徐榕青，張晏銘，王 輝，李 楊，龐 婷

(中國(guó)電子科技集團(tuán)公司 第29研究所，成都 610036)

0 引言

當(dāng)前制造企業(yè)基于傳統(tǒng)表層信息的報(bào)表分析、統(tǒng)計(jì)分析、趨勢(shì)圖查看等過(guò)程質(zhì)量管控方式，難以實(shí)現(xiàn)在數(shù)據(jù)類型混雜、關(guān)聯(lián)耦合強(qiáng)、信息密度低、時(shí)間跨度大狀態(tài)下的生產(chǎn)過(guò)程管控與問(wèn)題分析，數(shù)據(jù)中隱藏的規(guī)律和價(jià)值也難以有效發(fā)掘和利用。大數(shù)據(jù)挖掘模型不依賴于精確數(shù)學(xué)關(guān)系的特性，適用于基于統(tǒng)計(jì)規(guī)律下的質(zhì)量管控與分析，通過(guò)模型的應(yīng)用可降低對(duì)人員經(jīng)驗(yàn)的依賴。當(dāng)前標(biāo)準(zhǔn)化的數(shù)據(jù)挖掘工具和模型算法，為質(zhì)量大數(shù)據(jù)挖掘應(yīng)用提供了技術(shù)基礎(chǔ)，企業(yè)可專注于產(chǎn)品生產(chǎn)過(guò)程分析方便快速地實(shí)現(xiàn)應(yīng)用驗(yàn)證[1-4]。面對(duì)生產(chǎn)過(guò)程中故障數(shù)據(jù)稀疏，導(dǎo)致的大數(shù)據(jù)模型擴(kuò)展性不強(qiáng)的問(wèn)題，可通過(guò)抽取設(shè)備、問(wèn)題的特征標(biāo)簽，采用聚類算法進(jìn)行歸類合并，進(jìn)而進(jìn)行相似產(chǎn)品或問(wèn)題處理專家知識(shí)的智能推薦，有效提升了數(shù)據(jù)稀疏下所建模型的預(yù)測(cè)能力[5]。運(yùn)用數(shù)據(jù)分析和機(jī)理分析融合的方法對(duì)數(shù)據(jù)進(jìn)行處理，可有效利用大數(shù)據(jù)的多尺度特性對(duì)裝備生命周期進(jìn)行分析預(yù)測(cè)、運(yùn)行優(yōu)化、預(yù)知維修，保證了數(shù)據(jù)知識(shí)獲取、運(yùn)用的時(shí)效性[6]。通過(guò)數(shù)據(jù)特征分析、數(shù)據(jù)采集、處理、預(yù)測(cè)應(yīng)用，結(jié)合具體業(yè)務(wù)場(chǎng)景可建立基于大數(shù)據(jù)技術(shù)的應(yīng)用信息系統(tǒng)，實(shí)現(xiàn)質(zhì)量管控與提升[7]。

針對(duì)新一代微波組件產(chǎn)品呈現(xiàn)出工藝更加復(fù)雜、返工返修難度更大、單件價(jià)格更高的特點(diǎn)，業(yè)內(nèi)鮮有采用大數(shù)據(jù)進(jìn)行工藝質(zhì)量分析的報(bào)道，本文通過(guò)大數(shù)據(jù)挖掘方法對(duì)微波組件生產(chǎn)中的多維質(zhì)量數(shù)據(jù)進(jìn)行分析，對(duì)深層信息和隱含規(guī)律的挖掘提取，融合工藝失效分析先驗(yàn)知識(shí)建立大數(shù)據(jù)模型輔助工藝排故，持續(xù)提升過(guò)程管控快速、準(zhǔn)確響應(yīng)能力，促進(jìn)工藝穩(wěn)定性和產(chǎn)品質(zhì)量提升。

