宗福季：從加速數(shù)字化轉(zhuǎn)型，到建設(shè)質(zhì)量強國（PartII機遇）

編者按

《從加速數(shù)字化轉(zhuǎn)型，到建設(shè)質(zhì)量強國》一文為宗福季教授2022年5月至7月發(fā)表于香港科大內(nèi)地辦“教授專欄”上的文章。經(jīng)作者授權(quán)，本刊分三期刊載，本期為該文第二部分。

在質(zhì)量4.0發(fā)展下，工業(yè)大數(shù)據(jù)隱含著眾多機遇。我們可以基于數(shù)字化轉(zhuǎn)型趨勢對許多舊方法進行改良。六西格瑪（6 Sigma）是上世紀(jì)80年代末進行質(zhì)量管理的一個常用工具，里面有很多統(tǒng)計方法。雖然它是三四十年前發(fā)展出來的工具，但即使在今天仍然非常有效，只是其中有一些方法需要加以更新。

比如，DMAIC方法是六西格瑪管理中流程改善的工具，其中有很多步驟可以根據(jù)現(xiàn)代技術(shù)的發(fā)展加以更新。DMAIC方法主要包含五個階段。

1.定義階段（Define）：在該階段定義所需要解決的問題。有時候找出、厘清、確認(rèn)真正的問題，比如何解決更為重要。

2.測量階段（Measure）：在該階段對數(shù)據(jù)進行收集。在數(shù)據(jù)收集階段，并不是一開始就直接收集數(shù)據(jù)，而是需要花費大量精力決定收集什么數(shù)據(jù)。在大數(shù)據(jù)時代，我們有很多方法獲得海量且各式各樣的數(shù)據(jù)，如傳感器數(shù)據(jù)、不同數(shù)據(jù)庫的數(shù)據(jù)等。但是，我們并不是盲目收集所有可以獲得的數(shù)據(jù)，而是收集那些與目標(biāo)密切相關(guān)的數(shù)據(jù)。

3.分析階段（Analyze）：通過數(shù)據(jù)分析方法找到影響產(chǎn)品質(zhì)量的關(guān)鍵參數(shù)。在質(zhì)量4.0時代，工具可以隨著機器學(xué)習(xí)技術(shù)的發(fā)展而不斷改善升級，比如使用愈發(fā)強大的Python和R 軟件。我們可以各取所長，從而使建模方法更加多樣。

4.改善階段（Improvement）：尋找優(yōu)化生產(chǎn)的方法，使得流程缺陷降低到最小程度。在質(zhì)量4.0下，除了對以前的一些工具進行改善之外，流程的智能化是重點。我們的目標(biāo)并不在于解決某一個問題，而是當(dāng)再遇到類似問題時可以做到某種程度的智能化，以減少人的反復(fù)參與。這也是目前的一個研究方向。

5.控制階段（Control）：使改進后的流程程序化，并通過有效的監(jiān)測手段（如控制圖等），確保流程改進的結(jié)果可持續(xù)進行。在質(zhì)量4.0下，可以在該階段利用許多改進的可視化工具。

采集數(shù)據(jù)、分析數(shù)據(jù)并不意味著問題的完全解決，幫助客戶完成決策才是最終目的，為了實現(xiàn)數(shù)據(jù)的實際應(yīng)用需要擁有提升質(zhì)量的創(chuàng)新工具。

一為突破式創(chuàng)新，運用創(chuàng)意解決問題，要求具有同理心、以人為本的設(shè)計，通過觀察、采訪等，發(fā)現(xiàn)用戶深層次的需求，對問題重新進行深入的定義。同時需要通過發(fā)散性思維，提出眾多解決方案，將一個好的創(chuàng)意點子用具體的原型來呈現(xiàn)，將原型通過情景模擬來測試可用性。

二為漸進式創(chuàng)新，運用統(tǒng)計思維解決問題不是從無到有，而是從好到更好；不是從零開始，而是以數(shù)據(jù)為基礎(chǔ)來創(chuàng)新。根據(jù)定義、測量、分析、改善、控制這個流程，以客戶為中心，用嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)驅(qū)動、系統(tǒng)方法提高績效并減少對客戶而言至關(guān)重要的缺陷。

