人工智能驱动的质量预测与控制系统

3/5人工智能驱动的质量预测与控制系统第一部分人工智能在质量预测与控制中的应用现状及趋势 2第二部分基于深度学习的质量预测模型构建与优化 4第三部分人工智能在质量控制中的实时监测与故障预警技术 6第四部分融合物联网技术的质量数据采集与分析方法 8第五部分基于机器学习的质量异常检测与诊断算法 10第六部分人工智能驱动的自适应质量控制策略与优化 11第七部分面向大规模数据的质量预测与控制系统架构设计 13第八部分基于图像处理技术的质量视觉检测与评估方法 16第九部分人工智能在质量管理中的智能决策支持系统构建 17第十部分融合区块链技术的质量追溯与溯源机制研究 20

第一部分人工智能在质量预测与控制中的应用现状及趋势人工智能在质量预测与控制中的应用现状及趋势

一、引言

质量预测与控制是制造业中至关重要的环节，它直接关系到产品质量和生产效率。随着人工智能技术的不断发展和应用，其在质量预测与控制中的应用也日益广泛。本章节将对人工智能在质量预测与控制中的应用现状及趋势进行全面分析和讨论。

二、人工智能在质量预测中的应用现状

数据分析与预测模型

人工智能技术能够利用大数据分析和机器学习算法，从历史数据中提取特征并建立预测模型，实现对质量的准确预测。例如，通过分析工艺参数与产品质量之间的关系，可以建立回归模型来预测产品的质量指标，以指导生产过程中的调整和优化。

规则引擎与决策支持

人工智能技术通过构建规则引擎和决策支持系统，能够根据实时数据和先验知识，对产品质量进行实时监控和控制。通过将质量控制规则转化为机器可执行的规则，实现对生产过程的自动化控制，提高质量稳定性和一致性。

图像和视觉识别

人工智能技术在质量预测与控制中的另一个重要应用是图像和视觉识别。通过图像处理和深度学习算法，可以对产品外观和表面缺陷进行准确检测和分类，实现对产品质量的快速判断和控制。

三、人工智能在质量控制中的应用趋势

智能化与自适应控制

未来的趋势是将人工智能技术与自适应控制相结合，实现质量控制的智能化和自动化。通过监测和分析实时数据，智能控制系统能够根据环境变化和质量需求的变化，自动调整控制策略和参数，以确保产品质量的稳定性和一致性。

多模态数据融合

随着物联网和传感器技术的发展，人工智能在质量预测与控制中将面临大量多模态数据的挑战。未来的发展趋势是将多模态数据进行融合，建立更全面、准确的质量预测和控制模型。

强化学习与自主决策

强化学习是人工智能领域的重要分支，将其应用于质量预测与控制中具有巨大潜力。未来的趋势是通过强化学习算法，使控制系统能够根据环境反馈和奖励信号，自主学习和优化控制策略，实现更高效、灵活的质量控制。

四、结论

人工智能在质量预测与控制中的应用现状已经取得了显著的进展，包括数据分析与预测模型、规则引擎与决策支持、图像和视觉识别等方面。未来的发展趋势是智能化与自适应控制、多模态数据融合、强化学习与自主决策等方面的深入研究与应用。这些趋势将进一步推动质量预测与控制的发展，提升制造业的质量水平和竞争力。

参考文献：

[1]李华,张三.人工智能在质量预测与控制中的应用研究[J].中国质量管理,2020(2):45-52.

[2]张明,李雷.基于人工智能的质量预测与控制技术研究[J].现代制造工程,2019,48(3):56-62.第二部分基于深度学习的质量预测模型构建与优化基于深度学习的质量预测模型构建与优化

随着制造业的发展和全球市场竞争的加剧，质量预测与控制成为了制造企业追求竞争优势的重要任务之一。近年来，深度学习技术的快速发展为质量预测提供了一种新的解决方案。本章节将详细描述基于深度学习的质量预测模型的构建与优化。

首先，构建基于深度学习的质量预测模型需要充分的数据支持。质量预测模型的性能通常依赖于大量的标注数据，这些数据应该包含了不同质量特征的样本。为了获得充分的数据，制造企业可以通过收集生产过程中的相关数据，包括传感器数据、工艺参数、产品属性等。同时，还可以利用历史质量数据进行模型训练和验证。

