PQM的5个层面
大数据为从全维审视质量问题提供了一种可能，让我们从只关注结果转变为既关注结果又关注过程，通过追溯生产过程来优化生产工艺，使质量管理形成更加全面和及时的闭环。基于这样的构想，我们才有可能利用机器学习算法，及时发现生产过程中的异常趋势，预防整批不良，减少浪费；对一些质量问题进行自动排查，缩短排查周期；结合长时间运行数据，归纳较好的参数组合，优化工艺设计；针对关键质量问题，通过因素的关联分析和模式挖掘，辅助质量根因分析；通过常见的数据统计分析，可以发现质量问题的时空规律，得到不同工艺站点机台的最佳组合，并将其作为局部问题的对策或系统改进的参考。数据驱动方法还有助于经验的沉淀和精化，将业务专家从重复的低价值工作中解放出来。PQM中5类质量分析问题的前提条件和应用模式如图1所示。
表1给出了一些典型行业的质量分析问题，有助于理解。
PQM的应用
不同应用模式对质量分析的要求不同。如果将质量根因分析定位为挖掘未知的工艺过程规律，则对数据基础、大数据分析算法和工艺知识的完备性有很高要求；如果将质量根因分析定位为工艺改进方向的假设检验或定量化，则对工艺知识完备性的要求将大大降低。在线与离线的工艺设计优化对数据的要求也不同，前者要求自动收集数据，对数据处理逻辑的要求很高（要处理各种例外情形），而后者可以灵活融入数据的手工导入、数据处理的人工干预，对数据的要求较低。
对于不同生产类型来说，大数据质量管理的着力点可能不同。6种生产类型如表2所示。其中，流程生产（Continuous Flow）与生产线（Production Line）在产品可溯性（Traceability）方面有很大不同，流程生产能追踪到生产批次就很不错了，很难与设备状态（如气化炉温度、炉渣堵塞状况等）精确关联，但生产线可以做到单件跟踪。此外，在生产线模式下，不同加工类型的产品可溯性含义不同，对于装配类型（如工程机械）的生产线来说，按照BOM结构跟踪到单件即可；对于轨梁等轧制生产线来说，需要实现“米跟踪”（即根据成品的缺陷位置，推算在前序工艺段中对应的时刻和相对位置）。
推荐阅读《工业大数据分析实践》，全方位了解工业数据分析相关知识。
