機器學習在質(zhì)量管理中的應用探析

摘要：在工業(yè)4.0范式下，質(zhì)量4.0作為工業(yè)4.0的重要子集，致力于將智能化和數(shù)字化技術應用于質(zhì)量管理，以提高質(zhì)量管理的效率和水平。機器學習作為其中的重要技術，對質(zhì)量管理產(chǎn)生了深遠的影響。本文闡述了機器學習在質(zhì)量管理中的具體應用，包括質(zhì)量控制、質(zhì)量保證和質(zhì)量改進的各個方面，并對未來的發(fā)展方向進行了展望。

關鍵詞：機器學習；質(zhì)量管理；質(zhì)量控制；質(zhì)量保證；質(zhì)量改進

中圖分類號：TP399 文獻標識碼：A

文章編號：1009-3044（2024）24-0033-03

開放科學（資源服務）標識碼（OSID）

0 引言

當前，我國正處于高質(zhì)量發(fā)展階段，質(zhì)量管理是企業(yè)運營管理的重中之重。機器學習（Machine Learning， ML）技術作為人工智能的一個分支，正逐漸成為質(zhì)量管理領域的研究熱點。企業(yè)的生產(chǎn)過程中會產(chǎn)生大量的生產(chǎn)數(shù)據(jù)，包括數(shù)字、圖像、語音等。機器學習技術具有強大的數(shù)據(jù)處理能力，其在數(shù)據(jù)分析與建模、預測、分類、圖像處理和語音處理等方面的應用，可以幫助企業(yè)發(fā)現(xiàn)生產(chǎn)過程中潛在或已存在的質(zhì)量問題，提升質(zhì)量管理水平，提高產(chǎn)品質(zhì)量，為企業(yè)贏得競爭優(yōu)勢。

1 質(zhì)量管理

質(zhì)量管理是企業(yè)運營管理的重要領域，是一種系統(tǒng)性的方法，旨在確保產(chǎn)品或服務符合預定的質(zhì)量標準和客戶要求。質(zhì)量管理主要包括策劃、保證、控制和改進四個部分。

質(zhì)量策劃：在質(zhì)量管理的初始階段，通過制定明確的質(zhì)量目標和策略來引導后續(xù)的工作。

質(zhì)量保證：質(zhì)量保證是指通過建立一系列的質(zhì)量管理制度和規(guī)范，確保產(chǎn)品或服務符合預定的質(zhì)量標準和客戶要求。

質(zhì)量控制：質(zhì)量控制是指在產(chǎn)品或服務生產(chǎn)過程中，通過監(jiān)控和檢測關鍵參數(shù)和指標，確保產(chǎn)品或服務的質(zhì)量始終處于可接受的范圍內(nèi)。

質(zhì)量改進：質(zhì)量改進是質(zhì)量管理的核心部分，旨在通過數(shù)據(jù)分析和問題解決方法，不斷提升產(chǎn)品或服務的質(zhì)量水平。

質(zhì)量管理對于企業(yè)的長期成功和可持續(xù)發(fā)展至關重要。質(zhì)量管理可以幫助企業(yè)發(fā)現(xiàn)和解決生產(chǎn)過程中存在的問題和缺陷，減少廢品、返工和修復的成本。通過有效的質(zhì)量管理，企業(yè)可以提供高質(zhì)量的產(chǎn)品和服務以滿足客戶需求，從而增強企業(yè)的競爭力，提高企業(yè)聲譽和品牌價值。

2 機器學習

機器學習專注于使用統(tǒng)計方法和算法來模擬人類的學習方式，從而獲取新的知識與技能。機器學習利用大量數(shù)據(jù)作為輸入，并通過模型和算法進行訓練，使機器能夠自動推斷和學習數(shù)據(jù)中的模式和規(guī)律。通過不斷迭代和調(diào)整模型，機器學習可以逐漸改進性能，提高預測準確性或執(zhí)行特定任務的能力。目前，機器學習已廣泛用于數(shù)據(jù)分析與建模、預測、分類、圖像處理和語音處理等方面。