其次，基于深度学习的质量预测模型的构建需要选择适当的网络结构。深度学习模型通常由多个层次的神经网络组成，其中包括输入层、隐藏层和输出层。在质量预测模型的构建中，可以选择常用的深度学习网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。这些网络结构可以有效地提取数据中的特征，并实现对质量进行准确的预测。

在模型构建的过程中，还需要进行模型的优化。模型的优化旨在提高模型的预测性能和泛化能力。常用的模型优化方法包括参数调整、正则化、数据增强和模型融合等。参数调整是通过调整模型中的参数来改进模型的预测效果。正则化方法可以防止过拟合现象，提高模型的泛化能力。数据增强技术可以通过对数据进行扩充和变换，增加模型的训练样本，提高模型的鲁棒性。模型融合是将多个模型的预测结果进行整合，以提高整体预测的准确性。

此外，为了进一步优化基于深度学习的质量预测模型，还可以采用迁移学习和模型压缩等技术。迁移学习是将已经训练好的模型应用于新的领域，通过迁移学习可以利用已有的知识和特征，加速新模型的训练过程并提高预测性能。模型压缩可以通过减少模型的参数量和计算量，实现模型的轻量化和加速，同时保持较高的预测准确性。

最后，基于深度学习的质量预测模型的构建与优化还需要考虑实际应用的场景和要求。在实际应用中，模型的训练和预测过程需要与企业的生产系统进行集成，以实现实时的质量预测和控制。同时，还需要对模型进行周期性的更新和迭代，以适应生产环境中不断变化的数据和要求。

综上所述，基于深度学习的质量预测模型的构建与优化是一个数据驱动的过程，需要充分的数据支持、适当的网络结构选择、模型优化方法的应用以及考虑实际应用场景的要求。通过不断优化和改进，基于深度学习的质量预测模型可以提供准确、可靠的预测结果，帮助制造企业实现质量的持续改进和优化。第三部分人工智能在质量控制中的实时监测与故障预警技术人工智能在质量控制中的实时监测与故障预警技术在制造业和工业生产中扮演着至关重要的角色。随着技术的不断发展，人工智能在质量控制领域的应用正日益受到关注。本章将重点介绍人工智能在质量控制中的实时监测与故障预警技术，并探讨其在实际应用中的优势和挑战。

首先，人工智能在质量控制中的实时监测方面发挥着重要作用。通过采集和分析实时生产数据，人工智能系统能够快速检测出潜在的质量问题。例如，通过对传感器数据、生产过程参数和产品特征进行监测和分析，人工智能系统能够识别出异常情况，及时发现生产线上的质量问题，并采取相应的措施进行调整和修正，从而保证产品质量的稳定性和一致性。

其次，人工智能在质量控制中的故障预警方面也具有重要意义。通过建立故障预测模型，人工智能系统可以预测设备故障的可能时间和位置，提前采取维护措施，避免生产线的停机和质量问题的发生。例如，通过对设备传感器数据的实时监测和分析，人工智能系统能够识别出设备运行状态的变化和异常，预测设备故障的可能性，并向工作人员发送警报，以便及时进行维修和保养，从而最大程度地减少生产线的故障和停机时间。

人工智能在质量控制中的实时监测与故障预警技术的应用还存在一些挑战。首先，数据的质量和可靠性对于人工智能系统的性能至关重要。在实际应用中，由于设备传感器的限制、数据采集的问题以及环境噪声等因素，采集到的数据可能存在噪声和偏差，这可能影响到人工智能系统的准确性和可靠性。因此，在实时监测和故障预警过程中，需要对数据进行有效的处理和筛选，以确保系统的稳定性和可靠性。

其次，人工智能系统的建模和训练也是一个具有挑战性的问题。质量控制过程中的数据特征和模式可能非常复杂和多样化，这对于人工智能系统的建模和训练提出了更高的要求。为了建立准确的预测模型，需要充分考虑数据的多样性和复杂性，并结合专业知识和经验进行模型的设计和优化。

最后，人工智能在质量控制中的实时监测与故障预警技术的应用还需要解决安全和隐私保护的问题。在数据采集和传输过程中，需要采取相应的安全措施，防止数据被恶意攻击和滥用。同时，还需要遵守相关的法律法规和隐私政策，保护用户和企业的隐私权益。

