在制造业领域，产品质量管理是企业核心竞争力构建的关键环节。传统的质量管理手段先后关注结果质量、过程质量、全流程质量的相关方法。然而，随着21世纪后全球互联网的深度发展，以智能化、自动化为特色的“智能+”信息化技术开辟了质量管理技术新阶段，因此，数据成为了新时代质量管理的基础，贯穿于产品从设计到退役的全生命周期之中。
数据的表现形式多样，涵盖了数值指标、图像分析、视频监控、文本记录等多元化形态，不仅促使数据收集手段需不断创新与丰富，以满足多样化的数据捕获需求，同时也对数据分析理论的深度、模型的适用性提出了更为严苛的要求。然而，数据的不平衡、多源异构等复杂特性为质量管理新技术的应用带来了挑战。为解决上述挑战，已有研究关注高维、多样性、时空依赖和异构的复杂数据建模问题，南京航空航天大学经济与管理学院的研究人员构建了基于复杂数据的质量管理综述框架，如图1所示，详细揭示了复杂数据在质量管理中的综合应用，涵盖质量检测、质量监测与运维管理三个核心环节，并针对每个环节的典型质量问题展开系统综述。图1 基于复杂数据的质量管理结构
质量检测与质量监测均聚焦于产品的质量管理层面，但两者在实施阶段与关注重点上有所差异，质量检测作为事后控制手段，主要用于验证产品质量，重点涵盖质量表面检测、内部检测和性能检测等环节；而质量监测则更注重过程质量控制，强调对生产过程的实时监督与动态调整，重点关注产品异常监测问题与动态过程优化问题；运维管理虽然聚焦于设备的质量管理，但在技术手段上与质量检测和质量监测有许多相似之处，主要关注的问题包括运行质量与维护技术。
在现代制造业中，质量检测已成为确保产品安全性和可靠性的关键环节，同时在质量管理中起到了重要的把关作用，保障了生产过程的稳定性与一致性。在制造领域，质量检测不仅是确保产品合格的核心措施，还成为提升生产效率和优化流程的关键手段。
如在增材制造领域，这一先进制造技术仍然存在一些典型的质量问题，例如，材料在成型过程中可能会出现气孔、裂纹或结构不均匀等缺陷，影响最终产品的强度和精度，因此，进行质量检测显得尤为重要。数据作为质量检测的重要手段，能够为检测提供精确的量化依据，通过分析几何尺寸、材料密度和内部结构等数据，工程师可以有效识别潜在缺陷，从而提升增材制造产品的整体质量。
在半导体制造行业，典型的质量问题包括晶圆缺陷、晶体管不均匀性、导线断裂以及材料杂质等，这些问题可能导致器件失效或性能下降，因此，需要对半导体制造质量进行检测，以发现问题并进行工艺改进，从而提升半导体制造的整体质量和产能。
在质量检测领域中，图像数据按照不同检测位置可以划分为两类：针对表面质量检测的图像数据集和针对内部结构的扫描数据集。前者通常通过工业相机拍摄获得，用以检测产品表面的划痕、凹陷或其他不规则等缺陷；后者主要涉及CT、X射线扫描等技术，能够提供产品内部关于孔隙、裂缝以及异物等缺陷的详细信息，帮助评估其性能及潜在的结构性问题。
在表面质量检测方面，Avola等针对复杂装备产品的表面结构缺陷检测问题，提出了由检测器和定位器模块组成的双分支神经网络架构对图像数据进行分析，该模型通过半监督学习实现了缺陷的精准识别与定位，极大提高了产品的质量检测效率。
考虑到地表形貌图像数据的自相关性，检测表面变化具有一定困难，Baek等因此提出了一种基于残差的分离偏差模型，旨在捕捉残差的空间依赖性，该方法能够精确识别并标记出缺陷区域，从而实现了对表面形变的精准检测。
