发布时间：2020-05-19所属分类：计算机职称论文浏览：1次
摘 要： 摘要通过分析传统产品质量改进模式存在的问题，以及产品质量改进的定义理解，对产品全生命周期过程质量数据的采集、存储、处理、分析和挖掘等相关技术应用进行研究。规划、设计产品质量大数据管理模型，并探索在产品质量改进实施过程中创新应用大数据分析和
摘要通过分析传统产品质量改进模式存在的问题，以及产品质量改进的定义理解，对产品全生命周期过程质量数据的采集、存储、处理、分析和挖掘等相关技术应用进行研究。规划、设计产品质量大数据管理模型，并探索在产品质量改进实施过程中创新应用大数据分析和挖掘技术。优化、创新产品质量改进方法和工具，为产品质量持续改进提出产品质量大数据驱动的管理模式创新思路。同时，构建产品质量改进的函数模型，并通过应用实例进行验证，证明能帮助企业构建快捷高效、精准规范、透明可控的产品质量改进管理体系。
关键词产品质量改进PDCA大数据技术
0引言
随着新一轮科技革命和产业变革的爆发，全球各国为占领制高点，加快物联网、大数据、云计算等新一代信息技术研究和应用。国内外知名企业为增强全球的核心竞争力，不遗余力地积极推进数字化、网络化、智能化建设，提高科技和管理创新能力，实现提质增效，促进企业转型升级。如何持续改进产品质量，不断提高满足产品质量要求的能力，成为企业转型升级面临的最重要的课题。
相关期刊推荐：《计算机应用与软件》注重刊登反映计算机应用和软件技术开发应用方面的新理论、新方法、新技术以及创新应用的文章。本刊致力于创办以创新、准确、实用为特色，突出综述性、科学性、实用性，及时报道国内外计算机技术在科研、教学、应用方面的研究成果和发展动态的综合性技术杂志，为国内计算机同行提供学术交流的平台。
产品质量改进必须建立在产品质量数据分析的基础之上，而产品质量数据贯穿于产品研发设计、物料供应、制造装配、调试试验、售后服务等产品全生命周期过程。传统的手工、纸质质量管理方式、手段存在产品质量数据量大而分散、采集难，纸质化数据差错率高、反馈不及时、利用率低等问题，已无法满足新时期产品质量改进的要求。需要运用大数据技术，集成采集、存储处理、分析挖掘产品全生命周期过程质量数据，为产品质量改进的模式创新提供必要技术支持。
1产品质量改进定义
产品质量改进[8]是为向本企业及其顾客提供产品增值效益，在整个企业范围内所采取的提高活动和过程效果与效率的措施。它致力于消除产品系统性的问题，对现有的产品质量水平在控制的基础上加以提高，使产品质量达到一个新水平、新高度，最终效果是获得产品的质量比原来目标高得多。产品质量改进活动必须遵循一个PDCA循环[7]的科学规则，即:计划(Plan)，实施(Do)，检查(Check)，处置(Action)。
工业大数据驱动下的产品质量改进PDCA循环具有以下特点:①工业大数据是方向盘、驱动力，四个阶段一个都不能少，如图1(a)所示;②数据驱动PDCA循环，大环套小环，即在PDCA大循环中可利用小PDCA循环，以制定更低层次的计划、执行、检查和处置，如图1(b)所示;③大数据驱动PDCA不断螺旋式上升，每循环一次，产品质量提高一次，如图1(c)所示。
在工业大数据条件下，产品质量改进PDCA循环被赋予新的内涵，综合运用大数据技术，能够更加高效、灵活、精准、持续改进产品质量，快速响应客户对产品多样化的质量要求。
2产品质量大数据管理
随着“中国制造2025”国家战略政策的不断深化推进，国内各行各业掀起了智能工厂、智能车间、数字化车间等建设，为产品质量改进提供了工业大数据应用的生态土壤。产品质量数据是工业大数据的重要组成部分，为产品质量改进提供了基础支撑。
产品质量大数据管理主要针对产品全生命周期过程质量数据进行采集、处理、传输、存储和挖掘分析等管理。对产品质量大数据管理规划研究的设计[4]如图2所示。
