[发明专利]一种制造业产品质量数据关联分析方法

说明书

本发明涉及工业大数据技术应用领域，具体涉及一种制造业产品质量数据关联分析方法。所述方法包括：1特征抽取：利用已有的制造业产品多源异构质量数据集，基于行业背景知识以及分析经验从原始的数据属性集中抽取构造出符合分析要求的特征集合，提升模型表达准确度、合理性；2连续型属性离散化：在执行关联分析前，基于K‑means聚类算法确定连续型数值属性的取值划分边界，以此对产品质量数据集中的连续型属性进行离散化处理，形成符合关联分析算法要求的数据集；3质量数据关联分析：通过覆盖产品生产全过程各个环节的质量特征指标构建数据分析模型并执行关联分析算法得到与特征指标相关的规则，依此追溯制造业产品质量异常的原因。

技术领域

本发明涉及工业大数据技术应用领域，具体涉及一种制造业产品质量数据关联分析方法。

背景技术

随着信息化融入工业化进程，目前大部分工业行业已经完成了自动化、信息化建设，工业企业已经进入了“大数据”时代。另外，随着工业市场竞争的越来越激烈，企业要想得到客户的认可，不仅要在价格上做文章，高质量的产品也是不可或缺的。产品质量的有效管理是企业核心竞争力的重要环节，工业过程中的产品质量好坏与生产过程中的每一个环节都可能存在相关关系，工业数据高关联性的内在特征也使得质量数据追溯与分析变得可行，故而对于工业大数据的重视和研究是相当必要的。在大数据时代，怎么去管理并利用企业的生产质量数据提升产品质量是企业所面临的新问题。这些海量的数据中蕴含着一定的内在规律性，如何挖掘这些内在的规律性，帮助制造企业进行质量追溯，发现产品制造过程中的关联环节以及潜在问题，不仅能够精确的定位问题的源头，还能帮助改善工艺制作流程，降低产品的不合格率，最终实现企业效益的提升。

发明内容

本发明的目的在于解决上述现有技术存在的不足之处，提供一种能充分利用制造企业各个生产环节整合形成的多源异构质量数据集，抽取并选择合适的数据特征完善分析模型，采用聚类算法将数据集中的连续型数值属性进行聚类，进而得到离散化的可用于关联分析的质量数据集，选用机器学习中的关联分析算法，对产品生产过程中所产生的数据进行关联分析，为制造企业提供精准的质量异常数据追溯分析方法，本发明提供的方法能够基于制造业产品质量大数据实现较精确的质量异常分析。

一种制造业产品质量数据关联分析方法，其特殊之处在于包括以下步骤：

步骤1，特征抽取：

利用已有的制造企业多源异构质量数据集，基于行业背景知识以及分析经验从原始的数据属性集中抽取构造出符合分析要求的特征集合，提升模型表达准确度、合理性；

一般情况下，现有的数据集属性并不能够直接用做数据分析中的可用属性，比如轮胎成型、硫化等过程中的温度、压力等属性在质量数据集中只是简单的时序数据，距离真正能够在模型中使用的特征还有一定的差距，不过这些属性中往往包含着很多潜在的数据特征，特征抽取主要是依据行业背景知识、分析经验与数据特点，从原始数据集中提取出符合分析要求的特征集合，完善数据模型，提高分析数据集的质量，便于发现频繁的、有价值的结果；

对于产品质量数据集中的在一个属性字段中存放了一连串的时序数据的时序型数据，如轮胎产品生产过程中的模具内温、内压、板温、板压，轮胎成型、硫化等过程中的温度、压力等，进行数据分解与计算，进一步细化提取其分析性更强的数据指标作为辅助性特征，这些统计特征包括但不限于指标的最大值、最小值、平均值、方差、标准差、极差，通过这些额外抽取的特征，使得数据模型更加完善，从而便于后续分析结果准确度提升；

步骤2，连续型属性离散化：

在执行关联分析前，基于K-means聚类算法确定连续型数值属性的取值划分边界，以此对产品质量数据集中的连续型属性进行离散化处理，形成符合关联分析算法要求的数据集；