Формы, наоборот, с их помощью данные выдаются на принтер в удобном и наглядном виде

Обновлено: 20.11.2024

Как метод аддитивного производства (AM) без луча, струйная 3D-печать связующим (BJ3DP) представляет собой процесс, в котором жидкое связующее наносится на слои порошкообразных материалов, выборочно соединяются, а затем следует процесс уплотнения. Среди технологий AM струйная обработка связующего имеет особые перспективы из-за возможности быстрого производства сложных структур для достижения изотропных свойств в образцах, напечатанных на 3D-принтере. Используя преимущества традиционной порошковой металлургии, машины BJ3DP могут производить прототипы, в которых свойства материала и качество поверхности аналогичны тем, которые достигаются с помощью традиционной порошковой металлургии. Различные порошковые материалы были напечатаны на 3D-принтере, но типичной задачей во время BJ3DP является разработка методов печати и постобработки, которые максимизируют производительность детали. Поэтому подробный обзор физических процессов во время 3D-печати и фундаментальной науки об уплотнении после этапов спекания и посттермической обработки предназначен для понимания эволюции микроструктуры и свойств деталей, обработанных струйной обработкой связующим. Кроме того, для определения влияния процесса распыления связующего на металлургические свойства, роль характеристик порошка (например, морфология, средний размер, распределение), параметров процесса печати (например, толщина слоя, ориентация печати, насыщение связующим, скорость печати, сушка время), спекание (например, температура, время выдержки) и постобработка обсуждаются. С развитием технологий AM и необходимостью постобработки 3D-печатных деталей необходимо понимание эволюции микроструктуры во время уплотнения, и здесь объясняются этапы обработки. Наконец, рассматриваются возможности для будущего продвижения.

Ключевые слова

Доктор. Амир Мостафаи является доцентом кафедры материалов, машиностроения и аэрокосмической инженерии Иллинойского технологического института в Чикаго с января 2020 года со степенью доктора философии. Кандидат наук в области материаловедения и инженерии Университета Питтсбурга, штат Пенсильвания, США, научный сотрудник с высшим образованием в Центре производственных инициатив в области будущего (MFI) Университета Карнеги-Меллона с сентября 2018 г. по декабрь 2019 г. и степень магистра наук. степень в области защиты от коррозии и материалов (Технологический университет Саханда, Иран). Его докторская степень Основное внимание уделялось струйной 3D-печати связующим конструкционными, биосовместимыми композитами с металлической матрицей и сплавами с магнитной памятью формы. Было исследовано влияние оптимизации процесса печати во время распыления связующего, а также развития постобработки, включая спекание и обработку поверхности 3D-печатных деталей, на эволюцию микроструктуры, фазовое образование и результирующие свойства деталей, обработанных связующим. Кроме того, он работал над лазерным сплавлением металлических материалов в порошковом слое и оценкой параметров обработки микроструктуры, распределения пористости, механических свойств и коррозионного поведения различных деталей, изготовленных аддитивным способом, из титана, алюминия, нержавеющей стали и никеля. сплавы. Д-р Мостафаеи опубликовал литературу по высокотемпературной коррозии и анализу отказов нержавеющих сталей и суперсплавов на основе никеля, используемых на нефтяных и атомных электростанциях, многофункциональных органических покрытий, сварочной металлургии и производстве наноматериалов. Наконец, исследования доктора Мостафаеи в основном сосредоточены на применении фундаментальных аспектов материаловедения и инженерии для удовлетворения потребностей различных производственных отраслей с помощью аддитивного производства.

Доктор. Эми Эллиотт получила степень бакалавра в Технологическом университете Теннесси и докторскую степень. из Политехнического института Вирджинии и Университета штата Вирджиния, оба факультета машиностроения. С 2014 года она работала главным специалистом по производству струйных добавок связующего в Демонстрационном производственном центре Ок-Риджской национальной лаборатории (MDF), руководя исследованиями в области уплотнения, моделирования и печати печатного металлического порошка на сумму более 4 миллионов долларов США, а также разработкой связующего вещества. В рамках своей работы в MDF д-р Эллиотт встречается с представителями промышленности по всему миру, чтобы проконсультироваться по вопросам надлежащего применения технологии распыления связующего в производстве. В настоящее время д-р Эллиотт занимается разработкой материалов для промывки теплообменников связующим в суровых условиях, разработкой связующего для металлических порошков, компьютерным моделированием искажений при спекании и разработкой новых композитов с металлической матрицей и керамической матрицей для использования в горнодобывающей промышленности и добыче полезных ископаемых. теплообмен, броня и коллимация нейтронов.

