摘要：在智能制造背景下，企业的质量管理行为面临重大变革。从智能制造的定义与转型过程出发，结合物联网和质量大数据分析、现代质量工程理论，提出智能制造时代的质量管理变革的十大方向，给智能制造背景下质量管理创新行为以参考，助力智能制造时代的中国质量管理水平的提高。

关键词：智能制造；质量管理；质量创新

1 引言①

智能制造与传统制造相比，制造的环境变化了，管理方法也应随之而发生着变化。传统的质量管理方式将面临着怎样的变革和创新？“质”和“智”如何融合？未来的方向在哪里？只有面向未来，才能抓住机遇，才能走得更远。这应该是质量技术研究者更应该关注的问题[1]。

智能制造是智能技术和制造技术的融合；智能制造是物联网、机器人与自动化系统、智能终端与云端技术的融合[2-5]；智能制造首先建立知识库/知识工程（知识化），然后进行动态传感/实时感知（感知化），最后进行自主学习/自主决策（自主化、自决策）， 倡导流程的可视化与透明化、可预测化[5-10]。智能制造的另一个内涵是确保产品高质量、赋予产品新功能和发展服务型制造[11]。

企业智能制造发展的思路与过程一般为：第一个阶段是万物互联，用数据定义产品。第二个阶段是形成一个高速的、低延时和安全的信息高速公路，即形成制造网络，用数据驱动制造。第三个阶段是形成一个工厂大脑，形成智能化制造。将材料、机器、方法、测量、维护和数据知识管理等集成在一起，将精益的理念、AGV小车、AR/VR、机器视觉、图像识别、语音交互和大数据分析等技术深度融合形成一个工厂大脑，形成智能化制造[12-14]。

很多学者给出了企业的具体智能化之路[15-17]：工艺流程自动化-制造設备的自动化-运营的智能化。首先是工艺流程的自动化，然后是制造设备的自动化，最后才是智能化。制造设备的自动化是制约智能化的重要因素。也是企业智能制造转型升级的瓶颈所在。在智能制造转型过程中，要注意遵循“产品智能-工具智能-过程智能-服务智能”以及“智能单元-智能产线-智能车间-智能工厂”等循序渐进。形成智能生产、智能管理和智能物流的集成优化。

2 国内外研究现状

宗福季[18]等人研究了增材制造（AM）过程中质量工程所面临的独特挑战，提出了在增材制造过程可以通过检查、监控、控制、优化和转移学习以及通过设计来将质量融入产品中。给出了增材制造中质量管理方法与质量工具的未来趋势与挑战。段成[19] 梳理了工业大数据的基本特征及面临的数据质量问题，然后研究分析了工业大数据质量控制方法，最后对中国工业大数据质量控制的重点工作方向提出了初步建议。文献[20]汽车质量管理在智能制造背景下的创新分析包括：在产品策划方面的创新、在生产技术方面的创新以及在数据采集方面的创新等三部分。邱阿东认为：在智能制造环境中质量管理工作已经从最初的质量检验演变成一种管理与技术并重的综合系统工程[21]，文献[22]采用信息化智能制造技术提高中药的质量；王振环[23] 研究了如何通过大数据平台即数据云实现工业产品质量之间的关联，提高产品质量。刘红英[24]研究了基于信息化技术的工程质量管理系统的研究与实现。马文卓[25] 等给出基于物联网和云计算技术的智能制造控制和质量管理方案，为汽车制造业提供智能控制、精细控制、质量监测和大数据汇集的解决方案。文献[26]强调了软件产品线质量工程的重要，提出对软件产品线建立模型范式，分析软件的可共用域和变性域，以便于重用。文献[27]对软件产品线的质量属性和测度进行了系统的研究综述，在研究中发现：在软件产品线领域，实证评估的研究是缺乏，呼吁和强调软件工程领域的研究人员做更多的实证评估。文献[28]阐述一个合作虚拟工厂内的业务流程监控系统、环境通过仪表板用户界面具有最先进的商业智能和先进数据可视化。文献[29]管理风格对利比亚的黎波里州建筑业质量成本的影响。文献[30]认为在智能制造和人工智能时代被称为I generation 质量工程师，要具备基于云的设备和流利大数据的能力，为智能制造场景提供快速创新的解决方案。

