Компьютерная модель реального объекта, которая не заменяет его, но позволяет более эффективно управлять им

Обновлено: 01.07.2024

С технической точки зрения машиностроение — это применение принципов и методов решения инженерных задач от проектирования до производства и выхода на рынок для любого объекта. Инженеры-механики анализируют свою работу, используя принципы движения, энергии и силы, чтобы обеспечить безопасное, эффективное и надежное функционирование конструкции по конкурентоспособной цене.

Инженеры-механики меняют ситуацию. Это потому, что карьера инженера-механика сосредоточена на создании технологий для удовлетворения человеческих потребностей. Практически каждый продукт или услуга в современной жизни, вероятно, так или иначе затронуты инженером-механиком, чтобы помочь человечеству.

Это включает в себя решение сегодняшних проблем и создание будущих решений в области здравоохранения, энергетики, транспорта, борьбы с голодом в мире, освоения космоса, изменения климата и т. д.

Участие в решении многих задач и инноваций во многих областях означает, что образование в области машиностроения является универсальным. Чтобы удовлетворить этот широкий спрос, инженеры-механики могут разработать компонент, машину, систему или процесс. Это варьируется от макро до микро, от самых больших систем, таких как автомобили и спутники, до самых маленьких компонентов, таких как датчики и переключатели. Все, что должно быть изготовлено — действительно, все, что имеет движущиеся части, — требует опыта инженера-механика. Станьте инженером-механиком.

Чем занимаются инженеры-механики?

Машиностроение сочетает в себе творчество, знания и аналитические инструменты для выполнения сложной задачи воплощения идеи в реальность.

Эта трансформация происходит в личном масштабе, затрагивая человеческие жизни на уровне, который мы можем протянуть и коснуться, как роботизированные протезы. Это происходит в локальном масштабе, затрагивая людей на уровне сообщества, например, в гибких взаимосвязанных микросетях. И это происходит в более крупных масштабах, например, в передовых энергосистемах, благодаря инженерным разработкам, которые работают по всей стране или по всему миру.

Инженеры-механики имеют огромные возможности, и их образование отражает широту предметов. Студенты концентрируются на одной области, укрепляя аналитические навыки и навыки решения проблем, применимые к любой инженерной ситуации.

Дисциплины в области машиностроения включают, помимо прочего:

Акустика
Аэрокосмическая промышленность
Автоматизация
Автомобилестроение
Автономные системы
Биотехнология
Композиты
Система автоматизированного проектирования (САПР)
Системы управления
Кибербезопасность

Дизайн
Энергия
Эргономика
Здоровье человека
Производство и аддитивное производство
Механика
Нанотехнологии
Планирование производства
Робототехника
Структурный анализ

Сама технология также повлияла на то, как работают инженеры-механики, и за последние десятилетия набор инструментов стал довольно мощным. Компьютерное проектирование (CAE) — это общий термин, который охватывает все, от типичных методов САПР до автоматизированного производства и автоматизированного проектирования, включая анализ методом конечных элементов (FEA) и вычислительную гидродинамику (CFD). Эти и другие инструменты еще больше расширили горизонты машиностроения.

Какие профессии есть в машиностроении?

Общество зависит от машиностроения. Потребность в этом опыте велика во многих областях, и поэтому нет никаких реальных ограничений для новоиспеченного инженера-механика. Вакансии всегда востребованы, особенно в автомобильной, аэрокосмической, электронной, биотехнологической и энергетической отраслях.

Вот несколько областей машиностроения.

В статике исследования сосредоточены на том, как силы передаются на конструкцию и через нее. Как только система приходит в движение, инженеры-механики смотрят на динамику, или на то, какие скорости, ускорения и результирующие силы вступают в игру. Затем кинематика исследует, как ведет себя механизм, когда он перемещается в своем диапазоне движения.

Материаловедение занимается определением наилучших материалов для различных областей применения. Частью этого является прочность материалов — испытания опорных нагрузок, жесткости, хрупкости и других свойств, которые необходимы для многих строительных, автомобильных и медицинских материалов.

То, как энергия преобразуется в полезную мощность, лежит в основе термодинамики, а также определяет, какая энергия теряется в процессе. Один особый вид энергии, теплопередача, имеет решающее значение во многих приложениях и требует сбора и анализа данных и распределений температуры.

