基于頻繁模式挖掘的 制造型企業決策優化研究***

黃睿 尹詩斯 李胡升

〔 DOI〕 10.19653/j.cnki.dbcjdxxb.2020.04.009

〔引用格式〕 ?黃睿，尹詩斯，李胡升.基于頻繁模式挖掘的制造型企業決策優化研究[J].東北財經大學學報，2020，（4）：79-89.

〔摘要〕隨著射頻識別（下簡稱RFID）技術被廣泛應用于制造型企業進行生產數據的采集，生產數據在數據源質量和動態性方面都有所提升。本文針對目前制造型企業在生產計劃和控制、物流和供應鏈方面的管理弱項，以案例研究為基礎，探索頻繁模式挖掘在制造型企業生產物流場景的應用情況，即基于RFID生產數據構建RFID大數據模型，經過數據清理、壓縮和分類，依據不同的科學管理目標進行物流軌跡識別，并最終結合具體的業務場景，對制造型企業的生產計劃和控制、物流與和供應鏈方面的管理決策優化提出建議。

〔關鍵詞〕制造型企業;頻繁模式挖掘;物流軌跡;決策優化：RFID大數據模型

中圖分類號：F272.3;TP311.13??文獻標識碼：A??文章編號：1008-4096（2020）04-0079-11

一、問題的提出

制造業是通過制造過程，將物流、人力、信息、工具和能源等資源轉化為可供人們使用和利用的大型工具、工業品與生活消費產品的行業，在國民經濟中占有重要份額，它的發展水平直接體現國家的生產力水平。2013年德國政府在漢諾威工業博覽會上正式推出“工業4.0”的國家級戰略，該戰略包含 “智能工廠”“智能生產”和“智能物流”三大主題，涵蓋智能化生產系統研究、先進工業生產技術研究及物流資源整合研究，其目的是為了提高國家的工業競爭力，在新一輪工業革命中占領先機。在這場科技競賽中，“中國制造2025”應運而生：2015年國務院和工業和信息化部先后出臺的《中國制造2025》《國務院關于積極推進“互聯網+”行動的指導意見》和《工業和信息化部關于貫徹落實<國務院關于積極推進“互聯網+”行動的指導意見>的行動計劃（2015-2018年）》等一系列指導性文件將制造強國定位于國家戰略高度，部署實施國家制造業創新中心建設、智能制造、工業強基、綠色制造、高端裝備創新5項重大工程，力求實現長期制約制造業發展的關鍵共性技術突破，提升我國制造業的整體競爭力。

由于人口紅利消失而導致的勞動力稀缺、下游需求持續復蘇及企業自身行業競爭壓力增大等原因，中國制造業目前正處于生產數據采集失真、生產進度監控不足、生產質量追溯缺失及靈活的決策分析平臺缺乏的困境之中^[1]。

以制造業中最具代表性的汽車行業為例，在“工業4.0”與“中國制造2025”的時代要求和政策環境下，大多數汽車制造商都由傳統的計劃性生產模式轉變為JIT（Just IN Time，準時化）生產模式。該生產模式要求企業在生產系統的各個環節按客戶所需，在所需的時間點內生產所需數量的產品。生產模式的轉變無疑對生產線的過程控制和生產計劃的有效執行提出了更高的要求。而通過傳統的條碼技術采集信息，存在不易讀取、無寫入信息或更新內存的缺點，已然無法支持智能物流背景下企業管理者及時、透明地跟蹤生產線上的實際生產進度和質量狀況，進而影響生產計劃的達成。因此，企業轉而尋求信息化手段以提高管理透明度，應對和解決目前制造業面臨的普遍困境。

在技術手段的革新層面上，射頻識別（簡稱RFID）技術作為物聯網技術中重要的一種無線通信技術，因其具備非接觸識別、閱讀速度極快、能在惡劣環境中進行讀取與存儲等優勢，已逐步替換傳統的條碼技術被運用于制造型企業生產運營的各個環節^?[2]。配備有RFID信息采集設備的應用場景可預見性地將會隨著智能制造戰略的推進實施與日俱增，相應地，由RFID信息采集設備采集而來的、與生產運營活動息息相關的生產數據便會十分龐大且冗雜。但是，目前已有文獻中針對這些生產數據的挖掘方法的研究仍舊存在局限。基于此，本文擬解決兩大問題：第一，在借鑒前人相關研究成果的基礎上，建立一個適應生產數據特性的數據模型，采用更為合適的數據挖掘方法，依據不同的科學管理目標，發現關聯規則，挖掘出物流軌跡。第二，利用挖掘的物流軌跡探討其對制造型企業決策制定的指導優化作用，幫助企業在向“中國制造2025”的轉型升級中優化生產計劃和控制、物流與供應鏈等方面的管理決策，提升其科學管理水平，增強市場競爭力。對于這兩大問題的研究，不僅在大數據分析的角度順應當今時代要求和“中國制造2025”的戰略方針，對生產數據的采集、處理與分析做出探討與嘗試，還能夠從管理學視角上，探討用挖掘出的信息內涵指導企業優化管理和生產，提升整體科學管理水平，增強行業競爭力。

二、相關文獻綜述

（一）頻繁模式挖掘

在信息化社會背景下，每天都有巨大的數據量產生。對這些海量數據進行有效處理，進而獲取和總結出能夠提高組織與社會效益的關鍵信息，需要行之有效的數據挖掘技術。

目前，在數據挖掘領域中最為常用的數據挖掘算法有頻繁模式挖掘、聚類分析、決策樹和貝葉斯網絡等。其中頻繁模式挖掘的目的是在大量的數據中獲取到頻繁出現的模式，這些模式以規則的形式體現，當以時間或空間信息為關聯規則時，可以通過可視化技術得到物流軌跡。因該方法適合求取大量數據中某些事物之間的關聯，并且過程簡潔明了，非常易于編寫和修改擴展，已成為應用最廣泛的數據挖掘算法之一^[3]。

