎng)絡；遺傳算法；智能控制系統(tǒng)

中圖分類號：TG248

文獻標識碼：A

Application of intelligent control system based on machine learning in mold design and manufacturing

YUN Juanni

（Xi’an High-Tech Vocational College，Xi’an 713700， Shaanxi， China）

Abstract： This paper focuses on exploring the specific applications of intelligent control systems based on machine learning，particularly neural networks and genetic algorithms，in the design and manufacturing of injection molds. This system employs neural networks for deep learning of relevant data related to injection molds，while optimizing the weights and biases of the neural networks using genetic algorithms. The aim is to enhance the prediction accuracy and generalization ability specifically tailored to the design and manufacturing of injection molds. Experimental data demonstrates that this system responds quickly，operates stably，and can effectively reduce production costs and significantly improve production efficiency in the design and manufacturing process of injection molds. Overall，the intelligent control system developed in this paper provides strong technical support for the intelligent upgrading of the injection mold design and manufacturing industry，showing significant advantages and practical application value，and is expected to inject new momentum into the innovative development of the injection mold industry.

Key words： machine learning; mold design and manufacturing; neural networks; genetic algorithms; intelligent control system

0 引 言

模具設計與制造是現(xiàn)代工業(yè)生產(chǎn)不可或缺的一環(huán)，對于推動工業(yè)技術創(chuàng)新和產(chǎn)品升級具有舉足輕重的作用。然而，隨著市場競爭的不斷加劇和客戶需求的日趨多樣化，傳統(tǒng)的模具設計與制造方式已難以應對高效、精確和個性化的生產(chǎn)需求^［1］。因此，行業(yè)亟需轉(zhuǎn)型升級，智能控制系統(tǒng)的引入正是這一轉(zhuǎn)型的關鍵所在。智能控制系統(tǒng)的高效、智能和自適應性，使其逐漸滲透到模具設計與制造的各個環(huán)節(jié)中^［2］。此系統(tǒng)不僅提升了生產(chǎn)效率，降低了人工成本，更能在確保產(chǎn)品質(zhì)量的同時，為企業(yè)提供更為靈活和定制化的生產(chǎn)方案^［3］。在當前工業(yè)4.0與智能制造的浪潮下，智能控制系統(tǒng)的應用顯得尤為重要。

智能控制系統(tǒng)的核心在于其算法和模型的優(yōu)化，而機器學習技術的快速發(fā)展為此提供了新的契機^［4］。神經(jīng)網(wǎng)絡與遺傳算法的結合，可以為智能控制系統(tǒng)的進一步優(yōu)化注入新的活力。神經(jīng)網(wǎng)絡憑借其強大的學習和泛化能力，能夠在模具設計與制造中預測模具性能、優(yōu)化設計方案等^［5］。而遺傳算法，通過模擬自然選擇和遺傳學機制，以及在復雜環(huán)境中找到全局最優(yōu)解，進而優(yōu)化模具的結構參數(shù)和材料選擇。本研究將神經(jīng)網(wǎng)絡與遺傳算法相融合，構建了一種基于機器學習的智能控制系統(tǒng)。該系統(tǒng)能智能優(yōu)化模具設計與制造過程中的各種參數(shù)，并根據(jù)實際需求進行自適應調(diào)整，旨在提升生產(chǎn)效率和產(chǎn)品質(zhì)量。同時，本研究將深入探究此智能控制系統(tǒng)在實際操作中的可行性和成效，以期為模具設計與制造行業(yè)的智能化革新提供新的視角和解決方案。

本文將系統(tǒng)闡述此智能控制系統(tǒng)的具體構建、實驗驗證及實際應用成果。期望能為模具設計與制造行業(yè)的智能化提供有益的參考。

1 理論基礎

1.1 機器學習概述

機器學習主要研究如何通過計算機程序讓計算機從數(shù)據(jù)中學習并自動改進其性能。其核心在于，通過學習大量數(shù)據(jù)中的規(guī)律和模式，使計算機能夠自動地做出預測或決策，而無需進行明確的編程^［6］。在模具設計與制造領域，機器學習的應用主要體現(xiàn)在對設計參數(shù)的優(yōu)化、生產(chǎn)過程的智能控制以及產(chǎn)品質(zhì)量的預測等方面^［7］。通過學習歷史數(shù)據(jù)，機器學習模型能夠自動找到最優(yōu)的設計方案和生產(chǎn)工藝，提高生產(chǎn)效能^［8］。

