从工业4.0到质量4.0——影响与挑战（下）

◆郭 政/ 文

三、质量4.0——大数据驱动的全链质量管理

质量4.0是质量管理在应对上述变化和挑战的系统再造。不同学者提出了各自的见解，从多个角度进行了定义，包括价值创造、商业模式、消费者权利等，但目前尚未形成共识。

本文认为，工业4.0本质特征是基于数据的分析方式、决策方式、生产方式、控制方式的变化，数据驱动是基础。与此相似，质量4.0与以往质量管理的主要区别也是大数据驱动，以及由此导致的全产业链的质量变革。因此，本文将质量4.0界定为“大数据驱动的全链质量管理”。

（一）大数据驱动的质量管理

质量管理从其学科建立伊始就是一门基于数据的学问。随着工业4.0的发展，数据本身将从小样本的、零散的、碎片化的数据，变为了海量的、多维的、连续的大数据。

1.大数据的类型、获取与影响

企业中存在的大数据主要归集为以下类型。

（1）产品数据。包括设计、建模、工艺、加工、测试、维护、产品结构、零部件配置关系、变更记录等。产品的各种数据被记录、传输、处理和加工，使得产品全生命周期管理成为可能，也为满足个性化的产品需求提供了条件。今后，外部设备不再是记录产品数据的主要手段，内嵌在产品中的传感器将获取更多实时产品数据，使得产品管理能够从需求、设计、生产、销售、售后贯穿到淘汰报废等全生命周期。另外，通过产品终端将用户数据实时传回，可动态感知并实时响应消费需求，服务成为企业营利的主要手段。“产品即服务”“软件即服务”“数据即服务”，使原有仅仅聚焦于产品的质量管理必须扩大适用范围。

（2）运营数据。包括组织结构、业务管理、生产设备、市场营销、质量控制、生产、采购、库存、目标计划、电子商务等方面数据。工业4.0中无所不在的传感与互联，带来无所不在的数据，这些数据会带来研发、生产、运营、营销和管理方式变化。首先，生产线、生产设备的数据可以实现对设备的实时监控，同时生产数据反馈至生产过程中，使得工业控制和管理最优化。其次，通过对采购、仓储、销售、配送等供应链环节上的数据采集和分析，带来效率大幅提升和成本大幅下降，并极大减少库存，改进和优化供应链。利用销售数据、供应商数据的变化，可以动态调整和优化生产、库存的节奏和规模。此外，基于实时感知的能源管理系统，能够在生产过程中不断实时优化能源利用效率。

（3）价值链数据。包括与客户、供应商、合作伙伴相关或者由这些主体共享的数据。大数据技术的发展和应用，使得价值链各环节数据和信息能够被深入分析和挖掘，为企业管理者和参与者提供看待价值链的全新视角，使得企业有机会把价值链上更多的环节转化为企业的战略优势。从企业自我管理到协同管理，价值链数据管理大大延伸了质量管理的边界。

（4）外部数据。包括经济运行、行业、市场、竞争对手等数据。为了应对外部环境变化带来的风险，企业必须充分掌握外部环境的发展现状以增强自身的应变能力。大数据分析技术在宏观经济分析、行业市场调研中得到了越来越广泛的应用，已经成为企业提升管理决策和市场应变能力的重要手段。少数领先的企业已经通过为高管、营销人员、车间工人等在内的员工提供信息、技能和工具，引导员工更好、更及时地在“影响点”做出决策。在数字时代，企业可以实时获取各种数据，对所处环境进行实时分析，并作出敏捷应对。

2. 质量数据处理层级

依据处理数据的数量级和智能水平，宗福季（2020）对质量管理进行了9个层级的划分。

（1）不用数据，只依赖经验，比如制衣业早期；

（2）收集数据，但只研究数据本身；

（3）将收集的数据用图表进行展示；

（4）收集普查数据并进行描述性统计分析；

（5）收集抽样数据并进行描述性统计分析；

（6）收集抽样数据并进行推断性统计分析；

（7）收集实时异构传感器数据并进行描述性统计分析与可视化；

（8）收集实时异构传感器数据并进行推断性统计分析，给出决策建议；

（9）使用工业人工智能的自主过程控制，将数据分析阶段智能化，减少人为参与。

其中，从第7阶段开始进入大数据质量分析与处理，标志着质量4.0的开端。第8阶段，即运用大数据做出决策是质量4.0取得突破性进展的主要难点。目前，还没有形成通用的框架和方法，决策建模成本过高，且需要大量调试，还难以大范围推广应用。不过许多行业的领先企业都做出了有益的尝试，在单个企业层面也取得了不错的效果。