基于此，頻繁模式挖掘也成為了新興的研究熱點。熊聰聰和劉品超^[4]建立了一個挖掘射頻標簽矩陣列的框架，然后利用頻繁模式挖掘技術進行活動檢查，通過RFID獲得數據集的實證驗證了假設，但是，應對RFID的標簽容量增加而帶來的更多信息，充分地運用這些信息進行數據挖掘有待進一步研究。隨著聚類、模式挖掘檢測和可視化技術的聚集，另一個框架被引入進來，從而形成分析大型軌跡數據集的移動群模式^[5]。Han等^[6]在物流運輸場景中將運輸數據引入到一個完整的軌跡聚類、分類和離群點檢測框架，發現模型構建與算法分析在頻繁軌跡的模式挖掘中具有重要意義。

為了獲取準確完整的模式集合，Kusumakumari等^[7]基于 Hadoop 框架挖掘數據流中的模式集合使用了Cantree-GTree算法，該算法使用投影樹結構Cantree和GTree存儲模式信息，并采用自頂向下的遍歷方式搜索整棵樹。為了提高挖掘效率，Han等^[8]設定了閉合頻繁模式滿足支持度-誤差度-衰減因子這三層結構，基于TDMCS 算法采用滑動窗口模型和時間衰減模型挖掘可變數據流中的模式集合。該算法設計一種均值衰減衰減因子，使得到的模式結果集合具有高且均衡的查全率和查準率。

（二）數據挖掘在制造型企業決策的應用

隨著來自生產業務中的“數據海嘯”越來越多，越來越多的企業和學者意識到具備分析處理大量數據的能力、利用大數據解決方案優化企業管理將成為在“中國制造2025”轉型升級戰役中的制勝關鍵。

辛璐和唐方成^[9]研究了如何感知大數據分析并將其作為企業競爭優勢的驅動力。鞏家婧等^[10]以物流企業為例，指出通過分析不同類型的大數據信息（客戶信息、市場行情數據、銷量數據等），不僅能夠提高企業供應鏈管理效率，還因這些大數據來源于工作實踐，具備實踐性和可靠性，可以科學、精準、快速地為企業管理者提供決策指導信息。

研究者們進一步探索了大數據在生產制造、工業自動化中的應用，即通過分析大數據對企業績效管理的影響，促進大數據在工業領域的應用^[11]。然而，與金融、IT、電子商務等領域相比，數據挖掘在制造業中的研究和應用仍處于初級階段。譚軍^[12]采用文本挖掘技術對數據挖掘在制造業中的應用進行研究發現，現有數據挖掘應用研究在質量控制、制造過程、產品設計、故障診斷、制造系統、維修、產量提高、車間作業調度等領域已經得到較充分的開展，但在生產計劃和控制、物流和供應鏈領域的研究工作相對薄弱。在質量過程監控方面，如伸縮探針在半導體行業中被用于檢測半導體產品的質量。而探針隨著使用頻次的增多的老化會影響產品檢測結果，給企業帶來經濟損失。Aye等^[13]基于線性回歸和分類模型對伸縮探針的狀態進行建模，從而掌握探針的老化程度，減少由于探針自身壽命問題帶來的產品質量檢測錯誤，提高準確率。傳統的冷軋產品缺陷檢測方法，檢測標準不一，且存在大量漏洞和誤判。郭龍波^[14]使用實際的生產數據訓練二分決策樹和多分決策樹，得到了找到產品缺陷的眾多規則，解決了傳統冷軋產品缺陷檢測方法標準不一的問題，使企業可以根據挖掘結果快速準確的檢測生產出的冷軋產品的缺陷，提高了檢測的準確率。在車間生產調度方面，王成龍^[15]基于大數據分析，采用決策樹模型、優化了車間調度方案。劉娜^[16]用決策樹模型對紡紗廠數據進行分析，得到了機器細小位置移動次數和機器效率對停止次數的影響，以此為依據調整、檢測機器提高車間生產效率、加強人員、機器的調配。以上研究是基于靜態的生產數據，利用線性回歸、分類模型、決策樹等數據挖掘技術發現其在制造業背景下的應用內涵。

隨著RFID技術在制造業的推行和運用，生產數據由靜態轉變為動態，且在數據源質量上有了大幅度的提升，針對這些大量的RFID生產數據，基于頻繁模式挖掘算法適合求取大量數據的關聯性的特點，引入該算法能方便個人與多個企業共享所挖掘的知識^[17]。目前的研究中，頻繁模式挖掘算法主要被運用于交通運輸領域：劉春等^[18]提出了基于地點語義的個體用戶軌跡頻繁模式挖掘方法，對用戶潛在的拼車需求進行主動識別和發掘，為共享拼車等基于位置的智能推薦提供更高的精準度。鄢團軍等^[19]對裝備有RFID的電動車的運行數據利用頻繁軌跡模式進行數據挖掘，發現用戶行為規律，挖掘有價值的潛在信息。