2.1质量数据集成采集
产品质量数据采集主要是从制造车间物联网、企业信息化应用系统、互联网的网站，采集产品研发设计、物料供应、制造装配、调试试验、售后服务等产品全生命周期过程质量数据，国内外产品质量标准、质量改进分析参考模型、经验方法等知识数据，以及竞争对手的产品质量相关信息等。采集的数据有结构化、半结构化和非结构化数据;有批量和增量数据;有实时和非实时数据。针对不同类型、不同时效要求的数据，需采用多种不同的采集、集成技术，例如:现场质量数据采用DCS、SCADA、传感器采集技术，记录、报表、单据等关系数据采用信息系统采集。
2.2质量数据存储和处理
面向产品规划、设计、制造、检测、计量、运输、存储、销售、售后等全过程采集的产品内在质量属性(包括产品性能、寿命、可靠性、安全性、经济性等)和外部质量属性(包括光洁度、造型、色泽、包装等)数据，有结构化、半结构化、实时、非结构化等存在形式，需要采用分布式文件系统、行式数据库(分布式关系型数据库、键值数据库、实时数据库、内存数据库)、列式数据库等业界典型功能系统支撑数据处理高级应用，实现产品质量数据的海量规模存储、快速查询读取。数据存储主要采用分布式文件系统及基于分布式文件系统的各类数据库，提供历史数据存储、面向SQL的数据访问等能力。数据处理主要采用计算(数据查询、内存计算、流式计算)、数据分析算法以及分析挖掘工具组成的数据处理功能。
2.3质量数据分析和挖掘
产品质量数据挖掘主要针对采集、存储的产品质量数据，采用高性能计算、分布式计算、并行计算等大数据处理技术和可视化拖拽技术[1]，进行数据处理、可视化理解、样本选择、模型构建、模型展示、模型评估、模型发布，挖掘出潜在的产品质量改进机会和影响质量因素等有用信息，不断持续改进产品质量。数据处理可以采用数据关联、数据降维、格式转换、筛选、异常处理等方法。数据分析可以采用共性结构分析、判别分析、因果关系分析、关联性分析、隐变量分析等方法。
3大数据驱动产品质量改进实施
在产品质量改进PDCA循环实施中，根据GB/T19000族标准和《GJB9001C-2017质量管理体系要求》，在采集、存储、处理和分析大量的产品质量数据基础上，采用大数据分析、挖掘和工作流引擎技术，优化、创新产品质量改进方法和工具，促进产品质量改进管理模式创新，帮助企业构建快捷高效、精准规范、透明可控的产品质量改进管理体系，为企业快速提质增效注入新动能。
工业大数据驱动下的产品质量改进实施过程如图3所示。
3.1识别和确认改进机会
从产品质量大数据中获取产品质量数据、互联网数据和情报数据，挖掘出企业自身产品质量情况和产品成熟度，同行业产品质量标准，用户对产品的质量要求，竞争对手的同种或同类产品质量情况等有用信息数据，并依托工业大数据管理对接差距统计分析、对比评分、技术分析、经济性分析等方法，构建产品质量改进项目选择综合分析模型。通过综合分析，识别产品质量改进机会，确认经济上合理，技术上可行的产品质量改进项目[2]，并确定产品质量改进项目目标值、经费预算和改进活动时间表。
3.2掌握产品质量现状调查
针对选定的产品质量改进项目，对产品研发设计、物料供应、制造装配、调试试验、售后服务等产品全生命周期过程历史质量数据进行分析，综合运用大数据分析和挖掘技术，结合排列图、分层法等质量改进方法，从时间、地点、种类、特征等多维度、多角度，对影响产品质量的历史数据进行汇总、查询、统计、分析，能更精准地把握产品质量问题的规律。
3.3分析影响产品质量因子
在掌握影响产品质量问题规律基础上，对产品历史质量数据进行分类、统计和分析，归纳问题类型，综合运用因果图、排列图等产品质量改进方法和回归、聚类、决策树、神经网络、逻辑回归等工业大数据算法[3]，有针对性地对产品研发设计、物料供应、制造装配、调试试验、售后服务等产品全生命周期过程影响产品质量的人、机、料、法、环等质量因子开展机理分析和数据发掘分析，获得影响产品质量的规律和因素。基于这些因素再开展质量问题定性溯源和质量问题定量溯源，并确定各质量因子的影响程度。
