本文作者:e-works李伟。

    当地时间2017年5月17日上午,2017美国智能制造与物联网应用考察团来到密西根州的密西根大学,近距离参观了三维技术实验室,并邀请著名华人科学家金炯华(JUDY JIN)教授进行制造制造和物联网应用培训。(金炯华:美国密西根大学博士、美国密西根大学教授、美国总统奖获得者、美国运筹与管理学会副主席、美国工业工程质量与可靠性学会主席、美国杰青)。

图1 密西根大学标志

    密西根大学是美国最早设立的公立大学之一。自1817年创立以来,至今已有180年的历史。设校之初的校址位于底特律市内,后迁至Ann Arbor-即现址所在,扩充发展成拥有3万多名学生,3千多名教职员工的庞大学术机构。若加上两所于90年代中期设立之分校﹝位于Dearborn and Flint﹞,学生人数达5万多人。除了在量方面的发展,密西根大学在质方面的发展也一样成果显著。根据US News & World Report在2000年的排名,在工程,科学,法律,医学,企业管理等各项专业领域上的排名,也都在十名内。

实验室参观

    首先,金教授带领大家参观了实验室,大家走进实验室就好像走进了企业的车间,实验室里有很多的传统机械设备,几乎可以进行大部分的传统工艺制造。

图2 华人科学家金炯华(JUDY JIN)

    然后大家集聚在三维虚拟现实展台,展示的是一个“蛋白质的世界”,当观看者戴上眼镜后,即可看到360度空间的蛋白质立体模型,并且可以通过手柄在空间中进行各个维度的移动和放大缩小。考察团的团员也积极踊跃戴上了虚拟现实眼镜,一探“蛋白质世界”的精彩。

图3 体验三维虚拟现实

    最后,金教授带大家体会了沉浸式虚拟世界,在这个世界里无需手柄无需任何硬件,只需要戴上配备定位的眼镜即可走进一个全新的世界,这次演示的是庞贝古城(略呈长方形,有城墙环绕,四面设置城门,城内大街纵横交错,街坊布局有如棋盘)。团员纷纷加入到沉浸的虚拟世界中,领略古城风光。

图4 考察团体验沉浸式虚拟世界

智能制造培训

    金教授在工学院集成系统和研究中心担任主任,并且面向企业提供培训并给予工程硕士(提供ONLINE方式学习)和工程博士学位(强调实际应用)。重点介绍了交叉学位(主要包含自身专业的深度、广度以及企业管理),比如GM的某学生在企业里做变速箱的研究,研究内容为变速箱质量问题的后续管理(通过系统实现反馈)。

图5 考察团参加智能制造培训

    以下为培训的核心要点:

    1、工业2.0实现了批量生产,从而提出了质量要求(控制图、抽样检测、质量改进为基于统计的质量控制);工业3.0质量领域提出管理要求,在技术不断更新的前提下,建立完善了国际标准(比如先进的控制图,对于多个变量进行管控,多个传感器的应用);

    2、德国工业4.0是从底往上走,通过硬件打通软件,而美国的CPS系统,是强调现有的设备先互联,从软件打通硬件,另外中国制造2025不仅强调智能制造,还强调质量和环保;

    3、产品生命周期管理包含新材料的引入(包含纳米材料)、3D打印(打印复杂性的物件和普通物件的成本是一样的)、全球化的企业;

    4、实现决策集成的前提是实现了物理集成、信息集成的基础。工业4.0包含大数据、互联、质量等要素,IOT强调的是广泛的快速的搜索数据;

    5、智能制造应该是一个全方位的理念,应该包含生产智能化、客户服务的智能化。第一个阶段,把现有的设备联网,使得信息共享,在网络和管理层是关键;第二个阶段,工厂在任何规模都可以生产,不受规模大小的限制;第三阶段,智适应(让过去的数据和商业需求的数据来决策);

    6、质量的定义,初期是能用的就是高质量,定性不够定量,现在的质量包含过程质量,减少波动性就是高质量(减少人力物力的浪费);用户对于质量的定义也要考虑;

    7、质量数据三个阶段,描述阶段(提取)、历史数据阶段、优化阶段(比如减少负荷、局部维修,或者增加半成品的缓存);目前主要的致命质量问题包含:缺失目标、缺失长期目标、平时的质量都是表面工作、管理层经常调动、表面数据、产品成本;

    8、六西格玛的理念强调的是过程,包含目标的定义(清晰的目标)、收集哪些数据来衡量、数据的分析、提出改进措施(持续的改进)用户的质量指标非常重要,比如福特的自动停车、人性化设计(比如堵车时解决司机的焦虑等设计);

    9、质量需要交叉学科研究(大数据分析,不止是控制图,需要数据挖掘的知识;过去的质量和优化是分离的,现在提倡两方面的集成,比如从客户的满意度来提升质量控制;传感器里有用的信息才需要传递到数据库里,筛选出与质量有关的数据;质量控制与设计相关,比如仿真和模拟,复杂产品)。

    在讲解完智能制造后,金教授还介绍了她的研究课题:数据融合(DATA FUSION)。数据融合的定义:基于数据的质量控制决策,需要工程知识和统计知识充分结合,数据可从不同的源头采集,在系统层面完成优化。其主要框架包含:客户为引导的市场需求、产品样品设计以及生产过程设计、制造过程(调度管理)、检验控制、供应链优化、产品维修保证,以上环节按照六西格玛是闭环持续的过程。

图6 数据融合的关键点

    数据融合的研究步骤包含四步:第一步是数据(采集和布局),第二是提取有用的信息及统计模型(基于工程的目标,比如由于汽车装配间隙大,美国就提出了两毫米计划来进行改善),第三是基于知识经验的优化(比如同类型的产品可参考相关的经验知识来指导生产线),第四是基于知识和预测达到优化的调整。

图7 考察团在密西根大学合影留念

发表于: 2017-05-19 14:20 阅读(6318) 评论(0) 收藏 好文推荐

本博客所有内容,若无特殊声明,皆为博主原创作品,未经博主授权,任何人不得复制、转载、摘编等任何方式进行使用和传播。

作者该类其他博文:

发表评论(网友发言只代表个人观点,不代表本网站观点或立场。)

您尚未登录,请先【登录或注册