1.2 神經(jīng)網(wǎng)絡的基本原理

神經(jīng)網(wǎng)絡是一種模擬人腦神經(jīng)元結構的計算模型，由多個神經(jīng)元（或稱為節(jié)點）相互連接而成^［9］。每個神經(jīng)元接收來自其他神經(jīng)元的輸入信號，并根據(jù)這些信號產(chǎn)生輸出。通過調(diào)整神經(jīng)元之間的連接權重，神經(jīng)網(wǎng)絡能夠?qū)W習并模擬復雜的非線性關系。

在模具設計與制造中，神經(jīng)網(wǎng)絡可以被用于預測模具的性能、優(yōu)化設計方案等^［10-11］。例如，通過訓練一個神經(jīng)網(wǎng)絡模型來預測不同設計參數(shù)下模具的性能表現(xiàn)，從而找到最優(yōu)的設計方案。此外，神經(jīng)網(wǎng)絡還可以用于對生產(chǎn)過程進行智能控制，通過實時監(jiān)測生產(chǎn)數(shù)據(jù)并調(diào)整控制參數(shù)，以確保生產(chǎn)過程的穩(wěn)定性。

1.3 遺傳算法的基本原理

遺傳算法是一種模擬生物進化過程的搜索啟發(fā)式算法。它通過模擬自然選擇和遺傳學原理，在復雜的搜索空間中找到全局最優(yōu)解。具體來說，遺傳算法通過編碼問題空間中的可能解為染色體（即個體），并初始化一個由多個個體組成的種群。然后，通過選擇、交叉（雜交）和變異等操作，模擬生物進化過程中的自然選擇和遺傳變異機制，不斷迭代優(yōu)化種群中的個體，最終找到全局最優(yōu)解。

在模具設計與制造中，遺傳算法可以被用于優(yōu)化模具的結構參數(shù)、材料選擇等問題^［12］。例如，將模具的結構參數(shù)編碼為染色體，通過遺傳算法找到最優(yōu)的結構參數(shù)組合，提高模具性能。

1.4 神經(jīng)網(wǎng)絡與遺傳算法的結合

神經(jīng)網(wǎng)絡和遺傳算法的結合為智能控制系統(tǒng)的優(yōu)化提供了新的思路。具體來說，可以利用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡的權重和偏置等參數(shù)，從而提高神經(jīng)網(wǎng)絡的預測性能和泛化能力。這種方法被稱為神經(jīng)網(wǎng)絡的遺傳優(yōu)化（GA-NN）。

在模具設計與制造中，GA-NN可以被用于預測和優(yōu)化模具的性能。首先，利用神經(jīng)網(wǎng)絡建立一個預測模型，用于預測不同設計參數(shù)下模具的性能表現(xiàn)；然后，利用GA-NN的參數(shù)，來提高預測模型的準確性；最后，通過優(yōu)化后的預測模型找到最優(yōu)的設計方案和生產(chǎn)工藝。

2 方法論

本節(jié)將重點介紹所選用的機器學習方法、神經(jīng)網(wǎng)絡與遺傳算法的結合方式，以及智能控制系統(tǒng)的算法和模型構建。

2.1 機器學習方法的選擇

在構建智能控制系統(tǒng)時，首先需要選擇合適的機器學習方法。鑒于模具設計與制造的復雜性，本研究選擇了具有強大學習和泛化能力的神經(jīng)網(wǎng)絡作為核心算法。神經(jīng)網(wǎng)絡能夠處理復雜的非線性關系，并且通過訓練學習數(shù)據(jù)的特征，實現(xiàn)對未知數(shù)據(jù)的預測和分類。