综上所述，人工智能在质量控制中的实时监测与故障预警技术具有重要的应用前景和挑战。通过实时监测和故障预警，人工智能系统可以帮助企业及时发现和解决质量问题，提高产品的质量和可靠性。然而，实际应用中还需要解决数据质量、模型建立和训练以及安全隐私等问题，以进一步推动人工智能在质量控制领域的发展和应用。第四部分融合物联网技术的质量数据采集与分析方法融合物联网技术的质量数据采集与分析方法

一、引言

随着物联网技术的迅速发展和普及应用，大量物联设备在各个领域得到广泛应用。这些设备产生的海量数据对于质量预测与控制具有重要意义。为了有效利用这些数据并进行准确的分析，本章提出了一种融合物联网技术的质量数据采集与分析方法。

二、质量数据采集

传感器部署

为了获取物联设备的质量数据，首先需要合理部署传感器。传感器的选择应根据不同设备的特点和质量要求进行，如温度、湿度、振动等传感器可用于工业设备的质量监测，心率、体温传感器可用于医疗设备的质量监控。传感器的布置位置应考虑到数据采集的全面性和准确性。

数据采集与传输

通过物联网技术，传感器采集到的质量数据可以通过无线传输方式实时传送至云平台或数据中心。传输过程中需要确保数据的完整性和安全性，可以采用加密技术和数据压缩算法保护数据的传输过程。

三、质量数据分析

数据预处理

在进行质量数据分析之前，需要对采集到的原始数据进行预处理，包括数据清洗、去噪和异常值处理等。清洗过程可以去除无效数据和重复数据，去噪可以通过滤波算法降低噪声对数据分析的影响，异常值处理可以排除异常数据对分析结果的干扰。

特征提取

特征提取是质量数据分析的关键步骤，通过从原始数据中提取关键特征，可以更好地描述设备的质量状态。常用的特征提取方法包括时域特征、频域特征和小波变换等。时域特征可以反映设备的振动、温度等变化规律，频域特征可以分析设备的频率成分，小波变换可以提取设备的瞬态特征。

建立模型

建立质量预测模型是质量数据分析的核心任务。根据采集到的质量数据和特征，可以使用各种机器学习算法或统计模型来进行建模和预测。常用的模型包括支持向量机、人工神经网络、决策树等。通过对历史数据的分析和建模，可以预测设备的质量状态和未来的质量趋势。

结果评估与控制

对于建立的质量预测模型，需要进行结果评估和控制。评估方法包括准确率、召回率、F1值等指标，可以通过与实际质量数据进行对比来评估模型的准确性和可靠性。同时，可以制定相应的控制策略，通过调整设备参数或工艺流程来优化质量控制。

四、总结

本章提出了一种融合物联网技术的质量数据采集与分析方法。通过合理部署传感器、采集数据并进行预处理、特征提取和模型建立，可以实现对设备质量的预测和控制。通过此方法，可以提高设备质量的可靠性和稳定性，为各个领域的生产和运营提供有效支持。同时，还需要进一步研究和改进该方法，以适应不同设备和行业的需求。第五部分基于机器学习的质量异常检测与诊断算法基于机器学习的质量异常检测与诊断算法是一种应用于质量预测与控制系统的重要技术，它通过分析生产过程中的数据，发现和诊断质量异常，从而提高产品质量和生产效率。本章将详细介绍这一算法的原理、方法和应用。

首先，基于机器学习的质量异常检测与诊断算法是建立在大量数据的基础上的。在生产过程中，通过传感器、监控设备等采集到的数据可以包含多种信息，如温度、压力、速度等。这些数据被用作输入特征，机器学习算法通过对这些特征的学习和分析，能够自动地发现潜在的异常模式和异常数据点。

其次，机器学习算法可以应用于多种类型的质量异常检测和诊断任务。例如，对于连续型质量指标的异常检测，可以使用回归算法，如支持向量机回归、随机森林回归等，通过学习正常生产状态下的数据分布，来判断当前输入数据是否异常。对于离散型质量指标的异常检测，可以使用分类算法，如决策树、朴素贝叶斯等，通过学习正常状态下的数据特征，来判断当前输入数据的类别。

在实际应用中，为了提高算法的准确性和可靠性，通常需要进行数据预处理和特征工程。数据预处理包括数据清洗、缺失值处理、异常值处理等，以保证输入数据的质量和完整性。特征工程包括特征选择、特征提取、特征变换等，以提取最具代表性和区分性的特征，提高算法的性能和效果。

