[发明专利]一种基于属性关系积的质量数据属性约简方法

说明书

本发明涉及一种基于属性关系积的质量数据属性约简方法，包括以下步骤：计算连续性变量的命准率；基于属性重要性离散化；通过基于关系积的属性约简算法，获得质量关联规则。通过工业生产过程中，工艺过程参数上下限约束值，把连续性过程因素转化为离散性过程因素，既不丢失连续性因素的特性，又简单易行，计算效率高。在以上质量因素命准率散性后数据的基础上，通过属性值重要性离散化方法，对各因素命准率自动生成控制区间，为下一步质量控制指明方向；通过属性约简，自动去掉不相关的因素，找到各质量问题的控制因素，从而为质量控制生成定量关系。

技术领域

本发明涉及一种基于属性关系积的质量数据属性约简方法。

背景技术

随着工业大数据技术的不断进步，如何充分挖掘工业大数据的价值，提升工业生产控制水平，对于工业企业具有重大的现实意义。尤其是冶金企业，生产流程长，生产过程数据具有多变量、强耦合、非线性、遗传性、高速性、多态性等特征，挖掘和利用好这些数据背后的“知识”，对于企业产品质量的提升具有重大的意义。

工业大数据与商业大数据不同，主要体现在工业大数据大部分是随着时间变化的时间序列数据，如何抽取这些时间序列的价值，本发明针对工业企业产品质量控制过程的特殊性，提出一种基于命准率的多属性关联分析方法。在工业生产过程中，影响产品质量的因素既有离散性的数据，也有连续性的数据，但大部分是连续性因素。离散性数据可直接应用于分析，但连续性因素，由于按时间采集到的数据形成一个时间序列，无法参与分析，本发明采用工艺规程要求的上下限对采集到时间序列进行处理，对序列数据高于上限或低于下限，进行统计，获得的点数与总点数相比，获得该序列的命准率，即把时间序列转化成一个0到100的离散性数据，这样把所有影响质量因素的时间序列都转化为相应的离散值。通过基于决策属性的离散化和属性约简，完成各属性范围的优化和关联规则的提取。

在数据挖掘领域，有很多方法可完成对时间序列的挖掘，但各种方法都存在优缺点，即大部分依靠通过数据的转化，完成对相关规则的提取，这些方法计算量大，定性关系不明显。本发明结合工业企业生产过程中的质量控制因素数据为时间序列，且这些时间序列都是在规定上下限之间的才为合格这一特性，把连续性时间序列转化为代表该时间序列特征值的命准率属性，再通过属性约简的办法，在不丢失现有数据信息的基础，直观的提取相关因素之间的关联规则。由于属性约简算法不仅受属性值类型的限制，具有广泛的适用性。

目前国内外常用的连续性数据处理方法主要包括：神经元网络、AR/ARMA、小波变换、遗传算法等，这些算法在提取主因素等方面具有重要作用。但由于这些算法的核心是基于中心极限定理，在处理数据的过程中，会把一些小“概率”事件丢掉，而工业生产过程中，小“概率”事件会造成比较大的损失，“存在即合理”，简单的不加分析，丢掉小“概率”事件，不能提供杜绝类似故障发生的机率，也失去了质量改进的机会。因此，研究一种新的方法，充分利用所有信息，为质量改进提供解决方案，在企业质量管理中起着重要作用。

发明内容

本发明的目的在于提供一种基于属性关系积的质量数据属性约简方法，尤其针对工业生产过程产生的连续性和离散性生产数据，充分利用生产过程工艺具有上下限的特殊性，在充分利用数据特征的情况下，通过命准率指标，转化为0～100之间的一个数值；在此基础上，利用属性离散算法，对影响质量因素进行归类；在属性归类的基础上，利用属性约简算法，找到影响质量因素的定量关系，形成产生式规则，为质量管理和生产管理指明方法，为现场过程系统提供知识库。

本发明解决其技术问题所采用的技术方案是：一种基于属性关系积的质量数据属性约简方法，步骤如下：

1)计算连续性变量的命准率：

a.根据生产过程的要求初步确定影响质量的因素，各因素作为质量特性的属性，记为：V_i(i＝1，2，…，n)表示影响质量的第i个因素；

b.若第i个因素是时间序列则记为{V_i}，其第j个值记为：V_ij(j＝1，2，…，m)；