研究采用了多層前饋神經(jīng)網(wǎng)絡（MLPNN），這是一種典型的神經(jīng)網(wǎng)絡結構，適用于處理復雜的模式識別問題。MLPNN由輸入層、隱藏層和輸出層組成，每一層都包含多個神經(jīng)元。通過調(diào)整神經(jīng)元之間的連接權重和偏置，神經(jīng)網(wǎng)絡可以學習到輸入與輸出之間的映射關系。在模具智能制造系統(tǒng)中，神經(jīng)網(wǎng)絡的應用原理如圖1所示。

2.2 神經(jīng)網(wǎng)絡與遺傳算法的結合應用

為了進一步優(yōu)化神經(jīng)網(wǎng)絡的性能，我們引入了遺傳算法（GA）。遺傳算法是一種模擬生物進化過程的搜索算法，它通過選擇、交叉和變異等操作，尋找問題的最優(yōu)解。在神經(jīng)網(wǎng)絡的優(yōu)化中，遺傳算法主要用于調(diào)整網(wǎng)絡的權重和偏置，以提高網(wǎng)絡的預測精度和泛化能力。研究中，GA-NN的運行過程如圖2所示。

設X^k_i表示第k層神經(jīng)元i的輸入總和，Y^k_i為輸出，第k－1層神經(jīng)元j到第k層神經(jīng)元i的權值為W_ij，則有如下函數(shù)關系：

Y^k_i=f（X^k_i），（1）

X^k_i=∑n+1j=1W_ijY^k－1_j，（2）

通常取f為非對稱Sigmoid函數(shù)：

f（x^k_i）=11+exp（－X^k_i）。（3）

設輸出層為第m層，則輸出層第i個神經(jīng)元的實際輸出為Y^m_i。設對應的模具信號為Y_i，定義誤差函數(shù)

e=12∑i（Y^m_i－Y_i）²。（4）

將神經(jīng)網(wǎng)絡的權重和偏置編碼為遺傳算法的個體（即染色體），并初始化一個種群。然后，通過選擇、交叉和變異等操作，不斷更新種群中的個體，以尋找最優(yōu)的權重和偏置組合。在每一次迭代中，都會評估每個個體的適應度（即神經(jīng)網(wǎng)絡的預測精度），并根據(jù)適應度選擇優(yōu)秀的個體進行繁殖^［13］。通過不斷的迭代和優(yōu)化，可以得到一組最優(yōu)的權重和偏置，從而提升神經(jīng)網(wǎng)絡的性能。

本文主要采用GA優(yōu)化模具制造控制系統(tǒng)的智能調(diào)度處理，目標函數(shù)表示為：

min T=（1－μ）∑_xiβ_iδ²_m－μ∑_xiA_is.t. ∑_xi=1，（5）

其中，x_i代表第i個優(yōu)化目標的權重。GA的收斂性主要取決于交叉算子，交叉保證了GA的全局搜索能力，本文的GA采用浮點數(shù)編碼，交叉算子按下式采用非一致線性交叉：

x′₁=r₁x₁+（1－r₁x₂）

x′₂=r₂x₂+（1－r₂x₁），（6）

其中，r₁∈（0，1）， r₂∈（0，1）都是隨機產(chǎn)生的。從整個進化過程來看，交叉概率應隨進化代數(shù)的增加逐漸變小，最后趨于某一穩(wěn)定值。自適應調(diào)整交叉概率

P_c=12+0.8ln G+?，（7）

式中，G為進化代數(shù)；?為交叉概率的收斂極限。

在確定了機器學習方法和優(yōu)化算法后，構建智能控制系統(tǒng)的算法和模型。首先，對模具設計與制造過程中的關鍵參數(shù)進行提取和預處理，以形成神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)。這些參數(shù)可能包括模具尺寸、材料性能、工藝條件等。接下來，利用歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練。在訓練過程中，采用反向傳播算法來調(diào)整網(wǎng)絡的權重和偏置。通過不斷的迭代和優(yōu)化，神經(jīng)網(wǎng)絡可以逐漸學習到輸入與輸出之間的映射關系，并實現(xiàn)對未知數(shù)據(jù)的預測和分類。