1 微波組件工藝失效分析流程

典型微波組件生產(chǎn)所采用的微組裝工藝，如圖1所示，主要包括可制造性審查、工藝流程擬制、SOP編制、計(jì)劃下達(dá)、生產(chǎn)加工(圖紙、工藝、機(jī)加件、元器件、材料、設(shè)備、人員等多要素耦合過(guò)程)、過(guò)程檢驗(yàn)、調(diào)試測(cè)試(設(shè)計(jì)、制造與電性能多要素耦合)、終檢、交付，環(huán)節(jié)眾多導(dǎo)致質(zhì)量數(shù)據(jù)分析存在數(shù)據(jù)來(lái)源多、種類多、存儲(chǔ)分散，主要數(shù)據(jù)來(lái)源有：

圖1 微波組件生產(chǎn)流程及質(zhì)量相關(guān)數(shù)據(jù)

1) 生產(chǎn)過(guò)程數(shù)據(jù)，如設(shè)計(jì)規(guī)范、工藝規(guī)范、檢驗(yàn)數(shù)據(jù)、調(diào)測(cè)數(shù)據(jù)；

2) 基礎(chǔ)數(shù)據(jù)，如產(chǎn)品基礎(chǔ)數(shù)據(jù)、生產(chǎn)基礎(chǔ)數(shù)據(jù)等只與產(chǎn)品、設(shè)備物料有關(guān)的基礎(chǔ)數(shù)據(jù)；

3) 技術(shù)報(bào)告，如歸零報(bào)告、實(shí)驗(yàn)報(bào)告、總結(jié)報(bào)告等為處理問(wèn)題、優(yōu)化工藝開(kāi)展技術(shù)研究形成的資料文檔。

從內(nèi)容角度，各環(huán)節(jié)產(chǎn)生的數(shù)據(jù)主要分為3類：生產(chǎn)相關(guān)、技術(shù)開(kāi)發(fā)相關(guān)、規(guī)范相關(guān)，數(shù)據(jù)間邏輯復(fù)雜交聯(lián)，且一般僅生產(chǎn)過(guò)程中的數(shù)據(jù)為數(shù)據(jù)庫(kù)狀態(tài)，可基本滿足采用數(shù)理統(tǒng)計(jì)等方法處理的要求。

為實(shí)現(xiàn)微組裝過(guò)程質(zhì)量和技術(shù)狀態(tài)管理，當(dāng)前對(duì)過(guò)程檢驗(yàn)、返工返修等原始事務(wù)數(shù)據(jù)的應(yīng)用模式局限于時(shí)序趨勢(shì)監(jiān)控、比率指標(biāo)統(tǒng)計(jì)。當(dāng)需要進(jìn)一步深入分析工藝失效問(wèn)題時(shí)，主要通過(guò)討論、生產(chǎn)過(guò)程數(shù)據(jù)分析、資料研究等復(fù)雜的流程，由人工分析定位得到問(wèn)題的原因和解決措施，以PFMEA報(bào)告形式形成經(jīng)驗(yàn)參考。

PFMEA即工藝過(guò)程失效模式及影響分析，如圖2所示，其目的是假定產(chǎn)品設(shè)計(jì)滿足要求的前提下，針對(duì)產(chǎn)品在生產(chǎn)過(guò)程中每個(gè)工藝步驟可能發(fā)生的故障模式、原因及其對(duì)產(chǎn)品造成的所有影響，按故障模式的風(fēng)險(xiǎn)優(yōu)先數(shù)(RPN)值的大小，對(duì)工藝薄弱環(huán)節(jié)制定改進(jìn)措施，并預(yù)測(cè)或跟蹤采取改進(jìn)措施后減少RPN值的有效性，使RPN達(dá)到可接受的水平，進(jìn)而提高產(chǎn)品的質(zhì)量和可靠性。