Гидромеханика, которая также имеет множество приложений, рассматривает многие свойства, включая падение давления от потока жидкости и силы аэродинамического сопротивления.

Производство — важный этап в машиностроении.В этой области исследователи изучают лучшие процессы, чтобы сделать производство более эффективным. Лабораторные методы сосредоточены на улучшении способов измерения как тепловых, так и машиностроительных продуктов и процессов. Точно так же проектирование машин разрабатывает процессы в масштабе оборудования, в то время как электротехника фокусируется на схемотехнике. Все это оборудование создает вибрации — еще одну область машиностроения, в которой исследователи изучают, как прогнозировать вибрации и контролировать их.

Экономика проектирования делает механические конструкции актуальными и пригодными для использования в реальном мире за счет оценки стоимости производства и жизненного цикла материалов, конструкций и других инженерных изделий.

Какие навыки нужны инженерам-механикам?

Суть инженерии заключается в решении проблем. Исходя из этого, машиностроение также требует прикладного творчества — практического понимания выполняемой работы — наряду с сильными навыками межличностного общения, такими как создание сетей, лидерство и управление конфликтами. Создание продукта — это только часть уравнения; умение работать с людьми, идеями, данными и экономикой в полной мере делает инженера-механика.

Какие задачи выполняют инженеры-механики?

Карьера в области машиностроения требует выполнения множества задач.

Концептуальный дизайн
Анализ
Презентации и написание отчетов
Многопрофильная командная работа
Параллельная разработка
Сравнение с конкурентами
Управление проектами
Прототип
Тестирование

Измерения
Интерпретация данных
Разработка дизайна
Исследования
Анализ (FEA и CFD)
Работа с поставщиками
Продажи
Консалтинг
Обслуживание клиентов

Сколько зарабатывают инженеры-механики?

Как и во многих других инженерных областях, инженерам-механикам хорошо платят. По сравнению с другими областями, инженеры-механики зарабатывают намного выше среднего на каждом этапе своей карьеры. По данным Министерства труда США, средняя зарплата инженера-механика составляет 89 800 долларов США, а первые десять процентов зарабатывают около 131 350 долларов США.

Машиностроение

Будущее машиностроения

Прорывы в области материалов и аналитических инструментов открыли новые горизонты для инженеров-механиков. Нанотехнологии, биотехнологии, композиты, вычислительная гидродинамика (CFD) и акустическая инженерия расширили набор инструментов машиностроения.

Нанотехнологии позволяют создавать материалы в самых малых масштабах. Благодаря возможности проектирования и производства вплоть до элементарного уровня возможности объектов значительно возрастают. Композиты — это еще одна область, в которой манипуляции с материалами открывают новые производственные возможности. Комбинируя материалы с различными характеристиками инновационными способами, можно использовать лучшее из каждого материала и находить новые решения. CFD дает инженерам-механикам возможность изучать сложные потоки жидкости, анализируемые с помощью алгоритмов. Это позволяет моделировать ситуации, которые ранее были невозможны. Акустическая инженерия исследует вибрацию и звук, предоставляя возможность уменьшить шум в устройствах и повысить эффективность во всем, от биотехнологии до архитектуры.

Машиностроение в Мичиганском технологическом институте

Мы привержены нашей миссии практического обучения наших студентов преподавателями мирового класса с помощью инновационного обучения, наставничества и создания знаний.

Наша степень бакалавра наук

Степень бакалавра в области машиностроения в Технологическом институте штата Мичиган предлагает студентам бакалавриата множество уникальных практических возможностей обучения:

Возможности для студентов бакалавриата

Возможности для исследований в бакалавриате многочисленны. Наш отдел предлагает студентам бакалавриата многочисленные возможности для исследований, практического опыта и работы с реальными клиентами. Исследовательские проекты часто требуют помощи от студентов для запуска симуляций, сбора данных, анализа результатов и т. д. Эти возможности могут даже оплачиваться, в зависимости от наличия средств на конкретный проект. Воспользуйтесь преимуществами лабораторий и компьютерных центров площадью более 50 000 квадратных футов в 13-этажном инженерно-механическом здании имени Р. Л. Смита.

