費清春，史瑩瑩，曾慶國

(1.南京電子技術(shù)研究所，江蘇 南京210039；2.工業(yè)和信息化部電子第五研究所，廣東 廣州511300)

0 引言

隨著計算機技術(shù)的快速發(fā)展，企業(yè)建立了產(chǎn)品質(zhì)量問題處理信息系統(tǒng)，存儲了大量的產(chǎn)品質(zhì)量問題處理歷史記錄。產(chǎn)品質(zhì)量改進通常是建立在產(chǎn)品質(zhì)量問題數(shù)據(jù)分析的基礎(chǔ)上，將質(zhì)量問題快速、準確地自動歸類為不同的故障模式，對于促進企業(yè)識別質(zhì)量問題關(guān)鍵因素，推動產(chǎn)品質(zhì)量改進具有十分重要的現(xiàn)實意義。如何將成千上萬，甚至是幾十萬條質(zhì)量問題數(shù)據(jù)按照故障模式自動分類，單憑專家篩選、甄別和分類，是一個巨量的、難以短時間完成的任務(wù)，成為了亟需解決的實際問題。以關(guān)鍵詞檢索等自動化程度較低的人機協(xié)作模式開展質(zhì)量問題分類，結(jié)果存在大量的誤報和漏報，不能滿足實際使用的需要。

運用大數(shù)據(jù)技術(shù)，分析挖掘產(chǎn)品質(zhì)量問題數(shù)據(jù)，能夠為產(chǎn)品質(zhì)量改進的技術(shù)創(chuàng)新提供有效的技術(shù)支持[1]。當前，計算機領(lǐng)域已形成了中文分詞、文本挖掘等自然語言處理技術(shù)，在此背景下，本文重點聚焦裝備質(zhì)量問題文本數(shù)據(jù)的故障模式自動分類方法展開研究。

1 相關(guān)研究

在計算機文本挖掘方面，Kenter等人[2]合并由相同算法、語料庫、參數(shù)設(shè)置得到的不同維度詞向量，訓練出分類模型，并利用此分類模型計算短文本問題之間的相似度；Kusner等人[3]基于詞與詞之間的最小移動距離，求解問題文本之間的文檔相似度；孟繁宇[4]則將基于檢索詞的摘要提取問題轉(zhuǎn)化為文本聚類問題，利用提取式摘要抽取方法，對文檔的主要特征進行向量化抽取和去冗余等操作。

針對裝備故障和失效等質(zhì)量問題分類方法研究，張計晨[5]圍繞天氣雷達運行工作原理，分析雷達發(fā)射系統(tǒng)故障觸發(fā)機理，形成發(fā)射系統(tǒng)故障分類模型。龔俊杰[6]提出航空產(chǎn)品質(zhì)量問題的三維分類模型，從“過程-問題-性質(zhì)”三個維度對質(zhì)量問題的不同分析類別進行定義，再通過每一維度的層次分類，實現(xiàn)對問題的全面分類管理。李擎等人[7]提出基于層疊隱馬爾可夫的設(shè)備質(zhì)量風險隱患識別模型，在此基礎(chǔ)上統(tǒng)計每類質(zhì)量問題的出現(xiàn)頻度，實現(xiàn)對基于風險等級的質(zhì)量問題管理方案。謝榮琦[8]則將數(shù)據(jù)挖掘中的特征聚類算法引入質(zhì)量特性識別過程中，并與過濾型特征算法相結(jié)合，構(gòu)造面向復雜產(chǎn)品關(guān)鍵質(zhì)量特征的問題識別模型。張青等人[9]提出基于主題擴展的領(lǐng)域問題分類方法，給出了評價分類的指標。Liu等人[10]提出了一種基于樸素貝葉斯的分類算法，通過計算描述文本的統(tǒng)計學特征進行分類。洪晟等人[11-15]針對雷達電源系統(tǒng)健康分級分類、車載離子電池的健康狀況評價等方面，開展特征數(shù)據(jù)訓練，并引入長-短期記憶網(wǎng)絡(luò)預測和判別健康狀態(tài)，在互相依存網(wǎng)絡(luò)中開展故障關(guān)聯(lián)分類分析、級聯(lián)失效分類分析等。

