基于數據挖掘對離散制造業質量評估的研究

谷瀟 馮小潔 李磊 青島濱海學院

關鍵字：數據挖掘 離散制造業 質量評估 知識發現

一、引言

數據挖掘作為一種新興的多學科交叉應用技術已經應用于各個行業中，我國作為世界上第一制造大國，同樣也離不開大數據的支持和發展。解決企業生產的一個關鍵問題就是制造商如何更快的提高產品質量和產量，所以質量評估對一個制造企業來說尤為重要，這關乎于企業的安全、利潤和信譽，因此這需要更方便、更系統的方法來解決。目前許多企業已經構建了集成的數據庫來存儲來自生產部門的各種操作數據，存儲涉及到多個輸入和輸出變量，這些變量不易建模和優化，因此，數據挖掘和數據庫知識發現（KDD）已經成功應用于解決質量評估和控制問題，比如如何分類產品的質量，找出參數，以及如何進行優化獲得最佳輸出等，利用數據挖掘實現對產品的質量評估也逐漸成為未來的發展趨勢。第一節描述了進行質量評估時幾個重要的質量任務，第二節對數據庫知識發現和數據挖掘進行簡單的分析和總結，第三節概括數據挖掘在質量評估中的應用，最后提供結論以及對未來離散制造業的研究和發展方向。

二、質量評估

對于目前國內大多數制造業來說，在生產制造過程中所產生的數據皆以電子的方式收集并存儲在數據庫中，而相對于離散制造業來說，離散制造業以多品種小批量訂單生產方式生產，產品由許多零部件組成，各零部件的加工裝配過程依次獨立，不同或相同的零件都面對著不同的供應商，在進行各類批量生產加工的同時還面臨著高質量產品的要求，這給企業的數據收集和質量評估帶來一定的難度。為了保證產品和服務的有效性、提高客戶滿意度和期望值、降低開發成本、減少流動時間、增強投資者的信心，質量評估應該被考慮到離散制造業的各個生產環節中去，在生產進度中控制好零部件的完整性和質量保證。質量評估方法從六西格瑪(6sigma)到改進的六西格瑪設計(DFSS)，雖然傳統的數據分析工具已經成功用于提高產品進程的質量，但主要研究的是在設計階段或流程上的缺陷預防和監測問題，然而在生產制造階段，仍處于人工檢測狀態，由熟練的操作人員根據他們的經驗來加工，最終產品是送貨到經銷商供檢查人員驗貨。隨著制造流程數據越來越多，每隔幾秒就會產生大量數據，包括設備的開機率、主軸的運轉率、負載率、運行率、故障率、生產率、設備的總和利用率、零部件的合格率、質量百分比等，數據收集相對困難且分布不均勻，這需要更強大的工具來收集大量的數據集和挖掘出有效信息，因此數據挖掘和數據庫知識發現逐漸應用于解決質量評估問題。

制造商首先要明確質量任務，根據Hamidey Rostami表述產品生產制造階段的主要質量評估和控制活動，本文主要總結和改進為如下幾個功能如圖一所示：收集質量數據、質量分類，確定質量因子、質量建模（包括輸入和輸出質量因子）和質量預測。