Реальный опыт

Будьте готовы внести свой вклад в работу с первого дня. Наши студенты извлекают выгоду из практического опыта, начиная от нашей программы проектирования старших классов и заканчивая нашими корпоративными командами и стажировками / кооперативами. Как инженер-механик, вы можете изменить мир к лучшему, используя новейшие технологии для решения сегодняшних грандиозных задач.

Аккредитация ABET

Наша программа бакалавриата по машиностроению имеет аккредитацию ABET. Аккредитация ABET является значительным достижением.Мы упорно трудились, чтобы гарантировать, что наша программа соответствует стандартам качества, установленным профессией. А поскольку аккредитация ABET требует комплексных периодических оценок, она демонстрирует нашу неизменную приверженность качеству нашей программы — как сейчас, так и в будущем.

Подготовка к поступлению в аспирантуру

Наша программа бакалавриата в области машиностроения подготовит вас к углубленному изучению в этой области. Получите степень магистра и/или доктора наук в области машиностроения, инженерной механики или в смежных областях либо в Технологическом институте штата Мичиган, либо в другом университете.

Искусственный интеллект использует компьютеры и машины, чтобы имитировать способность человеческого разума решать проблемы и принимать решения.

Что такое искусственный интеллект?

Несмотря на то, что за последние несколько десятилетий появилось несколько определений искусственного интеллекта (ИИ), Джон Маккарти предлагает следующее определение в этой статье 2004 года (PDF, 106 КБ) (ссылка не принадлежит IBM): «Это наука и проектирование создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться методами, которые можно наблюдать биологически."

Однако за несколько десятилетий до этого определения рождение разговора об искусственном интеллекте было обозначено основополагающей работой Алана Тьюринга «Вычислительные машины и интеллект» (PDF, 89,8 КБ) (ссылка находится за пределами IBM), которая была опубликована в 1950 году. В этой статье Тьюринг, которого часто называют «отцом информатики», задает следующий вопрос: «Могут ли машины думать?» Оттуда он предлагает тест, теперь известный как «Тест Тьюринга», в котором следователь-человек пытается различить текстовый ответ компьютера и человека. Несмотря на то, что с момента публикации этот тест подвергся тщательной проверке, он остается важной частью истории ИИ, а также актуальной философской концепцией, поскольку в нем используются идеи, связанные с лингвистикой.

Затем Стюарт Рассел и Питер Норвиг опубликовали книгу «Искусственный интеллект: современный подход» (ссылка не принадлежит IBM), которая стала одним из ведущих учебников по изучению ИИ. В нем они углубляются в четыре потенциальных цели или определения ИИ, которые различают компьютерные системы на основе рациональности и мышления по сравнению с действием:

Человеческий подход:

Системы, мыслящие как люди
Системы, которые действуют как люди

Идеальный подход:

Системы, мыслящие рационально
Системы, которые действуют рационально

Определение Алана Тьюринга подпадает под категорию «системы, которые действуют как люди».

В своей простейшей форме искусственный интеллект – это область, которая сочетает в себе информатику и надежные наборы данных для решения проблем. Он также охватывает подобласти машинного обучения и глубокого обучения, которые часто упоминаются в связи с искусственным интеллектом. Эти дисциплины состоят из алгоритмов ИИ, которые стремятся создать экспертные системы, которые делают прогнозы или классификации на основе входных данных.

Сегодня все еще много шумихи вокруг разработки ИИ, что ожидается от любой новой технологии, появляющейся на рынке. Как отмечается в цикле ажиотажа Gartner (ссылка находится за пределами IBM), инновации в продуктах, такие как беспилотные автомобили и персональные помощники, следуют «типичному прогрессу инноваций, от чрезмерного энтузиазма через период разочарования к конечному пониманию актуальности и роли инновации. на рынке или в домене». Как отмечает здесь (01:08:15) Лекс Фридман (ссылка находится за пределами IBM) в своей лекции в Массачусетском технологическом институте в 2019 году, мы находимся на пике завышенных ожиданий, приближаясь к пропасти разочарования.

По мере того, как возникают разговоры об этике ИИ, мы начинаем замечать первые проблески разочарования. Чтобы узнать больше о том, какую позицию IBM занимает в разговоре об этике ИИ, читайте здесь.

