宁波市舒义总工会何盛华！新能源汽车行业如何提升数字化质量管理

【报道】9月7日，在第四届全球新能源与智能汽车供应链创新大会上，宁波数一工联科技创始人及CEO何盛华表示，如果是传统的QMS数字化管理仅指工厂生产过程中的检测数据和系统中质量管理本身的内容，无法进行真正的全链条管理。

以下为宁波书一科联创始人、CEO何盛华演讲实录： 今天我跟大家分享一下如何做好整个数字化质量管理。

今天我主要分为三大部分。

1 |基于数据流和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。

现代数字化管理已进入全要素、全链条流程。

什么是总因数？如果是传统的QMS数字化管理，只是将工厂生产过程中的检测数据和质量管理本身的内容放在系统中，无法进行真正的全链条管理。

例如工装模具的使用、设备的异常、原材料的变化、加工参数的变化等。

在传统的工厂质量管理体系中，这些内容并没有完全纳入质量管理因素。

当我们想要实现完整的全要素质量管理时，必须将这些因素包括在内。

大多数质量和安全问题都是由这些因素引起的。

传统的质量管理采用大量的手工文档，其数据不准确、不完整。

我们忽略了很多影响产品质量结果的因素。

如何利用数字化工厂系统进行全要素质量管理成为我们需要解决的问题。

整个链条是什么？从整车厂到L1再到L2，再到原材料，其实已经不再是真正的所谓汽车零部件行业了。

在主产业链的中间，我们还有很多辅助供应商，比如设备供应商、工具供应商、辅助材料供应商。

这些内容将对最终的产品质量结果产生巨大的影响。

特斯拉现在将供应商的数字化管理分为L1到L5五个级别。

L1是计算机管理，L2是通过二维码调整对实物进行物理跟踪，L3是过程检测数据自动上传。

收集并传输到特斯拉的系统。

L4收集加工过程的工艺参数，L5应用大量的大数据分析和AI技术，在算法层面自动控制这些不同的品质因素。

如何从全要素、全环节数字化质量管理走向数字化质量管理新方向，以及如何利用大数据和智能技术来实现这些内容。

这是我今天与大家进行的一次简单的交流。

基于数据流和价值流的数字化工厂架构边缘数据层：想要构建这么大的架构，首先要从物联网层来解决。

这些大量数据无法手动收集。

物联网是整个数字质量管理的底层基础。

如果没有这个底层基础，仍然会停留在原来L2级别之前的传统质量管理状态。

在汽车行业，你会发现我们的设备有数千种不同的类型，涉及数千种不同的通信协议。

如何利用标准终端和物联网方法将这些工艺参数组合成三维坐标、频谱分析，并将X光机和各种制造设备连接到相应的网络中。

这时就需要利用物联网手段来收集相应的数据。

整个数据80%以上应该来自IOT数据。

这个数据非常庞大。

这是唯一能够解决数字化质量管理的底层方法。

在本例中，我们构建了一个完整的三层结构。

最底层是IOT，但还不够。

现场还有很多质量控制内容，所以需要使用一些扫码方法。

例如，模具可以进行激光雕刻，因此工装模具和切削刀具等这些因素与产品质量密切相关。

将这些相应的非电子内容纳入到系统中。

同时，需要大量的人机交互。

这些现场直接人员和间接人员如何交互，可以让完整的质量数据进入系统。

最底层是IOT加上扫码刷卡，加上交互，就形成了整个数字化质量管理的数据基础。

应用功能层：在此基础上进行完整的数字化管理。

这种管理不仅包括质量管理本身，还包括设备管理、模具管理、工具管理、物流管理、仓储管理等。

例如，您在某个地点停留了多长时间。

这些因素必须输入到系统中，构建数字化质量管理的全要素数据基础，与所有日常质量管理内容相结合，无论是冷冻还是检验过程本身。

，形成整个第二层。

数据大脑层：第二层完成后，积累一定量的数据后，就可以做第三层的事情了。

第三层物联网必须连接到大数据平台。

这些数据连接起来之后，就可以进行工艺质量了。

进行分析时，必须将参数、工装信息、原材料成分、环境温度、pH值输入到系统中，并且Y必须有相应的测试结果。

此时，已经积累了大量的X和Y结果，无论是冲压、压铸、电镀等因素，如果将这些因素收集完整，如果能够实现很强的一对一关联，这时候X和Y建模就会非常强大。

很多时候，在量产环境下进行批次时，我们可以利用弱相关性来建立模型，进行大量的质量偏离感知。

