基于數據挖掘的工藝知識管理框架與應用模式

◎首都航天機械公司 梁丹 敖洪峰 鄧如廳 鄭恩盈

在制造企業中，與工藝相關的知識貫穿于產品設計開發、研制生產、經營管理的各個過程，工藝知識是保證產品質量以及企業技術經濟效益的重要條件之一。首都航天機械公司在科研生產實踐過程中積累了豐富的寶貴知識資源，既有標準規范、科研報告、工藝文件、知識產權等顯性知識，又有研制經驗、技術訣竅等隱性知識。而研制經驗等隱性知識是以言傳身教、師傅帶徒弟的方式進行傳承，難以實現有效的工藝知識以及積累和再利用。

筆者應用數據挖掘的方法建立了工藝知識管理框架，分析了框架的設計原則，并對建立工藝知識管理體系所涉及的管理方法和技術進行了探討。

一、工藝知識管理過程分析

知識管理是一個從知識積累、知識創造、知識應用、形成知識平臺，到再積累、再創造、再應用、形成新的知識平臺的不斷循環的過程。工藝知識作為保持企業核心競爭力的重要組成部分,對于新產品研發、保證產品質量以及提高企業管理水平具有重要作用。因此，如何將工藝知識有效地形成記錄并實現再利用，是企業不斷追求的目標。對于制造企業而言，工藝知識分散在人、機、料、法、環、測各個環節，涉及產品開發、原材料、加工設備和工藝裝備、加工方法與加工參數等多方面的知識，甚至包括工藝及生產人員豐富的實踐經驗，種類多種多樣，給工藝知識的獲取和管理帶來很大難度。

大量工藝知識產生于產品研制階段，主要表現形式為工藝規程、工藝技術總結、工藝總方案等工藝文件。它們主要以非結構化的文檔形式存儲在數據庫中，通過企業現有的工藝系統進行管理和維護。航天產品在由研制轉為批生產過程中，針對已形成的工藝文件進行知識采集和再利用。在工藝知識被利用時，需根據用戶要求對工藝文件進行分析、對比、綜合、推理，從而形成新的知識并進行有序管理和存儲，利用知識地圖、分析代理等技術實現知識共享。企業工藝知識管理過程如圖1所示。

二、工藝知識管理框架

近年來，隨著信息技術和網絡技術的飛速發展，大量學者針對工藝知識的數據挖掘技術進行了相關研究：將數據挖掘與神經網絡結合的方法進行工藝參數優化，利用關聯規則描述工藝知識，以用數據挖掘技術提取工藝知識，基于語義結構產生式規則的工藝知識表示方法等。這些研究對推動工藝知識管理技術的研究與應用起到了積極的作用。

應用數據挖掘技術處理工藝知識是一個比較復雜的過程，不僅涉及眾多的算法，而且通過數據挖掘得到的規則需整理成一定的表現形式，并建立基于工藝知識的評價機制，然后轉換為可用的工藝知識存入工藝知識庫。筆者針對航天制造企業工藝知識的管理現狀，利用數據挖掘技術提出了工藝知識管理框架。

1.制造知識管理的特點

知識管理主要由知識的獲取、產生、儲存與維護、傳遞、應用、評估等幾個核心流程組成，其關鍵是以人為基礎的方法和技術方法與工具之間找到適當的組合及有效的平衡。制造企業的知識管理主要是對生產過程中積累的工藝知識進行有效整合，并優化各個環節之間的關聯，形成完整的知識管理體系。

在航天制造企業的知識管理過程中，面對多品種、小批量的生產模式，每一次產品制造過程交付的各類管理和技術資料都需要進行整理與收集，工藝知識資源龐大且零散。因此可利用信息技術，從梳理企業核心業務入手，在企業各類管理信息系統的基礎上進行系統集成和綜合應用。在知識獲取的過程中，對工藝知識的分類方法進行研究，設定知識點所具有的分類特征和知識屬性，在此基礎上按照多個維度設計知識獲取模型。

在知識采集過程中，使用數據挖掘技術建立工藝知識獲取模型，利用挖掘模型分析工藝設計、產品制造、產品裝配等過程因素與產品質量之間的相互關系，找出工藝參數設定、操作過程等因素對產品質量的影響程度，從而有效地提高工藝水平，縮短產品的研制生產周期，提高產品質量，降低生產成本。