今后，大数据驱动的质量管理对质量专业人员的要求将进一步向数据方向聚焦，质量工程师和数据分析师之间的边界逐渐模糊。

（1）使用数据加深对业务环境和实际问题的理解；

（2）在决策中应用尽可能多的不同数据，产生尽可能多的观点与解决方案；

（3）培养对数据和整体业务变化的理解；

（4）处理不确定性和犯错的可能性；

（5）认识到高质量数据的重要性并投资可信赖的来源进行改进。

3. 基于大数据的质量建模与仿真

数字技术使人们几乎可以为所有产品、系统、子系统或功能过程建立物理模型或行为模型，从而形成现实世界的虚拟照应，即通常所说的数字孪生。一些计算机软件，如 MATLAB、Simulink、modeFRONTIER等，使系统建模的难度和成本大幅下降。通过仿真模型，可以为产品开发与生产等各环节寻求多种可能方案，并从中取得最优解，实现稳健性、可靠性和安全性等质量要求的平衡。

通过建模与仿真，质量管理的范畴扩大且效率进一步提升。

（1）数字模型被认为是关于产品参数和功能的“真实”，经验证后的模型将被视为产品的一部分进行交付，因此数字模型的质量被纳入管理；

（2）数字模型通过仿真可以获得对改进有益的数据，从而增强分析能力；

（3）数字模型成为过程管理的重要依据，帮助缩短制造流程，避免了缺陷和错误；

（4）数字模型有助于快速开发与升级嵌入产品的软件，同时降低出错概率；

（5）数字模型可用于制造、操作和维护产品的操作和培训材料。

因此，建模和仿真将成为质量管理非常重要的新工具，应该整合到现有的工具方法集。对于质量专业人员来说，建模和仿真将成为新的必备技能，或者（很大可能性）他们的工作将被高效强大的软件所替代。

4. 基于大数据的质量预测

在论及大数据时，通常在两个维度上进行理解：一方面数据数量级和类别极大扩充，另一方面数据处理能力大幅提高。更多的数据、更强的算力、更优的算法使企业能实时掌握现实，并在此基础上预测未来。对未来预测能力的提升是大数据重要的功能。

事实上，运用大数据开展预测在许多领域已经得到很多应用。最常见的例子是天气预报，将各类气象信息输入超级计算机，并通过多种模型进行仿真计算，选出最大概率的预测项。建模的精确性加上超级计算机的强大算力，使得天气预报越来越准确。

但在工业领域，受资源条件限制，到目前为止，对故障和异常的预测有一定程度的开展，但能力很弱，预测结果准确性不高，在可能发生质量问题的位置和时间两个维度上都不能精准给出判断。质量管理中的失效分析对预测需求很大，目前主要基于试验方法进行，受控的参数少，能够进行的试验受条件限制大，所以失效分析虽然理念很好，但真正用得上、用得起、用得好的企业不多。大数据的应用使企业能够在多维度条件下采集各类海量数据，经建模后运用仿真技术设定虚拟的试验条件，从而做出更加精准的预测。随着建模人才的培养和计算机算力成本的进一步下降，质量预测正在成为重要的新兴部门。今后，当在线SPC给出质量异常报警的同时，计算机软件会给出相应的问题来源与调整解决方案。甚至更进一步，当生产过程还在正常进行时，计算机软件会给出预警提示，告知可能发生故障的位置和发生的概率，提醒工程师及时检查维护。

未来，企业中开展质量预测的活动和形式可以包括。

（1）通过在组件、子系统和系统的测试和试验中使用预测管理，在系统开发阶段引入预测功能；

（2）在产品或设备的寿命管理中应用预测功能；

（3）将预测功能集成到TPM系统中，增强生命周期管理能力；

（4）在产品开发中引入基于状态的维护，作为实现产品可靠性的主动方法；

（5）将质量预测功能集成到生产系统或检测系统中。

（二）全链质量管理

在质量2.0发展到质量3.0的过程中，全面质量管理（TQM）是其核心特质。TQM提出的全员、全过程、全企业的基本原则得到广泛认可，但该理论覆盖范围仍然是企业内部，随着现代生产组织方式的演变，三个全面的质量管理应该演化为面向“供应链、价值链、产业链”的全链质量管理。

在工业4.0时代，竞争关系并不仅仅存在于企业之间，也更多存在于以大型平台企业为依托的产业生态之间。谷歌、亚马逊、阿里巴巴等互联网公司是全球ICT等先进技术的开发者、应用者，也是全球组织变革的创新者、引领者。它们成功的重要原因之一在于构建了与先进生产力相适应的生产关系，以及与业务快速迭代、持续创新相适应的组织架构和运行体系。