3 智能制造背景下质量管理未来的变革趋势

通过文献浏览、聆听了专家分享的有关智能制造的报告与文献，访谈国内外众多学者交流之后，笔者认为在智能制造背景下，质量管理的未来变革趋势如下。

3.1 精益思想仍旧是智能制造的哲学思维

消除浪费、防错、优化流程、持续改进、降低成本和提高效率等精益思想是智能制造的起点，也是智能制造的终点。自动化和智能化起点是保证质量不被降低，自动化和智能化的首要前提和基础是保证质量，进而提高质量。精益生产与智能制造应紧密结合，进行精益生产与智能制造的双轮驱动。

3.2 自动化程度高，人对质量的干预减少，但对“人的质量”要求更高，强调“人机协同”

在智能化和数字化时代，当智能工厂建成之后，自动化的生产，过程质量控制环节人的干预会减少很多，但智能化工厂对人的技能要求会提高，智能化工厂的人，不仅要管理设备、管理和监控质量、查看数据、分析数据和处理紧急情况等，更加强调“人的质量”，即强调“员工的质量和员工的可持续发展质量”，不会为了自动化而自动化，注重人机协同。

3.3 全面质量管理的重心——向设计质量端偏移

智能工厂、工艺流程和制造设备的自动化都需要设计，因此提高设计质量对企业来说至关重要。提高设计的质量工具：如TRIZ、QFD、DOE、Design Thinking （设计思维）、数字化建模、数字孪生、3D打印以及数据化仿真等这些质量工具是企业拥抱未来的智能制造所迫切掌握的。企业会重视研发投入，打造技术新高地。

3.4 创新管理体系成为企业所日益倚重的系统化的创新利器

创新是永恒的主题。在智能制造时代，更需要创新的思维和创新的技术。基于ISO CD2 50501 Innovation management system国际创新体系成为企业所日益倚重的系统化的创新工具。我国应该大力引进和推广，并致力于创新管理体系在国内的推广。

3.5 完善智能制造的标准化工作将为我国智能制造技术推广插上腾飞的翅膀

将各行业的智能制造领域的实践经验、应用技术和科研成果进行总结和提炼，写成标准，进行复制和推广，可快速促进技术进步，将共性技术写成标准，在社会生产各组成部分之间进行协调，确立共同遵循的准则，建立稳定的秩序，并可促进整个社会效率的提高与成本的降低。

3.6 绿色可持续性发展是智能制造成功的重要支撑力量

绿色材料、绿色工艺、绿色设备、绿色包装、绿色回收、绿色制造与再制造以及绿色物流等绿色技术的发展与创新，是可持续发展的基础，企业社会责任申报、绿色供应链认证以及风险管理控制等可持续发展的质量，或质量的可持续性发展是我国智能制造成功的支撑力量。

3.7 软件质量、数据质量、可靠性管理是智能制造的基石

智能制造离不开APP、离不开信息系统，数字化集成技术业也离不开软件，硬件与软件的结合也离不开可靠性管理技术。智能制造会产生数据，从数据-信息-知识-智能这一信息链路中可以看出：智能化是基于数据的智能化。感知需要知识，决策需要知识，执行需要知识。而知识来源于数据。数据不可靠，会误判，造成控制精度的偏差，数据的质量不好，会给企业带来不可估量的损失，因此数据的质量、数据的可靠性尤为重要。

3.8 以用户为中心、用户参与的体验式数字化协同设计模型成为智能制造的引擎

以用户为中心，用户参与的，面向用户的体验式设计，可开发APP软件，和客户一起来做产品开发，用户体验式设计可使产品具有可持续性，并且可以跟踪消费者这样或那样的、不断变化的需求。采用用户参与的体验式、全生命周期的端到端的数字化协同模式。通过点、线、面打造灵敏化的数字化设计平台，構建数字化制造工艺网络。

3.9 基于数据科学的智能制造使用的新七大质量分析工具，成为智能制造的有力保障

新旧QC七工具、帕拉图、六西格玛、SPC和DOE等质量工具将被大数据和物联网使用新的七大工具所代替：第一，文本分析：主要用于客户之声、 社交媒体数据和情绪分析；第二，预测性建模：采用决策树、多元回归和类神经网络等方法；第三，机器学习；第四，网络图解；第五，聚类分析；第六，离散事件仿真；第七，持续事件流。基于5G+工业互联网（移动工业互联网）的智能检测，智能监控技术成为系统质量管理的主要技术支撑，需要采用系统工程的视角、复杂性科学的理论框架来扩展质量工程技术。

