【觀點】IE人物 | 工業工程領域知名教授史建軍
來自專欄『運籌OR帷幄』大數據人工智慧時代的運籌學19 人贊了文章
文章作者:統計之都
文章已發佈於微信公眾號【運籌OR帷幄】:【觀點】IE人物 | 工業工程領域知名教授史建軍歡迎原鏈接轉發,轉載請前往 @留德華叫獸 的主頁獲取信息,盜版必究。敬請關注和擴散本專欄及同名公眾號,會邀請全球知名學者陸續發布運籌學、人工智慧中優化理論等相關乾貨、知乎Live及行業動態:『運籌OR帷幄』大數據人工智慧時代的運籌學
更新:2018年2月,史建軍教授被評選為美國工程院院士,因其貢獻:基於數據融合的質量方法及其在多階段製造系統中的應用。
1、嘉賓介紹
Shi, Jianjun (Jan), Carolyn J. Stewart Chair and professor, Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta. For development of data fusion-based quality methods and their implementation in multistage manufacturing systems.
詳見:https://www.nae.edu/178117.aspx?from=timeline
史建軍老師是工業工程領域的知名教授和學術帶頭人,現任喬治亞理工學院(Georgia Institute of Technology,後文簡稱Georgia Tech)工業工程系(後文簡稱IE,該系在美國連續28年專業排名第一)冠名教授,同時兼任機械工程系教授。史老師開創了系統信息學和控制(system informatics and control)這一新的博士研究培養方向,是美國工業工程學會(IIE)會士,美國機械工程學會(ASME)會士,運籌學和管理科學學會(INFORMS)會士,國際統計學會(ISI)會士,國際質量研究院(IAQ)院士,也是美國INFORMS的質量統計與可靠性分會的founding Chair,曾獲得 the IIE Albert G. Holzman Distinguished Educator Award 等重要獎項。他是多個國際期刊的編委,包括主編管理工程國際頂尖期刊「IIE Transactions」的 Quality and Reliability Engineering 子刊等。史建軍教授是使用系統控制和多元統計相結合研究多工位誤差建模與分析理論的創始人。他培養的博士生已經有二十幾位在國際一流大學任教,其中有7名獲得美國自然科學基金委NSF Career獎,1名獲得美國總統獎,多名學生在工業公司擔任副總或資深管理人員。史老師一直與工業界緊密合作,他的研究小組中開發出的技術已經應用到各種生產系統並帶來重大的經濟效益,被廣泛用在了汽車組裝、飛機製造、鋼鐵冶煉等諸多領域。史老師也是國內多處高校的客座教授,是中科院質量研究中心的創始人之一和海外主任,也是北京大學工業工程系的訪問首席教授。
本訪談既學術又八卦,由黃帥、常象宇、魏太雲執行並撰寫。出於讀者閱讀習慣的考慮,我們將一些英文翻譯成了中文,並且做了相應的中文寫作處理。如果由於我們的失誤造成一些誤解,還請各位讀者多多諒解。
2、學術
「 這個事真是個事,是正兒八經的事,你可以說我沒本事把這件事情搞定,但你不能說這不是個事。」— 什麼是好的研究課題
Q:史老師,您能跟我們首先講講,什麼是一個好的應用學科?
A:啥叫好的應用學科?我覺得有三點,第一,要有研究的課題。這課題必須是實打實的問題、是真實的問題。這問題還沒有很好的答案,但是一旦解決就有很大的影響。這是第一點。其次,要能獲得資助,比如美國的自然科學基金,這說明這個課題有基礎研究需求; 或政府的資助,這說明這個課題符合國家的戰略需求;或工業界給資助,這說明有工業界迫切的應用。第三,這個學科培養的學生在學界、業界的就業都不是問題,而且工資還很高。滿足這三條,我們就能說這是個好的應用學科。
Q:那怎麼樣才能找到一個好的課題呢?