Типы искусственного интеллекта — слабый ИИ против сильного ИИ

Слабый ИИ – его также называют узким ИИ или искусственным узким интеллектом – это ИИ, обученный и ориентированный на выполнение определенных задач. Слабый ИИ управляет большей частью ИИ, который нас сегодня окружает. «Узкий» может быть более точным описанием этого типа ИИ, поскольку он совсем не слабый; он позволяет использовать некоторые очень надежные приложения, такие как Siri от Apple, Alexa от Amazon, IBM Watson и автономные транспортные средства.

Сильный ИИ состоит из искусственного общего интеллекта (AGI) и искусственного сверхразума (ASI). Искусственный общий интеллект (AGI) или общий ИИ — это теоретическая форма ИИ, в которой машина будет иметь интеллект, равный человеческому; у него будет самоосознающее сознание, способное решать проблемы, учиться и планировать будущее. Искусственный суперинтеллект (ИСИ), также известный как суперинтеллект, превзойдет интеллект и способности человеческого мозга.Хотя сильный ИИ по-прежнему является чисто теоретическим и практически не используется сегодня, это не означает, что исследователи ИИ также не изучают его развитие. А пока лучшие примеры ИСИ могут быть взяты из научной фантастики, например HAL, сверхчеловека, мошеннического компьютерного помощника в 2001: Космическая одиссея

Глубокое обучение против машинного обучения

Поскольку глубокое обучение и машинное обучение, как правило, используются взаимозаменяемо, стоит обратить внимание на нюансы между ними. Как упоминалось выше, и глубокое обучение, и машинное обучение являются подобластями искусственного интеллекта, а глубокое обучение фактически является подобластью машинного обучения.

Глубокое обучение на самом деле состоит из нейронных сетей. «Глубокое» в глубоком обучении относится к нейронной сети, состоящей из более чем трех слоев, включая входные и выходные данные, которые можно считать алгоритмом глубокого обучения. Обычно это представляется с помощью следующей схемы:

Способ, которым глубокое обучение и машинное обучение отличаются, заключается в том, как каждый алгоритм обучается. Глубокое обучение автоматизирует большую часть процесса извлечения признаков, устраняя часть необходимого ручного вмешательства человека и позволяя использовать большие наборы данных. Вы можете думать о глубоком обучении как о «масштабируемом машинном обучении», как отметил Лекс Фридман в той же лекции MIT сверху. Классическое или «неглубокое» машинное обучение в большей степени зависит от вмешательства человека. Эксперты-люди определяют иерархию функций, чтобы понять различия между входными данными, что обычно требует более структурированных данных для изучения.

"Глубокое" машинное обучение может использовать помеченные наборы данных, также известное как обучение с учителем, для информирования своего алгоритма, но для этого не обязательно требуется помеченный набор данных. Он может принимать неструктурированные данные в необработанном виде (например, текст, изображения) и может автоматически определять иерархию функций, которые отличают разные категории данных друг от друга. В отличие от машинного обучения, для обработки данных не требуется вмешательство человека, что позволяет масштабировать машинное обучение более интересными способами.

Приложения искусственного интеллекта

Сегодня существует множество реальных приложений систем искусственного интеллекта. Ниже приведены некоторые из наиболее распространенных примеров:

Распознавание речи. Оно также известно как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст. Это функция, использующая обработку естественного языка (NLP) для преобразования человеческой речи в письменный формат. . Многие мобильные устройства включают в свои системы распознавание речи для осуществления голосового поиска. Siri — или предоставьте дополнительные возможности для текстовых сообщений.
Обслуживание клиентов. Виртуальные онлайн-агенты заменяют людей на пути клиента. Они отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персональные советы, перекрестные продажи продуктов или предлагают размеры для пользователей, изменяя наше представление о взаимодействии с клиентами на веб-сайтах и платформах социальных сетей. Примеры включают боты для обмена сообщениями на сайтах электронной коммерции с виртуальными агентами, приложения для обмена сообщениями, такие как Slack и Facebook Messenger, а также задачи, обычно выполняемые виртуальными помощниками и голосовыми помощниками.
Компьютерное зрение. Эта технология искусственного интеллекта позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видео и других визуальных входных данных и на основе этих входных данных выполнять действия. Эта способность давать рекомендации отличает его от задач распознавания изображений. Компьютерное зрение, основанное на сверточных нейронных сетях, применяется для пометки фотографий в социальных сетях, радиологических изображений в здравоохранении и беспилотных автомобилей в автомобильной промышленности.
Системы рекомендаций. Алгоритмы искусственного интеллекта, используя данные о прошлом потреблении, могут помочь обнаружить тенденции данных, которые можно использовать для разработки более эффективных стратегий перекрестных продаж. Это используется для предоставления релевантных дополнительных рекомендаций покупателям в процессе оформления заказа для интернет-магазинов.
Автоматизированная торговля акциями. Платформы для высокочастотной торговли на базе искусственного интеллекта, предназначенные для оптимизации портфелей акций, совершают тысячи и даже миллионы сделок в день без вмешательства человека.

История искусственного интеллекта: ключевые даты и имена

Идея "мыслящей машины" восходит к Древней Греции. Но с момента появления электронных вычислений (и относительно некоторых тем, обсуждаемых в этой статье) важные события и вехи в эволюции искусственного интеллекта включают следующее:

1950: Алан Тьюринг публикует Computing Machinery and Intelligence. В статье Тьюринг, известный тем, что взломал нацистский код ENIGMA во время Второй мировой войны, предлагает ответить на вопрос: «Могут ли машины думать?» и вводит тест Тьюринга, чтобы определить, может ли компьютер продемонстрировать тот же интеллект (или результаты того же интеллекта), что и человек. С тех пор о ценности теста Тьюринга ведутся споры.
1956 г. Джон Маккарти вводит термин "искусственный интеллект" на первой в истории конференции по искусственному интеллекту в Дартмутском колледже. (Маккарти впоследствии изобрел язык Лисп.) Позже в том же году Аллен Ньюэлл, Дж. К. Шоу и Герберт Саймон создали Logic Theorist, первую в мире программу для искусственного интеллекта.
1967: Фрэнк Розенблатт создает персептрон Mark 1, первый компьютер на основе нейронной сети, которая "обучалась" методом проб и ошибок. Всего год спустя Марвин Мински и Сеймур Пейперт публикуют книгу под названием Perceptrons, которая становится одновременно и знаковой работой по нейронным сетям, и, по крайней мере, на какое-то время, аргументом против будущих проектов по исследованию нейронных сетей.< /li>
1980-е: нейронные сети, которые используют алгоритм обратного распространения для самообучения, стали широко использоваться в приложениях ИИ.
1997: IBM Deep Blue побеждает тогдашнего чемпиона мира по шахматам Гарри Каспарова в шахматном матче (и матче-реванше).
2011: IBM Watson побеждает Кена Дженнингса и Брэда Раттера в Jeopardy!
2015 г. Суперкомпьютер Minwa компании Baidu использует особый тип глубокой нейронной сети, называемой сверточной нейронной сетью, для идентификации и классификации изображений с более высокой степенью точности, чем у среднего человека.
2016: программа DeepMind AlphaGo, основанная на глубокой нейронной сети, побеждает Ли Содоля, чемпиона мира по игре в го, в матче из пяти игр. Победа значима, учитывая огромное количество возможных ходов по ходу игры (более 14,5 триллионов всего за четыре хода!). Позже Google приобрела DeepMind за 400 млн долларов США.

Искусственный интеллект и IBM Cloud

IBM является лидером в продвижении технологий на основе искусственного интеллекта для предприятий и стала пионером в создании систем машинного обучения для различных отраслей. Основываясь на десятилетиях исследований ИИ, многолетнем опыте работы с организациями любого размера и опыте более 30 000 проектов IBM Watson, IBM разработала лестницу ИИ для успешного развертывания искусственного интеллекта:

Организация: создание бизнес-аналитической базы.
Анализ: создание масштабируемых и надежных систем на основе ИИ. Интеграция и оптимизация систем во всей бизнес-инфраструктуре. Перенесите свои приложения и системы с искусственным интеллектом в облако.