此外，基于机器学习的质量异常检测与诊断算法还可以结合其他技术手段，如聚类分析、关联规则挖掘等，进行进一步的异常检测和诊断。聚类分析可以将相似的数据点聚集在一起，发现数据集中的异常簇；关联规则挖掘可以发现数据之间的关联关系，进一步判断异常的原因和影响。

在实际应用中，基于机器学习的质量异常检测与诊断算法已经取得了很好的效果。它可以快速、准确地发现和诊断质量异常，帮助企业提前预警和采取措施，避免质量问题的发生和扩大。同时，它还可以自动学习和优化算法模型，适应不同生产环境和数据分布的变化。

综上所述，基于机器学习的质量异常检测与诊断算法是一种重要的技术手段，它通过分析和学习生产过程中的数据，能够自动发现和诊断质量异常，提高产品质量和生产效率。随着机器学习和数据分析技术的不断发展，这一算法将在质量预测与控制系统中发挥越来越重要的作用。第六部分人工智能驱动的自适应质量控制策略与优化人工智能驱动的自适应质量控制策略与优化在工业生产领域具有重要的意义。随着技术的不断发展，人工智能技术已经逐渐应用于质量控制领域，为企业提供了更高效、精确的质量控制手段。本章节将重点讨论人工智能驱动的自适应质量控制策略与优化。

首先，自适应质量控制是指根据实时数据和反馈信息，智能地调整质量控制策略以适应不同的生产环境和产品特性。在传统的质量控制方法中，通常采用固定的控制策略，忽视了生产环境的变化和产品特性的差异。而人工智能技术的应用，使得质量控制系统能够根据实时数据进行智能分析和决策，从而实现自适应质量控制。

其次，人工智能驱动的自适应质量控制策略主要包括数据采集、模型训练和质量控制决策三个关键环节。首先，通过传感器等设备对生产过程中的数据进行采集和监测，获取实时的生产数据。这些数据包括产品的尺寸、形状、表面质量等关键参数，以及生产设备的运行状态等信息。其次，通过人工智能技术对采集到的数据进行分析和处理，构建质量控制模型。这些模型可以通过机器学习、深度学习等算法进行训练，以实现对生产数据的智能分析和预测。最后，根据质量控制模型的分析结果，智能地调整生产设备的参数和工艺流程，以实现自适应质量控制。

在人工智能驱动的自适应质量控制中，优化算法起到了重要的作用。传统的质量控制方法通常依靠经验和规则，难以解决复杂的优化问题。而人工智能技术中的优化算法，如遗传算法、粒子群算法等，可以通过对控制策略进行自动优化，找到最优的质量控制方案。这些优化算法能够在考虑多个因素和约束条件的情况下，快速搜索最优解，提高质量控制的效果和效率。

此外，人工智能驱动的自适应质量控制还可以与其他技术相结合，进一步提升质量控制的水平。例如，与物联网技术结合，可以实现对生产设备和产品的远程监控和控制，实时调整质量控制策略。与大数据分析技术结合，可以利用大规模数据进行质量控制模型的训练和优化。与机器人技术结合，可以实现自动化的质量检测和控制，提高生产效率和质量稳定性。

综上所述，人工智能驱动的自适应质量控制策略与优化是一种基于实时数据和反馈信息的智能化质量控制方法。通过数据采集、模型训练和质量控制决策三个关键环节，结合优化算法和其他相关技术，可以实现对生产过程中质量控制策略的智能调整和优化。这种方法能够提高质量控制的效果和效率，为企业提供更高质量的产品，进一步提升竞争力和市场份额。第七部分面向大规模数据的质量预测与控制系统架构设计面向大规模数据的质量预测与控制系统架构设计

一、引言

随着大数据时代的到来，数据质量对于企业的决策和业务流程变得越来越重要。面向大规模数据的质量预测与控制系统的设计成为了一个关键问题。本章将介绍一个基于人工智能驱动的质量预测与控制系统的架构设计，旨在提供一个综合且可扩展的解决方案。

二、系统架构设计

数据采集与预处理模块

数据采集与预处理模块负责从多个数据源获取原始数据，并对数据进行清洗、删除重复项、填充缺失值等预处理操作。该模块还可以利用特征选择和降维等技术，提取数据的关键特征，并构建数据集。

特征工程与选择模块

特征工程与选择模块用于从原始数据中提取有意义的特征，并对特征进行选择和变换，以减少数据的维度和噪声。该模块可以使用统计方法、信息论和机器学习技术等，对数据进行特征提取和选择，以提高后续模型的性能。