近年來，更多研究者對頻繁模式數據挖掘算法在其他諸多領域的應用也進行了一些嘗試：潘曉英等^[20]提出一種將消費流水數據轉換為帶有時空屬性的消費軌跡樹DP-DBSCAN算法和帶有關系標簽的頻繁軌跡挖掘模式FP-Tree用于關系軌跡網及孤立人群，為管理與優化決策提供可參照的依據。李勇男^[21]結合時間序列模式挖掘、空間模式挖掘等數據挖掘方法，量化恐怖活動概率，對恐怖分子動向進行精準預測，提高打擊恐怖活動的效率。在基于對物流軌跡的探索方面，趙秀麗和徐維祥提出了適合在物流 RFID 數據庫中進行頻繁模式數據挖掘的關鍵概念（頻繁裝（卸）貨地點、頻繁直達路徑和頻繁轉運路徑等），利用這些概念和有效的剪枝策略為物流公司的科學管理與線路優化提供及時準確的決策依據^[22]。趙利^[23]提出針對 RFID 產生的海量數據，基于深度優先搜索（DFS）挖掘頻繁路徑，并以此為基礎根據物品路徑歷史數據預測物品達到的下一位置及時間，以輔助企業進行物流配送管理和優化。

綜上，研究者們在頻繁模式挖掘、數據挖掘技術在制造業的運用研究兩個領域分別進行了諸多探索。但現有研究仍存在以下三個不足：第一，以上大部分研究成果多處于實驗階段，其數據來源多為人工篩選和審查的高質量數據，而實際生產環境中仍面臨許多數據質量問題。第二，頻繁模式挖掘上，缺乏適應“生產數據”數據特點的大數據模型，充分地運用RFID包含的信息進行數據挖掘和物流軌跡的挖掘效率都有待進一步研究，同時頻繁模式挖掘在在制造業背景下的探索相對薄弱。第三，生產計劃和控制、物流和供應鏈領域的應用研究工作缺乏將數據挖掘方案合理整合到具體的業務場景中的探討。因此，本文力求突破對以上理論研究的不足，并在理論上提出一定補充：第一，配備有RFID數據采集設備的生產物流場景很大程度上提高了數據源質量。第二，構建全新的適應于存儲“種類繁多且冗雜”生產數據的RFID大數據模型，通過清理、壓縮和分類步驟提升數據挖掘效率。將生產物流場景中產品的流動類比于交通運輸場景下貨物的運送，進行頻繁模式挖掘在生產物流新場景中的應用研究。第三，探討基于頻繁模式挖掘的數據挖掘結果對制造業在現有諸如生產計劃和控制、供應鏈和物流等薄弱環節的決策優化作用，以求幫助企業降低成本，提升核心競爭力。

三、案例跟蹤與研究設計

（一）案例跟蹤

本文以重慶某汽車電子有限公司為對象進行個案研究。該企業為主要汽車制造商提供汽車電子產品服務，產品涵蓋汽車音響系統、換檔指示器、 加熱指示器等電子控制功能模塊。為迎合市場變化和滿足客戶的及時性需求，該企業于2018年12月至2019年11月發起了“工廠智能化提升”項目。項目內容包括企業內部組織改革、生產線流程再造、車間物流價值鏈提升、制造信息化升級等。

企業內部組織改革是通過對原有的職能結構和事業部進行了重新設計，把原來的職能型的結構轉變成流程型網絡結構，垂直業務結構轉變成水平業務流程，形成首尾相接和完整連貫的新的業務流程。這種組織結構由“金字塔”向“扁平化”管理模式的轉變，有助于幫助高層管理人員聚焦于企業的重大戰略決策和改革方案，同時激勵基層員工積極參與企業決策，充分發揮所有員工的潛能，提高決策的有效性和時效性，增強企業的凝聚力。

生產線流程再造和車間物流價值鏈提升是由生產職能團隊和物流團隊引領改革的主要內容，其目的是通過對當前生產節拍、產能負荷、生產設備布局、線內物流方式和在制品數量等關鍵信息的調研，以價值流程圖（VSM）作為變革管理工具描述和指導生產過程中的物流和信息流優化，改進工藝流程和物料流程，節約生產場地，減少在制品庫存，最終實現生產效率和產品品質的提升。

制造信息化升級的目標是提升企業決策的科學性和管理透明度。該項改革內容圍繞基于MES系統的生產數據搜集與頻繁模式挖掘來進行，如依據工藝流程的關鍵控制項優化信息采集設備（如RFID、各類傳感器等）安裝位置和信息采集內容，優化對采集而來的數據的提煉與運用等。

（二）研究設計

結合前文的文獻研究結果，研究者們采用多頻次實地調查對以上改革項目進行了個案跟蹤。個案跟蹤主要圍繞“基于頻繁模式挖掘的企業決策優化”這一問題進行考察：通過對該項目實施（2019年4月至2019年7月）和項目總結（2019年10月至2019年11月）兩個階段中的四個核心組織團隊（信息技術部門、生產部門、物流部門和采購部門）進行深入觀察，總結提煉出數據挖掘方法及基于頻繁模式挖掘的決策優化建議。

首先，在項目實施階段，研究者主要調研了生產部門和信息技術部門關于該項目的內部資料文件，研究發現大數據分析方法在該企業中的初步應用，基于對頻繁模式挖掘的文獻研究基礎，進一步構建出基于RFID生產數據的數據挖掘方法。該方法是以項目中的生產物流場景為基礎構建概念模型，模擬產品從倉庫流動至車間，在車間生產線完成制造過程，從車間流回倉庫的全過程，在該過程中建立RFID數據采集關鍵點進行數據采集。概念模型的建立是對制造型企業生產物流環節的抽象，以此為基礎，針對RFID生產數據“數據量大、種類繁多”的特點，進一步建立RFID數據模型。并形成對RFID生產數據進行清理、壓縮和分類的數據挖掘方法。該挖掘方法界定了數據的輸入形式、輸出形式及算法實現邏輯。經清理、壓縮和分類處理后的RFID生產數據可以用于時空順序上的模式識別，進一步提取物流軌跡。

