流程制造业中数据挖掘技术的应用.docVIP

PAGE  PAGE 9 流程制造业中数据挖掘技术的应用 　　中图分类号：TP311.13文献标识码：A文章编号：1673-0992（2009）05-050-02 　　 　　摘要在对复杂流程制造业生产过程的数据特点进行充分分析的基础上，紧密结合流程制造业综合自动化的应用需求，给出了流程制造业数据挖掘的体系框架，分析了流程制造业数据挖掘中的关键问题。 　　关键词：数据挖掘；流程制造业；海量数据 　　 　　近年来，数据挖掘技术已经在商业、金融、管理、工业等众多领域广泛应用并取得了重大进展，但大都仅限于企业的商业信息，在企业的生产过程中应用的还比较少。 　　目前，在复杂流程制造业生产过程中，由于各种先进工艺和工程技术的广泛采用，产生和积累了大量的各种类型的历史数据和当前生产的实时动态数据，这些海量生产数据又包含用于生产和管理的大量的有价值的信息和知识。一方面，为了避免产品的设计知识数据重用率低，无法有效地实现产品配置设计和变形设计，延长了产品的设计周期；另一方面，为了能够为过程监测、诊断、能效分析、先进控制、优化和调度、管理等各层次提供决策支持，使得流程制造业综合自动化系统性能达到最优。这就需要一种高效可靠的分析工具，把隐藏在海量数据中的有用的深层次的知识和信息挖掘出来，提取这些数据的整体特征、关联及对其发展趋势的预测等，以帮助决策者提出问题、发现问题、分析问题和解决问题。基于流程制造业的生产特点和数据性质以及所面临的问题，数据挖掘技术是解决流程制造业产生的海量信息数据处理的关键技术之一，并且数据挖掘技术也是目前国内外研究的一个热点。 　　本文从流程制造业的生产数据的特点及分析需求出发，建立了一般流程制造业数据挖掘的体系结构，并分析了流程制造业数据挖掘中的关键问题，总结了数据挖掘方法在流程制造业领域的数据应用技术方向。 　　 　　一、数据挖掘概念 　　 　　数据挖掘是近年来随着人工智能和数据库技术的发展而出现的一门新兴技术。它的发展速度很快，加之它是多学科综合的产物，目前还没有一个标准的定义，简单地说，数据挖掘就是从大量的已知数据中找出隐藏的、可信的、未知的、有用的信息，探索数据中隐藏的规律用来预测未来，其中数据可以放在数据库、数据仓库或其他信息库中。数据挖掘工具能够从企业数以百万笔的历史数据中提取有用的信息，为企业的生产与经营提供决策依据。 　　数据挖掘过程由以下步骤组成： 　　1.挖掘主题――明确挖掘的要求、内容及目标； 　　2.数据预处理――包括数据清理、数据归约、数据集成与变换、离散化与概念提升等； 　　3.挖掘算法选择――包括类的选择、算法选择及算法软件选择； 　　4.构造数据挖掘（软件、硬件）平台； 　　5.结果展示及评价。 　　以上步骤是一个反复迭代的过程，最终目的是在数据中获得有用的知识。在实践中，数据挖掘的两个基本目标往往是预测和描述。预测涉及到使用数据集中的一些变量或域来预测其他我们所关心变量的求知或未来的值；另一方面，描述关注的则是找出描述可由人类解释的数据模式。因此，数据挖掘活动可分成预测性数据挖掘和描述性数据挖掘。数据挖掘方法大致可分为关联（Apriori算法）、分类（决策树算法、粗糙集、人工神经网络等）、聚类（层次、遗传算法、划分法等）三种。 简而言之，数据挖掘其实是一类深层次的数据分析方法。数据挖掘可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 　　 　　二、流程制造业数据特点 　　 　　 制造业(Manufacturing Industry)是指经物理变化或化学变化后成为了新的产品,不论是动力机械制造,还是手工制作；也不论产品是批发销售,还是零售,均视为制造。制造业按其产品制造工艺过程特点总体上可概括为离散型制造业和流程制造业两种。典型的离散型制造行业包括电脑、汽车及工业用品制造等行业；典型的流程制造行业包括化工，食品饮料，制药，化妆品等以配方为基础的行业。 　　流程制造业是工程学科的一个重要研究领域，系统非常复杂，成品一旦生产出来，就不能再提取它，回到它的原始成分。流程制造业整个流程生产过程是一个动态的过程，产出量、物料特性、甚至物料加工路线受到原材料成分波动、操作、加工温度压力、设备等等波动的影响，并且不可预知。流程制造业制造过程是连续、在线的，所以说更加强调生产过程的跟踪和调整，主要靠实时的跟踪、控制纠偏。基于流程制造业的生产特点，流程制造业数据尤其是实际生产过程中的数据非常复杂，现在的流程制造业生产过程都采用了计算机控制系统定时采集系统的变量和设备状态，以供显示、控制之用，日积月累产生大量的冗余数据；同时又由于离散决策变量和连续决策变量同时