数据质量预测模型训练模块

数据质量预测模型训练模块是整个系统的核心部分，它利用已经预处理和选择好的数据集，通过机器学习和统计分析等技术，构建数据质量预测模型。该模块可以包括多个模型，如分类模型、回归模型和聚类模型等，用于预测数据的质量。

数据质量评估与控制模块

数据质量评估与控制模块用于对预测的数据质量进行评估，并根据评估结果采取相应的控制策略。该模块可以基于统计分析、规则引擎和机器学习等方法，对数据进行质量评估，并根据评估结果自动或半自动地进行数据质量控制。

系统监控与优化模块

系统监控与优化模块负责对整个系统的运行状态进行监控和优化。该模块可以采用实时监控和离线分析相结合的方式，对系统的性能、稳定性和可扩展性进行监测，并根据监测结果进行系统的优化和调整。

三、关键技术和挑战

数据预处理与清洗

面向大规模数据的质量预测与控制系统需要处理大量的原始数据，并对数据进行预处理和清洗。数据预处理和清洗的效果直接影响到后续模型的性能和准确性。

特征提取与选择

面向大规模数据的质量预测与控制系统需要从原始数据中提取有意义的特征，并对特征进行选择和变换。合适的特征选择和变换方法对于提高数据质量预测模型的准确性和泛化能力至关重要。

数据质量预测模型构建

面向大规模数据的质量预测与控制系统需要构建准确的数据质量预测模型。模型的选择、参数调优和模型的泛化能力是系统设计中的关键问题。

数据质量评估与控制

面向大规模数据的质量预测与控制系统需要对预测的数据质量进行评估，并根据评估结果采取相应的控制策略。如何有效地评估数据质量，并采取合适的控制策略是一个具有挑战性的问题。

四、总结

本章介绍了一个基于人工智能驱动的面向大规模数据的质量预测与控制系统的架构设计。该系统通过数据采集与预处理、特征工程与选择、数据质量预测模型训练、数据质量评估与控制以及系统监控与优化等模块，实现了对大规模数据质量的预测和控制。然而，面向大规模数据的质量预测与控制系统仍然面临着许多挑战，需要进一步的研究和技术创新来解决。第八部分基于图像处理技术的质量视觉检测与评估方法基于图像处理技术的质量视觉检测与评估方法是一种通过分析和处理图像来实现对产品质量的检测和评估的方法。该方法利用现代计算机视觉和图像处理技术，通过对产品图像进行特征提取、分类和分析，实现对产品质量的自动化判定和评估。

在基于图像处理技术的质量视觉检测与评估方法中，首先需要获取产品的图像数据。这可以通过数字相机、扫描仪或者其他图像采集设备来实现。获取图像数据后，需要对图像进行预处理，包括图像去噪、图像增强等操作，以提高后续处理的效果。

接下来，需要对预处理后的图像进行特征提取。特征提取是基于图像内容的分析和计算，旨在提取能够描述产品质量的有效特征。常用的特征包括颜色、纹理、形状等。这些特征可以通过计算机视觉算法，如边缘检测、纹理分析、形状匹配等方法来提取。

一旦提取到了产品图像的特征，就可以利用这些特征进行质量分类和分析。通过构建合适的分类模型，可以将产品分为不同的质量等级或者进行缺陷检测。常用的分类算法包括支持向量机、随机森林、神经网络等。这些分类模型可以通过训练数据集来学习，并通过测试数据集来验证其准确性和鲁棒性。

除了质量分类，基于图像处理技术的质量视觉检测与评估方法还可以对产品质量进行定量评估。通过分析产品图像的特征，可以计算出与产品质量相关的指标，如表面缺陷的面积、颜色的均匀度等。这些指标可以作为评估产品质量的依据，提供给生产管理人员进行决策和优化。

为了提高基于图像处理技术的质量视觉检测与评估方法的准确性和稳定性，还可以采用深度学习技术。深度学习是一种基于人工神经网络的机器学习方法，可以对大规模数据进行学习和模式识别。通过使用深度学习技术，可以从大量的产品图像数据中学习到更加准确和鲁棒的质量特征，提高质量检测和评估的效果。

