李杰:大数据是中国搭上第四次科技革命快车的最大资本

中国错过了前三次工业革命,又一轮工业革命到来之际,中国要走什么样的门路?

第四次科技革命的到来为各个国家提供了生长和转型的时机,无疑将成为天下各国竞争的新战场。无论是德国提出的“国家战略”,照样美国的“国家制造业创新网络设计”,抑或是日本的“工业价值链设计”,无不围绕着制造业这个焦点。中国若何实现智能制造?

“工业智能化,美国靠软件、德国靠机械、日本靠人、中国靠数据。中国最大的数据量来自工业,远超阿里巴巴和谷歌。大量的数据都在中国搜集,这无疑给了中国制造最好的资源优势。行使好这一资源,才气填补中国在装备制造和焦点零部件等方面的弱势与短板。”美国辛辛那提大学特聘讲座解说、美国国家科学基金会智能维护系统研究中央(IMS)主任李杰教授对中国制造给出了许多有益建议,并接受了汹涌新闻的专访。

在制造系统和商业环境变得日益重大的今天,行使大数据去解决问题和积累知识或许是加倍高效和便捷的方式。“大数据的目的并不是追求数据量大,而是通过系统式的数据网络和剖析手段,实现价值的最大化。以是推动智能制造的并不是大数据自己,而是大数据的剖析手艺,”李杰在采访中再三强调,数据自己不会语言,也不会直接缔造价值,真正为企业带来价值的是数据经由实时剖析后实时地流向决议链的各个环节,或是成为面向客户缔造价值服务的内容和依据。

大数据若何详细推动智能制造?

李杰告诉汹涌新闻记者,可以从三个偏向看这一问题。“第一个偏向是行使大数据剖析,从解决问题到制止问题。”

20世纪80年代,美国制造受到了德国和日本的伟大打击,尤其是在汽车制造行业,德国和日本的汽车以更优的质量和更好的舒适度迅速占领了美国市场。令美国厂商百思不得其解的是,美国在生产手艺、装备、设计和工艺方面并不比德国和日本差,在汽车制造领域积累的时间甚至跨越他们,然则为什么美国汽车的质量和精度就是赶不上人家?

在那个时候,质量治理已经在汽车制造领域十分普及了。光学丈量被应用在产物线上以后,在零部件生产和车身装配的各个工序已积累大量的丈量数据。但问题是,即便丈量十分精准,在各个工序和零部件生产、车身装配都举行严酷的质量控制,可在组装完毕后依然有较大的误差。于是美国的汽车厂商不得不花大量时间频频修改和匹配工艺参数,最终的质量却依然不稳定,时常泛起每一个工序都在质量控制范围内,但最终的产物质量依然不能达标。

李杰告诉汹涌新闻记者,针对这一难题,上世纪90年代他们与美国密歇根大学吴贤铭教授一起发起了“2mm”工程来解决这一问题。什么是“2mm”工程?李杰注释:“就是行使统计科学对这些重大的丈量数据举行剖析,对质量误差的积累历程举行剖析和建模,从而注释误差的泉源并举行控制,使车身颠簸降低到所有要害尺寸质量的6-sigma值必须小于2mm,2mm是那时理论上的精度控制极限值。”

在引入上述数据剖析对质量举行治理和控制的方式后,产物的设计周期和成本得以大幅降低,而且产物质量的周详度和稳定性也得以显著提升。1992年12月,一个位于美国密歇根州底特律市的装配工程陈宫实现了2mm转变级,并第一次将2mm工程乐成市场化。李杰示意,这一方式并不需要大量的硬件投入和生产线的改变,实行的成本异常低廉,但发生的效果显著,因而被普遍推广到飞机制造、发动机制造和能源装备等各种制造领域,对美国制造精度的提升起到了主要的推动作用。

大数据推动智能制造的第二个偏向,是行使大数据展望隐性问题,在问题成为显性前就举行解决。

若是将露出海面的冰山比作可见问题,那么硬性问题就是隐藏在冰山下的恶魔。李杰用冰山模子向汹涌新闻记者先容了制造系统中可见与不能见的问题。

“生产系统中存在着不能见因素的影响,好比装备性能的衰退、精度的缺失、易耗件的磨损和资源的虚耗等。而可见的影响因素往往是不能见因素积累到一定水平所引起的,好比装备的衰退最终导致停机、精度的缺失最终导致质量偏差等。”李杰示意,对这些不能见因素举行展望和治理是制止可见因素影响的要害。“可以从数据当中抽象提取出的、与判断某一事物的状态或属性有较强关联的、可被量化的指标。常用的特征包罗时域信号的统计特征、波形信号的频域特征、能量谱特征、特定工况下的信号读数等。在一个坐标系中这些特征的漫衍就划分了若干区域,这其中既有康健状态的漫衍区域,也有差别故障模式下的漫衍区域。”

“当我们将这些区域划分建模时,在制造系统的运行历程中这个漫衍可能会逐步偏移,这时与正常状态和某一类异常状态可能有所重叠,那么其与正常状态的相似水平就代表它的康健值,与故障状态的相似水平就代表了其故障风险,我们可以将这个相似水平举行量化。随着时间的推移,这个漫衍可能会有逐步向某一个状态生长的趋势,我们所量化的效果就形成了一个时间序列,这个时间序列代表的就是衰退的轨迹,进而对这个趋势的未来生长举行展望,就可以推断出在未来的什么时间会发生什么问题或故障,”李杰先容。

