智能制造工程专业建设思考与对策研究

乔晋崴 许崇海 刘娜 安蕾蕾 王飞

摘  要 随着工业4.0时代的来临和新工科建设的不断深入，智能制造工程专业建设也逐步展开。首先明确该专业所处的历史环境，介绍其与相近专业的相互关联，指出目前专业建设过程中一些普遍存在的认识误区，并最终给出专业建设的几点建议。

关键词 新工科;智能制造工程;机器人工程;人工智能技术;先进制造技术;实验室

中图分类号：G642.0    文献标识码：B

文章编号：1671-489X（2021）18-0008-04

1  智能制造工程专业建设刻不容缓

1.1  时代发展的产物

回顾人类近千年的发展史，每一次快速的进步均脱不开技术革命的出现，从蒸汽机到电机，从计算机再到如今的人工智能，人类实现了从体力到脑力的逐步解放。当今时代智能技术飞速发展，应用领域逐渐由生活服务转向工业生产，由图像识别、语义识别逐渐转化为工业现象的实时智能决策。如图1所示，时代的发展需要科学技术的推动，科学技术的先行势必带来人才的紧缺，进而牵引教育体系中学科的变革，智能制造工程专业顺势而成[1]。

1.2  工业发展的倒逼

作为生产力的载体，工业生产经历了从手工业到自动化、从信息化到智能化的过程，整个过程中人们始终不懈地追求的是生产效率的越来越快，生产工序的越来越少，无故障生产周期的越来越长。为了实现对生产效率的无止境追求，科研人员一直在寻找一套可以管理生产过程各因素的理论和技术手段，进而实现各元素间的优化，并最终达到生产效率最大化的目的。人工智能技术与大数据科学技术的出现，为工业制造的提速和提质提供了新的增长点。这两种技术旨在通过计算机技术从大量数据中基于数学定律摸索规律并做出决策，大幅超越人的智力水平。如何在制造产业中实现应用，成为其工程化进程首先要解决的问题，也直接关系着它们的生存和发展。目前，工业大数据、制造执行系统（MES）、企业资源计划管理系统（ERP）等已成功应用于许多行业的局部领域，但尚不成熟，而且需要大量的智力输入和现场维护，迫切需要智能制造的人才源源不断地输入。

1.3  学科变革的先行者

随着现阶段工业智能化的需求牵引，基础学科的划分被彻底打破，新工科[2-5]建设的成果日渐显著。传统的物理、机械、电气、计算机等专业的独立地位逐渐被削弱，新兴的智能制造工程、机器人工程、大数据、网络经济学、电子金融、网络安全工程等适应社会技术等发展需求，需要相关专业的学生在结束高校学习阶段时掌握相对比较宽的知识面，以工程应用为牵引，在下一步的工作或科研过程中在实际需要的领域进行深入学习和研究。

智能制造的核心技术是人工智能技术和先进制造技术，前者的研究阵地集中在数学和控制领域，属于科学技术前沿;后者为成熟的制造加工领域，有着长期的技术沉淀和知识积累，属于工程应用领域的前沿。就智能制造学科而言，人工智能技术是灵魂，先进制造技术是基础，落脚点在制造，但生命力在人工智能。两者在社会生产中的地位和作用，决定了智能制造工程毋庸置疑地成为学科变革的先行者。

2  齐鲁工业大学智能制造工程专业情况

2018年，同济大学、上海大学、上海第二工业大学和汕头大学四所高校率先开设智能制造工程新工科专业;2019年，教育部批准国内50所高等院校设立该专业;2020年获批84所，齐鲁工业大学位列其中，并于同年开始招生。该专业基础课涵盖了力学（工程力学）、电学（电工子技术）、机械基础设计（机械原理制图）、材料科学（機械工程材料）、机械基础（机械设计、机械原理、机械制图）、材料科学（机械工程材料）、智能制造基础课（数控技术及应用、工业机器人、智能制造导论），旨在提升学生的智能制工程的基本学科素养及综合解决问题能力。应用型本科以学习系统的集成和维护为主，最好能够在学习中就将智能制造的整个加工过程实现一次。因此，设立专门的CAD/CAM应用辅助数控技术及工业机器人的编程与操作，加强工业机器技术教学。值得注意的是，学校将智能制造工程专业与机器人工程专业同时列入机械与汽车工程学院的管理范围，与机械设计制造与自动化专业并列，如此划分可以获得以下优势。