圖2 微波組件PFMEA流程

PFMEA本身是工序強(qiáng)相關(guān)的，微波組件PFMEA結(jié)合了生產(chǎn)過(guò)程的諸多維度，如產(chǎn)品物料、工藝要求、設(shè)備要求等，信息關(guān)聯(lián)度高，具有嚴(yán)密的邏輯性和理論支撐，因此可作為領(lǐng)域先驗(yàn)知識(shí)指導(dǎo)各維度質(zhì)量數(shù)據(jù)的提取，包括工序、工步、工藝特征(過(guò)程功能要求)、失效模式(潛在失效模式)、失效原因(潛在失效要因)、失效后果(潛在失效后果)、處理措施(建議措施)等。

但由于微波組件具體結(jié)構(gòu)、工藝參數(shù)、物料組合繁多，導(dǎo)致數(shù)據(jù)分散、價(jià)值密度低，僅依靠人工進(jìn)行PFMEA分析難度較大，時(shí)效性和覆蓋度較差，通過(guò)大數(shù)據(jù)挖掘可全面、準(zhǔn)確把握微波組件生產(chǎn)過(guò)程各環(huán)節(jié)數(shù)據(jù)信息，提升工藝質(zhì)量問(wèn)題分析處理有效性。

2 微波組件工藝質(zhì)量數(shù)據(jù)建模

2.1 質(zhì)量數(shù)據(jù)特征

為便于大數(shù)據(jù)挖掘算法的處理，建立工藝失效分析知識(shí)模型，明確微波組件工藝質(zhì)量數(shù)據(jù)具有如下基本類型和特點(diǎn)：

1)數(shù)據(jù)維度多，變量取值多。由于生產(chǎn)環(huán)節(jié)多，導(dǎo)致產(chǎn)品工藝質(zhì)量問(wèn)題的因素存在于物料特性、工藝參數(shù)、設(shè)備參數(shù)、操作過(guò)程多個(gè)維度，且各維度變量取值較多，相應(yīng)模型和方法也必須適用于多維度數(shù)據(jù)關(guān)聯(lián)分析，可理解數(shù)據(jù)中的規(guī)律；

2)數(shù)據(jù)間關(guān)系不顯性，存在弱相關(guān)或強(qiáng)非線性的關(guān)系，如故障分析通常需要經(jīng)過(guò)多層級(jí)的模式-原因追溯，較難通過(guò)簡(jiǎn)單的線性分析發(fā)現(xiàn)各層級(jí)要素之間的關(guān)系，導(dǎo)致數(shù)據(jù)挖掘模型復(fù)雜；

3)數(shù)據(jù)多以非結(jié)構(gòu)化、離散型為主，包括二元、標(biāo)稱、序數(shù)類型，如問(wèn)題產(chǎn)品是否需要返工(二元)、誘發(fā)問(wèn)題的原因(標(biāo)稱)、問(wèn)題的嚴(yán)重程度(序數(shù))。

因此在進(jìn)行建模分析之前結(jié)合微組裝質(zhì)量領(lǐng)域知識(shí)和PFMEA先驗(yàn)知識(shí)按照清洗、集成、變換、規(guī)約進(jìn)行預(yù)處理將數(shù)據(jù)轉(zhuǎn)換成標(biāo)準(zhǔn)的數(shù)據(jù)類型，有利于提升模型的質(zhì)量[8]。

再基于PFMEA建立用于描述失效分析的屬性字段，包括工序名、工序特征、工步名、產(chǎn)品信息、人員信息、失效后果、處理措施、失效原因、失效模式，如圖3所示。各屬性字段類型均為離散標(biāo)稱型，一般取值采用專業(yè)領(lǐng)域的標(biāo)簽化詞語(yǔ)或序數(shù)。

圖3 微組裝質(zhì)量數(shù)據(jù)分析屬性字段

通過(guò)對(duì)歷史工藝失效數(shù)據(jù)處理，并采用標(biāo)準(zhǔn)屬性字段和標(biāo)簽值進(jìn)行清洗替換，得到可用于大數(shù)據(jù)算法建模的規(guī)范數(shù)據(jù)，如圖4所示，“工序”屬性字段包含粘接、共晶等標(biāo)準(zhǔn)微組裝工序名作為字段值，“工序特征”屬性字段包含一組工序具體信息的結(jié)構(gòu)化詞組作為字段值，該字段與產(chǎn)品強(qiáng)相關(guān)，相同工序名中一般包含不同的工序特征?；诖耍蓪?duì)質(zhì)量數(shù)據(jù)實(shí)現(xiàn)計(jì)數(shù)統(tǒng)計(jì)和數(shù)學(xué)運(yùn)算處理。

