精密光學元件制造中數據挖掘技術與應用的研究

賈宗合

（長春理工大學光電工程系，吉林 長春 130022）

精密光學元件制造中數據挖掘技術與應用的研究

賈宗合

（長春理工大學光電工程系，吉林 長春 130022）

為了避免一些因素給精密光學元件制造帶來的不利影響，增強光學元件制造的可預測性和重復性，需要利用數據挖掘技術來發現精密光學元件制造過程中存在的潛在規律，以此提煉工藝知識，實現對精密光學元件制造的指導。鑒于此，便對精密光學元件制造中的數據挖掘技術進行了探討，并對數據挖掘技術的模型及算法進行了深入的研究，希望能為精密光學元件制造水平的進一步提高貢獻力量。

精密光學元件；元件制造；數據挖掘技術；回歸分析

精密光學元件的制造與傳統的機械加工存在明顯差異，精密光學元件制造過程中會受到外部環境、工藝及設備等因素的影響，進而使精密光學元件的質量下降，難以進行定量化制造，這也使人們只能依據加工經驗來制造，其加工效率也就可想而知。因此，必須要對精密光學元件制造過程中的相關影響因素進行明確與充分分析，并利用數據挖掘技術來挖掘出價值信息，以此探尋制造過程中存在的潛在規律與確定性關系，從而形成系統化的制造工藝，以此指導精密光學元件的生產。

1 精密光學元件工藝制造庫架構分析

精密光學元件工藝制造庫的架構為MAS結構，它主要由支撐庫和Agent組成。該架構中包含了5個Agent，這些Agent相互獨立，并且內部存在著非常緊密的松耦合關系，這也使這些Agent能夠得以相互通訊與協作，從而實現了工藝制造庫對分布式應用的支持。

這5個Agent在精密光學元件工藝制造庫中主要具有4種功能：①利用數據采集Agent能夠實現對精密光學元件制造時周圍設備狀態信息、環境信息及工藝信息等相關信息進行自動化的采集與存儲，從而使該制造庫能夠具備數據的清洗、過濾、分類及轉換等處理功能。②利用管理Agent能夠使制造庫對原始數據進行統一化管理，并能夠進行前期處理與交互控制，它能夠為用戶提供相應的端口，并且能夠按照分析Agent的需求來對數據進行提取，并進行結構化處理，在處理完畢以后會將數據以數據包的形式發送給分析Agent。此外，管理Agent還能夠對制造庫中的數據進行日常管理和維護。③利用數據分析Agent能夠對精密光學元件制造過程中的加工數據進行統計、關聯、回歸與聚類，從而挖掘出與精密光學元件質量相關的加工指標與輸入信息，找出兩者之間的聯系，明確兩者的關聯度，并利用擬合函數的推導來形成系統化的工藝知識。④利用智能交互Agent能夠實現人機之間的信息交互，并使用戶能夠借助于操作界面來對架構中的所有Agent進行控制與管理。

2 數據挖掘模型的探討

數據挖掘模型的構建是精密光學元件工藝制造庫中的關鍵部分，更是找出精密光學元件制造過程中潛在規律及價值信息的重要工具，因此需要構建數據挖掘模型。

數據挖掘模型是以數據挖掘技術作為主要支撐技術的，它利用數據挖掘引擎，并在模型庫、數據庫、工藝知識庫的基礎上，通過大閉環結構來進行數據的搜索與挖掘。數據挖掘模型會先進行數據采集工作，從而實現大量原始數據的積累，然后通過數據挖掘引擎來對這些原始數據中的變量關系進行發現與挖掘，從而形成相應的工藝標準，接著通過對精密光學元件制造過程中所產生的新數據進行分析與處理，以此驗證與優化這些新數據，減少精密光學元件制造中所發生的錯誤。數據挖掘模型的原始數據會隨著精密光學元件的不斷制造而得到不斷積累，從而不斷提高數據挖掘模型的準確性和科學性。

3 精密光學元件中數據挖掘技術的應用

3.1 該技術在數據準備與選擇中的應用

精密光學元件的制造需要大量原始數據的支撐，這也使原始數據的內容變得非常豐富，這些數據不僅包括元件的加工參數、環境信息、檢測信息，還包括設備信息與環境信息，這也使這些原始數據之間可能并不存在聯系。而數據的準備工作則需要對光學元件自身的加工指標進行分析，并依據其工藝規則來對相應的影響參數進行選擇，然后對選擇的影響參數進行結構化處理。

3.2 數據處理

在精密光學元件制造中，其表面粗糙度的影響是由多方面造成的，難以對數據集進行直接分析，因此必須要對其進行分類處理，依據元件中的對象屬性所存在的相似性來進行分類處理，可以利用聚類的方式將數據集中所包含的數據對象進行分組，并用簇來表示。這些簇應具備4個特性：①拋光壓力不同而其他屬性基本一致；②拋光轉速不同而其他屬性基本一致；③加工元件的擺幅之間存在明顯不同，但其他屬性基本一致；④加工元件的擺速之間存在明顯不同，但其他屬性基本一致。對象屬性的相似性可以利用歐幾里德距離來計算，即：

式（1）中：x用來表示簇中所包含的任何對象；y用來表示簇心；xn，yn則代表簇中任何對象所包含的屬性信息，這些屬性信息也就是要進行相似性分析的相應特征參數，對特征參數相似性的判斷需要事先對參考閾值δ進行確定，相似性判斷后所形成的參考閾值越小，則代表分析對象的相似性就越強。

3.3 關聯性分析

對研究對象的變量所存在的依存關系進行關聯性分析，可以采用相似度計算公式來獲得，然后對研究對象中的若干個數據集所存在的相似屬性進行剔除，并對去除率檢測值及存在明顯不同的去除率影響參量進行保留，以此生成全新的數據集，并再次運用上述公式來對關聯度k進行計算。

3.4 回歸分析

不同變量的變動關系是通過回歸分析獲得的，回歸分析通常是采用回歸方程中的擬合曲線來對變量進行表示的，然后將這些變量用于參數的估算和分析。在對精密光學元件制造過程中的加工數據進行回歸分析時，需要將新生成的數據集中存在的元素作為擬合函數中的型值點，然后對逼近函數類型進行確定，并利用數據擬合來獲得變量的擬合函數。

4 結束語

總而言之，利用大數據技術與數據挖掘技術來構建精密光學元件工藝制造庫，能夠為精密光學元件工藝的設計提供定量定性指導，從而提高了精密光學元件制造工藝的科學性，極大提高了精密光學元件的制造水平，有效改善了精密光學元件制造過程中所存在的不足，這也使其在精密光學元件制造中具備極高的應用價值。

［1］員天佑，劉金，李興蘭.數據挖掘技術在超精密光學制造中的應用［J］.制造業自動化，2014，36（21）：154-156.

［2］王大森，劉衛國.超精密光學元件制造技術［J］.國防制造技術，2010（05）：4-8，10.

［3］楊相利.塑料光學元件制造［J］.光學儀器，2000（04）：27-34.

〔編輯：劉曉芳〕

TP311.13

A

10.15913/j.cnki.kjycx.2017.23.157

2095－6835（2017）23－0157－02