文 / 宗福季教授
本文转载自香港科大商学院内地办事处
进入工业4.0时代以后，数字化转型成为经济发展的普遍趋势，而质量4.0更是其中的关注焦点。工业大数据是数字化转型的重要载体，更是质量4.0的核心，其在质量创新中的重要性日益显著。无论是行业还是个人发展，都将面临数字化转型下工业大数据的应用所带来的重要机遇和挑战。工业大数据在质量4.0中的机遇具体表现在通过采集数据、分析数据并建立模型进行质量控制与质量提升。与此同时，工业大数据在质量4.0的应用中也面临着数据完整性、数据质量、数据场景、领域知识、数据隐私、样本稀缺等方面的诸多挑战。此外，质量4.0的思想及技术更可被应用拓展到社会的各个方面，以期助力建设质量强国。
01
背景
2020年新冠疫情的爆发，极大地加速了数字化转型的趋势。数字化转型发生在工业4.0的框架下，工业4.0又被大家称之为第四次工业革命。第一次工业革命是由瓦特发明蒸汽机所导致的工业化，第二次工业革命是在电气革命背景下引发的大规模生产，第三次工业革命是由于电脑与控制器的介入所产生的自动化。而现在，尽管各国都对第四次工业革命有不同的解读与偏向，但是其中心思想就是数字化转型，即利用物联信息系统将生产中的供应、生产、销售信息数据化、智能化，最后达到快速、有效、个性化的产品供应。围绕工业4.0时代背景，我将阐明工业大数据在质量创新中的应用，以及工业大数据在质量创新应用中面临的机遇、挑战，并阐述其在不同领域的拓展性应用，以期为落实质量强国的做法，带来一些启发及探讨。
大约10年前，我被选为国际质量科学院 (IAQ) 院士。它是世界上质量领域最负盛名的全球组织。IAQ由全球质量相关领域的思想领袖组成。IAQ仅选出来自25个国家的一百多位院士（每个地区都有限制名额）。IAQ的智库这几十年来协助解决了许多世界上与质量相关的重要问题（如联合国智库和ISO智库）。最近，我受邀加入华生博士（Dr. Greg Watson）带头新建的 “质量4.0” 智库（天津大学何桢教授也是成员之一）。
质量4.0的概念和命名起源于 2010 年德国政府首次将工业4.0战略计划作为行动计划的延伸。该术语于2017年首次使用，用于表明质量思维的新纪元。这是数字化和大数据对工业和社会质量实践的颠覆性影响的结果。根据美国质量学会（ASQ），“质量4.0”是指在工业4.0的背景下，质量和组织卓越发展的未来。质量专业人员可以将经过验证的质量学科应用于新的数字化和颠覆性技术方面，在他们的组织发挥重要作用。在创建这个术语之前，质量的概念并没有根据其自身领域的重大事件的进展划分为不同的时代，但将质量技术发展并行于工业的发展，应该是合理的。
在质量4.0的颠覆性时代，这个IAQ智库旨在寻求对数字技术的方法、应用和对质量方法、工具和实践的影响，以及对从事质量行业的专家的影响有清晰的理解，并为将来质量4.0的应用，发展相对应的专业能力。在数字化转型下，质量4.0的发展，工业大数据无疑是其中的核心。
大数据有三个原始特性：高容量（High-Volume），指的是数据量；高速度（High-Velocity），指的是收集、获取、生成、处理数据的速度；多种类（High-Variety），指的是不同的数据类型，如音频、视频、图像数据（主要是非结构化数据）。质量4.0对于企业的竞争力至关重要，但是不是只要有了更先进的机器设备收集大数据，或通过自我研发跨越了以往存在的一些技术门槛，质量创新就能提升到更高水平呢？事实上并不是软硬件完全到位就可以解决问题。如果那样的话，很多问题就不是问题了。接下来结合几个具体实例进行说明。
02
实例
实例A: 航空产业产品质量预测与控制
第一个例子是航空航天公司，他们生产的一个重要产品是IMU（飞机惯性导航系统）。飞机惯性导航系统就像陀螺仪一样可以控制方向，是一种非常强调精密性的仪器。航空业的公司规模往往非常大，软件硬件也非常齐备，拥有非常好的数据收集系统与传感器系统，可以获得大量的有效实时数据。在制造飞机惯性导航系统时存在许多不同的工序，我们在每个工序中都放置一些传感器。布置传感器的原因是：一方面传感器是先进科技的结晶，可以对数据进行准确和高效的收集，从而对工序进行实时的监控；另一方面传感器的价格低廉。然而，即便是我们获得了海量的实时数据，并且拥有良好的信息系统，产品的质量检测最终还是要仰赖人工的检验。对于飞机惯性导航系统而言，共有(x,y,z)三个维度，且每个维度拥有3个指标，我们需要对该产品共计9个指标进行测量，若有一个指标不符合要求则该产品不符合质量要求。
对于这个案例而言，虽然我们获得了大量工业数据，最终产品质量检测还是依靠人工方式进行，而不是根据获得的海量数据预测获得。此外，当产品质量发生问题时，我们也没有办法根据数据进行诊断或者问题追踪，仍依赖人为判断。
实例B：半导体产业产品质量预测与控制
