工业生产中机器学习的跨学科能力培养：工业数据科学的探索

1. 引言

德国制造业雇佣了八百万人口，使其成为全球主要的商业和工业中心之一。然而，生产环境正不断受到各种趋势和挑战的影响而发生变化。如今，除了追求高生产率和盈利能力外，高度多样化和可定制的产品组合已成为制造企业的核心战略竞争因素。这导致制造和装配系统变得更加灵活和复杂，传统方法和技术逐渐难以满足需求。

与此同时，数字化的推进以及系统全面捕捉和存储数据的技术能力，使得我们能够构建前所未有的大规模、高质量的数据存储库。这些数据可用于生产过程中的优化和决策。机器学习（ML）作为计算机科学和统计学的交叉学科，通过发现数据中重要且未知的结构和关联，为大量数据提供了智能和自动化的处理方式。不过，单纯的数据分析对解决实际问题的作用有限，结合特定领域的专业知识，它才是企业未来成功的关键因素。计算机科学、统计学和工程学的交叉形成了工业数据科学（IDS）领域。

然而，企业往往缺乏足够的资源来组建适合IDS项目的跨学科团队。为解决这一难题，学术毕业生的资格认证和工业专业人员的继续教育需要相应调整。“InDaS”研究项目聚焦于开发和验证一个全面且跨学科的资格认证概念，以提升工业生产中机器学习的方法能力。

2. 现状

2.1 生产中的机器学习

机器学习在多个应用领域已被证明具有显著优势。先进的ML模型的发明、大量数据集的可用性以及软件平台的发展，促进了其在大数据集上的训练和应用。

在工业生产中，ML方法可用于解决生产过程链中的各种问题。成功的应用包括生产规划与优化、质量改进与预测、预测性维护以及能源效率优化等。所使用的数据涵盖主数据、交易数据、日志数据、传感器数据以及文本、语音、视频和音频数据等。应用的算法包括监督和无监督方法，如基于树的分类器、支持向量机（SVM）、神经网络、广义线性模型（GLM）和聚类技术等。

然而，当前研究存在的差距在于缺乏跨学科能力，无法针对工程问题以情境化的方式正确制定学习任务和应用算法。

2.2 教育概念

在工业4.0时代，处理生产中大量数据所需的技术和功能能力日益重要。由于学习过程难以直接观察，出现了多种不同的理论、模型和方法来解释人类学习。针对不同目标群体的知识生成和转移的教育概念也多种多样。

实践导向的方法，如学习工厂，在学术和专业教育中的知识和创新转移方面显示出巨大潜力。教学和学习基于实际问题、研究和行业案例以及实践导向的教学方法。研究、行业和教育的结合使得跨学科、多维度的教学和学习体验成为可能，有助于知识的可持续转移、能力的发展以及创造性和自我组织行动能力的培养。

为将IDS的关键知识和技能应用于工业制造和装配，需要这种实践导向的方法。除了传授知识，还应培养学生将适当方法应用于实际问题的能力。目前有许多关于ML各个领域的研讨会、培训和证书课程，但每个课程都侧重于特定的方法主题，无法让参与者全面体验实际的工业ML项目。以下是不同数据科学讲座的内容重点比较：
| 讲座 | 机构 | 数据管理 | 数据准备与可视化 | 机器学习工具 | 机器学习方法 | 工业应用 | 工程领域知识 | 实践课程 | 实际用例处理 |
| — | — | — | — | — | — | — | — | — | — |
| 数据挖掘与机器学习 | TU Darmstadt | - | - | - | - | - | - | - | - |
| 数据挖掘 | Universität Hamburg | 考虑 | - | - | - | - | - | - | - |
| 数据挖掘 | 希尔德斯海姆大学 | 无 | - | - | - | - | - | - | - |
| 机器学习 | 莱比锡大学 | 初步涉及 | - | - | - | - | - | - | - |
| 机器学习 | 多特蒙德工业大学 | 部分涉及 | - | - | - | - | - | - | - |
| 数据科学 | htw Saar | 大部分涉及 | - | - | - | - | - | - | - |
| 数据库中的知识发现 | 多特蒙德工业大学 | 全面涉及 | - | - | - | - | - | - | - |
| 大数据分析 | 希尔德斯海姆大学 | - | - | - | - | - | - | - | - |
| 数字化与数据分析 | TU Dresden | - | - | - | - | - | - | - | - |
| 大数据分析 | Fraunhofer Big Data AI | - | - | - | - | - | - | - | - |
| 机器学习硕士 | RapidMiner | - | - | - | - | - | - | - | - |
| 数据挖掘 | Prokoda | - | - | - | - | - | - | - | - |
| 大数据分析与数据挖掘 | IHK Akademie Schwaben | - | - | - | - | - | - | - | - |
| 数据科学 | 哈佛大学（edx） | - | - | - | - | - | - | - | - |
| 数据科学 | IBM（edx） | - | - | - | - | - | - | - | - |
| 工业数据科学 | 多特蒙德工业大学 | - | - | - | - | - | - | - | - |

