數(shù)據(jù)挖掘及其在產(chǎn)品設(shè)計與制造中的應(yīng)用研究

摘 要：知識的發(fā)現(xiàn)是產(chǎn)品創(chuàng)新和企業(yè)取得成功的關(guān)鍵，數(shù)據(jù)信息在產(chǎn)品的創(chuàng)新設(shè)計與制造中發(fā)揮越來越重要的作用，充分利用數(shù)據(jù)挖掘技術(shù)從產(chǎn)品市場需求分析、概念設(shè)計、制造和服務(wù)中提取相應(yīng)的知識，從而控制和改善下一代產(chǎn)品的設(shè)計與制造。從數(shù)據(jù)挖掘技術(shù)出發(fā)，分別論述了數(shù)據(jù)挖掘的關(guān)鍵技術(shù)以及在產(chǎn)品設(shè)計與制造中的應(yīng)用，綜述了數(shù)據(jù)挖掘在產(chǎn)品市場需求、概念設(shè)計、設(shè)計評價與優(yōu)化、制造過程質(zhì)量改善、產(chǎn)品裝配及服務(wù)等方面的應(yīng)用，并總結(jié)了數(shù)據(jù)挖掘技術(shù)在產(chǎn)品設(shè)計與制造中的應(yīng)用的未來發(fā)展方向。

關(guān)鍵詞：數(shù)據(jù)挖掘；產(chǎn)品設(shè)計；產(chǎn)品制造；制造信息化

DOI：10.16640/j.cnki.37-1222/t.2018.18.208

0 引言

當(dāng)今的世界正是一個以信息化、自動化、人工智能等其他高新技術(shù)為核心的創(chuàng)新時代，我國制造企業(yè)受嚴(yán)峻考驗。目前，產(chǎn)品的研制周期長，市場反應(yīng)能力弱，創(chuàng)新度不夠等一系列因素控制了產(chǎn)品制造企業(yè)的生存和發(fā)展，據(jù)有關(guān)部門統(tǒng)計[1]， “九五”期間開發(fā)出的新產(chǎn)品中，平均開發(fā)周期為 18 個月，產(chǎn)品的生命周期為 10.5 年，而美國 1990 年就已經(jīng)實現(xiàn)了“3個 3”。因此，如何在最短的時間內(nèi)開發(fā)出質(zhì)量高、價格能被用戶接受的新產(chǎn)品，已成為 21 世紀(jì)制造企業(yè)市場競爭的焦點，數(shù)據(jù)挖掘技術(shù)已經(jīng)成為分析和發(fā)現(xiàn)知識，提供決策十分有效的工具，必將有力地支持產(chǎn)品的創(chuàng)新設(shè)計和制造過程。

1 數(shù)據(jù)挖掘技術(shù)

1.1 數(shù)據(jù)挖掘的概念

數(shù)據(jù)挖掘[2]（Data Mining，簡稱 DM）就是從大量的、不完全的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。文獻(xiàn)[3]定義了數(shù)據(jù)挖掘的四種功能：分類，預(yù)測（回歸），聚類（分段），與描述。

1.2 數(shù)據(jù)挖掘相關(guān)技術(shù)

數(shù)據(jù)挖掘方法[4]是由人工智能、機(jī)器學(xué)習(xí)的方法發(fā)展而來，同時結(jié)合傳統(tǒng)的統(tǒng)計分析方法、模糊數(shù)學(xué)方法以及可視化技術(shù)，以數(shù)據(jù)庫為研究對象的方法和技術(shù)。

1.3 數(shù)據(jù)挖掘相關(guān)算法

根據(jù)發(fā)現(xiàn)知識的不同，數(shù)據(jù)挖掘的任務(wù)主要分為以下6類：（1）關(guān)聯(lián)分析，揭示隱藏在數(shù)據(jù)之間相互關(guān)系的一項數(shù)據(jù)挖掘任務(wù)。（2）序列發(fā)現(xiàn)，是指確定數(shù)據(jù)之間與時間相關(guān)的序列模式，利用該模式可對未來的相關(guān)行為進(jìn)行預(yù)測。（3）聚類分析，是指依賴樣本間關(guān)聯(lián)的量度標(biāo)準(zhǔn)將其自動分成幾個群組，且使同一群組內(nèi)的樣本相似，而屬于不同群組的樣本相異的一組方法。（4）分類，是指找出一個類別的概念描述，它代表了這個類別數(shù)據(jù)的整體信息，一般用規(guī)則或決策樹模式表示。（5）偏差檢測，就是從數(shù)據(jù)分析中發(fā)現(xiàn)某些異常情況是否重要，從而獲得有用的知識。（6）預(yù)測，就是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來預(yù)測未來數(shù)據(jù)的種類、特征等。

