工程师在大数据世界中也占有重要地位

文章来源:MM《现代制造》 发布时间:2017-09-11
分享到
一些行业专家在展望EMO Hannover 2017及其主打的“工业4.0时代”时,怀有一种复杂的情感:他们担心工业4.0将涌现出各种用于大数据的算法和方案,最终使专家变得无用武之地。

别担心!亚琛工业大学机床试验室的高级工程师Alexander Epple和Michael Königs对这一担忧是这样回答的。在本次访谈中,他们预测大数据与专家的技术知识之间,将会产生积极的相互作用。

“在分析中学习”:在大数据的实际应用中,对判断分析工作是否成功起决定性作用的是,能快速分辨出所记录信号数据质量的科学工作者

Epple先生,作为一位高级工程师,您主管机床数据分析和NCE技术部门的工作。这一职位如果由一位数学家担任,难道不是更合适吗?

Alexander Epple:首先得承认,通过强大的算法和高超的计算能力,数学家能从抽象程度非常高的角度看待问题。这些能力在分析大数据时也是很有帮助的。在生产行业中对应于各种机床和工序有着各种非常不同的数据,因此同一个工序很难适用于其他机床。在这种情况下,纯粹的统计学方法用处不大,而抽象的大数据方法在生产环境下,很快就会显示出局限性。更有用的做法是将大数据与生产技术知识联系起来,例如,以模型的形式。这就是为什么工程师在大数据世界中仍会占有一席之地。

您的团队是否反映出了这一跨学科的方法?

Epple:我的团队中共有六位研究员,包括资深的程序员和设备技术员。我们的团队实际上就是跨学科的:除机床结构专家外,我们团队中还有IT专家和电气工程师。此外我们与Marcel Fey博士以及他的机床技术部门有非常密切的合作,他的部门在模型方面是首屈一指的全能专家。我们总共有大约30位研究员。这已足够我们根据想法开展实践。

这种跨学科的方法在实际中普及的怎样?

Michael Königs:长期以来,在机床试验室的各个方面,特别是在模拟领域,已经存在多支跨学科团队。在其他大学或研究机构,也采取这种方式。但我们也注意到,在基于模型的数据处理环境下,跨学科团队不再仅仅是一个选择。很明显,在未来这种合作是不可避免的。只有将来自不同专业领域的方法和模型建立联系并协调起来,才能充分发挥数据评估的潜力。总而言之,跨学科的方式不会消失,而且在未来会变得更为重要。

Königs先生,您是一位信息科学家:在机床构造世界里,您如何开展工作呢?

Königs: 在实际应用中,能快速分辨出所记录信号的数据质量,对于分析工作的成功是有决定性作用的。与普遍的看法相反,并不是所有的东西都可以从数据中发掘出来的。比如说,机床的测量系统可提供位置数据,但它提供的仅是铣削加工时真实刀具轨迹的近似值。一般来说,因所使用的机床中铣削力、几何学、运动学不够准确的缘故,是不可能就偏转角度得出结论的,模型知识弥补了纯信号数据所丢失的信息。只有这种处理过的数据集,可适用于对仍在进行加工的最终工件质量进行预测。

亚琛工业大学机床试验室的高级工程师Alexander Epple:“纯粹抽象的大数据方法,在生产环境下很快就会显示出局限性。更有用的做法是将数据与生产技术知识联系起来。”

传感器和高性能评估电子设备的数量不断增加,工业4.0引领行业用户通过透明生产设备生成大数据。是如何从机床等设备处,收集原始数据的呢?老式无传感器的机床是否能改造、加装传感器呢?

Epple:有几项科学计划正在研究如何改造老式的机床。除此之外,我们目前首要研究的还是将传感器技术植入到机床中。除电机电流外,每台机床还记录下当前的轴线位置。通常还会安装其他一些直接和间接的测量系统。例如,通过传感器收集的信号,我们可以算出加工进行中的振颤倾向。还可以计算出铣削力和组件应力,用来制定维修策略。这些均可用于老式和新式的机床系统。

但“大”不一定就是“好”:实时收集一个加工中心100%的数据(每毫秒35个特征值),意味着仅一年的数据量就会达到5.8TB之多。您如何从中找出感兴趣的数据呢?

