工业4.0以来
一出出“变形金刚”大戏
在全球范围内上演
工厂车间发力智能制造
信息技术渗透到各个生产环节
笨重机械的老古董
摇身一变
成了智慧、自动化的化身
传统制造业搭上智能数字化快车,摇着降本增效的大旗革新底层架构,焕发出新时代的勃勃生机。
我们知道罗马非一日建成,制造业“老树发新芽”的背后是车间机床上的无数次探索,今天让我们一起走进欧洲一流理工大学实验室,看看智能制造是如何从走出理论、走向实践的。
生产线上的
流式数据处理难题
德国亚琛工业大学(RWTH)成立于1870年,是德国顶级理工大学,现为欧洲四所顶尖理工大学战略联盟(IDEA 联盟)成员之一,迄今已连续三届在德国精英大学中荣膺首位,被誉为“欧洲的麻省理工”。
具有100多年历史的亚琛工业大学机床与生产工程实验室(Laboratory for Machine Tools (WZL) of RWTH Aachen University,以下简称WZL)是世界上最大的机械研究所,多年来在世界各地的生产工程领域进行前瞻性研究并获得成功。除了基础理论,WZL研究还涉及工业环境中的应用,并为促进生产合理化制定实用的解决方案。
在WZL,科学家、数学家和软件开发人员一起工作,研究从边缘产生的实时数据中获取洞察的方法。作为WZL制造流程的一部分,精密冲裁创新中心会产生大量数据,振动传感器、声学传感器及其他制造条件下的专用传感器每秒生成超过100万个数据点,这些数据首先必须在第一线记录下来并快速处理。
面对海量流数据,WZL以往的做法是使用Hadoop、Apache、Kafka、Spark等经典大数据平台对流数据进行捕捉、处理和历史分析,然而由于大量传感器分布在不同机器、不同位置,且并非所有的传感器都时时刻刻运转,实验室经常要动用人力来处理负载平衡问题。
此外,WZL在管理Hadoop堆栈方面也遇到了麻烦,虽然是大型实验室,但WZL所拥有的资源相当有限,在生产数据小批量、本地化处理的方式下,其研究人员不得不花费大量时间进行内部系统开发。
在数据管理流程上投入太多精力迫使WZL寻找一个可实施的极低延迟的流模型,WZL希望寻找这样一个平台,可以利用高频率数据,帮助制造商在生产过程中收集数据、分析变化,监测产量和工艺质量并实时做出调整。
实时采集海量数据
在工业边缘实现洞察
长期以来,戴尔科技与WZL一直保持着良好的合作关系,戴尔团队从WZL需求和实际情况出发,为其提供戴尔流数据平台SDP(Streaming Data Platform)解决方案,搭建边缘计算集群以实时摄取、存储和分析连续的流数据。
对此WZL首席数据官兼数字转型主任的Daniel Trauth博士这样评价:“
戴尔流数据平台以流的形式处理所有东西,使我们可以轻松地使用一个处理模型来创建新的分析管道。
”
戴尔科技为WZL搭建的本地系统包括一个经过优化的SDP软件平台,可连接从智能物联网到云集成的所有组件和服务,并利用人工智能对实时数据和历史数据进行分析。
硬件上PowerEdge R640服务器为这个集群提供支持,它拥有240个处理器内核、1.563 TB内存、3.84TB SSD内存、360TB HDD内存和6块GPU。
PowerEdge R640搭载英特尔®至强®系列可扩展处理器,在核心、缓存、内存以及I/O方面进行了大量优化,使得其在整体性能上有了极大的提升,可满足多种工作负载需求。
为了对不同类型的数据提供近乎无限的"DVR式"存储和回放,WZL选择PowerScale存储来处理流数据平台的长期存储需求,为历史数据采集、分析和机器学习模型开发提供空间。
获得收益:
流数据平台与精冲机连接之后,每0.4毫秒即可记录多达1,000个特征值,这些特征值来源于海量的图像流、X射线和物联网设备,采集后立即被边缘PowerEdge服务器存储起来进行实时预分析,以便人工智能和机器学习开展进一步评估。
WZL的精冲线上每天产生大约80TB数据,尽管模型计算是个非常耗费CPU和时间的过程,但得益于流数据平台的边缘连接性,这些工作几乎可以瞬间完成。
由于速度和温度等条件处于AI的持续监督之下,机器能够自动调整以防止任何中断。通过这种方式对机器进行监测,WZL可以实时捕捉、预测整个金属冲压过程中的异常情况,据此优化生产过程,并从边缘的产生的数据挖掘新的价值。
基于戴尔的解决方案,WZL最终从边缘的生产数据中获得实时洞察力,这将帮助制造商根据需要调整流程,并大规模地管理大量数据和IT基础设拖。
IDC预计,到2025年,全球物联网连接数将增长至270亿个,物联网设备数量将达到1000亿台,超过70%的数据和应用将在边缘产生和处理。
在通往智能制造的道路上,边缘计算是绕不开的大趋势,它结合人工智能、物联网等技术,将业务洞察推到生产环节的各个神经末梢,真正实现数据驱动的业务发展。作为全球领先IT基础架构供应商,戴尔科技可提供完善的边缘计算解决方案,帮助制造业用户更好更快地实现智能转型!
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。