Доктор.Джон Барнс — основатель The Barnes Group Advisors и вице-президент по перспективному производству и стратегии в Arconic, где он работал с Airbus над квалификацией первых деталей из титана, изготовленных аддитивным способом, для серийного производства самолетов A350. До прихода в Arconic он был директором программы High-Performance Metals в CSIRO, национальном научном агентстве Австралии, где он руководил исследованиями и разработками, коммерциализацией и инвестициями в две основные области программы: производство металлов и аддитивное производство. Его опыт работы в аэрокосмической отрасли включает продолжительные должности в компании Honeywell Engines, где он поддерживал передовые технологии газовых турбин и был руководителем программ морских двигателей, а также старшим менеджером по производственным исследованиям и разработкам в Lockheed Martin Skunk Works. В Lockheed Martin он отвечал за разработки передовых полимеров, композитов, углеродных нанотрубок, нового производства и обработки титана, аддитивного производства как полимерных, так и металлических систем, а также малозаметных производственных методов. Джон имеет 12 патентов, выданных или находящихся на рассмотрении, и провел множество приглашенных презентаций, опубликованных на международном уровне. В 2014 году он был удостоен награды «Выдающийся инженер-материаловед года» Университета Пердью и получил должность адъюнкт-профессора в RMIT. В 2017 году факультет Университета Карнеги-Меллона назначил его адъюнкт-профессором материаловедения. Джон имеет степень бакалавра в области материаловедения и инженерии, а также степень магистра в области металлургии Университета Пердью.

Фанчжоу Ли — аспирант кафедры машиностроения Университета Юты. В настоящее время он работает в Лаборатории лазерного производства и сосредотачивает свои исследования на вычислительной гидродинамике и взаимодействии жидкости и структуры в различных процессах аддитивного производства, включая распыление связующего, лазерное плавление порошкового слоя и направленное выделение энергии. До этого он работал в Шанхайской ключевой лаборатории цифрового производства тонкостенных конструкций с 2016 по 2018 год, где исследовал взаимосвязь процесс-микроструктура-свойства в новой контактной точечной сварке с контактным контактом с металлическим контактом и точечной контактной сварке с магнитным полем. сварочные технологии. Он получил степень бакалавра и магистра в области машиностроения в Шанхайском университете Цзяо Тонг.

Доктор. Венда Тан — доцент кафедры машиностроения Университета Юты. Он также является директором Лаборатории лазерного производства. Его основной опыт лежит в области вычислительной теплопередачи, вычислительной гидромеханики и вычислительных материалов. Он использует этот опыт для изучения фундаментальной науки о взаимосвязи процесс-микроструктура-свойства в различных производственных процессах, таких как аддитивное производство, сварка и соединение, а также литье. Он получил степень бакалавра и магистра в области машиностроения в Университете Цинхуа, Китай, и степень доктора философии в области машиностроения в Университете Пердью. Он также получил престижную награду CAREER от Национального научного фонда в 2018 году.

Доктор. Корсон Л. Крамер поступил в Мичиганский технологический университет, чтобы получить степень бакалавра в области машиностроения, и в Университет штата Колорадо, чтобы получить степень магистра наук. и доктор философии в машиностроении. С 2017 года он является постдокторским научным сотрудником в группе производства добавок для струйных связующих в Демонстрационном производственном центре Окриджской национальной лаборатории (ORNL), где он руководил проектами по керамике, керамическим композитам и металлокерамическим композитам. Он опубликовал литературу по обработке порошков, обработке тонких пленок, керамике, полупроводникам и термоэлектрике. За время работы в ORNL он подал несколько заявлений о раскрытии патентов. Текущие области исследований доктора Крамера включают разработку керамических и композитных материалов для распыления связующего, разработку новых композитов с металлической матрицей и керамической матрицей, обработку керамики, а также новую обработку и печать керамических материалов. Он является членом SME и ACERS.

