400-868-1122
根云工业互联网平台
返回智能制造领域的创新可以像灵光一样突然闪现，但这种情况很少。更多时候，生物打印、区块链、云制造及实时生产控制等技术的突破需要多年的悉心钻研，并且时常伴随着学术环境中艰辛和系统的工作。
这里我们将介绍这一群专家和他们所开展的辛勤研究。所有专家都具有博士学位，他们中的许多人不光注重个人研究成果，更将培养众多学生成为下一代创新者视为重要成就。他们期待所有人不光会思考“为什么”，还会思考“为什么不”。
Laine Mears教授希望成为智能制造领域的一位“红娘”。他说，“在智能制造解决方案如何落地到制造车间方面还有很多工作要做，许多技术在不断涌现。我希望设计出一种流程，使有广阔前景的技术可以以可控和可扩展的方式找到合适客户，而不会消失在潜在解决方案的海洋中。”
Mears在克莱姆森大学创立了THINKER（技术-人结合的知识、教育和研究）计划，并获得了国家科学基金会（National Science Foundation）的五年资助，以教育学生如何最好地将人与数字化制造企业相结合。“这超越了传统的人机界面设计，取而代之的是了解人类如何生成和使用信息，以及将人与机器的组合数据转换为最有效信息的最佳方法。”是否也想从事这类研究？米尔斯建议建立一个广泛网络来支持这一计划。“我发现制造业研究人员（包括工业界和学术界）是一个非常协作的团队，因此网络越大，机会就越大。”
Bukkapatnam教授和他的“复兴工程师”学生团队使用Python创建了一个开源的CAD / CAM界面，以生成用于混合3D打印和金属铣削的G代码。他们在大学网站上写道：“基于金属的增材制造工艺仍缺乏开源软件和支持社区（如FDM打印的社区）。”
他们成功地将开源软件与该大学的Optomec混合打印机集成在一起，并演示了各种现成的软件和硬件模块，以足够快的速度收集、管理和分析过程中的大型数据流，从而可以及早发现故障以保证质量。“我的学生们对制造技术以及最新的测量和数据分析方法有了很好的理解。他们在高级制造平台上获得了实践经验，接受了高级数学和数据科学方法的培训，以解决数据和智能制造系统中的复杂挑战。” 他自己的研究是利用高分辨率的非线性动态信息，特别是来自无线MEMS传感器的信息，来改善制造业过程和系统的监测和预测。
曹教授的实验室开发了一种完全无模具的成形系统，称为双面增量成形。该系统可以形成3D钣金零件，而无需使用当前的特定几何模具。她说：“借此我们可以将零件设计周期从最多12周减少到不到一周，并且不再需要制造模具。
双面增量成型（DSIF）面临的挑战包括几何精度和可成形性预测，为此我们开发了一种使用机内传感器和基于机械的离线计算模型的原位补偿方法。” 目前，她正在研究制造过程编译器的概念，该编译器将来自多个领域的知识集成到一个平台上，这样就可以确定哪些制造过程最适合给定的设计。“最终，可以将这种编译器用作新流程创新的基础。这说起来容易做起来难，需要一些长期的工作。” 她指出，制造业教育的意义不仅仅限于STEM课程。“因此，我的建议是要有一个系统视角，尽量开阔眼界，然后找到自己的专业并进行协作。
未来十年，Feinberg教授希望将3D生物打印支架和组织从工作台转移到床旁。在五年内，他希望展示更多小型功能性器官，比如像多腔心脏，它可以输血并且可以存活90天以上。他开设了实验室研讨会并有望从一些参会人员那里得到帮助，研讨会专门讨论如何制造他所用到的开源3D生物打印机。
同时，Feinberg教授的实验室为液体和软性材料开发了一种新的3D打印技术，被称为悬浮水凝胶自由可逆嵌入（Freeform Reversible Em
Ajay P. Malshe教授发现，在已工业化和正经历工业化的世界，每人每天至少会接触10台机器。而摩擦、磨损、机加工和腐蚀等制造、操作和维护方面的挑战——他称之为“机械设备癌症”——正严重影响着机器的性能，并造成数十亿美元的损失。这些设备癌症发生在纳米级，因此纳米制造是治愈它们唯一明智的解决方案。