上述研究文獻啟發(fā)了筆者通過文本之間的相似度判斷問題分類的思路，相對于從裝備實時監(jiān)測狀態(tài)判定故障模式，本文從自然語言處理的角度，提出一種基于文本特征抽取和相似度計算的裝備質(zhì)量問題自動分類方法，為解決此類問題提供了一個新的路徑。

2 裝備質(zhì)量問題文本分類基本定義

定義1裝備質(zhì)量問題文本表示為6元集合P，如式(1)所示：

其中，pi表示質(zhì)量問題的特定數(shù)據(jù)項。p1表示質(zhì)量問題唯一編號；p2表示質(zhì)量問題發(fā)生的部位；p3表示質(zhì)量問題現(xiàn)象文本；p4表示質(zhì)量問題原因文本；p5表示質(zhì)量問題糾正文本；p6表示質(zhì)量問題糾正措施文本。

定義2裝備質(zhì)量問題故障模式表示為3元集合F，如式(2)所示：

式中，fi表示裝備質(zhì)量問題故障模式的特定數(shù)據(jù)項。其中，f1表示故障模式唯一編號；f2表示故障模式名稱；f3表示故障模式文本描述。

定義3裝備質(zhì)量問題分類的結(jié)果表示為裝備質(zhì)量問題文本集P到裝備故障模式集F的一個映射關(guān)系ζP→F。假設(shè)?xi∈P均有且僅有一個yi∈F與之對應(yīng)，即一個質(zhì)量問題與一個故障模式存在唯一映射關(guān)系。

3 裝備質(zhì)量問題文本分類方法

3.1 質(zhì)量問題文本分類框架與流程

本文提出了質(zhì)量問題文本分類的框架，如圖1所示。數(shù)據(jù)預處理對質(zhì)量問題和故障模式文本進行中文分詞等；數(shù)據(jù)特征提取對質(zhì)量問題和故障模式文本提取有用的特征；相似度計算獲得質(zhì)量問題與故障模式的文本相似性；分類判定用以建立質(zhì)量問題文本與故障模式文本的映射關(guān)系；指標評價完成評估質(zhì)量問題分類方法的性能。

圖1 裝備質(zhì)量問題文本分類框架圖

基于故障模式的裝備質(zhì)量問題文本自動分類方法包含3個核心部分：(1)文本特征向量構(gòu)造：利用中文分詞技術(shù)分別將質(zhì)量問題和故障模式文本切詞，生成關(guān)鍵詞特征向量；(2)質(zhì)量問題特征向量相似度計算：進行質(zhì)量問題文本與故障模式文本的特征向量之間的相似度計算；(3)質(zhì)量問題故障模式判別：依據(jù)相似度閾值，自動判定質(zhì)量問題歸屬的故障模式種類。裝備質(zhì)量問題文本分類方法的主要流程如圖2所示。

圖2 裝備質(zhì)量問題文本分類流程圖

3.2 質(zhì)量問題文本特征向量構(gòu)造

在建立映射關(guān)系ζP→F的過程中，需要同時考慮質(zhì)量問題文本的多維度信息pi和故障模式文本F中的多維度信息fi，最大程度地利用多元語義特征，具體步驟包括：

(1)提取裝備質(zhì)量問題文本的語義特征，構(gòu)造質(zhì)量問題文本特征向量，創(chuàng)建字符串s=p1+p2+p3+p4+p5+p6，對s進行中文分詞并構(gòu)建單詞集合X。

(2)提取故障模式文本的語義特征，創(chuàng)建字符串f=f1+f2+f3，對f進行中文分詞并構(gòu)建單詞集合Y，X和Y合并為詞典Z，詞典Z中單詞的總數(shù)為n。

