[论文解读] Scope for Machine Learning in Digital Manufacturing

Martin Baumers, Ender Özcan|arXiv (Cornell University)|Sep 19, 2016

Manufacturing Process and Optimization参考文献 4被引用 4

一句话总结

本文提出，通过整合数据科学与优化技术，机器学习可解决数字制造中复杂且多目标的优化挑战，特别是在增材制造领域。文章识别了在产品生命周期中数据利用与流程整合方面的关键挑战，将机器学习定位为推动数字制造系统发展的关键因素。

ABSTRACT

This provocation paper provides an overview of the underlying optimisation problem in the emerging field of Digital Manufacturing. Initially, this paper discusses how the notion of Digital Manufacturing is transforming from a term describing a suite of software tools for the integration of production and design functions towards a more general concept incorporating computerised manufacturing and supply chain processes, as well as information collection and utilisation across the product life cycle. On this basis, we use the example of one such manufacturing process, Additive Manufacturing, to identify an integrated multi-objective optimisation problem underlying Digital Manufacturing. Forming an opportunity for a concurrent application of data science and optimisation, a set of challenges arising from this problem is outlined.

研究动机与目标

• 探讨数字制造作为集成设计、生产与供应链流程的整体系统，其角色的演变。
• 识别数字制造中固有的核心多目标优化问题，特别是在增材制造中的体现。
• 突出机器学习在同时应对制造中的数据驱动挑战与优化挑战方面的机遇。
• 将数据科学与优化的整合视为推动数字制造发展的关键路径。

提出的方法

• 本文以增材制造为案例研究，阐明数字制造挑战的多目标特性。
• 将数字制造框架化为涵盖设计、生产、供应链及产品生命周期信息管理的集成系统。
• 分析制造工作流程中数据采集、过程建模与决策制定之间的相互作用。
• 提出可应用机器学习技术，以同时优化性能、成本与可持续性等多重目标。
• 该方法强调需并行运用数据科学与优化方法，以应对现实制造环境的复杂性。
• 本文借鉴皇家学会研讨会的见解，为所提出的科研方向提供背景支持。

实验结果

研究问题

• RQ1 如何有效应用机器学习解决数字制造中的多目标优化问题？
• RQ2 机器学习可解决的数字制造中关键的数据与流程集成挑战有哪些？
• RQ3 数据科学与优化可如何协同应用以改善制造成果？
• RQ4 数字制造从软件工具向整体系统演进，如何为机器学习创造新机遇？
• RQ5 生命周期信息管理在通过机器学习实现智能制造中发挥何种作用？

主要发现

• 机器学习为解决数字制造中固有的复杂多目标优化问题提供了战略机遇。
• 数据科学与优化的整合是实现数字制造系统全部潜力的关键。
• 增材制造是机器学习可同时优化性能、成本与可持续性指标的典型领域。
• 本文识别出数据利用与跨职能流程集成是核心挑战，亟需机器学习解决方案。
• 数字制造正超越软件工具，演变为涵盖整个产品生命周期的综合系统，支持数据驱动决策。
• 作者将机器学习定位为通过并行优化与数据分析推动数字制造发展的关键推动者。