2.數據挖掘的過程模式

數據挖掘是許多學科的交叉應用技術，不僅是面向特定數據庫的檢索和查詢，更重要的是對數據進行微觀和宏觀的統計分析，并進行綜合推理，從而發現事件之間的相互關聯關系，甚至利用已有數據對未來活動進行分析和預測。

數據挖掘的過程主要包括數據分析、數據準備、模型建立、數據挖掘、結果分析與知識應用幾個階段，這些階段在具體實施過程中可能需要重復多次，在完成數據挖掘的過程中，需要業務分析、數據分析和數據管理等人員的參與。

數據挖掘首先要通過簡單的數據分析明確數據挖掘對象，認清數據挖掘的目標。在數據挖掘的過程中，雖然最終結果或最終結構是不可預測的，但對數據挖掘分析的目標問題要明確。模型的建立應從數據分析開始，選擇合適的變量可提高挖掘的效率和準確性。

在模型建立過程中，通過對多種可選模型進行應用分析，最終找出能解決目標問題的最優模型。在確定模型的過程中，需要根據試驗結果對設定的參數不斷進行調整。經過數據分析得到的結果要進行評估和判斷，實際數據分析結果與建模時的結果相比往往有一些差異，還需通過可視化工具展示數據挖掘結果，并進一步分析數據挖掘結果的差異性和可用性。

圖1 工藝知識管理過程

3.工藝知識管理體系框架

工藝知識包含的類型一般分為工藝實例、工藝規則、工藝資源等，知識獲取就是抽取領域知識并將其形式化的過程，通過業務流程和應用系統進行工藝知識的數據交換與共享，從而獲得全面、系統、有針對性的工藝知識信息。工藝數據庫存儲的信息主要是非結構化的文檔，主要包括通用規程、工藝規范、工藝成果攻關、典型工藝方法等，在知識積累階段對非結構化的文檔進行有序管理并進行存儲。

利用知識發現技術生成有用的知識是一項復雜的工作，根據用戶的需求對有關信息進行分析、對比、綜合、推理等形成新的知識。基于數據挖掘的工藝知識管理框架如圖2所示。

工藝知識管理框架以工藝實例庫、工藝規則庫和工藝資源庫為基礎，以數據挖掘為核心，通過對企業業務流程和應用系統的數據集成，以及以非結構化的文檔進行存儲的知識庫進行知識發現。通過對隱性知識的挖掘，所獲得的經驗和知識通過知識評價確認后進行固化，存儲在工藝實例庫和工藝規則庫中，實現工藝知識的應用。通過數據集成，實現工藝知識的桌面推送，搭建基于知識和規則的工藝設計信息系統等。

三、應用實例

低溫閥門工作介質為液氫和液氧，其零件結構復雜，制造精度要求高，驗收試驗條件較為嚴苛，產品質量不穩定，交付合格率較低，產品零件的形位公差和相互之間的匹配關系會引發箱壓高和漏量大等問題，直接影響產品的性能。為更好地進行故障診斷，通過研究數據挖掘的應用模式找出匹配關系。

在以往產品的裝配和試驗過程中記錄了大量產品和零件的配合尺寸、形位公差以及產品性能的歷史數據，影響裝配質量的因素共計20多個。將這些數據進行清理和轉化，利用屬性權重分析算法獲得關鍵配合尺寸、形位精度與低溫試驗性能的實際影響關系，影響最大的幾個因素便可以在實際裝配中重點關注。

利用關聯規則對數據進行分析和知識發現，找出參數之間的相互關系及彼此影響裝配質量的具體過程，形成可能的裝配方案。根據上述對應變化規律制定確保低溫閥門的常溫裝配間隙、試驗等要求，合理設計和調節裝配工藝控制要求，使閥門一次裝試合格率有所提高。

將歷史數據用于貝葉斯算法構建預測模型，實現關鍵配合尺寸、形位精度對裝配質量的預判斷。以預測數據集作為模型的輸入量，由此得到裝配質量的預測結果。利用屬性權重分析結論和關聯規則分析結論提前對工藝方案進行修正，進一步提高了閥門一次裝試合格率。

圖2 基于數據挖掘的工藝知識管理框架