2 數(shù)據(jù)挖掘技術(shù)在產(chǎn)品設(shè)計與制造中的應(yīng)用

2.1 數(shù)據(jù)挖掘在產(chǎn)品設(shè)計與制造中的作用

在產(chǎn)品的設(shè)計與制造過程中，利用數(shù)據(jù)挖掘工具可以產(chǎn)品設(shè)計的創(chuàng)新，提高產(chǎn)品質(zhì)量，加速產(chǎn)品的制造過程，文獻(xiàn)[5]概述了數(shù)據(jù)挖掘在產(chǎn)品設(shè)計與制造系統(tǒng)中的主要作用及相關(guān)的應(yīng)用領(lǐng)域。

2.1.1 模式發(fā)現(xiàn)

在產(chǎn)品的設(shè)計和制造系統(tǒng)數(shù)據(jù)中隱含了重要的模式，比如購買次數(shù)較多的顧客特征，對促銷感興趣的顧客特征以及不購買顧客特征等分析，數(shù)據(jù)挖掘就是對隱含在數(shù)據(jù)中模式的深度分析。

2.1.2 趨勢預(yù)測

數(shù)據(jù)挖掘不僅能夠提取靜態(tài)的模式，也能預(yù)測動態(tài)的發(fā)展趨勢，目前時間序列挖掘是一個研究的熱點，動態(tài)的趨勢能夠反映顧客興趣的改變，從而使企業(yè)對發(fā)展趨勢做出相應(yīng)的市場決策。

2.1.3 數(shù)據(jù)的降維

數(shù)據(jù)的降維也叫做主成份分析，現(xiàn)代數(shù)據(jù)庫中包含了交易信息的特征，不相關(guān)的數(shù)據(jù)條目和特征可以從數(shù)據(jù)集中消除，數(shù)據(jù)降維的主要作用是選擇關(guān)鍵的數(shù)據(jù)進(jìn)行分析。

2.1.4 分析數(shù)據(jù)的可視化

數(shù)據(jù)可視化主要旨在借助于圖表，圖，表格等形化手段，清晰有效地傳達(dá)與溝通信息。根據(jù)產(chǎn)品全生命周期考慮，產(chǎn)品設(shè)計與開發(fā)過程可劃分為：產(chǎn)品需求分析、概念設(shè)計、詳細(xì)設(shè)計、工藝設(shè)計、樣品試制、生產(chǎn)制造、銷售與售后服務(wù)等階段。每個階段和環(huán)節(jié)之間都存在著反饋和迭代過程，但其額度對不同設(shè)計類型有所不同，基于并行工程的產(chǎn)品設(shè)計與開發(fā)過程如圖1：

2.2 市場需求分析

企業(yè)開發(fā)出的產(chǎn)品首先是為了很好地滿足客戶的需要，進(jìn)而贏得市場，增加企業(yè)的競爭力，因此，比如在市場分析中考慮客戶真正需要的產(chǎn)品特征、產(chǎn)品的那些特征最重要等，客戶需求知識最好能與設(shè)計規(guī)劃產(chǎn)品進(jìn)行集成，另外，需求知識規(guī)則可以很好地幫助設(shè)計師采取適當(dāng)?shù)漠a(chǎn)品開發(fā)策略。采取決策樹Apriori的數(shù)據(jù)挖掘算法，給出了研究的框架和分析程序，開發(fā)出滿足客戶需要的數(shù)碼相機(jī)產(chǎn)品。總之，市場的需求是復(fù)雜和敏感的，產(chǎn)品企業(yè)要想在競爭中處于不敗之地，最重要的就是能夠很好的理解市場信息并能提供市場急需的、客戶滿意的產(chǎn)品。

