Systematizing Data Preparation in Smart Manufacturing via Axiomatic Design: A Toolkit Integrating GUI and Agentic AI
本文提出了一种基于公理化设计的开源工具包，该工具包集成了图形用户界面与智能体人工智能（agentic AI），旨在将智能制造中碎片化、手动的数据准备过程系统地转化为一种可复现、可扩展的科学学科，从而为数字孪生等高级下游应用提供支持。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在未来的工厂里，机器不再仅仅是工具，它们是信息的持续生成者。安装在钻头、磨床和车床上的传感器捕捉着源源不断的数字，记录着切削的力量、工具的振动或表面的纹理。这种数据的洪流是“智能制造”的生命线——在这种愿景中，机器能够自我监测、预测何时会发生故障，并调整自身运行以保持完美状态。这一承诺描绘了一个生产过程无缝衔接、高效且具备自我纠错能力的理想世界。然而，在这一愿景与现实之间，矗立着一道显著的障碍。从工厂车间涌出的原始数字很少是处于可用状态的。它们以杂乱、不一致的格式到达，往往埋藏在多层无关的技术注释之下，或者分散在互不兼容的文件类型中，亦或是混杂着掩盖了真实信号的噪声。在这些数据能够教会计算机如何制造出更好的零件之前，必须经过清洗、组织和塑形。这个过程通常被轻视为单纯的“家务活”，但目前却是一场耗费工程师大量时间和精力的混乱的手动挣扎。
来自日本和德国的研究机构的一个团队通过将数据准备视为一门严谨的科学学科，而非一系列孤立的琐事，从而解决了这一瓶颈。他们观察到，在许多制造实验中（从微钻钛合金到研磨玻璃），同样的乏味问题不断出现：文件太大导致标准软件无法打开、数字使用了逗号而非小数点，以及信号需要被切割成特定片段才能发挥作用。研究人员并没有为每一个问题编写新的定制脚本，而是应用了一种被称为“公理化设计”的设计哲学。这种方法强调系统构建时应确保改变一个部分不会意外破坏另一个部分。利用这一原则，他们创建了一个灵活的开源工具包，将原始、混乱的制造数据转化为干净、即开即用的信息。
他们构建的工具包提供了两种不同的工作方式，以满足不同的需求和技能水平。第一种是图形界面，一个视觉仪表盘，操作员可以在其中查看数据，点击按钮进行清洗，并在图表上画线来选择特定区域。这实现了细致、循序渐进的控制，确保人类专家可以验证数字所发生的具体变化。第二种方式则更具自主性，由人工智能代理驱动。在这种模式下，用户只需用简单的英语输入请求，例如“找到这个文件中的最大力”或“删除前三行文本”。AI 会理解意图，确定需要哪些工具，并自动执行复杂的步骤序列。至关重要的一点是，AI 本身并不直接看到原始数据；它仅指挥本地软件执行工作，从而在利用 AI 规划能力的同时，确保敏感的制造信息安全地保留在用户自己的计算机上。
为了证明其系统的有效性，研究人员在一个具有挑战性的现实场景中对其进行了测试：一项涉及钛合金的微钻实验。在此测试中，单个工具钻了数百个微小的孔，为每个循环生成了海量的传感器数据。原始文件超过 100 MB，充满了元数据标头和混合格式，这通常会导致标准电子表格程序卡死。使用他们的新工具包，研究人员首先利用视觉界面剥离了不必要的文本，转换了数字格式，并分离出所需的特定压力测量值。随后，他们演示了系统如何根据钻削节奏中的自然停顿，自动将连续的数据流切割成四十个独立的片段，每个片段代表一个钻孔。最后，他们利用 AI 代理同时对数十个文件重复整个清洗和切割过程，而这项任务如果靠人工完成则需要数小时。最终的结果是一个结构化的峰值力数据库，组织得井然有序，随时可供分析。
这项研究强调，智能制造的未来不仅取决于制造更智能的机器，还取决于建立更智能的方式来处理这些机器产生的信息。通过用系统化、模块化的方法取代临时、易错的手动工作，研究人员展示了数据清洗这类“勤杂工”工作是可以实现标准化和民主化的。他们的工具包对任何人开放，从小型车间到大型研究实验室皆可使用，使他们无需依赖昂贵的专用软件或定制编码。这项工作表明，当数据准备被赋予与制造过程本身同等的科学严谨性时，通往真正智能化、自我监测工厂的道路将变得清晰可见且触手可及。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。