◆宗福季 / 文

编者按

在2018年中国国际工业博览会质量创新论坛上，国际质科院副院长、香港科技大学宗福季教授以《质量大数据》为题发表演讲，介绍了工业4.0时代下质量、创新与大数据之间的关系，及其对现代产业所带来的影响，提示人们通过质量创新以及运用大数据分析技术适应并引领工业4.0时代。本文根据现场速记整理。

工业4.0，大家知道来源于德国战略性方针。这已经不是一个国家的战略方针问题，德国站出来了，其他国家马上跟进。日本有日本的工业4.0版本，韩国有韩国的版本，每个国家都有自己的版本，中间重叠的地方挺多，但都是虚实结合。“虚”的是互联网，把数据连接在一起；“实”的是系统，是工厂里面的各种操作系统，有很多机器。中国也有自己的4.0版本——“中国制造2025”，听起来很响亮的名字。“中国制造2025”的内容和其他国家的工业4.0有相互重叠的地方，也有独特之处。创新驱动、质量为先、绿色发展、结构优化、人才为本……“中国制造2025”把创新和质量放在最前面，和其他国家的版本都不一样。

下面是索尼的一个案例。在很多年前，日本索尼发展到一定程度后，需要国际化，国际化的第一步是在海外设厂，索尼的第一站选在了美国。在美国设厂，生产制作一模一样的东西，生产线一模一样，机器设备还更高级，那时各方面的生产数据，包括良品率，确实比日本高。但日本本土制造的就是比美国制造的要贵30%～40%，大家还是买日本制造的。回过来说一说“中国制造2025”。质量是个很重要的点，会影响生存，每个企业都知道。但是不是购买、升极了比日本、德国更先进的机器设备，或通过自我研发跨越了以往存在的一些技术门槛，质量就能提升到更高水平呢？不是那么简单的。并不是软硬件完全到位就可以解决问题，如果那样的话，很多问题就不是问题了。这是我想说的第一点，升级了软件、硬件，问题还是没有解决。

接下来再举两个例子。案例A，是国内一家在航空航天领域相当成功的企业，主要产品是飞机的导航陀螺仪。陀螺仪其实很好想象，小时候玩过陀螺的人都知道，它可以稳定方向。这家企业的陀螺仪生产线还是相当先进的，各个步骤都有大量的中间生产数据，质量监测也很严厉，主要检查X、Y、Z三个轴的9个重要指标。只要一个指标没有过关，就要全部返工。虽然拥有大数据平台，信息系统数据也都有收集，但产品最终好不好还得看最终的检查结果。结果，检查出来发现某个批次真的有一些问题，而且是同一个指标都有问题，但要具体追踪哪一个过程、哪一个工序出了问题，就不知道了。说不知道，可能有点不公平，因为数据是有的。传统的做法是根据这些数据请专业人士做分析，给专业人士一点时间，写一份报告当然就出来了。但我要说的是实时传感器的数据，有问题以后并没有办法马上追踪，而需要一段时间才能分析出来。所以，虽然企业有信息系统、通讯系统和质量追踪，但质量的预测没有办法到位。

案例B的企业属于半导体行业，主要生产大面板、大屏幕，工厂在深圳东莞那边。生产过程也是多过程的，有无数道工序，很复杂。因为现在传感器的价格降低了，所以该企业也在各道工序里放置了很多传感器。我拿到的数据有各个阶段、各个传感器出来的60多个参数，而真正的生产线，参数和数据更多。产品出来之后，要测量面板厚度、计算它的均值和面差等。产品最终好不好还是要看质量监测结果，具体到哪一个过程、哪一个传感器测量是关键参数，不知道。以前是知道的，因为参数少，专业人士或老师傅知道，但是现在几百上千个参数，反而不知道哪一个是关键参数了。

所以，软件、硬件、系统的整合非常重要，要真正解决问题还是需要工具。以前的那些质量工具不能丢掉，包括提升质量的创新工具，只不过应用的场景不同而已。

什么叫创新？一个是突破式创新，一个是渐进式创新。突然有一个很好的想法，可称之为突破式创新。这种创新比较吸睛，而且容易上报纸，因为大家很喜欢这样的故事，所以不断强调突破式创新，但是工厂里面真正有帮助的，其实是渐进式创新。因为完全从无到有的机会，并不是天天都有，大部分是基于已有的产品和服务，要让它变得更好，每天进行一些小的渐进式创新。有人做过这方面的调研：一个公司要成功的话，渐进式创新比突破式创新的作用大得多。

突破式创新是创意式解决问题的方法，很重要，也有系统的方法，而且这些系统方法实际上不少，比如设计思维。渐进式创新并不是完全从无到有，而是有步骤和方法，且与历史数据相结合，我称之为统计思维。统计思维并非要让人成为一个统计学家，也不是数据的思维，之前有些专家提到的六西格玛等一些量化的质量方法，实际上是在这个框架下面。这些传统的质量方法林林总总，很重要，但确实有不足的地方，需要不断更新、增添。它们大多基于采样，得到的是部分产品的信息，只能反映局部生产过程；缺少统一的数据与信息平台，质量数据难以共享与追踪；工具自动化程度低，依赖质量人员的大量参与与主观判断。因为存在不足，和现在讲的数字化时代的要求不太能对接上，所以必须有一些更新或变革。