1）资源得到整合。智能制造工程专业的建设过程中可以充分利用机械设计制造与自动化专业和机器人工程专业的现有软硬件设施，如机械专业的数控机床、机器人工程专业的工业机器人和传输带系统等。

2）充分展现新工科的优势。智能制造工程与机器人工程两个专业均属于新工科建设专业，而新工科的实质和内涵是多学科融合、项目牵引式教学。如果仅仅是机器人工程专业独立地存在，所有的研究和学习的出发点、落脚点就只能围绕在工业机器人周边，很难拓展。另一方面，如果智能制造工程专业独立于机器人工程，则容易在专业建设过程中偏离“制造”的核心所在，容易转变为以“管理”为主的软件学习。两者共同存在于一个学院的管理之下，则可以互利共生，虽然各有侧重，但殊途同归，最终是为了现代化的工业建设服务。

3）避免重复建设，资源浪费。众所周知，在智能制造工程与机器人工程两个专业的培养过程中是需要花费巨额经费来建设实验、实践设施和环境的，如果能将两者的建设统一协调、综合规划，将会带来事半功倍的效果。

当然，在将两个专业统筹建设的过程中也出现了一系列的难题。首先是人工智能方向师资的缺乏，主要表现为该方向的新毕业博士往往就职于“双一流”高校或国内外知名企业，非“双一流”高校很难找到此类人才。其次是智能制造工程学科教材缺乏，最早成立该专业的学校尚且没有在校生，许多市面上的智能制造类教材有很大一部分是自动化生产线的生产企业为了销售其产品而编制的类工具书的教材，内容质量没有保障，水平参差不齐。

3  专业培养过程中的新挑战

3.1  与相关新兴专业的区分与联系模糊

近年来新兴的专业方向，除去智能制造工程外，还有一些类似专业，包括人工智能技术、大数据、机器人工程[6]，在学科建设过程中需理清上述各专业的相互关系，分清楚其内在的区别和联系：人工智能技术是在对大量数据进行分析后进行的归类或回归，而大数据专业是其前导专业，是对大量数据的处理方法的研究;机器人工程则是对机器人技术的研究，以及以机器人为中心的相关技术应用等的拓展研究，已经大范围应用于智能制造生产领域。简而言之，大数据是智能制造技术中人工智能的铺垫和基础，机器人工程则是智能制造领域一个必不可少的分支。

3.2  实验、实践与实习的划分界限模糊

在传统学科划分基础上，实验是为了验证理论的正确性，实践是为了将理论知识融合在一起进行实际动手训练，而实习则是在企业生产现场进行真正的实际操作。随着新工科的到来，三者的关系发生很大变化[7-8]。

1）分界线越来越模糊。理论仿真平台、实验室、车间的研究对象均为一体化的智能生产线，无论是实验、实践还是实习，面对的操作实体几乎是一样的，都是仅供参观，不能动手操作。即使是仿真软件，也仅仅是有2～3个选项供选择，尚未做到真正的浸入式体验。

2）建设成本越来越高。调查近年来智能制造专业建设较为成功的几所高校，不难发现，几乎所有院校都对该专业进行了大笔的资金投入，少则几百万，多则几千万。

3）动手介入的机会越来越少。如前所述，现有的智能制造生产线的容错性和柔韧性远远不够，无法适应不同的错误干扰，对外界的不同输入缺乏处理能力，导致实验过程无法让学生自由发挥。学生必须按照事前学习过的步骤一步不差地进行重复性试验，即使这样，也没有太多动手的机会。