質量任務需要解決以下幾個方面的問題：

1.質量數據：獲取全面的數據是進行數據挖掘的必要前提，制造商從生產線的各個階段獲得涉及到質量問題的所有數據。

2.質量分類：利用分類方法對質量樣本學習進行數據分類，該功通過一系列活動建立分類器。

3.質量因子：找出影響產品質量的變量，根據其重要性對質量因子和變量進行排序。

4.質量建模：利用有限的數據進行模型開發，確立輸入和輸出參數。

5.質量預測：主要是進行缺陷預防和監測，對輸出的產品質量進行可視化操作，從而得出預測結果。

三、數據挖掘

Padhy 和Mishra 指出數據挖掘通常稱為數據庫中的知識發現（KDD），從數據庫中提取隱含、未知或可能有用的信息。Mümine KAYA KELES 提出數據挖掘從原始數據中進行提取和分析從而發現關聯有趣和有用信息的過程。數據挖掘作為知識發現進程的一部分，主要過程如圖二所示。第一部分是進行數據的預處理，包括數據清洗、數據集成、數據選擇等，在此過程中因為數據的復雜性和多樣性，需要進行噪聲處理，刪除錯誤和不一致數據。第二部分數據挖掘，以特定的一組代表形式來建立感興趣的模式，這包括：分類、聚類、回歸、匯總、偏差檢測、依賴性建模和預測。其中分類方法常用的有SVM 算法、KNN 算法、樸素貝葉斯算法、決策樹等。預測方法常用的有神經網絡、Markov 模型、Bayesian 估計和ELM 等，同時建立可提取的模式或給定提取的模型數據進行可視化，目前已有利用EOS-ELM 方法解決工業大數據的狀態預測問題。第三部分將這些信息匯總轉化為有價值的知識。

圖二 KDD 過程步驟概述

以某一小型加工配件廠為例，制造商從生產線的各個階段獲得涉及到質量問題的所有幾何數據，包括來自原材料數據、生產機器的傳感器數據、歷史日志、機床自動化數據、現場檢測紀錄數據以及設備、人員、環境等間接影響質量的數據，或者也包括過程模擬數據集，對已經收集的歷史數據進行數據預處理，將企業的產品加工數據存儲在不同的數據服務器上。其次根據產品本身的特性對研究個體進行分類，從中發現規律和典型模式。企業中的諸多產品，比如軸套、筒蓋、萬向輪、螺絲、鋼板等等可根據圖紙規格型號或產品材質對不同產品進行分類，而具有相同特征的產品劃分為一組事物，這也是所謂的聚類，從而找到最可能的區分低質量和高質量產品的質量因素。

四、數據挖掘應用于質量評估

在傳統的管理模式下，一方面，我國目前很多離散制造企業仍然局限于質監部門的獨立活動，難以實現對產品整體進貨和銷售水平的控制；另一方面，企業收集到的大量的、雜亂的數據沒有得到充分利用，現階段大部分中小企業還停留在用Excel 對加工數據的簡單統計和圖標顯示，更極少數的企業能夠將數據進行可視化展現。而國外的發展相對迅速，從產品的生產質量、質量預測、質量分類到參數優化幾個方面都提出了新的想法并進行了實際應用。自組織神經網絡的組合和規則歸納（SOMs）已經被用于從正常收集的晶圓制造數據中識別關鍵的低產量因子（Gardner＆Bieker，2000）；Andrew Kusiak，Member使用數據挖掘方法用于從數據集中提取知識用于預測和預防晶圓制造故障；Chong，Albin 和Jun（2007）使用基于規則歸納法（PRIM）來確定煉鋼過程中過程變量的最佳設置；Cleon Davis 等人實現了反向傳播神經網絡(BPNN)算法去構建、訓練和鍛煉用于各種半導體的多層感知器神經網絡。

五、結語

本文對于數據挖掘應用于離散制造業中的質量評估的相關理論和所用技術進行了闡述，由于制造業的客戶和技術要求不斷變化以及生產過程的復雜性，數據挖掘工具的應用能夠為企業提高效益和效率。利用數據庫知識發現（KDD）改進和監測整個制造過程從而確保生產安全性。更近一步來說，如何進一步利用支持向量機(SVM)等分類器進行特征及分解，如何用最優算法進行預測生成準確決策，如何對生產環節的低質量產品進行自動識別等，都將是未來我們研究的方向。

對對照組的25例患者施以常規護理，在患者入院以后，護理人員要遵醫囑按時按量指導患者服用藥物，了解和觀察患者的病情恢復狀況，實施常規健康宣教，對患者的日常生活進行常規干預，讓患者養成良好的生活作息習慣。