其次，在項目總結階段，研究者參加了上述每個團隊舉行的項目總結工作會議并詳細記錄每次會議的相關信息，形成觀察記錄日記。針對該“工廠智能化提升”項目對日常工作的改善這一問題，對來自該企業物流部門、生產部門、采購部門的技術人員進行了采訪，形成了訪談文本。通過對觀察日記和訪談記錄的對比分析、提煉抽象，圍繞企業在生產計劃和控制、物流和供應鏈等方面的決策優化提出建議和結論。

最后，以上案例跟蹤的研究結果對文獻研究中的不足進行了有效的補充：項目實施階段的研究結果一定程度上彌補了理論研究中基于制造業生產數據的數據挖掘方法的不足。項目總結階段的研究結果將企業數據挖掘實踐融入到具體的決策優化探討之中，彌補了現有文獻中在業務場景整合方面的不足。

四、基于RFID生產數據的頻繁模式挖掘研究

（一）RFID大數據模型

⒈ 生產物流與概念模型構建

本文以“中國制造2025”背景下配備有RFID數據采集設備的生產物流場景為例。根據《物流術語國家標準》對生產物流的定義，生產物流指生產過程中原材料、在制品、半成品、產成品等在企業內部的實體流動。生產物流的過程可以概括為：原材料、零部件、外購件、燃料等輔助材料從企業倉庫開始，進入生產線的開始端并投入生產，經過下料、發料、運送到各個加工點和存儲點，以在制品的形態，從一個生產單位（倉庫）流入另一個生產單位，隨生產加工過程一個一個環節的“流”，在“流”的過程中按照規定的工藝過程進行加工、儲存，借助一定的運輸裝置在某個點內流轉，又從某個點內流出，直到生產加工終結，再“流”至成品倉庫終結了企業生產物流過程。

目前，構建一個全方位支持RFID的生產物流場景的方式，即在倉庫和車間這兩個關鍵的生產場景中配置RFID設備進行數據采集：倉庫中的RFID設備規劃在原材料裝載區域，用于綁定生產標簽和批次;車間中的RFID通常根據生產對象的不同而出現方式不同，如配置固定讀卡器的生產設備（固定）、攜帶手持RFID閱讀器的物流操作員工（移動）。在該場景下，設備（人）都將轉換為可感知、可反應（行動）、可推理和相互通信的智能制造對象。而根據預定義的邏輯，這些智能制造對象將自動進行產品生產和物料轉移。

基于此，構建了基于RFID環境中的生產物流過程作為大數據分析方法的概念模型，如圖1所示。其中，原材料經由外部物流人員完成RFID標簽與批次的綁定后被轉移至生產車間物料緩沖區A，緩沖區配有RFID設備監測物料的進出，數據中心發送工作任務至內部物流操作員，內部物流操作員使用便攜式RFID設備來識別相應的物料并根據任務要求將特定數量的物料運輸至相應的設備上進行加工B，操作工在接收到物料后操作配以固定式RFID的設備進行操作和加工，一旦工作完成（成品出現），數據倉庫發送工作任務至外部物流操作人員C，外部物流人員根據數據運輸成品至接收區進行出庫處理。由此，在全方位支持RFID的生產環境中，物流過程得以被重新設計和優化。即：第一，通過RFID外部物流操作員和內部物流操作員可以執行物料的移交過程。第二，通過基于RFID的數據倉庫，物料信息得以被實時監測并及時地以工作任務的形式發送到智能制造對象。第三，RFID獲得的信息被數據中心采集，為大數據分析做準備。

⒉ 數據立方體

將生產場景（倉庫、車間）中RFID獲得的包含電子產品代碼、地點、事件、操作員、時間、數量等信息的數組結構，定義為元組。元組中電子產品代碼是一批材料的唯一標識符，可以被射頻識別閱讀器讀取;地點是操作和事件發生的確切位置。事件是指有效的射頻識別檢測或對射頻識別設備的操作;操作員是事件的執行者;時間意為事件何時發生;數量是指每批材料的標準數量。生產制造過程中物料發生轉移，多個元組在短時間內通過不同的RFID設備連續產生，從而形成元組流。單個元組所記錄的數據信息按照物流邏輯、元組維度及信息深度構建為一個具有三維結構的“數據立方體”。

“數據立方體”的元組維度意指以計算機領域數據類型（如Text、Varchar、Int等）可以進行定義的產品代碼、位置、操作人員、時間和數量等關鍵屬性;物流邏輯維度定義的是與物流活動相關的人員、機器、材料、方法及環境等信息;信息深度維度指對原始數據的處理深度。“數據立方體”是建立“RFID大數據模型”的基礎。將不同生產階段不同RFID信息采集設備獲取的物流信息按照以上三維結構一一構建，形成“數據立方體”集群。再通過建立物流活動中時間、空間信息的映射表，鏈接 “數據立方體”集群，最終眾多展現單個采集點數據的“數據立方體”依據一定邏輯構建成集群形式的“RFID大數據模型”。

本文所建立的“RFID大數據模型”本質上是一種創新的基于RFID生產數據的數據庫，如圖2所示，其展現了數據存儲的結構。與傳統數據庫相比，“RFID大數據模型”出現了具有三維數據立方體結構的數據集群，即通過預定義的邏輯操作建立映射表對單個數據結構進行鏈接，從而形成具有時間空間概念內涵、可以體現物流操作邏輯的模型。例如，映射表能夠根據某個給定的產品代碼找到數據倉庫中的所有元組，然后根據邏輯性的物流操作初始化一個立方體結構。映射表與給定時間序列的立方體相連接，從而該產品代碼下產品的物料流動過程都可以通過數據立方體呈現出來。

