数据挖掘技术和其在生产过程质量控制中应用.docVIP

数据挖掘技术和其在生产过程质量控制中应用 　　摘要： 生产过程中质量控制对提高产品质量具有重要的意义。本文对数据挖掘技术的概念及方法进行了简单的介绍，以挤塑产品生产过程中温度的多元回归预测挖掘为例介绍了数据挖掘技术在生产过程质量控制的应用，表明这种方法在实际应用中的正确性和有效性。 Abstract： Quality control of the production process to improve the quality of products is of great significance. This paper focuses on the concepts and methods of data mining technology brief introduction to multivariate regression to predict the temperature extrusion production process mining as an example of data mining techniques introduced in the production process quality control applications， shows that in the practical application of this method the validity and effectiveness. 关键词： 数据挖掘；质量控制；温度预测 Key words： data mining；quality control；temperature forecast 中图分类号：TP301 文献标识码：A 文章编号：1006-4311（2014）16-0216-03 0 引言 随着信息技术、网络技术及计算机技术的发展，在生产过程自动化系统各种数据库中收集和存储了大量数据，而今年来得到国内外极大重视和研究的数据挖掘技术主要运用数据库、统计学的基础，结合人工智能、计算智能、模式识别等先进技术从大量数据中挖掘和发现有价值和隐含的知识[3]。对于复杂的工业生产过程，在实现了基础自动化以后，为了增产降耗，提高产品质量，需要研究生产过程的先进控制。本文主要介绍数据挖掘技术的原理和方法以及在生产过程中如何运用数据挖掘技术进行质量控制的应用。 1 数据挖掘基本概念 数据挖掘是从大量的数据中挖掘知识。Fayyad给出的定义是：数据库中的知识发现是从数据中识别出有效的、新颖的、潜在有用的、以及最终可理解的模式的高级过程[6]。数据挖掘的任务是利用各种技术在“数据矿山”中找到蕴藏的“知识金矿”，揭示数据中隐含的知识模式，帮助人们进行决策。 根据挖掘的任务不同，数据挖掘可以分为分类或预测模型发现、回归、数据聚类、关联规则发现、序列模式发现、依赖关系（模型）发现、异常和趋势发现等。根据挖掘对象不同，数据挖掘可分为关系数据库挖掘、面向对象数据库挖掘、空间数据库挖掘、时态数据库挖掘、文本数据库挖掘等。根据数据挖掘的方法不同，数据挖掘又可分为机器学习、统计方法、神经网络方法和数据库方法等。 2 数据挖掘 数据挖掘的过程是一个从已知数据集合中发现各种模型、规则、关联的过程，并且这个过程是一个反复迭代的复杂过程[5]。在数据挖掘的过程中，必须对每个步骤及其任务进行精心的策划和深思熟虑的安排，才能保证挖掘出的知识符合需求。典型的数据挖掘过程包括以下几个步骤： ①数据的选择：最初为数据挖掘准备的所有原始数据集通常较大，而且一般都是杂乱无章的，因此必须从原始数据中选择适当的样本。数据选择的目的就是从数据集中根据用户的需要提取有意义的数据，确定数据挖掘的操作 对象。 ②数据的预处理：其目的是剔除数据中的失真值或者误记录，这是数据挖掘中最为关键的步骤之一，其处理结果将对数据挖掘的结果产生重大影响[4]。数据预处理的主要任务是把数据组织成一种标准的形式，使其能被数据挖掘工具和其他计算机工具进行处理、准备数据集，使之能得到最佳的数据挖掘效果。 ③数据的转换：主要是为了消减数据的维数或降维，降低数据处理的难度和复杂度，及找出数据当中有意义的特征，以减少数据挖掘时要考虑的特征或变量的个数。 ④数据挖掘：首先根据对问题的定义明确挖掘的任务或目的，如分类、聚类、关联规则发现、预测模型建立等，然后根据任务决定采用何种算法。选择算法时应考虑两个因素：一是不同的数据有不同的特点，因此需要采用与之相关的算法来实现；二是用户或实际运行系统的要求。 ⑤模型评估：数据挖掘阶段发现出的模式，经过评估，可能存在冗余或无关的模式，此时需要将其剔除；也可能模式不能满足实际