Königs:为提取出感兴趣的信息和特征值,我们使用了统计学方法和我们自己研究的算法,这种算法用于将专业知识综合在一起。连续收集数据最终会导致堆积大量的数据,总体来说确实如此。我们目前正进行着一些试验,试验中并非以最大的采样速度连续采样,而是仅在某段时间、某些情况之后进行采样,或者针对某些工序进行采样,以确定这样做的可行性。其他方法包括通过找出特征变量来压缩数据量的方法,以及慎重对待巨大数据量,使用合适的数学算法来检测准确率的方法。至于哪种方法能得出最好的结果,取决于具体应用。

亚琛工业大学机床试验室的高级工程师MichaelKönigs:“模型知识弥补了纯信号数据所丢失的信息。”

普通的计算机硬件是否能处理这种数量的数据?是否有必要使用超级计算机?

Königs:在我们各自的专业中,专家制作好单个或局部模型后,使用得当的话,目前的技术已经够用了。但另一方面,涉及范围广泛、将这些模型的应用联系在一起的跨专业方法,会很快超越现有硬件的局限。出于这些需要,可专门制作一种云环境,在这种云环境中,可将统计和物理激发的单个模型结合起来,并将它们与需要导向的计算资源一起运行,这样即可提供必要的连通性和必要的计算能力。我并不认为这种环境只有借助于量子计算机才能实现。

弗劳恩霍夫生产设备与设计技术部门的研究人员认为,更明智的作法是就近智能选择保存的数据,然后将精简后的数据集、关键词、智能数据发送到云端。你是否认同?

Epple:基本上来说,我赞同这一想法。我们机床试验室也在关注这种在机床系统附近就地预处理数据,进行解读随后精简为智能数据的方法。这种本地数据处理的好处是显而易见的。不过,也有一些公司在中央系统中,比如“云”保存和处理所有的原始数据。

您认为“云”是什么,该如何使用它们呢?

Epple:我将“云”理解为一种按需网络访问的模型,独立存在,对可配置的IT资源共享进行访问,这些资源可按所有人的需要使用。除网络带宽和计算机硬件外,还包括服务和应用程序。在大数据环境下,云平台由于其可扩展性和分析算法的通用性,为过大、过复杂、过于周期性结构化或异质化数据量的下行评估提供了良好的先决条件,有助于人工评估或使用传统的数据处理方法进行评估。不过在某些情况下,上行数据传输存在技术上的挑战。相对来说,如果数据必须发送出去的话,在机床上设置一个本地数据收集系统更为容易些。无疑这在维护方面和数据转出方面会有明显的优势,缺点是数据传输的带宽是个严重问题。本地数据处理和压缩可缓解这个问题。然而,在每次压缩数据时,都会出现信息丢失的情况:这在目前看来也许不那么重要,但对于未来的应用来说是决定性的。人们总是有后见之明,有时数据损失,反而有助于解释某种现象。

两种方法都有其优点,采用哪种方法取决于应用合作伙伴的战略。总体来说,我们对数据在云端存储持怀疑态度。不过还有个可能性是建立一个本地的“公司云”。

SAP公司和思科公司、华为公司一起,建立了一个大数据客户端,用来与CNC同步收集和保存所有的数据。您是如何与SAP公司的专家结成合作关系的?

Epple:这一密切的合作关系是由SAP公司倡导的,原因是他们当时正在寻找生产技术领域的研究合作伙伴,他们要求这一伙伴不仅要有优秀的基础研究能力,还要有与工业企业合作一年以上的经验。我们在客户计划中从各种方面为SAP公司提供了支持。结果让我们大吃一惊,通过与SAP公司在德国汽车行业传动链领域的合作,我们不仅提高了30%的生产效率,还大幅度减少了废品率。在航空航天领域,我们的生产效率也几乎提高了30%。我们甚至帮助德国一家大型机械制造商提高了150%的生产率。

您最常听到的疑问是什么?

Epple:机床操作员、工序开发人员和质量工程师经常会担心他们的专业知识在未来会无用武之地。但按我们的看法,专家仍然是生产中永远的决策者。因为他们了解各种限制因素,而这些限制因素是数据完全无法说明的。数据评估必须尽可能为操作人员作出决策提供支持,包括使用合适的机床或加工状态的可视化方法。使用新的解决方案后,操作人员将节省大量的工序数据的寻找和预处理所花的时间,而这些原本花费的时间几乎无法带来附加值。

使用大型云平台比较好,还是使用公司云平台比较好?——这取决于使用者的战略

金属制造和加工占用了大量的工作和时间。使用大数据改进的虚拟样机或可视化调试,是否已能减少进行真实试验的次数,或者说完全代替真实试验?

Epple:当然,大幅度减少进行真实试验的次数是有可能的。我们认为,从数据中学习,辅之以模型的帮助,这一方法有着非常巨大的潜力。

收藏
赞一下
0