此外，在時間次元坐標中，數據立方體根據事件發生的時間信息（開始時間、結束時間、持續時間）進行鏈接。在空間次元坐標中，數據立方體根據事件發生的空間信息（工位ID、設備ID）進行鏈接。通過時間、空間與物流邏輯之間的映射關系，大量的數據立方體可以獲得物流趨勢、生產偏差、機器和工人的定量性能等有價值的信息。這些信息對企業在生產運營管理領域的決策制定有著重要的意義。

（二）數據挖掘框架、數據處理與物流軌跡識別

⒈ 數據挖掘框架

由于RFID生產數據隨著日常操作的進行而變得龐大，對其的提煉框架包含數據提取、數據清理、數據壓縮、數據分類和時空順序下物流軌跡識別模式五個步驟。

步驟一：從RFID生產大數據中提取幾個主表（如task、BatchMain、BatchSub、UserInfo、MachInfo、Technics等）構建一個RFID大數據模型。構建方式是以映射表為指引，選取其中的關鍵特性創建數據立方體，其中包含對應的物流行為和操作邏輯等信息。

步驟二：創建的數據立方體存在大量的冗雜信息，因此執行清理操作。數據立方體清理不僅可以去除冗雜項，還可以檢測和消除不完整、不準確和缺失的立方體。

步驟三：由于經過清理的數據立方體仍十分龐大，因此對其進壓縮是十分必要的。數據立方體壓縮是通過使用重要的物流邏輯來表示物流的移動而進行的。例如，一個完整的物流軌跡可以由幾個不同生產階段下的物流軌跡組成，每個軌跡都由一個數據立方體來呈現。又由于工位被唯一的電子產品代碼（EPC）編號所標記，所以這些立方體彼此高度相關。幾個工位對應的操作共同組成一個任務，這意味著相關的立方體具有同樣的任務ID。

步驟四：對被壓縮的數據立方體進行分類以支持不同的使用者在不同應用場景下的決策制定。以物流操作員的評價為例，在企業用戶信息使用表里使用三個整數類型（0：初級，1：中級，2：高級）來標識評價對象層次。由于“操作者ID”屬性與一個已識別的對象層級相關聯，依據“操作者ID”屬性對立方體進行分類，從分類的RFID數據立方體中歸納關鍵性能指標（如業務平均處理時間、學習曲線等）作為諸如人事晉升等制度制定的參考。

步驟五：分類后的立方體可以用于物流軌跡識別。在基于時間的相關模式中，數據立方體意味著各種制造對象的趨勢與偏差（如物流操作員的操作效率、機器利用率），此時該類模式有利于提升物流控制效率。在基于空間的相關模式中，數據立方體意味著物料的移動，體現物流軌跡上的每一個節點位置，此時該類模式可以用于評估在制品庫存級別以及預測不同生產節點的工作負荷等。

⒉ 數據處理關鍵步驟

步驟一：數據立方體清理。

數據立方體清理的目的是檢測并移除數據立方體中的一些不完整、不正確以及冗雜的數據。其輸入是一組來自射頻識別物流數據倉庫的原始立方體。輸出是一組經過排序的立方體，包含完整和準確的信息，其輸入、輸出及實現方法為：

輸入：啟用射頻識別技術的物流數據倉庫，條件設置Con^set。

輸出：數據立方體集RCub^set。

實現方法：RCub^set←從數據倉庫相關表格中選取記錄在 RCub^set 中的每一個數據立方體。在數據立方體中的每一個維度DIiDIi 必須滿足條件 Conj DI_i∝Con_j where Con_j∈Con^set。而如果在 RCubk 中的維度 DIi 不能滿足條件則刪除來自 RCub^set 的 RCub_k。

步驟二：數據立方體壓縮。

對數據立方體進行壓縮的目的是形成一種先進的數據結構，進行進一步的查詢、分類和分析。因此壓縮方法是聚合和折疊清理完成的數據立方體記錄。其輸出是壓縮的數據立方體。映射表用來組織具有高信息密度的立方體，其輸入、輸出及實現方法為：

輸入：RCub^set。

輸出：數據立方體集Cat。

實現方法：首先利用select語句在映射表中聚合初步滿足條件的數據立方體記錄，然后通過if循環在滿足條件（操作、位置、時間等）的數據立方體記錄進行數據折疊清理，當有數據立方體記錄不滿足if循環時，則輸出滿足條件的記錄形成數據立方體集Cat。

步驟三：數據立方體分類。

數據立方體分類的目的是找出不同的特定類型，用于挖掘特定信息或者知識。分類過程的輸入是壓縮的數據立方體和分類集。輸出的是分類后的數據立方體，呈現了進行立方體分類的具體方法，數據立方體通過分類處理后，不同維度上的物流軌跡知識將更易于獲取，其輸入、輸出及實現方法為：

輸入：RCub^Com，數據立方體集Cat。

輸出：分類的數據立方體集RCub^Cla。

實現方法：利用for循環語句在數據立方體集Cat中設置分類條件（維度），通過循壞語句不斷將Cat中滿足條件的記錄分類，一直到不滿足循壞條件，即循環結束。Endfor后對記錄進行分類輸出，放在RCub^Cla中。

⒊ 物流軌跡識別模式

“物流軌跡識別模式”指在RFID大數據模型中，依據時間或位置屬性定義序列中元素的排列順序，通過頻繁模式挖掘算法，挖掘出從物流活動開始至結束的物流軌跡。由于每個數據立方體都存放著關于空間、時間、物流操作人員、機器以及對應產品的信息，所以該模式具有高度的時空性。