在表面质量检测领域，除了识别缺陷之外，对缺陷进行准确分类同样具有重要意义。例如，Manivannan提出了一种半监督学习方法，通过教师网络协作生成高质量的图像伪标签，并将知识迁移至学生网络，能够简化模型并加速推理，高效地解决了利用有限标记数据进行复杂装备产品表面缺陷分类准确率低的问题。
随着复杂装备产品内部结构越来越复杂，针对内部结构的质量检测技术日益增多。在管道内部障碍物的检测问题中，林时雨等通过收集多帧点云图像，分析其时间连续性和空间分布，识别并去除噪声，进而检测障碍物的出现模式和邻域稳定性，该方法对精度提升了约30%，为管道安全运行提供了技术支持。
针对复合芯输电线内部缺陷的高性能识别问题，Wang等基于线材图像构建了基于中心网络的无锚点目标检测模型，该模型通过特有的特征融合模块提高了线路检查的准确率，进而减少了断线的安全隐患。
针对芯片X射线图像人工缺陷检测效率低下的问题，Wang等提出了一种智能缺陷诊断算法，该算法通过图像分割和归一化、图像重建和缺陷检测、轮廓匹配和鉴定诊断阶段实现了芯片智能故障诊断的目标，极大提升了缺陷检测准确率。
在产品结构的质量检测中，超声波检测是一种基于声波原理的无损检测技术，此类数据具有声波传播、反射和衰减相关的数据特征。
在表面质量检测方面，风力涡轮机叶片作为航空发电机中的关键部件，其叶片表面泥土和污垢的厚度是影响其功能的重要因素。Arcos等采用超声波检测来测定泥土和污垢的厚度，该研究通过小波变换对超声波信号进行滤波以去除冗余信息，然后集成多种监督学习分类器对模式进行识别，该方法在众多涡轮机叶片的检测方法中取得了最佳效果，为提高风力涡轮机的运行效率提供了有力支持。
此外，在内部结构检测问题中，增材制造领域的零件检测仍存在较大的技术空缺。因此，Chabot等开发了基于相控阵超声波测试技术的控制方法，该方法利用自适应滤波和波形重构的方式改进了信号处理算法，有效解决了传统检测方法对复杂几何形状和内部缺陷的识别不足问题，显著提升了检测效率和准确性。
而在增材制造中的激光点焊领域，针对微焊点缺陷难以直观识别的难题，Ding等提出了使用激光超声检测技术的解决方案，该方法利用热弹性模型和有限元方法建立理论模型，分析了兰姆超声波在不同质量焊缝中的传播特性，并以此为依据直观地区分标准焊和假焊，从而提高了激光点焊质量检测的有效性。
传统文本数据通常以非结构化形式存在，如文档和文章，包含丰富多样的信息，但缺乏统一的格式和结构，导致自动化处理困难。相比之下，知识图谱以结构化方式呈现数据，通过图形化的形式清晰表达实体及其关系，丰富了数据的语义，使得机器自动检索和分析变得更为便捷。
为确保每一产品的精准达标，并有效降低不良质量所带来的成本负担，制造业积极采用深度文本数据挖掘与知识图谱构建技术。这一流程已成为质量控制体系的核心环节，借助先进的文本处理与知识图谱构建策略，制造业能够有效应对海量多样化的数据，实现深度整合与精准洞察，从而显著提升产品质量检测的准确性与效率。
在焊接领域，Li等提出了细粒度柔性图卷积神经网络模型，该模型用知识图谱将焊缝外观质量与其位置之间的关系映射到点向空间，从而利用柔性图卷积神经网络挖掘点向空间中的特征，实现自然语言处理与计算机视觉的结合，解决了电阻点焊中焊缝外观质量难以检测的问题。
许多学者对基于多模态数据质量检测方法的应用与改进提出了新思路。例如，在焊缝质量预测问题中，Mohandas等设计了一种卷积自编码器以提取RGB图像的特征，多模态输入数据包括图像特征与输入参数，并在此基础上应用回归和深度学习模型进行质量预测，与单模态方法相比，基于多模态数据的方法减少了34%的预测误差。
