数控机床调整决策在硬盘驱动臂制造方面的数据挖掘和实证研究.docVIP

数控机床调整决策在硬盘驱动臂制造 方面的数据挖掘和实证研究 Pongsak Holimchayachotikul1 and Wimalin Laosiritaworn2 1清迈大学艺术媒体与科技学院， 泰国清迈50200 g490631075@ 2清迈大学工学院和工业工程系， 泰国清迈50200 wimalin@ 摘要： 在过去的几年里硬盘驱动头的制造数量在泰国迅速增长，而硬盘驱动头中最重要的一个部件就是硬盘驱动臂。这种组件已经被大量生产并且成为案例研究公司的一项重要收入来源。这种硬盘驱动臂的制造过程尤其是加工过程是非常复杂的因此成为决定最终产品可用性的一项主要因素。然而，在尺寸检查的过程中，许多导致生产力、销售以及利润整体下降的缺陷被检测出来了。通常情况下，被检测的部件是从任意一台数控机床中随机挑选出来。如果出现有缺陷的产品，那么这台机器将会停止工作且该机器加工的工具将会被重置。如果正在生产有缺陷产品的机器在轮班检查中很晚才检查出来，那么它将导致大批量有缺陷的产品在任何纠正措施采取之前就已制造出来。因此，这项研究提供了一种综合多属性决策（MADM）和数据集成（DM）其次，K-均值包括良好的，正常机MADM. 引言 如今，硬盘驱动器制造业的竞争取决于成本、质量、和交易时间，其中质量是一个公司维持长期竞争的最重要的因素。在现代磁盘驱动器制造工业中大批量的原始数据已被自动或半自动的收集。隐含在原始数据中的基本模式或知识通过数据的挖掘来帮助工程师对所有过程中有可能发展成为最好的过程做决定。硬盘驱动臂的制造过程是复杂的。在这个过程中，大量数据被生成和收集。当机器调试过程中出现问题时，工程师们必须提出实用的检测方法来检测出那些易于产生有缺陷产品的机器以尽可能快地减少返工的零部件。大多数的工程师依靠自己的专业知识经验或随机方法来确定。有时它可以。故障检测设计生产质量保证调度决策支持系统II型糖尿病的胰岛素剂量预测K-均值是一种聚类的方法，用在以一组有相似值的输入域为基础的组进行记录。其基本思路是尝试发现k群集，这样的话每个群集中的记录是彼此相似的但又有别于其他群集。K均值是一种迭代的运算法则；一组初始的群集被定义，群集被反复更新直到不能再进行更一步的改进（或迭代次数超过）。K均值聚类的步骤是在用户指定了K值和模型中的群集数目之后才开始。初始中心选择用极大极小欧几里德几何学Mercer的条件被用来决定核心函数是否可以被采用。 方法论 上述被提议的步骤的原理图见图1.多属性决策和数据挖掘技术的组合被用来定义硬盘驱动臂工具调整的最适当的检测顺序。这项研究开始从于硬盘驱动臂制造过程中所获得的数据。在这之后，使用异常聚类的方法来消除噪音。然后，一种单因子变异数分析被用来核实每台机器假设性能的不同；这之后，使用K均值聚类的方法将原始数据分成三种群集。在以简单加权方法为基础的进制脉冲数控机床的发展开始之前，统计学的参数加权方法、工程师领域的知识以及每台机器的平均参数都是必须的。 从那之后日常机器的聚类仅使用最重要的参数来执行。根据每一个群组，最终聚类的结果是由以每个因素的不同值为基础的工程领域知识来解释的。每台机器的每种因数的平均值被总结，而且来自统计学和工程领域知识的日常加权参数被整理。然后这两个组成部分被用于普通数控机床优先评估模型的简单加权结构。这种模型的结果是机器的性能得分，这也使每台机器的等级能够被考虑到。目前测量顺序可以从那些结果中得出。根据正在加工的结果，当天获得的新数据将会为第二天的加工等级做更新。这个应用程序的实例在图4中表示出来了。 最终，工具调整的最佳检测顺序的结果与未定义的传统方法进行了比较。 图一.该体系结构原理图 4.结果与讨论 数据采集过程 硬盘驱动臂的生产是以30-35台机器完成120台机器的总额进行的，日以继夜的工作。数据的收集是根据客户的关注点从每班的每台机器中选择六个样本来测量总共22个尺寸值。其结果将用于工具安装决策的制定，以防止因生产出有缺陷的产品而被迫关闭超出临界参数的机器。然而，目前，机器的序列指令是随机选择的。因此，没有方法可以明确的校正出易于生产有缺陷产品的机器。首先，目前的操作没有任何证据表明所有机器的执行性各有不同。因此，基于单项方差的机器假设性检验用来证明决定性参数和机器编号是不同的。一个例子的分析结果见表格1。如果至少有一个决定性参数可以证明每台机器存在着显著差异，那么便可以得出每台机器的表现都不同的结论。从表格1我们可以得出，一些机床生产与工作分组数据在置信区间上存在95%的显著差异；如图2所示，工作分组数据不受控制20%是