为营造浓厚的学术氛围，由我院承办的“材智荟·大讲堂”讲坛，将邀请英国莱斯特大学董洪标教授前来讲学并做专题报告，欢迎广大师生积极参加！

题目：数字研发在制造业应用的挑战和案例分析

报告人：董洪标

时间：2024年7月9日（周二）9:30

地点：郑州大学材料科学与工程学院教学楼207报告厅

简介：董洪标 英国皇家工程院院士, 莱斯特大学终身教授，工学院常务副院长，学院科研主管，英国皇家工程院研究教授，全英华人教授协会主席（Association of British Chinese Professors, ABCP）。 英国自然科学基金委 （EPSRC）金属材料加工博士培训中心主任, 莱斯特-TWI材料创新中心创始人。他在金属凝固计算模拟和工程教育等方面都做出了开创性的贡献。 他在金属凝固计算模拟及其在金属材料加工中的应用研究享誉国际，为金属行业做出了独特的贡献。他的研究成果被罗尔斯-罗伊斯等多家企业应用于航空航天、新能源和钢铁行业等领域。他主持和建立了英国与中国、印度和南非等国之间金属材料加工领域的国际科研平台。

董洪标毕业于北京科技大学冶金系（本科和硕士），英国牛津大学材料系（博士）。董教授先后担任国际材料和矿物协会会士 （Fellow of IMMM）, 中国金属学会高级会员 （CSM Senior Fellow）, 欧洲先进工程材料与技术平台筹划指导委员会成员，获得英国工贸部和英国商业协会颁发的全球制造技术提名奖。董教授建立了溶质驱动金属凝固的计算模型，首次从微观尺度数字模拟了凝固组织的树枝晶和等轴晶的转变，在理论与工业应用方面都产生了深远的影响。有关模拟成果不仅已用于大学本科的材料加工方面的教学， 而且在多家国际知名企业得到实际应用，为金属材料加工行业提供了快速和实用的解决方案。

摘要：制造业经历了数次工业革命，以承受全球产能、质量和成本方面的竞争。 工业 4.0 是指旨在实现集中化和资源效率的第四次工业革命。 目标是通过重新配置设施和实施智能优化模型来减少人为干预并实现更高的生产目标。 此类模型基于历史生产数据，因此可作为工厂数字操作员的个性化工具。 制造业目前正在通过获取更多的传感器和更好的数据采集系统来发展他们的物理设施。 因此，制造系统通常会产生大量数据，称为大数据。 一家大型制造公司的一个工厂中的一个生产部门可以为每个测量参数生成数千条记录，随后在整个企业中每年达到万亿条记录。 因此，降低报废率、提高生产质量和产能的巨大潜力目前仍处于休眠状态。

在工业制造流中，大数据具有多个重要特征，这些特征决定了数据预测能力的难度、时间和潜力。 其中最关键的一项是数据量，其中生成的数据越大，它就越可靠。 另一个重要特征是多样性，多样性越大，捕获最具影响力的预测因子的机会就越高。 由于传感器和测量设备的分辨率，数据总是带有一定数量的固有误差，即数据的有效性/准确性。 使工业数据难以处理的另一个特征是其波动性。 与受控实验室实验不同，工业过程受到全球市场、创新和人们决策的影响，进而导致数据有随时间变化的趋势。 数据的最后但也许是最重要的特征是可视化。 以有意义、全面和标准化的方式可视化数据具有挑战性，但对从研究到运营的所有部门都至关重要。 部分、受限和/或未处理的数据可视化是错误、误解以及控制和理解过程困难的最常见来源之一。

分析技术和机器学习模型的范围很广，因此需要付出大量努力来更有效地识别、分类和处理数据。 列出的每个特征都作为选择数据处理和建模路径的一个因素。近年来，回归机器学习的全球趋势正在经历从以模型为中心的路线向以数据为中心的路线转变。 以数据为中心的建模是向开发系统工程实践的转变，以便以可靠、高效和系统的方式改进数据。 现在机器学习模型已经发展到一定程度，关键的挑战是基于迭代过程和行业专业知识系统地提高数据保真度。 自 2000 年代后期“大数据”兴起以及随之而来的“数据科学家”兴起以来，一个广泛接受的估计是，数据科学家 80% 的时间都花在了数据准备上。 目标是开发更好的方法、技术和工具来衡量和提高数据质量。 如果错误分析显示数据在条目子集上表现不佳，则可以使用以数据为中心的方法来提高该子集的性能。 然而，提高数据保真度不仅仅是预处理。 以数据为中心的工程是模型训练以及数据争论和错误最小化的迭代过程。