Malshe教授说，“我和我团队在纳米制造方面的创新有助于解决对全世界产生影响的制造、运营和维护挑战。”展望工业5.0，Malshe认为工业5.0将以人类和地球为中心，并且将是人类与地球和谐相处的真正智能制造。他说，“我们正在经历全球人口、中产阶级规模和整体预期寿命的空前增长。作为一种文明，我们需要为大众在地球生存提供越来越多的好工作。” 他认为“智能制造”的定义需要重新审视，因为我们将很快达到地球上可用自然资源的理论极限。
Cormier教授在增材制造领域的25年中，大部分时间都集中在工程化晶格结构的设计和制造上，这些晶格结构现已广泛用于轻型航空航天结构、骨植入物表面、过滤器和热交换器。“这一切始于1990年代后期，当时我在同事的桌子上看到一块泡沫铜，”他说，“他解释了细胞结构的表面积、孔隙率和曲折度等特性如何对其功能性能至关重要。那是在3D打印的初期，我立即开始考虑巴克球或其他几何构造块的3D阵列，这将允许设计人员根据给定应用程序的性能要求优化单元结构。”
Cormier教授最终将这些东西称为工程细胞材料，并开始了整个职业生涯的研究。他说：“如果你今天去参加增材制造贸易展览，几乎每个展位都会展示工程蜂窝材料的例子。看到并了解到我是这一领域的先驱之一，非常令人高兴。”
Glenn Daehn教授正与一群顶尖聪明的人一起开发两个愿景：一个是脉冲制造，即在工厂或实验室环境中使用脉冲产生的爆炸样的能量。另一种是变形制造，也就是机器锻造，利用数控形变来制造零件。他表示：“我们希望看到脉冲和变形制造发展为常用的商业流程。这两种材料都有望解决成形和连接新材料和结构中的实际问题。”
Daehn认为，先进的控制和人工智能有望使许多专门制造技术成为主流技术，并且可复制和更敏捷。“想象一下，一个机器人系统可以做熟练工匠能做的事情，但它的可重复性更高，而且每一步操作都有清晰记录，”他若有所思地说。关于学术界与产业界的合作，他表示这两个业界之间还存有太多差异。“在学术界，我们必须更多地关注集成、工程和实际问题的解决，注重培养那些更喜欢动手而不是分析的人才。这样就会有更多的实验室可以在工业界和学术界之间共享” 。
倪军教授就像一条智能制造之河的河口，他所带领的近百名博士、70名硕士以及数百名工科生则形成了这条智能制造之河的支流。这些支流散布到了其他大学的教职职位和全球企业的高管职位。他说：“我为自己作为密歇根大学和上海交通大学联合学院的创始院长所取得的成就感到骄傲。成千上万的美国和中国学生已经从工程教育的这种全球创新中受益。”
他的国际成就不止于此。从2017年到2019年，倪教授在世界经济论坛上担任全球未来先进制造和生产委员会的联合主席。在从事先进制造技术的研究40年后，倪军教授最想帮助智能制造的企业家们，因此三年前他创立了一家公司。他对未来智能制造系统的愿景包括：传统品质之外的响应性、顺应性、可重构性和可重用性；能够评估自身状况并做出必要补偿的具有自我意识和自适应能力的机器；零缺陷与故障源的预测和自动识别；近零停机和所有零件从头到尾保证正确。
目前为止，Binil Starly教授最重要的研究成果是使一个LED灯发光。而那道光意味着他的团队成功使一台物理制造机器通过数字孪生与全球的区块链进行通信。该机器能够根据存储在区块链上的智能合约自主发起交易，从而触发另一台联网物理机器上的LED。
他说：“这一刻证明了区块链技术在缩小制造服务公司与其潜在客户之间的差距方面具有巨大潜力，提高了透明度和信任度。这也意味着整个机器现在可以连接到全球分散的制造资源节点网络上，从而实现网络制造。”据Starly教授预计，智能制造将在跨越产品生命周期的三个领域取得进展，这些领域相互关联。首先是与人类共同协作的智能界面；其次是分散的制造服务市场；第三，制造商将通过从车间层的机器到业务和IT系统进行数字连接，来响应用户偏好，将人、流程和技术整合在一起。
