谷瀟 馮小潔 李磊 青島濱海學(xué)院

關(guān)鍵字：數(shù)據(jù)挖掘 離散制造業(yè) 質(zhì)量評估 知識發(fā)現(xiàn)

一、引言

數(shù)據(jù)挖掘作為一種新興的多學(xué)科交叉應(yīng)用技術(shù)已經(jīng)應(yīng)用于各個行業(yè)中，我國作為世界上第一制造大國，同樣也離不開大數(shù)據(jù)的支持和發(fā)展。解決企業(yè)生產(chǎn)的一個關(guān)鍵問題就是制造商如何更快的提高產(chǎn)品質(zhì)量和產(chǎn)量，所以質(zhì)量評估對一個制造企業(yè)來說尤為重要，這關(guān)乎于企業(yè)的安全、利潤和信譽(yù)，因此這需要更方便、更系統(tǒng)的方法來解決。目前許多企業(yè)已經(jīng)構(gòu)建了集成的數(shù)據(jù)庫來存儲來自生產(chǎn)部門的各種操作數(shù)據(jù)，存儲涉及到多個輸入和輸出變量，這些變量不易建模和優(yōu)化，因此，數(shù)據(jù)挖掘和數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD）已經(jīng)成功應(yīng)用于解決質(zhì)量評估和控制問題，比如如何分類產(chǎn)品的質(zhì)量，找出參數(shù)，以及如何進(jìn)行優(yōu)化獲得最佳輸出等，利用數(shù)據(jù)挖掘?qū)崿F(xiàn)對產(chǎn)品的質(zhì)量評估也逐漸成為未來的發(fā)展趨勢。第一節(jié)描述了進(jìn)行質(zhì)量評估時幾個重要的質(zhì)量任務(wù)，第二節(jié)對數(shù)據(jù)庫知識發(fā)現(xiàn)和數(shù)據(jù)挖掘進(jìn)行簡單的分析和總結(jié)，第三節(jié)概括數(shù)據(jù)挖掘在質(zhì)量評估中的應(yīng)用，最后提供結(jié)論以及對未來離散制造業(yè)的研究和發(fā)展方向。

二、質(zhì)量評估

對于目前國內(nèi)大多數(shù)制造業(yè)來說，在生產(chǎn)制造過程中所產(chǎn)生的數(shù)據(jù)皆以電子的方式收集并存儲在數(shù)據(jù)庫中，而相對于離散制造業(yè)來說，離散制造業(yè)以多品種小批量訂單生產(chǎn)方式生產(chǎn)，產(chǎn)品由許多零部件組成，各零部件的加工裝配過程依次獨(dú)立，不同或相同的零件都面對著不同的供應(yīng)商，在進(jìn)行各類批量生產(chǎn)加工的同時還面臨著高質(zhì)量產(chǎn)品的要求，這給企業(yè)的數(shù)據(jù)收集和質(zhì)量評估帶來一定的難度。為了保證產(chǎn)品和服務(wù)的有效性、提高客戶滿意度和期望值、降低開發(fā)成本、減少流動時間、增強(qiáng)投資者的信心，質(zhì)量評估應(yīng)該被考慮到離散制造業(yè)的各個生產(chǎn)環(huán)節(jié)中去，在生產(chǎn)進(jìn)度中控制好零部件的完整性和質(zhì)量保證。質(zhì)量評估方法從六西格瑪(6sigma)到改進(jìn)的六西格瑪設(shè)計(DFSS)，雖然傳統(tǒng)的數(shù)據(jù)分析工具已經(jīng)成功用于提高產(chǎn)品進(jìn)程的質(zhì)量，但主要研究的是在設(shè)計階段或流程上的缺陷預(yù)防和監(jiān)測問題，然而在生產(chǎn)制造階段，仍處于人工檢測狀態(tài)，由熟練的操作人員根據(jù)他們的經(jīng)驗來加工，最終產(chǎn)品是送貨到經(jīng)銷商供檢查人員驗貨。隨著制造流程數(shù)據(jù)越來越多，每隔幾秒就會產(chǎn)生大量數(shù)據(jù)，包括設(shè)備的開機(jī)率、主軸的運(yùn)轉(zhuǎn)率、負(fù)載率、運(yùn)行率、故障率、生產(chǎn)率、設(shè)備的總和利用率、零部件的合格率、質(zhì)量百分比等，數(shù)據(jù)收集相對困難且分布不均勻，這需要更強(qiáng)大的工具來收集大量的數(shù)據(jù)集和挖掘出有效信息，因此數(shù)據(jù)挖掘和數(shù)據(jù)庫知識發(fā)現(xiàn)逐漸應(yīng)用于解決質(zhì)量評估問題。