此外，在航空航天领域，Mosca等提出了一种基于产品二维数据与三维数据的多模态方法，该方法结合了点云分析与卷积神经网络，能够定量表征与识别机舱的几何缺陷和表面缺陷及其特征。
在增材制造领域多模态质量检测研究中，Chheang等将虚拟现实框架引入数据处理中，通过对齐和可视化多模态数据、视觉遮挡管理、流式传输大规模体积数据和工作工具，增强了数字孪生技术在增材制造部件质量检测中的应用。
综上，图像数据凭借其直观的视觉表现力，将深度学习算法框架应用于产品表面缺陷检测和复杂内部结构的分析中，成为质量检测中的重要组成部分；声数据则利用超声波、振动波等声学特性进行无损检测，检测结果通常更加精确，并且确保材料和设备的内部完整性；文本数据通过构建知识图谱与自然语言处理技术，可以自动提取出关键信息，进一步推动质量检测的智能化和自动化；多模态数据通过融合异构数据集进行特征提取和信息融合，为质量检测提供了更全面的视角。
数据的多样化应用极大地提升了制造业质量检测的准确性和效率。这些不同的数据类型互为补充，推动了制造业检测流程的自动化与智能化发展，因此，基于复杂数据的质量检测过程将在制造业中发挥更为重要的作用。
随着自动化和智能制造的快速发展，基于复杂数据的在线监测研究在制造业质量管理研究中的进程不断拓展，其中，主要涵盖了数值、图像、视频和文本等数据类型。
具体而言，数值数据通过实时监测传感器信号（如温度信号、振动信号等），借助精密测量技术，精准反映产品的实时制造状况；图像和视频数据通过机器视觉技术进行实时监控，自动识别物理缺陷，确保产品质量的精准监测；与此同时，文本数据则负责记录关键操作参数、制造日志以及相关操作信息，为质量监测、问题溯源和流程优化提供详细的文档支持。
以上数据的精确获取和综合利用能够有效地解决产品制造过程中在线监测存在的两类典型问题，包括产品制造异常监测、动态制造过程优化。此外，在不同工程领域中，复杂数据的应用及其对应的监测问题表现出独特的领域特性和需求。不同领域的具体需求不仅决定了所采用的数据类型，也决定了需要优先解决的监测问题，这些因素共同推动了针对性技术解决方案的开发和应用。
产品制造异常监测是一种关键的质量控制手段，其目标是实时或预先发现制造过程中可能出现的异常或偏差。
在增材制造领域，鉴于其逐层堆叠的工艺机理，Xu等提出了深度混合效应建模方法，在此基础上改进了Hotelling T²和广义似然比控制图，进而实现了对金属增材制造过程中的熔池温度的实时监测。
此外，针对增材制造过程中的瞬态温度分布监测，Lu等提出了基于物理的压缩感知方法，通过建立瞬态热模型，结合三维空间分割成的有限元和连续时间离散化，可以仅用少量测量点实现局部温度数据向全局温度分布的精准重构。
为了解决激光粉末床熔融工艺中熔池尺寸和形态的实时预测问题，Zhang等在激光位置、功率等制造数据的基础上，提出了基于长短期记忆网络的策略，该方法通过实时监测和控制熔池状态，为保障产品质量提供了技术支持。
在半导体制备领域，Wang等提出了混合效应高斯过程模型，同时考虑了批次间、晶圆间和单个晶圆内空间的三层方差，并以此对质量进行建模，之后构建广义似然比和Hotelling T²控制图，最终实现了对晶圆制造过程中异常状态的实时监测。
另一方面，在在线监测研究中，动态制造过程优化通过不断调整和优化制造参数及流程，可以提高生产效率，降低成本，进一步实现产品的质量管理。