下面我们介绍第二个例子。半导体行业是一个非常追求精密化的行业，他们对数据的应用在所有行业中处于领先地位，在其他行业进行大数据分析之前半导体行业就已经在进行数据收集了。半导体行业中的玻璃面板成膜（PVD）过程包含很多工序，并且数据收集非常完备，有很多实时海量数据。可是与案例A很像，我们无法通过数据预测产品质量是否过关，而是需要最后进行人工检测。我们通常通过测量一整块镀膜玻璃上17个点的厚度，并计算他们的均值和方差，以此检验产品质量是否过关。
在玻璃面板成膜过程中有很多工序，我们目前采集的数据仅包括其中的3个工序。然而，仅仅是这3个工序就已经有高达65个参数，并且目前还没有办法能够识别出65个参数里面哪些是重要参数。对于玻璃面板成膜过程整体而言，工序越多，数据就越复杂，参数就越多，而哪些参数对最后的产品质量有决定性影响是很难识别的。因此，该过程很难根据参数数据来对产品质量进行预测。此外，当产品质量出了问题，该如何进行调控提升、应该调整哪些参数、如何追踪是哪个环节出了问题等等都非常重要，但是我们目前没有办法解决它们。
我们介绍这个案例也是为了说明，尽管现在工业数据收集环节已经完善，仍然无法实现自动化地产品质量预测与监控。
实例 C：服装产业产品质量预测与控制
第三个案例是一家制衣公司。这个公司在制衣业中排名很靠前，他们购买了ERP系统与RFID系统，具备完善的信息系统和数据采集系统。可是他们仍然遇到了挑战：该公司主要客户是快时尚人群，需要快速根据时尚潮流替换他们的产品款式。这对客户方而言是有益的，他们可以很快地替换服装款式并且可以将价格成本压得很低。但是对于生产方而言是有很大压力的。大家可能认为他们现在可以根据大数据信息系统进行很快的工时工序报价。但实际情况是目前他们对于工时工序报价仍然无法根据数据进行预测建模。因此，最后提供工时工序报价时仍然需要人为判断与经验。
虽然该公司的数据收集系统非常完善，但由于服装款式非常的多，其中还包含许多零部件的生产，整体工序非常复杂。而工序数据不仅仅是连续型数据，还包含非常多的定性数据，造成数据维度非常的高。虽然我们拥有海量数据，但是在维度非常高的情况下模型很容易拟合失败。另外，在数据采集环节涉及到大量人工干预，比如用人工填表等等方式收集数据，这导致我们获得的数据精准度不高。因此，虽然该公司数据量非常大，我们最终做决策时还是仰赖人地参与。
03
思考
目前我们推崇大数据与数据科学，这股潮流会让我们产生一些幻觉，比如有一些公司觉得自己规模不是很大，没有充足的资金，没办法获得很好的信息系统与数据采集系统等等，因此无法从大数据的浪潮中获益。通过以上三个例子我们发现，无论是人工参与较多的服装行业，还是较为智能化的半导体业，就算公司资金非常充足，信息系统与数据采集系统非常完善，可以通过各种方式获得海量实时数据，但这些数据并不能帮助解决实际问题。目前，他们还是没有办法做到产品质量管理的自动化，产品质量检测问题仍然大量仰仗人工方式。这些例子告诉我们大数据是很重要，但是只有大数据依然无法解决问题。大数据并非质量创新的充要条件。如何根据在生产过程中获得的大数据，对工序进行优化与预测产品质量仍是质量创新亟待解决的问题。
我们想要解决质量创新需要依照一些步骤与方法，其中很多步骤与方法是目前已经较为成熟的，比如6 Sigma方法、工艺流程图等等。这些方法在实际应用中仍是十分有效的。因此，我们在数字化转型的过程中并不能摒弃他们。然而，这些传统方法也有许多不足之处：
首先，传统方法使用的数据是基于采样得到的，它们只代表部分产品信息，反映局部生产过程。在看不到的地方我们往往是用人为经验进行填补。其次，缺少统一的数据信息平台，质量数据难以共享与追踪。如果数据是一座孤岛的话，往往会孤掌难鸣，效果有限。数据真正强大的地方在于将他们联系起来。第三，工具自动化程度偏低，依赖人员大量参与和主观判断。
进入工业4.0时代并展望质量4.0，首先，由于现代传感器行业的发展，我们可以获得更多更实时的数据，可以看到更多更全面的信息。其次，我们拥有了很多数据平台，可以把这些孤立的数据联系起来。第三，由于统计及机器学习方法的发展，尽管仍然需要人的参与，我们还是可以做到一些工具的自动化与智能化。过去，我们把数据当成金矿，所以尽量存起来，以备后用。但现在发现，数据不是湖或者海的静态概念，而是数据流，是河流的概念。它有速度的，所以不要打算存起来；它是实时流动的、动态的，所以质量4.0的重点是思考如何利用数字化转型，实时地分析工业大数据，实时反馈，以达到智能决策及管控。
……未完待续, 敬请期待
*部分内容已刊登Tsung, F., "The Application of Industrial Big Data in Quality Innovation in the Context of Digital Transformation", Journal of Macro-Quality Research, Vol. 9, No. 3, 2021.
图片来源：Pexels、Pixabay、Fotor懒设计
宗福季教授简介