1998年，王立翚教授已经着手研究基于网络，模型驱动的机器和机器人实时监控。2008年，他的工作又涵盖了人机协作。监控与人机协作两者构成了数字孪生和信息物理系统的基础。他的团队目前正积极研究应用于预测性维护、加工工艺规程以及人机协同装配的大数据分析和人工智能。
王立翚表示：“大数据和人工智能算法的结合可以利用实时制造智能，充分发挥各决策流程的潜力。这将使制造业朝着更高的生产力、效率、盈利能力和长期可持续发展的方向发展。”在他的愿景中，未来将由数据、人工智能模型、知识和人类技能驱动，由网络空间的云/雾计算赋能，并以人类为中心。他表示：“一方面，人工智能和增强现实将为人工操作人员提供按需决策支持，另一方面，人类的感知和适应能力将被用于以脑波形式取代死板的控制代码来驱动制造设备。”
Wuest博士和南卡罗来纳大学的Ramy Harik博士去年撰写了《先进制造概论》一书，这是一本旨在填补工科学生在制造教育方面空白的教科书。Wuest指出，这本书有一章专门介绍智能制造，这“据其所知尚属首例”。2018年，他开始在《世界制造业论坛报告》的编委会担任美国和智能制造业代表。
他十分强调智能制造系统中人的因素；弥合专家知识之间的差距；混合方法中基于物理的建模和数据驱动方法，并支持协作方法以帮助小型企业制定智能制造蓝图。Wuest希望看到学术界使其教学有关制造的内容更加现代化。他表示，学术界也可以很好地接受面向工程专业学生的跨学科、跨项目的课程以及基于项目的学习。而大学与高中合作，改变入学新生对制造业“黑暗、肮脏、危险”的看法，并反映当今的现实，即制造业提供高薪、令人有成就感的有助于整个社会的高科技职业，将是明智之举。
通过引入机会窗口，直接虚拟数据建模和永久性生产损失等新颖的概念和方法，常教授成为数据驱动建模以及实时生产控制和提高制造系统的效率和决策方面的先驱。她表示：“我研究的几个方面已经在物理形式上得到了实现和验证，我对此感到特别自豪。”
常教授开发并实施了一个数据驱动的实时决策支持系统，用于在动态和随机操作条件下优化生产操作。她的研究成果已在北美的许多通用汽车工厂得到了实施，并为工厂的运营效率和经济效益带来了显著的改善。若经广泛采用，它将为其他许多行业带来更大的经济利益。她认为人工智能和机器学习的最新发展显示出巨大潜力，可以通过先进的分析工具来处理大量的制造业数据，从而改变制造业。她表示，对数据驱动制造的关注要求未来的工程师获得数据科学方面的培训，这也是智能制造领域的一项使能技能。
Schmitz教授认为学术界和工业界的共生关系是智能制造未来的关键。“在学术界，我们处在培养下一代制造工程师的第一线，”他指出，“学术界了解行业需求是很重要的，这样教育才能满足这些需求。同样，工业界与学术界的合作也很重要，这样才能成功地实现新的想法和技术。此外，Schmitz认为智能制造是美国工业发展的催化剂。
他表示:“我认为智能制造是扩大美国制造基础（包括机械加工）的基础。由于我们能够在制造过程中做出更好的决策，我们将提高我们在全球市场上的竞争力。”Schmitz的研究重点是开发制造过程的预测模型，包括预测铣削和铣削过程仿真中刀位动力学的方法。他认为，将基于物理的制造过程模型与机器学习算法结合起来以实现自主操作大有前景。这也将是他今后的智能制造研究方向。
Harik教授在南卡罗来纳大学建立了未来工厂实验室，他希望看到学术界通过创建类似的实验室来形成一个网络，从而为智能制造的未来做出贡献。他说:“该网络将整合来自网络制造、自动化和先进制造的基本概念，形成一个生态系统，未来的学生将在毕业前探索和使用这些概念。”Harik的实验室是一个独特的实验平台，包括一系列工业设备：机器人、无人机、实时摄像机、传送带、智能眼镜和增强现实设备。
这是一个数字化平台，拥有活跃的数字孪生和一个数字引擎处理所有传入的数据并运行潜在的冲突、故障场景。他希望在这个平台上继续创新，同时在此基础上开发智能制造的在线课程。他表示:“未来工厂的平台将是在线课程的一个活跃的测试平台。我想让这门课程尽可能普及，以吸引未来的工作者关注智能制造以及制造业就业这一极为有趣的话题。”
