數(shù)字化轉(zhuǎn)型下工業(yè)大數(shù)據(jù)在質(zhì)量創(chuàng)新中的應(yīng)用

摘 要：進(jìn)入工業(yè)4.0時(shí)代以后，數(shù)字化轉(zhuǎn)型成為經(jīng)濟(jì)發(fā)展的普遍趨勢(shì)。工業(yè)大數(shù)據(jù)是數(shù)字化轉(zhuǎn)型的重要載體，其在質(zhì)量創(chuàng)新中的重要性日益顯著。無(wú)論是行業(yè)還是個(gè)人發(fā)展，都將面臨數(shù)字化轉(zhuǎn)型下工業(yè)大數(shù)據(jù)的應(yīng)用所帶來(lái)的重要機(jī)遇和挑戰(zhàn)。大數(shù)據(jù)在質(zhì)量創(chuàng)新中的機(jī)遇具體表現(xiàn)在通過(guò)采集數(shù)據(jù)、分析數(shù)據(jù)并建立模型進(jìn)行質(zhì)量控制與質(zhì)量提升。與此同時(shí)，大數(shù)據(jù)在質(zhì)量創(chuàng)新的應(yīng)用中也面臨著數(shù)據(jù)完整性、數(shù)據(jù)質(zhì)量、數(shù)據(jù)場(chǎng)景、領(lǐng)域知識(shí)、數(shù)據(jù)隱私、樣本稀缺等方面的諸多挑戰(zhàn)。此外，質(zhì)量大數(shù)據(jù)的思想被應(yīng)用拓展到社會(huì)的各個(gè)方面。

關(guān)鍵詞：工業(yè)4.0; 大數(shù)據(jù);質(zhì)量創(chuàng)新;機(jī)遇;挑戰(zhàn)

一、引言

2020年新冠疫情的爆發(fā)，極大地加速了數(shù)字化轉(zhuǎn)型的趨勢(shì)。數(shù)字化轉(zhuǎn)型是在工業(yè)4.0的框架下，以客戶需求為中心，以數(shù)據(jù)為資產(chǎn)，以新技術(shù)為手段，以人才為依托，突破企業(yè)發(fā)展瓶頸，解決行業(yè)發(fā)展痛點(diǎn)的轉(zhuǎn)型升級(jí)。工業(yè)4.0最早來(lái)源于德國(guó)戰(zhàn)略性方針，又被大家稱之為第四次工業(yè)革命。第一次工業(yè)革命是由瓦特發(fā)明蒸汽機(jī)所導(dǎo)致的工業(yè)化，第二次工業(yè)革命是在電氣革命背景下引發(fā)的大規(guī)模生產(chǎn)，第三次工業(yè)革命是由于電腦與控制器的介入所產(chǎn)生的自動(dòng)化。盡管各國(guó)都對(duì)第四次工業(yè)革命有不同的解讀與偏向，但是其中心思想就是數(shù)字化轉(zhuǎn)型，即利用物聯(lián)網(wǎng)信息系統(tǒng)，將生產(chǎn)中的供應(yīng)、生產(chǎn)、銷售信息數(shù)字化、智能化，最終實(shí)現(xiàn)快速、有效、個(gè)性化的產(chǎn)品供應(yīng)。質(zhì)量創(chuàng)新能夠創(chuàng)造和產(chǎn)生新的用戶需求，是企業(yè)實(shí)現(xiàn)從“速度效益型”向“質(zhì)量效益型”轉(zhuǎn)變的關(guān)鍵（程虹等，2014）。數(shù)字化轉(zhuǎn)型則是實(shí)現(xiàn)質(zhì)量創(chuàng)新的重要手段，而工業(yè)大數(shù)據(jù)又是數(shù)字化轉(zhuǎn)型中的關(guān)鍵因素（Barchiesi等，2021）。工業(yè)大數(shù)據(jù)可理解為工業(yè)領(lǐng)域信息化應(yīng)用中所產(chǎn)生的大數(shù)據(jù)，作為互聯(lián)網(wǎng)、數(shù)據(jù)科學(xué)以及工業(yè)產(chǎn)業(yè)相互融合的產(chǎn)物，工業(yè)大數(shù)據(jù)除了具備一些傳統(tǒng)大數(shù)據(jù)海量、多變及多樣性的特征，還擁有更強(qiáng)的目的性和指導(dǎo)決策性，具備更高的穩(wěn)定性（王韻滋等，2020）。

通過(guò)圍繞工業(yè)4.0時(shí)代背景下大數(shù)據(jù)在質(zhì)量創(chuàng)新中應(yīng)用的介紹，闡明了大數(shù)據(jù)是質(zhì)量創(chuàng)新的一種工具，以及大數(shù)據(jù)在質(zhì)量創(chuàng)新應(yīng)用中面臨的機(jī)遇、挑戰(zhàn)，并闡述了大數(shù)據(jù)在其他方面的一些拓展性應(yīng)用，以期帶來(lái)一些研究方向的啟發(fā)或引起學(xué)界的探討。

二、文獻(xiàn)綜述

（一）質(zhì)量創(chuàng)新研究及其在大數(shù)據(jù)中的地位

質(zhì)量創(chuàng)新，其實(shí)就是利用技術(shù)、管理、文化等方法創(chuàng)造新的質(zhì)量。創(chuàng)造出的新的質(zhì)量可以更好地滿足消費(fèi)者和用戶的需求，幫助企業(yè)實(shí)現(xiàn)新的目標(biāo)，創(chuàng)造更加良好的效益（程虹等，2015）。隨著對(duì)于質(zhì)量要素投入的增加，經(jīng)濟(jì)也在不斷地發(fā)展。質(zhì)量創(chuàng)新還包括相關(guān)的如對(duì)于質(zhì)量需求的創(chuàng)新、面向質(zhì)量技術(shù)的創(chuàng)新以及質(zhì)量制度的創(chuàng)新，這些可以稱之為一個(gè)創(chuàng)新的集合。質(zhì)量的本質(zhì)含義，就是要不斷地去滿足需求。由于人們的需求具有多樣性和個(gè)性化特點(diǎn)，所以對(duì)于質(zhì)量，其關(guān)鍵在于如何滿足用戶需求，這也即是進(jìn)行質(zhì)量創(chuàng)新的內(nèi)涵。在現(xiàn)代社會(huì)中，人們開始追求個(gè)性化，更加關(guān)注產(chǎn)品背后的意義，而不僅僅局限于產(chǎn)品的使用功能（Aghion等，1992）。

工業(yè)大數(shù)據(jù)是工業(yè)產(chǎn)品和服務(wù)全生命周期數(shù)據(jù)的總稱，包括工業(yè)領(lǐng)域中各個(gè)環(huán)節(jié)中可能產(chǎn)生和用到的數(shù)據(jù)（王建民等，2017）。現(xiàn)在的大數(shù)據(jù)有三個(gè)原始特性：高容量、高速度、多種類，其中，特別值得關(guān)注的特性是高速度（宗福季，2019）。宗福季（2018）認(rèn)為大數(shù)據(jù)的特性可以幫助獲取海量數(shù)據(jù)中的價(jià)值，通過(guò)對(duì)數(shù)據(jù)的分析和處理，大數(shù)據(jù)將成為未來(lái)進(jìn)行質(zhì)量創(chuàng)新的關(guān)鍵。宗福季（2019）還認(rèn)為軟件、硬件、系統(tǒng)的整合非常重要，要真正解決問(wèn)題還是需要工具。

隨著科技的發(fā)展，大數(shù)據(jù)已經(jīng)在很多方面和質(zhì)量相結(jié)合，在對(duì)于宏觀質(zhì)量的管理中，質(zhì)量管理的地位已經(jīng)越來(lái)越重要，而對(duì)于未來(lái)宏觀質(zhì)量管理及質(zhì)量管理等都需要高質(zhì)量的數(shù)據(jù)作為支撐，利用大數(shù)據(jù)來(lái)幫助實(shí)現(xiàn)更加科學(xué)的管理是未來(lái)主要的發(fā)展趨勢(shì)，這需要未來(lái)在科學(xué)管理中更加重視數(shù)據(jù)的應(yīng)用和其價(jià)值的挖掘，以幫助提高質(zhì)量管理水平（李國(guó)杰等，2012）。