过去40年，基于产业生态的竞争在ICT领域愈演愈烈，从Wintel体系到Android、iOS两大操作系统，从电子商务、搜索引擎到社交平台，一批领军企业主导了全球ICT产业生态发展。当前，伴随着新一代信息通讯技术和制造业的融合发展，以平台为核心的产业竞争正从ICT领域向制造领域拓展。GE、西门子等领军企业围绕“智能机器+云平台+工业App”功能架构，整合“平台提供商+应用开发者+用户”生态资源，抢占工业大数据入口主导权、培育海量开发者、提升用户黏性。通过组建产业联盟、成立开源社区、开展试验测试等举措，这些企业打造了基于工业互联网平台的制造业生态，不断巩固和强化制造业垄断地位，抢占全球新一轮产业竞争的制高点。

图1 价值链的外部化与群落化

随着这一新兴的工业组织形式的变化，质量管理的重点并不仅仅局限在企业内部的控制上，而在于企业与企业之间的相互协调上。目前70%以上的制造质量问题，其源头来自各级供应商。

因此，质量管理将逐步由企业内部的点式管理变化为开放的链式管理。随着产品实现过程的跨企业流动，质量管理流程必将覆盖整个供应链、价值链、产业链。

四、应对挑战

质量4.0是质量管理应对工业4.0诸多新挑战所必须开展的变革，是基于大数据驱动的全链质量管理。质量4.0在不同领域不同层面对不同主体提出了要求。为应对挑战，应在政策方面重点考虑以下问题。

（一）系统推进质量管理数字化变革

工信部颁布了《制造业质量管理数字化实施指南（试行）》，对推进质量管理数字化变革进行了整体布局，其主要内容包括“围绕一条主线、加快三大转变、把握四项原则”。

一条主线，即把数字能力建设作为推进质量管理数字化发展的主线。

三大转变，即质量管理范围从企业质量管控向生态圈协作转变；质量管理重点环节从以制造过程为主向研发、设计、制造、服务等多环节并重转变；质量管理关注焦点从以规模化生产为主向规模化生产与个性化、差异化、精细化并重转变。

四项原则，即注重价值牵引和数据驱动；注重深化实践和创新应用；注重分类引导和示范带动；注重开放合作和安全可控。

（二）建立健全数字化法律法规

进一步完善数据开放共享、知识产权保护、隐私保护、安全保障等方面的法律法规要求，加快数字化共性标准、关键技术标准制定和推广；推动企业落实数据安全相关法规要求，强化数据安全意识，履行数据安全保护义务，增强风险防范、科学决策能力，降低治理成本，提高治理效率。

（三）建设质量数据服务平台

依托国家质量基础设施重点实验室，建设质量数据服务平台，提高企业获取质量数据、标准数据、应用数据的能力；鼓励企业参与数据服务平台建设，为企业提供数字化转型系统解决方案；支持企业依托平台开展质量创新，通过平台数据资源和能力供给，强化质量竞争力；推动质量数据服务平台结合重点产业的应用场景和关键质量问题，综合运用物联网、大数据、5G、人工智能等新兴技术，开发一批通用性强、安全可靠、低应用成本、易二次开发的质量信息系统、软件和工具包，减低企业质量管理数字化实施成本。

（四）推进产业链质量协同

鼓励大企业为中小企业提供一揽子的质量信息支持，包括产品与服务需求信息、质量标准、工艺与流程规范，提高全链条质量效益。在重点行业培育1000家以上链主型示范企业，建立人才联合培养、标准联合研制、专利联合开发的协同管理体系；鼓励链主型示范企业与其产业链、供应链上的中小企业构建开放式质量创新平台，实现企业间质量信息的双向沟通、质量基础设施的双向共享；推动链主型企业与中小企业以及技术服务机构针对产业、区域的共性质量技术展开联合攻关，加快共性技术研发和应用；鼓励链主型企业运用区块链等技术建立产业链质量追溯系统。

（五）质量政策的系统性评估

质量政策并不是孤立存在的。通常情况下，涉及标准、质量和技术法规的相关政策通常涵盖工业发展、出口贸易的加强、环境控制、食品安全、动植物健康安全、科学技术发展等多方面。在质量4.0下，质量管理的对象、范畴、过程、供给、需求等都发生了根本性的变化，随之而来的是对现有政策的变化需要。我国应建立统筹的大质量政策体系，以增强政策有效性。从国家战略层面，应围绕国家高质量发展目标，编制质量强国战略纲要，明确新时代建设质量强国的指导思想、目标路径、工作任务；制定年度行动计划和重点项目，明确部门任务分工，严格责任落实；从推进落实层面，应制定出台促进企业特别是中小微企业质量升级的若干财税、补贴和扶持政策，包括制定优质优价的政府采购质量安全保障机制与办法，建立质量分级制度，完善产品质量“三包”责任，建立完善非诉讼质量争议解决和补偿机制，建立新型质量人才教育培养体系和质量专业人员资格认证制度等。