在工業(yè)大數(shù)據(jù)的框架下，依據(jù)數(shù)據(jù)的運用程度可以將工業(yè)大數(shù)據(jù)分析與應(yīng)用分成9個層次。

· Level 1：不用數(shù)據(jù)，只依賴經(jīng)驗，比如制衣行業(yè)早期；

· Level 2：收集數(shù)據(jù)，但只研究數(shù)據(jù)本身；

· Level 3：將收集的數(shù)據(jù)用圖表進行展示；

· Level 4：收集普查數(shù)據(jù)并進行描述性統(tǒng)計分析；

· Level 5：收集抽樣數(shù)據(jù)并進行描述性統(tǒng)計分析；

· Level 6：收集抽樣數(shù)據(jù)并進行推斷性統(tǒng)計分析；

· Level 7：收集實時異構(gòu)傳感器數(shù)據(jù)并進行描述性統(tǒng)計分析與可視化；

· Level 8：收集實時異構(gòu)傳感器數(shù)據(jù)并進行推斷性統(tǒng)計分析，給出決策建議；

· Level 9：使用工業(yè)人工智能的自主過程控制，將數(shù)據(jù)分析階段智能化，減少人為參與。

以上九個層次，需要補充說明幾點。

首先，并不是按照從差到好的順序進行排序的。比如日本的一些百年老店，完全不用數(shù)據(jù)，而是靠自己的手藝打敗全世界。當(dāng)然他們不使用數(shù)據(jù)也有一些缺陷，比如因為沒有數(shù)據(jù)支撐很難去別的城市開分店。從Level 2到Level 3涉及到數(shù)據(jù)的可視化，這是一個很大的進步。大家可能覺得單看數(shù)據(jù)與單看圖是一回事，但其實很不一樣。人的眼睛通常較難接受數(shù)據(jù)，而較易接受色彩跟圖案。因此，人直接看數(shù)字和看一幅圖的記憶點是完全不一樣的。目前數(shù)據(jù)的可視化已經(jīng)形成一門學(xué)科。由于人只能看到2D的圖表，所以早期的可視化只是畫一些簡單的圖。而大數(shù)據(jù)時代的數(shù)據(jù)維度非常高，如何將高維實時數(shù)據(jù)進行可視化是非常重要的一個課題。

其次，在質(zhì)量4.0框架下（Level 7～9），可以獲得海量實時異構(gòu)傳感器數(shù)據(jù)。這些工業(yè)數(shù)據(jù)往往是基于傳感器的高頻率采樣獲得的，并且形式多樣，不僅包括連續(xù)型數(shù)據(jù)，還包含文字、圖像、聲音等多種類型數(shù)據(jù)。如何應(yīng)用實時異構(gòu)傳感器數(shù)據(jù)進行統(tǒng)計分析、機器學(xué)習(xí)、建立模型，并最終給出決策建議，是質(zhì)量4.0繞不開的一個重要議題。

第三，真正的工業(yè)大數(shù)據(jù)分析，必須要做到統(tǒng)計推斷和統(tǒng)計預(yù)測，要建立模型，要能夠預(yù)測未來的情況或是進行描述推斷，其中的確定性、不確定性，都要進行分析，因此，描述性統(tǒng)計和推斷性統(tǒng)計處于不同的層面。

第四，隨著大數(shù)據(jù)時代的到來，采集數(shù)據(jù)的傳感器價格越來越便宜，快速采集數(shù)據(jù)不成難事，難的是如何使用實時傳感器數(shù)據(jù)并進行描述性的總結(jié)、可視化，也就是工業(yè)大數(shù)據(jù)的Level 7。目前，大部分企業(yè)還停留在Level 7。Level 8是使用實時傳感器數(shù)據(jù)并建立統(tǒng)計模型，進行推斷、預(yù)測并用于決策，這是目前大部分人都希望實現(xiàn)的。對數(shù)據(jù)運用的最終目的是達到Level 9，即使用工業(yè)人工智能的自主過程控制。也就是說，在之前的例子中使用數(shù)據(jù)分析幫助商業(yè)決策還不是終點，而如何在下次進行同樣決策時、在無人力介入的情況下，自動給出智能決策建議才是我們想要達成的目標(biāo)。

