技术干货｜数据科学助力制造业智能化变革

熟悉Altair的朋友应该都知道，Altair模拟仿真软件在全球处于领先地位，服务过全球16,000多家大型企业客户，在制造行业的案例经验非常丰富。今天，我将结合Altair的丰富经验与大家一起聊聊数据科学在制造业的应用，帮助制造业企业打破数据孤岛，实现数据价值。

那么，在制造业当中，数据科学或者AI能够帮助企业完成哪些业务场景呢？

我们列举了八个大的方向：

可以利用AI技术加快模拟仿真的流程，包括生产制造中的预测性维护、设备的定期维护；

可以在产品测试当中使用机器学习的方式，提高实验或者测试效率；

也可以进行产品质量异常检测、根因分析等。

目前在制造业中，很多场景都能大量运用人工智能技术。

我们知道数据对制造业具有极高的价值，但是想要将数据应用到制造行业当中，目前仍然面临不少挑战。

相比于传统消费互联网企业来说，首先制造业中的数据收集就是一个非常大的挑战：因为在工厂中有非常多不同的设备，这些设备来源于不同的供应商，不同供应商的接口可能使用的是标准接口，也可能是自己定义的接口。那如何采集数据呢？这是我们面临的第一个挑战。

当数据采集上来以后，可能有不同的数据格式，不同的时间密度，还有不同的数据来源，如何将多源异构的数据整合在统一的数据平台，为后续进行人工智能分析提供基础，是我们面临的第二个问题。

第三个问题，在制造业中，有着各种不同的行业。企业中有很多自己的行业专家，但是这些专家可能对机器学习、数据分析或者人工智能技术不是特别了解，企业缺乏一定的数据科学能力。

最后一个问题，也是很关键的一个问题，制造业中的数据可能涉及企业机密，或者敏感信息，比如产品配方、工艺流程数据。如何在保证这些数据安全的情况下应用数据，也是一个很大的挑战。

面对这么多挑战，我们首先需要梳理一下制造行业中数据平台的架构，大概可以分成三层：第一层是基础层，也就是硬件层，或者说数据的采集层；数据采集上来以后，进入第二层，整理数据、处理数据、从数据当中挖掘价值，以及最后交付给应用端来应用这些数据，都在第二层，我们称为平台层；最后，当有了平台层以后，基于各类人工智能算法，针对不同业务场景做分析，就到了应用层。如图，分别是三层对应的功能。

而Altair提供的RapidMiner平台，是一个企业级的数据分析和人工智能平台。提供了全栈的数据的ETL、机器学习建模、模型管理、模型应用以及数据可视化的全方位解决方案。可以使用平台 完成从工业数据的采集、抽取、转换、整理清洗，再到数据挖掘、机器学习模型的构建。

模型在测试完成之后，需要和生产系统对接，提供数据预测服务，我们提供相应的部署平台，称为RapidMiner AI Hub。数据预测完成以后，需要对数据做监控以及可视化等，我们有专门做可视化的Panopticon数据平台。

从数据的采集到最后的端到端应用，RapidMiner都可以提供相应的能力和方案。无论您是行业专家，还是数据科学家、IT同事或纯业务用户，都可以在平台上发挥自己的能力。

那么，机器学习平台到底如何为制造业赋能呢？我们分享三个比较典型的案例。

这个案例是跟Altair的传统模拟仿真相结合的。大家都知道汽车在上市以前需要做各种各样的安全测试，而行人碰撞测试是分为三个部分的，分别是头部碰撞测试、大腿碰撞测试和小腿碰撞测试。

首先我们用模拟仿真软件将汽车形状的三维模型构建出来，同时使用一个半球形的物体在车引擎盖不同的区域进行碰撞，然后通过模拟仿真软件计算伤害值，如果有些区域的伤害值过高，就需要优化车引擎盖的设计，比如发动机舱的布局以及整个区域的调整。