機器學習技術基于學習方式主要分為監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習等4類。

監(jiān)督學習是機器學習中最常見的一種形式，它通過使用標記好的數(shù)據(jù)對模型進行訓練，通常用于解決預測和分類問題。

無監(jiān)督學習是在沒有標記數(shù)據(jù)的情況下進行學習，通過發(fā)現(xiàn)數(shù)據(jù)中的潛在結(jié)構(gòu)和模式來進行學習，如聚類分析和降維技術。

半監(jiān)督學習則介于監(jiān)督學習和無監(jiān)督學習之間，它利用標記數(shù)據(jù)和未標記數(shù)據(jù)進行學習，在有限標記數(shù)據(jù)的情況下可以取得更好的性能。

強化學習將智能體（agent）置于一個有明確獎勵和懲罰的環(huán)境中，通過試錯來學習如何最大化獎勵，常用于解決決策和控制問題。

3 機器學習技術在質(zhì)量管理中的應用

機器學習在質(zhì)量管理中的應用越來越受到關注。在質(zhì)量管理的四個部分中，機器學習技術主要應用于質(zhì)量保證、質(zhì)量控制和質(zhì)量改進，如圖1所示。

3.1 質(zhì)量保證

故障預測與健康管理是實現(xiàn)質(zhì)量保證的重要手段，是一種預測性健康管理技術，旨在通過監(jiān)測、診斷和預測設備或系統(tǒng)的健康狀況，實現(xiàn)對設備故障和性能衰退的提前預警和管理，以保障企業(yè)生產(chǎn)的正常運行，保證產(chǎn)品質(zhì)量。故障預測與健康管理主要包括預測性維護、故障診斷和壽命預測。

機器學習技術可以分析設備的運行數(shù)據(jù)，識別設備性能的變化和趨勢，從而提前預測設備可能出現(xiàn)的故障，并采取相應的維護措施，做到預測性維護。崔鵬浩等[1]提出了一種基于深度強化學習的流水線預測性維護決策方法，相較于基于狀態(tài)的維護決策方法、定期維護方法和事后維修方法均有優(yōu)勢；Serkan和Koray [2]開發(fā)了一個數(shù)據(jù)驅(qū)動的制造業(yè)生產(chǎn)線預測維護系統(tǒng)。該系統(tǒng)利用物聯(lián)網(wǎng)傳感器實時生成的數(shù)據(jù)，旨在通過機器學習方法在潛在故障發(fā)生之前檢測信號，從而及早通知操作員，以便在停產(chǎn)前采取預防措施，解決問題。

機器學習技術可以對設備的故障進行診斷和分析，幫助工程師快速準確定位故障原因，提高維修效率和設備可靠性。Li等[3]基于卷積神經(jīng)網(wǎng)絡（CNN）模型的優(yōu)勢，提出了一種基于小波包變換（WPT）和CNN的兩步故障診斷方法，用于軸承故障診斷。首先，通過WPT從原始信號中獲取小波包系數(shù)，并轉(zhuǎn)換為灰度圖像；然后構(gòu)建CNN模型，提取灰度圖像中的代表性特征，實現(xiàn)故障分類。陳其[4]提出了一種結(jié)合注意力機制和CNN的滾動軸承復合故障診斷方法。注意力機制可以自動學習信號中不同特征的重要性，并根據(jù)其重要性對特征進行加權(quán)，從而實現(xiàn)特征的降維并強化重要特征的效果，提高故障診斷的準確率。

機器學習技術可以建立設備壽命預測模型，評估設備的剩余使用壽命，對設備的安全運行和維護決策起著至關重要的作用[5]。郭玉榮等[6]基于CNN與注意力雙向長短期記憶網(wǎng)絡（BiLSTM）的軸承剩余使用壽命預測方法，該方法利用CNN提取振動信號的空間特征，BiLSTM提取時間特征，注意力機制增強模型對重要特征的關注，并通過全連接層預測健康指標。然后，通過加權(quán)平均法修正健康指標預測值，使用多項式擬合曲線預測剩余壽命。Cao等[7]提出了一種具有殘差自注意力機制的時間卷積網(wǎng)絡（TCN-RSA）的方法。該方法同時學習信號的時頻和時空信息。首先，使用因果膨脹卷積結(jié)構(gòu)的TCN捕捉長期依賴關系并提取高級特征。然后，引入殘差自注意力機制以確定軸承退化過程中不同時刻特征的貢獻度。最終，基于TCN-RSA網(wǎng)絡建立剩余使用壽命預測模型。