(3)建立質(zhì)量問題文本的特征向量，記為v，向量空間長度為n；建立故障模式的特征向量，記為w，向量空間長度為n。

(4)對照文本在Z中查字典，按照獨熱編碼方式，完成v和w特征向量賦值。

3.3 質(zhì)量問題特征向量相似度計算

裝備質(zhì)量問題文本與質(zhì)量問題故障模式文本的相似度記為a，相似度計算的常用方法包括杰卡德相似系數(shù)(Jaccard Similarity Coefficient)、余弦相似度(Cosine Similarity)和皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient)等。

(1)杰卡德相似系數(shù)通過測量兩個有限樣本集合之間的重疊，計算它們之間的相似性。給定一個裝備質(zhì)量問題文本分詞集合X，一個故障模式的分詞集合Y，則杰卡德相似系數(shù)表示為：

(2)余弦相似度通過計算質(zhì)量問題文本的特征向量v和故障模式的特征向量w的夾角余弦值來評估它們的相似度。給定一個質(zhì)量問題特征向量v，一個故障模式的特征向量w，則余弦相似度表示為：

其中，vi和wi分別表示為裝備質(zhì)量問題文本和故障模式的特征向量中第i維特征值，a是它們之間的余弦相似度。

(3)通過計算裝備質(zhì)量問題文本的特征向量v和故障模式的特征向量w，得到皮爾遜相關(guān)系數(shù)，表示為：

其中，vi和wi分別表示為裝備質(zhì)量問題文本和故障模式的特征向量中第i維特征值，和分別表示為裝備質(zhì)量問題文本和故障模式的特征向量平均值，a是它們之間的皮爾遜相關(guān)系數(shù)。

3.4 質(zhì)量問題故障模式判別

在建立映射關(guān)系ζP→F的過程中，相似度a的值域為[0，1]，在此范圍內(nèi)設(shè)置k作為質(zhì)量問題分類故障模式的閾值。一個裝備質(zhì)量問題與所有故障模式文本均進行了相似度計算，假設(shè)與第i個故障模式的相似度最高，記為ai：

(1)當ai≥k時，則映射關(guān)系成立，即判定裝備質(zhì)量問題分類至第i個故障模式；

(2)當ai＜k時，則映射關(guān)系不成立，即判定裝備質(zhì)量問題暫無映射的故障模式。

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)集

以某企業(yè)313項裝備質(zhì)量問題文本和6類故障模式文本數(shù)據(jù)開展實驗對比與分析。其中，裝備質(zhì)量問題文本包括編號、部位、現(xiàn)象、原因、糾正和糾正措施等維度的短文本，而6類故障模式包括編號、名稱和內(nèi)容等維度短文本。

例如，一個裝備質(zhì)量問題文本編號為Q0001，現(xiàn)象為“雷達掃描線不轉(zhuǎn)動，目標無法顯示”，部位為“數(shù)據(jù)處理分析”，原因為“數(shù)據(jù)處理死機”，糾正為“重新安裝升級后的軟件”，糾正措施為“修改代碼完善非法數(shù)據(jù)驗證，提高容錯性”。與之對應(yīng)的裝備故障模式編號為F001，故障模式名稱為“雷達無法探測目標”，故障內(nèi)容描述為“數(shù)據(jù)處理軟件死機”。故障模式類別及其對應(yīng)的裝備質(zhì)量問題文本數(shù)如表1所示。

表1 裝備質(zhì)量問題樣本分類分布(個)

4.2 評價指標[9]

為了評價基于故障模式的裝備質(zhì)量問題分類方法的性能，采用準確率P、召回率R和F1指標(F1-score)作為實驗評價指標。其中，準確率P反映了已分類結(jié)果的正確性，計算如式(6)所示。召回率R是已正確分類占所有應(yīng)該正確分類的比例，計算如式(7)所示。F1同時兼顧了準確率P和召回率R兩個方面的評價指標，它是準確率和召回率的調(diào)和平均數(shù)，計算如式(8)所示。