由于实时监测与控制焊缝熔透是变极性等离子弧焊过程中的关键问题，Wu等提出了基于极限学习机和无模型自适应控制的智能建模和控制框架，该方法能够实时预测工件背面焊缝的宽度并调节焊接电流等参数，从而动态优化制造过程，同时提高了预测精度和控制性能。
此外，在大规模连续生产中，针对实时监测柔性电子产品等材料生产状态所面临的挑战，Shui等结合物理模型和数据驱动方法，提出了双重方差传播模型（包括产品中心方差和过程中心方差），这种混合建模方法能够监测产品制造状态，对生产过程进行实时调整和优化，从而提高质量和生产效率。
图像数据在制造领域的监测问题中能够提供丰富且直观的信息，在先进制造领域可以捕捉产品表面的粗糙度、形状的偏差等，保证产品质量并满足精确度要求。同时，图像数据也被广泛应用于机器视觉系统，能够识别和定位物体，实现无人值守的自动化生产和质量控制，大大提高了生产效率和质量。此外，人工智能和深度学习技术的发展正在逐步改变制造业的面貌。
在增材制造领域，图像数据通常具有高度动态性、时空相关性与多尺度性等特点，通过在建模过程中充分考虑这些特性，可以实现精确、高效的增材制造过程在线质量监测。
Aminzadeh等开发了基于贝叶斯分类器的在线质量监测方法，通过提取金属粉末床增材制造过程中图像的空间和频域特征，并采用自适应阈值处理等技术，实现有效区分有缺陷和无缺陷区域，从而实时监测每一层的熔合质量和缺陷形成情况。
随着深度学习技术的快速发展，现有研究基于卷积神经网络创新性地提出了更为前沿的架构，在处理复杂图像数据时展现出了更高的适应性和准确性。
Zhang等采用了结合时间和空间特征的混合卷积神经网络，通过两阶段提取图像的空间特征，并按时间序列重排以分类质量级别，从而实现对于粉末床熔融制造过程中正常、过热等不同状态的实时监控。
Mojached等针对监测激光粉末床熔融过程中气孔缺陷的问题，构建了包含两个并行深度神经网络的架构，通过整合原始层间图像特征以及均值、标准差等非图像统计特征，有效识别出了导致气孔缺陷的过程参数偏差，从而为动态制造过程优化提供了有力支撑。
Yin等构建了采用多分支融合卷积神经网络和动态映射策略的方案，通过引入注意力机制和特征融合模块，提取机器人激光增材制造过程中的质量特征，提高了局部缺陷监测的效率和准确性。
Hong等提出了基于微视觉传感和优化支持向量机算法的超薄板边缘焊接实时质量监测方法，该方法通过提取熔池图像的单帧空间特征和帧间相关特征，实现了对未融合、凸起等典型焊接状态的准确分类，为质量控制在在线闭环控制提供了可靠依据。
实时监测不仅有助于快速识别并纠正过程偏差，还能动态优化生产流程，从而提高制造过程的准确性和效率。
Guo等从热成像图中提取温度、形状等物理特征，并与K-means、OPTICS等聚类算法集成，有效地将未标记的热成像数据转化为具有操作条件标记的数据。这一方法不仅可以识别制造过程中的正常或异常状态，还能够实时监测和分析生产过程中出现的偏差，从而为动态调整控制参数和优化制造过程提供依据。
Hong等针对机器人氦弧焊接过程中焊缝凹陷、未熔透等问题，构建了一个同时提取时空特征的双流卷积神经网络模型，并使用注意力融合模块加权整合特征。与仅利用熔池图像中时间或空间信息的模型相比，该方法的平均分类准确率提升了5.68%和6.4%，同时，通过对焊接过程中的异常状态进行精确识别，有助于实时调整焊接参数，动态优化焊接过程。
在复杂装备制造领域，多个精密部件的协同运作至关重要。鉴于此，该制造过程对精度和质量一致性提出了极为严格的要求。通过应用先进的实时监测技术，可以确保制造过程中的每个环节都处于最优状态。