未來，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術的不斷發(fā)展，機器學習在故障預測與健康管理領域的應用前景更加廣闊。更多基于深度學習、強化學習和注意力機制等先進技術的應用，將進一步提升設備健康管理的水平，保障生產(chǎn)過程正常高效運行，保證產(chǎn)品質(zhì)量。

3.2 質(zhì)量控制

控制圖是質(zhì)量控制的一種重要工具，用于監(jiān)控和分析過程中的變化，并判斷是否存在特殊因素或異常情況。它可以幫助企業(yè)及時發(fā)現(xiàn)生產(chǎn)流程中的質(zhì)量問題，并對異常狀況進行分析和控制。由于物聯(lián)網(wǎng)、人工智能和無線傳感等技術的發(fā)展，現(xiàn)代生產(chǎn)過程具有龐大的數(shù)據(jù)集，在這種情況下，傳統(tǒng)的控制圖無法有效處理這些過程數(shù)據(jù)?；诖?，部分學者將機器學習用以構(gòu)造合適的控制圖，提升監(jiān)控性能。例如，Chen等[8]提出了一種新的基于循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）的殘差圖和深度學習技術來識別自相關過程中的平均偏移。該方法利用深度遞歸網(wǎng)絡結(jié)構(gòu)，能夠識別具有不同自相關系數(shù)的各種相關過程的平均位移。周昊飛[9]提出基于門控循環(huán)單元（Gated Recurrent Unit，GRU）神經(jīng)網(wǎng)絡的自相關過程殘差控制圖。這些方法均具有較好的監(jiān)控性能。

在生產(chǎn)過程中，不同的異常原因會導致不同的控制圖模式。控制圖模式識別可用于發(fā)現(xiàn)生產(chǎn)過程中的規(guī)律性變化、趨勢、周期性波動等特征，從而幫助企業(yè)及時發(fā)現(xiàn)問題、改進生產(chǎn)過程并優(yōu)化產(chǎn)品質(zhì)量。如何準確、自動化地進行控制圖模式識別對制造企業(yè)具有重要意義。為了提高控制圖模式識別的準確性，專家們設計了各種復雜的功能，這無疑增加了質(zhì)量控制的工作量和難度。學者們發(fā)現(xiàn)將機器學習用于控制圖模式識別能明顯提高準確率。Zan等[10]提出一種基于一維卷積神經(jīng)網(wǎng)絡的控制圖模式識別方法，使用一維卷積神經(jīng)網(wǎng)絡通過特征學習從控制圖模式的原始數(shù)據(jù)中獲取最優(yōu)特征集，完成控制圖模式識別。李麗麗等[11]提出一種基于概率神經(jīng)網(wǎng)絡的控制圖模式識別方法，結(jié)合了神經(jīng)網(wǎng)絡和遺傳算法，加入了混合模式識別的內(nèi)容，可以有效準確地識別控制圖模式。

