AI驱动质量管理：研究综述

一、研究背景与理论意义

质量管理渗透于产品设计、生产运作及持续优化的各环节，对产品一致性、制造成本与运行安全具有决定性影响。以统计过程控制为核心的传统方法构筑了质量管理的理论根基，然而在工业互联网与智能传感技术的推动下，现代工业系统不断生成高频、高维、异构、多模态的数据，且过程普遍呈现非线性、非平稳与异方差特征。传统手段依赖于较为明确的分布前提或人工特征提取，在复杂工况下难以同时满足建模精度、实时响应与可扩展性的要求。机器学习、深度学习以及新兴的预训练模型具备从数据中捕获复杂表征的能力，为质量优化、监测与诊断提供了更具弹性的技术支撑，推动质量管理从基于固定假设的分析模式向自适应、数据驱动的决策范式演进。

既有综述通常聚焦于某一特定方法或单一任务，如异常检测、变点识别或故障诊断，缺乏贯穿设计、运行与改进全链条的整体框架。为填补这一空白，本文以现代质量管理的三大核心支柱——质量优化、监控与诊断为脉络，系统回顾从经典机器学习到深度学习及大模型的代表性成果，并整合近年来质量管理旗舰期刊中与人工智能相关的研究文献。文章将三类任务串联为递进链条：质量优化明确稳健的产品与工艺方案，质量监控及时捕捉过程偏移，质量诊断深入阐释异常根