Доктор. Пиюш Нандвана получил степень бакалавра технологий в Национальном технологическом институте Висвесварая, Индия (металлургия, материаловедение и инженерия), степень магистра наук. и доктор философии в Университете Северного Техаса (материаловедение и инженерия). С 2014 года он является научным сотрудником Демонстрационного производственного центра Окриджской национальной лаборатории.Он работал над различными технологиями аддитивного производства, такими как электронно-лучевая плавка в порошковом слое, лазерная плавка в порошковом слое, лазерное осаждение проволоки и аддитивное производство различных материалов, таких как титановые сплавы, суперсплавы на основе никеля и стали. Д-р Нандвана возглавляет работу по уплотнению инструментальных сталей и других монолитных сплавов, наплавленных с помощью струйного производства связующего, уделяя особое внимание характеристикам материалов и их механическим свойствам. Кроме того, д-р Нандвана возглавляет разработку циклов горячего изостатического прессования для материалов для аддитивного производства с целью улучшения механических свойств, таких как усталостная прочность этих материалов. Исследования доктора Нандваны сосредоточены на применении основ материаловедения для удовлетворения потребностей различных производственных отраслей с помощью аддитивного производства.

Доктор. Маркус Хмиелус — адъюнкт-профессор кафедры машиностроения и материаловедения с сентября 2013 г., имеет докторскую степень в области материаловедения и инженерии Берлинского технического университета и Центра материалов и энергии им. Гельмгольца, Германия, постдокторант Корнельского университета. (с 2010 по 2013 год) и степень магистра в области аэрокосмической техники (Университет Штутгарта, Германия) и материаловедения и инженерии (Государственный университет Бойсе). Лаборатория передовых технологий производства и магнитных материалов доктора Хмиелуса проводит исследования функциональных и конструкционных металлов на предмет влияния параметров производства и обработки на свойства и микроструктуру. Лаборатория занимается аддитивным производством металлов и особенно струйной печатью связующего, а также влиянием постобработки на эволюцию микроструктуры и свойства. Вторая область исследований — это фундаментальные исследования, производство и применение функциональных магнитных материалов, таких как магнитные сплавы Ni-Mn-Ga с памятью формы и магнитокалорические материалы, особенно аспект использования аддитивного производства в качестве нового пути для производства этих материалов. Основной интерес представляет понимание эволюции микроструктуры во время печати и постобработки, а также того, как различные методы аддитивного производства и обработки влияют на функциональные свойства функциональных магнитных материалов. Всеобъемлющей частью всей исследовательской деятельности является количественная характеристика микроструктуры, дефектов, механических, электрических, магнитных и тепловых свойств в различных масштабах длины с использованием местных, национальных и международных средств, включая синхротронную и нейтронную дифракцию и сотрудничество.

Оставьте свои данные, и мы перезвоним вам с информацией о выбранной вами программе.

  • Сборы
  • Курсы обучения
  • Требования к участию
  • Сетевая структура

Компании используют аналитику, чтобы изучать и анализировать свои данные, а затем преобразовывать полученные результаты в идеи, которые в конечном итоге помогают руководителям, менеджерам и операционным сотрудникам принимать более обоснованные бизнес-решения. Три ключевых типа аналитики, которые используют предприятия, — это описательная аналитика того, что произошло в бизнесе; предиктивная аналитика, что может произойти; и предписывающая аналитика, что должно произойти. Хотя каждая из этих методологий предлагает свои уникальные идеи, преимущества и недостатки в своем применении, использование этих аналитических инструментов в сочетании может быть особенно мощным активом для бизнеса.

При использовании данных важно учитывать руководство правительства Австралии по анализу данных и Принципы конфиденциальности Австралии. В этом руководстве описывается, как следует учитывать индивидуальную конфиденциальность при использовании данных государственными учреждениями и частным сектором, а также то, как Австралийские принципы конфиденциальности применяются к анализу данных. Подобные рекомендации становятся все более необходимыми для регулирования, поскольку все больше и больше компаний обращаются к большим данным (крупным и сложным наборам данных) для увеличения доходов и повышения эффективности и результативности бизнеса.