3.4制定对策计划(Plan)
在产品质量持续改进过程中，积累了大量的产品质量改进方法、经验、算法和决策模型等知识，在此基础上，可以为影响产品质量因子的对策计划制定提供智能决策支持。制定对策计划时，需要明确5W1H(Why:为什么制定;What:预期目标;Where:何处实施;Who:由谁实施;When:何时开始和完成;How:如何实施)，并以此作为约束条件，并且充分考虑人、机、料、法、环等企业资源状况，以及当前的生产任务情况，通过智能决策分析系统工具，制定经济合理，技术可行的决策计划。
3.5实施对策计划(Do)
按照制定的对策计划，以产品质量改进知识为向导，组织企业相关部门和人员通力合作，协同完成对策计划的实施。实施过程中，可以通过产品质量大数据的集成采集、处理、分析、挖掘和反馈功能，实时跟踪、监控对策计划实施过程，对延期或违规执行等情况进行预警提醒，并可以及时调整对策计划，高效、快速、精准、低成本地完成产品质量改进工作。
3.6验证、确认改进效果(Check)
运用排列图、分层法等产品质量改进方法，借助产品质量大数据管理的数据分析和挖掘技术优势，从一次交验合格率，质量成本，产品寿命、性能，策划预期目标等多维度对产品质量改进的结果进行分析、验证，并与实施产品质量改进活动前的调查现状进行对比、分析、评估，从而验证产品质量改进效果。
3.7巩固和分享改进成果(Action)
通过产品质量改进效果的评估、验证、确认和总结，对产品质量改进效果好“纠正措施”的对策、方法、算法、经验进行知识化积累，形成产品质量改进知识库，为持续改进产品质量提供知识资产;对存在的遗留问题，将自动转入下一轮PDCA循环。同时，进一步优化产品设计、工艺设计、生产设计，标准化产品设计、生产、试验、服务和管理流程，并纳入企业管理标准体系，巩固产品质量改进成果。
4产品质量改进的大数据应用验证
某科研院所的惯性测量系统(下文简称“系统”)是重要科研生产项目之一，由光学传感器(G1，G2，G3)、传感器(A)、电路板等部件装配而成。即便采用质检合格的所有部件，并且严格控制装配过程，系统装配合格率也可能仅为50%，造成严重的经济损失，也严重影响顾客的满意度。
针对上述问题，科研院所组建由工艺人员、质量管理人员、质量分析人员构成的系统装配质量改进小组。质量改进小组尝试按照大数据驱动的产品质量改进实施步骤对系统装配工艺进行了优化，取得较好的效果，最终将系统的装配合格率提高到80%。
在系统装配质量改进的实施过程中，提出了大数据解决方案。开展了运用Logistic(逻辑斯蒂回归)的大数据算法研究，构造预测函数来寻找影响系统装配合格率的质量因子。通过对大量的系统装配过程历史工艺数据和质量数据进行分析，发现同一批次、同一型号、同一款式的合格光学传感器(G部件)分别安装在三个轴向，安装轴向不同，装配结果也不同。从而可以推断:影响系统装配质量因子是G部件的安装轴向。
5结语
本文提出了在工业大数据条件下，研究充分利用大数据的采集、存储、处理、分析和挖掘技术，探索和研究产品质量改进新模式，并进行了一定的实例验证。但是产品质量改进的创新模式实现，还需要进一步细化，形成落地方案，并通过数字化、网络化和智能化手段，将产品质量改进活动融入到产品研发设计、物料供应、制造装配、调试试验、售后服务等产品全生命周期业务过程，构建一体化集成应用系统，为产品质量改进提供工业大数据的平台支撑，优化、规范产品质量改进流程，提高产品质量改进效率。同时，可以考虑引进6σ统计评估等产品其他质量改进方法，不断追求零缺陷产品生产，防范产品责任风险，降低成本，提高生产率和市场占有率，提高顾客满意度和忠诚度。
SCISSCIAHCI