定義1：（物流軌跡識別模式）設為軌跡，其中包含n個生產階段，則軌跡可以表示為：

=…

…（1）

其中，表示第s個物流操作員。表示在k階段經過的機器i。和分別表示在k階段材料從緩沖區移走的時間和在k+1階段材料進入緩沖區的時間。根據定義可知，物流軌跡可以從包含由RFID數據立方體中的大量軌跡集中挖掘。

定義2：（軌跡持續時間）假設是一個物流軌跡，的持續性可以通過式（2）計算。這意味著花在軌跡上的時間等于在第n階段一批材料到達緩沖區的時間與第一階段倉庫中將這批材料移出緩沖區的時間的差值。這個定義可以用來檢測在制品庫存，當越小則庫存越少，從而物流效率越高。

（2）

定義3：（物流操作員的績效衡量）這里有兩種物流操作員績效衡量方式。第一種是頻率指引，可以被定義式（3）。這個指引顯示出了在整個運輸任務中物流操作人員的投入。另一種是時間指引，可以被定義為式（4）。這個指引揭示了在所有物流任務中特定的物流操作人員（）所貢獻的時間。J代表著物流軌跡的總數，S代表著物流操作人員的總數。

（3）

（4）

定義4：（機器的利用）對于機器i，在階段k，從時間到，機器的使用可被定義為式（5），其包含機器的物流軌道總數。如果更多的物流軌道包含，則會變得更大。

（5）

五、企業決策優化

隨著社會信息化程度的日益加深和RFID射頻識別技術的引入，采用更為高效的數據挖掘方法，挖掘隱藏在數據背后的“真相”，幫助企業管理者進行更為科學、可靠的決策制定，提升企業科學管理水平，有效增強企業的盈利能力和行業競爭力^[24]。本文所述的頻繁模式數據挖掘方法，實現了依據不同的關聯規則，對物料到達情況的實時追蹤與可視化，可以為企業管理者在生產計劃和控制、物流和供應鏈等方面的決策制定提供管理啟示和科學指導。根據訪談記錄和深度觀察日志的整理，下文將分別就其運用場景展開探討。

（一）生產計劃和控制方面的決策優化

生產計劃和控制是指計劃、組織、控制生產活動的綜合管理活動。其目標是通過合理組織生產過程，有效利用生產資源進行經濟合理的生產活動，以達到預期的生產目標。其主要管理模塊包括生產計劃管理、采購管理、品質管理、效率管理、設備管理、庫存管理等。企業的生產計劃和控制可以考慮采用本文所述的數據挖掘方法構建RFID大數據模型，依據不同的關聯規則挖掘物流軌跡，物料的實時到達和流轉情況可以作為有價值的信息，幫助企業管理者進行生產計劃和控制管理。

生產計劃管理過程中，本文所述的數據挖掘方法有助于實現生產自動化、柔性化。主要利用頻繁模式算法發現RFID射頻識別技術采集的生產線瓶頸工位時間、生產節拍等信息的關聯規則，基于這些關聯規則挖掘并實時跟蹤生產線平衡率、平衡損失率等關鍵指標。生產線平衡的目的是通過分析與調整生產線所有工序的負荷能力使各工序盡可能達到能力平衡，最終消除等待浪費，提高生產線效率。對于關鍵指標的實時追蹤有利于管理者及時掌握車間生產狀況，實現企業在生產制造過程中對生產平衡狀態的實時跟蹤，及時做出相應的工藝調整優化生產線的計劃執行能力。同時，對于由于錯誤裝配等原因導致的異常瓶頸工位，管理者可以快速響應，并以最大程度減少生產損失。

采購管理上，本文所述的數據挖掘方法有助于應對市場波動，實現個性化需求預測。目前制造業銷售部門基于經驗分析估算交貨日期的方式在日益多樣性發展的市場場景下存在巨大的供應風險。再者，制造業面向的消費者群體數量眾多且個體偏好明顯，進軍個性化定制市場無疑具有廣闊的前景。就汽車行業而言，由于其研發生產的復雜性，一臺新款車型上市后的銷售情況與研發階段團隊對細節以及個性偏好的把握程度密切相關。如，居住在北方天氣涼爽的地區的消費者和居住在南方較悶熱的地區的消費者對座椅通風功能的需求顯然不同。因此，采用本文所述的頻繁模式算法在數據立方體中引入座椅配置信息，通過分類的關鍵算法，采集車輛流向市場的信息（銷售信息），形成實時的基于不同座椅配置的物流軌跡信息，幫助企業進行需求預測，實現個性化需求精準匹配。

品質管理上，本文所述的數據挖掘方法有助于實現全面質量管理（TQM）。全面質量管理是以產品質量為核心，以滿足客戶需求為目的的一套科學質量體系，其基本觀點是進行全過程的管理、全企業的管理和全員的管理。采用頻繁模式算法挖掘并實時跟蹤關鍵工位的產品質量信息、關鍵設備的維護與運行信息、員工操作相關信息，用信息化的手段提升“計劃-執行-檢查-處理”的質量管理基本工作流程的效率，推進全面質量管理的實現。

效率和設備管理上，采用本文所述的數據挖掘方法有助于完善物流對象績效指標評估體系。通過構建的RFID大數據模型中挖掘物流軌跡，運用時間指引和頻率指引指標實現對物料轉移過程中操作員投入程度和投入時間的實時量化評估，將該動態評估方法作為補充，完善和健全傳統經營管理中以靜態指標作為物流操作員主要考量指標的評價體系，以此更加科學地指導管理者進行諸如晉升等重要策略的制定。同理，該模式下的機器效能指標可以充分地體現機器在物流軌跡中被占用的頻次。因此，通過機器利用率在水平維度上的比較，易于管理者實時觀察到各物流設備的利用率偏差，及時調整生產策略來平衡工作負載。

