用人工智能可以提升產品質量，它從這三個方面發揮作用
在工業大數據應用中，利用人工智能中的機器學習算法建模，來提升產品質量，是最能體現其價值的應用場景。
人工智能的產品質量提升方案，包括兩個方面：1、 如何防止生產不合格產品，2、 如何知道正確的工藝參數和參數組合。
其中，防止生產不合格產品的方案，又可以再分爲兩個部分：1、 保證設備正常運行，2、 保證工藝參數正確。
爲保障設備正常運行，就必須在設備出現故障前報警，而不是在出現故障後再進行維護。
保障工藝參數正確需要根據原先的生產和檢驗記錄，預先知道正確的工藝參數和參數組合，在參數出現偏差時，及時報警。
爲此，需要利用機器學習在以下三個方面發揮作用：設備異常的預警、在製品不合格的預警和工藝參數的優化。
設備異常的預警保證產品質量首先要保障設備正常運行。如果設備發生故障，需要及時報警，有故障的設備顯然會生產出不合格的產品。
影響產品質量的故障是一種看不見的故障，只要設備數據的參數偏離正常值一定範圍，雖然還可以正常生產，但已經不能保障產品質量的了，此時需要停機檢查和維修。
在製品不合格的預警在設備運行正常的情況下，需要一組正確的工藝參數。
一個參數的異常會影響質量，一組由單獨看是正常的參數組成的組合也可能影響質量。
機器學習可以根據產品質量檢驗的歷史記錄，將工藝參數和產品缺陷之間建立模型。這樣，在生產過程中，只要對各個工序的工藝參數進行監測，就可以預測到產品是否合格。
這種預測分爲兩種。一種是工序質量預測，即預測在一個工序完成後是否合格。另一種是產成品質量預測，即預測在所有工序完成後是否合格，即使後面還有多個工序沒有進行。
工藝參數的優化雖然知道一組工藝參數的錯誤會導致缺陷，但不同缺陷對應不同的工藝參數，爲生產出零缺陷產品，因此需要知道影響每個缺陷的主要參數的組合，和各個參數的合理數值區間。
用機器學習的相關性分析，可以找到與某個缺陷相關性最高的幾個參數。據此，可以統計出產品合格時所在的數值範圍，並作爲以後生產的指導。
工業生產中每個產品都要經過多個工序。工序之間有關聯性，會相互影響。兩個前道工序合格的在製品產品也可能會在下一個工序產生次品，而且原因可能並不在這道工序本身。因此，工藝參數的調整，不但要考慮這道工序本身，還要考慮後續工序。