例如，在材料选择上，通过实时监测材料的物理和化学特性（如强度、硬度和耐腐蚀性），确保所选材料符合特定的性能标准；在加工工艺中，通过实时调整切削速度和进给率以优化加工效率；在设备调校时，通过在线监控机械运行状况，能够有效预防故障的发生。这种全面的监控和调整不仅可以及时识别和纠正潜在问题，还能降低废品率，提升整体生产效率，最终实现高质量、高效率的生产目标。
例如，Zhou等针对液体火箭发动机喷嘴的焊接质量监控问题，提出了基于多任务深度学习模型的在线视觉监测方法，通过融合目标监测和图像分割任务，同时进行实时缺陷监测和精密焊缝宽度测量，该方法显著提升了精密部件焊接质量和复杂装备制造过程的生产效率与控制精度。
随着自动化技术的迅猛发展和现代制造业需求的持续演进，视频数据在产品制造过程中逐渐受到关注。相较于静态的图像数据，视频数据具有时序性、动态性等独有特性，能够更加全面地捕捉和分析产品在生产过程中随时间变化的动态行为，从而实现连续且高效的实时质量监控。
Wang等提出了基于多相机视觉的实时监测方法，该方法可以实时估计二面角等几何特征，并将其与预设目标值进行比较，通过实时反馈帮助调整激光功率、扫描速度等关键工艺参数，从而确保产品精度，持续优化制造流程。
Segura等提出了基于在线张量分解和贝叶斯在线变化监测的框架，通过逐帧分析产品制造过程中生成的视频流，该方法实时提取并降维时空特征，进而监测特征突变，高效实现了对异常的准确识别。
Bugatti等提出了基于分类的快速视频成像数据分析方法，通过对视频中感兴趣区域的亮度衰减历史进行特征提取和分类，能够在热点缺陷出现后快速且精准地检出，该方法的计算速度是视频采集速度的两倍，有效实现了增材制造过程中热点缺陷的实时原位监测。
Yan等提出了带惩罚项的时空回归方法，将金属增材制造过程中的视频数据分解为背景、自然前景事件和异常事件三部分，并基于惩罚似然和递归估计算法构建异常监测算法，该方法同时考虑了时间和空间结构，计算效率高，有利于实时监测大规模高维数据。
在线监测中的文本数据通常源于设备日志、操作员报告等，提供了关于生产过程中各种事件和状态的详细描述，具有高维度、非结构性、多样来源性等特点，对自然语言处理技术、语义理解、模型可解释性等提出了更高要求。
Yoder等构建了结合拓扑优化和电子束粉末床熔融的制造方法，该方法利用近红外成像和制造日志文件分析等原位表征技术，实时监测制造过程中的缺陷形成，有效地预测了零件的潜在缺陷和失效位置。
Nagy等提出了一系列流程挖掘方法，该方法利用文本数据，在时间和空间上追踪并识别生产过程中的缺陷形成，从而建模及可视化产品缺陷的时空分布，实现了对异常产品形成过程的有效监测及定位。
在产品制造过程中，异构传感器采用不同的测量方法和技术原理，感知和记录不同种类的工艺参数或环境信息。相较于基于单一数据类型进行质量监测建模，由异构传感器获取的多模态数据具有独特的优势，如信息互补性、系统鲁棒性和预测准确性等，因此，许多研究者致力于基于多模态数据的质量监测研究，以提升产品制造过程中的质量控制效果。
Rao等采用热电偶、加速度计、实时微型视频硼镜等设备构成的原位异构传感器，收集到温度、加速度等数值数据，以及熔融丝制造过程的视频数据，通过多模态数据输入，将非参数贝叶斯狄利克雷过程混合模型和证据理论结合，实时监测增材制造过程，该方法的缺陷识别准确率提高了15%。
