王萌

摘 要：從當(dāng)前大數(shù)據(jù)環(huán)境的特點(diǎn)出發(fā)，分析中國(guó)制造業(yè)及信息化的現(xiàn)狀，闡述在大數(shù)據(jù)環(huán)境下制造業(yè)如何進(jìn)行信息化及智能化的質(zhì)量改進(jìn)問題。分析大數(shù)據(jù)環(huán)境下質(zhì)量分析與改進(jìn)遇到的新挑戰(zhàn)與新問題，并基于質(zhì)量分析與改進(jìn)遇到的新問題與新挑戰(zhàn)，給出相應(yīng)的解決方案，最后展望問題發(fā)展的前景。

關(guān)鍵詞：質(zhì)量分析；大數(shù)據(jù)；智能化；質(zhì)量分析

中圖分類號(hào)：C931 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2018）18-0151-02

引言

質(zhì)量分析與改進(jìn)是制造企業(yè)不斷追求的企業(yè)宗旨之一，企業(yè)在制造中使用各種不同的方式進(jìn)行質(zhì)量分析與改進(jìn)。質(zhì)量改進(jìn)是企業(yè)最有效的核心競(jìng)爭(zhēng)力之一，對(duì)制造企業(yè)來說有著至關(guān)重要的意義。質(zhì)量的不斷改進(jìn)有助于制造企業(yè)提高投資收益率，減少質(zhì)量損失，還能夠促使新產(chǎn)品的開發(fā)與生產(chǎn)技術(shù)的改進(jìn)。質(zhì)量改進(jìn)活動(dòng)一般有兩層含義[1]：第一層是保持現(xiàn)有的質(zhì)量水平，降低質(zhì)量波動(dòng)，其核心方法是“質(zhì)量控制”；第二層是以突破的方式改進(jìn)質(zhì)量，主動(dòng)采取改進(jìn)措施，使質(zhì)量有突破性進(jìn)展，質(zhì)量水平大幅前進(jìn)。

隨著大數(shù)據(jù)及物聯(lián)網(wǎng)時(shí)代的到來，制造業(yè)得益于傳感設(shè)備的普及，能夠方便地收集到生產(chǎn)相關(guān)數(shù)據(jù)，這些制造大數(shù)據(jù)對(duì)于促進(jìn)質(zhì)量改進(jìn)效果的作用日益變大。雖然以統(tǒng)計(jì)理論為基礎(chǔ)的傳統(tǒng)的質(zhì)量分析方法在質(zhì)量改進(jìn)領(lǐng)域有著廣泛的應(yīng)用，但是能夠在計(jì)算機(jī)上便于使用的數(shù)據(jù)挖掘方法[2]在制造業(yè)的應(yīng)用越來越廣泛。數(shù)據(jù)挖掘是一種用于發(fā)現(xiàn)潛藏于數(shù)據(jù)中人類未知知識(shí)的工具，制造業(yè)目前也大量應(yīng)用了這種方法并進(jìn)行改進(jìn)。同樣，數(shù)據(jù)挖掘方法在質(zhì)量改進(jìn)領(lǐng)域中的應(yīng)用也越來越多，主要研究與應(yīng)用領(lǐng)域?yàn)楫a(chǎn)品質(zhì)量預(yù)測(cè)、工序質(zhì)量描述、參數(shù)優(yōu)化及質(zhì)量分類四個(gè)方面[3]。

提出相應(yīng)的算法需要考慮數(shù)據(jù)挖掘工具解決實(shí)際問題的全過程。具體執(zhí)行流程可分為以下七個(gè)步驟：提出質(zhì)量模型，采集模型相關(guān)數(shù)據(jù)，數(shù)據(jù)預(yù)處理，使用數(shù)據(jù)挖掘算法，優(yōu)化算法結(jié)果，提出決策分析算法和提取改進(jìn)規(guī)則。質(zhì)量模型的提出與應(yīng)用力求符合生產(chǎn)實(shí)際，提出的算法能夠針對(duì)模型做有效分析，提出的知識(shí)對(duì)生產(chǎn)的管理人員能夠起到指導(dǎo)生產(chǎn)和輔助決策的作用。