4  目前存在的一些误区

4.1  建设专业等于建设演示生产线

如上文所述，智能制造技术来源于企业对生产效率的追求，一些成功的案例也是存在于政府牵头的新型产业园或大型制造企业，如西门子、海尔、株齿等。所有技术是面向生产线的，如何将生产线的技术搬到学校里面的实验室，搬到教室，成为目前困扰许多高校的一大难题。相对而言，许多科研实力雄厚的985高校、“双一流”高校相对容易一些，可以借助之前的技术优势和建设经费优势展开小规模实验室级别的产线建设。另一方面，即使完成了对生产线的建设，也仅仅能提供给学生参观的机会，无法像传统的物理化学、工程训练等可以动手[9]。原因有三：

1）考虑到学生的人身安全，不能让其直接对生产线上正在运动的组件进行介入式操作;

2）生产线价格昂贵，数以千计的传感器、执行器相互关联，局部出现问题将导致全生产线的停滞或崩溃，而且维修不方便，学校上课教师往往并不是产线设计或装配人员，需要厂家派人来修;

3）生产线一旦设计、制造、装配完成，其运行模式便不再容易改动，学生只能看到结果，其功能原理只能依靠上课教师的口述，无法达到试验课的真正目的。

4.2  按照传统的配备方式完善师资力量

传统的学科划分是按照物理、化学、机械、电气等基础学科方向划分的，高校新入职师资的培养模式决定了个体知识结构与知识体系比较单一，在单一领域比较深入，对相应领域的理论知识、理论创新有较为深刻的认识。传统的课程设置也是按照基础学科建设的，如高等数学、机械设计、数据结构分别对应数学、机械、计算机学科，现有的师资其知识储备完全可以覆盖一门课的所有知识点，所以传统的上课模式是一位教师可以从头到尾讲授一门课。

智能制造工程专业属于2017年全国第一次新增专

业[10]，第一批本科生将于2021年6月毕业，在当下没有博士文凭几乎不可能成为高校教师的背景下，尚没有土生土长的智能制造工程对口师资。西安交通大学机械工程学院在建设智能制造工程专业过程中，同样存在缺少师资的问题，他们的先进做法是培养现有相关学科的教师，这些教师被派遣去其他学院其他学科学习智能制造工程专业所涉及的而其自身没有涉猎的知识，用来听课学习的时间可以同等地视为教学工作量，课程结束时与学生一起完成课程考试，考试成绩的多少可转化为该部分教学工作量的等级划分依据。该方法可以很大程度地调动年轻教师的学习积极性，在完善自身知识体系的同时完成学校规定的教学工作量任务，解决现有师资缺乏的瓶颈问题。

针对师资缺乏的问题，也可以采取多个教师接力的形式，一起来完成一门课的讲授，前提是有足够的教师可以完全覆盖智能制造工程所需的多个学科门类。现有学校体制下，课时的安排、任课教师的安排以及对教师的年度奖惩细化政策往往是由学校的下设学院来完成的，不同的学院之间具有明确的界限划分，不同学院之间师资的调配需要学校层面来解决。但是，由于目前处于第四次工业革命的增长期，许多新型学科如雨后春笋般出现，一所学校每年新增的课程数以百计，在没有完善政策的引导下，学校层面是没有精力对不同学院、不同学科的师资进行一一调配的。另一方面，现有的师资均对传统学科比较了解，如智能制造工程的制造部分，只有极少数的教师对智能比较了解，造成前者富余而后者紧俏的局面。智能领域的教师如能完成其所在学院的相关课程的讲解，就已经远超学校对其的教学工作量任务要求，而该领域的教师往往是年轻人，剛从学校完成博士课题的研究，一腔热血希望能在自己所掌握的知识尚在保质期内继续创造科研上的辉煌，而教学也是需要时间的积累的。因此，从不同学院调配师资，想法还不够完善，没有从现有高校的实际考虑问题。可以看出，现行形势下最好的解决方式就是学习西安交通大学的先进方法，鼓励现有教师去学习新知识，让每个教师上多门课，同时多个教师来完成一门课的不同部分。