具体来说，现在的大数据有三个原始特性：高容量（High-Volume），指的是数据量；高速度（High-Velocity），指的是收集、获取、生成、处理数据的速度；多种类（High-Variety），指的是不同的数据类型，如音频、视频、图像数据（主要是非结构化数据）。其中，比较重要的特性是高速度。过去，我们把数据当成金矿，所以尽量存起来，以备后用。但现在发现，数据不是湖或者海的静态概念，而是数据流，是河流的概念。它有速度的，所以不要打算存起来；它是实时流动的，所以要重点想想怎么做实时分析。

我给大家一个关于大数据的例子，是一封质量人士的情书。

亲爱的春娇：

我们的感情，在组织的亲切关怀下、在领导的过问下，一年来正沿着健康的道路蓬勃发展。这主要表现在：

（一）我们共通信121封，平均3.01天一封。其中你给我的信51封，占42.1%;我给你的信70封，占57.9%。每封信平均1502字，最长的达5215字，最短的也有624字。

（二）约会共98次，平均3.7天一次。其中你主动约我38次，占38.7%;我主动约你60次，占61.3%。每次约会平均3.8小时，最长达6.4小时，最短的也有1.6小时。

（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。

以上充分证明，通过一年来的交往，我们已形成了恋爱的共识。 我们的爱情是互相了解、互相关心、互相帮助，是平等互利的。

我想问一个问题：这是不是大数据？现在很多人说自己建立了工业大数据平台，正在实施智 能化，但大家对大数据、智能化的理解真的是高低有别，差异很大。

我前面说的层次之分就是这个意思。工业大数据分析的层次：只考虑经验，不考虑数据是第一级；第二级是收集数据，但是只看数字；第三级是收集并整理数据，并使用图表来展示数据。第二阶段和第三阶段基本上是一样，只是画图和不画图的区别，但实际上已经有很大进步了。现在经常提到“可视化”，大部分人对报表不太敏感，但是对图形很敏感，所以说用图表示就是大进步。第四级是收集调查数据，并使用描述性统计量；第五级是收集采样数据，并使用描述性统计量；第六级是收集采样数据，并使用统计推断，预测。第四阶段和第五阶段里面有一个重点：所谓的统计、描述，就是计算均值、最大最小值等，这些都很好，但是还没有到真的统计分析，那些只是统计综论或描述，但还没有比较具体的观点。真正的统计分析要做建模，要做预测，要做推论。

使用实时的传感器数据并做可视化的描述总结是第七阶段，使用实时的传感器数据并建立统计模型，进行推断、预测，并用于决策是第八阶段。数据分析之后，要帮助企业做决策，这一点很重要。刚才说的，总结的可视化已经很好了，但画一些漂亮的图形只是间接帮助决策，离帮助做出决策还有一段路要走。从大数据到智能化中间，缺的就是第七、八级。

第七、八级上有没有可用的工具呢？现在的工具确实需要更新，大家都是质量领域的专家或工作者，很清楚数据确实变得复杂了。大家可能觉得这些都跟我没有关系，我又不是IT专业的，或者我是老总，聘请一位计算机专业的人就可以了。但这些年的调查研究发现，看成功不成功，那种方式并不是一条很好的路，还是应该根据自己的专业，采用自己的方法进行自我提升。总之，最终能解决问题的，还是那些质量方法和工具。

大数据和机器学习结合起来，对我们来说是难得的机遇。现在传感器便宜了，信息系统技术到位了，工业大数据的收集也基本上能做到了，质量工具和方法刚好处于发展期，软件可以实现，差不多都是近3～5年发生的事，这些要素对质量有什么影响，确实要仔细想想。比如说在收集数据方面，虽然说六西格玛有DMAIC，但是收集数据就要占用80%的时间，但是现在收集数据的技术已经到位了。还有以前看不到的东西，现在看的到。分析方面，包括描述、诊断、预测等，以前理论上是可以的，但在数学方面有一些难度，现在也可以做到不同的高度。改善方面，怎么做实时优化、自适应检测，这些技术升级值得关注。还有对大数据流的控制，以前是控制图在每个小时过程当中取5个点画一个图，现在是无数的传感器不断产生实时的数据流，如何监控，这事实上是一个新的问题。这些变化说明，一些工具必须要更新。

回到之前的一些例子，现在很多企业对生产制造过程，比如进厂、加工等每个过程都有进行数据收集，根据自己的行业进行了不同层次的描述、分析、整合，这些都是工业大数据要做的事。但我要说的是，就算软件、硬件做得比较超前到位，实际上项目并没有做完，还是需要质量专业的人帮你做分析。这里面牵涉到很多有趣的科研课题，不管是学界还是业界都还没有结论，包括数据融合、迁移学习、过程监控等，有机会再和大家分享这些成果。