質量大數據工業4.0下的質量創新及大數據分析

◆宗福季 / 文

編者按

在2018年中國國際工業博覽會質量創新論壇上，國際質科院副院長、香港科技大學宗福季教授以《質量大數據》為題發表演講，介紹了工業4.0時代下質量、創新與大數據之間的關系，及其對現代產業所帶來的影響，提示人們通過質量創新以及運用大數據分析技術適應并引領工業4.0時代。本文根據現場速記整理。

工業4.0，大家知道來源于德國戰略性方針。這已經不是一個國家的戰略方針問題，德國站出來了，其他國家馬上跟進。日本有日本的工業4.0版本，韓國有韓國的版本，每個國家都有自己的版本，中間重疊的地方挺多，但都是虛實結合。“虛”的是互聯網，把數據連接在一起；“實”的是系統，是工廠里面的各種操作系統，有很多機器。中國也有自己的4.0版本——“中國制造2025”，聽起來很響亮的名字。“中國制造2025”的內容和其他國家的工業4.0有相互重疊的地方，也有獨特之處。創新驅動、質量為先、綠色發展、結構優化、人才為本……“中國制造2025”把創新和質量放在最前面，和其他國家的版本都不一樣。

下面是索尼的一個案例。在很多年前，日本索尼發展到一定程度后，需要國際化，國際化的第一步是在海外設廠，索尼的第一站選在了美國。在美國設廠，生產制作一模一樣的東西，生產線一模一樣，機器設備還更高級，那時各方面的生產數據，包括良品率，確實比日本高。但日本本土制造的就是比美國制造的要貴30%～40%，大家還是買日本制造的。回過來說一說“中國制造2025”。質量是個很重要的點，會影響生存，每個企業都知道。但是不是購買、升極了比日本、德國更先進的機器設備，或通過自我研發跨越了以往存在的一些技術門檻，質量就能提升到更高水平呢？不是那么簡單的。并不是軟硬件完全到位就可以解決問題，如果那樣的話，很多問題就不是問題了。這是我想說的第一點，升級了軟件、硬件，問題還是沒有解決。

接下來再舉兩個例子。案例A，是國內一家在航空航天領域相當成功的企業，主要產品是飛機的導航陀螺儀。陀螺儀其實很好想象，小時候玩過陀螺的人都知道，它可以穩定方向。這家企業的陀螺儀生產線還是相當先進的，各個步驟都有大量的中間生產數據，質量監測也很嚴厲，主要檢查X、Y、Z三個軸的9個重要指標。只要一個指標沒有過關，就要全部返工。雖然擁有大數據平臺，信息系統數據也都有收集，但產品最終好不好還得看最終的檢查結果。結果，檢查出來發現某個批次真的有一些問題，而且是同一個指標都有問題，但要具體追蹤哪一個過程、哪一個工序出了問題，就不知道了。說不知道，可能有點不公平，因為數據是有的。傳統的做法是根據這些數據請專業人士做分析，給專業人士一點時間，寫一份報告當然就出來了。但我要說的是實時傳感器的數據，有問題以后并沒有辦法馬上追蹤，而需要一段時間才能分析出來。所以，雖然企業有信息系統、通訊系統和質量追蹤，但質量的預測沒有辦法到位。

案例B的企業屬于半導體行業，主要生產大面板、大屏幕，工廠在深圳東莞那邊。生產過程也是多過程的，有無數道工序，很復雜。因為現在傳感器的價格降低了，所以該企業也在各道工序里放置了很多傳感器。我拿到的數據有各個階段、各個傳感器出來的60多個參數，而真正的生產線，參數和數據更多。產品出來之后，要測量面板厚度、計算它的均值和面差等。產品最終好不好還是要看質量監測結果，具體到哪一個過程、哪一個傳感器測量是關鍵參數，不知道。以前是知道的，因為參數少，專業人士或老師傅知道，但是現在幾百上千個參數，反而不知道哪一個是關鍵參數了。

所以，軟件、硬件、系統的整合非常重要，要真正解決問題還是需要工具。以前的那些質量工具不能丟掉，包括提升質量的創新工具，只不過應用的場景不同而已。

什么叫創新？一個是突破式創新，一個是漸進式創新。突然有一個很好的想法，可稱之為突破式創新。這種創新比較吸睛，而且容易上報紙，因為大家很喜歡這樣的故事，所以不斷強調突破式創新，但是工廠里面真正有幫助的，其實是漸進式創新。因為完全從無到有的機會，并不是天天都有，大部分是基于已有的產品和服務，要讓它變得更好，每天進行一些小的漸進式創新。有人做過這方面的調研：一個公司要成功的話，漸進式創新比突破式創新的作用大得多。

突破式創新是創意式解決問題的方法，很重要，也有系統的方法，而且這些系統方法實際上不少，比如設計思維。漸進式創新并不是完全從無到有，而是有步驟和方法，且與歷史數據相結合，我稱之為統計思維。統計思維并非要讓人成為一個統計學家，也不是數據的思維，之前有些專家提到的六西格瑪等一些量化的質量方法，實際上是在這個框架下面。這些傳統的質量方法林林總總，很重要，但確實有不足的地方，需要不斷更新、增添。它們大多基于采樣，得到的是部分產品的信息，只能反映局部生產過程；缺少統一的數據與信息平臺，質量數據難以共享與追蹤；工具自動化程度低，依賴質量人員的大量參與與主觀判斷。因為存在不足，和現在講的數字化時代的要求不太能對接上，所以必須有一些更新或變革。

