在制造行业向智能制造转化的过程中，其质量管理发展趋势也不断向数字化、网络化、智能化和可视化的方向发展。同时，智能制造、智能工厂、智能物流等概念也得到了重新定义和界定。新技术、新数字化模式在制造型企业中快速推进，其质量管理模式也不断探索和创新。

1 制造型企业质量管理智能化

根据数据调查，数字化制造背景下，质量管理模式目前的整体分布情况如图 1 所示。

图 1 质量管理模式分布图（自制）

研究发现，40% 的企业质量管理仍处于纸质化管理阶段；31% 的企业质量管理已逐步开发了电子化质量管理系统，表明电子化质量管理系统的应用成熟度参差不齐。其他企业的质量管理受限于资源支持等因素，正处于由纸质化向电子化转换的过渡阶段。

2 企业质量管理模式转化过程中遇到的困境

在数字化变革过程中，质量管理作为制造型企业运营过程中至关重要的环节，凸显出了以下问题。

2.1 质量要求在供应链内难以被一致且正确地理解和转化

客户和企业对质量的要求，在整个供应链中难以被正确理解和转化。对于复杂产品，由于供应链延长且供应链企业质量管理水平参差不齐，其质量要求难以统一，容易导致低级质量问题，进而使得供应链上的产品质量数据无法在最终产品上实现互联互通。

2.2 质量管理数据收集和管理无效

质量决策、质量执行源于对质量数据的分析。然而，企业在实际运营过程中，缺少有效的数据收集和管理方法，同时数字化测量设备和仪器的应用受到限制，引发了质量数据不可靠、数据孤岛、数据不全面等问题。

2.3 质量数据分析深度不足，面对质量风险无法快速响应

对质量数据分析深度不足，对产品生命周期各个阶段的综合性评价不到位，导致质量风险无法被及时发现和呈现，数据分析结论沦为事后总结报告。同时，企业内部的质量状态、生产过程无法被及时有效地呈现，存在滞后性。

2.4 有效的质量管理工具未被有效识别和运用

质量管理工具在企业质量管理过程中至关重要。正确运用有效的工具，可使质量管理事半功倍。但大部分企业内部缺少良好的协作模式和质量管理工具，无法实现精细、严格和全面的质量控制。另外，还存在质量管理与各业务环节协同度不高，以及质量闭环管理难度大等问题。

3 质量管理转型途径的探讨

智能制造时代，质量管理模式将随着移动互联、物联网、云计算和大数据等各类新技术的应用实现数字化、自动化、可视化、网络化和智能化转变。在转变过程中，质量管理理念也将更趋向于全价值链的闭环质量管理。针对企业在质量管理转型过程中遇到的难点，可尝试通过以下方式解决。

3.1 确定数字化质量能力的搭建路径

首先，应确认质量战略和体系，结合公司战略目标制订质量战略目标，设置完善的质量组织和职责，建设健全质量体系，明确质量绩效的管理方向和要求，营造良好的质量文化氛围。其次，从目标、风险、成本等方面细化质量策划，并在日常质量运营过程中，将质量管理与各业务环节相结合，实现研发质量管理、供应商质量管理、生产质量管理、服务质量管理、资源与工具质量管理。最后，结合运营过程，实施全面的质量评估与改善。

3.2 根据企业实际情况，开展全流程的系统分析和优化设计

质量管理体现在企业运营的方方面面，并不孤立存在。质量全生命周期管理应覆盖研发、供应、制造及服务等各个环节，推进全员参与，引导各职能部门实现全面协同和信息集成，以保证质量目标、计划和行动的一致性和连续性。因此，企业需要根据全流程的分析和优化，构建适合自身的质量管理系统，实现连续的过程质量检测和呈现，并导入质量管理的基本场景和技术经验，通过质量管理系统对大量数据进行实时分析，智能辅助分析质量风险的原因，从而预防产品缺陷。同时，在质量管理系统的管理过程中，要根据实际数据和质量风险情况，不断自我优化质量模型和技术经验规则，以保证质量管理系统的持续有效性。此外，应组织全流程系统分析和优化设计，以实现对制造全流程的系统优化，避免造成自动化孤岛、信息化孤岛和数字化孤岛的情况。