一、研究現(xiàn)狀

數(shù)據(jù)挖掘可以簡(jiǎn)單概括為數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析和知識(shí)抽取。數(shù)據(jù)挖掘方法在質(zhì)量改進(jìn)領(lǐng)域的應(yīng)用已經(jīng)得到大量學(xué)者的關(guān)注。數(shù)據(jù)挖掘方法在生產(chǎn)數(shù)據(jù)質(zhì)量改進(jìn)領(lǐng)域的應(yīng)用具體可分為以下四個(gè)方面：產(chǎn)品及工序質(zhì)量描述、質(zhì)量預(yù)測(cè)、質(zhì)量分類、參數(shù)優(yōu)化。粗糙集（Rough Set Theory，RST）、決策樹（Decision Tree，DT）、聚類算法（Clustering Algorithm，CA）、遺傳算法（Genetic Algorithm，GA）、支持向量機(jī)（Support Vector Machines，SVMs）、關(guān)聯(lián)規(guī)則（Association Rules，AR）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和模糊邏輯（Fussy Set Logistic，F(xiàn)SL）等常用的數(shù)據(jù)挖掘方法都廣泛應(yīng)用于質(zhì)量改進(jìn)領(lǐng)域的全過程。

質(zhì)量數(shù)據(jù)的數(shù)字化是數(shù)據(jù)挖掘在質(zhì)量改進(jìn)應(yīng)用的重要方向，多被應(yīng)用于對(duì)數(shù)據(jù)化的描述產(chǎn)品基本情況。Tseng等在電路板印刷制造業(yè)中焊點(diǎn)特征識(shí)別中使用粗糙集理論識(shí)別，并將發(fā)現(xiàn)的知識(shí)應(yīng)用于電路板的生產(chǎn)。關(guān)聯(lián)規(guī)則被Chen等用于識(shí)別設(shè)備故障的根本原因。數(shù)據(jù)描述步驟中數(shù)據(jù)挖掘算法的主要作用是將采集到的復(fù)雜的數(shù)據(jù)轉(zhuǎn)化為數(shù)據(jù)挖掘算法能夠處理的數(shù)據(jù)，以因素識(shí)別、特征提取為主要手段，為算法做數(shù)據(jù)分析與知識(shí)抽取提供前提。經(jīng)過質(zhì)量數(shù)據(jù)的數(shù)字化描述后，質(zhì)量預(yù)測(cè)變?yōu)榭梢灾苯訉?shí)現(xiàn)的問題。采用適當(dāng)?shù)念A(yù)測(cè)方法并優(yōu)化算法參數(shù)能夠較為準(zhǔn)確地預(yù)測(cè)制造業(yè)質(zhì)量結(jié)論。對(duì)于不同數(shù)據(jù)應(yīng)采用不同的或者混合的預(yù)測(cè)算法，往往能夠?qū)鉀Q問題起到?jīng)Q定性作用。

二、質(zhì)量改進(jìn)數(shù)據(jù)挖掘存在的問題

隨著大數(shù)據(jù)及物聯(lián)網(wǎng)時(shí)代的到來，質(zhì)量改進(jìn)問題也愈加復(fù)雜化。由于數(shù)據(jù)挖掘領(lǐng)域不斷有許多新技術(shù)的產(chǎn)生，基于數(shù)據(jù)挖掘技術(shù)的質(zhì)量改進(jìn)是當(dāng)前研究的熱點(diǎn)問題。根據(jù)不斷變化的質(zhì)量改進(jìn)模型會(huì)產(chǎn)生相應(yīng)的新技術(shù)，那么相應(yīng)的新工作就亟待開展。當(dāng)前，基于數(shù)據(jù)挖掘技術(shù)的質(zhì)量改進(jìn)問題的研究存在以下問題。

1.數(shù)據(jù)挖掘算法亟待改進(jìn)。經(jīng)典的數(shù)據(jù)挖掘算法對(duì)于當(dāng)今質(zhì)量改進(jìn)問題存在效率低下問題。對(duì)于數(shù)據(jù)維度與數(shù)量都在增加的質(zhì)量改進(jìn)問題不僅經(jīng)典的質(zhì)量控制算法效率低下，就連常見的數(shù)據(jù)挖掘算法算法都出現(xiàn)效率低下問題。因此，海量數(shù)據(jù)與高維數(shù)據(jù)的數(shù)據(jù)挖掘問題成為了數(shù)據(jù)挖掘領(lǐng)域的一個(gè)新課題。

2.數(shù)據(jù)挖掘算法思路的確立問題。對(duì)于新問題提出新方法是常見的解決問題的思路，但是新方法往往通用性與易用性低于經(jīng)典的算法。因此，將復(fù)雜的質(zhì)量數(shù)據(jù)經(jīng)過數(shù)據(jù)處理轉(zhuǎn)化為經(jīng)典算法能夠有效處理的模型是一種使數(shù)據(jù)挖掘算法在質(zhì)量改進(jìn)上能夠煥發(fā)新的生機(jī)的思路。

3.數(shù)據(jù)挖掘算法的結(jié)合問題。當(dāng)今問題需要的信息量大、數(shù)據(jù)復(fù)雜，往往使用一種算法不能達(dá)到解決問題的目的。如質(zhì)量改進(jìn)問題，是分類問題、預(yù)測(cè)問題和決策問題結(jié)合的混合問題。質(zhì)量改進(jìn)問題是多種數(shù)據(jù)挖掘算法協(xié)同完成的，方法之間是否能夠有機(jī)結(jié)合得到有效結(jié)論是當(dāng)前數(shù)據(jù)挖掘算法需要解決的問題。

4.定量分析與定性分析的問題。數(shù)據(jù)挖掘算法經(jīng)常是解決一類數(shù)據(jù)的數(shù)據(jù)挖掘問題，如最常見的算法都是解決數(shù)值數(shù)據(jù)的數(shù)據(jù)挖掘。但是，對(duì)于質(zhì)量改進(jìn)這一實(shí)際問題是混合數(shù)據(jù)位，需要定量與定性方法結(jié)合起來共同完成，或者定量與定性問題之間多次轉(zhuǎn)化才能到達(dá)最終目的。做到定量與定性分析相結(jié)合也是當(dāng)前數(shù)據(jù)挖掘算法面臨的難題。

結(jié)語

本文闡明了大數(shù)據(jù)時(shí)代挖掘技術(shù)在質(zhì)量分析及質(zhì)量改進(jìn)領(lǐng)域的研究背景和研究意義，介紹當(dāng)前制造業(yè)質(zhì)量改進(jìn)的特點(diǎn)和難點(diǎn)，分析符合當(dāng)今制造業(yè)數(shù)據(jù)特點(diǎn)的混合分類算法，闡述混合分類算法的優(yōu)點(diǎn)，提出改進(jìn)方向。根據(jù)混合分類算的特點(diǎn)，論述對(duì)其分類結(jié)果需要提出新的決策分析算法的必要性。

參考文獻(xiàn)：

[1] 鮑爾·克勞士比管理顧問中心.質(zhì)量改進(jìn)手冊(cè)[M].北京：中國(guó)城市出版社，2003.

[2] 秦現(xiàn)生.質(zhì)量管理學(xué)[M].北京：科學(xué)出版社，2002.

[3] 韓家煒，坎伯.數(shù)據(jù)挖掘：概念與技術(shù)[M].北京：機(jī)械工業(yè)出版社，2001.