圖4 微組裝質(zhì)量數(shù)據(jù)各屬性字段取值示例

2.2 質(zhì)量特征聚類算法

微波組件產(chǎn)品之間從工序構(gòu)成角度，通常具有一定的相似性，如LTCC基板構(gòu)成的產(chǎn)品通常有應(yīng)力開(kāi)裂、器件粘接脫落的問(wèn)題，可以從工序構(gòu)成、故障模式、故障原因等失效相關(guān)數(shù)據(jù)字段中首先提取相關(guān)性較高的字段作為聚類特征，然后有多個(gè)不同的聚類特征構(gòu)成特征向量對(duì)產(chǎn)品進(jìn)行聚類，當(dāng)幾種不同名稱產(chǎn)品具有近似的聚類特征時(shí)，則將這幾種產(chǎn)品歸為一類，此類產(chǎn)品具有相似的質(zhì)量特征。于是，聚類模型輸入輸出數(shù)據(jù)格式如表1所示。

表1 聚類分析輸入輸出數(shù)據(jù)格式

聚類分析中K均值算法適用數(shù)據(jù)類型廣泛[9]，主要計(jì)算式如式(1)、(2)，通過(guò)計(jì)算對(duì)象之間的鄰近性和聚類的目標(biāo)函數(shù)，即凝聚度，基于最大化簇中文本條目與簇質(zhì)心的相似性并迭代計(jì)算可得最終聚類結(jié)果。總凝聚度，如下所示：

(1)

x是輸入數(shù)據(jù)對(duì)象，Ci是第i個(gè)簇，ci是簇Ci的質(zhì)心，是簇中數(shù)據(jù)的均值，K是簇的總數(shù)，其中cosine<·>計(jì)算式如下，表示兩條數(shù)據(jù)向量之間的余弦：

(2)

對(duì)所有數(shù)據(jù)與各自簇質(zhì)心的余弦進(jìn)行求和計(jì)算，通過(guò)算法優(yōu)化簇質(zhì)心找出總凝聚度最大的聚類分簇結(jié)果。

聚類分簇的有效性，即好與差采用凝聚度進(jìn)行評(píng)估，主要評(píng)價(jià)指標(biāo)為輪廓系數(shù)：

(3)

對(duì)第i個(gè)對(duì)象，計(jì)算它到簇中所有其他對(duì)象的平均距離，記作ai；對(duì)第i個(gè)對(duì)象和不包含該對(duì)象的任意簇，計(jì)算該對(duì)象到給定簇中所有對(duì)象的平均距離。關(guān)于所有的簇，找出最小值，記作bi。

輪廓系數(shù)的值可取范圍在-1到1之間，通常情況下為0到1，且越接近1則說(shuō)明聚類效果越好。

通過(guò)對(duì)產(chǎn)品進(jìn)行分簇聚類，可有效利用產(chǎn)品工藝特性及質(zhì)量問(wèn)題的相似性進(jìn)行數(shù)據(jù)規(guī)約，提升數(shù)據(jù)密度，減少數(shù)據(jù)的維度。

