质量管理的数字化转型：发掘潜力、制定策略、优化质量

《质量管理的数字化转型：发掘潜力、制定策略、优化质量》是一本面向企业管理者、质量工程师及数字化转型实践者的实用指南。本书由德国智能制造专家团队编写，系统讲解了如何利用AI、大数据和工业4.0技术优化质量管理体系。通过真实案例与方法论结合，帮助读者掌握数据驱动的质量分析、过程优化及风险决策，助力企业实现降本增效与智能化升级。适合制造业、科技企业及相关从业者阅读学习。

本书向初学者和决策者展示了如何实施质量管理的数字化转型。它描述了如何通过新的战略、方法、步骤和协作形式来加深对产品和过程的理解，并展示了这对企业意味着哪些潜力。因此，本书为企业实施质量管理数字化转型提供了必要的前提条件，使其能够在更复杂的产品和动态需求下长期立足于市场。
本书采用具体、面向实践的方式，使读者能够根据公司规模、行业和数字化成熟度制定和实施数字化战略。以解决方案为导向，帮助读者更有效地评估质量数据和信息，更好地认识和避免错误，评估公司质量管理的数字化程度并挖掘潜力，认识数字化为产品质量和过程质量带来的机遇。
本书适合从事质量管理相关工作的人员阅读。

译者序
第1章这本书传达了什么内容1
第2章质量管理的挑战10
21质量的定义10
22什么是质量管理11
23流程的有效性和效率11
24当前质量管理面临的挑战12
25数字化变革是质量管理的机遇14
26质量管理的发展阶段15
27质量管理的目标17
271提高产品质量和客户满意度18
272提高过程质量19
28数字化应用案例19
29数字质量管理的九个行动领域22
第3章数字化质量管理体系25
31设计平衡的质量管理体系的艺术25
32现代质量管理体系以过程为导向26
321由粗到细的设计原则28
322以流程图为基础30
323确保战略联系30
324以过程负责人作为成功的关键31
33现代质量管理体系是数字化的31
331过程管理系统的交互式数字结构32
332质量管理软件34
34BPMN 20作为自动化的基础36
35数字质量管理体系使“增强型工人”成为可能40
351为什么是现在40
352为什么增强功能有用40
353增强技术41
354现场实践：变速器装配中的增强型工人43
36利用数字质量管理体系进行过程挖掘45
37利用移动协作平台的数字质量管理体系47
38现代质量管理体系整合数据质量50
39小结52
第4章有质量保证的创新53
41以客户为导向是成功创新的基础54
42用户体验和设计思维方法58
43开发创新商业模式61
44六西格玛设计64
45敏捷方法在开发中的应用66
目录质量管理的数字化转型：发掘潜力、制定策略、优化质量451敏捷宣言67
452软件开发方法68
46软件密集型系统的质量73
461软件老化74
462质量模型76
47工业40解决方案的系统开发79
471层次结构级别79
472互操作层80
473生命周期和价值链81
48案例研究：电动自行车82
481业务层82
482功能层86
483信息层87
484通信层87
485集成层88
486资产层89
487小结89
第5章使用正确数据的艺术90
51统计学在数字质量管理中的作用91
52统计基础：特征类型92
53收集正确的数据93
531确认性和探索性数据分析93
532总体和样本94
54理解数据95
541一维数据集的图形描述95
542离散特征的绝对频率和相对频率95
543连续特征的描述96
544定性特征的描述97
545定量特征的参数98
546箱线图99
547具有定性特征的多维数据集的图形描述100
548具有定量特征的多维数据集的图形描述102
549二维数据集的相关性103
5410多维数据集的相关性104
55数据清理105
551条目的一致性105
552缺失条目106
56特征编码107
561定量特征编码107
562定性特征编码109
57构建数据（特征工程）110
571删除不相关的特征110
572生成附加特征111
573合并稀疏数据112
58降低维度113
581主成分分析114
582示例：异常值检测115
第6章利用数据做出基于风险的决策117
61引例和理论基础117
62进行假设检验120
63假设检验的安全和风险121
631第一类误差和第二类误差122
632质量函数和必要的样本量123
64方差分析124
65示例：气流均匀性测试125
第7章从数据中学习的艺术129
71质量管理中的回归程序132
711构建回归函数132
712回归模型评估135
713正则化137
714示例：使用机器学习算法进行过程控制138
72分类方法145
721K最近邻分类方法146
722分类模型的评估147
723示例：产量预测的分类方法150
73聚类方法153
731DBSCAN算法154
732优化（调整）超参数155
733评估聚类结果157
734使用DBSCAN算法检测异常值158
74通过卷积网络进行自动视觉检测161
741神经网络的基本原理162
742自动视觉检测——数据准备164
743自动视觉检测——卷积神经网络166
75时间序列分析170
751图形表示和数学描述170
752时间序列的基本运算172
753重建缺失样本值的估算程序174
754重采样：下采样和上采样175
755过滤时间序列176
756将时间序列分解为趋势、周期性成分和残差178
757通过时间序列分析优化工具利用率179
76强化学习181
761强化学习的基本思想182
762马尔可夫决策过程183
763Q学习作为强化学习算法的简单示例184
764示例185
第8章通过数字化改进过程187
81数字用例的类型187
82寻找有前景的机器学习和自动化用例188
821识别和界定过程188
822利益相关者分析——收集和构建需求189
823深入的过程分析190
824寻找用例——创意阶段191
825描述用例——零问题191
826预选想法192
827业务案例的描述和计算193
828评估和选择用例193
83系统地实施人工智能和机器学习用例194
831业务理解195
832数据理解和数据准备198
833模型训练199
834模型实施（部署）205
835维护/管理207
84过程自动化210
841机器人过程自动化的类型210
842实施自动化解决方案的过程模型212
85通过六西格玛+系统化改进过程214
851六西格玛简介215
852六西格玛的过程模型——DMAIC循环216
853六西格玛+：将机器学习方法纳入DMAIC循环218
854示例219
86通过数字化处理错误的新选项221
第9章系统架构开发和信息技术基础设施224
91云计算224
911服务模式226
912分发模型和“私有云”228
92有条不紊的架构开发228
921架构驱动因素231
922使用Jupyter项目进行初始数据分析232
923粗略计算234
924系统设计236
93解决方案的产业化240
931机器学习库240
932用于机器学习的无代码工具241
933接口的技术实现244
934大数据和NoSQL250
935扩展的其他方面253
94迭代式开发与运营255
第10章学习数字化技能257
101能力建设的相关性257
102培训计划与评估259
1021培训计划259
1022培训评估260
103数字化时代的过程负责人261
104培训管理人员成为数字化大使263
105组织中的可持续学习264
1051心理安全264
1052学习型领导者265
1053个人学习和小组学习265
1054数字技术266
106大声工作法267
107反向辅导268
第11章掌控数字化变革270
111使用数字化扫描270
112数字质量管理的出发点274
113不确定时代的领导——领导力指南针277
114利用管道模型支持变革管理280
115数字化转型的实施路线图282
第12章词汇表285
121质量经理的语言285
122数据分析师（数据科学家）的语言286
123数据工程师的语言288
参考文献292
作者简介299