隨著全球競爭加劇和市場細分程度提升，大規模定制作為一種企業運作模式得到越來越多的重視。與以穩定性和控制力獲得高效率的大批量生產相比，大規模定制生產以靈活性和快速響應來實現多樣化和定制化。作為大規模定制所涉及方面中的一部分，生產質量控制有其重要意義。本文對大規模定制生產的特點進行了探討，總結了相關學者在大規模定制生產質量控制方面的研究，分析了適用于大規模定制生產質量控制的其他方法，并對進一步的研究提出一些建議。
一、大規模定制生產質量控制的特點
大規模定制生產質量控制有以下新特點：①樣本量較小，尤其是在定制化程度較高的情況下和生產的初期階段，而休哈特控制圖產生于大批量時代，以大樣本為基礎，可能直到某一型號產品生產結束，樣本量還不滿足傳統控制圖的樣本量要求；②樣本數列往往具有時變性，不能簡單假設其服從正態分布；③大規模定制生產模式要求靈活性和快速性，而傳統的質量控制方法響應速度偏慢。因此，應用于大批量生產模式下的經典休哈特控制圖便不再適用。
二、大規模定制生產質量控制研究的內容
（一）大規模定制中質量控制的宏觀理論研究
Teresko(1994 [1] )提出在大規模定制階段，質量和效率應該作為競爭中的先決條件而不再是目標的觀點；M．Kakatit(2002 [2])提出了在各階段的創新、質量改進、時間、柔性以及成本管理是大規模定制計劃成功實施的前提條件；Akarte等(2001)研究了大規模定制中對供應商的鑄造質量進行評價的系統方法；Stephanou(1995 )研究了基于計算機的建模和檢測作為質量控制工具在大規模定制的應用。Powell(2002)[3]提出了增加系統自動化、過程控制和質量管理的理念。
（二）對傳統質量工具的改進研究
在大規模定制下，樣本數目比較小，點估計不確定性將增加，導致工序能力指數的估計產生比較大的偏差，可信度不高，風險較大。李奔波(2005 [4])首先對工序能力指數進行點估計，尋找其置信區間，將置信區間下限同推薦值進行比較，得出在一定置信度下能否完成加工的判定。同時，分別對大規模定制下的單值控制圖和中位數控制圖進行了研究，給出了控制界限的確定方法。
（三）基于相似性理論的成組技術研究
應用成組技術進行質量控制要解決兩個關鍵問題：如何識別相似工序構成工序族；對工序族的數據的處理，即控制圖的研究。
盧澤生，張妍（2005）提出了一種基于BP神經網絡的零件分類方法。通過200個典型零件樣本對神經網絡進行訓練和測試，證明該零件分類成組系統可實現零件的準確分類成組。
鄭立偉（2004）將模糊聚類分析應用于工序分類，提出用加權距離來確定模糊相似系數。從質量經濟性出發討論相似工序的工序能力指數是大致相同的，以此為基礎進行質量控制圖的研究。
劉劍虹等（2005）指出了傳統BOM的不足，提出建立邏輯BOM系統，以解決大規模定制生產產品多樣性的不斷增加和其產品結構快速識別與配置的矛盾。
杜堯（2005）將智能信息技術應用于大規模定制生產中的成組技術。將自適應變異的粒子群優化算法用于求解成組技術中的P-中位模型，克服了用遺傳算法求解時的收斂速度慢和過早收斂之缺陷以及用粒子群算法的計算量過大的不足。
成組技術的引入和使用，一定程度上解決了大規模定制生產模式數據量少的問題。
（四）針對極小樣本的數據建模方法研究
張炎亮（2007）采用灰數模型預測方法預測產品質量特性，提出大規模定制生產過程質量控制中的灰色神經網絡集成建模方法；樊樹海等(2008)將灰色理論引入到了神經網絡建模中；翁小杰(2009)將神經網絡預測模型和灰色預測模型進行了優選組合，回避單一預測模型預測精度低的風險；曾巍(2005)在BP網絡的基礎上提出了一種新型的神經網絡模型，對網絡的收斂性和性能進行了理論分析和實驗驗證；楊世元等(2003)提出了一種基于支持向量機的技術來進行控制圖的模式識別；王晶等（2009）將Bootstrap方法引入到多品種小批量生產的質量控制中，研究了基于該方法的控制圖的構造和實施流程。
三、總結
目前的研究解決了基本的概念問題，在具體應用上也逐漸深入。如何更加準確合理地確定相似工序和相似系數，是成組技術接下來的一個研究重點；在針對極小樣本的數據建模方法研究中，如何準確分析動態時變序列中的隱含關系并保證模型精度，如何對擴展后的分布序列求解分布參數也是進一步研究的方向。