產(chǎn)品質(zhì)量檢測是質(zhì)量控制體系中的一個重要環(huán)節(jié)，旨在發(fā)現(xiàn)和糾正產(chǎn)品制造過程中的缺陷和不符合要求的問題，避免次品流入市場，保護消費者權(quán)益，同時也有助于企業(yè)提高產(chǎn)品質(zhì)量、降低售后問題和成本，并增強企業(yè)的競爭力和聲譽。機器學習用于質(zhì)量檢測，通過訓練模型，使其能夠自動識別缺陷、異常和變化等質(zhì)量問題，從而提高質(zhì)量檢測的準確性和效率。圖像質(zhì)量檢測是制造業(yè)中一個重要的部分，機器學習算法可以通過對大量圖像數(shù)據(jù)進行訓練，識別圖像中的缺陷和異常，并給出相應的判斷結(jié)果。例如，Suriya和Nahpat[12]提出了利用圖像處理和機器學習相結(jié)合的光偏振技術檢測鏡片質(zhì)量，將鏡片缺陷分為圓（A型）和線（B型）兩種類型，最終準確率達到97.75%。張雷等[13]通過采集鍋爐水冷壁表面圖像，基于深度學習進行圖像處理與缺陷識別，快速檢測鍋爐水冷壁表面缺陷。在一些行業(yè)中，聲音質(zhì)量也是一個重要的指標。機器學習可以通過對聲音數(shù)據(jù)進行訓練，自動檢測聲音中的異常和變化等問題。例如，Tomasz等[14]提出了一種基于深度學習檢測和識別故障音頻信號設備的方法，使用從專家那里獲得的未標記的聲音數(shù)據(jù)和已標記的歷史數(shù)據(jù)訓練模型，檢測故障信號設備，能夠以高度的準確性診斷問題，判斷汽車音響是否存在缺陷。邢怡君等[15]提出了一種基于SENet和密集連接卷積神經(jīng)網(wǎng)絡（DenseNet）的充填管道磨損聲音識別，判斷管道磨損類別，其準確率達到了97.368%。

目前，國內(nèi)外的學者們在質(zhì)量控制領域探索了不同的機器學習算法和技術，如神經(jīng)網(wǎng)絡、深度學習等，取得了一定的成果。這些算法和技術的應用提高了質(zhì)量控制的準確性和效率。未來，探索如何實現(xiàn)自動化質(zhì)量控制，對生產(chǎn)過程進行實時監(jiān)控和自動調(diào)節(jié)，是一個重要的發(fā)展趨勢。

3.3 質(zhì)量改進

試驗設計作為一種重要的質(zhì)量改進技術，幾十年來一直被廣泛應用，特別是用于優(yōu)化，也用于構(gòu)建能夠可靠地預測一個或多個感興趣響應的代理模型，量化影響生產(chǎn)質(zhì)量或工藝良率的因素之間的效應和相互作用，它可以指導決策、改進工藝，并最終提高生產(chǎn)質(zhì)量或工藝產(chǎn)量。傳統(tǒng)上用于分析試驗設計數(shù)據(jù)的最廣泛模型是二階模型，是響應面方法（Response Surface Methodology，RSM）的核心。RSM通常建立在線性模型的基礎上，對于包含復雜非線性關系的數(shù)據(jù)，RSM方法并不能很好地擬合模型。機器學習算法能夠有效地處理非線性關系，對于包含復雜非線性關系的數(shù)據(jù)，機器學習可以提供更為準確的預測和建模能力。Rosa等[16]應用兩個機器學習模型來預測響應，其性能顯示出優(yōu)于傳統(tǒng)建模方法的優(yōu)勢。由于機器學習建立的模型是一種非線性、黑盒式的模型，不能從根本上了解產(chǎn)生數(shù)據(jù)的底層過程機制，解釋質(zhì)量特征數(shù)據(jù)?？山忉寵C器學習可以幫助從業(yè)者理解和信任機器學習算法生成的輸出，識別重要因素并優(yōu)化其水平，達到質(zhì)量改進的目的。Tiensuu等[17]利用機器學習預測模型和可解釋機器學習方法發(fā)現(xiàn)有關預測故障背后的重要因素，并且還可以定義合適的安全邊界，以便更好地設置生產(chǎn)參數(shù)，改進不銹鋼制造的質(zhì)量。

4 結(jié)論與展望

機器學習技術應用于質(zhì)量管理領域，為企業(yè)提供了更高效、準確的質(zhì)量控制、保證以及改進手段。通過機器學習算法進行產(chǎn)品缺陷檢測和分類、異常檢測、故障排除等，企業(yè)能夠及時發(fā)現(xiàn)問題并采取相應措施，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

隨著物聯(lián)網(wǎng)和傳感器等技術的發(fā)展，企業(yè)將擁有更多的生產(chǎn)數(shù)據(jù)和質(zhì)量數(shù)據(jù)，把機器學習與大數(shù)據(jù)分析相結(jié)合，實現(xiàn)數(shù)據(jù)驅(qū)動的質(zhì)量管理，幫助企業(yè)理解與優(yōu)化生產(chǎn)過程是未來的發(fā)展方向。例如，構(gòu)建智能質(zhì)量管理系統(tǒng)，可以自動收集、分析和處理質(zhì)量數(shù)據(jù)，實時監(jiān)測質(zhì)量狀況，并提供預警和改進建議，提高生產(chǎn)效率和質(zhì)量穩(wěn)定性。