（二）工業(yè)大數(shù)據(jù)的研究及其應(yīng)用

工業(yè)大數(shù)據(jù)是未來(lái)很多產(chǎn)業(yè)核心價(jià)值的創(chuàng)造者，而云計(jì)算技術(shù)則是支撐廣泛、分散、大量的工業(yè)大數(shù)據(jù)采集、聚合、處理、分析的關(guān)鍵技術(shù)（李君等，2019）。隨著大數(shù)據(jù)行業(yè)的發(fā)展，工業(yè)數(shù)據(jù)收集呈現(xiàn)時(shí)間維度不斷延長(zhǎng)、數(shù)據(jù)范圍不斷擴(kuò)大、數(shù)據(jù)粒度不斷細(xì)化的趨勢(shì)。以上三個(gè)維度的變化使得企業(yè)所積累的數(shù)據(jù)量以加速度的方式增加，最終構(gòu)成了工業(yè)大數(shù)據(jù)的集合，也已經(jīng)發(fā)展成為目前工業(yè)中最寶貴的戰(zhàn)略資源（吳曉怡，2020）。工業(yè)大數(shù)據(jù)來(lái)源可粗略分為內(nèi)部和外部?jī)深悾瑑?nèi)部包括生產(chǎn)經(jīng)營(yíng)和機(jī)器設(shè)備信息等數(shù)據(jù)，外部包括來(lái)自市場(chǎng)、政府等的數(shù)據(jù)。據(jù)Gartner報(bào)告稱， 2019年互聯(lián)設(shè)備數(shù)量已超過(guò)142億臺(tái)，預(yù)計(jì)2021年將達(dá)到250億臺(tái)。這是一個(gè)巨大的數(shù)量，并將產(chǎn)生海量數(shù)據(jù)。工業(yè)大數(shù)據(jù)在工業(yè)控制系統(tǒng)中除提高決策效率和速度外，將大數(shù)據(jù)整合到工業(yè)環(huán)境中時(shí)還具有以下優(yōu)勢(shì)：一是預(yù)測(cè)流程中涉及的資產(chǎn)故障或問(wèn)題，提前采取行動(dòng);利用數(shù)據(jù)精準(zhǔn)定位問(wèn)題所在，提高服務(wù)質(zhì)量。二是改善過(guò)程中產(chǎn)品的生成或需求平衡。如利用采購(gòu)和銷售數(shù)據(jù)等，更好地了解用戶需求。三是對(duì)可能出現(xiàn)的問(wèn)題進(jìn)行預(yù)警，避免事故發(fā)生。四是提高數(shù)據(jù)使用效率，挖掘海量數(shù)據(jù)中的價(jià)值，從而推動(dòng)質(zhì)量創(chuàng)新的發(fā)展（施錦誠(chéng)等，2021）。

從工業(yè)大數(shù)據(jù)的應(yīng)用場(chǎng)景看，工業(yè)大數(shù)據(jù)是針對(duì)每一個(gè)特定工業(yè)場(chǎng)景，以工業(yè)場(chǎng)景相關(guān)的大數(shù)據(jù)集為基礎(chǔ)，集成工業(yè)大數(shù)據(jù)系列技術(shù)與方法，獲得有價(jià)值信息的過(guò)程（高嬰勱等，2020）。工業(yè)大數(shù)據(jù)應(yīng)用的目標(biāo)是從復(fù)雜的數(shù)據(jù)集中發(fā)現(xiàn)新的模式與知識(shí)，挖掘得到有價(jià)值的信息，從而促進(jìn)工業(yè)企業(yè)的產(chǎn)品創(chuàng)新、運(yùn)營(yíng)提質(zhì)和管理增效（Crosby等，1979）。根據(jù)行業(yè)自身的生產(chǎn)特點(diǎn)和發(fā)展需求，工業(yè)大數(shù)據(jù)在不同行業(yè)中的應(yīng)用重點(diǎn)以及所產(chǎn)生的業(yè)務(wù)價(jià)值也不盡相同。黎勇等（2020）認(rèn)為工業(yè)設(shè)計(jì)方面和以往相比也發(fā)生了巨大的變化，客戶需求方面的要求不斷提高，其通過(guò)研究將大數(shù)據(jù)技術(shù)和工業(yè)設(shè)計(jì)創(chuàng)新相結(jié)合的方法來(lái)幫助推動(dòng)我國(guó)工業(yè)的全面創(chuàng)新發(fā)展。Porter 等（2016）認(rèn)為工業(yè)大數(shù)據(jù)在智能制造中也存在巨大的應(yīng)用價(jià)值。我國(guó)經(jīng)濟(jì)快速發(fā)展的同時(shí)，工業(yè)企業(yè)管理也面臨著更加嚴(yán)峻的挑戰(zhàn)。王中璽（2020）利用物聯(lián)網(wǎng)大數(shù)據(jù)分析對(duì)工業(yè)企業(yè)管理的作用，通過(guò)分析物聯(lián)網(wǎng)大數(shù)據(jù)在工業(yè)企業(yè)管理中的有效應(yīng)用試圖彌補(bǔ)以往工業(yè)企業(yè)管理存在的不足。大數(shù)據(jù)不僅在工業(yè)領(lǐng)域能夠發(fā)揮很大作用，在企業(yè)財(cái)務(wù)管理方面也有較大價(jià)值。對(duì)于制造業(yè)而言，工業(yè)大數(shù)據(jù)的應(yīng)用促進(jìn)了智慧供應(yīng)鏈管理、個(gè)性化定制等新型商業(yè)模式的快速發(fā)展，有助于企業(yè)提高精益生產(chǎn)水平、供應(yīng)鏈效率和客戶滿意度（王媛媛等，2020）。

工業(yè)大數(shù)據(jù)的應(yīng)用可以幫助個(gè)性化的實(shí)現(xiàn)，用以快速生產(chǎn)出符合個(gè)性化需求的定制化產(chǎn)品。這其實(shí)也正與質(zhì)量創(chuàng)新中滿足用戶的理念相一致?；诠I(yè)大數(shù)據(jù)，還可以驅(qū)動(dòng)生產(chǎn)制造的智能化升級(jí)，優(yōu)化生產(chǎn)要素配置和資源利用， 整體提升制造業(yè)發(fā)展水平，促進(jìn)經(jīng)濟(jì)的高質(zhì)量發(fā)展（沈運(yùn)紅等，2020）。此外，工業(yè)大數(shù)據(jù)還可以創(chuàng)造出產(chǎn)品新的價(jià)值，幫助實(shí)現(xiàn)制造企業(yè)的服務(wù)化轉(zhuǎn)型。在工業(yè)大數(shù)據(jù)時(shí)代，通過(guò)對(duì)海量工業(yè)大數(shù)據(jù)的深入挖掘、提煉、建模和封裝，進(jìn)一步服務(wù)于各個(gè)細(xì)分工業(yè)領(lǐng)域，將有助于促進(jìn)大數(shù)據(jù)價(jià)值的有效發(fā)揮。

（三）研究的現(xiàn)實(shí)意義及貢獻(xiàn)

在數(shù)字化轉(zhuǎn)型的大背景下，工業(yè)大數(shù)據(jù)在質(zhì)量創(chuàng)新中的應(yīng)用日趨廣泛，但同時(shí)也存在一定的問(wèn)題，如目前行業(yè)中對(duì)于工業(yè)大數(shù)據(jù)的應(yīng)用研究領(lǐng)域雖然較為廣泛，針對(duì)質(zhì)量創(chuàng)新的研究領(lǐng)域也已經(jīng)有較為豐碩的成果，但是將工業(yè)大數(shù)據(jù)應(yīng)用于質(zhì)量創(chuàng)新的文獻(xiàn)還較為缺乏。文章則首先對(duì)質(zhì)量創(chuàng)新的研究及其在大數(shù)據(jù)中的地位進(jìn)行分析，然后分析了工業(yè)大數(shù)據(jù)相關(guān)研究及效應(yīng)，并利用案例形式展示了工業(yè)大數(shù)據(jù)如何應(yīng)用于質(zhì)量創(chuàng)新，為后續(xù)學(xué)者開展工業(yè)大數(shù)據(jù)和質(zhì)量創(chuàng)新相結(jié)合的研究提供新的思路，以期通過(guò)工業(yè)大數(shù)據(jù)助力未來(lái)高質(zhì)量發(fā)展，同時(shí)也為大數(shù)據(jù)和質(zhì)量創(chuàng)新研究奠定基礎(chǔ)。

三、工業(yè)大數(shù)據(jù)應(yīng)用于質(zhì)量創(chuàng)新的案例分析

大數(shù)據(jù)有三個(gè)原始特性：高容量（High-Volume），指的是數(shù)據(jù)量;高速度（High-Velocity），指的是收集、獲取、生成、處理數(shù)據(jù)的速度;多種類（High-Variety），指的是不同的數(shù)據(jù)類型，如音頻、視頻、圖像數(shù)據(jù)（主要是非結(jié)構(gòu)化數(shù)據(jù)）。質(zhì)量創(chuàng)新對(duì)于企業(yè)的競(jìng)爭(zhēng)力至關(guān)重要，質(zhì)量創(chuàng)新不僅僅需要更先進(jìn)的機(jī)器設(shè)備或技術(shù)水平，更關(guān)鍵的問(wèn)題在于能否真正滿足用戶需求。因此，通過(guò)單純地提升軟硬件技術(shù)來(lái)進(jìn)行質(zhì)量創(chuàng)新并不能真正發(fā)揮工業(yè)大數(shù)據(jù)的價(jià)值。接下來(lái)我們將通過(guò)具體的企業(yè)案例進(jìn)行說(shuō)明。

