基于数据挖掘技术的铸造产品质量预测研究3982.docVIP

基于数据挖掘技术的铸造产品质量预测研究3982 第27卷第4期武汉理工大学学报·信息与管理工程版Vol. 27 No. 4 2005年8月]OURNALOF WUT (lNFORMATION amp;. MANAGEMENT ENGINEERING) Aug. 2005 文章编号:1007-144X(2005)04一0109-04基于数据挖掘技术的铸造产品质量预测研究郭四海，袁勇(武汉理工大学自动化学院，湖北武汉430070) 摘要:针对铸造厂的实际生产情况，应用数据挖掘中的决策树方法，通过对大量历史数据的分析，形成了一定的质量预测规则，并以此为基础，利用神经网络的方法，建立了生产过程质量预测模型，实现铸造产品生产质量预测系统。关键词:神经网络，数据挖掘，实时质量预测，决策树中国法分类号:TP391文献标识码:A据准确而全面。铸造球质量控制要求在生产过程1号|言中就可以预测此时生产的成品球的质量情况，并实时质量预测是铸造车间运行期间比较棘手且能够对生产工艺参数进行及时调整，从而改善的问题之一。目前铸造件质量指标的检测大多是成品球的质量。根据以上要求，从铸造球的生产过在产品生产出来后才进行，这样滞后的质量数据程参数数据库中选择与产品生产过程密切相关的对生产过程的实时质量控制帮助不大，而且当发参数，如炉体温度、烟罩温度、燃烧室温度和火道现产品质量不合格时，损失已无法挽回，这样就极温度这些用作预测产品质量的初始参数集。最后大地影响了企业的生产质量和效益。笔者依据质从数据库中选取2004年1月生产过程中的炉体温量控制原理，以某铸造厂铸造球的生产过程为例度、烟罩温度、燃烧室温度和火道温度数据作为数提出了一种基于数据挖掘和神经网络建模的质量据挖掘库。预测方法。因为数据库中的数据类型较多，量值也不统数据挖掘是随数据库技术的研究与应用的相一，且存在部分冗余、残缺和输入错误值，所以首互促进和发展而出现的一种新兴技术，已经成功先根据要求，将相关表数据从数据库导出到同一地应用于决策支持、提前预测等系统中。数据挖掘关系表中，然后进行数据分析、筛选转换以保证数据的一致性[ωlJ方法很多，针对铸造球的实际生产情况，笔者采用分类分析方法中的决策树技术，通过对大量历史根据以上要求，笔者首先从数据挖掘库中选数据的分析，形成了一定的质量预测规则，并以此择相应的生产状态参数和成品球的抗压强度组成为基础，利用神经网络的方法，建立了生产过程一个二维表，这些参数是:炉体温度，火道温度，燃质量预测模型，实现了铸造球的生产质量实时预烧室温度，烟罩温度，抗压强度。然后对数据进行测。完整性和一致性检查，屏蔽噪声数据，填补遗漏的数据。接着进行数据转换，对修正后数据中不太适2 数据挖掘技术在实时预测中的应用合挖掘的数据经过离散化等技术变换为适合挖掘2. 1 分析和准备数据的数据。最后确定选择其中的2160组数据，并按某铸造厂铸造球的生产现场是每6min采集照相应质量检测时间段划分计算平均值，产生108一次相关数据存人数据库中，该数据库中包含了组主要参数数据与对应的108个成品球质量指标较长生产周期的铸造球的生产过程状态参数，数(平均抗压强度)共同构成数据挖掘集，见表1。再收稿日期:2005-04-03 作者简介:郭四海0976一).男，河南南阳人，武汉理工大学自动化学院讲师 110 武汉理工大学学报·信息与管理工程版2005年8月表1数据挖掘集2 烟罩温度j#039;C炉体温度/;C燃烧室温度/#039;C火道温度/;C抗压强度/N cm-80. 355 966. 635 1 084, 570 898.425 2407.000 78. 065 965.240 1 138.870 895. 280 2311.000 85. 595 982.410 1 110.345 894. 025 2 381. 000 93. 510 972.045 1 028.980 894. 580 2 507.000 93. 650 986.415 1 116.860 893. 145 2 091. 000 86. 000 997.485 1 156.050 891. 920 2 124.000 选择400组合格成品球的主要参数数据做相同挖图1中用决策树形式表示挖掘结果，决策树掘集的处理作为数据验证集。挖掘集和验证集的节点中颜色的深浅代表了每个节点所得到的记录数据特点是选择的质量指标具有代表性，可以反的多少，决策树的每个叶节点所拥有的记录对应映实际生产过程。的质量数据如表2所示。2.2 规则推导与验证表2中的抗压强度是SQLAnalysis的决策树采用了SQLServer的AnalysisManger中的算法对挖掘集中的抗压强度进行离散化得到的结决策树方法进行数据挖掘。以炉体温度，火道温果，记录数则表示抗