A:在咱們工學院,搞出來的東西得有用。搞IE需要我們對現實問題有足夠的敏感,需要了解工程背景和社會背景。我給你舉一個簡單的例子。剛才象宇說到了3D列印這個事情,我覺就跟咱們IE特別相關。為什麼呢?比如我最近參與的一個課題是用3D印表機打發動機上的葉片。這葉片形狀多種多樣,所以3D印表機就特別合適。以前這葉片的材料性質都是有理論保障的。現在問題就來了,3D印表機用激光融聚特殊材質的粉末(powder)將葉片一層一層地列印出來,列印過程中激光也許會不穩定,我們怎麼做在線質量監控,怎樣在複雜的監測數據中(比如在線的視頻數據)中發現事先沒有定義的異常,怎麼確保這個每一層的偏差能夠得到足夠的控制,就是一些質量控制的新問題,需要新的統計建模,質量控制,以及優化方法。另外,過去做發動機葉片的保養,需要各種零部件以及機器設備的吊裝。這就需要建立一個供應鏈去最優化倉庫的選擇,哪些地方存哪些零部件,存多少。現在用的3D印表機,只需要粉末,也不再需要那些機器設備吊裝,所以供應鏈的問題就很不一樣了,比如3D印表機的位置分配,哪些地方放什麼樣的粉末或半成品,各種3D印表機的生產效率也不一樣,這就給供應鏈管理研究的方向提供了一個新的思路,新的問題。
Q:那史老師您能談談您對最近國內很火的工業4.0以及大數據戰略的看法嗎?
A:首先說工業4.0這個概念,這是德國最先倡導的。中國版本是製造2025,美國不用這個詞。美國說先進位造(advanced manufacturing),兩者內容很像。美國政府現在希望製造業迴流,邀請了一些專家研究這個問題。我在其中的感測器監測和控制專委會。以前我們說,製造就是單純造東西,也就是說的生產製造。對於生產製造,你們肯定聽說過毛主席五六十年代說過的:多、快、好、省。今天的生產製造還是可以用這四個字來要求。多,就是生產能力(capacity);快,就是生產效率(productivity);好,就是產品質量(quality);省,說的是製造成本(cost)。
在現在的環境中,大數據是方法,不是目的。有了大數據,我們可以對生產製造的每一個環節建模,從材料到設計到生產加工到使用再到回收,我們可以研究怎麼把信息都收集起來,管理起來,然後更好的做服務。這給製造業提供了新的機遇。另一方面,大數據的機遇,也導致了製造業的理念跟過去不太一樣。過去就是造東西,要多快好省。現在成本越來越小,所以重點轉成是怎麼「管理東西、使用東西」。
我給你舉幾個例子。比如現在飛機的引擎,造出來之後,製造商是租給航空公司,而不是賣給航空公司。通過各種感測器,製造商可以在線監測他們管轄下的所有引擎,通過數據分析和工程背景知識,實時評估引擎的健康狀況並作出診斷,並根據這種知識,決定最優維修計劃。也就是說,現在的飛機引擎賣的不是產品,是服務,是全生命周期的服務。另一個例子,比如GE的大型發電機,造價也很高,現在GE也是賣服務。它把發電機租給大大小小的發電站,使用各種感測器實時檢測這些發電機的各種性能和指標,通過遠程通訊,將數據都傳回來,就可以綜合信息,整合利用,去支持他們監測、評估、診斷和維護。可以說,現在賣的產品不僅僅是產品本身,而是「產品 + 服務 + 維護」。要做好這樣的模式,就需要大數據支持。
對IE的人來說,我們研究問題的角度也變了。以前關注的是產品的生產過程、加工精度、產品監測,現在就變成了全生命周期的使用過程。過去這不是我的事,不是你的事,也不是他的事,現在就都成事了。這個事真是個事,是正兒八經的事,你可以說我沒本事把這事搞定,但你不能說這不是個事。你這樣一想,你就會發現,現在的製造業思維方式不一樣,產業結構不一樣,商業模式也不一樣,教授做研究不敢說能引領這樣的轉變,但是必須敏感,做什麼樣的研究去支持這樣的社會轉變,到哪兒找資助,成果到底由誰來使用,誰關心這個結果,我們都必須足夠的敏感和認識。
「 幾乎所有世界上好的鋼廠,比如中國、日本、美國、西班牙的鋼廠,都在用著我們的演算法。」
— 史老師介紹他的基於圖像的過程監控的研究
Q:那史老師您能談談您最近在做的研究題目嗎?