實(shí)例A： 航空產(chǎn)業(yè)產(chǎn)品質(zhì)量預(yù)測(cè)與控制

首先，我們以航空航天公司為例，航空公司生產(chǎn)的一個(gè)重要產(chǎn)品是IMU（飛機(jī)慣性導(dǎo)航系統(tǒng)）。飛機(jī)慣性導(dǎo)航系統(tǒng)就像陀螺儀一樣可以控制方向，是一種非常強(qiáng)調(diào)精密性的儀器。航空業(yè)的公司規(guī)模往往非常大，軟件硬件也非常齊備，擁有非常好的數(shù)據(jù)收集系統(tǒng)與傳感器系統(tǒng)，可以獲得大量的有效實(shí)時(shí)數(shù)據(jù)。在制造飛機(jī)慣性導(dǎo)航系統(tǒng)時(shí)存在許多不同的工序，我們?cè)诿總€(gè)工序中都放置一些傳感器。布置傳感器的原因是：一方面?zhèn)鞲衅魇窍冗M(jìn)科技的結(jié)晶，可以對(duì)數(shù)據(jù)進(jìn)行準(zhǔn)確和高效的收集，從而對(duì)工序進(jìn)行實(shí)時(shí)的監(jiān)控;另一方面?zhèn)鞲衅鞯膬r(jià)格低廉。然而，即便是航空公司獲得了海量的實(shí)時(shí)數(shù)據(jù)，并且擁有良好的信息系統(tǒng)，產(chǎn)品的質(zhì)量檢測(cè)最終還是要仰賴人工。對(duì)于飛機(jī)慣性導(dǎo)航系統(tǒng)而言，共有（x，y，z）三個(gè)維度，且每個(gè)維度擁有3個(gè)指標(biāo)，公司要對(duì)該產(chǎn)品共計(jì)9個(gè)指標(biāo)進(jìn)行測(cè)量，若有一個(gè)指標(biāo)不達(dá)標(biāo)，則判定該產(chǎn)品不符合質(zhì)量要求。

從這個(gè)案例中我們可以得到的啟示是，雖然企業(yè)擁有了大量數(shù)據(jù)，最終產(chǎn)品質(zhì)量檢測(cè)還是依靠人工方式進(jìn)行，而不是根據(jù)獲得的海量數(shù)據(jù)預(yù)測(cè)獲得，大數(shù)據(jù)的價(jià)值并沒(méi)有真正得到體現(xiàn)。此外，當(dāng)產(chǎn)品質(zhì)量發(fā)生問(wèn)題時(shí)，航空公司也沒(méi)有辦法利用獲得的海量數(shù)據(jù)進(jìn)行診斷或者問(wèn)題追蹤，仍依賴人為判斷。

實(shí)例B：半導(dǎo)體產(chǎn)業(yè)產(chǎn)品質(zhì)量預(yù)測(cè)與控制

半導(dǎo)體行業(yè)是一個(gè)非常追求精密化的行業(yè)，它們對(duì)數(shù)據(jù)的應(yīng)用在所有行業(yè)中處于領(lǐng)先地位，在其他行業(yè)進(jìn)行大數(shù)據(jù)分析之前半導(dǎo)體行業(yè)就已經(jīng)開始進(jìn)行數(shù)據(jù)收集。半導(dǎo)體行業(yè)中的玻璃面板成膜（PVD）過(guò)程包含很多工序，并且數(shù)據(jù)收集非常完備，有很多實(shí)時(shí)海量數(shù)據(jù)。與案例A類似，我們無(wú)法通過(guò)數(shù)據(jù)預(yù)測(cè)產(chǎn)品質(zhì)量是否過(guò)關(guān)，而是需要最后進(jìn)行人工檢測(cè)。技術(shù)人員通常通過(guò)測(cè)量一整塊鍍膜玻璃上17個(gè)點(diǎn)的厚度，并計(jì)算它們的均值和方差，以此檢驗(yàn)產(chǎn)品質(zhì)量是否過(guò)關(guān)。

在玻璃面板成膜過(guò)程中有很多工序，我們目前看到的數(shù)據(jù)僅包括其中的3個(gè)工序。然而，僅僅是這3個(gè)工序就已經(jīng)有高達(dá)65個(gè)參數(shù)，并且目前還沒(méi)有辦法能夠識(shí)別出65個(gè)參數(shù)里面哪些是重要參數(shù)。對(duì)于玻璃面板成膜過(guò)程整體而言，工序越多，數(shù)據(jù)就越復(fù)雜，參數(shù)就越多，而哪些參數(shù)對(duì)最后的產(chǎn)品質(zhì)量有決定性影響是很難識(shí)別的。因此，該過(guò)程很難根據(jù)參數(shù)數(shù)據(jù)來(lái)對(duì)產(chǎn)品質(zhì)量進(jìn)行預(yù)測(cè)。此外當(dāng)產(chǎn)品質(zhì)量出了問(wèn)題該如何進(jìn)行調(diào)控提升、應(yīng)該調(diào)整哪些參數(shù)、如何追蹤是哪個(gè)環(huán)節(jié)出了問(wèn)題等等問(wèn)題都非常重要，但是目前尚沒(méi)有解決辦法。

這個(gè)案例給我們的另一個(gè)啟示是，盡管現(xiàn)在數(shù)據(jù)收集環(huán)節(jié)已經(jīng)非常完善，仍然無(wú)法實(shí)現(xiàn)自動(dòng)化的產(chǎn)品質(zhì)量預(yù)測(cè)與監(jiān)控。

實(shí)例 C：服裝產(chǎn)業(yè)產(chǎn)品質(zhì)量預(yù)測(cè)與控制

某制衣公司在制衣業(yè)中排名很靠前，其中很大的原因在于他們引進(jìn)了ERP系統(tǒng)與RFID系統(tǒng)，具備完善的信息系統(tǒng)和數(shù)據(jù)采集系統(tǒng)?？墒撬麄?nèi)匀挥龅搅颂魬?zhàn)：該公司主要客戶是快時(shí)尚人群，需要快速根據(jù)時(shí)尚潮流替換他們的產(chǎn)品款式。這對(duì)客戶方而言是有益的，他們可以很快地替換服裝款式并且可以將價(jià)格成本壓得很低。這給生產(chǎn)方帶來(lái)了巨大的壓力。該制衣企業(yè)目前還不能根據(jù)大數(shù)據(jù)信息系統(tǒng)進(jìn)行很快的工時(shí)工序報(bào)價(jià)，主要原因在于他們對(duì)于工序工時(shí)報(bào)價(jià)無(wú)法根據(jù)數(shù)據(jù)進(jìn)行預(yù)測(cè)建模。因此，最后提供工時(shí)工序報(bào)價(jià)時(shí)仍然需要人為判斷與經(jīng)驗(yàn)。

雖然該公司的數(shù)據(jù)收集系統(tǒng)非常完善，但由于服裝款式非常多，其中還包含許多零部件的生產(chǎn)，整體工序非常復(fù)雜。而工序數(shù)據(jù)不僅僅是連續(xù)型數(shù)據(jù)，還包含非常多的定性數(shù)據(jù)，造成數(shù)據(jù)維度非常高。雖然公司擁有海量數(shù)據(jù)，但是在維度非常高的情況下模型很容易擬合失敗。另外，在數(shù)據(jù)采集環(huán)節(jié)涉及大量人工干預(yù)，比如用人工填表等等方式收集數(shù)據(jù)，這導(dǎo)致公司獲得的數(shù)據(jù)精準(zhǔn)度不高。因此，雖然該公司數(shù)據(jù)量非常大，最終做決策時(shí)還是仰賴人的參與。

通過(guò)以上三個(gè)案例的分析可以發(fā)現(xiàn)，無(wú)論是人工參與較多的服裝行業(yè)，還是較為智能化的半導(dǎo)體業(yè)，即使公司資金非常充足，信息系統(tǒng)與數(shù)據(jù)采集系統(tǒng)非常完善，可以通過(guò)各種方式獲得海量實(shí)時(shí)數(shù)據(jù)，但這些數(shù)據(jù)并不能幫助企業(yè)解決實(shí)際問(wèn)題。目前，這些企業(yè)仍然無(wú)法做到產(chǎn)品質(zhì)量管理的自動(dòng)化，產(chǎn)品質(zhì)量檢測(cè)問(wèn)題仍然大量依靠人工方式。因此，大數(shù)據(jù)是企業(yè)質(zhì)量創(chuàng)新的必要條件而非充分條件。如何根據(jù)在生產(chǎn)過(guò)程中獲得的大數(shù)據(jù)，對(duì)工序進(jìn)行優(yōu)化與預(yù)測(cè)產(chǎn)品質(zhì)量仍是質(zhì)量創(chuàng)新亟待解決的問(wèn)題。

我們想要實(shí)現(xiàn)質(zhì)量創(chuàng)新需要照一些步驟與方法，其中很多步驟與方法是目前已經(jīng)較為成熟的，比如6 Sigma方法、工藝流程圖等。這些方法在實(shí)際應(yīng)用中仍是十分有效的。因此，我們?cè)跀?shù)字化轉(zhuǎn)型的過(guò)程中并不能摒棄它們。然而，這些傳統(tǒng)方法也有許多不足之處：