IBM Watson предоставляет предприятиям инструменты искусственного интеллекта, необходимые для преобразования их бизнес-систем и рабочих процессов, при этом значительно повышая автоматизацию и эффективность. Чтобы получить дополнительную информацию о том, как IBM может помочь вам завершить переход к ИИ, изучите портфель управляемых услуг и решений IBM

Закон CHIPS не только направляет миллиарды долларов на производство полупроводниковых микросхем в США, но и отражает серьезные изменения в том, как США .

Подробнее об основных функциях, отличительных чертах, сильных и слабых сторонах платформ блокчейна, которые получают максимальную отдачу .

Эксперты высоко оценивают недавно предложенное Комиссией по ценным бумагам и биржам США правило раскрытия информации о климатических рисках, которое требует от компаний выявлять климатические риски .

Несмотря на то, что спецификации программного обеспечения создают новые проблемы для групп безопасности, они предлагают преимущества улучшенной видимости.

В 2021 году службы безопасности столкнулись с беспрецедентными проблемами. Предстоящий год кажется не менее сложным. Вот тенденции кибербезопасности.

Одного обвиняемого обвиняют в использовании печально известного вредоносного ПО Trisis или Triton против компаний энергетического сектора, включая домен .

Новейшее аппаратное обеспечение Cisco и привязка Intersight к общедоступному облаку Kubernetes расширяют возможности гибридных облачных продуктов для клиентов. Но .

Чтобы преодолеть разрыв между командами NetOps и SecOps, сетевые специалисты должны знать основы безопасности, включая различные типы .

Какова реальность новых сетевых технологий? Здесь эксперты определяют риски — реальные или предполагаемые — и преимущества, которые они несут .

Удвоив свою инициативу RPA, ServiceNow представила версию своей платформы Now для Сан-Диего, которая содержит центр RPA и a.

Nvidia представляет новую архитектуру GPU, суперкомпьютеры и чипы, которые вместе помогут разработчикам в создании аппаратного обеспечения.

Intel оптимистично настроена, что ее дорожная карта процессоров может вернуть компанию на первое место, но компания сталкивается со сложной перспективой .

Поставщик базы данных как услуги расширил возможности сбора данных об изменениях в своей облачной базе данных с помощью технологий из своего .

Поставщик платформы "база данных как услуга" стремится облегчить разработчикам создание приложений, управляемых данными, и возврат к исходному состоянию.

Хранилище данных Apache Pinot OLAP с открытым исходным кодом стало проще в развертывании, управлении и эксплуатации в облаке благодаря улучшенному .

Когда мы проектируем машины для подключенного мира, традиционный набор инструментов менеджера по эксплуатации или инженера может выглядеть довольно пустым. По мере того как наши активы и системы становятся все более сложными, способы их разработки, управления и обслуживания также должны развиваться. Нам нужны инструменты, чтобы соответствовать новым реалиям программных продуктов, подпитываемых цифровым прорывом. Войдите в цифровой двойник. Это технологический скачок «через зазеркалье» в самое сердце физических активов. Цифровые двойники дают нам представление о том, что происходит или может произойти с физическими активами сейчас и в далеком будущем.

Начнем с основ: что такое цифровой двойник?

Хотите определение, которое сможете запомнить? Попробуйте это:

"Цифровой двойник – это виртуальное представление объекта или системы, которое охватывает весь его жизненный цикл, обновляется на основе данных в реальном времени и использует моделирование, машинное обучение и рассуждения для помощи в принятии решений".

Проще говоря, это просто означает создание очень сложной виртуальной модели, которая является точной копией (или близнецом) физической вещи. «Вещь» может быть автомобилем, зданием, мостом или реактивным двигателем. Подключенные датчики на физическом активе собирают данные, которые можно сопоставить с виртуальной моделью. Любой, кто смотрит на цифрового двойника, теперь может видеть важную информацию о том, как работает физическая вещь в реальном мире.

Цифровые двойники позволяют нам понимать настоящее и предсказывать будущее

Это означает, что цифровой двойник является жизненно важным инструментом, помогающим инженерам и операторам понять не только то, как продукты работают, но и как они будут работать в будущем. . Анализ данных с подключенных датчиков в сочетании с другими источниками информации позволяет нам делать такие прогнозы.