從以上內(nèi)容中可以發(fā)現(xiàn)，在質(zhì)量4.0時代，我們面臨許多機遇。而工業(yè)大數(shù)據(jù)隱含的機遇具有兩面性：一方面，很多工具已經(jīng)存在并得到了廣泛應(yīng)用，由于在數(shù)據(jù)不復(fù)雜時并不需要使用機器學(xué)習(xí)以及統(tǒng)計建模這些工具，大家對他們并不是很重視。例如，神經(jīng)網(wǎng)絡(luò)雖然很早就被提出，但當(dāng)時沒有適用的數(shù)據(jù)。因此，單有方法沒有數(shù)據(jù)是沒有意義的。另一方面，只有數(shù)據(jù)沒有方法也不行?，F(xiàn)在，我們可以收集到大量實時傳感器數(shù)據(jù)，但如果沒有方法依然無法分析建模，這些數(shù)據(jù)仍然不能被完全應(yīng)用。例如，在前面提到的實例中（見上期“PartⅠ源起”），目前采集到的數(shù)據(jù)只能做到可視化，并沒有發(fā)揮數(shù)據(jù)的全部作用。當(dāng)前，我們處于數(shù)字化轉(zhuǎn)型階段，數(shù)據(jù)能夠被輕易采集，用于分析預(yù)測數(shù)據(jù)的工具也很多。在DMAIC方法中的測量、分析、改善、控制階段，我們可以在如下方面將機器學(xué)習(xí)與統(tǒng)計建模相結(jié)合，對質(zhì)量數(shù)據(jù)進行分析建模。

測量階段：利用分布式傳感器系統(tǒng)進行實時數(shù)據(jù)收集，也包括對機器運行和數(shù)據(jù)進行維護、環(huán)境數(shù)據(jù)等類型數(shù)據(jù)的收集、異構(gòu)數(shù)據(jù)融合與可視化；基于物聯(lián)網(wǎng)的質(zhì)量數(shù)據(jù)整合、分析與監(jiān)控。

分析階段：對數(shù)據(jù)進行描述、診斷與預(yù)測；使用機器學(xué)習(xí)構(gòu)建過程變量與產(chǎn)品質(zhì)量之間的關(guān)系；強化隱形因素、關(guān)聯(lián)性和因果性的挖掘。

改善階段：根據(jù)分析結(jié)果提出過程實時優(yōu)化方案；過程變量的智能動態(tài)調(diào)整；自適應(yīng)檢測。

控制階段：基于大數(shù)據(jù)流的實時過程監(jiān)測、跟蹤、預(yù)警；基于人工智能的異常檢測，實現(xiàn)智能決策輔助及反饋閉環(huán)。

工業(yè)大數(shù)據(jù)是信息量豐富的資源，同時，分析數(shù)據(jù)才能指導(dǎo)人們更好地決策。因此，運用數(shù)據(jù)分析技術(shù)統(tǒng)計學(xué)習(xí)與機器學(xué)習(xí)很有必要，采集數(shù)據(jù)并建模，分析哪些特定的預(yù)測因子（X）實際影響了回應(yīng)（Y）、屬于正相關(guān)還是負(fù)相關(guān)關(guān)系、簡單的線性關(guān)系還是復(fù)雜關(guān)系等。如今，大數(shù)據(jù)發(fā)展迅猛，傳感器數(shù)據(jù)到位，系統(tǒng)整合成為可能。系統(tǒng)整合之后才能進行分析，而這些分析又可以借助機器學(xué)習(xí)。以前做不到數(shù)據(jù)實時地收集，現(xiàn)在做得到。在數(shù)據(jù)分析、質(zhì)量提升、質(zhì)量控制等方面現(xiàn)在都有提升，以前可能只是停留在學(xué)術(shù)論文層面，現(xiàn)在技術(shù)到位了，以前的學(xué)術(shù)研究到實踐應(yīng)用時間周期比較長，而現(xiàn)在這個時間變得比較短了，一些學(xué)術(shù)研究將可以很快在質(zhì)量4.0中得到應(yīng)用。

（部分內(nèi)容已刊登 Tsung,F.,"The Application of Industrial Big Data in Quality Innovation in the Context of Digital Transformation",Journal of Macro-Quality Research,Vol.9,No.3,2021.）