Что такое описательная аналитика?

Описательная аналитика – это широко используемая форма анализа данных, при которой исторические данные собираются, систематизируются, а затем представляются в удобном для понимания виде. Описательная аналитика фокусируется только на том, что уже произошло в бизнесе, и, в отличие от других методов анализа, не используется для выводов или прогнозов на основе полученных результатов. Описательная аналитика — это, скорее, основополагающая отправная точка, используемая для информирования или подготовки данных для дальнейшего анализа.

Как правило, описательная аналитика, наиболее упрощенная форма анализа данных, использует простые математические и статистические инструменты, такие как арифметика, средние значения и процентные изменения, а не сложные расчеты, необходимые для прогнозной и предписывающей аналитики. Наглядные инструменты, такие как линейные графики, круговые и гистограммы, используются для представления результатов, а это означает, что описательная аналитика может и должна быть понятна широкой бизнес-аудитории.

Как работает описательная аналитика?

Описательная аналитика использует два основных метода: агрегацию данных и анализ данных (также известный как обнаружение данных) для обнаружения исторических данных. Агрегация данных — это процесс сбора и организации данных для создания управляемых наборов данных. Эти наборы данных затем используются на этапе интеллектуального анализа данных, где выявляются закономерности, тенденции и значения, а затем представляются в понятном виде.

Приглашенный автор блога IBM Business Analytics Дэн Вессет разбивает процесс описательной аналитики на пять основных этапов:

  • Определяются бизнес-показатели. Во-первых, создаются метрики, которые будут эффективно оценивать производительность в сравнении с бизнес-целями, такими как повышение операционной эффективности или увеличение доходов. Вессет говорит, что успех описательной аналитики в значительной степени зависит от управления ключевыми показателями эффективности (KPI). «Без управления, — пишет он, — не может быть консенсуса в отношении того, что означают данные, что гарантирует маргинальную роль аналитики в принятии решений».
  • Требуемые данные определены. Данные берутся из репозиториев, таких как отчеты и базы данных. «Чтобы точно измерять ключевые показатели эффективности, — говорит Вессет, — компании должны каталогизировать и подготовить правильные источники данных для извлечения необходимых данных и расчета показателей на основе текущего состояния бизнеса».
  • Данные собираются и подготавливаются. Подготовка данных — депубликация, преобразование и очистка, например, — выполняется до этапа анализа и является важным шагом для обеспечения точности; это также один из самых трудоемких шагов для аналитика.
  • Данные анализируются. Сводная статистика, кластеризация, отслеживание закономерностей и регрессионный анализ используются для поиска закономерностей в данных и измерения производительности.
  • Данные представлены. Наконец, диаграммы и графики используются для представления результатов таким образом, чтобы их могли понять неспециалисты по аналитике.

Что нам может сказать описательная аналитика?

Описательная аналитика часто используется в повседневной деятельности организации. Отчеты компании, такие как отчеты о запасах, рабочих процессах, продажах и доходах, являются примерами описательной аналитики, которая обеспечивает исторический обзор операций организации. Данные, собранные с помощью таких отчетов, можно легко агрегировать и использовать для создания моментальных снимков операций организации.

Согласно платформе онлайн-обучения DeZyre, социальная аналитика почти всегда является примером описательной аналитики. Количество подписчиков, лайков и сообщений можно использовать, например, для определения среднего количества ответов на сообщение, количества просмотров страниц и среднего времени ответа. Комментарии, которые люди публикуют на Facebook или в Instagram, также являются примерами описательной аналитики и могут использоваться для лучшего понимания отношения пользователей.

Однако описательная аналитика не пытается выйти за рамки поверхностных данных и анализа; дополнительное исследование выходит за рамки описательной аналитики, а информация, полученная в результате описательного анализа, не используется для выводов или прогнозов. Однако эта методология может выявить закономерности и значение путем сравнения исторических данных. Например, годовой отчет о доходах может показаться обнадеживающим с финансовой точки зрения сам по себе, пока его не сравнивают с теми же отчетами за предыдущие годы, и вместе они не обнаруживают тенденцию к снижению.

