机器学习在质量管理中的应用探析

摘要：在工业4.0范式下，质量4.0作为工业4.0的重要子集，致力于将智能化和数字化技术应用于质量管理，以提高质量管理的效率和水平。机器学习作为其中的重要技术，对质量管理产生了深远的影响。本文阐述了机器学习在质量管理中的具体应用，包括质量控制、质量保证和质量改进的各个方面，并对未来的发展方向进行了展望。

关键词：机器学习；质量管理；质量控制；质量保证；质量改进

中图分类号：TP399 文献标识码：A

文章编号：1009-3044（2024）24-0033-03

开放科学（资源服务）标识码（OSID）

0 引言

当前，我国正处于高质量发展阶段，质量管理是企业运营管理的重中之重。机器学习（Machine Learning， ML）技术作为人工智能的一个分支，正逐渐成为质量管理领域的研究热点。企业的生产过程中会产生大量的生产数据，包括数字、图像、语音等。机器学习技术具有强大的数据处理能力，其在数据分析与建模、预测、分类、图像处理和语音处理等方面的应用，可以帮助企业发现生产过程中潜在或已存在的质量问题，提升质量管理水平，提高产品质量，为企业赢得竞争优势。

1 质量管理

质量管理是企业运营管理的重要领域，是一种系统性的方法，旨在确保产品或服务符合预定的质量标准和客户要求。质量管理主要包括策划、保证、控制和改进四个部分。

质量策划：在质量管理的初始阶段，通过制定明确的质量目标和策略来引导后续的工作。

质量保证：质量保证是指通过建立一系列的质量管理制度和规范，确保产品或服务符合预定的质量标准和客户要求。

质量控制：质量控制是指在产品或服务生产过程中，通过监控和检测关键参数和指标，确保产品或服务的质量始终处于可接受的范围内。

质量改进：质量改进是质量管理的核心部分，旨在通过数据分析和问题解决方法，不断提升产品或服务的质量水平。

质量管理对于企业的长期成功和可持续发展至关重要。质量管理可以帮助企业发现和解决生产过程中存在的问题和缺陷，减少废品、返工和修复的成本。通过有效的质量管理，企业可以提供高质量的产品和服务以满足客户需求，从而增强企业的竞争力，提高企业声誉和品牌价值。

2 机器学习

机器学习专注于使用统计方法和算法来模拟人类的学习方式，从而获取新的知识与技能。机器学习利用大量数据作为输入，并通过模型和算法进行训练，使机器能够自动推断和学习数据中的模式和规律。通过不断迭代和调整模型，机器学习可以逐渐改进性能，提高预测准确性或执行特定任务的能力。目前，机器学习已广泛用于数据分析与建模、预测、分类、图像处理和语音处理等方面。

机器学习技术基于学习方式主要分为监督学习、无监督学习、半监督学习和强化学习等4类。

监督学习是机器学习中最常见的一种形式，它通过使用标记好的数据对模型进行训练，通常用于解决预测和分类问题。

无监督学习是在没有标记数据的情况下进行学习，通过发现数据中的潜在结构和模式来进行学习，如聚类分析和降维技术。

半监督学习则介于监督学习和无监督学习之间，它利用标记数据和未标记数据进行学习，在有限标记数据的情况下可以取得更好的性能。

强化学习将智能体（agent）置于一个有明确奖励和惩罚的环境中，通过试错来学习如何最大化奖励，常用于解决决策和控制问题。

3 机器学习技术在质量管理中的应用

机器学习在质量管理中的应用越来越受到关注。在质量管理的四个部分中，机器学习技术主要应用于质量保证、质量控制和质量改进，如图1所示。

3.1 质量保证

故障预测与健康管理是实现质量保证的重要手段，是一种预测性健康管理技术，旨在通过监测、诊断和预测设备或系统的健康状况，实现对设备故障和性能衰退的提前预警和管理，以保障企业生产的正常运行，保证产品质量。故障预测与健康管理主要包括预测性维护、故障诊断和寿命预测。