2.3 產(chǎn)品設(shè)計

產(chǎn)品設(shè)計是在有限的時空范圍內(nèi)，在特定的物質(zhì)條件下，人們?yōu)榱藵M足一定的需求而進(jìn)行的一種創(chuàng)造性思維活動的實踐過程，設(shè)計具有創(chuàng)造性、復(fù)雜性和不確定性，其中包括分析、綜合和評價等過程，設(shè)計過程中的每一個行為都對應(yīng)于這三維空間中的一個點，如圖2所示。文獻(xiàn)[6]提出了一種基于數(shù)據(jù)挖掘的全息產(chǎn)品概念設(shè)計框架，主要考慮產(chǎn)品數(shù)據(jù)與環(huán)境數(shù)據(jù)之間的相互作用，發(fā)現(xiàn)其中隱含的知識，最后以機(jī)床產(chǎn)品為例，開發(fā)了基于數(shù)據(jù)挖掘的產(chǎn)品概念設(shè)計原型系統(tǒng)。文獻(xiàn)[7]建立了基于數(shù)據(jù)挖掘的動態(tài)全息概念設(shè)計模型，并給出了數(shù)學(xué)表達(dá)式，闡述了人、環(huán)境和產(chǎn)品數(shù)據(jù)的相互作用，最后以機(jī)床郵箱的設(shè)計為例，實現(xiàn)了機(jī)床概念設(shè)計中功構(gòu)映射及組合評價。文獻(xiàn)[8]進(jìn)一步對產(chǎn)品全息概念設(shè)計進(jìn)行研究，開發(fā)了數(shù)據(jù)挖掘工具和建立了相應(yīng)的數(shù)據(jù)倉庫，利用決策樹算法實現(xiàn)對產(chǎn)品功構(gòu)設(shè)計的映射。文獻(xiàn)[9]討論了遺傳算法、決策樹算法在新產(chǎn)品開發(fā)中的應(yīng)用。要在產(chǎn)品設(shè)計中進(jìn)行創(chuàng)新，就要對過去的設(shè)計經(jīng)驗和數(shù)據(jù)信息進(jìn)行總結(jié)、分解與組合，數(shù)據(jù)挖掘技術(shù)對設(shè)計知識的分析，有利于產(chǎn)品設(shè)計的創(chuàng)新，使之實現(xiàn)新的功用。

2.4 設(shè)計評價與優(yōu)化

數(shù)據(jù)挖掘技術(shù)不僅需要挖掘出信息，而且要對挖掘的結(jié)果做出評價，一般情況下，工程數(shù)據(jù)量大且復(fù)雜，就要對數(shù)據(jù)進(jìn)行分類處理，為了解決數(shù)工程機(jī)械中數(shù)據(jù)量大的問題，通過對經(jīng)驗數(shù)據(jù)進(jìn)行分析，然后用建立的決策樹算法來評價機(jī)械設(shè)計方案，以平地機(jī)設(shè)計中挑選發(fā)動機(jī)、傳動系統(tǒng)、橋荷分配為研究對象，最后驗證了該方法的可行性。

2.5 產(chǎn)品質(zhì)量檢驗

由于數(shù)據(jù)資料的數(shù)量龐大且維度較多，傳統(tǒng)的統(tǒng)計方法難以從中準(zhǔn)確快速地提煉出具有指導(dǎo)意義的知識。 因此， 數(shù)據(jù)挖掘技術(shù)的應(yīng)用能夠在一定程度上解決這個矛盾。通過綜述數(shù)據(jù)挖掘技術(shù)在產(chǎn)品質(zhì)量檢驗方面的應(yīng)用，簡述了數(shù)據(jù)收集的特點，并給出了數(shù)據(jù)處理方法，并提出了數(shù)據(jù)挖掘技術(shù)在質(zhì)量檢測方面研究的發(fā)展方向。

2.6 產(chǎn)品裝配與服務(wù)