Cornerstone Performance Management имитирует построение "человеческих нейронных сетей как слоев узлов, которые изучают конкретную область процесса, но объединяются в сеть для общего прогноза". Примеры глубокого обучения включают кредитный скоринг с использованием социального и экологического анализа и сортировку цифровых медицинских данных. изображения, такие как рентгеновские снимки, для автоматизации прогнозов, которые врачи могут использовать при постановке диагноза пациентам.

Что нам может сказать прогнозная аналитика?

Поскольку предиктивная аналитика может сказать компании, что может произойти в будущем, эта методология позволяет руководителям и менеджерам использовать более активный, основанный на данных подход к бизнес-стратегии и принятию решений. Предприятия могут использовать прогностическую аналитику для чего угодно: от прогнозирования поведения клиентов и моделей покупок до выявления тенденций продаж.Прогнозы также могут помочь спрогнозировать такие вещи, как цепочка поставок, операции и потребность в запасах.

Каковы преимущества и недостатки прогнозного анализа?

Поскольку прогностический анализ основан на вероятностях, он никогда не может быть абсолютно точным, но может служить жизненно важным инструментом для прогнозирования возможных будущих событий и определения эффективной бизнес-стратегии на будущее. Прогнозная аналитика также может улучшить многие области бизнеса, в том числе:

  • Эффективность, которая может включать прогнозирование запасов.
  • Обслуживание клиентов, которое может помочь компании лучше понять, кто их клиенты и чего они хотят, чтобы адаптировать рекомендации.
  • Обнаружение и предотвращение мошенничества, которые могут помочь компаниям выявить закономерности и изменения.
  • Снижение рисков, что в финансовой сфере может означать улучшение проверки кандидатов.

Этот метод анализа основан на наличии исторических данных, обычно больших объемов.

Примеры прогнозного анализа

Способы использования предиктивной аналитики для прогнозирования возможных событий и тенденций в различных отраслях и компаниях весьма разнообразны. Например, отрасль здравоохранения является ключевым бенефициаром прогнозной аналитики. В 2019 году Университет RMIT в партнерстве с Совместным исследовательским центром Digital Health разработал программное обеспечение для поддержки принятия клинических решений для ухода за престарелыми, которое сократит число экстренных госпитализаций и предскажет ухудшение состояния пациентов за счет интерпретации исторических данных и разработки новых методов прогнозной аналитики. Цель состоит в том, чтобы прогностическая аналитика позволила поставщикам услуг по уходу за престарелыми, резидентам и их семьям лучше планировать уход за престарелыми.

Другие примеры отраслей, в которых можно использовать прогностический анализ, по данным аналитической компании Sisense, включают следующее:

  • Электронная коммерция – прогнозирование предпочтений клиентов и рекомендации продуктов клиентам на основе прошлых покупок и истории поиска.
  • Продажи — прогнозирование вероятности того, что покупатели купят другой товар или покинут магазин.
  • Кадровые ресурсы: выявляйте, думают ли сотрудники об увольнении, а затем убеждайте их остаться.
  • ИТ-безопасность — выявление возможных нарушений безопасности, требующих дальнейшего расследования
  • Здравоохранение: прогнозирование потребности в персонале и ресурсах

Halo Business Intelligence отмечает, что ряд методов и инструментов, таких как правила, статистика и алгоритмы машинного обучения, могут быть применены к имеющимся данным, включая как внутренние данные (внутри компании), так и внешние данные (например, полученные данные). из социальных сетей). Возможности машинного обучения выходят далеко за рамки того, что может сделать человек, пытаясь добиться тех же результатов.

Распространенное заблуждение состоит в том, что прогнозная аналитика и машинное обучение — это одно и то же. В то время как прогностическая аналитика изучает исторические данные с использованием статистических методов для прогнозирования будущего, машинное обучение, подмножество искусственного интеллекта, относится к способности компьютерной системы понимать большие — часто огромные — объемы данных без явных указаний и при этом адаптируйтесь и становитесь все умнее.

Что нам может сказать предписывающая аналитика?