从表中可以看出，现有的数据科学讲座在工业应用和工程领域知识的引入方面存在不足，数据管理和实际用例处理也只是偶尔涉及。

3. 概念与发展

为了可持续地加强ML在工业生产中的应用和推广，能力发展和提升不应局限于工业专业人员，尤其应关注大学教育中的年轻毕业生。资格要求源于行业的当前趋势和发展，以及专业专家的知识和技能水平。为了设计高效且实践导向的教育和能力提升方案，需要一个成熟的概念来充分考虑所有要求。

3.1 工业数据科学的资格要求

未来的资格认证和能力发展概念面临更高要求，需要适应并补充额外方面，以确保在数字化时代具备足够的能力。工业过程的复杂性增加要求提高专业能力，最大的挑战是将理论知识应用于实际问题和应用领域。因此，新方法应包括实践应用和实验，以帮助学生建立全面的理解。

一项调查显示，在不同工业领域的57家公司中，只有5家（9%）广泛使用ML，27家（47%）有初步经验或小规模使用，其余25家（44%）尚未使用但计划未来采用。缺乏相应的方法能力被认为是使用ML的主要障碍。为克服这一缺陷，工业数据科学的资格认证和能力发展概念需要满足一系列要求。基于教学方法的知识转移，数据管理、ML和领域知识是IDS教育的三大基础，这三个核心主题可以用三个重叠的主题区域来表示。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(工业数据科学):::process --> B(数据管理):::process
    A --> C(机器学习):::process
    A --> D(工程领域知识):::process
    B & C & D --> E(跨学科能力):::process

3.2 跨学科能力发展的构想

在“InDaS”研究项目中，上述要求通过一个高度实践导向和跨学科的资格认证概念得到解决，该概念面向学术毕业生和工业专业人员。此概念将工程知识和技能与统计学和计算机科学的方法专业知识相结合。通过与制造公司密切合作，早期整合和考虑实际需求与应用，确保所授内容具有高度的实际相关性。

学生在工业专业人员和大学讲师的指导下处理工业用例，这是一种新的教学方法。学生在真实的背景和难度水平下解决问题，并在学习过程中与企业建立联系。该教育课程面向机械和工业工程、计算机科学或统计学专业的硕士研究生以及工业专家。课程分为理论阶段和实践阶段，理论阶段传授基础知识，实践阶段将所学知识应用于实际用例和问题。

3.3 方法能力的发展

为了让学生能够独立运用适当的方法处理工业问题，需要传授基本的理论知识。所选的理论内容根据行业的具体需求来确定，以应对当前的趋势和变化。许多公司在处理大数据集时面临手动获取和处理非结构化数据、数据管理等问题，希望提高数据供应速度。其他问题包括缺乏数据清洗和分析能力、非敏捷的商业智能基础设施、数据访问困难、用户界面不直观以及数据管理错误等。

为解决这些问题，课程包括数据管理、机器学习和工程领域知识三个主题模块，基于教学方法的知识转移构建。在理论部分，复杂的内容被简化为基本概念，帮助学生理解多种方法和途径。同时，讨论所学方法的潜在应用领域、问题和局限性，以便学生在实践中能够考虑这些因素。