Vandone等基于高速相机、3D扫描仪等多种异构传感器，综合收集了增材制造过程中的在线监测数据（如熔池实时图像等）和离线检测数据（如部件的三维几何数据等）进行模型构建，该模型通过融合多模态数据，实时调整激光功率等制造参数，动态优化零件尺寸，影响其机械性能的微观结构特征，如表面粗糙度、内部孔隙率等，进而提高过程效率和部件质量。
Akhavan等综述了基于机器学习模型的异构传感器融合和控制策略，通过融合增材制造过程中的振动信号、热力图等多模态数据，构建了一个完整的监测系统。该系统能够实时预测并减轻制造过程中的缺陷，有效提升了机器学习模型在增材制造质量监测中的应用效果。
Bevans等从微观、介观、宏观三个尺度出发，通过融合温度红外热成像、熔池高速喷溅成像，以及光学粉末成像等多模态数据，采用支持向量机、K近邻等机器学习模型，实时监控材料的热稳定性、熔池动态（如熔池形状、大小、温度分布）等关键质量特性，实现了增材制造过程中多尺度缺陷的在线监测。
综上所述，在产品制造过程的在线监测研究中，数值数据作为关键数据类型，通常采用物理机理与数据驱动方法相结合的技术框架；图像数据则提供了高维静态信息，通过深度学习模型提取局部空间特征，有效实现了产品制造过程中的在线异常监测；视频数据凭借其独有的时序性，能够更全面地捕捉生产过程中的动态行为，数据处理过程中通常涉及时空特征的提取与降维；文本数据则通过自然语言处理技术、流程挖掘等方法，实时识别并定位生产过程中的异常与缺陷，进而推动生产监控的智能化和精确化；多模态数据通过融合异构传感器数据集，结合机器学习算法高效地进行特征提取，能够实时监控制造过程中的关键质量特性，为质量监测提供更为全面且精准的支持。
运维在制造业领域特指对机械设备的运行与维护。值得注意的是，与针对产品生产结果的质量检测过程和针对生产过程的质量监测过程相比，运维更关注于对生产设备的质量管理。
这包括设备运作过程中的质量缺陷问题，如设备健康状态管理、故障预测，同时考虑设备生产过程的质量优化问题，如资源分配、操作人员调度，以助力企业实现提质降本增效的目标。
此外，在发现设备质量问题后，通过采用合理的维护技术，多元化的维护策略等来有效解决问题。
在运行过程中，对设备、环境及人员等不同来源数据的精准把握与分析，是识别问题根源和制定解决方案不可或缺的基础。尤为重要的是，鉴于制造业数据的多样性与复杂性，不同应用领域中的数据往往展现出独特的表征形式，如增材制造领域的模型几何形状、复杂装备领域的振动信号和温压参数等，这进一步凸显了复杂数据在设备运行质量管理中的核心价值与应用潜力。
设备数据作为运行过程的核心，涵盖了与设备直接关联的运行状态、运行日志、资源消耗及工艺参数。这些数据不仅直观展示了设备的工作效能与质量水平，还为设备生产的优化提供了关键指标与方向，在设备健康质量管理、优化工艺参数以及精准调度资源等问题中，这些数据也具有重要价值。
在设备健康管理问题中，通过对设备运行状态信号（如温度、压力、振动等细微变化）及运行日志（涵盖开关机时间、生产量、运行时长等关键信息）的数据分析，能够迅速捕捉并识别设备潜在的不健康状况，从而及时采取维护措施，有效减少非计划停机时间，保障生产线的连续性与稳定性。
人员作为设备运行过程中不可或缺的活性因素，在设备的启动与关闭、紧急状况应对、以及日志记录与维护等关键环节扮演着至关重要的角色。因此，操作人员的数据，如人员基本信息档案、详尽的操作日志记录以及定期的绩效评估报告等，均成为设备运行质量管理中有重要应用价值的资源。
