【EV视界报道】9月7日，在2022第四届全球新能源与智能汽车供应链创新大会上，宁波数益工联科技创始人兼CEO何盛华表示，如果是传统的QMS数字化管理，只是说拿系统里面工厂生产过程中的检测数据和质量管理本身的内容，无法进行真正的全链管理。
以下是宁波数益工联科技创始人兼CEO何盛华的演讲实录：
今天和大家分享一下怎么样做整个数字化质量管理。今天我主要分成三个大的部分。
1 | 基于数据流与价值流的数字化工厂架构；
2 | 新能源汽车零部件数字化质量管理实例；
3 | 数字化质量管理发展新方向
现代化数字化管理进入了一个全要素和全链的过程。
什么叫全要素？
如果是传统的QMS数字化管理，只是说拿系统里面工厂生产过程中的检测数据和质量管理本身的内容，无法进行真正的全链管理。
比如工装模具的使用、设备的异常、原材料的变化、加工工艺参数的变化，在传统的工厂质量管理体系里，这些内容并没有完全纳入到质量管理因素当中。当我们要实现一个完整的全要素的质量管理，必须要把这些因素纳入进去，大部分的质量安全问题都是由这些因素造成的。
传统的质量管理，大量地使用人工单据的方式，它的数据是不准确不完整的，我们遗漏了大量影响产品质量结果的因素。如何用数字化工厂的系统进行全要素的质量管理，就变成了一个我们要解决的问题。
什么叫全链？
从整车厂到L1到L2，到原材料，其实那已经不是真正的所谓的汽车零部件行业。到中间这条主产业链过程中，我们还有很多的辅助供应商，比如设备供应商、刀具供应商，辅料供应商，这些内容都会对最终的产品质量结果产生巨大的影响。
特斯拉现在对于供应商的数字化管理，从L1到L5分了五个等级，L1用电脑进行管理，L2是对实物进行二维码调码的实物跟踪，L3是把过程检测的数据上传自动采集并传送到特斯拉的系统当中。L4是把加工过程的工艺参数进行采集，L5就要应用到很多的大数据分析和AI技术，使得这些不同的质量因素在算法层进行自动管控。
怎么样从全要素全链路的数字化质量管理，到数字化质量管理的新方向，如何用大数据和智能化的技术来实现这些内容。这是今天我和大家做的简单的交流。
基于数据流与价值流的数字化工厂架构
边缘数据层：
我们要构建这样大的架构，首先要从物联层来解决，这些大量的数据不可能用人工采集的方式。IOT物联是整个数字化质量管理的底层基础，没有这块底层基础，依然停留在原来L2等级之前的传统质量管理状态。在汽车行业，会发现我们的设备有几千种不同类型，涉及到上千种不同的通讯协议，如何用标准的终端，IOT的方式，把这些工艺参数，把三坐标、光谱议、X光机，各种制造的设备都进行相应的联网，这个时候就需要用IOT的手段进行相应的数据采集，整个80%以上的数据都应该来自于IOT的数据，这个数据是非常海量的，这是唯一能够解决数字化质量管理的底层方式。
这样的情况下，我们构建整个完整的三层结构。底层是IOT，但是还不够，现场还有大量的质量控制内容，所以需要用到一些扫码的手段，比如模具上可以激光刻码，使得这些工装模具、刀具，这些因素跟产品质量密切相关，把这些相应的非电子化内容纳入到系统当中。
同时还要进行大量的人机交互。现场的这些直接人员和间接人员如何进行交互，使得完整的这些质量数据也能进入到系统当中。底层是IOT加上扫码刷卡，再加上交互，构成整个数字化质量管理的数据基础。
应用功能层：
在这个基础上，我们进行完整的数字化管理，这个管理不仅包括质量管理本身，也会包括设备管理，模具的管理，刀具的管理，物流的管理，仓储的管理。比如在一个位置停留了多长时间，这些因素都要进入到系统当中，构建成数字化质量管理的全要素数据基础，跟所有的日常质量管理的内容结合在一起，无论是冻结还是检测本身的过程，形成整个第二层。
数据大脑层：
第二层完成以后，经过一定的数据积累，才能来做第三层的事情，第三层的事情就要接入大数据平台，把这些数据接入以后，可以做工艺质量的分析，要把参数、工装信息、原材料成分、环境的温度、酸碱度，这些信息都要进入到系统当中，并且有Y的相应检测结果，这个时候积累海量的X和Y的结果，无论是冲压、压铸、电镀等等这些因素，把这些因素采集完整，如果能够做到一对一强关联，这个时候X、Y建模就会非常强有力。很多时候，在量产的环境里面进行批次的时候，我们可以用弱相关的方式进行模型的建立，还可以做很多的质量离场感知。但我们现在的一些状态和过去发生了不一样，尽管并没有人为设定相应的标准，仅仅是因为通过大数据的手段，当我们今天的状态跟过去发生不一样的时候，发生很大波动的时候，系统能够进行相应的自动预警。这是第三层。
如何从全数字化工厂的角度进行数字化质量管理
当我们把第一、第二、第三层构建之后，就能够从全数字化工厂的角度进行全面的数字化质量管理。
工厂要从原材料到成品，沿着这条工艺路线将不同的制造设备、检测设备实现全部联网。供应链和供应链之间，可以把供应链不同的工厂全部连接到同一个数据平台当中，这个时候前面工厂的数据就是后面工厂的IQC数据，原材料的信息成为一个完整的环，成为一个真正的链条。不同的工厂到车间到工厂，到一个集团的多工厂，所有的这些质量数据都能够进行自动的汇总。
当完成数字化质量管理以后，90%以上的原来的手工报表都不应该再存在，各种各样的质量数据，过程的检验，IQC的抽检，所有的数据都像吸尘器一样，通过金字塔的模型自动传送到上层，形成我们所需要的各种各样的质量管理报表。
电子行业、装备制造行业，都需要进行相应的物联连接。数字化管理层来讲是全要素，这些内容都跟质量管理密切相关，比如设备在这个过程中有没有发生相应的故障，工装模具有没有发生更换，到用什么样的刀具做什么样的产品，当时的检测原料材料成分是什么样的，这些内容都跟最终能够形成的质量分析报表，和相应的后面要做的分析密切相关。
当物联层实现后，所有的手检、过程检验都在系统里面进行操作，把控制进化里面相应的要求全都内置在软件里，由软件进行相应的控制计划、自动管控。检测的标准是什么，公差的上下限是多少，当发生各种异常时，可以对批次产品进行冻结，对设备进行数字化的操作。无论是自动上传的判定，还是检验结果实时取样、管控，发生任何变化的时候，它都会自动触发相应的质量流程。
结构化的数据才能进行大数据分析和更加永久性的保存，以及相应的解锁。无论是对异常批次数的定位，还是各种分析报表。当所有的数据都在系统里面，想生成什么样的分析报表，都可以由自己进行相应的设定，可以把常用的几十种不同的质量报表由系统进行相应的生成，无论是因果图也好，鱼骨图也好，SPC的管控，各种各样的控制图，还是相应的预警点，当由系统进行自动管控的时候，会发现这些工作会变得非常简单。因为我们把相应的内置规则内置到系统当中，它会根据我们定制的标准发出相应的信号，最终实现全数据状态。
在追溯层面，无论是批次的追溯，还是单件的追溯，只要在产品上，无论这个产品用了多少年，扫一下码就可以知道从头到尾每一道的加工信息，包括在不同工厂之间的相互追溯信息，从整车到原料，整条链路、中间的辅料和配套也可以有完整的数据。
我们有一个完整的质量数据中台进行统筹管控，所有的数据都在里面，并且有相应的API的接口，把相应的数据链入进来，这里的数据随着时间的积累，会成为一个可以挖掘的金矿。
数字化质量管理发展新方向
最终，我们要实现怎样的状态？不能形成数据孤岛。如果一个工厂里面有其他的系统，会发现刀具的管理系统和QME系统，跟设备的管理，所有这些数据都是单独的，很多数据和数据之间无法关联，当你要做质量分析的时候根本没有办法做。
所以我们要用一个系统，把整个工厂里面所有跟质量相关的内容都纳入其中，使得数据是完整的，是完全实时的，再结合大数据平台，把算法结合到里面。最终以IOT为底层，确保所有的数据都能够对应，再往上，数字化的管理层把全要素的管理全部纳入到系统当中去，再用大数据进行分析，保持最上面的一层，形成完整的大的数字化工厂的架构。最终在数据层可以做大数据分析，做智能化的应用。
只有数据积累到一定程度，并且数据的准确性和完整性可以保证的时候，那些算法才能够真正的投入使用。无论是质量异常的感知还是质量的决策，才能够在上层去解决。
这个时候把工厂的数据完成以后，还能把研发的数据纳入当中，能够跟追踪汽车本身的进度，这个汽车实际使用五年后十年后它的质量表现到底是什么样的，再反过来重新调整制造的过程，研发过程，实现研发、制造、售后，所有的数据得到全链打通的状态。
最后介绍一下我们公司，我们是一家200人的软件公司，做包括汽车零部件在内的数字化工厂的公司。在上海、苏州和广州都有分公司。我们要把16949体系里面的内容，质量管理体系内容装到软件里面去，再应用最好的互联网技术，抖音的这些技术，阿里的技术，结合他们的数据并发处理能力和他们的算法能力，构成完整的数字化工厂软件，实现整个数字化质量管理。