3.10 网络安全成为智能制造发展的障碍

质量是网络化服务的产物，在智能制造时代，就安全性而言，许多电器都是潜在的攻击对象，机器和工厂是联网的，控制过程基于网络的，因此来自网络犯罪攻击的威胁不断增加。识别网络威胁、实施IT安全解决方案和安全生产所需的知识是智能制造企业所必需的，如果网络安全跟不上，很多企业基于安全的考虑，将推迟智能制造的计划。因此我国可及时推出网络安全认证培训课程，扫除智能制造发展道路上的拦路虎，使我国的智能制造事业一帆风顺。

4 结束语

未来的制造环境，即使是最简单的产品，也将由机器人控制，以提高生产力。越来越便宜和高科技的传感器收集大量的数据将提取有价值的信息，改进过程和产品。这一发展将产生复杂的单元操作，每个单元操作都是更复杂的过程的一部分或者一系列的过程。因此，任何试图加工和产品改进，以提高生产力、减少浪费、以及在质量工程的保护伞下保证可持续性都将必须考虑到问题的复杂性以及这种新的数据丰富的环境。迫切需要更多的方法和面向应用的研究，来跟上来自工业的日益增长的需求。

质量工程的起源是制造业，质量工程师将基本的统计方法应用于制造业提高产品和工艺的质量和生产力。在过去的十年中，人们发现了这些方法对于改进几乎任何类型的系统或过程都是有效的，再如对供应链、商业、服务业、金融、医疗保健、教育和电子政务等都是有效的。从历史上看，人们也把质量工程看作是纯粹在制造中提高质量、生产力和可靠性的一套理论、方法和策略。

然而，在智能制造背景下，质量工程的未来面临着一些严峻的挑战[31-32]。首先是智能制造背景下，传感器的数字化采集与转换的质量、数字孪生的质量、算法的质量、人机交互的质量和智能制造系统的质量评估等挑战。其次，大数据背景下的可靠性与可预测性、可维护性的质量管理变革都面临新的应用场景、国家质量基础NQI如何与中小型企业NQI进行融合服务，智能制造背景数字化过程的质量提升计划、质量控制与质量保证模式都发生了新的变化、数据质量、数据治理、数据价值的质量保证、大数据与机器学习背景的质量改进的变革、智能服务型制造中的质量提升、智能制造的可视化提升、工业软件质量的提升、智能制造中的绿色可持续性的实践发展与理论创新、大数据背景下的可靠性与可预测性以及可维护性平台的使用与优化等也都是等待研究的全新领域。最后智能制造涉及到数字化、自动化、智能化和精益化，需要跨学科、多门类的专业知识跨界融合，需要多种类型、不同层次的智能制造专业人才。需要一批既懂数字化、自动化技术，又懂工艺与管理，还具备项目管理经验的智能制造项目经理。

质量管理面临的一个非常现实的问题是：学术研究与企业界的需求之间日益扩大的鸿沟。 在智能制造背景下，企业界比以往任何时候都更需要学术界关注智能制造过程质量面临的问题，以满足新应用领域的需要。本文的主要研究目的之一是开始在学术研究与企业界之间建立一座桥梁。

同时，在智能制造新的背景下，质量工程领域依旧有着光明的未来，但需要打破一些旧的藩篱。本文首先回顾了近几年国内外学者对质量工程的主要研究进展和趋势。讨论质量工程在智能制造环境下是如何进行发展的，以便对这些新领域作出重大贡献。本文从一种概念性方法出发，旨在提出一种理念和方向，讨论智能制造时代质量管理所面临的挑战，以及未来变革的关键研究问题和趋势。我们相信随着质量管理实践的不断发展，随着智能制造、物联网和5G/6G通信技术的兴起，数据科学以及质量大数据挖掘技术将快速发展，因此，本文提出的十大变革方向，是智能制造背景下的质量管理创新的主要内容。智能制造是未来世界各国的竞争核心，让质量管理科学成为中国经济腾飞的翅膀，更好地服务于人类的明天。

參考文献

[1] 数字化企业网.优博讯：构建智能制造数字新生力[Z].2021.

[2] VINING G，LAHCI M，PEDERSEN S. Recent Advances and Future Directions for Quality Engineering[J]. Quality and Reliability Engineering，2015，32（3）：863-875.

[3] 陈浩哲.面向智能制造的作业车间调度研究[D].北京：北京邮电大学，2019.

[4] 汤临佳，郑伟伟，池仁勇.智能制造创新生态系统的功能评价体系及治理机制[J].科研管理，2019，（7）：97-105.