（二）物流和供應鏈方面的決策優化

物流管理上，采用本文所述的數據挖掘方法有助于實現生產物流與倉儲的資源配置優化。構建RFID大數據模型挖掘生產線節拍、線邊庫存、物料配送上線時間等信息，建立產品生產時間、物料消耗時間、物料上線時間的匹配關系，最終指導生產物流的資源配置。該方法的研究使生產物料的配送由傳統的靜態轉化為動態成為可能。在該動態信息指示下可以實現準確而及時的備料和送料活動，保證生產線正常運行的同時又最大程度地減少在制品庫存，消除等待浪費，提升物料配送效益。同樣地，采用該大數據分析方法挖掘物料存儲的位置、數量等信息，建立其與企業資源計劃系統中指定的收貨、取貨、裝運等計劃的匹配關系，避免錯送、錯置等損失，增強存取貨物的準確性和便捷性，最終實現倉儲動態管理，從而降低企業倉儲成本，提升物流服務效率和質量。

供應鏈管理上，由于現代行業分工和專業細分趨勢，擁有某項專門技術的供應商會供貨給不止一家下游企業，制造供應鏈是以輻射和貫穿于整個同類產品行業的形式而存在的。而上下游信息傳遞的延時，環環相扣的復雜加工以及市場需求和銷售訂單的劇烈波動，都會給庫存管理帶來巨大挑戰。采用本文所述的數據挖掘方法聚焦于進貨物流和出貨物流信息，形成實時的進貨物流軌跡與出貨物流軌跡，進而計算獲得同樣“實時”的在制品庫存、倉庫利用率等關鍵庫存控制指標。通過跟蹤這些指標的變化情況，管理者能夠及時準確地調整生產節拍，半成品或成品在整個物料流轉鏈條中盡量加速流動實現“不積壓”，進而有效地指導企業進行精益制造和物流快速響應，以減少在制品庫存，提高倉庫利用率，降低物流成本。

六、總結與展望

本文以生產物流場景為例構建概念模型，通過RFID信息采集設備采集生產信息建立數據立方體，進而構建RFID大數據模型。根據不同的科學管理目標，利用頻繁模式挖掘發現相應信息的關聯規則，歸納總結出物流軌跡。最后探究將挖掘結果運用于當今制造業生產計劃和控制、物流和供應鏈等方面的管理痛點上，為企業管理者提供解決思路。

（一）研究的創新價值

本文的研究，在技術方法和研究范疇上具有獨特的創新價值。第一，就頻繁模式挖掘方法的研究而言，本文制定了一種以實用性為導向的數據挖掘方法，該方法包含了基于理論模型的數據框架及該框架下用于對射頻識別物流數據進行提煉、處理和分類的關鍵算法步驟，企業管理者可以依據RFID大數據模型對RFID生產數據進行存儲，并運用本文所展現的算法邏輯構建具體的計算機編程代碼實現數據的清理、分類和壓縮，最終挖掘物流軌跡用于企業管理決策的優化。第二，本文所述的方法從一定程度上彌補了當前理論中基于RFID生產數據處理和分析等方面的不足，首先通過“清理”步驟有效篩除任一維度上不滿足預設條件的數據，排除了不完整、不準確的數據干擾，隨后的“壓縮”步驟提取相同EPC的數據立方體，解決了RFID生產數據冗余的問題，最后使用“分類”算法歸納不同維度的物流軌跡知識，提高了提取效率。第三，數據立方體模型在結構上具備充分的數據存儲多樣性和可擴展性。數據立方體的多樣性和可擴展性使得企業在面臨由射頻識別技術采集而來的龐大且冗雜的RFID生產大數據時，能夠有效地將數據進行分類存儲，在針對不同的科學管理目標時，能夠高效地提取相應關鍵信息，進而利用挖掘提取出的關鍵信息指導企業優化管理和生產。

本文的研究就范疇具有創新性。本文就生產物流場景中物流軌跡對于管理決策的優化進行了首次探索：從技術角度構建頻繁模式挖掘物流軌跡，從科學管理角度分析技術研究結果在企業場景中的實踐運用。兩個角度的研究相輔相成，是在“中國制造2025”背景下，對“以技術為導向提升科學管理水平”的一次實踐。技術層面上，進行數據挖掘方法的創新提高數據模型的場景適用性和物流軌跡挖掘效率。管理層面上，就當今制造業亟待解決的管理困境，首次探究了在“中國制造2025”背景下技術研究結果在企業場景中的運用設想。

（二）研究局限與展望

對RFID生產數據數據挖掘方法的研究及其所提取的信息在生產物流場景的內涵挖掘可以有效助力制造業在“中國制造2025”戰略背景下的轉型升級。但是，這一研究仍存在多方面的局限。第一，技術層面上，根據具體領域和應用場景設計合適的分析模型、設計滿足生產大數據實時性要求的行之有效的算法有待進一步研究。第二，實施層面上，企業在生產運營環節對RFID的使用存在可能會產生較高應用成的問題，由于在研究中深入到單個商品層級的RFID應用場景十分理想化，因而能夠提供給研究者進行數據驗證的真實場景欠缺。

基于研究局限，在本文的研究基礎上，隨后的探索方向可以做如下延伸：第一，被挖掘的包含特定物流含義的重要信息可以用來支持生產計劃與調度（APS）。因此，可以圍繞制定整合生產計劃和調度的數學模型或材料運輸策略來拓展后續的研究。第二，由于本文僅僅考慮了有限的測試，所以在海量數據的情況下，基于大數據分析方法論證評估具備進一步拓展研究的空間。第三，針對沒有文本基礎的立方體壓縮，在未來的研究中可以考慮將諸如區域圖片壓縮之類的圖片壓縮方法和適應字典算法整合應用到立方體壓縮模型中。

參考文獻：

[1] 景熠，李文川.智能制造背景下企業RFID技術采納行為機理研究[J].工業技術經濟，2017，（5）：86-91.

