BI：數(shù)據(jù)挖掘在質(zhì)量管理中的應(yīng)用

申請(qǐng)免費(fèi)試用、咨詢電話：400-8352-114

隨著市場(chǎng)競(jìng)爭(zhēng)的日益激烈，市場(chǎng)已成為需求驅(qū)動(dòng)的市場(chǎng)，客戶滿意度的提高是企業(yè)工作的重點(diǎn)，而質(zhì)量是衡量客戶滿意度的量度，所以，先進(jìn)的質(zhì)量管理已經(jīng)成為增強(qiáng)企業(yè)核心競(jìng)爭(zhēng)力中的重要一環(huán)。

針對(duì)生產(chǎn)質(zhì)量管理問題，從休哈特的統(tǒng)計(jì)質(zhì)量控制理論開始，研究人員創(chuàng)立了數(shù)十種質(zhì)量控制圖，控制對(duì)象也從一元發(fā)展到多元，但是控制圖和后來發(fā)展起來的統(tǒng)計(jì)控制診斷在質(zhì)量管理方面的主要應(yīng)用是針對(duì)質(zhì)量的控制和診斷，屬于事后控制和診斷。

隨著數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘技術(shù)的迅猛發(fā)展，商業(yè)智能成為企業(yè)預(yù)測(cè)和決策支持的核心技術(shù)，在產(chǎn)品質(zhì)量控制、生產(chǎn)工藝流程質(zhì)量控制、故障分析和庫(kù)存管理等領(lǐng)域進(jìn)行了應(yīng)用，并且取得了良好的分析預(yù)測(cè)效果。

數(shù)據(jù)挖掘等商業(yè)智能方法是通用的，但由于數(shù)據(jù)有限，本文只針對(duì)質(zhì)量預(yù)測(cè)問題，把數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)等商業(yè)智能技術(shù)應(yīng)用于生產(chǎn)管理中，在進(jìn)行質(zhì)量控制和診斷的基礎(chǔ)上，嘗試應(yīng)用數(shù)據(jù)挖掘進(jìn)行生產(chǎn)中產(chǎn)品質(zhì)量的預(yù)測(cè)。主要解決：① 針對(duì)影響加工質(zhì)量的多個(gè)相關(guān)因素，進(jìn)行各因素的權(quán)重的判定，確定哪些因素是影響質(zhì)量的關(guān)鍵因素；② 針對(duì)生產(chǎn)過程中各屬性之間復(fù)雜的內(nèi)在聯(lián)系，對(duì)質(zhì)量影響因素之間的關(guān)聯(lián)關(guān)系進(jìn)行量化分析，找出生產(chǎn)安排的最佳組合或者隱患；③ 基于加工記錄的歷史數(shù)據(jù)建立質(zhì)量預(yù)測(cè)模型，模擬計(jì)劃排產(chǎn)后的產(chǎn)品質(zhì)量情況，從而根據(jù)質(zhì)量預(yù)測(cè)結(jié)果進(jìn)行針對(duì)質(zhì)量的計(jì)劃排產(chǎn)的優(yōu)化，為企業(yè)提供計(jì)劃排產(chǎn)方面的決策支持。

1 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘

在國(guó)際上，數(shù)據(jù)挖掘等商業(yè)智能技術(shù)主要應(yīng)用于分析型客戶關(guān)系管理系統(tǒng)和生物數(shù)據(jù)挖掘等海量數(shù)據(jù)領(lǐng)域。在國(guó)內(nèi)生產(chǎn)管理方面，數(shù)據(jù)挖掘技術(shù)的應(yīng)用取得了可喜進(jìn)展，如寶鋼結(jié)合質(zhì)量分析應(yīng)用數(shù)據(jù)挖掘技術(shù)，實(shí)現(xiàn)質(zhì)量問題的診斷，進(jìn)入了把商業(yè)智能技術(shù)應(yīng)用到生產(chǎn)實(shí)際的新階段。

數(shù)據(jù)挖掘應(yīng)用的基礎(chǔ)是建立數(shù)據(jù)倉(cāng)庫(kù)。數(shù)據(jù)倉(cāng)庫(kù)之父Inmon W H把數(shù)據(jù)倉(cāng)庫(kù)定義為：數(shù)據(jù)倉(cāng)庫(kù)是支持管理決策過程的、針對(duì)主題式的、綜合式的、與時(shí)間有關(guān)而持久的數(shù)據(jù)集合。數(shù)據(jù)倉(cāng)庫(kù)是一種管理技術(shù)，它將分布在企業(yè)中的異構(gòu)數(shù)據(jù)集成在一起，實(shí)現(xiàn)數(shù)據(jù)的采集、歸納和處理，使企業(yè)的業(yè)務(wù)工作環(huán)境和信息分析環(huán)境相分離，為數(shù)據(jù)挖掘的應(yīng)用奠定堅(jiān)實(shí)的基礎(chǔ)。圖1給出了從建立數(shù)據(jù)倉(cāng)庫(kù)到應(yīng)用數(shù)據(jù)挖掘的整個(gè)過程。

圖1 商業(yè)智能應(yīng)用的整體架構(gòu)

把異構(gòu)的數(shù)據(jù)抽取、清理、轉(zhuǎn)載和更新到數(shù)據(jù)倉(cāng)庫(kù)中，是企業(yè)級(jí)的商業(yè)智能應(yīng)用的基礎(chǔ)，針對(duì)不同的主題建立數(shù)據(jù)倉(cāng)庫(kù)后（本文是針對(duì)質(zhì)量問題），應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)行海量數(shù)據(jù)內(nèi)在聯(lián)系的發(fā)掘、建立相關(guān)主題的預(yù)測(cè)模型，指導(dǎo)聯(lián)機(jī)分析處理的實(shí)現(xiàn)，為企業(yè)提供決策支持。

2 數(shù)據(jù)挖掘應(yīng)用于質(zhì)量管理

本文以某鋁業(yè)集團(tuán)（簡(jiǎn)稱A公司）為研究對(duì)象。A公司主要是以生產(chǎn)鋁箔為主，為了進(jìn)一步提高客戶的滿意度，找出質(zhì)量的隱性影響因素，利用A公司近年積累的生產(chǎn)加工和檢驗(yàn)的記錄，共計(jì)10萬余條，建立以質(zhì)量為主題的數(shù)據(jù)倉(cāng)庫(kù)，針對(duì)質(zhì)量控制、診斷和預(yù)測(cè)的實(shí)際需求，利用數(shù)據(jù)挖掘中的屬性權(quán)重分析、關(guān)聯(lián)規(guī)則和分類分析分別進(jìn)行質(zhì)量影響因素的量化分析，影響因素的關(guān)聯(lián)發(fā)現(xiàn)，進(jìn)而建立質(zhì)量的預(yù)測(cè)模型。這些數(shù)據(jù)挖掘方法的主要用途為：

（1）屬性權(quán)重分析。通常是數(shù)據(jù)挖掘應(yīng)用的第一步，用于確定數(shù)據(jù)樣本中的各個(gè)屬性取值變化對(duì)目標(biāo)屬性取值的影響程度；

（2）關(guān)聯(lián)規(guī)則。在屬性權(quán)重分析的基礎(chǔ)上，挖掘?qū)傩灾g取值的關(guān)聯(lián)，明確它們之間的隱含關(guān)系；

（3）分類分析。用于離散值的預(yù)測(cè)，在以上兩個(gè)方法應(yīng)用的基礎(chǔ)上，根據(jù)樣本屬性的取值，來預(yù)測(cè)樣本屬于什么分類。

2.1 建立質(zhì)量影響因素的關(guān)聯(lián)模型

2.1.1 數(shù)據(jù)準(zhǔn)備和屬性權(quán)重分析

使用數(shù)據(jù)提取、轉(zhuǎn)換和裝載工具基于事務(wù)型數(shù)據(jù)庫(kù)建立質(zhì)量相關(guān)的主題數(shù)據(jù)倉(cāng)庫(kù)，使用數(shù)據(jù)有效性過濾方法過濾掉不完整的記錄，使用數(shù)字規(guī)范化方法把質(zhì)量的檢驗(yàn)結(jié)果歸納成布爾值（0不合格，1合格），在數(shù)據(jù)處理完畢后，利用屬性權(quán)重分析找出各生產(chǎn)相關(guān)的屬性影響質(zhì)量的權(quán)重（如表1所示）。

表1 屬性權(quán)重分析結(jié)果

表1中的權(quán)重是根據(jù)對(duì)應(yīng)屬性取不同值時(shí)，影響加工質(zhì)量的概率統(tǒng)計(jì)。其中權(quán)重大于零的屬性被認(rèn)為是與質(zhì)量相關(guān)的屬性，權(quán)重小于等于零的屬性認(rèn)為是對(duì)質(zhì)量沒有影響的屬性。下面針對(duì)表1結(jié)果中權(quán)重大于零的屬性，利用關(guān)聯(lián)規(guī)則進(jìn)行相關(guān)性分析，并對(duì)其數(shù)學(xué)基礎(chǔ)進(jìn)行簡(jiǎn)要介紹。

2.1.2 關(guān)聯(lián)規(guī)則基本概念

設(shè)I＝｛i1，i2，i3，…，in｝是事件全集。設(shè)集合D是事件的集合（DㄈI）。A、B是兩個(gè)事件，關(guān)聯(lián)規(guī)則是形如A→B的蘊(yùn)涵式，其中A∈I，B∈I。規(guī)則A→B在事件集D中成立，具有支持度s，其中s是D中的事件包含A∪B（A和B同時(shí)發(fā)生）的概率，記為P（A∪B）。規(guī)則A→B在事件集D中具有置信度c，c是在D中包含事件A的條件下也包含B的概率，即條件概率P（B︱A）。分別記為：

Support（A→B）＝P（A∪B）Confidence（A→B）＝P（B︱A）

2.1.3 關(guān)聯(lián)規(guī)則的應(yīng)用

關(guān)聯(lián)規(guī)則在應(yīng)用中，考慮的是事件的存在與不存在即布爾值0或1，所以它是布爾關(guān)聯(lián)規(guī)則。

根據(jù)規(guī)則中涉及的數(shù)據(jù)維可以分為單維關(guān)聯(lián)規(guī)則和多維關(guān)聯(lián)規(guī)則。對(duì)于使用關(guān)聯(lián)規(guī)則中的項(xiàng)或?qū)傩悦總€(gè)只涉及一個(gè)維的方法，是單維關(guān)聯(lián)規(guī)則。

例1：WA→quality（“不合格”）：表示工人A加工的產(chǎn)品為不合格（其中支持度和置信度省略）（符號(hào)說明：PZ：軋制工序，PRA：物料圖號(hào)A，WA：工人A，CA：檢驗(yàn)員A，MA表示設(shè)備A，其他類推；下文均符合這個(gè)約定）。

同樣，對(duì)于使用多個(gè)維度進(jìn)行關(guān)聯(lián)的分析的方法，稱為多維關(guān)聯(lián)規(guī)則。

例2：WA∧PRK→quality（“不合格”）：表示工人A在加工產(chǎn)品K時(shí)，加工質(zhì)量不合格。

在關(guān)聯(lián)分析模型中的維數(shù)可以任意的進(jìn)行指定，不過指定的維數(shù)與數(shù)據(jù)挖掘進(jìn)行的速度是成反比的，而且大于3個(gè)維度的置信度將會(huì)非常小，模型具有實(shí)際意義的可能性很小。表2是一個(gè)3個(gè)維度關(guān)聯(lián)分析的運(yùn)行結(jié)果，可以看到不同的屬性的組合能夠生產(chǎn)出合格產(chǎn)品的量化判定。以第一行為例：工人A在軋制工序加工圖號(hào)為A的鋁箔，產(chǎn)出合格鋁箔的置信度為97.71%，支持度為4.85?？梢钥闯龉と薃在軋制工序，加工A鋁箔操作水平比較好（97.71%的合格率）。

表2 關(guān)聯(lián)規(guī)則的3個(gè)維的運(yùn)行結(jié)果

針對(duì)以上的結(jié)果還可以發(fā)現(xiàn)屬性之間微妙的聯(lián)系，例如第二、三行綜合起來可得：工人B加工相同產(chǎn)品A時(shí)，在不同的檢驗(yàn)員進(jìn)行檢驗(yàn)的情況下，產(chǎn)品合格率相差5%。這說明：要么是工人加工水平低下，要么檢驗(yàn)員檢驗(yàn)結(jié)果有偏差。這為企業(yè)提供了決策支持的依據(jù)，但是這只是質(zhì)量控制和診斷的應(yīng)用，都是事后補(bǔ)救的做法。下面將著重介紹數(shù)據(jù)挖掘在質(zhì)量預(yù)測(cè)方面的應(yīng)用。