编者按

《从加速数字化转型，到建设质量强国》一文为宗福季教授2022年5月至7月发表于香港科大内地办“教授专栏”上的文章。经作者授权，本刊分三期刊载，本期为该文第二部分。

在质量4.0发展下，工业大数据隐含着众多机遇。我们可以基于数字化转型趋势对许多旧方法进行改良。六西格玛（6 Sigma）是上世纪80年代末进行质量管理的一个常用工具，里面有很多统计方法。虽然它是三四十年前发展出来的工具，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方法是六西格玛管理中流程改善的工具，其中有很多步骤可以根据现代技术的发展加以更新。DMAIC方法主要包含五个阶段。

1.定义阶段（Define）：在该阶段定义所需要解决的问题。有时候找出、厘清、确认真正的问题，比如何解决更为重要。

2.测量阶段（Measure）：在该阶段对数据进行收集。在数据收集阶段，并不是一开始就直接收集数据，而是需要花费大量精力决定收集什么数据。在大数据时代，我们有很多方法获得海量且各式各样的数据，如传感器数据、不同数据库的数据等。但是，我们并不是盲目收集所有可以获得的数据，而是收集那些与目标密切相关的数据。

3.分析阶段（Analyze）：通过数据分析方法找到影响产品质量的关键参数。在质量4.0时代，工具可以随着机器学习技术的发展而不断改善升级，比如使用愈发强大的Python和R 软件。我们可以各取所长，从而使建模方法更加多样。

4.改善阶段（Improvement）：寻找优化生产的方法，使得流程缺陷降低到最小程度。在质量4.0下，除了对以前的一些工具进行改善之外，流程的智能化是重点。我们的目标并不在于解决某一个问题，而是当再遇到类似问题时可以做到某种程度的智能化，以减少人的反复参与。这也是目前的一个研究方向。

5.控制阶段（Control）：使改进后的流程程序化，并通过有效的监测手段（如控制图等），确保流程改进的结果可持续进行。在质量4.0下，可以在该阶段利用许多改进的可视化工具。

采集数据、分析数据并不意味着问题的完全解决，帮助客户完成决策才是最终目的，为了实现数据的实际应用需要拥有提升质量的创新工具。

一为突破式创新，运用创意解决问题，要求具有同理心、以人为本的设计，通过观察、采访等，发现用户深层次的需求，对问题重新进行深入的定义。同时需要通过发散性思维，提出众多解决方案，将一个好的创意点子用具体的原型来呈现，将原型通过情景模拟来测试可用性。

二为渐进式创新，运用统计思维解决问题不是从无到有，而是从好到更好；不是从零开始，而是以数据为基础来创新。根据定义、测量、分析、改善、控制这个流程，以客户为中心，用严谨的数据驱动、系统方法提高绩效并减少对客户而言至关重要的缺陷。

在工业大数据的框架下，依据数据的运用程度可以将工业大数据分析与应用分成9个层次。

· Level 1：不用数据，只依赖经验，比如制衣行业早期；

· Level 2：收集数据，但只研究数据本身；

· Level 3：将收集的数据用图表进行展示；

· Level 4：收集普查数据并进行描述性统计分析；

· Level 5：收集抽样数据并进行描述性统计分析；

· Level 6：收集抽样数据并进行推断性统计分析；

· Level 7：收集实时异构传感器数据并进行描述性统计分析与可视化；

· Level 8：收集实时异构传感器数据并进行推断性统计分析，给出决策建议；

· Level 9：使用工业人工智能的自主过程控制，将数据分析阶段智能化，减少人为参与。

以上九个层次，需要补充说明几点。

首先，并不是按照从差到好的顺序进行排序的。比如日本的一些百年老店，完全不用数据，而是靠自己的手艺打败全世界。当然他们不使用数据也有一些缺陷，比如因为没有数据支撑很难去别的城市开分店。从Level 2到Level 3涉及到数据的可视化，这是一个很大的进步。大家可能觉得单看数据与单看图是一回事，但其实很不一样。人的眼睛通常较难接受数据，而较易接受色彩跟图案。因此，人直接看数字和看一幅图的记忆点是完全不一样的。目前数据的可视化已经形成一门学科。由于人只能看到2D的图表，所以早期的可视化只是画一些简单的图。而大数据时代的数据维度非常高，如何将高维实时数据进行可视化是非常重要的一个课题。