在体验式学习方法中，学生在跨学科的工作小组中学习，结合工业应用案例和项目导向的解决方案开发。数据管理的有效实施需要数据库系统、数据管理、资源管理以及结构化和非结构化数据清洗和处理等方面的知识。为了让学生能够实际执行这些任务，课程教授云解决方案、数据库概念和脚本语言（如Python、R或RapidMiner）的使用。

除了了解不同的ML方法和途径，根据需求应用这些方法是IDS资格认证的关键成功因素。课程涵盖数据预处理、建模、验证和评估的处理流程，重点包括数据可视化、特征工程、ML算法、验证和评估。从工程角度来看，理解制造和装配过程对于发现ML在各个业务单元的潜力至关重要。为了系统地执行ML项目，学生需要了解相关的过程模型，如CRISP - DM（跨行业数据挖掘标准过程模型），以及特定领域的结构化模型，如产品生命周期，以评估结果的相关性和成本效益。

基于这些模块，学生能够使用数据驱动的方法解决工业任务，并在制造和装配中开发创新的解决方案和改进方法。他们能够领导和支持跨学科项目团队，并传授自己的跨学科能力和技能。

3.4 向实际应用的转化

确保年轻学术毕业生和工业专业人员不仅了解IDS的理论背景，还能深入理解并正确应用方法是关键的成功因素。因此，资格认证概念的第二部分是让学生在跨学科工作小组中实际处理工业案例研究。在工业专家的参与下，不同的案例研究涵盖了ML应用，如图案识别和图像分类，通过知识转移和体验式学习，将理论知识与实践经验相结合。

在工业过程专家的指导下介绍用例后，项目以三个月的自主组织、独立小组工作形式进行，期间接受工业和方法专家的定期科学指导。小组由统计学、计算机科学以及机械和工业工程专业的研究生组成，确保具备跨学科的关键能力。最终结果将在联合研讨会上展示，包括结果讨论和对进一步研究活动的展望。

4. 概念评估

概念评估基于强制性课程评估和学习进度评估的结果。理论阶段结束时的60分钟书面考试用于控制学习效果。考试涵盖数据管理、ML的统计基础、ML方法和工程领域知识等主题，每个主题包含多个子任务，难度从简单的知识查询到复杂问题的解决不等。考试结果和匿名书面问卷的评估结果一致。

来自三个学科领域的学生反馈表明，各学科内容的可理解性都达到了较高水平。考虑到目标群体的多样性，可以认为内容准备相当成功。唯一的批评是针对编程语言R的介绍，没有相关先验知识的学生认为过于紧凑。大学学生和工业合作伙伴对IDS教育都表现出浓厚兴趣，参与人数从2018/19冬季学期的51人增加到2019/20冬季学期的71人（增长39%）。与合作的行业伙伴的调查显示，他们对取得的结果评价高于预期，并愿意在下次实践研讨会中继续合作。

5. 结论与展望

随着数字化的推进、现代信息和通信技术的广泛应用以及大量数据的可用性，ML在工业制造和装配中的应用日益重要。为满足相关资格要求，需要开发新的教育概念。“工业数据科学”资格认证概念通过结合计算机科学、统计学和工程领域的知识，实现了跨学科能力的提升。通过理论教学和实际应用的结合，提供了全面且实践导向的资格认证。

多特蒙德大学的概念评估结果表明，该课程满足了当前工业的问题和需求，受到了广泛关注。为了将潜在的益处可持续地融入制造企业，资格认证概念需要不断扩展和改进，以确保其与时俱进。因此，IDS资格认证应纳入相关学科研究生的大学课程中，并将目标群体扩展到制造企业的技术专业人员。

