产品质量管理是工业大数据应用的最佳场景。

说是最佳场景，不仅仅是它能够给企业带来明显经济效益，还因为它综合了工业大数据的多方面技术应用。应用不但包括数据采集和数据存储，还包括需要利用机器学习技术实现两个工业互联网的典型应用：设备的预测性维护和运营参数优化。

在产品质量管理上，菲利浦.克罗斯比提出的"零缺陷"，应该是质量管理的最高目标。

如果说，过去仅凭理念、方法和人工干预已经实现了零缺陷的话，机器学习作为工业大数据领域最有价值的技术（深度学习是机器学习的一部分），完全可以帮助企业更便捷、高效地实现零缺陷。

机器学习的使用建立在工业互联网实施的基础上。企业的生产装备需要能够采集各种生产控制数据，另外还要能够保存产品检验数据，而且产品检验数据和生产控制数据有对应关系。

（在机器学习建模时，需要用历史数据训练模型，因此数据越多预测效果越好。）

虽然企业的自动化设备或产线都配置了独立数控系统，但由于数据分散在不同设备或产线上，而且数据保存一段时候后会被清除，所以，需要建立数据仓库，将不同数据源的历史数据集中、长期存储在一个地方。

（除了历史数据外，在模型进行预测时，还需要读取实时数据，以便进行实时预测。）

那么，机器学习如何帮助实现零缺陷呢。

日本的新乡重夫(ShigeoShingo)管理大师在《零缺陷质量控制:根源检验与防差错系统》一书中指出零缺陷质量控制是生产系统完美无缺的表现，该系统不会制造出任何带有缺陷的产品。为了达到这一目标，需要两样东西。

一是防差错系统，一旦出现异常，它会立刻停止生产线的运作，迅速地反馈信息以找出问题的根本原因，并杜绝相同问题的再次发生。

二是根源检验，它在错误还没有变成缺陷之前便将错误挖掘出来，接着停止生产线的运作以改正错误或者自动调整错误，防止其转变成缺陷。

利用机器学习，能够提供更好的手段：机器学习通过建立设备故障预测模型，构建防差错系统。

通过检测设备运行的实时数据，在预测到可能出现影响产品质量的故障时，提醒操作人员或直接停机。和一般导致停机而中断生产的故障不同，基于质量的故障是一种看不见的故障。只要设备数据的运行参数偏离正常值一定范围，虽然还可以正常生产，但已经不能保障产品质量了，此时需要停机检查和维修。

（通过模型还可以指出故障的类型，便于维修人员快速定位故障点。）机器学习通过建立产成品质量预测模型，实现根源检验

在生产过程中的任何一个工序，都可以预测到在制品加工完成后的质量情况。在预测到会成为不合格品时，停止该产品或相关批次产品的生产。

这种预测不限于单个工序完成时的合格率，还考虑工序之间的相关性。可能是该工序完成后，虽然经检验合格，但根据预测模型，在后续加工完成后还是会成为不合格品。

相关文章