制造商首先要明確質(zhì)量任務(wù)，根據(jù)Hamidey Rostami表述產(chǎn)品生產(chǎn)制造階段的主要質(zhì)量評估和控制活動，本文主要總結(jié)和改進(jìn)為如下幾個功能如圖一所示：收集質(zhì)量數(shù)據(jù)、質(zhì)量分類，確定質(zhì)量因子、質(zhì)量建模（包括輸入和輸出質(zhì)量因子）和質(zhì)量預(yù)測。

質(zhì)量任務(wù)需要解決以下幾個方面的問題：

1.質(zhì)量數(shù)據(jù)：獲取全面的數(shù)據(jù)是進(jìn)行數(shù)據(jù)挖掘的必要前提，制造商從生產(chǎn)線的各個階段獲得涉及到質(zhì)量問題的所有數(shù)據(jù)。

2.質(zhì)量分類：利用分類方法對質(zhì)量樣本學(xué)習(xí)進(jìn)行數(shù)據(jù)分類，該功通過一系列活動建立分類器。

3.質(zhì)量因子：找出影響產(chǎn)品質(zhì)量的變量，根據(jù)其重要性對質(zhì)量因子和變量進(jìn)行排序。

4.質(zhì)量建模：利用有限的數(shù)據(jù)進(jìn)行模型開發(fā)，確立輸入和輸出參數(shù)。

5.質(zhì)量預(yù)測：主要是進(jìn)行缺陷預(yù)防和監(jiān)測，對輸出的產(chǎn)品質(zhì)量進(jìn)行可視化操作，從而得出預(yù)測結(jié)果。

三、數(shù)據(jù)挖掘

Padhy 和Mishra 指出數(shù)據(jù)挖掘通常稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)（KDD），從數(shù)據(jù)庫中提取隱含、未知或可能有用的信息。Mümine KAYA KELES 提出數(shù)據(jù)挖掘從原始數(shù)據(jù)中進(jìn)行提取和分析從而發(fā)現(xiàn)關(guān)聯(lián)有趣和有用信息的過程。數(shù)據(jù)挖掘作為知識發(fā)現(xiàn)進(jìn)程的一部分，主要過程如圖二所示。第一部分是進(jìn)行數(shù)據(jù)的預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)選擇等，在此過程中因為數(shù)據(jù)的復(fù)雜性和多樣性，需要進(jìn)行噪聲處理，刪除錯誤和不一致數(shù)據(jù)。第二部分?jǐn)?shù)據(jù)挖掘，以特定的一組代表形式來建立感興趣的模式，這包括：分類、聚類、回歸、匯總、偏差檢測、依賴性建模和預(yù)測。其中分類方法常用的有SVM 算法、KNN 算法、樸素貝葉斯算法、決策樹等。預(yù)測方法常用的有神經(jīng)網(wǎng)絡(luò)、Markov 模型、Bayesian 估計和ELM 等，同時建立可提取的模式或給定提取的模型數(shù)據(jù)進(jìn)行可視化，目前已有利用EOS-ELM 方法解決工業(yè)大數(shù)據(jù)的狀態(tài)預(yù)測問題。第三部分將這些信息匯總轉(zhuǎn)化為有價值的知識。