首先，傳統(tǒng)方法使用的數(shù)據(jù)是基于采樣得到的，它們并不能反映整體的生產(chǎn)過(guò)程。在看不到的地方我們往往是用人為經(jīng)驗(yàn)進(jìn)行填補(bǔ)。其次，缺少統(tǒng)一的數(shù)據(jù)信息平臺(tái)，質(zhì)量數(shù)據(jù)難以共享與追蹤。如果數(shù)據(jù)是一座孤島的話，往往會(huì)孤掌難鳴，效果有限。數(shù)據(jù)真正強(qiáng)大的地方在于將它們聯(lián)系起來(lái)。最后，工具自動(dòng)化程度偏低，依賴人員大量參與和主觀判斷。

進(jìn)入工業(yè)4.0時(shí)代后，首先，由于現(xiàn)代傳感器行業(yè)的發(fā)展，我們可以獲得更多更實(shí)時(shí)的數(shù)據(jù)，可以看到更多更全面的信息。其次，我們擁有了很多數(shù)據(jù)平臺(tái)，可以把這些孤立的數(shù)據(jù)聯(lián)系起來(lái)。最后，由于統(tǒng)計(jì)方法的發(fā)展，盡管仍然需要人的參與，我們還是可以做到將一些工具自動(dòng)化與智能化。過(guò)去，我們把數(shù)據(jù)當(dāng)成金礦，所以盡量存起來(lái)，以備之后用。但現(xiàn)在發(fā)現(xiàn)，數(shù)據(jù)不是湖或者海的靜態(tài)概念，而是數(shù)據(jù)流，是河流的概念。它是有速度的，所以不要打算存起來(lái);它是實(shí)時(shí)流動(dòng)的，所以要重點(diǎn)想想怎么做實(shí)時(shí)分析。

四、工業(yè)大數(shù)據(jù)在質(zhì)量創(chuàng)新應(yīng)用中的機(jī)遇

在工業(yè)4.0時(shí)代，工業(yè)大數(shù)據(jù)為質(zhì)量創(chuàng)新帶來(lái)了巨大的新發(fā)展機(jī)遇。我們可以在數(shù)字化轉(zhuǎn)型的趨勢(shì)下對(duì)許多舊方法進(jìn)行改良。6 Sigma是80年代末進(jìn)行質(zhì)量管理的一個(gè)很常用的工具，里面有很多手法是統(tǒng)計(jì)工具。雖然它是80年代末發(fā)展出來(lái)的工具，但是它現(xiàn)在仍然是非常有效的。然而其中有一些工具是需要加以更新的。比如，DMAIC方法是6 Sigma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方法主要包含如下五個(gè)階段：

1.定義階段（Define）：在該階段我們定義需要解決的問(wèn)題。有時(shí)找出、厘清、確認(rèn)真正的問(wèn)題，比如何解決更重要。

2.測(cè)量階段（Measure）：在該階段我們對(duì)數(shù)據(jù)進(jìn)行收集。在數(shù)據(jù)收集階段并不是一開始直接進(jìn)行數(shù)據(jù)收集，而是需要我們花費(fèi)大量精力決定收集什么數(shù)據(jù)。在大數(shù)據(jù)時(shí)代我們有很多方法可以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(kù)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)，而是需要收集與我們目標(biāo)密切相關(guān)的數(shù)據(jù)。

3.分析階段（Analyze）：在該階段我們通過(guò)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)。在工業(yè)4.0時(shí)代，工具因?yàn)闄C(jī)器學(xué)習(xí)技術(shù)的發(fā)展而有提升，比如使用愈發(fā)強(qiáng)大的Python和R 軟件。我們可以各取所長(zhǎng)，從而使得建模方法更加多樣。

4.改善階段（Improvement）：在該階段我們尋找優(yōu)化生產(chǎn)的方法，使得流程缺陷降低到最小程度。在工業(yè)4.0時(shí)代，除根據(jù)以前一些工具進(jìn)行改善之外，重點(diǎn)是流程的智能化。我們現(xiàn)在的目標(biāo)并不在于解決某一個(gè)問(wèn)題，而是當(dāng)再遇到這類問(wèn)題時(shí)我們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(gè)研究方向。

5.控制階段（Control）：在該階段我們使改進(jìn)后的流程程序化，并通過(guò)有效的監(jiān)測(cè)手段，如控制圖等，確保流程改進(jìn)的結(jié)果可持續(xù)進(jìn)行。在工業(yè)4.0時(shí)代，我們可以在該階段利用許多改進(jìn)的可視化工具。

收集和分析數(shù)據(jù)并不意味著問(wèn)題就能夠被完全解決，最終目標(biāo)是要幫助客戶做出決策。創(chuàng)新包含突破性創(chuàng)新，并采用創(chuàng)造性的解決方式，利用以人為本的設(shè)計(jì)，通過(guò)觀察等方式，發(fā)現(xiàn)用戶更加多樣化、個(gè)性化的需求。同時(shí)利用更加發(fā)散的思維，提出較多的解決方案，并采用科學(xué)的方法解決，如利用統(tǒng)計(jì)方法。運(yùn)用統(tǒng)計(jì)思維解決問(wèn)題很早就已經(jīng)出現(xiàn)了，是以數(shù)據(jù)作為基礎(chǔ)來(lái)進(jìn)行的新的創(chuàng)新，利用高質(zhì)量的數(shù)據(jù)，以客戶為中心，最終達(dá)到更好地滿足客戶需求的目的。

在工業(yè)大數(shù)據(jù)的框架下，我們根據(jù)對(duì)大數(shù)據(jù)的運(yùn)用程度將工業(yè)大數(shù)據(jù)分析與應(yīng)用分成了許多層次：

Level 1. 不用數(shù)據(jù)，只依賴經(jīng)驗(yàn)，比如制衣業(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(jìn)行展示;

Level 4. 收集普查數(shù)據(jù)并進(jìn)行描述性統(tǒng)計(jì)分析;

Level 5. 收集抽樣數(shù)據(jù)并進(jìn)行描述性統(tǒng)計(jì)分析;

Level 6. 收集抽樣數(shù)據(jù)并進(jìn)行推斷性統(tǒng)計(jì)分析;

Level 7. 收集實(shí)時(shí)異構(gòu)傳感器數(shù)據(jù)并進(jìn)行描述性統(tǒng)計(jì)分析與可視化;

Level 8. 收集實(shí)時(shí)異構(gòu)傳感器數(shù)據(jù)并進(jìn)行推斷性統(tǒng)計(jì)分析，給出決策建議;

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

值得注意的是，以上九個(gè)層次并不是按照從差到好的順序進(jìn)行排序的。比如有一些日本百年老店，它們完全不用數(shù)據(jù)，而是靠自己的手藝打敗全世界。當(dāng)然它們不使用數(shù)據(jù)也有一些缺陷，比如很難在沒(méi)有數(shù)據(jù)支撐下去別的城市開分店。從Level 2到Level 3層次涉及了數(shù)據(jù)的可視化，這是一個(gè)很大的進(jìn)步。數(shù)據(jù)可視化技術(shù)將數(shù)據(jù)轉(zhuǎn)換成更易被人所接受的圖像，這是由于相對(duì)于數(shù)據(jù)，人的研究更易接受色彩和圖案。圖像可以幫助人們更加方便快捷地識(shí)別信息，為人們的日常生活和工作都能帶來(lái)極大的便利。目前數(shù)據(jù)的可視化正在形成一門學(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(jiǎn)單的圖。而在大數(shù)據(jù)時(shí)代數(shù)據(jù)維度非常高，如何將高維實(shí)時(shí)數(shù)據(jù)進(jìn)行可視化是很重要的一個(gè)課題。數(shù)據(jù)可視化利用計(jì)算機(jī)的數(shù)據(jù)和圖像處理技術(shù)，將數(shù)據(jù)特征轉(zhuǎn)化為圖形圖像，在很多領(lǐng)域都有著廣泛的應(yīng)用。

此外，在工業(yè)4.0時(shí)代（Level 7-Level 9），我們可以獲得海量實(shí)時(shí)異構(gòu)傳感器數(shù)據(jù)。這些數(shù)據(jù)往往是基于傳感器的高頻率采樣獲得，并且形式多樣，不僅僅只是連續(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(shí)時(shí)異構(gòu)傳感器數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析、模型建立并最終給出決策建議是工業(yè)4.0時(shí)代不可繞過(guò)的一個(gè)議題。我們對(duì)數(shù)據(jù)運(yùn)用的最終目的是達(dá)到Level 9，即使用工業(yè)人工智能的自主過(guò)程控制。也就是說(shuō)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(diǎn)，而如何在下次進(jìn)行同樣決策時(shí)無(wú)需人力介入，自動(dòng)給出決策建議是我們想要達(dá)成的目標(biāo)。

