传统的SPC控制图分析、方差分析等质量数据分析技术已经不能满足当下大量数据的分析需求。运用机器学习、深度学习等人工智能算法实现面向历史数据、实时数据、时序数据的聚类、关联和预测分析成为当下质量大数据分析技术的核心，随着人工智能算法的不断发展，基于这些最新的人工智能算法的质量数据分析层出不穷，质量大数据分析技术正在蓬勃发展。
一、质量大数据的概念和外延
质量大数据（Quality Big Data, QBD）根据质量管理在不同生产体系、管理体系和数据基础等上下文的内涵不同，决定了其边界和内容。
从数据要素的角度，质量大数据是指围绕工业产品各种质量要求（功能型质量、性能质量、可靠性质量、感官质量等）在不同阶段（研发设计、生产制造、使用运行等）所产生的与产品质量相关的各类数据的总称，覆盖了人、机、料、法、环、测等多个因素。
从业务范围的角度，质量大数据除了应用于单个企业内部的特定业务环节，也包括上下游企业构成的供应链协同和联动，甚至覆盖一个产业生态圈。
从应用技术的角度，质量数据技术包括数据规划、检测采集、传输存储、建模查询、管控治理、统计分析和管理应用等相关技术，而质量大数据更聚焦在针对海量异构质量数据的平台、分析和应用等大数据技术。
从上面的描述可以看出，质量大数据有业务、数据、技术等不同的维度，不同维度上的差别决定了质量大数据在不同行业、不同企业的侧重点不同。例如，在医药、食品等行业，全产业链质量追溯是重点；对于半导体生产，先进过程控制（Advanced Process Control, APC）是重点；对于装备制造，全生命周期（从研发、制造到运维）的质量管控与优化是重点。基于多个行业实践和调研，本白皮书归纳出如图1所示的质量大数据的参考模型，从业务、数据、技术三个维度对质量大数据的范畴和内涵进行刻画。
二、质量管理体系的演化
按照质量管理在各个国家实践的特点来看，质量管理学科的发展经历了四个阶段。
（1）质量数据采集体系日趋成熟
质量数据采集体系包括数据采集、存储、集成、管理、访问等，是质量数据分析和应用的基础。随着设备数字化程度的提高以及工业互联网平台的发展，企业能通过ERP、MES、工业互联网平台等系统采集包含人、机、料、法、环、测环节的海量质量数据。据《2020中国大数据产业发展白皮书》，自2014年起，大数据专利数量开始飞速增长，到2019年，中国共拥有大数据相关专利32301项，数据采集是大数据专利技术领域的热门词汇。在一些自动化程度较高的行业，如面板行业、SMT生产行业等，质量数据采集体系已经十分成熟，为质量数据分析和应用奠定坚实的基础。
（2）质量大数据分析技术蓬勃发展
传统的SPC控制图分析、方差分析等质量数据分析技术已经不能满足当下大量数据的分析需求。运用机器学习、深度学习等人工智能算法实现面向历史数据、实时数据、时序数据的聚类、关联和预测分析成为当下质量大数据分析技术的核心，随着人工智能算法的不断发展，基于这些最新的人工智能算法的质量数据分析层出不穷，质量大数据分析技术正在蓬勃发展。
目前质量分析主要集中在6个层面：质量根因分析、控制参数优化、质量异常预警、质量时空模式分析、质量检测和生产设备智能运维。
1）质量根因分析：质量根因分析是建立质量指标与监测参数之间的对应关系，监测参数可以是设计、生产、检测各个阶段的数据，可用于实现工艺的优化、质量控制、质量预警等，应用范围较广，但是需要获取高质量的样本数据才能建立较为精确的映射关系，因此数据获取难度较大。
2）控制参数优化：控制参数优化是对生产过程中的需要人为控制的参数进行优化，提升产品质量，可用于实现产品质量控制与工艺设计优化。与质量根因分析相比，控制参数优化问题不需要找到监测参数与质量指标之间的精确关系，只需要找到质量较好的那部分质量指标与监测参数之间的关系，且这里的监测参数是可控的，因此数据获取难度小于质量根因分析。
3）质量异常预警：质量异常预警是根据当前制造过程的参数对本批次产品质量进行预测，对高风险的在制品进行预警，为质量提升提供指导。
4）质量时空模式分析：质量时空模式分析主要是挖掘不同生产线、不同季节、不同物料等对质量的影响，提高对工艺流程的认识，为工艺设计提供帮助。
5）质量检测：质量检测是对成品的质量进行自动检测，及时发现质量不合格的产品。可以通过超声波检测仪、工业相机等设备，采集产品的质检数据，利用信号处理、图像识别等技术手段，发现产品的表面、内部等缺陷问题。
6）智能运维：智能运维包含两方面的研究，一方面是对生产设备进行预测性维护，另一方面是对产品试用期进行质量洞察。对生产设备进行预测性维护可以减少由于设备原因所导致的产品质量低、生产效率低等问题，对产品试用期进行质量洞察有助于我们及时了解产品交付后的质量是否合格，有助于帮助我们改进产品设计、改进制造工艺等，且通过试用期的运维数据可以判断用户是否正确使用该产品，为售后人员的售后服务提供帮助。
三、质量大数据行业应用现状
随着数据采集体系的日趋成熟以及质量大数据分析技术的蓬勃发展，企业自身的数据积累与技术积累已经达到了一定的程度，质量大数据技术得到落地应用。在自动化程度较高的行业尤为明显。
例如在半导体行业，将质量大数据技术引入FDC数据分析系统，帮助产品生产过程进行质量管理，提升其管理水平，从而获得稳定的产品良率。在电子制造行业，许多企业利用质量大数据系统辅助SMT产线进行质量管理，提高产品生产效率与生产质量。在汽车行业，特别是一线品牌的汽车企业，以质量大数据核心的质量管理系统已经进入普及阶段。
此以外，质量大数据在化工、新材料生产等行业也得到了一些实际的应用，为企业质量管理提供帮助。但也可以看到，不同行业的侧重点不同。以分析课题为例，如表1给出一些行业的典型质量分析课题，即使名字相同课题在不同行业的内涵与主要矛盾也常常不同。
表1一些典型行业的质量分析课题
四、质量大数据平台的搭建
目前质量数据缺乏有效的管理和应用，历史数据闲置是当前质量工作全面信息化亟待解决问题。为了加强对该类数据的应用，通过搭建质量大数据中心平台收集汇总所有质量数据，以大数据技术—数据中心模式，按照不同的应用分类、如故障监测、装备故障模式，装备可靠性分析等，提供快速预言（Predication/用历史预测未来）和描述挖掘（Description/了解数据中的潜在规律）等技术，改变当前质量管理方式，实现预测性质量管理方式，以及通过信息化方式实现产品全生命周期质量管控。
参考文献说明
本文节选自《质量大数据白皮书——数字化转型系列研究报告No.1》，版权归属于工业装备质量大数据工业和信息化部重点实验室，工业和信息化部电子第五研究所·赛宝智库，供业界学习参考。