通过深入分析人员数量、专业技能、薪酬结构及工作量分配等多维度数据，可以为设备操作实现更加精准的人岗配置与数量优化。
另一方面，如何结合设备特性与人员信息优化人机交互操作，从而提升操作人员的专业素养与应变能力，以显著减少因操作不当或设备故障造成的资源浪费与质量成本是人员数据的重要应用之一。
设备运行过程中的环境数据具体涵盖温度、压力、湿度等，通过将环境数据与设备的实时运行状态进行融合分析，可以帮助企业探究极端或不利环境对设备性能与可靠性的潜在影响，从而制定出更加适应复杂环境条件的维护策略与方法，这将确保设备在各类生产环境中实现稳定运行与高效维护。
此外，随着绿色发展理念的不断深化以及人与自然和谐共生目标的持续推进，环境数据的内涵也进一步拓展到设备运行对生态环境所产生的影响，尤其体现在生产活动中的废弃物排放问题上。
因此，企业需紧密结合自身发展实际与设备废弃物排放的具体数据，积极探索并解决废弃物排放的合规性监测机制，以及生产设备的绿色化改造与质量升级问题，力求在保障生产效率的同时，最大限度地减少对环境的不良影响。
在设备维护过程中，来自历史的维护数据（维护计划、成本、作业书等）是制定当前维护策略的重要依据。与此同时，还需要同时考虑设备运行状态、人员和环境信息等不同来源数据进行多模态分析以全面确定维护方法与策略。
设备的维护流程是确保设备性能与运行效率的关键环节，涵盖了维修与保养两大核心内容。基于维护的方法与目的，这一过程可细分为预防性维护、预测性维护及纠正性维护三大策略。
预防性维护旨在通过制定合理的维护计划来保障设备的持续工作能力，这是一种在设备故障发生前进行的维护措施。在预防性维护过程中，首先需要确定合理的维护计划；其次，维护计划的实施与否需要考虑维护成本问题。
预测性维护同样是一种在设备故障发生前进行的维护方式，但与预防性维护不同的是，预测性维护通过对设备故障发生的可能性及时间进行精准预测，实现了有针对性的维护。这种方法有效避免了预防性维护中因大规模、定期检查而导致的不必要资源浪费和成本消耗。因此，预测性维护的重点在于获取更多、更有效的传感器数据，并对这些数据进行深入分析，以建立准确的预测模型。
纠正性维护作为设备故障应对的即时策略，其核心在于故障发生后的迅速响应与修复。首先，通过深入剖析设备运行数据，精准诊断故障的发生；随后，利用设备诊断数据的强大支持，细致追踪故障的具体位置，确保高效定位与根源追溯；最终，根据故障报告和定位结果采取针对性的维修措施，确保故障设备迅速恢复运行，从而保障生产的连续性。
设备数据具有实时性和高频性，能够直接反映设备的工作效能和质量水平，通常需要信号处理技术进行特征提取，并可用于构建多约束规划模型，以寻找设备的最优运行状态。
人员数据则具有主观性和离散性，直接影响设备操作的准确性与效率，不仅可以与运行数据一起构建多目标优化模型以实现最佳生产，还可以在人体工程学和人机交互理论的指导下，提升员工素养与设备操作质量意识。
环境数据与设备运行性能密切相关，能够反映外部环境与设备质量的彼此影响，既可以利用可靠性分析的方法分析生产环境对设备运行的影响，又可以反向促进绿色生产技术的研发与进步，实现高质量生产。
维护数据虽然源于维护过程，但其与设备、人员、环境数据的结合，通过多模态数据分析的方法能够实现数据融合和整体分析，助力预防性、预测性、纠正性等一系列维护技术和策略的制定。