想要真正做好大數(shù)據(jù)的分析，需要有科學(xué)的統(tǒng)計(jì)模型，并要能夠根據(jù)設(shè)定的模型對(duì)未來(lái)可能發(fā)生的事情做出較為準(zhǔn)確的推測(cè)（宗福季，2020）。目前真正發(fā)揮大數(shù)據(jù)價(jià)值的時(shí)代已經(jīng)到來(lái)，工業(yè)物聯(lián)網(wǎng)和傳感器技術(shù)的進(jìn)步使得采集數(shù)據(jù)越來(lái)越快捷，成本也越來(lái)越低，未來(lái)企業(yè)主要的目標(biāo)是實(shí)現(xiàn)實(shí)時(shí)的傳感器數(shù)據(jù)采集，并根據(jù)采集的數(shù)據(jù)建立相應(yīng)的統(tǒng)計(jì)模型，用以預(yù)測(cè)未來(lái)并輔助制定決策和政策。

基于上述分析可以發(fā)現(xiàn)，工業(yè)4.0時(shí)代的質(zhì)量創(chuàng)新面臨著重大機(jī)遇。不過(guò)，大數(shù)據(jù)隱含著的機(jī)遇具有兩面性：一方面許多工具以前就已經(jīng)有了，由于在數(shù)據(jù)不復(fù)雜時(shí)并不需要使用機(jī)器學(xué)習(xí)以及統(tǒng)計(jì)建模這些工具，大家對(duì)它們并不是很重視。例如神經(jīng)網(wǎng)絡(luò)雖然提出得很早，但是當(dāng)時(shí)沒(méi)有適用的數(shù)據(jù)。因此，單有方法沒(méi)有數(shù)據(jù)是沒(méi)有意義的。另一方面，只有數(shù)據(jù)沒(méi)有方法也會(huì)存在問(wèn)題。很多企業(yè)可以收集到大量實(shí)時(shí)傳感器數(shù)據(jù)，但如果沒(méi)有方法一樣無(wú)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(shí)例中，目前我們所采集到的數(shù)據(jù)只能做到可視化，并沒(méi)有發(fā)揮數(shù)據(jù)的全部作用。如今我們處于數(shù)字化轉(zhuǎn)型的機(jī)遇下，數(shù)據(jù)能夠被輕易采集，用于分析預(yù)測(cè)數(shù)據(jù)的工具也很多。在DMAIC方法中的測(cè)量、分析、改善、控制階段，我們可以在如下方面將機(jī)器學(xué)習(xí)與統(tǒng)計(jì)建模相結(jié)合，對(duì)質(zhì)量數(shù)據(jù)進(jìn)行分析建模：

測(cè)量階段：利用分布式傳感器系統(tǒng)進(jìn)行實(shí)時(shí)數(shù)據(jù)收集，也包括對(duì)機(jī)器運(yùn)行和數(shù)據(jù)維護(hù)、環(huán)境數(shù)據(jù)等類型數(shù)據(jù)的收集以及異構(gòu)數(shù)據(jù)的融合與可視化。

分析階段：對(duì)數(shù)據(jù)進(jìn)行描述、診斷與預(yù)測(cè);使用機(jī)器學(xué)習(xí)建立過(guò)程變量與產(chǎn)品質(zhì)量之間的關(guān)系。

改善階段：根據(jù)分析結(jié)果提出過(guò)程實(shí)時(shí)優(yōu)化方案;過(guò)程變量的動(dòng)態(tài)調(diào)整;自適應(yīng)檢測(cè)。

控制階段：基于大數(shù)據(jù)流的實(shí)時(shí)過(guò)程監(jiān)測(cè)、跟蹤、警報(bào)。

大數(shù)據(jù)蘊(yùn)含著巨大的價(jià)值，如果能夠充分挖掘大數(shù)據(jù)中的價(jià)值，將能夠幫助人們更好地決策（Boubaker等，2021）。可以通過(guò)學(xué)習(xí)數(shù)據(jù)分析方法，利用傳感器的工業(yè)物聯(lián)網(wǎng)收集的數(shù)據(jù)來(lái)進(jìn)行分析，包括數(shù)據(jù)代表的變量之間的相關(guān)性等。如今，隨著大數(shù)據(jù)的快速發(fā)展和工業(yè)傳感器的發(fā)展，以前無(wú)法實(shí)現(xiàn)的對(duì)于數(shù)據(jù)的收集和分析現(xiàn)在得以實(shí)現(xiàn)。利用大數(shù)據(jù)分析方法，可以對(duì)當(dāng)前的質(zhì)量進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)質(zhì)量的控制（Mary等，2019）。

五、工業(yè)大數(shù)據(jù)應(yīng)用中的問(wèn)題

在工業(yè)4.0時(shí)代，工業(yè)大數(shù)據(jù)在質(zhì)量創(chuàng)新領(lǐng)域中的應(yīng)用挑戰(zhàn)與機(jī)遇并存。

這些挑戰(zhàn)雖然與實(shí)際應(yīng)用相關(guān)，但是它們不僅僅針對(duì)應(yīng)用學(xué)科。很多問(wèn)題雖然目的很明確且偏向于應(yīng)用，但是它們的答案包含很多理論部分。具體來(lái)看，大數(shù)據(jù)在質(zhì)量創(chuàng)新中面對(duì)的挑戰(zhàn)如下：

第一，數(shù)據(jù)完整性的挑戰(zhàn)。數(shù)據(jù)給人的感覺(jué)是又多又全，但實(shí)際上數(shù)據(jù)并不是完整的。每個(gè)產(chǎn)品都有很多的工序，在每個(gè)環(huán)節(jié)收集數(shù)據(jù)的目的也有所不同，比如為了進(jìn)行庫(kù)存管理而進(jìn)行數(shù)據(jù)收集等（Robert，2002）。這些數(shù)據(jù)由于收集的目的不同，往往呈現(xiàn)很零散的狀態(tài)，并且是不完整的。實(shí)際生產(chǎn)過(guò)程中并不是為了統(tǒng)計(jì)建模收集數(shù)據(jù)。因此，在大多數(shù)情況下，我們無(wú)法獲得所有的相關(guān)數(shù)據(jù)，而如何根據(jù)不完整的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)建模是一個(gè)挑戰(zhàn)。

第二，數(shù)據(jù)質(zhì)量的挑戰(zhàn)。有些數(shù)據(jù)收集會(huì)比較精確，但是很多時(shí)候數(shù)據(jù)的質(zhì)量無(wú)法控制。這是由于在產(chǎn)業(yè)中收集數(shù)據(jù)時(shí)，有時(shí)需要的數(shù)據(jù)比較粗略，這時(shí)會(huì)采用低成本的方法，如利用手填寫表格、目測(cè)等方式進(jìn)行數(shù)據(jù)收集。即便是最先進(jìn)的工廠，收集到的數(shù)據(jù)質(zhì)量也是有差別的。不同質(zhì)量的數(shù)據(jù)對(duì)統(tǒng)計(jì)建模造成的影響是未知的，這也會(huì)導(dǎo)致我們無(wú)法精確建模。數(shù)據(jù)的質(zhì)量直接影響著分析結(jié)果的有效性，如果用于企業(yè)決策的數(shù)據(jù)失真，將會(huì)導(dǎo)致企業(yè)決策與預(yù)期目標(biāo)之間出現(xiàn)偏差。數(shù)據(jù)質(zhì)量就像生活中的飲用水，不可或缺地影響著人們的生活。

第三，數(shù)據(jù)場(chǎng)景的挑戰(zhàn)。數(shù)據(jù)收集的場(chǎng)景包括數(shù)據(jù)是在何時(shí)采集、在哪一生產(chǎn)線采集、采集人是誰(shuí)、采集機(jī)器是哪種、采集狀態(tài)是什么等一系列問(wèn)題。比如禮拜一早上收集的數(shù)據(jù)與禮拜五下午收集的數(shù)據(jù)就可能有明顯的差別。這是由于周一上班的人比較懶散、周五下班前的人想匆忙將事情做完導(dǎo)致的。就算是對(duì)于同一個(gè)工廠同一個(gè)生產(chǎn)線的兩臺(tái)一樣的機(jī)器，如果買的時(shí)間不一樣，機(jī)器的關(guān)鍵參數(shù)也會(huì)有所不同。這些問(wèn)題都會(huì)影響到最終的數(shù)據(jù)判斷，進(jìn)而影響到?jīng)Q策判斷。在互聯(lián)網(wǎng)數(shù)據(jù)的分析框架下也許對(duì)于數(shù)據(jù)場(chǎng)景并不會(huì)分得這么細(xì)，但是在工業(yè)大數(shù)據(jù)的框架下我們都有具體的質(zhì)量問(wèn)題需要解決。因此，數(shù)據(jù)場(chǎng)景非常重要，而在大部分?jǐn)?shù)據(jù)庫(kù)中這些數(shù)據(jù)場(chǎng)景都是缺失的。

第三，領(lǐng)域知識(shí)的挑戰(zhàn)。在長(zhǎng)期發(fā)展下，各行各業(yè)的專業(yè)知識(shí)大量累積，如何將專業(yè)知識(shí)與數(shù)據(jù)建模相結(jié)合仍是一個(gè)亟待解決的問(wèn)題。數(shù)據(jù)技術(shù)驅(qū)動(dòng)著知識(shí)主體扮演著數(shù)據(jù)專家、算法專家以及系統(tǒng)工程師的角色，不僅要熟悉本行業(yè)本專業(yè)的知識(shí)，還需要掌握數(shù)據(jù)建模及分析能力（黃妮， 2020）。