從“動(dòng)機(jī)”修辭的角度講，阿拉貢的《愛(ài)爾莎的眼睛》也旨在啟發(fā)人類。但與艾呂雅不同的是，愛(ài)爾莎在該詩(shī)中并不具備政治象征含義。阿拉貢曾反對(duì)評(píng)論界對(duì)他的作品做政治層面的解讀，說(shuō)道：為什么我要借她的名字言及其他呢？認(rèn)為這樣的評(píng)價(jià)和理解完全有失偏頗。或許詩(shī)人對(duì)愛(ài)爾莎眼睛的傳神描寫(xiě)，僅是詩(shī)人單純的告白。但有一點(diǎn)能夠肯定的是，阿拉貢的抒情創(chuàng)作即使不是建立在群體、時(shí)代和民族的基礎(chǔ)之上，也一定是建立在作家個(gè)人的主體創(chuàng)作動(dòng)機(jī)之上，其目的是啟發(fā)人類。因此我們可以說(shuō)，這種對(duì)人類的啟發(fā)式情感動(dòng)機(jī)就是該詩(shī)的“動(dòng)機(jī)”修辭。

2.3 知識(shí)融合模型

結(jié)合微波組件PFMEA先驗(yàn)知識(shí)和工藝質(zhì)量數(shù)據(jù)，采用分類算法挖掘工藝質(zhì)量數(shù)據(jù)中可輔助失效分析的知識(shí)信息。知識(shí)融合模型建模流程如圖5所示，建模數(shù)據(jù)包含工序信息、產(chǎn)品信息、問(wèn)題信息等，按輸入輸出數(shù)據(jù)類型選用分類算法訓(xùn)練得到分類規(guī)則模型或分類黑箱模型，同時(shí)將產(chǎn)品進(jìn)行聚類后得到的產(chǎn)品類別，作為分類模型的輸入。最后在微波組件工藝問(wèn)題輔助排故應(yīng)用時(shí)，通過(guò)對(duì)輸入的產(chǎn)品類別、產(chǎn)品特征信息、故障特征信息、工序特征信息進(jìn)行運(yùn)算，可得到問(wèn)題分析預(yù)測(cè)結(jié)果。其中，分類建模算法可采用神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、SVM支持向量機(jī)等模型進(jìn)行訓(xùn)練[10]。

圖5 知識(shí)融合模型建模流程

輔助排故模型結(jié)構(gòu)如圖6所示，輸入為產(chǎn)品編號(hào)、產(chǎn)品名稱、問(wèn)題工序、工步、工序特征、失效模式，輸出有故障原因定位、糾正措施、頻段、嚴(yán)重度、探測(cè)度，其中加粗的變量名表示向量，各輸入輸出數(shù)據(jù)均為預(yù)處理后的標(biāo)準(zhǔn)數(shù)據(jù)。輔助排故時(shí)，通過(guò)輸入的產(chǎn)品編號(hào)、產(chǎn)品名稱，再?gòu)漠a(chǎn)品/工藝數(shù)據(jù)庫(kù)中抽取產(chǎn)品相應(yīng)工序、工序特征數(shù)據(jù)對(duì)產(chǎn)品進(jìn)行聚類，進(jìn)行相似匹配，得到產(chǎn)品類別，再結(jié)合輸入問(wèn)題工序、工步、工序特征、失效模式輸入到訓(xùn)練好分類模型中，運(yùn)算得到按評(píng)分排序的問(wèn)題產(chǎn)品最可能的誘因和處理措施，實(shí)現(xiàn)了對(duì)人工處理邏輯和數(shù)據(jù)信息的融合。

圖6 微波組件輔助排故模型結(jié)構(gòu)

3 輔助排故建模實(shí)例分析

以某微波組件生產(chǎn)信息系統(tǒng)中的返工返修數(shù)據(jù)為例，建立用于對(duì)返工返修相關(guān)工藝失效問(wèn)題輔助分析的模型。從數(shù)據(jù)庫(kù)中抽取一定時(shí)間段內(nèi)的數(shù)據(jù)，樣本數(shù)據(jù)如表2所示事務(wù)型格式，主要字段有：訂單號(hào)、批次號(hào)、產(chǎn)品編號(hào)、序列號(hào)、產(chǎn)品名稱、產(chǎn)品總數(shù)、故障代碼、故障模式、問(wèn)題工序、糾正措施、創(chuàng)建時(shí)間。

表2 生產(chǎn)系統(tǒng)中抽取經(jīng)處理的部分樣本數(shù)據(jù)

