نقش داده های بزرگ در آزمایشگاه های مهندسی

در آزمایشگاه های مهندسی مدرن، داده ها تبدیل به یک دارایی هسته ای شده اند. داده های بزرگ شامل جریان های عظیم اطلاعات تولید شده توسط سنسورها، تجهیزات تست خودکار، دوقلوهای دیجیتال و مدل های محاسباتی است.یک آزمایش منفرد می تواند ترابایت خواندن زمان، فایل های تصویری و شبیه سازی را به سرعت شناسایی کند.

مزایای کلیدی نوآوری داده-Driven

افزایش تصمیم گیری

تجزیه و تحلیل داده ها معیارهای خام را به بینش عملی تبدیل می کند، به جای تکیه بر شهود، مهندسان می توانند بر شواهد تجربی پایه گذاری کنند.به عنوان مثال، یک سلول باتری آزمایشگاهی ممکن است از تجزیه و تحلیل خوشه ای استفاده کند تا مشخص کند که کدام چرخه شارژ منجر به تخریب سریع تر می شود، سپس پروتکل ها را مطابق با این کاهش کار و پشتیبانی از طرح های محصول قابل اعتماد تر.

تحقیقات و توسعه تسریع

ابزارهای داده بزرگ اجازه می دهد تا آزمایشگاه ها هزاران شبیه سازی مجازی را به صورت موازی اجرا کنند، سپس نتایج را به طور خودکار تجزیه و تحلیل کنند.این به طور چشمگیری چرخه را از فرضیه به پایان می رساند.در مهندسی دارویی، به عنوان مثال، سیستم عامل های شبیه سازی مولکولی مبتنی بر AI می توانند میلیون ها ترکیب را در silico نمایش دهند، به طور چشمگیری کاهش نیاز به آزمایش های مرطوب کار را نشان دهند.

کاهش هزینه

تجزیه و تحلیل داده ها زباله و ناکارآمدی را شناسایی می کند.با نظارت بر مصرف انرژی در هر آزمایش، آزمایشگاه ها می توانند تست های انرژی فشرده را در طول ساعات خارج از حد و حصر برنامه ریزی کنند. نگهداری پیش بینی شده در تجهیزات گران قیمت (به عنوان مثال، میکروسکوپ الکترون، تونل های بادی) از خرابی های پر برنامه ریزی شده جلوگیری می کند. A مطالعه توسط آزمایشگاه انرژی تجدید پذیر ملی نشان داد که استفاده از داده های بزرگ برای ساخت هزینه های کاهش یافته انرژی HVAC توسط 30٪ در تاسیسات تحقیقاتی دقیق و همچنین از طریق بهینه سازی مواد اولیه.

بهبود کیفیت محصول

نظارت مستمر داده ها تضمین می کند که استانداردهای کیفیت به طور مداوم در آزمایشگاه های مهندسی الکترونیک، سیستم های مترولوژی آنلاین داده ها را به داشبورد های کنترل فرایند آماری (SPC) تغذیه می کنند، پیش از اینکه آنها تبدیل به نقص شوند، ناهنجاری های متحرک ماشین آموزش داده شده در داده های کیفیت تاریخی می تواند شکست ها را پیش بینی کند و تغییرات پارامتر را توصیه کند، نتیجه قابلیت اطمینان بالاتر و شکست های کمتر میدانی است که صنایع حیاتی مانند دستگاه های کیفیت خودرو و تجزیه و تحلیل های فنی (FIST) است.

پیاده سازی Big Data Analytics در آزمایشگاه های مهندسی

زیرساخت ها و ابزار

پیاده سازی موفق با زیرساخت های جمع آوری داده قوی آغاز می شود.اینترنت اشیاء (IoT) سنسورها - دما، لرزش، فشار، جریان - باید در سراسر تنظیمات تست نصب شود.دستگاه های محاسبات Edge می توانند داده های محلی را برای کاهش تأخیر ذخیره سازی، راه حل های مقیاس پذیر مانند Apache Hadoop سیستم فایل (HDFS) یا ذخیره سازی اشیاء ابری (AWS3، Blob) پردازش موتورهای پردازش بصری مانند Apachebase.

گام های برای ادغام موفق

تعریف اهداف روشن با پرسیدن سؤالات خاص شروع کنید: " کدام پارامترهای بیشتر بر قدرت کششی تأثیر می گذارد؟" یا "چه شرایطی منجر به فرار حرارتی می شود؟"

سرمایه گذاری در زیرساخت های جمع آوری داده های قابل اعتماد سنسورهای با دقت مناسب و نرخ نمونه برداری را انتخاب کنید. اطمینان حاصل کنید زمان هماهنگ سازی در تمام دستگاه ها.

