在密西根大学“进修”智能制造

本文标签: 智能制造 物联网 密西根大学 

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