裝配知識大部分是非數(shù)值型知識，而且有很強(qiáng)的隨機(jī)性和不確定性，沒有統(tǒng)一的規(guī)則和模式，由于這種不確定性的存在使得裝配序列規(guī)劃專家系統(tǒng)顯得“裝配知識貧乏”，而數(shù)據(jù)挖掘技術(shù)能很好地滿足裝配序列規(guī)劃系統(tǒng)對裝配知識獲取的需要。

3 未來的研究方向（集成智能化）

隨著科學(xué)技術(shù)的進(jìn)一步發(fā)展，利用計算機(jī)數(shù)據(jù)挖掘輔助工具，從產(chǎn)品設(shè)計過程中數(shù)據(jù)中抽取有用的信息，將數(shù)據(jù)，設(shè)計，知識集成于一體指導(dǎo)產(chǎn)品設(shè)計過程。因此，產(chǎn)品的設(shè)計與制造系統(tǒng)最終朝著數(shù)字化，集成化、網(wǎng)絡(luò)化，智能化、人機(jī)一體化的方向發(fā)展，系統(tǒng)如何發(fā)現(xiàn)和獲取所需的知識仍是一個關(guān)鍵問題。還需要進(jìn)一步研究和建立在 Web 環(huán)境下的數(shù)據(jù)挖掘工具，同時在知識獲取、知識表示、知識存貯等方面還需要投入更多的精力去研究。

4 結(jié)論

數(shù)據(jù)挖掘技術(shù)是產(chǎn)品設(shè)計創(chuàng)新的一個重要的手段，本文綜述了數(shù)據(jù)挖掘技術(shù)在產(chǎn)品設(shè)計與制造系統(tǒng)中的應(yīng)用技術(shù)，其主要技術(shù)有模式發(fā)現(xiàn)，趨勢預(yù)測，數(shù)據(jù)的降維，分析數(shù)據(jù)的可視化等技術(shù)，分別論述了數(shù)據(jù)挖掘技術(shù)在市場需求、產(chǎn)品概念設(shè)計、設(shè)計評價與優(yōu)化、產(chǎn)品制造過程質(zhì)量改善已經(jīng)裝配過程的具體運(yùn)用，并提出了數(shù)據(jù)挖掘技術(shù)在產(chǎn)品設(shè)計未來的研究方向。

參考文獻(xiàn)：

[1]胡斌梁，許功元.基于約束理論的產(chǎn)品造型概念設(shè)計研究[J].機(jī)械設(shè)計，2017（02）：119-121.

[2]Anand，S.S.，& Buchner，A.G.（1998）.Decision support using data mining.London：Financial Times Pitman.

[3]Adeniyi D A，Wei Z，Yongquan Y.Automated web usage data mining and recommendation system using K-Nearest Neighbor （KNN）classification method[J].Applied Computing & Informatics，2016，12（01）：90-108.

[4]吳雪峰，馬路.數(shù)據(jù)挖掘技術(shù)及在制造業(yè)的應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2017（10）：71-77.

[5]Kusiak A，Smith M.Data mining in design of products and production systems[J].Annual Reviews in Control，2007，31（01）：147-156.

[6]李鑫.基于中間模型的仿真數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究及應(yīng)用[D].浙江大學(xué)，2016.

[7]沈曉.面向銀保知識資源庫的關(guān)鍵技術(shù)研究及系統(tǒng)構(gòu)建[D].復(fù)旦大學(xué)，2011.

[8]丁衛(wèi)，顧寄南，馬亮.數(shù)據(jù)挖掘與數(shù)據(jù)融合在產(chǎn)品優(yōu)化設(shè)計中的研究綜述[J].制造業(yè)自動化，2013，35（02）：68-70.

[9]Agard B.Data mining for improvement of product quality[J].International Journal of Production Research，2006，44（18-19）：4027-4041.

基金項目：貴州省科技支撐計劃項目（黔科合支撐[2017]2029）；

貴州省科學(xué)技術(shù)基金計劃項目[黔科合基礎(chǔ)（2016）1037]；

國家自然科學(xué)基金資助項目（51505094）；

作者簡介：藍(lán)偉文（1973-），男，廣東興寧人，碩士，副教授，主要研究方向：智能制造。