(註:2009年黃帥第一次參加informs會議時,第一次見到史老師本人,就問了同樣的問題。史老師當時正拿著酒杯忙著倒酒。史老師當時回答說,「我現在幹嘛啊?喝酒!」)
A:最近我主要在忙幾個事。一個是跟飛機製造公司的一個項目,具體是一種複合材料組裝的質量建模與控制。怎麼對複合材料組裝尺寸的誤差方差(variation)建模,對誤差在裝配過程的層層傳遞建模,是我們主要研究的方向。另一個就是跟三星的一個項目,做的是矽片的鍍膜。矽片生產要經過很多室(chamber),每個室裡面有兩百多個感測器。那麼你看,每一個矽片生產過程大約有150多個室,每個感測器傳回來的數據都是一個非線性時間函數(profile),怎麼分析這些海量數據,怎麼研究各種變數之間的相互影響的變化,怎麼把這種變化跟製造過程中的參數對應起來,是一個很難的事情。這就是一個非常有挑戰性的高維數據流問題。
另外一個事情就是納米紙(Bucky Paper)的連續製造。在製造過程中,我們把很多納米管放在液體里,打均勻了之後,放在「紗布」上,再用電磁場,把納米管調整排序(align)好,確保它們調整好了就能獲得很多良好的機械性能、導電性能、傳熱性能。在這個製造過程中,怎麼做過程監測,怎麼研究各個步驟之間的誤差的相互影響以及「流動」,然後根據這樣的模型,怎麼用優化或者控制理論來減少誤差方差(variation reduction),是質量控制研究的問題。還有一個事情就是基於圖像的實時過程監控。現在的很多生產製造過程中,大量使用了圖像或者視頻去實時檢測這個過程。那麼,怎麼用這種圖像數據做實時檢查和診斷,就是一個很好的研究問題。現在很多鋼廠都有在線基於圖像的過程監控。世界各地很多鋼廠,比如在中國、日本、美國、西班牙的鋼廠,都在用著我們的演算法。
3、關於工業工程中的應用統計
「 如果說應用是一個點,統計是一個點,那麼兩點中間就是我們工業工程中的應用統計。IE要搞系統,要解決這個介面。從實際應用出發,建立新的統計方法從而解決這個問題。如果理論功底足夠好,還要能夠研究這個新的統計方法的各類性質,為統計領域也作出貢獻。」— IE視角下的應用統計學研究
「 IE必須了解工程背景,社會背景。」— IE研究工作的獨特性
Q:史老師您能具體舉個例子說明IE裡面搞統計研究的特殊性嗎?
A:IE對傳統統計的貢獻比如質量控制,實驗設計,可靠性分析,都是很好的例子。但IE搞統計跟統計搞統計不一樣,統計的研究還是數據分析為主,IE的研究必須了解工程背景,社會背景。傳統的SPC(statistical process control,統計過程式控制制)以及實驗設計在八九十年代就已經成熟了。IE培養的本科生和碩士生主要是要會使用這些方法。對於要做研究的博士,就要更前瞻地去解決新的工程問題,這就需要能夠發現並且研究新的問題。比如現在很多人做工程表面(engineered surface)的建模與分析,他們往往都是假設工程表面服從高斯過程分布,但是事實上,這些統計分布的假設都並不真實反映背後的工程實際,這就導致最後得到的統計結論也許並不能很好的在相應的工程背景下產生實效。事實上,這些工程表面往往不是高斯也不是平穩過程。那怎麼解決這個問題呢?並且,在工程裡面很多問題的雜訊是依賴於工程問題本身的,有很多獨特的雜訊性質,怎麼解決好這個問題不是學純統計的就一定可以,也不是傳統的IE可以搞定的。需要將工程知識和統計建模的能力結合起來。
「 我王婆賣瓜自賣自誇一句。」— 史老師介紹他創立的系統信息學和控制
史老師:說到這兒,我再王婆賣瓜自賣自誇一句。我08年1月去的Georgia Tech。去的當時主要是兩方面感受。一是Georgia Tech的IE系非常的IE,有好幾個傳統的方向,連續28年NO.1。另一方面,系裡的幾個傳統的方向都很強,比如運籌、統計、供應鏈都很強。所以我去了以後,就提出了一個新的方向,叫「系統信息與控制 (System Informatics and Control)」。因為在很多實際問題中,任何一個給定的系統,我們都有兩方面知識,一方面是物理的知識,是工程相關的背景;另一方面就是有很多系統的運行數據,因為我們現在有很多感測器去實時監控整個生產製造的流程。在過去,對這些系統的建模通常有兩種辦法:一個是基於物理的模型。這種模型對我們了解這個系統,很有用,但是並不完整。它可以描述局部或者小的裝置,但是難以擴展到整個系統層面。另一種方法就是數據驅動建模,在給定條件下可以擬合得非常好,但問題是,一旦運行的條件或者環境變了就不行了。所以,我們就要去研究怎麼結合物理知識和數據驅動的模型去對系統進行建模、監控、預測、診斷和控制。這要求我們培養的博士有三個方面的專業知識:一個是數據分析,不僅僅包括統計,也包括計算機科學、信號處理;另一個是優化;還有一個是工程領域知識,比如你要做納米或者做3D列印,就需要去其他系學習相關知識。
4、學生培養
「能不能走得遠,德比才更重要。」— 史老師談對學生的期待和要求
Q:統計之都的關注者中有很多學生,學統計的、非統計的都有。他們很想了解您是怎麼選學生和培養學生的。
A:說一個人好,就是德才兼備。德是最重要,才是必要的。能不能走得遠,德比才更重要。我希望我的學生去做一件事,即使未必能做的最好,但他必須自己希望做成最好,努力做最好,得有這個志氣。人有了這股氣,其他事情都沒問題。做事情要是應付,那就不行。比如說,學生問「我這樣是不是可以了」,導師說「行,可以了」,那學生就「哎呀,謝天謝地,終於可以了」,如果這樣就不行。反過來,如果一個學生自己希望做到最好,那麼討論事情就是真正討論事情,而不是花多大精力去激勵他。培養每個學生都不一樣,平常講的「因才施教,因人施教」還是很必要的。總的來說,我覺得我看人比較准,我很高興我的學生取得的成績。我可能會算錯,在我畢業的28位博士中,差不多現在已經有21個當教授,美國工業工程的前10名學校任教的有八九個,還有幾個已經當了冠名教授,我學生的學生也有二十大幾個當教授了。我去工業界的學生也相當不錯,有3人做了副總或資深管理人員。學生做的好,比我做的好更令我高興!