但我们现在的一些状态与过去有所不同。

虽然没有相应的人为标准，但这只是因为通过大数据的手段，当我们今天的状态与过去不同时，就会出现很大的波动。

时间，系统可以进行相应的自动预警。

这是第三个层次。

如何从全数字化工厂的角度进行数字化质量管理。

当我们建设好第一层、第二层、第三层之后，我们就可以从全数字化工厂的角度进行全面的数字化质量管理。

工厂必须沿着从原材料到成品的这一工艺路线将所有不同的制造设备和检测设备连接到互联网。

供应链与供应链之间，供应链上的所有工厂都可以连接到同一个数据平台。

此时，前一个工厂的数据就是后一个工厂的IQC数据，原材料的信息就变成了完整的环，真正的链条。

从不同工厂到车间到工厂，再到集团内的多个工厂，所有这些质量数据都可以自动汇总。

当数字化质量管理完成后，90%以上的原始手工报告应该不复存在。

各种质量数据、过程检验、IQC随机检验，所有数据都会像吸尘器一样自动通过金字塔模型。

发送给上层，形成我们需要的各种质量管理报告。

电子行业、装备制造业都需要相应的物联网连接。

就数字化管理而言，都是要素。

这些内容与质量管理密切相关，例如设备在加工过程中是否出现相应的故障，工装模具是否更换，用什么样的工具制造什么样的产品等。

当时测试的原材料成分与最终能形成的质量分析报告以及后面要做的相应分析密切相关。

当物联网层实现时，所有的人工巡检和过程巡检都将在系统中进行，所有相应的控制演进要求都将内置到软件中，由软件进行相应的控制计划和自动管理。

检测标准是什么，公差的上下限是多少？当出现各种异常情况时，可以冻结批次产品，并对设备进行数字化操作。

无论是自动上传判断，还是检验结果实时采样和控制，当发生任何变化时，都会自动触发相应的质量流程。

只有结构化数据才能进行大数据分析，更永久的存储，以及相应的解锁。

无论是异常批号的定位还是各种分析报告。

当所有数据都在系统中时，您可以设置想要生成的任何分析报告。

系统可以相应生成数十种常用的质量报告，无论是因果图还是因果图。

那么，无论是鱼骨图、SPC控制、各种控制图，还是相应的预警点，当系统进行自动控制时，你会发现这些工作都会变得非常简单。

因为我们在系统中内置了相应的内置规则，它会按照我们定制的标准发出相应的信号，最终达到全数据状态。

在追溯层面，无论是批次追溯还是单件追溯，只要是在产品上，无论产品使用了多少年，通过扫码都可以了解从头到尾的加工信息，包括不同工厂之间的加工信息。

整车和原材料之间的相互追溯信息也可以拥有整个环节、中间辅助材料和支撑材料的完整数据。

我们拥有完善的质量数据中心进行全面管理和控制。

所有的数据都在里面，并且有相应的API接口来链接相应的数据。

随着时间的推移，数据积累起来，就会成为一座可开采的金矿。

数字化质量管理发展新方向到底我们要达到一个什么样的境界？无法形成数据孤岛。

如果工厂里还有其他系统，你会发现工具管理系统和QME系统，还有设备管理，这些数据都是分开的，很多数据是无法关联起来的。

当你想做质量分析的时候，是没有办法的。

没有办法做到。

所以我们需要用一个系统把整个工厂所有与质量相关的内容都包含进来，让数据完整、完全实时，然后跟大数据平台结合起来，把算法纳入其中。

最后以IOT作为底层，保证所有数据都能匹配。

再往上，数字化管理层将管理的所有要素纳入到系统中，然后利用大数据进行分析来维护顶层，形成一个完整的大型数字化工厂的架构。

最后可以在数据层进行大数据分析和智能应用。

只有当数据积累到一定程度，并且能够保证数据的准确性和完整性时，这些算法才能真正投入使用。

无论是质量异常感知，还是质量决策，都只能在上层解决。

这时候工厂数据完成后，研发数据也可以纳入进来，可以跟踪汽车本身的进度。

汽车实际使用五年和十年后的品质表现会怎样？调整制造流程和研发流程，实现研发、制造、售后，所有数据全链条打通。

最后，我来介绍一下我们公司。

我们是一家生产包括汽车零部件在内的数字化工厂的单人软件公司。

在上海、苏州、广州设有分公司。

我们要把9体系和质量管理体系的内容安装到软件里，然后应用最好的互联网技术，抖音的技术，阿里巴巴的技术，结合他们的数据并发处理能力，他们的算法能力。

，构成完整的数字化工厂软件，实现全数字化质量管理。