基于粗糙PAM的质量预测算法

基 于 粗 糙 PAM 的 质 量 预 测 算 法冰口 王 萌 口 孙树栋西北l丁业大学 机 电学院 西安 710072摘 要：随着信息技术的飞速发展，制造业越来越难以有效解决不断增长的数据和信息。数据挖掘技术对于有效识别大量数据中隐藏的模式和知识是非常有效的工具 对于生产线中的产品质量往往很难判定其是否符合质量标准．而介于合格与不合格之间的产品又耗费质量工程师大量的精力去判别。基于粗糙集的聚类技术可以有效识别合格、不合格及边缘产品 ．这样的聚类结果有利 于质量工程师建立有效 的质量档案来预测产品质量 ，改进产品工艺与加工技术。

关键词：质量预测 数据挖掘 粗糙集 聚类中图分类号：TH165+．4 文献标识码：A 文章编号：1000—4998f2013)10—0090—03质量 预测 与改进 对于 提高 企业 的核 心竞 争力 有 着至关 重要 的意 义 ，质 量改进 能够 有效 提 高投 资收 益率 ，减 少 不 合 格 品 带 来 的 损 失 ， 还 能 够 促 使 产 品 设 计 和 生产工 艺的改进 ．改进 产 品性能 促进新 产 品 的开发 ．最 终提 高产 品的适 应性 和产 品 的市场竞 争 力 。质量 改进 活动有 两层 含义 ：第一 层是 维持 现有 的质 量 。其核 心方 法是 “质量控 制 ”；第二 层是 改进 目前 的质 量 ，其 方 法是 主动采 取措 施 ，使 质量 在 原有 的基础 上有 突破性 提高 。

航 空 、航 天制造 行业 是高 度信 息化 的行 业 。信 息化贯 穿产 品设计 、产 品仿 真和产 品制 造 。该 行业 产 品特点是 “小批 量 、多品种 、离散 化 、成本 高 ”，根据 这样 的 生产特 点就要 提 出相应 数据 挖掘 质量 分析 算法 。航 空航 天企 业 的产 品价值较 高 ，往往 处 于合格 与不 合格 之 间 的一 些产 品最 有分 析价 值 ，对 其产 生 的原 因分析 ．可 以有效 地 节 约 成 本 ，改 进 工 艺 与 生 产 控 制 。

1 算法流程主 要 研 究 基 于 粗 糙 集 E1 的 聚 类 算 法 E2 3~-制 造 业 质量 预测 及改 进 [ ’4 的研 究 。算 法 主要分析 产 品质量 检测中 所 出 现 的 3种 情 况 ：合 格 、不 合 格 及 需 要 呈 报 技 术 部门 的产 品 。分 析 3种 情 况 下 典 型 产 品 数 据 特 点 ．帮 助 质量 技术 部 门积 累数据 ，以便 产 品 的预测 及解 决方 案 的查 询 ，为质 量技术 部 门起 到辅 助决策 的作 用 ，提高 生产车 间 技 术 部 门 的 质 量 知 识 积 累并 用 于 质 量 改 进 。

根 据 笔 者 参 与 的 制 造 执 行 系 统 (ManufacturingExecution System，MES)项 目中所采 集 的质量 数 据 ，制造 执行 系统 能 够收集 生 产线从 计划 下达 、计 划执 行 、加lT_T具 、质 量 检测 和成 品入库 的生 产全 周期 的生产 数据 ，采 集质 量相 关数 据就 是从 海量 的生 产数 据 中 。按 照某 种 特定 的要求 ，如收集 某一 工序 或者 某一 零件 与质国家自然科学基金资助项目(编号：51075337)收稿 日期：2013年 3月2013／10量相关 的所 有数 据 ．形 成 产 品质 量 生产数 据 作 为算法的 输 入 数 据 。 通 过 粗 糙 PAM (Partitioning AroundMedoids)聚 类 算法 E5,6]，得 到 3类 数据 ：合 格 品 、不 合 格品 和 呈 报 品 。 质 量 工 程 师 可 以 根 据 3类 产 品 所 得 到 的簇 ，分析 每类产 品 的数据 特点 ，找 出产 生该类 产 品 的关键 因素 。根 据每类 的特征 即关键 因素 抽取 出相关 知识 ，这 些 知 识 可 以 对 今 后 的 数 据 作 预 测 。也 能 够 指 导 今 后 的生 产 线 加 工 ，作 出 相 应 的 质 量 改 进 研 究 框 架 见 图 l。