机器学习技术可以分析设备的运行数据，识别设备性能的变化和趋势，从而提前预测设备可能出现的故障，并采取相应的维护措施，做到预测性维护。崔鹏浩等[1]提出了一种基于深度强化学习的流水线预测性维护决策方法，相较于基于状态的维护决策方法、定期维护方法和事后维修方法均有优势；Serkan和Koray [2]开发了一个数据驱动的制造业生产线预测维护系统。该系统利用物联网传感器实时生成的数据，旨在通过机器学习方法在潜在故障发生之前检测信号，从而及早通知操作员，以便在停产前采取预防措施，解决问题。

机器学习技术可以对设备的故障进行诊断和分析，帮助工程师快速准确定位故障原因，提高维修效率和设备可靠性。Li等[3]基于卷积神经网络（CNN）模型的优势，提出了一种基于小波包变换（WPT）和CNN的两步故障诊断方法，用于轴承故障诊断。首先，通过WPT从原始信号中获取小波包系数，并转换为灰度图像；然后构建CNN模型，提取灰度图像中的代表性特征，实现故障分类。陈其[4]提出了一种结合注意力机制和CNN的滚动轴承复合故障诊断方法。注意力机制可以自动学习信号中不同特征的重要性，并根据其重要性对特征进行加权，从而实现特征的降维并强化重要特征的效果，提高故障诊断的准确率。

机器学习技术可以建立设备寿命预测模型，评估设备的剩余使用寿命，对设备的安全运行和维护决策起着至关重要的作用[5]。郭玉荣等[6]基于CNN与注意力双向长短期记忆网络（BiLSTM）的轴承剩余使用寿命预测方法，该方法利用CNN提取振动信号的空间特征，BiLSTM提取时间特征，注意力机制增强模型对重要特征的关注，并通过全连接层预测健康指标。然后，通过加权平均法修正健康指标预测值，使用多项式拟合曲线预测剩余寿命。Cao等[7]提出了一种具有残差自注意力机制的时间卷积网络（TCN-RSA）的方法。该方法同时学习信号的时频和时空信息。首先，使用因果膨胀卷积结构的TCN捕捉长期依赖关系并提取高级特征。然后，引入残差自注意力机制以确定轴承退化过程中不同时刻特征的贡献度。最终，基于TCN-RSA网络建立剩余使用寿命预测模型。

未来，随着物联网、大数据和人工智能等技术的不断发展，机器学习在故障预测与健康管理领域的应用前景更加广阔。更多基于深度学习、强化学习和注意力机制等先进技术的应用，将进一步提升设备健康管理的水平，保障生产过程正常高效运行，保证产品质量。

3.2 质量控制

控制图是质量控制的一种重要工具，用于监控和分析过程中的变化，并判断是否存在特殊因素或异常情况。它可以帮助企业及时发现生产流程中的质量问题，并对异常状况进行分析和控制。由于物联网、人工智能和无线传感等技术的发展，现代生产过程具有庞大的数据集，在这种情况下，传统的控制图无法有效处理这些过程数据。基于此，部分学者将机器学习用以构造合适的控制图，提升监控性能。例如，Chen等[8]提出了一种新的基于循环神经网络（Recurrent Neural Network，RNN）的残差图和深度学习技术来识别自相关过程中的平均偏移。该方法利用深度递归网络结构，能够识别具有不同自相关系数的各种相关过程的平均位移。周昊飞[9]提出基于门控循环单元（Gated Recurrent Unit，GRU）神经网络的自相关过程残差控制图。这些方法均具有较好的监控性能。