其次，在质量4.0框架下（Level 7～9），可以获得海量实时异构传感器数据。这些工业数据往往是基于传感器的高频率采样获得的，并且形式多样，不仅包括连续型数据，还包含文字、图像、声音等多种类型数据。如何应用实时异构传感器数据进行统计分析、机器学习、建立模型，并最终给出决策建议，是质量4.0绕不开的一个重要议题。

第三，真正的工业大数据分析，必须要做到统计推断和统计预测，要建立模型，要能够预测未来的情况或是进行描述推断，其中的确定性、不确定性，都要进行分析，因此，描述性统计和推断性统计处于不同的层面。

第四，随着大数据时代的到来，采集数据的传感器价格越来越便宜，快速采集数据不成难事，难的是如何使用实时传感器数据并进行描述性的总结、可视化，也就是工业大数据的Level 7。目前，大部分企业还停留在Level 7。Level 8是使用实时传感器数据并建立统计模型，进行推断、预测并用于决策，这是目前大部分人都希望实现的。对数据运用的最终目的是达到Level 9，即使用工业人工智能的自主过程控制。也就是说，在之前的例子中使用数据分析帮助商业决策还不是终点，而如何在下次进行同样决策时、在无人力介入的情况下，自动给出智能决策建议才是我们想要达成的目标。

从以上内容中可以发现，在质量4.0时代，我们面临许多机遇。而工业大数据隐含的机遇具有两面性：一方面，很多工具已经存在并得到了广泛应用，由于在数据不复杂时并不需要使用机器学习以及统计建模这些工具，大家对他们并不是很重视。例如，神经网络虽然很早就被提出，但当时没有适用的数据。因此，单有方法没有数据是没有意义的。另一方面，只有数据没有方法也不行。现在，我们可以收集到大量实时传感器数据，但如果没有方法依然无法分析建模，这些数据仍然不能被完全应用。例如，在前面提到的实例中（见上期“PartⅠ源起”），目前采集到的数据只能做到可视化，并没有发挥数据的全部作用。当前，我们处于数字化转型阶段，数据能够被轻易采集，用于分析预测数据的工具也很多。在DMAIC方法中的测量、分析、改善、控制阶段，我们可以在如下方面将机器学习与统计建模相结合，对质量数据进行分析建模。

测量阶段：利用分布式传感器系统进行实时数据收集，也包括对机器运行和数据进行维护、环境数据等类型数据的收集、异构数据融合与可视化；基于物联网的质量数据整合、分析与监控。

分析阶段：对数据进行描述、诊断与预测；使用机器学习构建过程变量与产品质量之间的关系；强化隐形因素、关联性和因果性的挖掘。

改善阶段：根据分析结果提出过程实时优化方案；过程变量的智能动态调整；自适应检测。

控制阶段：基于大数据流的实时过程监测、跟踪、预警；基于人工智能的异常检测，实现智能决策辅助及反馈闭环。

工业大数据是信息量丰富的资源，同时，分析数据才能指导人们更好地决策。因此，运用数据分析技术统计学习与机器学习很有必要，采集数据并建模，分析哪些特定的预测因子（X）实际影响了回应（Y）、属于正相关还是负相关关系、简单的线性关系还是复杂关系等。如今，大数据发展迅猛，传感器数据到位，系统整合成为可能。系统整合之后才能进行分析，而这些分析又可以借助机器学习。以前做不到数据实时地收集，现在做得到。在数据分析、质量提升、质量控制等方面现在都有提升，以前可能只是停留在学术论文层面，现在技术到位了，以前的学术研究到实践应用时间周期比较长，而现在这个时间变得比较短了，一些学术研究将可以很快在质量4.0中得到应用。

（部分内容已刊登 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.）