4.3 實驗設(shè)計

為了有效驗證本文提出的裝備質(zhì)量問題文本分類方法的有效性，設(shè)計了3個實驗開展分類有效性的比對研究。

實驗1：在相同的相似度閾值k下，按照杰卡德相似系數(shù)、余弦相似度和皮爾遜相關(guān)系數(shù)3種相似度計算方式，開展裝備質(zhì)量問題文本自動分類實驗，選出性能最優(yōu)的相似度算法，并開展相關(guān)結(jié)果分析。

實驗2：按照實驗1優(yōu)選的相似度算法，開展裝備質(zhì)量問題文本分類實驗，針對在不同的相似度閾值k下的各項指標，選出性能最優(yōu)的相似度閾值k。

實驗3：按照實驗1優(yōu)選的相似度算法，實驗2優(yōu)選的相似度閾值k，開展裝備質(zhì)量問題文本分類實驗，依據(jù)在6個類別上的評價指標，分析目前存在的差距和改進方向。

4.4 實驗結(jié)果

在實驗1中，針對313項裝備質(zhì)量問題文本，按照杰卡德相似系數(shù)、余弦相似度和皮爾遜相關(guān)系數(shù)3種不同方式計算相似度a，統(tǒng)一設(shè)置相似度閾值k=0.01，實驗1的性能指標結(jié)果如表2所示。

表2 實驗1的性能測試指標結(jié)果(%)

在實驗2中，按照杰卡德相似系數(shù)計算相似度a，設(shè)置相似度閾值k分別為0.01、0.1、0.2和0.3，實驗2的性能指標結(jié)果如表3所示。

表3 實驗2的性能測試指標結(jié)果(%)

在實驗3中，采用杰卡德系數(shù)計算相似度a，設(shè)置相似度閾k=0.01，在6種故障模式類別下，開展實驗比對，實驗3的性能指標如表4所示。

表4 實驗3的性能測試指標結(jié)果(%)

4.5 結(jié)果分析

實驗1結(jié)果表明，采用杰卡德相似系數(shù)在準確率、召回率和F1值3項評價指標上均優(yōu)于余弦相似度和皮爾遜相關(guān)系數(shù)。相似度計算方式優(yōu)選杰卡德系數(shù)。

實驗2結(jié)果表明，采用杰卡德相似系數(shù)，隨著閾值k逐步增加，準確率隨之上升，而召回率則隨之下降，準確率的提升會帶來裝備質(zhì)量問題文本分類中漏報的風險，因此在[0.01，0.4]范圍內(nèi)，相似度閾值k最優(yōu)為0.01。

實驗3結(jié)果表明，采用杰卡德相似系數(shù)計算相似度，設(shè)置相似度閾值k=0.01時，在所有測試樣本集上進行裝備質(zhì)量問題文本分類，整體上取得了較好的總體性能，然而，在6個故障模式類別之間性能差距較大，例如在故障模式類別2和故障模式類別4上的分類準確率和召回率具有顯著差異性。因此，需要深度挖掘不同類別的質(zhì)量問題文本特征，改進故障模式判別方式，均衡不同類別的分類差異，進一步優(yōu)化分類效果。

5 結(jié)論

本文針對當前裝備質(zhì)量問題文本的分類方法自動化程度較低，提出了一種基于文本特征提取和相似度計算的分類方法，實現(xiàn)裝備質(zhì)量問題文本與故障模式的自動和有效分類，減少了對專業(yè)人員的依賴，極大地降低了分類中的人工工作量，推動了產(chǎn)品質(zhì)量改進的效率。

在未來工作中，針對裝備質(zhì)量問題文本分類性能尚存在的差距，將采用深度學習模型挖掘質(zhì)量數(shù)據(jù)的隱藏語義特征，進一步提升裝備質(zhì)量問題文本特征提取效果，并拓展故障模式庫的廣度和深度，優(yōu)化裝備質(zhì)量問題文本分類的各項性能。