第四，數(shù)據(jù)隱私的挑戰(zhàn)。數(shù)據(jù)隱私對(duì)于工業(yè)大數(shù)據(jù)特別重要。通常工業(yè)大數(shù)據(jù)并不是某一個(gè)單獨(dú)公司的數(shù)據(jù)，它包括了許許多多工序的數(shù)據(jù)，這些數(shù)據(jù)有些在供應(yīng)商，有些在客戶方。但是由于數(shù)據(jù)涉及公司機(jī)密，有些公司可能不會(huì)共享數(shù)據(jù)。企業(yè)數(shù)據(jù)具有資產(chǎn)性質(zhì)，能夠帶來(lái)經(jīng)濟(jì)價(jià)值，并且企業(yè)可以通過(guò)數(shù)據(jù)在市場(chǎng)中獲取利益。數(shù)據(jù)隱私不僅僅是道德問(wèn)題，而是牽涉公司是否愿意和你進(jìn)行數(shù)據(jù)共享。比如華為手機(jī)，它的制造涉及很多公司，這是一個(gè)產(chǎn)業(yè)鏈。如果這些數(shù)據(jù)不聯(lián)合到一起的話是很難將工業(yè)大數(shù)據(jù)做到極致的。因此，在收集和共享數(shù)據(jù)時(shí)可以選擇對(duì)數(shù)據(jù)進(jìn)行脫敏處理（徐敬宏、 段澤寧等， 2018）。

第五，樣本稀缺的挑戰(zhàn)。樣本稀缺似乎和目前海量的數(shù)據(jù)是矛盾的。事實(shí)上，看起來(lái)海量的數(shù)據(jù)，在實(shí)際應(yīng)用時(shí)面臨多重的困難。在真正進(jìn)行數(shù)據(jù)分析時(shí)，我們會(huì)發(fā)現(xiàn)數(shù)據(jù)量是不夠的。目前，大多數(shù)公司的生產(chǎn)線已經(jīng)成熟，產(chǎn)品不良率極低，數(shù)據(jù)分布非常不均勻。以6 Sigma級(jí)別為例，在每百萬(wàn)個(gè)產(chǎn)品中僅有3個(gè)次品。這導(dǎo)致收集的數(shù)據(jù)中，大多數(shù)數(shù)據(jù)都是合格產(chǎn)品數(shù)據(jù)，能夠用于改善次品信息的不良產(chǎn)品數(shù)據(jù)極少。而我們建模時(shí)針對(duì)的恰恰是這些不良產(chǎn)品。因此，看似海量的數(shù)據(jù)中實(shí)際有效數(shù)據(jù)其實(shí)是極其稀缺的。目前針對(duì)數(shù)據(jù)不均衡提出的一些解決方法中，有一些解決如數(shù)據(jù)樣本比例為1：9問(wèn)題的方法。但是，在實(shí)際應(yīng)用中對(duì)于這種數(shù)據(jù)極度稀缺且數(shù)據(jù)維度很高的問(wèn)題還沒(méi)有很好的解決方案。

上述關(guān)于工業(yè)大數(shù)據(jù)的挑戰(zhàn)對(duì)于產(chǎn)業(yè)、對(duì)于社會(huì)都具有很大影響，如何應(yīng)對(duì)這些挑戰(zhàn)也是值得思考和研究的重點(diǎn)。

六、工業(yè)大數(shù)據(jù)應(yīng)用的趨勢(shì)

質(zhì)量大數(shù)據(jù)的思想已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)了工業(yè)生產(chǎn)的范疇，在其他領(lǐng)域得到了廣泛的拓展應(yīng)用。下面介紹3個(gè)大數(shù)據(jù)應(yīng)用實(shí)例，它們?cè)诓煌潭壬线\(yùn)用了質(zhì)量大數(shù)據(jù)的思想，并且對(duì)實(shí)時(shí)數(shù)據(jù)的運(yùn)用有較高要求，同時(shí)存在著部分難以解決的問(wèn)題。

實(shí)例A：地鐵客流及擁擠度監(jiān)控

第一個(gè)例子是地鐵客流與擁擠度預(yù)測(cè)。隨著智能城市的發(fā)展，公共交通服務(wù)例如URT系統(tǒng)（城市軌道交通系統(tǒng)），在人們的日常通勤和出行中扮演著越來(lái)越重要的作用。眾所周知，突發(fā)事件可能導(dǎo)致異常人員流動(dòng)，最壞的情況甚至可能導(dǎo)致人員踩踏事件的發(fā)生。這些突發(fā)事件可能包括交通事故、交通管制、慶典活動(dòng)、抗議活動(dòng)甚至災(zāi)難的發(fā)生。例如，在2014年12月，上海曾經(jīng)發(fā)生一起嚴(yán)重的踩踏事件，事件造成多人死亡，49人受傷，其中13人重傷。我們不希望有這種事件再次發(fā)生，所以需要對(duì)人流量與擁擠度進(jìn)行預(yù)測(cè)與監(jiān)控。在這里我們強(qiáng)調(diào)一定要進(jìn)行預(yù)測(cè)，而不是等人流量到達(dá)警戒線之后再進(jìn)行警告，這時(shí)往往為時(shí)已晚。因此，我們需要做到在人流量擁擠到警戒線之前進(jìn)行預(yù)警。

擁擠度預(yù)測(cè)這一環(huán)節(jié)對(duì)于公共交通益發(fā)重要。隨著智慧城市的發(fā)展，公共交通服務(wù)例如URT系統(tǒng)（城市軌道交通系統(tǒng)），在人們的日常通勤和出行中扮演著越來(lái)越重要的作用。香港地鐵每天承運(yùn)超過(guò)五百萬(wàn)名乘客。我們根據(jù)乘客流量的數(shù)據(jù)（進(jìn)站時(shí)間、出站時(shí)間、逗留時(shí)間等），預(yù)測(cè)站點(diǎn)發(fā)生擁擠的時(shí)刻，使得我們可以提前采取調(diào)流等措施減緩擁擠。在這個(gè)問(wèn)題中部分站點(diǎn)涉及換乘問(wèn)題，我們?cè)诮r(shí)也應(yīng)一并考慮。我們?cè)谠擁?xiàng)目中獲得了人流進(jìn)出地鐵口的數(shù)據(jù)，即我們可以知道所有人在何時(shí)何地進(jìn)入地鐵站，在何時(shí)何地從地鐵站出來(lái)。在理論上我們可以知道人在地鐵站里如何通行，但是由于隱私關(guān)系暫時(shí)沒(méi)有獲得這方面數(shù)據(jù)。我們目前獲得的數(shù)據(jù)是一個(gè)網(wǎng)狀的結(jié)構(gòu)，這樣我們可以分析在什么時(shí)間點(diǎn)在哪個(gè)地鐵站可能造成擁擠。這個(gè)問(wèn)題并不像很多人覺(jué)得的那么簡(jiǎn)單。數(shù)據(jù)是一個(gè)網(wǎng)狀的結(jié)構(gòu)，并不是在某一時(shí)間點(diǎn)進(jìn)站的人多就會(huì)造成擁擠，其中包含了換乘乘客與出站乘客。因此，單看進(jìn)站人數(shù)是不準(zhǔn)確的，這也是一個(gè)有趣的建模問(wèn)題。在這個(gè)問(wèn)題上還有很多內(nèi)容可以研究，比如如果提供了監(jiān)視器的數(shù)據(jù)，我們可以結(jié)合不同的數(shù)據(jù)源對(duì)人流量進(jìn)行預(yù)估建模。目前我們所做的只是一個(gè)開端。

實(shí)例B：大數(shù)據(jù)驅(qū)動(dòng)的客戶滿意度指數(shù)——在線數(shù)據(jù)與問(wèn)卷數(shù)據(jù)融合

第二個(gè)例子是在工業(yè)大數(shù)據(jù)框架下客戶滿意度調(diào)查問(wèn)題。這個(gè)問(wèn)題起源于早年密歇根大學(xué)研發(fā)出的顧客滿意度指數(shù)模型。這一框架沿用至今已二十余年，并廣泛應(yīng)用于企業(yè)、國(guó)家層級(jí)的顧客滿意度指數(shù)調(diào)查。早期，該指數(shù)模型數(shù)據(jù)來(lái)源于調(diào)查問(wèn)卷，而現(xiàn)如今顧客滿意度不僅僅可以通過(guò)問(wèn)卷獲得，還可以通過(guò)諸如社交網(wǎng)絡(luò)、網(wǎng)頁(yè)平臺(tái)等途徑獲得。同時(shí)，對(duì)于公司的產(chǎn)品不僅僅局限于給出分?jǐn)?shù)，還可以對(duì)其進(jìn)行評(píng)論。這些數(shù)據(jù)是海量實(shí)時(shí)的，并且問(wèn)題的數(shù)據(jù)輸入不僅僅是問(wèn)卷調(diào)查形式，也可以是在線評(píng)論。