機器學習在質(zhì)量管理中的應用將持續(xù)深化和擴展，為企業(yè)提供更多智能化、自動化的質(zhì)量管理解決方案，推動企業(yè)不斷提升產(chǎn)品質(zhì)量和生產(chǎn)效率，增強競爭力。

參考文獻：

[1] 崔鵬浩，王軍強，張文沛，等.基于深度強化學習的流水線預測性維護決策[J].計算機集成制造系統(tǒng)，2021，27（12）：3416-3428.

[2] AYVAZ S，ALPAY K.Predictive maintenance system for production lines in manufacturing：a machine learning approach using IoT data in real-time[J].Expert Systems with Applications，2021（173）：114598.

[3] LI G Q，DENG C，WU J，et al.Rolling bearing fault diagnosis based on wavelet packet transform and convolutional neural network[J].Applied Sciences，2020，10（3）：770.

[4] 陳其.注意力機制結(jié)合CNN卷積網(wǎng)絡的滾動軸承復合故障診斷[J].機械制造與自動化，2023，52（5）：134-138.

[5] 鄒旺，吉暢.基于機器學習的軸承RUL預測方法綜述[J].電腦知識與技術，2022，18（19）：74-76，81.

[6] 郭玉榮，茅健，趙嫚.基于CNN與注意力BiLSTM的軸承剩余使用壽命預測方法[J].上海工程技術大學學報，2023，37（1）：96-104.

[7] CAO Y D，DING Y F，JIA M P，et al.A novel temporal convolutional network with residual self-attention mechanism for remaining useful life prediction of rolling bearings[J].Reliability Engineering & System Safety，2021，215：107813.

[8] CHEN S M，YU J B.Deep recurrent neural network-based residual control chart for autocorrelated processes[J].Quality and Reliability Engineering International，2019，35（8）：2687-2708.

[9] 周昊飛.基于GRU神經(jīng)網(wǎng)絡的自相關過程殘差控制圖[J].工業(yè)工程，2022，25（1）：108-113.

（下轉(zhuǎn)第42頁）

（上接第35頁）

[10] ZAN T，LIU Z H，WANG H，et al.Control chart pattern recognition using the convolutional neural network[J].Journal of Intelligent Manufacturing，2020，31（3）：703-716.

[11] 李麗麗，陳琨，高建民，等.采用優(yōu)化概率神經(jīng)網(wǎng)絡的質(zhì)量異常識別方法[J].計算機集成制造系統(tǒng)，2021，27（10）：2813-2821.

[12] NATSUPAKPONG S，NITHISOPA N.Lens quality inspection using image processing and machine learning[C]//Proceedings of the 2020 2nd International Conference on Management Science and Industrial Engineering.Osaka Japan.ACM，2020：184-188.

[13] 張雷，呂一仕，楊佳，等.基于深度學習算法實現(xiàn)鍋爐水冷壁壁管缺陷識別[J].設備管理與維修，2023（21）：140-144.

[14] MANIAK T，JAYNE C，IQBAL R，et al.Automated intelligent system for sound signalling device quality assurance[J].Information Sciences，2015，294：600-611.

[15] 邢怡君，楊鵬，呂文生，等.基于SENet和DenseNet的充填管道磨損聲音識別[J].有色金屬工程，2023，13（8）：102-109.

[16] ARBORETTI R，CECCATO R，PEGORARO L，et al.Machine learning and design of experiments with an application to product innovation in the chemical industry[J].Journal of Applied Statistics，2021，49（10）：2674-2699.

[17] TIENSUU H，TAMMINEN S，PUUKKO E，et al.Evidence-based and explainable smart decision support for quality improvement in stainless steel manufacturing[J].Applied Sciences，2021，11（22）：10897.

【通聯(lián)編輯：唐一東】