對于失效分析實驗室應用質(zhì)量4.0的設(shè)想詳解

過去十幾年以來，科技的不斷進步帶來新一輪工業(yè)革命，通常被稱為第四次工業(yè)革命，簡稱“工業(yè)4.0”（Industry 4.0），諸如人工智能、機器學習、大數(shù)據(jù)、云計算、虛擬現(xiàn)實、3D打印等的新興技術(shù)正逐步推動制造業(yè)的巨大變革。

伴隨著“工業(yè)4.0”的實踐發(fā)展，質(zhì)量管理也在逐步進階到“質(zhì)量4.0”（Quality 4.0） 階段，這些推動“工業(yè)4.0”發(fā)展的大量新工具和技術(shù)方法，不僅給組織的日常業(yè)務方式帶來巨大變化，對產(chǎn)品創(chuàng)新、制造效率、供應鏈績效、合規(guī)性以及質(zhì)量等方面的影響也非常顯著，這就是“質(zhì)量 4.0”的戰(zhàn)略意義。

“質(zhì)量 4.0”的核心概念是使質(zhì)量管理的實踐與“工業(yè)4.0”的新興功能保持一致，幫助推動組織實現(xiàn)卓越運營。通過這篇文章，我想與大家分享一下對于失效分析實驗室應用“質(zhì)量4.0”的設(shè)想。

標準作業(yè)流程是一種常見的生產(chǎn)文件，用來定義詳細的操作流程，以此來保證員工每次都以相同的方式完成操作，使操作保持一致性。但是實際執(zhí)行過程中，如何確保員工可以始終百分百遵守標準作業(yè)流程卻是一個問題?，F(xiàn)有的監(jiān)管方法包括檢查填寫記錄、間接驗證員工是否按照標準操作流程作業(yè)或者通過不定時隨機抽查驗證執(zhí)行是否到位，都存在一些不足，比如無法做到實時發(fā)現(xiàn)問題，或者無法做到全員覆蓋。這種情況下，深度學習技術(shù)或許可以提供一種解決問題的辦法。

深度學習（Deep Learning）是機器學習中一種基于對數(shù)據(jù)進行表征學習的算法，它的最終目標是讓機器能夠像人一樣具有分析學習的能力，能夠識別文字、圖像和聲音，以此來解決復雜的模式識別難題。利用深度學習可以幫助我們實現(xiàn)一個重要功能，即人類行為模式的動態(tài)偵測?；?a href="http://www.wenjunhu.com/v/" target="_blank">視頻的動態(tài)行為模式偵測，目前已成為計算機視覺領(lǐng)域的一個熱門研究方向，因為它在安防、體育競技等領(lǐng)域有著豐富的應用，其中對于真實監(jiān)控場景中的異常行為檢測、自動識別視頻中的異常事件及生產(chǎn)制造過程中的管控都可以發(fā)揮其作用。

簡單來說，行為模式偵測主要分成以下幾個步驟：視頻畫面截取、定位畫面中人體位置行為特征提取、順序?qū)W習及結(jié)果輸出。在實際應用中，通過分析攝像頭實時捕捉到的動態(tài)畫面，推算出被攝目標的可能動作步驟，并通過與預設(shè)的標準動作對比，得出該動作是否符合標準作業(yè)流程的判斷。當發(fā)現(xiàn)有違反標準作業(yè)流程的操作，可以通過不同方式來及時提醒員工糾正，我們不僅可以實現(xiàn)實時監(jiān)控，同樣也能實現(xiàn)全員覆蓋。

失效檢測是實驗室的日常工作之一，通過合理操作不同的設(shè)備來達到觀察、測量、探傷、判斷異常的目的。不難發(fā)現(xiàn)，在實際工作中，如何基于圖像來識別缺陷是一項依賴經(jīng)驗而且復雜的任務，即使是經(jīng)過培訓的人員也可能會漏掉微小的細節(jié)。這種情況下，利用深度學習技術(shù)，通過建立包含大量以往的失效案例，讓機器通過自主學習獲得識別缺陷的能力，為人員培訓以及高效完成基礎(chǔ)工作提供更多的可能性。這是一項巨大的挑戰(zhàn)，因此可以與設(shè)備供應商合作開發(fā)相關(guān)的應用，借助工業(yè)革命新興功能帶來的紅利為失效檢測工作踵事增華，以期獲得更好更快更可靠的檢測結(jié)果。

質(zhì)量4.0不僅與技術(shù)有關(guān)，也是一種管理質(zhì)量的新方法。數(shù)字工具，再加上更先進的做法和更智能的流程，可以使團隊可靠穩(wěn)定地完成、完善日常工作。因此這不僅在失效實驗室，在生產(chǎn)線乃至質(zhì)檢部門也無疑擁有更為廣泛的應用場景，為持續(xù)提供高性能、高質(zhì)量產(chǎn)品提供堅實保障。
編輯：lyn