那机器学习为我们带来了什么呢？通过机器学习可以收集到主机厂商或者汽车厂商过往的测试数据，包括车型设计数据，比如引擎盖的宽度长度、材料参数以及发动机舱内部的一些数据。通过我们的平台构建一个模型，当有新的车型需求，我们首先将这个车型参数化，然后放到模型里，直接使用机器学习就可以进行快速预测。

机器学习的预测过程跟传统的模拟仿真相比，可以实现几百倍甚至上千倍的时间缩减。基于机器学习计算出来的指标，直接优化设计，直到所有的设计满足要求以后，可以再用模拟仿真做一次验证，这样会大幅减少实验或者模拟仿真的时间。

我们通过一个简短的视频为大家做一个演示，一起看看平台如何通过可视化的简单拖拽方式快速构建机器学习的模型，可以自由进行参数的选择，指定要预测的数据以及所用的机器学习算法，比如AI中常用的预测算法XG Boost。

最后会出来一个预测值，以及RMSE和标准误差。大家可以看到模型预测出来的结果和原始数据的HIC值是相当吻合的。所以机器学习模型可以一定程度上替代模拟仿真的部分工作。

现在大家都在使用网购，每次网购基本上都是用瓦楞纸包装商品然后运送。收到快递的时候时常会出现纸箱被压凹或者破损的情况。但其实客户对生产纸箱的厂商是有抗压要求的，必须做抗压测试。传统的方式是根据以往的情况，做一个指定长宽高的纸箱，同时做一些瓦楞纸的配置。瓦楞纸有不同的层数，两层的三层的，或者瓦楞的波形有密的有宽的，这些都会影响成型纸箱的抗压性能。

我们收集企业历史设计数据以及做过测试的纸箱抗压数据，构建机器学习模型，当有新的纸箱设计要求，就可以直接放到模型里，预测抗压性能。那模型发现抗压标准满足不了客户要求，调整相关参数即可。这样可以节省大量的实验时间和费用。

制造业中，常有一些做粘胶，或者其他一些性能材料参数的场景。当客户下了一个订单之后，会提出一些指标的要求。传统的方式是将客户的要求发给研发人员或者做配比的专家，专家根据以往的经验做一些微调，然后形成新的化合物，再通过实验的方式验证是否能达到客户的要求。这样的方式高度依赖于材料专家或者相应工程技术人员的经验。如果专家或工程师离职，必然会造成一定损失，同时也不利于新工程师的快速成长。

客户往往希望通过机器学习的方式，将实验出来的指标性能数据或者配方的知识沉淀下来，形成一个数据模型或者数据资产。这样的话，即使有人员的离职，也不会影响到知识的丢失。通过机器学习，可以构建一个这样的学习模型，将以往的配方数据和性能指标数据关联起来，当下一次有新的客户提出某些指标要求，就可以通过机器学习算法自动寻找配方的最优参数配比。

那么模型预测的精确度能到多少呢？这个会根据历史数据的数量，或者新的指标是否在历史数据覆盖范围内。如果能被覆盖，准确度相对来说是比较高的。只需要在算法推荐的配比上做一些简单的微调，就能够实现快速达到最终要求的目标。

最后总结一下Altair的数据分析和人工智能平台——RapidMiner：

• 首先RapidMiner可以读取任何数据源，结构化的数据或者规整的二维表数据，无论是存在数据库当中还是文本文件当中，或者其他一些格式的数据源。

  
  

• 通过我们的机器学习平台可以帮你快速构建机器学习相关的模型，同时将它部署到生产环境中。

  
  

• 最后，生产环境中的实时数据通过我们模型预测得到结果以后，还可以通过我们的软件做一个实时的可视化看板，或者得到更多的数据分析报表。

Altair RapidMiner 数据分析与人工智能平台，是数据分析领域中最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的企业级一站式数据科学平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署的全流程需求，同时支持数据和流数据的实时分析可视化，适用于从学术研究到企业级应用的广泛场景。

欲了解更多信息，欢迎访问：

www.altair.com.cn