目前存在的問(wèn)題是我們?nèi)绾稳诤蠁?wèn)卷數(shù)據(jù)與在線數(shù)據(jù)。有些人認(rèn)為可以不要問(wèn)卷的數(shù)據(jù)，只用在線數(shù)據(jù)。但實(shí)際上這在目前是行不通的。問(wèn)卷獲得的數(shù)據(jù)與在線獲得的數(shù)據(jù)數(shù)據(jù)源是不一樣的，獲得的信息也是不同的，用在線數(shù)據(jù)完全取代問(wèn)卷數(shù)據(jù)仍是不可行的。比如對(duì)于問(wèn)卷調(diào)查而言，其每個(gè)維度的數(shù)據(jù)都會(huì)收集到，而在線數(shù)據(jù)有些維度的數(shù)據(jù)是缺失的，如何進(jìn)行大數(shù)據(jù)和小數(shù)據(jù)不同形態(tài)數(shù)據(jù)的融合仍充滿挑戰(zhàn)。

實(shí)例C：山體滑坡安全監(jiān)測(cè)

第三個(gè)例子是山體滑坡安全監(jiān)測(cè)。該項(xiàng)目背景是統(tǒng)計(jì)過(guò)程監(jiān)控觀念的延伸。統(tǒng)計(jì)過(guò)程控制以前只用于生產(chǎn)線的監(jiān)控，由于大數(shù)據(jù)的發(fā)展，現(xiàn)在可以用于更廣泛的產(chǎn)業(yè)。由于香港斜坡管理做得比較好，比如香港專設(shè)斜坡管理署管理香港斜坡的安全，導(dǎo)致香港許多房子建在半山上。然而如果斜坡管理不好就會(huì)造成土石流，即大量的巖石、泥土和碎石流下山坡，導(dǎo)致重大事故。

傳統(tǒng)監(jiān)測(cè)斜坡安全的方法是進(jìn)行定期（一季、一年）挖深洞，以采集土壤數(shù)據(jù)，研究土壤松弛程度。其缺點(diǎn)是由于香港斜坡很多，該方法成本很昂貴，而且獲得的數(shù)據(jù)不是實(shí)時(shí)數(shù)據(jù)。我們提供的新方法是采用基于加速度計(jì)的傳感器系統(tǒng)來(lái)監(jiān)測(cè)和預(yù)測(cè)滑坡。具體方法是在現(xiàn)場(chǎng)設(shè)置多個(gè)傳感器，收集傳感器的數(shù)據(jù)，監(jiān)測(cè)有無(wú)地面擾動(dòng)的異常，用于預(yù)測(cè)滑坡的發(fā)生，以提前采取措施減少事故發(fā)生和人員傷亡。目前，我們?cè)谂_(tái)灣收集過(guò)一些數(shù)據(jù)，在地震發(fā)生時(shí)斜坡監(jiān)控?cái)?shù)據(jù)有明顯不同。如何根據(jù)數(shù)據(jù)監(jiān)控山體滑坡其實(shí)是一個(gè)很難的問(wèn)題，它并不是純粹的數(shù)據(jù)監(jiān)控，涉及土木專業(yè)關(guān)于土壤建立的一些模型和一些既有的指標(biāo)。這個(gè)案例由于是跟土木專業(yè)高度結(jié)合的，所以需要將數(shù)據(jù)與相關(guān)人員協(xié)作探索與土壤的性質(zhì)、山體的性質(zhì)等結(jié)合使用。進(jìn)行滑坡和斜坡監(jiān)測(cè)與預(yù)測(cè)雖然有困難，但是是非常有影響力的重要項(xiàng)目。

七、結(jié)論與展望

在工業(yè)4.0時(shí)代，質(zhì)量創(chuàng)新和工業(yè)大數(shù)據(jù)將會(huì)是未來(lái)持續(xù)的研究方向，也必然會(huì)對(duì)現(xiàn)代產(chǎn)業(yè)產(chǎn)生深遠(yuǎn)的影響，針對(duì)上述介紹工業(yè)大數(shù)據(jù)和質(zhì)量創(chuàng)新的內(nèi)容可作以下三點(diǎn)總結(jié)：

第一，正如之前諸多例子所示，大數(shù)據(jù)在工業(yè)領(lǐng)域被大量使用，并且獲取這些數(shù)據(jù)幾乎是“免費(fèi)”的。但我們對(duì)這些數(shù)據(jù)僅僅做了部分探索，如何運(yùn)用這些數(shù)據(jù)是未來(lái)所面臨的挑戰(zhàn)之一。

第二，在數(shù)字化轉(zhuǎn)型范式下，質(zhì)量和質(zhì)量專業(yè)人員都面臨著巨大的機(jī)遇。我們可以進(jìn)一步發(fā)掘從大數(shù)據(jù)中創(chuàng)造價(jià)值的方法，例如數(shù)據(jù)質(zhì)量和安全保證，大數(shù)據(jù)驅(qū)動(dòng)過(guò)程和產(chǎn)品質(zhì)量監(jiān)控、改進(jìn)和優(yōu)化，故障診斷和風(fēng)險(xiǎn)管理，多種非結(jié)構(gòu)化數(shù)據(jù)源的融合，客戶滿意度管理，預(yù)期和預(yù)測(cè)質(zhì)量等。

第三，盡管工具在不斷發(fā)展，數(shù)據(jù)探索智能化不斷提升，但人的參與對(duì)充分挖掘大數(shù)據(jù)的潛力還是至關(guān)重要的。在數(shù)據(jù)科學(xué)和數(shù)據(jù)分析領(lǐng)域，尤其是在統(tǒng)計(jì)建模和機(jī)器學(xué)習(xí)過(guò)程中，人扮演著重要角色。例如，數(shù)據(jù)可視化、建立決策推斷系統(tǒng)、將質(zhì)量專家和高層管理人員的專業(yè)知識(shí)與實(shí)際數(shù)據(jù)相結(jié)合等，都對(duì)數(shù)據(jù)的充分挖掘起到了重要作用。

以上三點(diǎn)都非常重要，尤其是第三點(diǎn)?，F(xiàn)在大家都在不斷地講智能化，而在智能化過(guò)程中人的角色在哪里？在目前階段雖然軟件硬件不斷進(jìn)步，但是人還是在兩個(gè)方面發(fā)揮著重要的功能：第一個(gè)方面是建立模型，尤其是在統(tǒng)計(jì)建模、機(jī)器學(xué)習(xí)方面。如何建立模型、如何進(jìn)行數(shù)據(jù)分析，至少在未來(lái)二十年之內(nèi)仍然有很廣闊的前景，需要有數(shù)據(jù)科學(xué)專家、統(tǒng)計(jì)專家將信息轉(zhuǎn)化為數(shù)據(jù)。第二個(gè)方面在于如何將人的專業(yè)知識(shí)與模型結(jié)合起來(lái)？各行各業(yè)我們都有過(guò)去累積的專業(yè)知識(shí)。我們使用不同方法解決各種問(wèn)題，這些知識(shí)的底蘊(yùn)如何和現(xiàn)在的數(shù)據(jù)進(jìn)行科學(xué)結(jié)合，也是一個(gè)需要探討的問(wèn)題。

在工業(yè)4.0時(shí)代，我們面臨的不僅僅是機(jī)遇，也有挑戰(zhàn)。質(zhì)量創(chuàng)新是未來(lái)新常態(tài)下的新動(dòng)力，能夠創(chuàng)造和釋放新的需求，是企業(yè)實(shí)現(xiàn)從“速度盈利型”向“質(zhì)量盈利型”轉(zhuǎn)變的關(guān)鍵，數(shù)字化轉(zhuǎn)型是實(shí)現(xiàn)質(zhì)量創(chuàng)新的重要手段，工業(yè)大數(shù)據(jù)是該輪轉(zhuǎn)型過(guò)程中的重要因素，也是促進(jìn)數(shù)字化轉(zhuǎn)型的重要保障，應(yīng)充分利用工業(yè)物聯(lián)網(wǎng)和傳感器收集的數(shù)據(jù)，并利用相應(yīng)的數(shù)據(jù)分析方法，充分挖掘大數(shù)據(jù)中的價(jià)值。工業(yè)大數(shù)據(jù)的創(chuàng)新發(fā)展，必將成為未來(lái)提升制造業(yè)生產(chǎn)力和競(jìng)爭(zhēng)力的關(guān)鍵要素。應(yīng)用和利用大數(shù)據(jù)是數(shù)字化轉(zhuǎn)型下質(zhì)量創(chuàng)新的關(guān)鍵，憑借質(zhì)量大數(shù)據(jù)來(lái)實(shí)現(xiàn)科學(xué)管理將是未來(lái)的趨勢(shì)。我們應(yīng)大力發(fā)展數(shù)字經(jīng)濟(jì)，通過(guò)充分利用大數(shù)據(jù)，發(fā)掘大數(shù)據(jù)背后的價(jià)值，促進(jìn)產(chǎn)業(yè)的數(shù)字化，為經(jīng)濟(jì)轉(zhuǎn)型升級(jí)提供新動(dòng)力，助力經(jīng)濟(jì)高質(zhì)量發(fā)展。

參考文獻(xiàn)：

[1] 程虹，2014：《我國(guó)經(jīng)濟(jì)增長(zhǎng)從速度時(shí)代轉(zhuǎn)向質(zhì)量時(shí)代》，《宏觀質(zhì)量研究》第4期。[Cheng Hong， 2014， China s Economic Growth：Transition from Velocity Era to Quality Era， Journal of Macro-Quality Research， 4.]

