北方华安工业集团有限公司 黑龙江齐齐哈尔 161000
摘要：智能制造是智能技术与制造技术的融合；智能制造是物联网、机器人及自动化系统、智能终端和云技术的融合；智能制造首先建立知识库/知识工程（knowledge-based），然后进行动态感知/实时感知（perceiving），最后进行自主学习/自主决策（autonomous，self-decision），倡导可视化，过程的透明度和可预测性。智能制造的另一个内涵是保证产品的高质量，赋予产品新的功能，发展服务型制造。
关键词：智能制造；质量管理；未来发展
1 智能制造质量管理特点
随着智能制造时代的到来，原有的质量管理模式需要持续改进。利用智能技术促进质量管理转型，企业可以从三方面寻求突破。
1.1 质量管理再次升级
依托自动化和数字化等智能制造技术，整合并促进质量管理再次升级。通过自动化，将更多的检测工作交给设备和系统；通过数字化，充分利用质量数据进行分析和决策。
1.2 建设一个智能质量信息系统
利用大数据分析和创建算法，实现质量预防、诊断和控制。基于质量数据的互联互通和决策模型，通过信息化技术，最大程度地集成质量数据、信息和知识。
1.3 培养一支智能质量专业人才队伍
加强质量技术人员三大能力的培养：基于客户洞察的整体业务架构设计、规划和集成能力；先进制造技术应用和集成能力（新工艺、新设备、新材料和新方法等）；工业大数据的应用与集成能力（大数据挖掘、分析和决策）。
2 智能制造背景下质量管理未来的变革趋势
通过查阅文献，聆听专家分享的关于智能制造的报告和文献，以及与国内外众多学者的交流访谈，笔者认为智能制造背景下质量管理未来的改革趋势如下。
2.1 精益思想仍旧是智能制造的哲学思维
消除浪费、防止错误、优化流程、持续改进、降低成本、提高效率等精益思维是智能制造的起点和终点。自动化和智能化的出发点是保证质量不降低，自动化和智能化的首要前提和基础是保证质量，然后提高质量。精益生产与智能制造应紧密结合，精益生产与智能制造是两轮驱动。
2.2 自动化程度高，人对质量的干预减少。
在智能数字化时代，当智能工厂建成后，自动化生产和质量控制过程中的人工干预将大大减少，但对智能工厂的人工技能的要求将增加。智能工厂的人，我们不仅要管理设备，管理和监控质量，查看数据，分析数据，处理紧急情况，更要强调“人的素质”，即“员工的素质和员工可持续发展的素质”。我们不应该为了自动化而自动化，而应该注重人机协作。
2.3 全面质量管理的重心——向设计质量端偏移
智能工厂、工艺流程和制造设备的自动化都需要设计，因此提高设计质量对企业来说至关重要。提高设计的质量工具：如TRIZ、QFD、DOE、DesignThinking（设计思维）、数字化建模、数字孪生、3D打印以及数据化仿真等这些质量工具是企业拥抱未来的智能制造所迫切掌握的。企业会重视研发投入，打造技术新高地。
2.4 创新管理体系成为企业所日益倚重的系统化的创新利器
创新是永恒的主题。在智能制造时代，更需要创新的思维和创新的技术。基于ISOCD250501Innovationmanagementsystem国际创新体系成为企业所日益倚重的系统化的创新工具。我国应该大力引进和推广，并致力于创新管理体系在国内的推广。
2.5 完善智能制造的标准化工作将为我国
智能制造技术推广插上腾飞的翅膀将各行业的智能制造领域的实践经验、应用技术和科研成果进行总结和提炼，写成标准，进行复制和推广，可快速促进技术进步，将共性技术写成标准，在社会生产各组成部分之间进行协调，确立共同遵循的准则，建立稳定的秩序，并可促进整个社会效率的提高与成本的降低。
2.6 绿色可持续性发展是智能制造成功的重要支撑力量
