质量管理与控制是企业实现预防原则、保持生产稳定的重要手段。只有工序质量满足制造要求,才能实现产品开发设计时所设定的质量目标、生产出满足用户期望的优质装备产品。传统的工序质量分析系统主要以excel计算方式和小型质量分析计算系统为主,其计算能力有限。随着公司装备部门业务规模的扩大以及工厂实际生产能力的提升,相关的工业装备数据出现了爆炸式的增长,平均每天需接入十亿级数据量。传统的工序质量分析系统在处理如此巨量数据时,在采集、加工、存储等环节出现了加工时间长、数据重复、数据丢失等一系列关联问题。为更好的对工业数据进行处理,同时满足用户新的系统需求,因此确立了基于大数据的新型的工序质量分析系统的研发。作者在项目开发过程中参与了工序质量分析系统的需求分析、概要设计、详细设计、系统实现以及系统测试工作。在需求分析中,通过对用户需求以及实际应用场景分析,将系统划分为大数据处理模块、CPK（Process Capability Index,过程能力指数）在线计算模块、CPK定时计算模块、GRR（Gauge Repeatability and Reproducibility,系统重复性复现性）计算模块以及结果展示模块。在概要设计中,考虑到系统多个模块会进行同一的数据读取存储操作,同时CPK在线计算模块及CPK定时计算模块采用同一CPK算法进行实现,为提高系统灵活性及可扩展性,将底层数据操作以及CPK算法进行封装,实现系统高内聚低耦合,确定系统整体架构采用微服务架构,并对系统微服务架构进行了建模。在详细设计中,针对大数据处理模块,系统每天需处理十亿级数据量,因此在大数据处理模块中使用Kafka、Flink、Clickhouse大数据处理、存储技术对数据进行处理,达到大数据百分百的完全存储率,保证数据在处理过程中不出现错误情况。针对CPK计算以及GRR计算模块,使用了相关CPK、GRR算法对用户输入数据进行计算并得出相应结果,保障了系统的计算指标。在系统测试中,作者按照需求目标编写了相应的测试用例,以此保障系统的质量。目前,基于大数据的工序质量分析系统已成功上线,用户反馈良好,计算总次数已突破万次,计算成功率可达95%以上,其所取得的效果超过预期。