[2] 程虹、許偉，2015：《質(zhì)量創(chuàng)新：十三五發(fā)展質(zhì)量提高的重要基礎(chǔ)》， 《宏觀質(zhì)量研究》第4期。[Cheng Hong and Xu Wei， 2015， Quality Innovation：The Important Foundation of Improving Development Quality in ‘Thirteenth Five-year Plan， Journal of Macro-Quality Research， 4.]

[3] 高嬰勱、王宇霞，2020：《深化工業(yè)數(shù)據(jù)應(yīng)用賦能數(shù)字化轉(zhuǎn)型》，《軟件和集成電路》第6期。[Gao Yingmai and Wang Yuxia， 2020， Deepen the Digital Transformation of Industrial Data Applications， Software and Integrated Circuit， 6.]

[4] 工業(yè)和信息化部關(guān)于工業(yè)大數(shù)據(jù)發(fā)展的指導(dǎo)意見(jiàn)[EB/OL]. http：//www.cac.gov.cn/2020-05/16/c_1591178516420666.htm/， 2020-05-16.[Guidance on the Development of Industrial Big Data from the Ministry of Industry and Information Technology[EB/OL].http：//www.cac.gov.cn/2020-05/16/c_1591178516420666.htm/]

[5] 李君、邱君降、成雨，2019：《工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型過(guò)程中的業(yè)務(wù)綜合集成現(xiàn)狀及發(fā)展對(duì)策》，《中國(guó)科技論壇》第7期。[Li Jun， Qiu Junjiang and Cheng Yu， 2019， Status Quo and Development Countermeasures of Industrial Enterprises' Business Comprehensive Integration During Digital Transformation， Forum on Science and Technology in China， 7.]

[6] 黎勇、錢杰、金偉，2020：《基于工業(yè)互聯(lián)網(wǎng)和大數(shù)據(jù)分析的智能控制平臺(tái)建設(shè)研究》，《中國(guó)管理信息化》第24期。[Li Yong， Qian Jie and Jin Wei， 2020， Research on Intelligent Control Platform Construction Based on Industrial Internet and Big Data Analysis， China Management Informationization， 24.]

[7] 李國(guó)杰、程學(xué)旗，2012：《大數(shù)據(jù)研究：未來(lái)科技及經(jīng)濟(jì)社會(huì)發(fā)展的重大戰(zhàn)略領(lǐng)域——大數(shù)據(jù)的研究現(xiàn)狀與科學(xué)思考》，《中國(guó)科學(xué)院院刊》 第6期。[Li Guojie and Cheng Xueqi， 2012， Research Status and Scientific Thinking of Big Data， Bulletin of the Chinese Academy of Sciences， 6.]

[8] 施錦誠(chéng)、孔寒冰、吳婧姍、王雨潔，2021：《數(shù)據(jù)賦能工程教育轉(zhuǎn)型：歐洲數(shù)字化戰(zhàn)略報(bào)告分析》，《高等工程教育研究》第1期。[Shi Jincheng， Kong Hanbing， Wu Jingshan and Wang Yujie， 2021， Data Enabled Engineering Education Transformation：Analysis of European Digital Strategy Report， Research in Higher Education of Engineering， 1.]

[9] 沈運(yùn)紅、黃桁，2020：《數(shù)字經(jīng)濟(jì)水平對(duì)制造業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級(jí)的影響研究——基于浙江省 2008—2017年面板數(shù)據(jù)》，《科技管理研究》第3期。 [Shen Yunhong and Huang Heng， 2020， Research on Influence of Digital Economy Level on Industrial Structure Optimization and Upgrading of Manufacturing Industry：Based on Panel Data of Zhejiang Province from 2008 to 2017， Science and Technology Management Research， 3.]

[10]王媛媛、張華榮，2020：《G20國(guó)家智能制造發(fā)展水平比較分析》 ，《數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究》第9期。[Wang Yuanyuan and Zhang Huarong， 2020， Comparative Analysis on the G20 Countries Intelligent Manufacturing Development Level， The Journal of Quantitative & Technical Economics， 9.]

[11]王建民、王晨、余曉暉，2017：《中國(guó)工業(yè)大數(shù)據(jù)技術(shù)與應(yīng)用白皮書》，工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟。[Wang Jianmin， Wang Chen and Yu Xiaohui， 2017， China's Industrial Big Data Technology and Application White Paper， Industrial Internet Industry Alliance.]

[12]王韻滋、王爽，2020：《基于大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)在工業(yè)信息化中的應(yīng)用分析》，《科學(xué)與信息化》第25期。[Wang Yunzi and Wang Shuang， 2020， Application Analysis of Data Mining Technology Based on Big Data in Industrial Informatization， Kexue yu Xinxihua， 25.]

[13]王中璽，2020：《新時(shí)期工業(yè)互聯(lián)網(wǎng)的大數(shù)據(jù)中心建設(shè)研究》，《科技創(chuàng)新與應(yīng)用》第15期。[Wang Zhongxi， 2020， Research on Big Data Center Construction of Industrial Internet in the New Era， Technology Innovation and Application， 15.]

[14]吳曉怡、張雅靜，2020：《中國(guó)數(shù)字經(jīng)濟(jì)發(fā)展現(xiàn)狀及國(guó)際競(jìng)爭(zhēng)力》，《科研管理》第5期。[Wu Xiaoyi and Zhang Yajing， 2020， An Analysis of the Status Quo and International Competitiveness of China's Digital Economy， Science Research Management， 5.]

[15]Aghion， P. and P. Howitt， 1992， A Model of Growth Through Creative Destruction， Econometrica ， （60）， 323-351.

[16]Assunta， B. M.and F. C. Andrea， 2021， Big Data and Big Values： When Companies Need to Rethink Themselves， Journal of Business Research， （219）， 714-722.

[17]Barro， R. J. ， 2002， Quantity and Quality of Economic Growth， Working Papers Central Bank of Chile， 5（2）， 17-36.

[18]Crosby P.， 1979， Quality Is Free： The Art of Making Quality Certain， New York： Mentor Executive Library.

[19]Colosimo， B.， Huang， Q.， Dasgupta， T.， and Tsung， F.， Opportunities and challenges of quality engineering for additive manufacturing， Journal of Quality Technology （special issue on quality engineering in advanced manufacturing）， 50：3， 233-252， 2018.

[20]Michael， E. P.，and J. E. Heppelmann， 2016， How Smart， Connected Products Are Transforming Companies. Harvard Business Review， （1/2）， 24-24.

[21]Sabri， B.， L. Zhenya and Z. Ling， 2021， Big Data， News Diversity and Financial Market Crash， Technological Forecasting and Social Change， （168）， 1-15.

[22]Shacklett， M.， 2019， How Risk Management Can Help Secure Industrial IoT and Big Data [EB/OL]， https：//www.techrepublic.com/article/how-risk-management-can-help secure-industrial-iot-and-big-data/， 2019-07-23.

[23]Wang， K. and Tsung， F. Sparse and Structured Function-on-Function Quality Predictive Modeling by Hierarchical Variable Selection and Multitask Learning， IEEE Transactions on Industrial Informatics， early access， 2020. DOI： 10.1109/TII.2020.3041830.

[24]Wang， A.， Xian， X.， Tsung， F.， and Liu， K.，? A spatial-adaptive sampling procedure for online monitoring of big data streams， Journal of Quality Technology （special issue on statistical process control for big data streams）， 50：4， 329-343， 2018.

[25]Yang， H.， Kumara， S.， Bukkapatnam， S.， and Tsung， F. The Internet of Things for Smart Manufacturing： A Review ，IISE Transactions，51， 1190-1216， 2019.

The Application of Industrial Big Data in Quality Innovation in the Context of Digital Transformation

Fugee Tsung

（Hong Kong University of Science and Technology）

Abstract：The strategy of industry 4.0 has ushered in digital transformation as the common trend in economic development. And as a major carrier in digital transformation， industrial big data is increasingly exhibiting its importance in quality innovation. Whether it is in the development of an industry or of a single person， both the opportunities and challenges brought about by the application of big data in the context of digital transformation should be something that no one can avoid confronting with. One of the opportunities made available by big data concerning quality innovation shows concretely the entire work flow of data collection and analysis to build models for quality control and upgrading. Meanwhile， the application of big data in quality innovation is also faced with various challenges， such as data integrity， data quality， data scene， domain knowledge， data privacy and sample scarcity. In addition， the concept of big data in quality and its application extend to all sectors of our social and economic life.

Key Words：Strategy of Industry 4.0; Big Data; Quality Innovation; Opportunity; Challenge

責(zé)任編輯 鄧 悅