3.3 搭建数据分析和数字洞察能力

企业应利用自身具备的传统 IT 架构，通过模块优化，增强自身数据分析、汇聚，以及基于数字洞察的控制能力。制造型企业在发展过程中，已应用基本的企业管理系统，如企业资源计划系统（ERP）等。同时，在转型过程中，很多企业也引入了产品生命周期管理系统（PLM）、制造执行系统（MES）、数据采集及监视控制系统（SCADA）等先进的智能制造信息化系统。企业需要根据自身的 IT 架构和系统应用实际情况，拓展模块应用。同时，在应用过程中，应重点关注不同 IT 系统和模块间的互联互通情况，为质量数据、质量信息的收集和分析建立通道。

3.4 质量管理与制造过程相结合，逐步开展转型

企业应将质量管理与制造过程紧密结合，逐步推进质量管理转型。

3.4.1 增加自动检测设备设施

利用摄像机或视觉系统取代手动质量检查，辅以捕获产品质量相关特性的智能设备，实现对产品质量检测数据的高效、准确及快速收集。目前，自动检测设备设施已在各行业得到普遍应用。常见的检测设备包括基于图像识别实现自动化质检的方式，如传感器技术、机器学习、计算机视觉等，常被用于精益装配线的过程检验。使用人工智能（深度学习）不仅可实时开展视觉检查，还可达到以下效果：实时检测缺陷，提高质量，为现场操作人员提供指导并优化生产率；通过收集各类缺陷数据，为管理者提供产品不同质量等级的相关洞察；通过短期或长期分析，确定造成缺陷的根本原因并设计改进过程。

例如，目前被广泛应用于仓储行业和制造业的 3D 视觉系统，其可以实现检验和质量控制、计量和测量、机器人制导、物体识别和定位，以及物流和仓库自动化。随着三维技术的进步，制造型企业已经可以快速、轻松地自动运行具有挑战性的应用程序，同时改善质量控制。杭州华服园推进了3 s 量体裁衣、28 min 完成一件旗袍的定制工作，实现了产品加工进度的全链条智慧跟踪。这便是智能制造创造的生产效率和质量控制水平。

3.4.2 固化流程中的质量管理要求与防错措施

应结合产品生产制造过程，将制造过程中的质量管理要求和防错措施固化在产品制造流程中，实现产品质量管理和制造过程的紧密连接。在制造流程中，支持数字化解决方案可预防错误或自动检测问题。