因此美国辛辛那提大学NSF产学研互助智能维护研究中央提出并生长了针对预诊断与康健治理的工具箱,将普遍使用的智能剖析算法整合在一起,而且评估每一个算法在不用情形下的优势和劣势,接纳一种系统化的方式把每个算法的适用度举行优先级排序,从而减少了现实应用开发中频频试验的次数。

“第三个偏向,就是行使反向工程,从效果中找到缘故原由”,李杰总结。李杰依然以航空发动机为例:“事实上航空发动机真正的科技与挑战都是隐藏在‘看不见的天下’中,其中的‘隐性科技/杀手’就存在于包罗航空发动机、半导体制造和周详元器件等领域里最尖端而且最富挑战的焦点和要害手艺。由于人们不领会它存在的缘故原由和激活的条件,它们都隐藏在不稳定、非线性、瞬态和随机的工况与历程之中。”

譬如,在同样一张图纸上所界说的厚度及其分配曲线是明确的、清晰的。然则差别的厚度及分配对部件的性能、平安性、可靠性及持久性是隐形的科技。“若何去找出一个最优化的厚度分配,其自己就是一个异常具有挑战性的问题。所谓先进科技就是若何挖掘这些隐性杀手,然后控制住所有可激活的条件。大数据可以辅助我们杀青这个目的。”

1989年7月19日,一架从丹佛腾飞设计飞往芝加哥奥黑尔国际机场的道格拉斯三引擎客机DC-10,在飞到爱荷华的玉米田上空时二号引擎空中爆炸,导致了机上296人中的111人不幸遇难。观察职员发现,是由于引擎中的风扇盘破碎,导致了事故的发生。

针对疲劳裂纹发生的区域举行更深入的剖析后发现,导致风扇盘损坏的罪魁祸首是钛合金叶盘中混入的少量氮元素与氧元素。这些杂质若是泛起在钛合金的部件之内就会增添它的脆性,使其容易在受力的情形下发生裂纹。纵然引擎部件裂纹的检测包含在引擎的例行检查项目之中,但该风扇盘的裂纹发生的地方极难察觉,导致了事故的发生。

“风扇盘制造历程发生的缺陷或许才应该是事故发生的需要因素,但又不组成充实的条件。由于在老化的历程中,许多隐形特征(疲劳与应力特征)的加入,导致了最后事故的发生。”

李杰在《从大数据到智能制造》中详细分享了多例案例。“航空发动机的平安、可靠及持久性很大水平上建立在有时率之上。为了更好熟悉和控制那些‘隐形的特征’,不仅需要提升设计、质料、制造、维护以及测试的手艺水平,更需要主动地对它举行监控与展望,获取部件现实的运行特征曲线,进而展望其故障发生的可能性。”李杰提出,工业互联网与大数据为这种基于不确定性与概率的特征评估提供了手艺基础。

李杰告诉汹涌新闻记者,大数据在智能制造中的典型应用场景还包罗加速产物创新、生产系统质量的展望性治理、产物康健治理及展望性维护、能量治理、环保与平安、工业企业优化、产物正确营销、智能装备和生产系统的自省性与自重构能力等。

中国制造业转型的偏向在那里?

李杰给出了三个偏向划分适用的几种情形。“‘从解决问题到制止问题’这一偏向适合在某一个领域已经做了良久,有了一定的积累,然则却不知道为什么做得好或是欠好。好比中国的离散制造、周详加工、汽车制造、装配制造等领域;第二个偏向展望隐性问题,适用于在解决了可见的问题之后,仍然存在一些不能见问题对制造系统造成的影响,希望能够领会不能见因素的转变历程和相互的关联性,积累加倍深入的领域知识;而在制造基础异常微弱的领域,并没有形成太多有用的数据,然则从外洋聘请了异常有履历和知识的人,则可以实行反向智能制造。”

最近,“提升供应侧质量”成为中国政府在重整制造业中的主要改造行动。李杰以为,用“制造竞争力=产物质量/成本”这个简朴的公式可以权衡供应侧的质量。

“提升产物质量的方式有许多种,然则我以为中国制造现在最需要提升的是标准化、规范化和合理化,至于是应该使用自动化、信息化、机械换人,照样工匠精神等方式,应该视详细的行业和企业的情形而定。”

李杰特意指出,工匠精神未必一定是好的,好比最注重工匠精神的日本,许多企业由于过于严苛地追求性能指标的极致而投入了大量不需要的成本,使性能比其他产物凌驾1倍,但其价值可能是导致商品的价钱凌驾了3-5倍,这样的产物显然也是不具备竞争力的。“在纰谬成本加以限制的情形下任何一个企业都能够做出质量和性能很高的产物,然则物美的同时做到价廉就很难了,这是一个重大的系统工程,需要对生产系统的各个方面举行优化。

除此之外,中国制造业的供应侧质量改造,李杰建议可以从两个偏向举行实验:“一是从以往的依赖投资拉动需求,转变为以主控式创新的头脑挖掘市场潜在的需求;二是将资源要素向价值链上游转移,增添基础科学研究领域的投入,研究与产物开发平衡生长,在生产系统上游的要素中取得更多的话语权,逐渐从价值链的较低端向高端环节转移。”

“我们信赖中国会成为新制造革命的中央,由于大数据将成为中国继人口盈利之后的又一大竞争优势,中国应该行使好使用数据的资源,才气填补中国在装备制造和焦点零部件等方面的弱势,做到让天下向中国学习在制造系统中创智和创值的履历。”李杰说。

留下评论