根據(jù)PFMEA提供的先驗(yàn)知識(shí)，對(duì)數(shù)據(jù)中的各屬性字段的潛在關(guān)系模式先建立9種相關(guān)性分析，從中確定用于聚類的質(zhì)量特征屬性，如圖7所示。本例通過(guò)邏輯回歸對(duì)各關(guān)鍵屬性進(jìn)行相關(guān)性分析，得到故障模式與問(wèn)題原因、糾正措施、工序、問(wèn)題產(chǎn)品名的相關(guān)度0.62、0.585、0.37、0.1，糾正措施與工序、故障模式、問(wèn)題定位的相關(guān)度0.65、0.305、0.22，問(wèn)題產(chǎn)品名與工序、問(wèn)題定位、故障模式的相關(guān)度0.235、0.515、0.175。當(dāng)取閾值0.5時(shí)，即某一因素的相關(guān)度大于0.5，則認(rèn)為該因素對(duì)分析目標(biāo)有明顯影響，可作為特征屬性，得出失效模式與工序的相關(guān)性較大，失效模式與問(wèn)題原因的相關(guān)性較大，糾正措施與工序的相關(guān)性較大，問(wèn)題產(chǎn)品名與問(wèn)題定位相關(guān)性較大。

圖7 微波組件質(zhì)量數(shù)據(jù)潛在關(guān)聯(lián)關(guān)系

由于微波組件產(chǎn)品典型的種類多、批量小的特點(diǎn)，問(wèn)題產(chǎn)品名與工序、故障模式的相關(guān)性較低，而在實(shí)際排故時(shí)多以問(wèn)題產(chǎn)品名為關(guān)鍵信息，因此，將工序、工序特征、故障模式、故障原因作為聚類特征向量對(duì)產(chǎn)品名稱進(jìn)行聚，得到部分聚類結(jié)果如圖8所示。

圖8 微波組件相似聚類結(jié)果

聚類2中的各產(chǎn)品主要特征-微隙焊(工序)、微金絲金帶(工序特征)、焊點(diǎn)脫落(故障模式)、鍍層厚度超差(故障原因)具有較強(qiáng)相似性；聚類3中的各產(chǎn)品主要特征-粘接(工序)、微波印制電路片與鋁合金(工序特征)、電路片脫落(故障模式)、膠過(guò)少(故障原因)具有較強(qiáng)相似性；聚類5中的各產(chǎn)品主要在以下特征上具有較強(qiáng)相似性-熱聲焊(工序)、鍍金電路片與芯片(工序特征)、焊點(diǎn)脫落(故障模式)、鍍層不匹配(故障原因)。因此將聚類分析中的主要特征屬性作為該類的標(biāo)簽，并作為知識(shí)模型聚類輸出結(jié)果以及分類的輸入變量。顯然，由于產(chǎn)品與特征屬性的高端相關(guān)性，具有相同工序、相同工序特征、相同故障模式和原因的產(chǎn)品聚為一類后，可實(shí)現(xiàn)數(shù)據(jù)密度的提升。

前文分析中，由于輔助排故模型每一個(gè)輸出都有2個(gè)以上的可選值，所以該分類模型屬于多元分類，此處采用所有對(duì)所有(AVA)方法[11]，即針對(duì)輸出的某個(gè)值為正例，其他值為負(fù)例，依次將每個(gè)值分別作為正例，其他為負(fù)例，對(duì)所有輸出建立m(m-1)/2個(gè)2元分類模型，其中m表示各輸出的取值個(gè)數(shù)，采用決策樹(shù)算法實(shí)現(xiàn)該模型，并增加糾錯(cuò)碼提升準(zhǔn)確性。如圖9所示，以糾正措施中的“更換”為正例，其余糾正措施定義為“返工”，為負(fù)例，對(duì)生產(chǎn)系統(tǒng)中抽取的質(zhì)量數(shù)據(jù)建立了從產(chǎn)品依次經(jīng)工序、工序特征、故障模式判斷得到糾正措施的2元決策樹(shù)模型。同樣可將其他糾正措施作為正例依次建立相應(yīng)的2元決策樹(shù)模型，或?qū)收显蚪?元決策樹(shù)模型。以圖9中第一個(gè)決策結(jié)點(diǎn)為例，初始數(shù)據(jù)中有60%樣本的糾正措施是“更換”，當(dāng)輸入產(chǎn)品類別時(shí)，如果產(chǎn)品是“TR”則可以對(duì)總樣本中的17%以90%精度劃分出“更換”，再通過(guò)第二級(jí)結(jié)點(diǎn)工序不是“焊接”判斷出總樣本中的29%，并以92%精度劃分出“更換”，直到最后一級(jí)故障模式，完成樣本的分類。