2 算法关键技术从 图 1中可知 算法 中 的关 键技 术 是基 于粗 糙集 的PAM 聚类算 法 。PAM 算法 ，即围绕 中心 点 的分 割算 法 ，是 由 Kaufman与 Roussccuw开发 的 。为 了发 现 k个 聚类 ，PAM 算 法 为 每 个 聚 类 确 定 了 一 个 代 表 对 象 ，称 为中心 (Medoid)，即 聚类 的最 中心位置 的对 象 。与 中心点归为一 类 的点应 该是 与 中心最近 的 点 ．聚类 的质 量就是 由对象 与 它所 属 的 中心点 之 间 的平 均 聚类 所 决定 。

粗糙 PAM 算 法 主要 用 于解 决 数 据 分类 和 聚 类分 析 应用在 大数据 集 的时候 遇到 的特殊 困难 。因为 目前 的数据集 都是 属性 维数越 来越 高 ，数 据量 越来 越大 。随着数据 的复杂 和数量 的剧 增 ，使数据 之 间 的相似 性越 来越高 。对于 聚类 问题 就产生 了聚类 所 得到 的知 识不 能 准确反 映数 据集 的真实 情况 ．并且 聚 类算 法 随着 数据 量的 增 大 ，其时 间 复 杂 度不 能有效 降低 。导 致 在处 理 大 数 据集 时 力 不 从心 的 现 象 。

而 目 前 所遇 到 的 质 ▲图l 研究框架机械制造51卷 第590期量 问题是 需要 在分 辨合 格 与不 合格 的前提 下识 别 呈报品 。 因 此 ，粗 糙 聚 类 在 这 方 面 有 着 特 殊 的 作 用 (粗 糙 PAM 聚类 算 法 的算 法流 程见 图 2)。

粗 糙 PAM 聚类 算法 流 程是 ：Step 1：for 1 to i=n对 每 个 数 据 点 计 算 剩 余 的 n一1个 数 据 点 和 它的距 离 并将 这 些距 离存 储 ，并设 定 区分 上下 近 似 的 阈值 占。

Step 2：在数 据集 中任 意 选择 个 点 作 为初 始的 中 心 点 。、 ：、? 、 。

Step 3：对数 据 集 进 行 一 次 粗糙 聚类 ，根据 粗 糙 集的基 本 性质 确定 类 的上 下近 似 。

令 ： {t：d( 一D』)一d(X．-O )≤s八i }If ≠ (即属 于 除 外 至少还 属 于 Q，的上近 似 )Then X ∈GElse X ∈CStep 4：for =1 to i=n-k对 儿一 个 非 中心点 ．用每 一个 去代 替现 有 的 中心点 ，并计 算 每个 非 中心点 代 替 中心点 的代 价 TC 每 个l MES数据库 l质量数据采集l，? ，基于粗糙集的PAM聚类算法计算输入点之间的欧式距离选择 3个中心点设定上下近似阈值根据 PAM算法找到每一 类 的上下近似对所有输入点r — — — — — — 计算最小代价l fN
／ ’
：、＼ 价不鸾／／＼ ／ Yl 用 非 熙 管 块 息 lI{ 分析所得到的3簇及 I J
其上下近似 lV 提取预测规则及质量改进知识▲图 2 基于粗糙聚类的质量预测及改进算法机械制造51卷 第590期代价 的计算 要根 据下 面计 算最 后确 定 其上下 近 似 。找出最 小 的代 价 minTC~h(0 ，0 )^，用 0 替^ 换 O 。

Stpe 5：直 到 无 法 再 用 非 中心 或 者 找 到 一 个 最 优 的点去 替换 中心点结 束 。

其 中 ：d代 表 欧 式 距 离 ，c 、G 代 表 簇 c 的 上下 近似 ，p ( 1，?，凡)代 表 簇 的 中 心 ，替 换 规 则 如 下 。

(1)设 当前 属于 由 O 代表 的类 的下近 似 D， 为替 换 O 的 非 中 心 点 。替 换 后 属 于 除 D 为 代 表 对 象的上 近似 ，X ∈C^ 。即 ：d(S ，0 )^

(2)设 X 当前 属 于 由 D 代 表 的 类 的下 近 似 ，D为替 换 D 的非 中心 点 。替换 后 属 于 以 0 为代 表对象 的类 的下 近似 ，则 X ∈ 。即 ：d ( ，0 )^+s

(3)设 当前 属 于 由 D 代 表 的 类 的下 近 似 ，0为 替 换 D 的 非 中 心 点 。替 换 后 ， 属 于 一 个 以 为 中心 点 。 即 ：d( 0 )^一 >d( ，X凡2)，其 中 为 的第二 相 似 点 。则代 价 G 为 ：C =d( ，X，l2)一d( ，D )，这个值 可能是 正 的也 可能是 负 的 ，取 决 于 与 以、D 哪个更 接 近 。

(4)设 当 前 属 于 由 D 代 表 的类 的 上 近 似 ，D ^
为替 换 O 的非 中心点 。替 换后 只属 于 以 0 为代 表对象 的类 的下 近似 ，则 X ∈C^。 即 ：d(X 0 )^+s>d(XX以)，其 中 为 的第 二相 似点 。则 代价 C 为 ：C= d( ，0 )一d(X ，0。)，这个 值一 定 为负 的 。

(5)设 当前 属 于 由 D 代 表 的类 的 上 近 似 ，D为替 换 0 的非 中心 点 。替 换 后 属于 D^的上 近似 ，则 X ∈ 。即 ：d(X ，X )+占

(6)设 当 前 属 于 由 D 代 表 的类 的 上 近 似 ，D为替 换 D。的非 中心点 。替换 后 属 于一 个 以 为代表点 的簇 i。 即 ：d( ，Oh)>d( ，X )+ ，其 中 以为的第 二 相似 点 。则 代 价 C帆为 ：C =d ( ， ，l2)一d( ，O )，这个 值 的正负 取决 于数 据 点与 D 、 距离 。

(7)设 当 前 不 属 于 由 D 代 表 的类 ，D 为替 换D 的非 中心 点 。替 换后 属 于除 D 为代 表 对象 的类以外 还属 于其 它类 的上 近似 ，则 X ∈ 。即 ：d(X ，X )

(8)设 当 前 不 属 于 由 D 代 表 的类 ，D^为替 换D 的非 中心 点 。替换 后 属 于除 0 为代 表对 象 的 下近 似 ，则 E 。 即 ：d( ，X )>d( ，0 )^+ ，其 中2013／10国为 的 第 二 相 似 点 。则 代 价 C 为 ：COh=d(X ，Oh)一d( ，O )，这个 值一定 为负 的。

(9)设 当前 不属 于 由 D 代 表 的类 ， 为替 换o，的非 中心点 。替换后 还不 属于 D 所 代表 的类 。则代 价 C“ 0。

3 仿真实验采 用生 产过 程数据 对 聚类算 法作 验证 ．对 比聚类算 法 的预测 正确 率 ，验 证算 法有效 性 。实验 采用 的生 产数据见 表 1。缺 陷代码 中 O代表 合格 ．1代 表呈 报 ，其 它数 字 为 对 应 不 合 格 原 因 。 分类 结 果 x,-J比正确 率 见 表 2。

表 1 制造过程质量数 据数据 1 2 3 20 21转速 3．72 3．62 3．58 36．2 3．6l厚 度 1 5．58 5．79 5．67 5．6 5．58厚度 2 5．6 5．61 5．65 5．59 5．67厚度 3 5．57 5．57 5．6 5．58 5．61温度 l 77．8 76．6 76．7 76．8 76．8温度 2 8O．6 80．6 80．5 80．7 80．7缺陷代码 1 7 3 0 O表2 分类准确率对比PAM 粗糙 PAM合格 85％ 91％不合格 82-3％ 93％呈报 79％ 90％由表 2可知 。粗 糙 PAM 聚类算 法对 于各类 的识 别率均高 于 PAM 算 法 。能够 更有 效地 预测识 别 分类 ，有效 提 取 知 识 。

4 结论基 于 粗 糙 集 聚 类 的 质 量 改 进 及 预 测 算 法 能 够 切 实地得 到质 量加 工数 据 的真实分 布 ．按照 数据 分 布的几何特 征得 到 的簇 ，能 够从 中有 效地分 析 每一簇 的特 点 。

从 中抽 取 的知 识能 够对 生产 质量数 据作 有效 的预 测及改进 ．对 于质 量改 进 中最难 以使用 的模 糊数 据也 能够有效 地分 析其 特征 ，对 于质量 改进有 着 重要 意义 。

参考文献[1] Pawlak Z．Rough Sets [J]．International Journal ofInformation and Computer Science，1982，11(5)：341—356.

[2] Pawan Lingras．Interval Set Clustering of Web User withRough K—Means [J]．Journal of Inteligent InformationSystem，2004，23(1)：5-16.

[3]Karim M，Halgamuge S，Smith A，et a1．Manufacturing YieldImprovement by Clustering [C]． Neural InformationProcessing，Hong Kong，China，2006.

[4] Harding JA，Shahbaz M，Kusiak A．Data Mining in2013／10Manufacturing：a Review [J]．Journal of ManufacturingScience and Engineering．2006，128：969—976.

[5] Wang K．Applying Data Mining to Manufacturing：the Natureand Implications [J]．Journal of Intelligent Manufacturing，2007．18(4)：487—495.

[6] Kaufman Leonard，Rousseeuw Peter J．Finding Groups inData：an Introduction to Ouster Analysis f M]．New Y0rk：John Wiley＆ Sons．1990.

(编 辑 日 月 )夺 ’幸 ’寺 ’孛 ’夺 ’争 ’々 ’串 。 ’夺 ’々 ’争 ’夺 ’々 ‘夺 ’寺 ’夺 ’々 ’夺 。夺 ‘夺 。争 ’
.

^
精益高效 伊顿筑造i 伊顿在沪举办生产设备制造商技术 日 『~ ^ 持续贡献中国机械制造业创新发展 0V ：’ ^
全球领先的动力管理公司伊顿于 9月 25日在上海面向华东地 区重? 点客户全面展示其在机械设备制造领域领先的技术实力和创新型电气? 及液压解决方案。活动当天，有逾百名客户、行业专家和技术代表出席，-，伊顿还在活动现场与行业客户共同研讨了 自动化技术与机械制造业的近期发展趋势，以期共同有效应对全球经济 、能源与环境方面的挑战。

Y 伊顿制造业 OEM全球市场总监Burkhard Balz先生表示：“作为全 ；球领先的动力管理公司 ，伊顿始终关注客户发展变化，并结合当下对能源管理与机械设备效能要求不断提高的发展趋势，努力研发和设计出符 i合市场实际需求的产品与解决方案，包括为各种定制化设备制造商提供 ii支持，以帮助他们实现更简化、可靠、安全和节能高效的机械生产管理。”^ i 当前市场条件下有效的机械设备生产必须同时满足两点要求： 、^ 土 设计和制造更快捷，二、运行更可靠且耗能更少。而在不降低性能的前提0五 下，伊顿能够通过精益链接、精益自动化、精益电能、紧凑型液压系统等0^ 手段有效提升产品设计生产效率，缩短产品上市时间，减少机器占地面毒五 积和运营成本；同时也能够通过液压与电气专业知识的无缝结合，对为办^ 高压测试台提供动力的先进设备产品线予以简化，以进一步降低生产成并加快生产速度 ，并确保液压流体系统与电机 、电源 、控制与制动系统稳定性与安全性其中．SmartWire—DTm解决方案凭借其有效整合 、精益管理的理念作为整体解决方案受到行业客户所追捧 ，该方案用单根线缆取代了过连接电机控制部件的大量线缆：而作为首款连接电气组件的联网控制统 ．该解决方案可实现传感器的远程智能控制 ，降低了多达 70％的工成本：同时它还是一个强大的通讯系统 。可在控制器与传感器，驱动器间实现数据传输透明化 ，使用户更清晰地掌握维护 、诊断和节能运行况 。

除此之外 ，技术日上伊顿旗下的液压集团展 出的产品包括 AxisProTM一 代高性能比例阀、伊顿伺服驱动液压系统 、Hydrokraft~柱塞泵 、大量盖板插装阀、LifeSenseTM智能软管等一系列明星产品及技术。其中，新推出的AxisPro高性能比例阀．支持更大流量 、压力和更高防护等．内置传感器和轴运动控制器可 自动识别 回路状态 ，组成独特的分布轴控制结构 ，实现更快响应速度，并可对故障进行实时诊断 ，确保设可靠运转。四种等级控制设计 ，集软件和硬件 于一体 ，通过伊顿 Pro一土 FX~软件可进行个性化设置及智能化编程，量身定制地满足不同终端0^ 应用的需求。 如 ^ 电气集团展出的产品则包括了人机界面和逻辑控制(用于单个装置 办的PLC和可视化系统 以及组件更 少的直线式 自动化架构 )、安全产 品(具有 电路保护功能 、安全警示功能和紧急停止按钮 、功能安全解决方案以及防泄漏液压系统)、工业级不间断电源系统 、电机管理 系统(变速启动器、软启动器以及变频驱动器)等，而具有整合性的“伊顿集成系统”的?推出，极大地提升了行业整体价值链的管理效率，帮助客户拥有更简化、?更紧凑且成本更低的机械制造过程，进而在日益激烈的市场竞争中脱颖?而出 (肖李)-，‘．÷ ．夺 ．争 ．争 ．牵 ．。{，．夺 ．夺 ．幸 ．々 ．幸 ．。{ ．夺 ．÷ ．夸 ．tI ． }．夺 ． }．÷ ．夺 ．<}.

机械制造51卷 第590期本 的 被 去 系 程 之 情 新 流 全 级 式 备