3.4.3 过程分析和预测性质量

实时分析大量流程数据，预测质量相关情况，自动化分析根本原因并实施缺陷预防，逐渐建立数据质量、数据治理、数据价值的质量保证模式。

3.4.4 E2E 可追溯性

RFID 和远程信息处理系统能够对整个产品生命周期内的所有制造步骤开展实时产品质量跟踪。

3.4.5 数字文档 / 写作

数字质量管理系统通过实现从工程到生产系统的连接，能够自动存储质量表单，自动记录、收集和存储质量相关数据。

3.4.6 互联劳动力

移动设备和可穿戴设备可提高生产过程中的内置质量，同时可支持生产过程中的产品质量检查，包括数字协助 / 辅导、劳动力培训和学习。

3.4.7 预测性维护

对实施设备进行预测性维护，预防设备停机，从而确保质量一致性。

3.4.8 车间质量管理控制塔

车间质量管理控制塔主要是对重要质量数据实行全局显示，可实现 KPI 可视化，同时充当其他数字解决方案的切入点。

3.5 打通产品全生命周期的质量信息收集通道

建立覆盖产品全生命周期的质量信息收集通道，实现产品前端设计开发、中间制造采购，以及后端产品服务过程的互联互通。

产品研发要做好客户需求管理和先期质量策划，以保证产品满足顾客需求。同时，要建立经验教训管理机制，让后续环节如制造过程、服务过程中的产品信息顺利反馈到研发端，促使产品基于经验教训和客户反馈得到持续改善和优化。供应物料的质量控制应与制造端和服务端紧密结合。制造环节和服务环节涉及采购物资，如原材料、部件、组件、服务件、备品备件，其质量反馈能被快速反应到供应商管理环节。同时，通过供应商开发培养、供应商资质管理、供应商产品及过程发布管理、供应商绩效管理等工作，确保物资采购质量，并建立快速有效的后端反馈绩效，让制造端和服务端发出的所有采购物资质量数据均能被及时有效地传递给供应商，从而提升产品质量。具体如图 2 所示。

图 2 质量管理体系端到端示意图（自制）

3.6 建立端到端的质量数据追溯模式

在制造业中，产品常常面临结构复杂、种类多样，以及装配后总成件检验项目繁多等问题。因此，质量控制多依赖检验人员的经验和技巧。此外，整体测量系统可靠性低，检验负担重，人员成本高。面对这一问题，应建立端到端的质量数据追溯智能化通道，优化智能管理。建议可从以下几个阶段实现端到端的质量数据追溯。

3.6.1 识别

可采用多种方式，包括 WSN 和其他技术实现自动可见性；使用如条形码数据实现半自动可视性，提高可测量性；以及采用传统手动数据输入，使质量数据得到有效识别。

3.6.2 数采、存储与集成

该阶段主要强调实现手动或自动从手机获取质量数据，并实现数据通信、数据存储和系统集成，为后续商务智能 BI做好充分的准备工作。

3.6.3 商务智能 BI

将手机存储、集成的质量数据进行数据过滤，实现可视化，并使用分析工具实现商业智能。

目前，在生产制造行业中，端到端的质量追溯已得到高度重视，被广泛应用于提升企业的产品质量，优化企业的社会效益和经济效益。例如，某烟草企业在业务智能化管控的基础上，通过扫码、指纹识别、数据采集等多种方式，对关键生产工艺信息点进行了采集，并深入挖掘了生产工艺质量全过程管控数据，推动了质量管理方式的智能化、数字化、网络化。

3.7 有效应用质量工具

应结合公司产品和业务实际，有效运用质量工具，同时与各业务过程有效结合，实现效率和效益的双重提升。目前常用的质量工具如下。

3.7.1 QFD 质量功能展开

“质量屋”表格被广泛应用于质量策划阶段，旨在对客户需求和产品要求进行相关性和差异性分析。客户需求根据销售和市场情况确定，并作为“质量屋”工具的输入。该工具可实现客户需求分析，并将结果转化为产品要求，优化方向，并在后续产品研发流程中形成具体目标。

3.7.2 故障树 FTA

故障树分析是一种根因分析方法，也是智能诊断的基础。通过建立故障树模型，可实现产品故障风险分析。

3.7.3 FMEA 方法

FMEA 方法被广泛应用于汽车制造行业，一般通过六步法实施，分别为定义范围、结构分析、功能分析、失效分析、风险分析、改善优化。

4 结论

制造型企业质量管理的愿景是搭建统一的质量平台，基于 IOT 和数据分析的数字化质量，实现对质量问题的分析与决策。质量数据与产品生命周期绑定，可利用数字孪生计划实现低成本模拟测试，以及对质量问题的事先洞察。在客户洞察方面，可跨渠道开展客户互动，利用分析平台集成并了解客户需求和质量问题。预测性分析贯穿价值链分析能力，可使复杂数据成为决策输入。数字化审核、互联工人和 / 或设备，以及消除文书工作的开展，有助于增强现实与虚拟的叠加，实现更快、更准确的问题诊断。

制造型企业质量管理智能化转型是一个长期过程，需要企业搭建长效的实现路径，并持续向着目标发展。在实现质量管理的智能化转型后，全面质量协同将给企业质量管理带来新局面，推进企业的质量管理工作进入全新的阶段。

作者：山东含章医疗技术有限公司 王金兰