圖9 微波組件輔助排故糾正措施決策書(shū)模型

表3 決策樹(shù)模型混淆矩陣

最后，通過(guò)開(kāi)發(fā)一套質(zhì)量數(shù)據(jù)分析軟件對(duì)上述模型部署應(yīng)用，如圖10所示，在軟件的輔助排故流程的向?qū)戒浫虢缑?，微波工藝人員輸入產(chǎn)品及故障相關(guān)基本信息數(shù)據(jù)，軟件將自動(dòng)利用由歷史故障數(shù)據(jù)訓(xùn)練好的知識(shí)融合模型進(jìn)行計(jì)算，進(jìn)而推送給出失效原因、改進(jìn)措施等信息，方便實(shí)現(xiàn)對(duì)產(chǎn)品生產(chǎn)中出現(xiàn)的問(wèn)題快速排查和處理。

圖10 基于質(zhì)量數(shù)據(jù)模型的輔助排故軟件

可見(jiàn)通過(guò)PFMEA先驗(yàn)知識(shí)融合模型可以較好挖掘出分散、稀疏質(zhì)量數(shù)據(jù)中的有價(jià)值信息，模型也可以方便部署到軟件應(yīng)用中，實(shí)現(xiàn)了對(duì)經(jīng)驗(yàn)知識(shí)的復(fù)用，提高了生產(chǎn)過(guò)程問(wèn)題處理效率。

4 結(jié)束語(yǔ)

在當(dāng)前大力發(fā)展先進(jìn)制造業(yè)，加強(qiáng)人工智能、數(shù)據(jù)中心等新基建建設(shè)的時(shí)代下，圍繞軍用產(chǎn)品質(zhì)量持續(xù)改進(jìn)提升的主題，利用大數(shù)據(jù)挖掘技術(shù)進(jìn)行微波組件生產(chǎn)過(guò)程質(zhì)量數(shù)據(jù)的分析，具有廣泛的應(yīng)用前景。通過(guò)對(duì)微波組件產(chǎn)品典型工藝流程及過(guò)程質(zhì)量數(shù)據(jù)的梳理，基于數(shù)據(jù)挖掘技術(shù)流程，實(shí)現(xiàn)了質(zhì)量大數(shù)據(jù)特征分析提取、數(shù)據(jù)結(jié)構(gòu)化、失效分析知識(shí)模型融合以及輔助排故應(yīng)用場(chǎng)景部署，突破了傳統(tǒng)統(tǒng)計(jì)報(bào)表分析結(jié)果不直觀，人工分析困難的應(yīng)用限制。針對(duì)微波組件質(zhì)量數(shù)據(jù)分散、信息密度低的特點(diǎn)，提出了從產(chǎn)品質(zhì)量特征角度先進(jìn)行相似聚類在再建立分類模型的方法，有效提升了數(shù)據(jù)密度及數(shù)據(jù)挖掘模型的適用性。為實(shí)現(xiàn)數(shù)據(jù)挖掘模型的持續(xù)支撐能力，今后還需不斷研究?jī)?yōu)化數(shù)據(jù)來(lái)源，細(xì)化數(shù)據(jù)信息粒度，豐富應(yīng)用場(chǎng)景。