「博士袍太貴了,我沒去,把租袍子的錢換成了酒喝。」— 史老師談博士畢業典禮
Q:您這麼能喝,也考學生喝酒嗎?
A:考談不上,但是我早期的學生,03年以前畢業的學生,不知道為什麼,很多學生的酒量都跟我差不多,而且長得又黑又高,大都比我高,我是1米81。我的學生號稱要經過「面試」和「口試」,面試是指長得是否夠黑夠高,口試就是能喝酒。後來的學生越來越不能喝,最近的幾乎都是滴酒不沾。我們那時候沒錢,沒酒喝,所以好不容易找到酒就特別愛喝。我1992年3月份博士畢業,當時參加畢業典禮需要花幾十塊錢租一個博士袍子。我嫌貴,就沒去,開車去了芝加哥中國城,買了幾瓶二鍋頭,請了當時很多吳賢明教授的學生到我家喝酒。我說,這就是我的畢業典禮。後來吳教授見了我,問我畢業典禮那天跑哪去了。因為他去了,專門去參加我的畢業典禮,但沒找到我。我說,租袍子太貴了,就沒捨得去。當然我沒敢跟他說我都換成酒喝了。後來我第一個博士生在1994年畢業,我參加學生的畢業典禮才照了我的第一張穿博士袍的照片(博士袍是免費提供給博士導師的)。Q:史老師,能否在這次訪談結束前談談年輕的助理教授在找博士生和選擇研究課題時該注意哪些關鍵點?
A:作為助理教授,招第一個博士生的時候需要格外注意;第一個招的好,能幹肯干,後面學生向第一個學生看齊,就會建立一個很好的研究團隊,出更多的科研成果,拿tenure自然也沒問題。如果第一個招的不好,是刺兒頭,再使點兒壞,家風就壞了,後面很難扭轉。招生不能只看簡歷,要測重看學生的潛力,這通常是需要當面聊聊的。助理教授還有一個關鍵點就是科研選題:首先你要確定,這是個真的問題,重要的問題,需要新的工具或新的方法,而且你適合干這個,所以你能接著干。比如前段時間有個學工程的年輕人找我聊,想做基因數據網路建模。我建議他不能幹這事。不是說這個不重要,我的理由是,第一,做這個事的人很多。第二,生物統計專業裡面有很多學這個的、做這個的,我們都沒這背景,說統計,知道一點,說生物,完全不懂,所以咱們不適合干這個。另外就是,上哪兒找資助和合作?咱們沒有這背景。
如果你是運籌學/人工智慧碩博或在讀,請在下圖的公眾號後台留言:「加微信群」。系統會自動辨認你的關鍵字,並提示您進一步的加群要求和步驟,邀請您進全球運籌或AI學者群(群內學界、業界大佬雲集)。
同時我們有:【運籌學|優化愛好者】【供應鏈|物流】【人工智慧】【數據科學|分析】千人QQ群,想入群的小夥伴可以關注下方公眾號點擊「加入社區」按鈕,獲得入群傳送門。
學術界|工業界招聘、徵稿等信息免費發布,請見下圖:
推薦閱讀:
※廣東製造業邁向工業4.0的漸進式路徑
※2014年中國製造業面臨五大內憂外患
※《國民經濟行業分類3》——製造業(化學原料和化學製品製造業)
※Over Loading
※製造業是製造強國的「車床」