智能质量管理：理论模型、关键技术与研究展望

doi:10.16381/j.cnki.issn1003-207x.2023.0399

Abstract

Abstract:

The rapid development of a new generation of information technology， such as big data， Internet of Things， and artificial intelligence， has provided opportunities for the transformation and development of the manufacturing industry. To enhance the competitiveness of China’s manufacturing industry， it should focus on quality improvement， starting from the digital， network and intelligent transformation of quality management， to drive the upgrading of manufacturing industry. At present， there is no theoretical guidance for the upgrading and transformation of quality management in China’s manufacturing industry. Therefore， it aims to propose the concept of intelligent quality management based on the current research progress and the actual development of China’s manufacturing industry is this paper. The theory model of intelligent quality management from the technical， activity， and value dimensions is proposed， and nine key technologies （i.e.， Internet of Things， big data platform， cloud computing and edge computing， machine learning， machine vision， digital twins， wireless communication， visualization， and blockchain） and their application scenarios are introduced. Finally， the future researches of intelligent quality management are pointed out from the perspectives of theoretical research， technical research， and application research. This study can provide strong guidance for the transformation and upgrading of quality management in China’s manufacturing industry by establishing the theoretical framework of intelligent quality management， exploring the development path of quality， and promoting the development of China’s manufacturing industry with high quality.

Key words: Intelligent quality management, Quality 4.0, Industry 4.0, Intelligent manufacturing

CLC Number:

F253.3

Huchen Liu,Heming Wang,Hua Shi. Intelligent Quality Management: Theoretical Framework, Key Technologies, and Research Prospect[J]. Chinese Journal of Management Science, 2024, 32(3): 287-298.

Figures/Tables 3

References 53

1	黄丽华，朱海林，刘伟华，等. 企业数字化转型和管理：研究框架与展望［J］. 管理科学学报， 2021， 24（8）： 26-35.
	Huang L H， Zhu H L， Liu W H， et al. The firm’s digital transformation and management： toward a research framework and future directions［J］. Journal of Management Sciences in China， 2021， 24（8）： 26-35.
2	赵剑波. 企业数字化转型的技术范式与关键举措［J］. 北京工业大学学报（社会科学版）， 2022， 22（1）： 94-105.
	Zhao J B. Enterprise digital transformation： mechanism， paradigm and paths［J］. Journal of Beijing University of Technology （Social Sciences Edition）， 2022， 22（1）： 94-105.
3	张华，顾新. 供应链竞争下制造商数字化转型的博弈均衡研究［J］. 中国管理科学， 2022. Doi： 10.16381/j.cnki.issn1003-207x.2021.1572 . doi: 10.16381/j.cnki.issn1003-207x.2021.1572
	Zhang H， Gu X. Equilibrium analysis of manufacturers’ digital transformation strategy under supply chain competition［J］. Chinese Journal of Management Science， 2022.Doi： 10.16381/j.cnki.issn1003-207x.2021.1572 . doi: 10.16381/j.cnki.issn1003-207x.2021.1572
4	延建林，孔德婧. 解析“工业互联网”与“工业4.0”及其对中国制造业发展的启示［J］. 中国工程科学， 2015， 17（7）： 141-144.
	Yan J L， Kong D J. Study on “Industrial Internet” and “Industry 4.0”［J］. Strategic Study of CAE， 2015， 17（7）： 141-144.
5	张豪，张纲，蒋家东，等. 中国制造业产品质量提升策略研究［J］. 中国工程科学， 2022， 24（2）： 38-47.
	Zhang H， Zhang G， Jiang J D， et al. Strategy for improving product quality of manufacturing quality in China［J］. Strategic Study of CAE， 2022， 24（2）： 38-47.
6	周济. 智能制造——“中国制造2025”的主攻方向［J］. 中国机械工程， 2015， 26（17）： 2273-2284.
	Zhou J. Intelligent manufacturing：main direction of “Made in China 2025”［J］. China Mechanical Engineering， 2015， 26（17）： 2273-2284.
7	Asif M. Are QM models aligned with Industry 4.0？ A perspective on current practices［J］. Journal of Cleaner Production， 2020， 258： 120820.
8	Chiarini A， Kumar M. What is Quality 4.0？ An exploratory sequential mixed methods study of Italian manufacturing companies［J］. International Journal of Production Research， 2022， 60（16）： 4890-4910.
9	Jacob D. Quality 4.0 impact and strategy handbook［M］. Cambrige： LNS Research， 2017.
10	邵景峰，贺兴时，王进富，等. 基于数据的纺纱质量异常行为预警四步法［J］. 中国管理科学， 2015， 23（S1）： 275-284.
	Shao J F， He X S， Wang J F， et al. A four-step method for abnormal behavior warning of spinning quality based on data［J］. Chinese Journal of Management Science， 2015， 23（S1）： 275-284.
11	封晓斌，汤易兵，吴增源，等. 基于SRFML-Lift的流程制造产品质量状态监测［J］. 中国管理科学， 2021， 29（12）： 227-236.
	Feng X B， Tang Y B， Wu Z Y， et al. Process manufacturing product quality status monitoring based on SRFML-Lift［J］. Chinese Journal of Management Science， 2021， 29（12）： 227-236.
12	Asif K， Zhang L， Derrible S， et al. Machine learning model to predict welding quality using air-coupled acoustic emission and weld inputs［J］. Journal of Intelligent Manufacturing， 2022， 33（3）： 881-895.
13	庄存波，刘检华，张雷. 工业5.0的内涵、体系架构和使能技术［J］. 机械工程学报， 2022， 58（18）： 75-87.
	Zhuang C B， Liu J H， Zhang L. Connotation， architecture and enabling technology of Industrial 5.0［J］. Journal of Mechanical Engineering， 2022， 58（18）： 75-87.
14	Lasi H， Fettke P， Kemper H G， et al. Industry 4.0［J］. Business & information systems engineering， 2014， 6（4）： 239-242.
15	王飞跃，张军，张俊，等. 工业智联网：基本概念、关键技术与核心应用［J］. 自动化学报， 2018， 44（9）： 1606-1617.
	Wang F Y， Zhang J， Zhang J， et al. Industrial internet of minds： concept， technology and application［J］. Acta Automatica Sinica， 2018， 44（9）： 1606-1617.
16	周晓阳，李长长，刘莹，等. 工业互联网平台、开发商与企业的三方协作演化策略——兼论政府补贴和收益共享的作用［J］. 中国管理科学， 2022. Doi： 10.16381/j.cnki.issn1003-207x.2021.2558 . doi: 10.16381/j.cnki.issn1003-207x.2021.2558
	Zhou X Y， Li C C， Liu Y， et al. Tripartite cooperation evolutionary strategy of industrial Internet platform， developer and enterprise—the role of government subsidies and revenue sharing［J］. Chinese Journal of Management Science， 2022. Doi： 10.16381/j.cnki.issn1003-207x.2021.2558 . doi: 10.16381/j.cnki.issn1003-207x.2021.2558
17	潘小军. 基于工业互联网平台的增值服务收费模式研究［J］. 中国管理科学， 2022， 30（11）： 239-249.
	Pan X J. Value-added service pricing model based on industrial internet platform［J］. Chinese Journal of Management Science， 2022， 30（11）： 239-249.
18	中国工业互联网研究院. 中国工业互联网产业经济发展白皮书（2021年）［EB/OL］. 2021. .
	China Academy of Industrial Internet. White paper on economic development of China's Industrial Internet industry（2021）［EB/OL］. 2021. .
19	Sader S， Husti I， Daroczi M. A review of Quality 4.0： definitions， features， technologies， applications， and challenges［J］. Total Quality Management & Business Excellence， 2021， 33（9-10）： 1164-1182.
20	Watson G H. The ascent of quality 4.0［J］. Quality Progress， 2019， 52（3）： 24-30.
21	薛塬，臧冀原，孔德婧，等. 面向智能制造的产业模式演变与创新应用［J］. 机械工程学报， 2022， 58（18）： 303-318.
	Xue Y， Zang J Y， Kong D J， et al. Evolution and innovative implementation of industrial model for intelligent manufacturing［J］. Journal of Mechanical Engineering， 2022， 58（18）： 303-318.
22	Glogovac M， Ruso J， Maricic M. ISO 9004 maturity model for quality in Industry 4.0［J］.Total Quality Management & Business Excellence， 2020， 33（5-6）： 529-547.
23	Ali K， Johl S K. Soft and hard TQM practices： future research agenda for Industry 4.0［J］. Total Quality Management & Business Excellence， 2022， 33（13-14）： 1625-1655.
24	Christou I T， Kefalakis N， Soldatos J K， et al. End-to-end industrial IoT platform for Quality 4.0 applications［J］. Computers in Industry， 2022， 137： 103591.
25	Filz M A， Langner J E B， Herrmann C， et al. Data-driven failure mode and effect analysis （FMEA） to enhance maintenance planning［J］. Computers in Industry， 2021， 129： 103451.
26	Jung H， Jeon J， Choi D， et al. Application of machine learning techniques in injection molding quality prediction： implications on sustainable manufacturing industry［J］. Sustainability， 2021， 3（8）： 4120.
27	刘然，刘虎沉. 基于数字孪生的产品制造过程质量管理研究［J］. 现代制造工程， 2022（7）： 50-56.
	Liu R， Liu H C. Research on quality management of product manufacturing process based on digital twin［J］. Modern Manufacturing Engineering， 2022（7）： 50-56.
28	陈亮，吴梦婷. 智能车间质量数据集成及可视化分析平台设计［J］. 计算机集成制造系统， 2021， 27（6）： 1641-1649.
	Chen L， Wu M T. Intelligent work-shop quality data integration and visual analysis platform design［J］. Computer Integrated Manufacturing Systems， 2021， 27（6）： 1641-1649.
29	Gunasekaran A， Subramanian N， Ngai W T E. Quality management in the 21st century enterprises： research pathway towards Industry 4.0［J］. International Journal of Production Economics， 2019， 207： 125-129.
30	Zonnenshain A， Kenett R S. Quality 4.0-the challenging future of quality engineering［J］. Quality Engineering， 2020， 32（4）： 614-626.
31	Psarommatis F， Sousa J， Mendonça J P， et al. Zero-defect manufacturing the approach for higher manufacturing sustainability in the era of industry 4.0： A position paper［J］. International Journal of Production Research， 2022， 60（1）： 73-91.
32	工业和信息化部. 制造业质量管理数字化实施指南（试行）［OL］. 2022. .
	Ministry of Industry and Information Technology of the People's Republic China. Guidelines for the digitalization of manufacturing quality management ［OL］. 2022. .
33	任明仑，宋月丽. 大数据：数据驱动的过程质量控制与改进新视角［J］. 计算机集成制造系统， 2019， 25（11）： 2731-2742.
	Ren M L， Song Y L. Big data： new perspective of process quality control and improvement driven by data［J］. Computer Integrated Manufacturing Systems， 2019， 25（11）： 2731-2742.
34	李金海，李阳阳，刘庆林. 大数据时代下基于QFD和TRIZ的产品研发过程研究［J］. 制造业自动化， 2019， 41（3）： 25-29.
	Li J H， Li Y Y， Liu Q L. Research on product development process based on QFD and TRIZ in the era of big data［J］. Manufacturing Automation， 2019， 41（3）： 25-29.
35	赵朗月，吴一全. 基于机器视觉的表面缺陷检测方法研究进展［J］.仪器仪表学报，2022， 43（1）： 198-219.
	Zhao L Y， Wu Y Q. Research progress of surface defect detection methods based on machine vision［J］. Chinese Journal of Scientific Instrument， 2022， 43（1）： 198-219.
36	王鸿鹭，蒋炜，魏来，等. 基于物联网的产品全生命周期质量管理的模式创新与展望［J］. 系统工程理论与实践， 2021， 41（2）： 475-482.
	Wang H L， Jiang W， Wei L， et al. Product lifecycle quality management based on the internet of things： business model innovation and future outlook［J］. Systems Engineering-Theory & Practice， 2021， 41（2）： 475-482.
37	刘献礼，李雪冰，丁明娜，等. 面向智能制造的刀具全生命周期智能管控技术［J］. 机械工程学报， 2021， 57（10）： 196-219.
	Liu X L， Li X B， Ding M N， et al. Intelligent management and control technology of cutting tool life-cycle for intelligent manufacturing［J］. Journal of Mechanical Engineering， 2021， 57（10）： 196-219.
38	李敏波，董伟伟. 面向不平衡数据集的汽车零部件质量预测［J］. 中国机械工程， 2022， 33（1）： 88-96.
	Li M B， Dong W W. Quality prediction of automotive parts for imbalanced datasets［J］. China Mechanical Engineering， 2022， 33（1）： 88-96.
39	于勇，薛静远，戴晟，等. 机加零件质量预测与工艺参数优化方法［J］. 浙江大学学报（工学版）， 2021， 55（3）： 441-447+499.
	Yu Y， Xue J Y， Dai S， et al. Quality prediction and process parameter optimization method for machining parts［J］. Journal of Zhejiang University （Engineering Science）， 2021， 55（3）： 441-447+499.
40	袁烨，张永，丁汉. 工业人工智能的关键技术及其在预测性维护中的应用现状［J］. 自动化学报， 2020， 46（10）： 2013-2030.
	Yuan Y， Zhang Y， Ding H. Research on key technology of industrial artificial intelligence and its application in predictive maintenance［J］. Acta Automatica Sinica， 2020， 46（10）： 2013-2030.
41	李杰，李响，许元铭，等.工业人工智能及应用研究现状及展望［J］.自动化学报，2020，46（10）： 2031-2044.
	Li J， Li X， Xu Y M， et al. Recent advances and prospects in industrial AI and applications［J］. Acta Automatica Sinica， 2020， 46（10）： 2031-2044.
42	任磊，贾子翟，赖李媛君，等. 数据驱动的工业智能：现状与展望［J］. 计算机集成制造系统， 2022， 28（7）： 1913-1939.
	Ren L， Jia Z Z， Lai L Y J， et al. Data-driven industrial intelligence： current status and future directions［J］. Computer Integrated Manufacturing Systems， 2022， 28（7）： 1913-1939.
43	程晓明，刘银华，赵文政. 面向大型三维结构检测的多机器人覆盖路径规划方法［J］. 计算机集成制造系统， 2023， 29（1）： 246-253.
	Cheng X M， Liu Y H， Zhao W Z. Multi-robot coverage path planning for large 3D structure inspection［J］. Computer Integrated Manufacturing Systems， 2023， 29（1）： 246-253.
44	曹伟，江平宇，江开勇，等. 基于RFID技术的离散制造车间实时数据采集与可视化监控方法［J］. 计算机集成制造系统， 2017， 23（2）： 273-284.
	Cao W， Jiang P Y， Jiang K Y， et al. Radio frequency identification-based real-time data collecting and visual monitoring for discrete manufacturing workshop［J］. Computer Integrated Manufacturing Systems， 2017， 23（2）： 273-284.
45	张洁，汪俊亮，吕佑龙，等. 大数据驱动的智能制造［J］. 中国机械工程， 2019， 30（2）： 127-133+158.
	Zhang J， Wang J L， Lv Y L， et al. Big data driven intelligent manufacturing［J］. China Mechanical Engineering， 2019， 30（2）： 127-133+158.
46	张明强，高华，袁东风，等. 云边协同外观质量AI检测系统的设计与实现［J］. 计算机集成制造系统， 2021. .
	Zhang M Q， Gao H， Yuan D F， et al. Design and implementation of cloud-edge collaborative system for appearance quality detection with artificial intelligence［J］. Computer Integrated Manufacturing Systems， 2021..
47	项荣，徐晗升. 用于刹车片外观质量检验的照明系统质量检验［J］.仪器仪表学报，2018， 39（11）： 248-257.
	Xiang R， Xu H S. Quality inspection of lighting system used in surface quality inspection of brake pads［J］. Chinese Journal of Scientific Instrument， 2018， 39（11）： 248-257.
48	Liu Y K， Guo L， Gao H L， et al. Machine vision based condition monitoring and fault diagnosis of machine tools using information from machined surface texture： a review［J］. Mechanical Systems and Signal Processing， 2022， 164： 108068.
49	Zhou X N， Wang Y N， Zhu Q， et al. Circle detection with model fitting in polar coordinates for glass bottle mouth localization［J］. International Journal of Advanced Manufacturing Technology， 2022， 120： 1041-1051.
50	Aivaliotis P， Georgoulias K， Chryssolouris G. The use of digital twin for predictive maintenance in manufacturing［J］. International Journal of Computer Integrated Manufacturing， 2019， 32（11）： 1067-1080.
51	武颖，姚丽亚，熊辉，等. 基于数字孪生技术的复杂产品装配过程质量管控方法［J］. 计算机集成制造系统， 2019， 25（6）： 1568-1575.
	Wu Y， Yao L Y， Xiong H， et al. Quality control method of complex product assembly process based on digital twin technology［J］. Computer Integrated Manufacturing Systems， 2019， 25（6）： 1568-1575.
52	李贝，吴昊，贺小伟，等. 区块链系统的存储可扩展性综述［J］. 计算机科学， 2023， 50（1）： 318-333.
	Li B， Wu H， He X W， et al. Survey of storage scalability in blockchain systems［J］. Computer Science， 2023， 50（1）： 318-333.
53	钟鹤.《质量强国建设纲要》发布［J］. 上海质量， 2023， 402（2）： 4-5.
	Zhong H. China has issued an outline to improve the overall quality of its economy［J］. Shanghai Quality， 2023， 402（2）： 4-5.

[1]	Xiu-li MENG,Yi-fan WU,Bo LIU. Multi-Period Crowdsourcing Logistics Service Quality Optimization Considering Delay Insurance [J]. Chinese Journal of Management Science, 2023, 31(12): 87-95.
[2]	Yu-bin WANG,Yan-zhong DANG,Zhao-guang XU. A Causal Network Construction Method Based on Chinese Quality Problem Solving Data [J]. Chinese Journal of Management Science, 2023, 31(10): 254-265.
[3]	MENG Xiu-li, LIU Bo, AN Kun. Selection of Crowdsourcing Logistics Operation Mode Considering Deliverer Interaction and Service Quality [J]. Chinese Journal of Management Science, 2023, 31(5): 218-229.
[4]	OUYANG Lin-han, TAO Bao-ping, MA Yan. Research on Quality Prediction Based on Gaussian Process Model with Selective Ensemble Kernel [J]. Chinese Journal of Management Science, 2023, 31(3): 69-80.
[5]	MENG Xiu-li, YANG Jing, WU Yi-fan. Optimal Control of Crowdsourcing Logistics Service Quality Considering Reward-penalty Mechanism and Cost Sharing [J]. Chinese Journal of Management Science, 2022, 30(11): 182-195.
[6]	SUN Shu-hui, ZHU Li-long. Moran Evolutionary Analysis of Enterprise’s Quality Improvement Investment Decision under Consumer Feedback [J]. Chinese Journal of Management Science, 2022, 30(2): 244-255.
[7]	WANG Yu-hang, DANG Yan-zhong, XU Zhao-guang. Mining Automobile Quality Problems Based on the Characteristics of Forum Data [J]. Chinese Journal of Management Science, 2021, 29(9): 201-212.
[8]	CHEN Hong-zhuan, FANG Zhi-geng, LIU Si-feng, HE Li-fang. The Optimal Cost-Sharing Incentive Strategy of Main Manufacturer-Suppliers for Complex Product [J]. Chinese Journal of Management Science, 2014, 22(9): 98-105.

Intelligent Quality Management: Theoretical Framework, Key Technologies, and Research Prospect

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 3

References 53

Related Articles 8

Metrics

Comments

Recommended 0