在生产过程中，不同的异常原因会导致不同的控制图模式。控制图模式识别可用于发现生产过程中的规律性变化、趋势、周期性波动等特征，从而帮助企业及时发现问题、改进生产过程并优化产品质量。如何准确、自动化地进行控制图模式识别对制造企业具有重要意义。为了提高控制图模式识别的准确性，专家们设计了各种复杂的功能，这无疑增加了质量控制的工作量和难度。学者们发现将机器学习用于控制图模式识别能明显提高准确率。Zan等[10]提出一种基于一维卷积神经网络的控制图模式识别方法，使用一维卷积神经网络通过特征学习从控制图模式的原始数据中获取最优特征集，完成控制图模式识别。李丽丽等[11]提出一种基于概率神经网络的控制图模式识别方法，结合了神经网络和遗传算法，加入了混合模式识别的内容，可以有效准确地识别控制图模式。

产品质量检测是质量控制体系中的一个重要环节，旨在发现和纠正产品制造过程中的缺陷和不符合要求的问题，避免次品流入市场，保护消费者权益，同时也有助于企业提高产品质量、降低售后问题和成本，并增强企业的竞争力和声誉。机器学习用于质量检测，通过训练模型，使其能够自动识别缺陷、异常和变化等质量问题，从而提高质量检测的准确性和效率。图像质量检测是制造业中一个重要的部分，机器学习算法可以通过对大量图像数据进行训练，识别图像中的缺陷和异常，并给出相应的判断结果。例如，Suriya和Nahpat[12]提出了利用图像处理和机器学习相结合的光偏振技术检测镜片质量，将镜片缺陷分为圆（A型）和线（B型）两种类型，最终准确率达到97.75%。张雷等[13]通过采集锅炉水冷壁表面图像，基于深度学习进行图像处理与缺陷识别，快速检测锅炉水冷壁表面缺陷。在一些行业中，声音质量也是一个重要的指标。机器学习可以通过对声音数据进行训练，自动检测声音中的异常和变化等问题。例如，Tomasz等[14]提出了一种基于深度学习检测和识别故障音频信号设备的方法，使用从专家那里获得的未标记的声音数据和已标记的历史数据训练模型，检测故障信号设备，能够以高度的准确性诊断问题，判断汽车音响是否存在缺陷。邢怡君等[15]提出了一种基于SENet和密集连接卷积神经网络（DenseNet）的充填管道磨损声音识别，判断管道磨损类别，其准确率达到了97.368%。

目前，国内外的学者们在质量控制领域探索了不同的机器学习算法和技术，如神经网络、深度学习等，取得了一定的成果。这些算法和技术的应用提高了质量控制的准确性和效率。未来，探索如何实现自动化质量控制，对生产过程进行实时监控和自动调节，是一个重要的发展趋势。

3.3 质量改进

试验设计作为一种重要的质量改进技术，几十年来一直被广泛应用，特别是用于优化，也用于构建能够可靠地预测一个或多个感兴趣响应的代理模型，量化影响生产质量或工艺良率的因素之间的效应和相互作用，它可以指导决策、改进工艺，并最终提高生产质量或工艺产量。传统上用于分析试验设计数据的最广泛模型是二阶模型，是响应面方法（Response Surface Methodology，RSM）的核心。RSM通常建立在线性模型的基础上，对于包含复杂非线性关系的数据，RSM方法并不能很好地拟合模型。机器学习算法能够有效地处理非线性关系，对于包含复杂非线性关系的数据，机器学习可以提供更为准确的预测和建模能力。Rosa等[16]应用两个机器学习模型来预测响应，其性能显示出优于传统建模方法的优势。由于机器学习建立的模型是一种非线性、黑盒式的模型，不能从根本上了解产生数据的底层过程机制，解释质量特征数据。可解释机器学习可以帮助从业者理解和信任机器学习算法生成的输出，识别重要因素并优化其水平，达到质量改进的目的。Tiensuu等[17]利用机器学习预测模型和可解释机器学习方法发现有关预测故障背后的重要因素，并且还可以定义合适的安全边界，以便更好地设置生产参数，改进不锈钢制造的质量。

4 结论与展望

机器学习技术应用于质量管理领域，为企业提供了更高效、准确的质量控制、保证以及改进手段。通过机器学习算法进行产品缺陷检测和分类、异常检测、故障排除等，企业能够及时发现问题并采取相应措施，从而提高生产效率和产品质量。