大学应该是人类知识的象牙塔，大学教育的任务应该是帮助学生完成将初高中的基本知识转化为能为社会服务的前沿知识的过渡，大学教师应该是最新尖端科技知识的掌握者。以人工智能为动力的第四次工业革命席卷而来，知识更新速度前所未有，对高校教师提出新的很高的要求，尤其在学习新知识、了解新技术方面更应该主动出击，否则很快就将面临非常尴尬的局面。西安交通大学王树国校长在多个场合反复提到一个现象，就是现在的最精尖技术不是在大学实验室，而是在企业。也就是说，高校教师的知识和技术已经落后于企业的工程师，如果再不努力，很快会出现“老师教的用不上，用得上的老师不会”的现象，甚至出现一些凭借自学的学生在一些新兴科技领域懂得比教师多的现象。所以，高校教师没有理由不学习新知识，不去备新课、学新课。在智能制造工程新知识学习过程中，高校教师是有其自身优势的，毕竟相对于普通本科生而言，在制造、控制、传感、编程语言方面是有前期很多年的学习和工程积累的[11]，同时更容易接触企业的生产实际，更容易理解其中专业术语的内在含义。

5  建设建议

1）学生的专业课选课范围不再局限于本学院，在培养方案的制订过程中对学分的要求可以再适当放宽一些。当然，这会对上课资源带来很大挑战，需要教育管理部门发挥更大的资源配置功能。

2）一门课的讲授不再让一位教师从头到尾讲完，专业教师对应专业的章节，相互之间统一标准、统一制定课程大纲。改造现有的实验室，将传统的实验对象转换为现有的主流研究方向，如将现有传感器实验室改造为多传感器融合实验室，将机械设计的课程设计对象由传统的二级减速器改造为RV减速器，将工程训练的小锤子制作改造为发动机缸盖铸件的精密打磨。

3）政府和企业合作建立实训共享中心，打破高校间壁垒，实现教学设备的资源共享。按照省市地域划分，或按照联盟、协会的形式，实现实践类课程的统一运筹，节省建设资源的同时，提升设备的利用率和师资等专业化程度。

4）仿真软件的制作可以借鉴游戏开发的模式，类似于现行的各大中小学生课外辅导在线软件，允许社会资本涌入，政府采购与学生自由选择并行。充分利用市场活力，开发出与游戏相似的浸入式大型智能制造现场，软件的好坏由教学的主体即教师和学生说了算。■

参考文献

[1]蔡红霞，刘丽兰，王小静.智能制造新工科专业建设探索[J].教育教学论坛，2019（20）：107-110.

[2]教育部高等教育司.“新工科”建设复旦共识[J].高等工程教育研究，2017（1）：10-11.

[3]教育部高教司.“新工科”建设行动路线（“天大行动”）[J].高等工程教育研究，2017（2）：24-25.

[4]教育部高等教育司.新工科建设指南（“北京指南”）[J].高等工程教育研究，2017（4）：20-21.

[5]陆国栋.“新工科”建设的五个突破与初步探索[J].中国大学教学，2017（5）：38-41.

[6]周开发.新工科的核心能力与教学模式探索[J].重庆高教研究，2017，5（3）：22-35.

[7]徐晓飞，丁效华.面向可持续竞争力的新工科人才培养模式改革探索[J].中国大学教学，2017（6）：6-10.

[8]吴爱华，侯永峰，楊秋波，等.加快发展和建设新工科 主动适应和引领新经济[J].高等工程教育研究，2017（1）：1-9.

[9]龚晓嘉.综合性高校在实践教学中培养新工科创新型人才的探索[J].高教学刊，2017（12）：141-142.

[10]余勤，曾晓东，王建，等.工程教育认证标准下课程教学的探索与实践[J].实验技术与管理，2019，36（4）：183-187.

[11]李晶，陈雪峰，周光辉，等.智能制造学科交叉实验平台建设与应用[J].实验技术与管理，2019，36（6）：88-93.