工业革命的发生持续变革着质量管理的方法，从以产品为基础的质量检查方法，到以质量规划和防错为重点的过程管理模式，再到如今以数据为支撑的预测性管理。
工业4.0时代，“质量”的概念已经远远超出产品本身中涵盖的预期功能，它更代表着一种理念、一套方法和实践体系，以及对企业卓越的持续承诺，还涉及顾客对其价值和利益的感知。这些看似主观的信息是否能够形成特定的数据分析模式，使过程、产品更智能，应是质量管理考虑的问题。那在这个过程中质量人将扮演怎样的角色，人工智能又将如何渗入质量管理中呢？
质量“I.T”人
质量人未来的角色转变
数据爆炸，已经是公认的事实，据英特尔预测，全球数据总量在2020年将达到44ZB(1ZB=10亿TB=1万亿GB)，而其中，80%的相关业务数据以非结构化形式提供，它们大部分没有固定长度、固定格式、既没有储存也没有分析。然而，正是这些非结构信息中涵盖了客户对价值和利益的感知，是未来质量概念中的关键信息。
如此，质量人不得不面临角色的转换，他们不仅需要对传统质量体系和产品质量维护，而且需要变身为“I.T”人 充分挖掘数据的价值，将其转化为信息和知识，进而将其演化为模型，形成可以指导行动的智能。
如上图中客户在社交媒体上的参与、分享、交流等数据，它们是非结构性的，却是客户价值体系数据的来源。未来的质量“I.T”人就需要了解他们正在积累的非结构化数据的类型，以及处理和存储这些数据的最佳方法，以获得数据驱动生产的可能。质量I.T人处理数据、构建模型将涉及大量深度学习、人工智能、云计算等新技术的辅助，一系列的新技术将应用于未来的质量管理中。
AI质量实例
人工智能改变质量系统的典型用例
根据世界知名的质量工程/可靠性工程/精益六西格玛专家，美国韦恩州立大学终身教授杨凯的总结，未来的产品开发制造将形成一个全面连通的生态圈，其中人员、产品、机器、相关系统实现信息无障碍流通。物联网器、芯片等将植入硬件产品，云计算、深入学习、人工智能、VR、Augmented Reality 等高技术进入质量管理实用，在风险与机遇并存中不断推进质量管理的深度和广度。
当下，制造业也正在开发各种具有前瞻性、启发性的用例，变革质量系统的运作方式，满足不断变化的客户与市场需求。
基于机器学习的模式识别
从大批量生产以来，人们就不断探讨大数据的管理和应用的方式。真正的革命不是关于数据，而是关于统计以及利用数据获得洞察方法所产生的价值。
现在，业界开始通过数据标注，建立用于模式识别的人工神经网络训练和自学习，实现基于机器学习的模式识别。下图就展现了人们在焊接点检测领域取得了99%的成功率的用例。
人工智能推动的自动特征检测
下图的自优化触觉试验台借助视觉感知、认知、接触感知等流程，基于相机的控制特征识别和分类、知识管理系统的设计，完成实证分析与验证，为自动化系统增加人工智能。
数据分析预测性质量研究
亚琛工大WZL研究所正在进行的预测性质量研究，对待结构性数据关注过程或批次，对待非结构性数据关注对象或实体，直接或间接地完成对质量的描述，为实现结构化数据和非结构化数据的融合提供了新的方法。
未来的质量
需要铺设的是那条渴望已久的路
与普通的校园规划不同，美国密歇根大学在校园建设时，并没有提前规划人行道，而是在校园种上了草，在人走得多的地方铺路，就形成图片中的场景。
图｜黄色为美国密歇根大学校园的路
未来的质量，也如同密歇根大学的校园。路一直都在脚下，需要我们共同开启！
根据来自德国亚琛工业大学WZL机床实验室计量与质量管理研究所所长、I4.0项目负责人Prof. Dr.-Ing. Robert Schmitt教授的建议，传统的质量方法已经表明了公司中的一些期望路径，我们需要在此基础上，借助大数据和高级分析技术找到新的、更智能的方法。我们需要：
利用更多数据，降低数据延迟
确保数据的可访问性
不断尝试新的方法
建立生态系统
提高变革速度
减少管理障碍
如果你看到了一条渴望之路，你就会看到机会的闪光。走这条崎岖的路，让它变得更好！
相关文章