随着物联网和传感器等技术的发展，企业将拥有更多的生产数据和质量数据，把机器学习与大数据分析相结合，实现数据驱动的质量管理，帮助企业理解与优化生产过程是未来的发展方向。例如，构建智能质量管理系统，可以自动收集、分析和处理质量数据，实时监测质量状况，并提供预警和改进建议，提高生产效率和质量稳定性。

机器学习在质量管理中的应用将持续深化和扩展，为企业提供更多智能化、自动化的质量管理解决方案，推动企业不断提升产品质量和生产效率，增强竞争力。

参考文献：

[1] 崔鹏浩，王军强，张文沛，等.基于深度强化学习的流水线预测性维护决策[J].计算机集成制造系统，2021，27（12）：3416-3428.

[2] AYVAZ S，ALPAY K.Predictive maintenance system for production lines in manufacturing：a machine learning approach using IoT data in real-time[J].Expert Systems with Applications，2021（173）：114598.

[3] LI G Q，DENG C，WU J，et al.Rolling bearing fault diagnosis based on wavelet packet transform and convolutional neural network[J].Applied Sciences，2020，10（3）：770.

[4] 陈其.注意力机制结合CNN卷积网络的滚动轴承复合故障诊断[J].机械制造与自动化，2023，52（5）：134-138.

[5] 邹旺，吉畅.基于机器学习的轴承RUL预测方法综述[J].电脑知识与技术，2022，18（19）：74-76，81.

[6] 郭玉荣，茅健，赵嫚.基于CNN与注意力BiLSTM的轴承剩余使用寿命预测方法[J].上海工程技术大学学报，2023，37（1）：96-104.

[7] CAO Y D，DING Y F，JIA M P，et al.A novel temporal convolutional network with residual self-attention mechanism for remaining useful life prediction of rolling bearings[J].Reliability Engineering & System Safety，2021，215：107813.

[8] CHEN S M，YU J B.Deep recurrent neural network-based residual control chart for autocorrelated processes[J].Quality and Reliability Engineering International，2019，35（8）：2687-2708.

[9] 周昊飞.基于GRU神经网络的自相关过程残差控制图[J].工业工程，2022，25（1）：108-113.

（下转第42页）

（上接第35页）

[10] ZAN T，LIU Z H，WANG H，et al.Control chart pattern recognition using the convolutional neural network[J].Journal of Intelligent Manufacturing，2020，31（3）：703-716.

[11] 李丽丽，陈琨，高建民，等.采用优化概率神经网络的质量异常识别方法[J].计算机集成制造系统，2021，27（10）：2813-2821.

[12] NATSUPAKPONG S，NITHISOPA N.Lens quality inspection using image processing and machine learning[C]//Proceedings of the 2020 2nd International Conference on Management Science and Industrial Engineering.Osaka Japan.ACM，2020：184-188.

[13] 张雷，吕一仕，杨佳，等.基于深度学习算法实现锅炉水冷壁壁管缺陷识别[J].设备管理与维修，2023（21）：140-144.

[14] MANIAK T，JAYNE C，IQBAL R，et al.Automated intelligent system for sound signalling device quality assurance[J].Information Sciences，2015，294：600-611.

[15] 邢怡君，杨鹏，吕文生，等.基于SENet和DenseNet的充填管道磨损声音识别[J].有色金属工程，2023，13（8）：102-109.

[16] ARBORETTI R，CECCATO R，PEGORARO L，et al.Machine learning and design of experiments with an application to product innovation in the chemical industry[J].Journal of Applied Statistics，2021，49（10）：2674-2699.

[17] TIENSUU H，TAMMINEN S，PUUKKO E，et al.Evidence-based and explainable smart decision support for quality improvement in stainless steel manufacturing[J].Applied Sciences，2021，11（22）：10897.

【通联编辑：唐一东】