工业生产中机器学习的跨学科能力培养：工业数据科学的探索

6. 关键要点总结

为了更好地理解工业生产中机器学习跨学科能力培养的核心内容，下面对关键要点进行总结：
| 要点类别 | 具体内容 |
| — | — |
| 背景 | 德国制造业面临生产环境变化，数字化带来大量数据，机器学习在工业生产中有应用潜力，但企业缺乏跨学科团队 |
| 现状 | 机器学习在生产中有多种应用场景，但缺乏跨学科能力；现有教育概念多样，实践导向方法有潜力，但各资格认证措施较单一 |
| 资格要求 | 数据管理、机器学习和工程领域知识是工业数据科学教育的三大基础 |
| 能力发展构想 | 结合工程、统计和计算机科学知识，课程分理论和实践阶段，学生处理工业用例 |
| 方法能力发展 | 课程含数据管理、机器学习和工程领域知识模块，强调体验式学习和根据需求应用方法 |
| 实际应用转化 | 通过跨学科小组处理工业案例研究，结合理论与实践 |
| 概念评估 | 考试和问卷结果显示内容可理解性高，受学生和企业欢迎，但R语言介绍有不足 |

7. 对工业生产的影响

工业数据科学的跨学科能力培养对工业生产有着多方面的积极影响：
- 提高生产效率 ：通过机器学习对生产数据的分析和优化，能够发现生产过程中的瓶颈和问题，从而针对性地进行改进，提高生产效率。例如，在生产规划和优化中，利用ML算法可以更合理地安排生产流程和资源分配。
- 提升产品质量 ：借助机器学习进行质量预测和控制，能够在生产过程中及时发现质量问题，减少次品率。如在电子产品生产中，利用数据挖掘方法进行动态X射线检测，可有效提高质量检测的准确性。
- 降低成本 ：预测性维护可以提前发现设备故障，避免设备突发故障导致的生产中断和维修成本增加。同时，能源效率优化可以降低能源消耗，减少生产成本。
- 促进创新 ：跨学科的能力培养使得学生能够综合运用不同领域的知识，开发创新的解决方案和改进方法，推动工业生产的创新发展。

8. 面临的挑战与解决方案

尽管工业数据科学的跨学科能力培养具有诸多优势，但也面临一些挑战：
| 挑战 | 解决方案 |
| — | — |
| 学生基础差异大 | 在课程设计上，增加基础课程的弹性，为基础薄弱的学生提供额外的辅导和学习资源。例如，对于没有编程基础的学生，提供编程入门课程 |
| 数据安全和隐私问题 | 加强数据安全和隐私保护的教育，让学生了解相关法律法规和最佳实践。在实际项目中，采用安全的数据处理和存储方式 |
| 行业需求变化快 | 定期与行业合作，了解最新的需求和趋势，及时调整课程内容和教学方法。邀请行业专家参与课程设计和教学 |
| 跨学科合作困难 | 加强跨学科团队的建设和管理，培养学生的团队合作精神和沟通能力。在课程中设置团队项目，让学生在实践中学会跨学科合作 |

9. 未来发展趋势

随着科技的不断进步和工业生产的发展，工业数据科学的跨学科能力培养也将呈现以下发展趋势：
- 更加注重实践应用 ：未来的课程将更加紧密地结合实际工业案例，让学生在实践中学习和成长，提高解决实际问题的能力。
- 融合新兴技术 ：如人工智能、物联网、区块链等新兴技术将与工业数据科学深度融合，课程内容也将相应地进行更新和拓展。
- 个性化学习 ：利用大数据和人工智能技术，实现个性化的学习路径和教学方法，满足不同学生的学习需求。
- 国际化合作 ：加强国际间的学术交流和合作，引进国外先进的教育理念和课程体系，培养具有国际视野的跨学科人才。

10. 总结

工业数据科学的跨学科能力培养是工业生产适应数字化时代的必然要求。通过“工业数据科学”资格认证概念的实施，能够培养出具备跨学科能力的人才，为工业生产的发展提供有力支持。尽管面临一些挑战，但通过不断的改进和创新，以及对未来发展趋势的把握，工业数据科学的跨学科能力培养将在工业生产中发挥越来越重要的作用。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(工业数据科学发展):::process --> B(注重实践应用):::process
    A --> C(融合新兴技术):::process
    A --> D(个性化学习):::process
    A --> E(国际化合作):::process
    B & C & D & E --> F(推动工业生产进步):::process

在未来的工业生产中，我们期待更多的企业和教育机构能够重视跨学科能力的培养，共同推动工业数据科学的发展，实现工业生产的智能化、高效化和可持续发展。