随着质量4.0的不断发展与完善，在“互联网+”、“智能+”的推动下，质量管理技术日益成熟，这些技术通过对文本、视频、多模态等不同类型数据，以及设备、人员、环境等多来源数据的深入分析，实现单模态数据挖掘、多模态数据整合、多目标优化等功能，初步解决了多源异构数据带来的应用难题，从而有效改进了质量检测、过程监测、设备运维等环节。然而，从技术层面深入剖析，基于复杂数据的质量管理仍面临高质量数据获取困难和数据处理复杂度高等挑战。
我国正处于产业转型的阶段，智能制造、物联网和大数据等新技术的兴起，促使企业更新设备和优化生产工艺，新设备与新工艺正在上线阶段，缺乏历史数据，导致在进行生产调度、质量控制和故障预测等任务时缺乏有效的训练数据。
另外，在许多制造业应用场景下，制造过程的质量管理依赖于大量传感器的部署和数据采集，然而传感器的精度、灵敏度以及寿命直接影响数据的准确性，使得高质量的标签数据难以获取。
最后，在制造过程的异常监测中，数据不平衡是一个常见且具有挑战性的问题，正常生产状态的样本数量远大于异常样本。由于样本数量的差异巨大，导致模型在训练和预测时的性能受限。
综合以上分析，缺乏历史数据、传感器精度受限以及数据不平衡等因素，使得高质量的训练数据难以获取，进而限制了人工智能与机器学习模型的训练。
为解决高质量训练数据获取困难的问题，提出引入仿真模拟技术助力数据问题的解决。通过仿真工具模拟生产过程，可以生成虚拟数据，该虚拟数据与真实数据具备相似的特征，有助于产生不同场景下的生产状况和质量控制数据，并利用机器学习算法，从实时数据中提取特征并进行模型训练和优化，可以有效弥补历史数据不足和数据不平衡的问题。
已有的仿真技术包括使用微分方程来进行物理仿真（如有限元仿真、流体力学仿真等），通过虚拟现实（VR）技术对环境进行模拟，通过数字孪生（DT）创建物理对象或系统的数字副本等。
然而，由于仿真模型与真实系统之间的差距，可能导致虚拟数据的可靠性下降，需要持续校准和验证模型，确保其准确性和可信性。因此，未来的仿真系统将结合人工智能和机器学习技术，实现自适应模型调整和实时优化，根据实时数据自动更新参数和策略。
数据处理的复杂性问题非常突出。一是制造过程中的数据往往来源多样，因此存在多源异构数据的整合困难。
已有的多源异构数据融合算法常采用Bayesian网络，通过建立数据源之间的概率关系模型，能够有效地融合不同来源的不确定性数据。此外，图神经网络（GNN）能够处理图结构数据，适于建模多源异构数据之间的关系，能够捕捉数据源之间复杂的相互依赖。尽管已有一些算法在实际应用中取得了良好的效果，但在算法复杂性方面，许多前沿算法在处理大规模异构数据时，计算复杂度较高，因此会导致计算性能瓶颈。
此外，不同数据源使用不同的术语和结构，如何有效地进行语义对齐和统一是整合中的困难之一。
针对大规模数据带来的算法复杂性问题，可以进一步开发高效的近似算法来代替精确算法，如稀疏化模型，减少参数数量和计算需求，以提高算法在大规模数据集上的效率，尤其是在处理大规模和高维数据时，可以显著减少计算时间和资源消耗。与此同时，除了考虑算法复杂度之外，可以建立分布式计算框架，利用大数据处理框架实现算法的并行化和分布式计算，提高数据处理的速度和可扩展性。
针对数据语义不一致问题，未来研究将聚焦在开发基于机器学习的自动化对齐工具领域，如自然语言处理技术，能够自动识别和映射不同数据源中的相似概念和结构，减少人工干预的需求。此外，通过构建知识图谱将不同数据源中的信息进行关联和整合，通过关系和实体的链接来解决语义不一致问题。
作者：高园园，洪铦栋，陶宝平，欧阳林寒
工作单位：南京航空航天大学经济与管理学院
来源：中国管理科学
转自：中关村全球高端智库联盟