[5] Wang L.从智能科学到智能制造[J].Engineering，2019，5（4）：53-60.

[6] 吕文晶，陈劲，刘进.工业互联网的智能制造模式与企业平台建设-基于海尔集团的案例研究[J].中国软科学，2019（7）：1-13.

[7] 李清，唐骞璘，陈耀棠，等.智能制造体系架构，参考模型与标准化框架研究[J].计算机集成制造系统，2018，24（3）：539-549.

[8] 薛金萍.王健：每个企业都能打造属于自己的“智慧工厂”——访中国科技自动化联盟秘书长、智慧工厂研究院院长王健[J].今日印刷，2019（9）：11-14.

[9] 刘强.智能制造理论体系架构研究[J].中国机械工程，2020，31（1）：24-36.

[10] 周济.智能制造——“中国制造 2025” 的主攻方向[J].中国机械工程，2015，26（17）：2273-2284.

[11] 陶飞，戚庆林.面向服务的智能制造[J].机械工程学报，2018，54（16）：11-23.

[12] 李伯虎，柴旭东，张霖，等.新一代人工智能技术引领下加快发展智能制造技术，产业与应用[J].中国工程科学，2018 （4）：73-78.

[13] 孟凡生，赵刚.传统制造向智能制造发展影响因素研究[J].科技进步与对策，2018，437（1）：72-78.

[14] 朱非凡.云制造环境下资源动态调度研究[D].长春：长春工业大学，2019.

[15] 刘强.智能制造理论体系架构研究[J].中国机械工程，2020，31（1）：24-36.

[16] 梁盈富，祝战科.汽车轮毂生产线智能制造系统总体架构的设计与研究[J].工业仪表与自动化装置，2018，000（4）：61-64.

[17] 刘强，卓洁，郎自强，等.数据驱动的工业过程运行监控与自优化研究展望[J].自动化学报，2018，44（11）：1944-1956.

[18] COLOSIMO B M，HUANG Q，DASGUPTA T，et al.Opportunities and challenges of quality engineering for additive manufacturing[J].Journal of Quality Technology，2018，50（3）：233-252.

[19] 段成.智能制造背景下工业大数据的数据质量控制探讨[J].机械设计与制造工程，2018，47（2）：13-16.

[20] 朱正德.面向智能制造的汽车质量管理创新[J].质量与标准化，2017（6）：1-5.

[21] 邱阿东.智能制造下全面质量管理的技术性探究[J].工程技术研究，2018（13）：121-122.

[22] 熊皓舒，章顺楠，朱永宏，等.中药智能制造质量数字化研究及复方丹参滴丸实践[J].中国中药杂志，2020，45（7）：1698-1704.

[23] 王振环.基于智能制造背景下的质量大数据[J].智能制造，2018，276（8）：36-38.

[24] 刘红英.基于信息化技术的工程质量管理系统的研究与实现[J].电脑知识与技术，2020，16（2）：85-86.

[25] 马文卓，张杰.基于物联网的汽车智能制造控制与质量管理[J].物联网技术，2015，5（2）：92-95+98.

[26] ABDELMOEZ W，KHATER H，EL-SHOAFY N.Assessing the Evolution of Software Product Lines Maintainability [C].Proceedings of the 21 st International Conference on Computer Theory and Applications， （ICCTA 2011），2020.

[27] MARQUES M，SIMMONDS J，ROSSEL P O，et al.Software Product Line Evolution：a Systematic Literature Review[J].Information and Software Technology，2019（105）：190-208.

[28] CHEN W.Intelligent manufacturing production line data monitoring system for industrial internet of things[J].Computer Communications，2020（151）：31-41.

[29] KREBISH H A K，BERBEROGLU A.THE EFFECT OF MANAGEMENT （STYLE） ON COST OF QUALITY IN ENGINEERING PROJECTS[J].Proceedings on Engineering Sciences，2020，2（1）：31-40.

[30] LEAH，PICKETT.How to Attract the Next Generation of Quality Engineers[J].Quality，2016，55（11）：37-40.

[31] GONCALVES R， ROMERO D， GRILO A.Factories of the future： challenges and leading innovations in intelligent manufacturing[J].International Journal of Computer Integrated Manufacturing，2017，30（1）：4-13.

[32] COLOSIMO B M.Quality Monitoring and Control in Additive Manufacturing[M].Wiley StatsRef：Statistics Reference Online，2020.