Благодаря этой информации организации могут быстрее узнавать больше. Они также могут сломать старые границы, связанные с инновациями продуктов, сложными жизненными циклами и созданием ценности.

Цифровые двойники помогают производителям и инженерам добиться многого, например:

Визуализация продуктов, используемых реальными пользователями, в режиме реального времени.
Создание цифрового потока, связывающего разрозненные системы и обеспечивающего отслеживаемость.
Уточнение предположений с помощью прогнозной аналитики
Устранение неполадок удаленного оборудования
Управление сложностями и связями внутри систем-систем

Давайте рассмотрим некоторые из них более подробно.

Случаи использования цифрового двойника: точка зрения инженера

Давайте рассмотрим пример цифровых двойников в действии. А поскольку основными пользователями цифровых двойников являются инженеры, давайте воспользуемся их точкой зрения.

Работа инженера заключается в разработке и тестировании продуктов, будь то автомобили, реактивные двигатели, туннели или предметы домашнего обихода, с учетом их полного жизненного цикла. Другими словами, они должны убедиться, что продукт, который они разрабатывают, подходит для этой цели, может выдерживать износ и хорошо реагировать на среду, в которой он будет использоваться.

Виртуальное создание реальных сценариев

Например, инженер, тестирующий тормозную систему автомобиля, запускал компьютерную симуляцию, чтобы понять, как система будет работать в различных реальных сценариях. Преимущество этого метода в том, что он намного быстрее и дешевле, чем создание нескольких физических автомобилей для тестирования. Но есть еще некоторые недостатки.

Во-первых, компьютерное моделирование, подобное описанному выше, ограничено текущими событиями и средами реального мира. Они не могут предсказать, как машина отреагирует на будущие сценарии и изменяющиеся обстоятельства. Во-вторых, современные тормозные системы — это больше, чем механика и электрика. Они также состоят из миллионов строк кода.

Именно здесь на помощь приходят цифровой двойник и Интернет вещей. Цифровой двойник использует данные с подключенных датчиков, чтобы рассказать историю актива на протяжении всего его жизненного цикла. От тестирования до использования в реальном мире. С помощью данных IoT мы можем измерять конкретные показатели состояния и производительности активов, например температуру и влажность. Включив эти данные в виртуальную модель, или цифрового двойника, инженеры получают полное представление о том, как работает автомобиль, благодаря обратной связи от самого автомобиля в режиме реального времени. Чтобы узнать больше об инженерной точке зрения, ознакомьтесь с примером из практики клиента: Переход к Индустрии 4.0 с гибким подходом к системному проектированию.

Использование цифрового двойника означает более эффективные исследования и разработки, большую эффективность и более комплексный подход к завершению срока службы продукта.

Ценность цифрового двойника: понимание эффективности продукта

Цифровые двойники дают компаниям беспрецедентное представление о том, как работают их продукты. Цифровой двойник может помочь выявить потенциальные неисправности, устранить неполадки на расстоянии и, в конечном счете, повысить удовлетворенность клиентов. Это также помогает дифференцировать продукты, повышать их качество и предоставлять дополнительные услуги.

Если вы видите, как клиенты используют ваш продукт после того, как они его купили, вы можете получить ценную информацию. Это означает, что вы можете использовать данные для (если это оправдано) безопасного устранения нежелательных продуктов, функций или компонентов, экономя время и деньги.

Беспрецедентный контроль над визуализацией издалека

У цифрового двойника есть и другие преимущества. Одна из основных заключается в том, что цифровые двойники предоставляют инженерам и операторам детальное и сложное представление о физическом активе, который может находиться далеко. Благодаря близнецу инженеру и активу не нужно находиться в одной комнате или даже в одной стране.

Представьте, например, что инженер-механик из Сиэтла использует цифровой двойник для диагностики реактивного двигателя, находящегося в ангаре аэропорта О'Хара. Или инженеры, визуализирующие всю длину тоннеля под Ла-Маншем от Кале. Тысячи датчиков в дюжине модальностей, таких как зрение, звук, вибрация, высота над уровнем моря и т. д., означают, что инженер может «дублировать» физическую вещь практически из любой точки мира. Это означает беспрецедентную ясность и контроль над визуализацией.