在智能控制系統(tǒng)的算法和模型構建完成后，將其應用于模具設計與制造的實際問題中。在模具設計階段，利用訓練好的神經(jīng)網(wǎng)絡對不同的設計方案進行評估和預測，從而選擇最優(yōu)的設計方案；在模具制造階段，利用智能控制系統(tǒng)對生產(chǎn)過程進行實時監(jiān)控和調(diào)整。

3 實驗與分析

3.1 實驗環(huán)境和步驟

3.1.1 實驗環(huán)境

為了驗證基于機器學習的智能控制系統(tǒng)在模具設計與制造中的實際效果，進行了一系列實驗。表1展示了實驗的軟硬件環(huán)境。

3.1.2 實驗步驟

1） 數(shù)據(jù)收集與預處理

數(shù)據(jù)收集，針對注塑模具的設計與制造過程，收集以下相關數(shù)據(jù)：模具的尺寸參數(shù)、材料類型、設計復雜度、歷史制造數(shù)據(jù)（包括制造時間、成本、質(zhì)量等），以及對應的客戶需求和市場趨勢數(shù)據(jù)。

數(shù)據(jù)預處理，對收集到的數(shù)據(jù)進行清洗，去除異常值和重復數(shù)據(jù)。對于缺失的數(shù)據(jù)，采用均值填充或其他合適的插值方法。同時，對數(shù)據(jù)進行歸一化處理，以確保所有數(shù)據(jù)都在相同的量度范圍內(nèi)。

2） 模型訓練與優(yōu)化

神經(jīng)網(wǎng)絡模型訓練，使用收集到的數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型，該模型旨在學習模具設計與制造過程中的復雜關系。

遺傳算法優(yōu)化，為提高模型的預測準確度和泛化能力，應用遺傳算法對神經(jīng)網(wǎng)絡的權重和偏置進行優(yōu)化。

3） 系統(tǒng)集成

將經(jīng)過優(yōu)化的神經(jīng)網(wǎng)絡模型集成到本文的智能控制系統(tǒng)中，確保系統(tǒng)可以實時、準確地為注塑模具的設計與制造提供決策支持。

4） 設定實驗指標

為評估智能控制系統(tǒng)的性能，確定以下評估指標：響應時間、系統(tǒng)穩(wěn)定性、生產(chǎn)成本和生產(chǎn)效率。

5） 實驗執(zhí)行

在真實的注塑模具設計與制造環(huán)境中運行智能控制系統(tǒng)，并詳細記錄各項實驗數(shù)據(jù)，包括系統(tǒng)的響應時間、生產(chǎn)過程中的穩(wěn)定性、每批次模具的生產(chǎn)成本和生產(chǎn)效率等。

6） 實驗過程展示與數(shù)據(jù)分析

實驗過程展示，在實驗期間，持續(xù)監(jiān)控并記錄了智能控制系統(tǒng)在注塑模具設計與制造過程中的實際表現(xiàn)。通過實時數(shù)據(jù)和視頻記錄，可以清晰地展示系統(tǒng)如何在實際操作中發(fā)揮作用。

數(shù)據(jù)分析，對實驗數(shù)據(jù)進行深入的統(tǒng)計分析，比較使用智能控制系統(tǒng)前后的性能差異。通過對比實驗數(shù)據(jù)，可以明確看到系統(tǒng)在響應時間、穩(wěn)定性、生產(chǎn)成本和生產(chǎn)效率方面的提升。

3.2 實驗結果

3.2.1 響應時間測試

系統(tǒng)的響應時間直接關系到用戶體驗和系統(tǒng)效率。記錄了從用戶發(fā)出指令到系統(tǒng)做出反應所需的時間，并對多次測試的結果進行了平均處理。測試結果如圖3所示。圖中的橫坐標代表負載水平，即系統(tǒng)數(shù)據(jù)處理量，反映了負載從輕到重的過程。縱坐標代表響應時間，其單位是秒（s）。響應時間是評價系統(tǒng)性能的關鍵指標，它反映了系統(tǒng)對請求或操作的反應速度。TEST 1、 TEST 2、 TEST 3代表對本文提出的智能控制系統(tǒng)方法進行的3次測試。

圖3清晰地展示了系統(tǒng)的響應時間分布情況。本文提出的智能控制系統(tǒng)的響應時間較短。這意味著在實際應用中，系統(tǒng)能夠快速地響應用戶的操作或外部變化，從而提供流暢、高效的用戶體驗。

3.2.2 穩(wěn)定性測試

系統(tǒng)的穩(wěn)定性也是評價其性能的重要指標之一。為了評估系統(tǒng)的穩(wěn)定性，在不同負載和外部干擾條件下進行了長時間的運行測試。穩(wěn)定性是用于衡量系統(tǒng)在持續(xù)運行過程中保持其性能和服務能力的度量。這個指數(shù)越高，表示系統(tǒng)在不同負載水平下保持其性能和功能的能力越強，即系統(tǒng)越穩(wěn)定。測試結果如圖4所示。

圖4展示了在不同負載下系統(tǒng)的穩(wěn)定性表現(xiàn)。無論在高負載還是低負載情況下，系統(tǒng)都能保持穩(wěn)定運行，且受外部干擾的影響較小。這得益于采用的神經(jīng)網(wǎng)絡和遺傳算法相結合的優(yōu)化方法，使得系統(tǒng)能夠更好地適應各種復雜環(huán)境，確保穩(wěn)定運行。

3.2.3 生產(chǎn)成本對比

為了驗證本文提出的智能控制系統(tǒng)在降低生產(chǎn)成本方面的效果，對比了采用不同智能控制方案的生產(chǎn)成本情況。生產(chǎn)成本是整個生產(chǎn)過程中所產(chǎn)生的所有費用（人民幣），包括但不限于原材料費用、勞動力成本、設備折舊費用、能源費用等。對比結果如圖5所示。

通過對比圖5中的數(shù)據(jù)，可以清晰地看到，采用本文提出的智能控制系統(tǒng)后，生產(chǎn)成本明顯降低。這主要得益于系統(tǒng)能夠精準地預測和調(diào)整生產(chǎn)過程中的各種參數(shù)，從而減少物料浪費、提高設備利用率，進而降低生產(chǎn)成本。

3.2.4 生產(chǎn)效率對比

最后，對比采用不同智能控制系統(tǒng)的生產(chǎn)效率情況。測試結果如圖6所示。事務集涵蓋了從原材料采購、生產(chǎn)加工到產(chǎn)品檢驗等各個生產(chǎn)環(huán)節(jié)。每個點代表一個特定的事務集編號，便于追蹤和分析不同生產(chǎn)環(huán)節(jié)對成本的影響。

從圖6中可以看出，采用本文的智能控制系統(tǒng)后，生產(chǎn)效率得到了顯著提升，提升了15%以上。這主要歸功于系統(tǒng)能夠快速、準確地調(diào)整生產(chǎn)流程中的關鍵參數(shù)，優(yōu)化生產(chǎn)過程，從而提高生產(chǎn)效率。同時，系統(tǒng)的穩(wěn)定性和高效性也為生產(chǎn)效率的提升提供了有力保障。

4 結 論

本研究通過結合神經(jīng)網(wǎng)絡和遺傳算法，成功構建了一種基于機器學習的智能控制系統(tǒng)，并將其應用于模具設計與制造領域。經(jīng)過一系列實驗驗證，該系統(tǒng)在響應時間、穩(wěn)定性、生產(chǎn)成本和生產(chǎn)效率等方面均表現(xiàn)出色。

實驗結果顯示，該智能控制系統(tǒng)的響應時間較短，能夠快速地對輸入做出反應，確保了實際生產(chǎn)中的高效運作。同時，系統(tǒng)展現(xiàn)出高穩(wěn)定性，即使在復雜多變的負載和外部干擾條件下，也能保持穩(wěn)定運行，這對于保障生產(chǎn)流程的連貫性和產(chǎn)品質(zhì)量至關重要。

通過對比實驗，發(fā)現(xiàn)采用該智能控制系統(tǒng)后，生產(chǎn)成本明顯降低，生產(chǎn)效率則提升了15%以上。這一成果證明了該系統(tǒng)在優(yōu)化生產(chǎn)流程、提高設備利用率、減少物料浪費等方面的有效性，為企業(yè)帶來了實實在在的經(jīng)濟效益。

綜上所述，本研究提出的基于機器學習的智能控制系統(tǒng)在模具設計與制造領域具有實際應用價值。它不僅在一定程度上能提高生產(chǎn)效率，降低生產(chǎn)成本，還增強了生產(chǎn)過程的穩(wěn)定性和靈活性，滿足了客戶的多樣化需求。

參考文獻：

［1］李克杰，李金國，蔣夢琳.注塑模具隨形水路零件制造技術進展［J］.模具技術，2023（3）：58-63.

LI K J， LI J G， JIANG M L. Progress in manufacturing technology of injection mold conformal waterway parts ［J］. Mold Technology， 2023（3）：58-63.

［2］陳勇，姜一煒，易文超，等.基于GA-BP神經(jīng)網(wǎng)絡的智能制造系統(tǒng)評價模型［J］.浙江工業(yè)大學學報，2023，51（4）：377-386.

CHEN Y， JIANG Y W， YI W C， et al. Evaluation model of intelligent manufacturing system based on GA-BP neural network ［J］. Journal of Zhejiang University of Technology， 2023，51（4）：377-386.

［3］劉亮，姚春琦，賀禹銘.基于精益數(shù)字孿生體的智能制造系統(tǒng)設計［J］.機械設計，2023，40（9）：59-66.

LIU L， YAO C Q， HE Y M. Intelligent Manufacturing System Design Based on Lean Digital Twin ［J］. Mechanical Design， 2023，40（9）：59-66.

［4］申鑫.基于模糊控制的數(shù)控沖床柔性制造自動化控制系統(tǒng)［J］.機械制造與自動化，2021，50（6）：235-238.

SHEN X. Flexible manufacturing automation control system of CNC punch based on fuzzy control ［J］. Mechanical Manufacturing and Automation， 2021，050（006）：235-238.

［5］WANG Z H，LI Y T，WU Y C. Design of intelligent manufacturing IoT sensing system for polymer process monitoring ［J］. The International Journal of Advanced Manufacturing Technology， 2023，129（7）：2933-2947.

［6］孫慧，陳永興，資陽鵬.中等高度錐形件的拉深成型工藝及數(shù)值模擬［J］.模具技術，2023（3）：29-35.

SUN H， CHEN Y X， ZI Y P. Deep drawing process and numerical simulation of medium-height conical parts ［J］. Die Technology， 2023（3）：29-35.

［7］陳林燦，巢家樂，周雄輝.基于PCM/CAE集成的虛擬裝配檢測及工藝優(yōu)化［J］.模具技術，2023（3）：1-8.

CHEN L C， CHAO J L， ZHOU X H. Virtual Assembly Inspection and Process Optimization Based on PCM/CAE Integration ［J］. Mould Technology， 2023（3）：1-8.

［8］呂航鷹，齊永杰.基于Moldflow的塑料套管注塑成型研究［J］.模具技術，2023（2）：40-45.

LU H Y， QI Y J. Study on Injection Molding of Plastic Casing Based on Moldflow ［J］. Mould Technology， 2023（2）：40-45.

［9］LIU C，TANG D，ZHU H，et al. A novel predictive maintenance method based on deep adversarial learning in the intelligent manufacturing system ［J］. IEEE Access， 2021，9：49557-49575.

［10］ChAI T Y，LIU Q，DING J L，et al. Perspectives on industrial-internet-driven intelligent optimized manufacturing mode for process industries ［J］. Scientia Sinica Technologica， 2022，52（1）：14-25.

［11］SHI M. Knowledge graph question and answer system for mechanical intelligent manufacturing based on deep learning ［J］. Mathematical Problems in Engineering， 2021（2）：1-8.

［12］WANG J，MOHAMED Y，HAN S H，et al. 3D ergonomics-based motion-level productivity analysis for intelligent manufacturing in industrialized construction ［J］. Canadian Journal of Civil Engineering， 2022，50（3）：197-209.

［13］YAN H，YANG J，WAN J. KnowIME： a system to construct a knowledge graph for intelligent manufacturing equipment ［J］. IEEE Access， 2020，8：41805-41813.