具體來說，現在的大數據有三個原始特性：高容量（High-Volume），指的是數據量；高速度（High-Velocity），指的是收集、獲取、生成、處理數據的速度；多種類（High-Variety），指的是不同的數據類型，如音頻、視頻、圖像數據（主要是非結構化數據）。其中，比較重要的特性是高速度。過去，我們把數據當成金礦，所以盡量存起來，以備后用。但現在發現，數據不是湖或者海的靜態概念，而是數據流，是河流的概念。它有速度的，所以不要打算存起來；它是實時流動的，所以要重點想想怎么做實時分析。

我給大家一個關于大數據的例子，是一封質量人士的情書。

親愛的春嬌：

我們的感情，在組織的親切關懷下、在領導的過問下，一年來正沿著健康的道路蓬勃發展。這主要表現在：

（一）我們共通信121封，平均3.01天一封。其中你給我的信51封，占42.1%;我給你的信70封，占57.9%。每封信平均1502字，最長的達5215字，最短的也有624字。

（二）約會共98次，平均3.7天一次。其中你主動約我38次，占38.7%;我主動約你60次，占61.3%。每次約會平均3.8小時，最長達6.4小時，最短的也有1.6小時。

（三）我到你家看望你父母38次，平均每9.4天一次；你到我家看望我父母36次，平均10天一次。

以上充分證明，通過一年來的交往，我們已形成了戀愛的共識。 我們的愛情是互相了解、互相關心、互相幫助，是平等互利的。

我想問一個問題：這是不是大數據？現在很多人說自己建立了工業大數據平臺，正在實施智 能化，但大家對大數據、智能化的理解真的是高低有別，差異很大。

我前面說的層次之分就是這個意思。工業大數據分析的層次：只考慮經驗，不考慮數據是第一級；第二級是收集數據，但是只看數字；第三級是收集并整理數據，并使用圖表來展示數據。第二階段和第三階段基本上是一樣，只是畫圖和不畫圖的區別，但實際上已經有很大進步了。現在經常提到“可視化”，大部分人對報表不太敏感，但是對圖形很敏感，所以說用圖表示就是大進步。第四級是收集調查數據，并使用描述性統計量；第五級是收集采樣數據，并使用描述性統計量；第六級是收集采樣數據，并使用統計推斷，預測。第四階段和第五階段里面有一個重點：所謂的統計、描述，就是計算均值、最大最小值等，這些都很好，但是還沒有到真的統計分析，那些只是統計綜論或描述，但還沒有比較具體的觀點。真正的統計分析要做建模，要做預測，要做推論。

使用實時的傳感器數據并做可視化的描述總結是第七階段，使用實時的傳感器數據并建立統計模型，進行推斷、預測，并用于決策是第八階段。數據分析之后，要幫助企業做決策，這一點很重要。剛才說的，總結的可視化已經很好了，但畫一些漂亮的圖形只是間接幫助決策，離幫助做出決策還有一段路要走。從大數據到智能化中間，缺的就是第七、八級。

第七、八級上有沒有可用的工具呢？現在的工具確實需要更新，大家都是質量領域的專家或工作者，很清楚數據確實變得復雜了。大家可能覺得這些都跟我沒有關系，我又不是IT專業的，或者我是老總，聘請一位計算機專業的人就可以了。但這些年的調查研究發現，看成功不成功，那種方式并不是一條很好的路，還是應該根據自己的專業，采用自己的方法進行自我提升。總之，最終能解決問題的，還是那些質量方法和工具。

大數據和機器學習結合起來，對我們來說是難得的機遇。現在傳感器便宜了，信息系統技術到位了，工業大數據的收集也基本上能做到了，質量工具和方法剛好處于發展期，軟件可以實現，差不多都是近3～5年發生的事，這些要素對質量有什么影響，確實要仔細想想。比如說在收集數據方面，雖然說六西格瑪有DMAIC，但是收集數據就要占用80%的時間，但是現在收集數據的技術已經到位了。還有以前看不到的東西，現在看的到。分析方面，包括描述、診斷、預測等，以前理論上是可以的，但在數學方面有一些難度，現在也可以做到不同的高度。改善方面，怎么做實時優化、自適應檢測，這些技術升級值得關注。還有對大數據流的控制，以前是控制圖在每個小時過程當中取5個點畫一個圖，現在是無數的傳感器不斷產生實時的數據流，如何監控，這事實上是一個新的問題。這些變化說明，一些工具必須要更新。

回到之前的一些例子，現在很多企業對生產制造過程，比如進廠、加工等每個過程都有進行數據收集，根據自己的行業進行了不同層次的描述、分析、整合，這些都是工業大數據要做的事。但我要說的是，就算軟件、硬件做得比較超前到位，實際上項目并沒有做完，還是需要質量專業的人幫你做分析。這里面牽涉到很多有趣的科研課題，不管是學界還是業界都還沒有結論，包括數據融合、遷移學習、過程監控等，有機會再和大家分享這些成果。