ایجاد حاکمیت داده ها و استانداردهای متاداده. بدون تگ مناسب، داده های خام غیر قابل استفاده می شوند.

] کارکنان قطار در تجزیه و تحلیل داده ها و تفسیر. مهندسین نیاز به مهارت در پایتون، R، SQL و روش های آماری. شریک با تیم های علوم داده و یا ارائه کارگاه های داخلی.

]5 پروتکل های امنیتی و حریم خصوصی را پیاده سازی کنید.[ آزمایشگاه ها با طرح های اختصاصی یا اطلاعات شخصی قابل شناسایی (PII) باید داده ها را در حالت استراحت و در حمل و نقل رمزگذاری کنند. استفاده از کنترل دسترسی مبتنی بر نقش (RBAC) و حفظ اطلاعات حسابرسی.

آن را جذب و مقیاس با یک پروژه آزمایشی بر روی یک نیمکت تست شروع کنید، سپس به سایر مناطق آزمایشگاهی گسترش دهید، زیرا بلوغ رشد می کند، داده ها را از منابع مختلف ادغام کنید تا مدل های جامع از کل چرخه عمر توسعه را ایجاد کنید.

چالش ها و ملاحظات

علی رغم وعده های آن، پذیرش داده های بزرگ در آزمایشگاه های مهندسی بدون موانع نیست کیفیت داده نگرانی اصلی است، حرکت سنسور، ارزش های از دست رفته و نرخ های نمونه برداری متناقض می تواند تجزیه و تحلیل منظم و چک های کیفیت خودکار ضروری است. [FLT3]

مطالعات موردی واقعی در جهان

تست سقوط خودرو

یک OEM پیشرو خودرو مجهز به مرکز تست تصادف خود را با صدها سلول بار، شتاب سنج، و دوربین های با سرعت بالا، هر تصادف تولید می کند -5 TB از داده های خام، با استفاده از خط لوله داده های بزرگ، آزمایشگاه در حال حاضر 50 تصادف در هفته را پردازش می کند و مدل های رگرسیون را برای پیدا کردن همبستگی بین هندسه و آسیب های آسیب زا مورد استفاده قرار می دهد.

نیمه هادی

در یک آزمایشگاه سیلیکون، هزاران وقفه روزانه پردازش می شوند، هر کدام با هزاران گام فرآیند، نوسانات Yield می تواند میلیون ها دلار هزینه کند.با جریان دادن داده های سنسور از طریق حمل و نقل، رسوب و ابزارهای لیتوگرافی به یک پلت فرم تجزیه و تحلیل زمان واقعی، آزمایشگاه یک تغییر فشار ظریف در یک اتاق را شناسایی کرد که باعث کاهش 2٪ شد.

نظارت بر سلامت ساختاری

یک آزمایشگاه مهندسی عمران از شبکه های حسگر بی سیم برای جمع آوری اطلاعات فشار، لرزش و خوردگی استفاده می کند. مدل های یادگیری ماشین نشانه های اولیه خستگی را تشخیص می دهند. سیستم داده های بزرگ آزمایشگاه اکنون پیش بینی می کند که باقی مانده زندگی مفید از قطعات با دقت 95٪، اطلاع رسانی به برنامه های تعمیر و نگهداری و جلوگیری از شکست فاجعه بار است.

آینده چشم انداز آینده

نقاط مسیر به سمت آزمایشگاه های کاملا مستقل که تجزیه و تحلیل داده های بزرگ، هوش مصنوعی و رباتیک همگرا هستند، دوقلوهای دیجیتال - مدل های زنده که دارایی های فیزیکی را در زمان واقعی منعکس می کنند - استاندارد شده و مهندسان را قادر می سازد تا بدون لمس سخت افزار، سیستم های مهندسی داده های سریع را آزمایش کنند: یک سنسور یک تست ناهنجاری را تشخیص می دهد، یک مدل محلی تست تست را تنظیم می کند و آزمایش های مهندسی دقیق را ادامه می دهد.

به طور خلاصه، تجزیه و تحلیل داده های بزرگ یک افزودنی اختیاری برای آزمایشگاه های مهندسی مدرن نیست - این یک محرک اساسی از نتایج سریع، ارزان تر و با کیفیت بالاتر است.با روش های روش اجرای زیرساخت، مهارت ها و فرآیندهای ذکر شده در بالا، آزمایشگاه ها می توانند بینش هایی را که قبلا پنهان، کاهش خطر و سرعت سفر از مفهوم به بازار است، باز کنند.