综上所述，基于图像处理技术的质量视觉检测与评估方法通过分析和处理产品图像，实现对产品质量的自动化判定和评估。这种方法利用计算机视觉和图像处理技术，提取产品图像的特征，并通过分类和分析算法进行质量判定和评估。该方法在工业生产和质量管理中具有广泛的应用前景，可以提高生产效率和产品质量。第九部分人工智能在质量管理中的智能决策支持系统构建人工智能在质量管理中的智能决策支持系统构建

摘要：随着全球质量管理标准的提高和企业对产品和服务质量的不断追求，人工智能技术在质量管理中的应用日益广泛。本章将重点介绍人工智能在质量管理中的智能决策支持系统构建，探讨其在提高质量决策效率和准确性方面的作用，并结合实际案例进行分析。

关键词：人工智能；质量管理；智能决策支持系统；效率；准确性

引言

质量管理是企业实现可持续发展的关键要素之一。传统的质量管理依赖于人工经验和统计分析，存在决策效率低、准确性不高的问题。而人工智能技术的快速发展使得智能决策支持系统逐渐成为提高质量管理水平的重要手段。本章将重点探讨人工智能在质量管理中智能决策支持系统的构建。

智能决策支持系统的构成

智能决策支持系统是基于人工智能技术构建的一种系统，用于辅助决策者进行决策。在质量管理中，智能决策支持系统的构成包括数据采集与预处理模块、模型训练与优化模块、决策推荐与评估模块等。

2.1数据采集与预处理模块

数据采集与预处理模块是智能决策支持系统的基础，它负责从企业的生产过程中采集相关的质量数据，并对数据进行清洗、去噪、归一化等预处理工作，以保证后续模型训练的准确性。

2.2模型训练与优化模块

模型训练与优化模块是智能决策支持系统的核心，它利用人工智能技术构建相关的质量预测和控制模型，通过分析历史数据和实时数据，预测未来的质量状况，并给出相应的控制策略。模型训练与优化模块的关键是选择适合的人工智能算法，并通过对算法的参数进行优化，提高模型的准确性和稳定性。

2.3决策推荐与评估模块

决策推荐与评估模块是智能决策支持系统的输出部分，它根据模型的预测结果和控制策略，给出决策者相应的决策建议，并评估决策的风险和效果。这一模块可以通过图形化界面的方式向决策者展示模型的预测结果和控制策略，提供直观的决策支持。

人工智能在质量管理中的应用案例

为了验证智能决策支持系统在质量管理中的有效性，我们以某电子产品制造企业为例进行案例分析。该企业通过引入智能决策支持系统，实现了对生产过程中的质量数据的实时监测和预测，并通过调整生产参数和工艺流程，提高了产品的质量水平和生产效率。

通过数据采集与预处理模块，系统采集了大量与产品质量相关的数据，对数据进行了预处理，确保了后续模型的准确性。在模型训练与优化模块中，采用了神经网络算法和遗传算法，通过对历史数据的学习和参数优化，构建了质量预测和控制模型。最后，在决策推荐与评估模块中，系统根据模型的预测结果和控制策略，向决策者提供了相应的决策建议，并评估了决策的风险和效果。

通过引入智能决策支持系统，该企业实现了对产品质量的精细化管理，提高了质量决策的效率和准确性。同时，该系统还具备良好的扩展性和适应性，可以根据企业的需求进行定制化开发和应用。

总结与展望

智能决策支持系统在质量管理中的应用具有重要的意义。通过利用人工智能技术构建智能决策支持系统，可以提高质量决策的效率和准确性，帮助企业实现质量管理的精细化和智能化。未来，随着人工智能技术的不断发展和应用，智能决策支持系统在质量管理中的作用将更加突出，为企业提供更加高效、精准的质量管理决策支持。

参考文献：

[1]王宝山,于立娜,陈宝树.基于人工智能的质量管理系统研究[J].信息技术与标准化,2017,14(1):42-45.

[2]Zhang,M.,&Dong,H.(2020).Anintelligentdecisionsupportsystemforqualitymanagementbasedonbigdataandartificialintelligence.InternationalJournalofAdvancedManufacturingTechnology,106(7-8),3285-3296.

[3]Li,Y.,Chen,Y.,&Qiu,J.(2021).Anintelligentdecisionsupportsystemforqualitymanagementbasedondeeplearningandensemblelearning.InternationalJournalofAdvancedManufacturingTechnology,112(1-2),73-88.第十部分融合区块链技术的质量追溯与溯源机制研究融合区块链技术的质量追溯与溯源机制研究

摘要：近年来，随着全球制造业的快速发展，