绿色材料、绿色工艺、绿色设备、绿色包装、绿色回收、绿色制造与再制造以及绿色物流等绿色技术的发展与创新，是可持续发展的基础，企业社会责任申报、绿色供应链认证以及风险管理控制等可持续发展的质量，或质量的可持续性发展是我国智能制造成功的支撑力量。
2.7 软件质量、数据质量、可靠性管理是智能制造的基石
智能制造离不开APP、离不开信息系统，数字化集成技术业也离不开软件，硬件与软件的结合也离不开可靠性管理技术。智能制造会产生数据，从数据-信息-知识-智能这一信息链路中可以看出：智能化是基于数据的智能化。感知需要知识，决策需要知识，执行需要知识。而知识来源于数据。数据不可靠，会误判，造成控制精度的偏差，数据的质量不好，会给企业带来不可估量的损失，因此数据的质量、数据的可靠性尤为重要。
2.8 以用户为中心、用户参与的体验式数
字化协同设计模型成为智能制造的引擎以用户为中心，用户参与的，面向用户的体验式设计，可开发APP软件，和客户一起来做产品开发，用户体验式设计可使产品具有可持续性，并且可以跟踪消费者这样或那样的、不断变化的需求。采用用户参与的体验式、全生命周期的端到端的数字化协同模式。通过点、线、面打造灵敏化的数字化设计平台，构建数字化制造工艺网络。
2.9 基于数据科学的智能制造使用的新七
大质量分析工具，成为智能制造的有力保障新旧QC七工具、帕拉图、六西格玛、SPC和DOE等质量工具将被大数据和物联网使用新的七大工具所代替：第一，文本分析：主要用于客户之声、社交媒体数据和情绪分析；第二，预测性建模：采用决策树、多元回归和类神经网络等方法；第三，机器学习；第四，网络图解；第五，聚类分析；第六，离散事件仿真；第七，持续事件流。基于5G+工业互联网（移动工业互联网）的智能检测，智能监控技术成为系统质量管理的主要技术支撑，需要采用系统工程的视角、复杂性科学的理论框架来扩展质量工程技术。
2.10 网络安全成为智能制造发展的障碍
质量是网络化服务的产物，在智能制造时代，就安全性而言，许多电器都是潜在的攻击对象，机器和工厂是联网的，控制过程基于网络的，因此来自网络犯罪攻击的威胁不断增加。识别网络威胁、实施IT安全解决方案和安全生产所需的知识是智能制造企业所必需的，如果网络安全跟不上，很多企业基于安全的考虑，将推迟智能制造的计划。因此我国可及时推出网络安全认证培训课程，扫除智能制造发展道路上的拦路虎，使我国的智能制造事业一帆风顺。
结束语：
未来的制造环境，即使是最简单的产品，也将由机器人控制，以提高生产率。越来越多的廉价和高科技传感器收集大量数据，将提取有价值的信息，以改善过程和产品。这种发展将导致复杂的单元操作，每一个都是一个更复杂的过程或一系列过程的一部分。因此，在质量工程的保护伞下，任何处理和改进产品以提高生产力、减少浪费和确保可持续性的尝试都必须考虑到问题的复杂性和这个新的数据丰富的环境。迫切需要更多的方法学和面向应用的研究，以跟上工业日益增长的需求。质量工程起源于制造业，质量工程师将基本的统计方法应用于制造业，以提高产品和过程的质量和生产率。在过去的十年中，人们发现这些方法对于改善几乎任何类型的系统或流程都是有效的，包括供应链、商业、服务、金融、医疗保健、教育和电子政府。历史上，质量工程也被视为一套理论，方法和策略，以提高质量，生产率和可靠性，纯粹的制造。
参考文献：
[1]数字化企业网．优博讯：构建智能制造数字新生力[Z]．2021．
[2]陈浩哲．面向智能制造的作业车间调度研究[D]．北京：北京邮电大学，2019．
[3]汤临佳，郑伟伟，池仁勇．智能制造创新生态系统的功能评价体系及治理机制[J]．科研管理，2019，（7）：97-105