[2] 孟凡生，徐野，趙剛.高端裝備制造企業向智能制造轉型過程研究——基于數字化賦能視角[J].科學決策，2019，（11）：1-24.

[3] 王宇翔.大數據背景下的數據挖掘算法綜述[J].通訊世界，2018，（11）：21-22.

[4] 熊聰聰，劉品超.基于RFID數據集的供應鏈數據挖掘[J].計算機工程與設計，2011，（5）：1673-1676.

[5] 王德青，朱建平，劉曉葳，等.函數型數據聚類分析研究綜述與展望[J].數理統計與管理，2018，（1）：51-63

[6] Han.J.W.，Li.Z.H.，Tang，L.A.Mining Moving Object，Trajectory and Traffic Data[A].Database Systems for Advanced Applications[C].DASFAA 2010，Tsukuba，Japan 2010，（5982），485-486.

[7] Kusumakumari，V.，Sherigar，D.，Chandran，R.，et al. Frequent Pattern Mining on Stream Data Using Hadoop CanTree-GTree[A].Procedia Computer Science[C].ICACC 2017，Cochin，India 2017，（115）：266-273.

[8] Han，M.，Ding，J.，Li，J.TDMCS： An Efficient Method for Mining Closed Frequent Patterns Over Data Streams Based on Time Decay Model[J].International Arab Journal of Information Technology，2017，14（6）：851-860.

[9] 辛璐，唐方成.構建大數據驅動制造業創新發展的治理機制[J].管理現代化，2019，（6）：27-31.

[10] 鞏家婧，寧云才，張公鵬.大數據時代物流企業供應 鏈管理運作模式與優化路徑[J].企業經濟， ?????2019，（5）：80-84.

[11] 中國機械工程編輯部.2018·中國制造自動化技術學術研討會——制造大數據與人工智能[J].中國機械工程，2018，（17）：2068.

[12] 譚軍.數據挖掘在制造業中的應用研究綜述[A]. 2011年全國電子信息技術與應用學術會議論文集[C].上海，智能信息技術應用學會，2011.505-508.

[13] Aye，T.T.，Yang，F.，Wang，L.， et al. Data Driven Framework for Degraded Pogo Pin Detection in Semiconductor Manufacturing [A].Industrial Electronics and Applications[C].IEEE 2015，Auckland，New Zealand.2015.

[14] 郭龍波. 基于數據挖掘方法的冷軋表面質量缺陷分析[D].馬鞍山：安徽工業大學碩士學位論文，2012.

[15] 王成龍.基于數據挖掘技術的生產調度問題研究[D].杭州：浙江大學碩士學位論文，2015.

[16] 劉娜. 紡織領域中數據挖掘技術的應用研究[D].大連：大連海事大學碩士學位論文，2004.

[17] Shahbaz，M.，Shaheen，M.，Aslam，M.，et al.Data Mining Methodology in Perspective of Manufacturing Databases[J].Life Science Journal，2012， 9（3）：13-22.

[18] 劉春，周燕，李鑫.挖掘語義軌跡頻繁模式及拼車應用研究[J].計算機工程與應用，2019，（15）：96-103.

[19] 鄢團軍，呂軍，齊國強.基于RFID的電動車運行軌跡頻繁模式挖掘算法研究[J].智能物聯技術，2018，（3）：32-36.

[20] 潘曉英，趙倩，趙普.時空屬性關系標簽的頻繁軌跡模式挖掘[J].計算機工程與應用，2019，（10）：83-89.

[21] 李勇男.時空軌跡頻繁模式在反恐情報分析中的應用研究[J].情報雜志，2018，（8）：51-55.

[22] 趙秀麗，徐維祥.在物流RFID數據庫中挖掘時空模式[J].物流技術，2011，（17）：101-104，124.

[23] 趙利. 基于RFID中間件的海量數據集成技術及其在現代物流決策分析中應用研究[D].揚州：揚州大學碩士學位論文，2012.

[24] 趙劍波.推動新一代信息技術與實體經濟融合發展：基于智能制造視角[JB/OL].科學學與科學技術管理：1-19.2020-03-10.http：//kns.cnki.net/kcms/detail/12.1117.G3.20200306.1746.002.html.

[25] 姚源果，賀盛瑜.基于交通大數據的農產品冷鏈物流配送路徑優化研究[J].管理評論，2019，（4）： 240-253.

Research on Decision Optimization of Manufacturing Enterprises Based on Frequent Pattern Mining

HUANG Rui¹，YIN Shi-si¹，LI Hu-sheng²

（1.Bussiness School， Chongqing College of Electronic Engineering， Chongqing 401331， China;2.Certification Centre， China Electronics Standardization Insititute， Beijing 100007， China）

Abstract：With the widespread application of Radio Frequency Identification （ RFID） technology in manufacturing enterprises to collect production data， production data has been improved in terms of data source quality and dynamics.This paper focuses on the management weaknesses of manufacturing enterprises in production planning and control， logistics and supply chain; based on case studies， it explores the application of frequent pattern mining in production and logistics scenarios of manufacturing enterprises.Specifically， based on RFID production data to build RFID big data model， after data cleaning， compression and classification， according to different scientific management objectives to carry out logistics track identification.Finally， combining with specific business scenarios， it puts forward suggestions for the production planning and control， logistics and supply chain management decision optimization of manufacturing enterprises.

Key words：manufacturing enterprises;?frequent pattern mining; logistics trajectory; decision optimization; big-data RFID model

（責任編輯：李明齊）