Как IBM работает с цифровым двойником

IBM много работает с технологиями цифровых двойников. И приложения продолжают расти в разных отраслях. внедрение дополненной реальности (AR) в управление активами. Лабораторные услуги IBM Maximo «включают» многие визуальные и голосовые функции (обработка естественного языка) для ваших сотрудников. Это позволяет вам увидеть свои активы в новом измерении и получить мгновенный доступ к критически важным данным. Затем вы можете передать эти идеи другим, используя шлем AR с голосом / видео в визоре. Это делает «взаимодействие» следующей эволюцией работы.

Цифровой двойник также играет ключевую роль в жизненном цикле системной инженерии и является ключевой функцией IBM Engineering Systems Design, где команды могут использовать MBSE для оптимизации проектирования и разработки продуктов.

Будущее когнитивного цифрового двойника

Цифровые двойники уже помогают организациям опережать цифровую революцию, понимая изменяющиеся предпочтения клиентов, настройки и опыт. Это знание означает, что предприятия могут быстрее и качественнее поставлять продукты, начиная от компонентов и заканчивая кодом. Тем не менее, обещание цифрового двойника может пойти еще дальше.

Использование когнитивных вычислений расширяет возможности и научные дисциплины цифрового двойника. Технологии и методы, такие как обработка естественного языка (NLP), машинное обучение, распознавание объектов и изображений, акустическая аналитика и обработка сигналов, — это лишь некоторые из функций, дополняющих традиционные инженерные навыки. Например, используя когнитивные функции для улучшения тестирования, цифровой двойник может определить, какие тесты продукта следует запускать чаще. Это также может помочь решить, какие из них следует удалить. Когнитивные цифровые двойники могут вывести нас за пределы человеческой интуиции для проектирования и усовершенствования машин будущего. Нет более универсальной модели. Вместо этого машины изготавливаются индивидуально. Это потому, что когнитивный цифровой двойник — это не только то, что мы создаем, но и то, для кого.

Хорошая интеграция технологий заключается не в использовании самого модного инструмента, а в том, чтобы знать о множестве вариантов и выбирать правильную стратегию (или стратегии) для данного урока.

Возможно, самым большим препятствием для онлайн-обучения являются не технологии. На самом деле учителя ищут образовательные технологии, потому что, согласно исследованию 2016 года, они «могут оказать значительное положительное влияние на успеваемость учащихся» — улучшая результаты тестов и позволяя учителям более эффективно оценивать успеваемость учащихся. Большая проблема заключается в том, как ее интегрировать: помимо огромного количества доступных технических инструментов, те же исследователи определили «неадекватное профессиональное развитие и обучение» в качестве основного препятствия для продуктивного использования технологий в классах.

Понятно, что появление коронавируса резко ускорило процесс интеграции образовательных технологий, поскольку преподаватели по всей стране стремятся выйти в Интернет как можно быстрее.Но, как отмечают многие наши преподаватели, нынешнее состояние онлайн-обучения K-12 больше похоже на сортировку — форму кризисного управления, а вовсе не на умело управляемое дистанционное обучение.

Чего не хватает в разговоре прямо сейчас, что имеет смысл, учитывая безотлагательность потребности, так это сосредоточения внимания на более важном вопросе о том, как на самом деле выглядит интеграция технологий высочайшего качества. Это важный разговор, потому что в посткоронавирусном мире, вероятно, больше внимания будет уделяться цифровому обучению, даже когда мы вернемся в физические школы и воспользуемся преимуществами очных занятий.

Иерархия технических применений

Мощным концептуальным инструментом, позволяющим обдумать технологическую интеграцию и лучшие способы использования образовательных технологий, является модель SAMR, разработанная в 2010 году исследователем в области образования Рубеном Пуэнтедурой, который в 1991 году получил награду Phi Beta Kappa в области преподавания.

Модель SAMR выделяет четыре уровня онлайн-обучения, представленные примерно в порядке их сложности и преобразующей силы: замена, дополнение, модификация и переопределение. При переходе на онлайн-формат учителя часто сосредотачиваются на первых двух уровнях, которые предполагают замену традиционных материалов цифровыми: преобразование уроков и рабочих листов в PDF-файлы и размещение их в Интернете или запись лекций на видео и предоставление их для асинхронного обучения, для пример.

Читайте также: