根據國標定義，柔性制造系統是數控加工設備、物料運儲裝置和計算機控制系統等組成的自動化制造系統。它包括多個柔性制造單元，能根據制造任務或生產環境的變化。

剛性生產系統是用于工件輸送系統將各種剛性自動化加工設備和輔助設備按一定的順序鏈接起來，在控制系統的作用下完成單個零件加工的復雜大系統。適合進行大批量生產，效率高、成本低、質量穩定、程序固化。

柔性制造系統則是建立在成組技術的基礎上，由計算機控制的自動化生產系統，可同時加工形狀相近的一組或一類產品。適合多品種、小批量的高效制造模式，減少毛坯和在制品的庫存量，減少直接勞動力。

柔性生產的要求涉及七大方面

第一，機器柔性。當要求生產一系列不同類型的產品時,機器隨產品變化而加工不同零件的難易程度。譬如，非標終端設施的切換、控制程序自動下載更換。

第二，工藝柔性。工藝流程不變時自身適應產品或原材料變化的能力，譬如，基于強化學習的協作機器人、機器人夾爪力度傳感器；制造系統內為適應產品或原材料變化而改變相應工藝的難易程度，譬如通過神經網絡擬合原材料、工藝和質量之間的關聯關系并確定最優解。

第三，產品柔性。產品更新或完全轉向后,系統能夠非常經濟和迅速地生產出新產品的能力；產品更新后,對老產品有用特性的繼承能力和兼容能力。譬如，模塊化設計和裝配

第四，維護柔性。采用多種方式查詢、處理故障,保障生產正常進行的能力。譬如，知識庫的建立、預測性維護

第五，生產能力柔性。當生產量改變、系統也能經濟地運行的能力。對于根據訂貨而組織生產的制造系統, 這一點尤為重要。譬如，預留工位,循環流轉工位和緩存工位

第六，擴展柔性。當生產需要的時候, 可以很容易地擴展系統結構,增加模塊,構成一個更大系統的能力。譬如，根據工藝流程，將生產流程分成不同的工位，在瓶頸工位處并行擴充才能。

第七，運行柔性。利用不同的機器、材料、工藝流程來生產一系列產品的能力和同樣的產品, 換用不同工序加工的能力。

“什么系統柔性是最高的？”是“人”，所有的柔性都是在模仿“人”。“如果自動化可以做到跟人一樣的兼容性，那么這條產線的柔性就意味著非常高了。

如何滿足各個環節的柔性？

首先是“感知”，這是人可以獲取各種信息做判斷的基礎，集成各類傳感器、機器視覺、測量設備等，產線有望獲得感知。

其次是“分析”，對采集的數據實時處理，分析挖掘后形成知識。

再次是“決策”，所謂決策就是基于“知識”的生產管理對新的數據進行推理應用，產生相應生產決策數據或指令。

最后是“執行”，就是用工業機器人、數控機床、各種專有設備完成生產的要求。

柔性制造兩個核心要素

“機器視覺”和“定位精度”是影響智能制造中柔性生產的兩大方面。

機器視覺賦予柔性生產感知的能力

實踐中可以發現，機器視覺是在產品的自動化產線中實現“感知”的重要一環，機器視覺就是用機器代替人眼來做識別、測量、檢測和語義理解。隨著人工智能技術的發展，機器視覺在工廠的應用增多，解決許多傳統機器視覺無法處理的問題。

圖像識別主要包含特征提取和分類識別。傳統提取的特征都是圖像底層的視覺特征,并且需要具備一定專業知識人員進行特征的設計與選擇，這種人工設計的特征需要經過大量的驗證后才能證明其對某一種識別任務的有效性，這也在一定程度上限制了圖像識別技術的應用。

針對傳統圖像處理算法遇到的局限，譬如以前在做一個二維碼時，首先要知道二維碼的特征，然后做圖像預處理，找到二維碼的問題，再解算二維碼的數據，這種方式存在很多缺陷。

基于二維碼特征的定位流程，背景雜亂、光照不均、透視形變、印刷質量差的二維碼則難以識別。因為背景雜亂無規律，無法有效區分檢測目標特征，此外在特定場景下目標特征發生明顯變化。

因此，需要提高特征提取能力和泛化能力。深度學習應用于機器視覺時，采用深度學習卷積神經網絡進行二維碼識別，深度神經網絡模擬人的視覺過程，前段層僅僅感知邊緣輪廓，后端不同的層不同神經元局部“興奮”生成局部特征，再到生成全景圖像。這種自動提取圖像特征的機制和類似人腦的處理過程大大改進了效果，后均能對二維碼進行正確識別，從而大大提高了機器視覺識別成功率和提高了效率。

定位精度大幅提升產線柔性的指標

可以說，機器人的絕對定位精度是其能大幅提升產線柔性的指標。人在操作時，一般是通過眼睛看到一個東西，通過大腦感知并去控制，然后用手執行動作。所以，在提高生產線柔性時也遵循這樣的思路，即加上眼睛、執行機構，兩者的精度結合來達到更好的精度。

而絕對定位精度決定了機器人能不能達到柔性生產所需達到的要求。由于每臺機器人的參數不一樣，即使是同一型號的工業機器人在加工出來后的精度也會不一樣，而在機械臂上可能存在零點零幾毫米的偏差，累計下來整臺機器人的誤差就比較大了，所以要精確知道機械臂上每一個機械零部件的精確尺寸。

如何提高機器人的絕對定位精度？

1，控制算法中可以加入重力補償和DH參數補償。

從測試立方體內選取若干個標定點，通過激光跟蹤儀獲取這若干個點的絕對位置，用以上數據計算標定后的6組 (α,a,d,θ)，24個DH參數，標定后的DH參數不再滿足pieper法則（ 4，5，6軸軸線交于一點），使用特有的逆解算法進行逆解運算，在DH參數標定以及插補流程中對重力進行補償，進一步提高全空間內的絕對定位精度。

2，強化學習算法中自己領悟出完成任務的訣竅

事實上機器人控制器算法國外廠商一直不對外開放，優化控制器算法幾乎不可能。同時國內生產的伺服電機和變速器精度不夠，短時間內大幅度提升精度不現實。但是，人工智能大家都在同一起跑線上，所以“產業智能官”大膽地提出一種想法：強化學習方案。即，使用的強化學習算法，讓機器在虛擬環境中自我學習，在訓練過程中增加大量隨機事件，讓AI在這個過程中自己領悟出完成任務的訣竅，從而避免或改善由于機器精度不夠帶來的柔性化生產過程中的性能問題。