质量演变路径的研究

2021-07-07王贵虎

电子产品可靠性与环境试验 2021年2期

王贵虎

（工业和信息化部电子第五研究所，广东广州 511370）

0 引言

质量是企业赖以生存和发展的保证，是开拓市场的生命线；用户对产品质量的要求越来越高，提高质量能加强企业在市场中的竞争力；产品质量是形成顾客满意的必要因素，因此较好的质量会给企业带来较高的利润回报；质量管理是公司品牌的保护伞，严抓质量管理可以提高品牌美誉度；加强质量管理也是维护人们的生活和身心健康的必要措施。质量水平的高低可以说是一个国家经济、科技、教育和管理水平的综合反映。当今市场环境的特点之一是用户对产品质量的要求越来越高。在这种情况下，就更要求企业将提高产品质量作为重要的经营战略和生产运作战略之一。随着云计算、大数据和人工智能技术的发展，质量的概念及发展路径也发生着变化。

1 质量随工业发展的变化

过去工业的核心要素可以用5个M来表述，即材料（material）、装备（machine）、工艺（methods）、测量（measurement）和维护（maintenance），过去的3次工业革命都是围绕着这5个要素的技术升级，工业质量也是围绕这5个要素定义的。然而，无论是设备的精度和自动化水平提升，或是使用统计科学进行质量管理，或是状态监测带来的设备可用率改善，又或是精益制造体系带来的工艺和生产效率的进步等，这些活动都依然是围绕着人的经验开展的，人依然是驾驭这5个要素的核心。生产系统在技术上无论如何进步，运行逻辑始终是：发生问题→人根据经验分析问题→人根据经验调整5个要素→解决问题→人积累经验。然而现阶段智能制造区别于传统制造系统最重要的要素在于第六个M，即建模（modeling），并且正是通过这第六个M来驱动其他5个要素，从而解决和避免制造系统的问题。因此新时代生产系统运行的逻辑是：发生问题→模型（或在人的帮助下）分析问题→模型调整5个要素→解决问题→模型积累经验。

2 质量发展路径

制造系统中的质量问题可分为“可见的问题”和“不可见的问题”，我们对待问题的方式是既可以在问题发生后去解决，也可以在问题发生前去避免。因此工业质量问题实际上就是建立在对“可见”及不可见问题全面了解的基础上的避免，实现无忧的制造环境。其模型如图1所示。

图1 工业质量发展模型图

工业质量问题解决路径是：方向一（从A到B），方向二（从B到C），方向三（从C到D）的过程。A到B是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。这个过程中美国、日本和德国都用各自的方式完成了累积，其中美国积累的主要载体是数据，日本的载体是人，德国的载体是设备，形成了各自的特色和优势。从B到C则需要依靠数据去分析问题产生的隐性线索、关联性和根本原因等，利用预测分析将不可见问题显性化，从而实现能够解决不可见问题的目的。完成这个过程后能对不可见问题的发展过程进行有效的预测，使得所有的不可见问题在变成可见问题和产生影响之前都提前解决。从C到D是通过对知识的深度挖掘，建立知识和问题之间的相关性，从旧知识中产生新知识，并能利用新知识对实体进行精确的建模，产生能够指导制造系统实体活动的镜像模型，从设计和制造流程的设计端避免可见及不可见问题的发生。这3个路径都是通过数据驱动的路径实现。

2.1 方向一是将问题的产生过程利用数据进行分析、建模和管理，从而解决可见问题到避免可见的问题

20世纪80年代，美国制造受到了德国和日本的巨大冲击，尤其是在汽车制造行业，德国和日本的汽车以更优的质量和更好的舒适度迅速地占领了美国市场。令美国不明白的是，美国在生产技术、装备、设计和工艺方面并不比德国和日本差，在汽车制造领域积累的时间甚至超过德国和日本，但是为什么美国汽车的质量和精度就赶不上德国和日本？在那个时代，质量管理已在汽车制造领域十分普及了。光学测量被应用在产品线上后，在零部件生产和车身装配的各个工序中已积累了大量的测量数据。但问题是即便测量十分精准，在各个工序和零部件生产和车身装配中都进行了严格的质量控制，但是在组装完毕后依然有较大的误差，于是美国的汽车厂商不得不花大量的时间反复修改和匹配工艺参数，最终的质量却依然不稳定，时常出现每一个工序都在质量控制范围内，但最终的产品质量依然不能达标的情况。

于是在20世纪90年代，利用统计科学对这些庞大的测量数据进行分析，对质量误差的累计过程进行分析和建模，从而解释误差来源并进行控制，使车身装配波动降低到所有关键尺寸质量的6σ值小于一定的数值。在引入数据分析对质量进行管理和控制的方法后，产品的设计周期和成本得以大幅的降低，并且产品质量、精密度和稳定性得以明显的提升。这个方法并不需要大量的硬件投入和生产线的改变，实施成本非常低廉，并且产生的效果十分显著，因而被广泛地推广到飞机制造、发动机制造和能源装备等各类型制造领域进行质量控制。

2.2 方向二是从数据中挖掘隐性问题线索，通过对隐性问题的预测分析，在其发展成为显性问题之前解决

制造系统中存在不可见因素的影响，比如设备性能的衰退、精度的缺失、易耗件的磨损和资源链的浪费等。而可见的影响因素往往是不可见的因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样，可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔，这也正是质量人要做的大量工作和方向所在。因此，对这些不可见因素进行预测和管理是避免可见因素的关键。对制造系统隐患的预测性分析需要在预测设备性能趋势的基础上预判断出设备可能存在的隐患类型，也即随着设备性能未来的进一步衰退所造成的对质量的影响、对成本的增加、最终导致的故障模式和对整个生产线整体效率和协同影响。一般来讲，设备或者工艺中存在的故障类型是多种多样的，每一个故障类型都能对应特定的衰退模式和应对策略。有些故障可能会影响设备正常运行和生产安全，需要停机维护；而有些故障可能对设备运行不构成影响，则可等待下次定期检修时一起解决，这就为我们决策提供了优化的空间。如果制造系统的运行人员能够确知未来将要发生的隐患，则可对情况产生预判从而更为快速地进行修复。

2.3 方向三是利用知识对整个生产流程进行破析和精细建模，从产品设计和制造系统设计端避免问题

与前两个方向不同的是，第三个方向既不是从问题，也不是从数据端来分析问题，而是从结果或知识端去反推问题。其核心是找到隐性问题的显性根源，简单说就是从结果里找原因，再从原因中开发及制定关键技术和优化6σ的控制流程。如果说前两个方向是将隐性的问题显性化，再把显性的问题抽象化，从而固化成知识被保存和传承下去的过程，那么这里要说明的是如何将这些知识再具体化，从而形成能够被执行和用来解决问题的过程，简称为反向工程。反向工程可以告诉我们某一个部件的外形是什么样，却不能告诉我们它为什么是这个样子的，但反向工程与数据分析结合，或许能告诉我们为什么，也可以利用这个辅助研发和改进的过程。