圖二 KDD 過程步驟概述

以某一小型加工配件廠為例，制造商從生產(chǎn)線的各個階段獲得涉及到質(zhì)量問題的所有幾何數(shù)據(jù)，包括來自原材料數(shù)據(jù)、生產(chǎn)機(jī)器的傳感器數(shù)據(jù)、歷史日志、機(jī)床自動化數(shù)據(jù)、現(xiàn)場檢測紀(jì)錄數(shù)據(jù)以及設(shè)備、人員、環(huán)境等間接影響質(zhì)量的數(shù)據(jù)，或者也包括過程模擬數(shù)據(jù)集，對已經(jīng)收集的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，將企業(yè)的產(chǎn)品加工數(shù)據(jù)存儲在不同的數(shù)據(jù)服務(wù)器上。其次根據(jù)產(chǎn)品本身的特性對研究個體進(jìn)行分類，從中發(fā)現(xiàn)規(guī)律和典型模式。企業(yè)中的諸多產(chǎn)品，比如軸套、筒蓋、萬向輪、螺絲、鋼板等等可根據(jù)圖紙規(guī)格型號或產(chǎn)品材質(zhì)對不同產(chǎn)品進(jìn)行分類，而具有相同特征的產(chǎn)品劃分為一組事物，這也是所謂的聚類，從而找到最可能的區(qū)分低質(zhì)量和高質(zhì)量產(chǎn)品的質(zhì)量因素。

四、數(shù)據(jù)挖掘應(yīng)用于質(zhì)量評估

在傳統(tǒng)的管理模式下，一方面，我國目前很多離散制造企業(yè)仍然局限于質(zhì)監(jiān)部門的獨(dú)立活動，難以實現(xiàn)對產(chǎn)品整體進(jìn)貨和銷售水平的控制；另一方面，企業(yè)收集到的大量的、雜亂的數(shù)據(jù)沒有得到充分利用，現(xiàn)階段大部分中小企業(yè)還停留在用Excel 對加工數(shù)據(jù)的簡單統(tǒng)計和圖標(biāo)顯示，更極少數(shù)的企業(yè)能夠?qū)?shù)據(jù)進(jìn)行可視化展現(xiàn)。而國外的發(fā)展相對迅速，從產(chǎn)品的生產(chǎn)質(zhì)量、質(zhì)量預(yù)測、質(zhì)量分類到參數(shù)優(yōu)化幾個方面都提出了新的想法并進(jìn)行了實際應(yīng)用。自組織神經(jīng)網(wǎng)絡(luò)的組合和規(guī)則歸納（SOMs）已經(jīng)被用于從正常收集的晶圓制造數(shù)據(jù)中識別關(guān)鍵的低產(chǎn)量因子（Gardner＆Bieker，2000）；Andrew Kusiak，Member使用數(shù)據(jù)挖掘方法用于從數(shù)據(jù)集中提取知識用于預(yù)測和預(yù)防晶圓制造故障；Chong，Albin 和Jun（2007）使用基于規(guī)則歸納法（PRIM）來確定煉鋼過程中過程變量的最佳設(shè)置；Cleon Davis 等人實現(xiàn)了反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)算法去構(gòu)建、訓(xùn)練和鍛煉用于各種半導(dǎo)體的多層感知器神經(jīng)網(wǎng)絡(luò)。

五、結(jié)語

本文對于數(shù)據(jù)挖掘應(yīng)用于離散制造業(yè)中的質(zhì)量評估的相關(guān)理論和所用技術(shù)進(jìn)行了闡述，由于制造業(yè)的客戶和技術(shù)要求不斷變化以及生產(chǎn)過程的復(fù)雜性，數(shù)據(jù)挖掘工具的應(yīng)用能夠為企業(yè)提高效益和效率。利用數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD）改進(jìn)和監(jiān)測整個制造過程從而確保生產(chǎn)安全性。更近一步來說，如何進(jìn)一步利用支持向量機(jī)(SVM)等分類器進(jìn)行特征及分解，如何用最優(yōu)算法進(jìn)行預(yù)測生成準(zhǔn)確決策，如何對生產(chǎn)環(huán)節(jié)的低質(zhì)量產(chǎn)品進(jìn)行自動識別等，都將是未來我們研究的方向。

對對照組的25例患者施以常規(guī)護(hù)理，在患者入院以后，護(hù)理人員要遵醫(yī)囑按時按量指導(dǎo)患者服用藥物，了解和觀察患者的病情恢復(fù)狀況，實施常規(guī)健康宣教，對患者的日常生活進(jìn)行常規(guī)干預(yù)，讓患者養(yǎng)成良好的生活作息習(xí)慣。