Предписывающая аналитика предполагает, что, когда и, что особенно важно, почему что-то может произойти. После рассмотрения возможных последствий каждого варианта решения могут быть даны рекомендации относительно того, какие решения будут наилучшим образом использовать будущие возможности или снижать будущие риски. По сути, утверждает Halo Business Intelligence, предписывающая аналитика предсказывает несколько вариантов будущего и при этом позволяет рассмотреть возможные результаты для каждого из них до принятия каких-либо решений.

При эффективном выполнении предписывающей аналитики результаты могут оказать реальное влияние на бизнес-стратегию и принятие решений, направленных на улучшение таких показателей, как производство, качество обслуживания клиентов и рост бизнеса.

Каковы преимущества и недостатки предписывающей аналитики?

Предписывающая аналитика при эффективном использовании дает бесценную информацию для принятия оптимальных решений на основе данных для оптимизации эффективности бизнеса. Однако, как и в случае прогнозной аналитики, эта методология требует больших объемов данных для получения полезных результатов, которые не всегда доступны. Кроме того, алгоритмы машинного обучения, на которые часто опирается этот анализ, не всегда могут учитывать все внешние переменные. С другой стороны, использование машинного обучения значительно снижает вероятность человеческой ошибки.

Примеры предписывающей аналитики

Согласно Inside Info, широко используемым инструментом предписывающей аналитики является технология GPS, поскольку она предоставляет рекомендуемые маршруты для доставки пользователя к желаемому месту назначения на основе таких факторов, как время в пути и перекрытые дороги. В этом случае предписывающий анализ «оптимизирует цель, которая измеряет расстояния от начальной точки до конечной и предписывает оптимальный маршрут с кратчайшим расстоянием».

По данным аналитической компании Sisense, к другим областям применения предписывающего анализа относятся следующие:

  • Нефть и производство: отслеживание колебаний цен
  • Производство — улучшение управления оборудованием, техническое обслуживание, ценовое моделирование, производство и хранение.
  • Здравоохранение: улучшение ухода за пациентами и администрирования здравоохранения за счет оценки таких факторов, как частота повторных госпитализаций и экономическая эффективность процедур.
  • Страхование – оценка риска в отношении информации о ценах и премиях для клиентов.
  • Фармацевтические исследования — определение лучших групп тестирования и пациентов для клинических испытаний.

Австралийские компании отстают по сравнению с другими международными компаниями. С точки зрения «зрелости и совершенства аналитики» исследование показало, что большинство австралийских компаний попали в категорию «отстающих», которая описывает компании, которые используют только ограниченный описательный анализ данных, не имеют четко определенной стратегии аналитики, а также не хватает структур и культур, необходимых для его формирования. В исследовании говорится о нехватке достаточно подготовленного штатного аналитика, культуре, не склонной к риску, нежелании экспериментировать, а также об отсутствии руководства и стратегии для устранения недостатков.

Но, похоже, в ближайшем будущем ситуация изменится. В отчете Deloitte «Глобальные перспективы для частных компаний» показано, что бизнес-аналитика и анализ данных — это области, в которые многие австралийские частные компании планируют инвестировать в будущем. Однако создание собственного штата специалистов по аналитике может быть дорогостоящим, особенно при внедрении более продвинутой аналитики, а для некоторых предприятий, включающих аналитику в свою бизнес-стратегию, может потребоваться аутсорсинг работы группе аналитиков. В любом случае вложение того стоит: индекс влияния аналитики показал, что бизнес-лидеры в области аналитики получают на 60 % больше прибыли, чем те, кого называют отстающими, и по этой причине внедрение бизнес-аналитики, несомненно, заметно возрастет в ближайшие годы.

Подробнее об аналитике

Поскольку все больше и больше австралийских компаний начинают инвестировать в аналитику, профессионалы могут удовлетворить спрос, получив степень, которая ускорит их путь к успешной и динамичной карьере аналитика. Программа магистра аналитики UNSW Sydney Online позволяет занятым специалистам всего за два года получить всестороннюю ученую степень, не ставя под угрозу свою карьеру. Узнайте больше о программе сегодня и сделайте следующий шаг к успешной карьере.

Читайте также: