数控机床调整决策在盘驱动臂制造方面的数据挖掘.doc

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 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）和数据集成开发（DM）的应用来定义工具调试的指令，可以使具有更高风险来生产有缺陷零部件的机器比其他低风险的机器更快的被检查出来并且予以纠正。该方法如下。首先，要收集每台机器的原始测量数据并且使用异常聚类分析方法实施噪声的消除。其次，在一台机器通过性能假设测试确定每台机器的性能不相同之后，分类归并后的K-均值被选择用来把原始数据区分成三组，包括良好的，正常的和损坏的机器。最后，一种日常的以简单加权方法为基础发展起来的数控机床优先评估模型，使机床工具作业调试得到了性能得分的最优化。实验结果表明这项提议让机器的调试机制成为可能从而使有缺陷倾向的机器能得到优先维修，减少有缺陷零部件的生产并使整体的生产率得到提高。关键词：硬盘驱动臂，数据采集，聚类，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。大多数的工程师们依靠自己的专业知识、经验或其他随机方法来确定检测的顺序。有时候它可以在生产出有缺陷的零件之前就将这些异常机器检测出来。然而，这些判断是无效的并且常常受限于他们的专业知识。因此，在信息日益更新的基础上有效的将数据的挖掘和决策整合，来提取有助于加工过程改进和增大生产量的知识成为了一个重要的课题。此外，在基于机器调节性能的异常先进性检测调查研究中，这些提取的信息和知识能够作为工程师们的参考和依据。这项研究旨在发展一种介于数据挖掘和用于机器性能得分决策模型之间的综合框架以便得出最佳的机器加工调整指令。特别地，在硬盘驱动臂的制造过程中k-均值和表面声波被用来分析和聚集数控机床条件。通过使用真实的数据，一项经验研究被实施用来验证所提出的方法。研究结果表明了这种方法的实际可行性，它能够有效的提供一种日常的恰当的测量顺序用于减少由于机器加工条件改变所产生的缺陷。该篇论文组织结构如下。第一部分描绘的是这项研究的研究背景、本质和研究目的。第二部分阐明了这项研究和评论所涉及的相关文献的基本原理。第三部分提出了一个在硬盘驱动器制造中具有详细程序的实证研究的研究框架，通过使用数据挖掘、决策模型和从机器数据库中检索到的知识。被提议框架的结果和讨论在第四部分中会涉及和分析。最后，第五部分提出了结论和进一步的研究方向。背景数据挖掘技术已被广泛使用并在20世纪90年代（汉等 2001年，伊拉尼等1993年，李 1993年）的生产领域中受到了关注。目前，数据挖掘技术不仅使用于商业上而且在制造工程的许多不同领域用于加工建模预测维护、故障检测、设计、生产、质量保证、调度和决策支持系统的知识检索。数据挖掘技术一般可分为四大类，也就是关联规则，聚类，分类和预测（法耶兹 1996年，富 1997年，Piatetsky-夏皮罗 1999年）。这项决策已经被广泛的应用于生产管理以便在实际生产中选择敏捷和适当的解决方案。现今，统计资料和数据挖掘方法之间的整合尝试解决了长期以来的产品质量问题。这项研究已经被广泛的应用在模型和优化过程的各个领域。例如,航天工业的超塑性成形过程(Sukthomya等 2005年)，硬盘驱动臂的超声波清洗过程(Holimchayachotikul等 2008年),和第II型糖尿病的胰岛素剂量预测(Holimchaya chotikul等 2007年)。然而，在制造业中数据挖掘技术的研究仍存在许多空白和没有考虑到的地方有待去提高(哈丁等 2006年)。2.1 聚类聚类是一种不需管理就可将模型分类成感兴趣群集的数据挖掘技术。已被提