基于数据挖掘的工艺知识管理框架与应用模式

◎首都航天机械公司 梁丹 敖洪峰 邓如厅 郑恩盈

在制造企业中，与工艺相关的知识贯穿于产品设计开发、研制生产、经营管理的各个过程，工艺知识是保证产品质量以及企业技术经济效益的重要条件之一。首都航天机械公司在科研生产实践过程中积累了丰富的宝贵知识资源，既有标准规范、科研报告、工艺文件、知识产权等显性知识，又有研制经验、技术诀窍等隐性知识。而研制经验等隐性知识是以言传身教、师傅带徒弟的方式进行传承，难以实现有效的工艺知识以及积累和再利用。

笔者应用数据挖掘的方法建立了工艺知识管理框架，分析了框架的设计原则，并对建立工艺知识管理体系所涉及的管理方法和技术进行了探讨。

一、工艺知识管理过程分析

知识管理是一个从知识积累、知识创造、知识应用、形成知识平台，到再积累、再创造、再应用、形成新的知识平台的不断循环的过程。工艺知识作为保持企业核心竞争力的重要组成部分,对于新产品研发、保证产品质量以及提高企业管理水平具有重要作用。因此，如何将工艺知识有效地形成记录并实现再利用，是企业不断追求的目标。对于制造企业而言，工艺知识分散在人、机、料、法、环、测各个环节，涉及产品开发、原材料、加工设备和工艺装备、加工方法与加工参数等多方面的知识，甚至包括工艺及生产人员丰富的实践经验，种类多种多样，给工艺知识的获取和管理带来很大难度。

大量工艺知识产生于产品研制阶段，主要表现形式为工艺规程、工艺技术总结、工艺总方案等工艺文件。它们主要以非结构化的文档形式存储在数据库中，通过企业现有的工艺系统进行管理和维护。航天产品在由研制转为批生产过程中，针对已形成的工艺文件进行知识采集和再利用。在工艺知识被利用时，需根据用户要求对工艺文件进行分析、对比、综合、推理，从而形成新的知识并进行有序管理和存储，利用知识地图、分析代理等技术实现知识共享。企业工艺知识管理过程如图1所示。

二、工艺知识管理框架

近年来，随着信息技术和网络技术的飞速发展，大量学者针对工艺知识的数据挖掘技术进行了相关研究：将数据挖掘与神经网络结合的方法进行工艺参数优化，利用关联规则描述工艺知识，以用数据挖掘技术提取工艺知识，基于语义结构产生式规则的工艺知识表示方法等。这些研究对推动工艺知识管理技术的研究与应用起到了积极的作用。

应用数据挖掘技术处理工艺知识是一个比较复杂的过程，不仅涉及众多的算法，而且通过数据挖掘得到的规则需整理成一定的表现形式，并建立基于工艺知识的评价机制，然后转换为可用的工艺知识存入工艺知识库。笔者针对航天制造企业工艺知识的管理现状，利用数据挖掘技术提出了工艺知识管理框架。

1.制造知识管理的特点

知识管理主要由知识的获取、产生、储存与维护、传递、应用、评估等几个核心流程组成，其关键是以人为基础的方法和技术方法与工具之间找到适当的组合及有效的平衡。制造企业的知识管理主要是对生产过程中积累的工艺知识进行有效整合，并优化各个环节之间的关联，形成完整的知识管理体系。

在航天制造企业的知识管理过程中，面对多品种、小批量的生产模式，每一次产品制造过程交付的各类管理和技术资料都需要进行整理与收集，工艺知识资源庞大且零散。因此可利用信息技术，从梳理企业核心业务入手，在企业各类管理信息系统的基础上进行系统集成和综合应用。在知识获取的过程中，对工艺知识的分类方法进行研究，设定知识点所具有的分类特征和知识属性，在此基础上按照多个维度设计知识获取模型。

在知识采集过程中，使用数据挖掘技术建立工艺知识获取模型，利用挖掘模型分析工艺设计、产品制造、产品装配等过程因素与产品质量之间的相互关系，找出工艺参数设定、操作过程等因素对产品质量的影响程度，从而有效地提高工艺水平，缩短产品的研制生产周期，提高产品质量，降低生产成本。

2.数据挖掘的过程模式

数据挖掘是许多学科的交叉应用技术，不仅是面向特定数据库的检索和查询，更重要的是对数据进行微观和宏观的统计分析，并进行综合推理，从而发现事件之间的相互关联关系，甚至利用已有数据对未来活动进行分析和预测。

数据挖掘的过程主要包括数据分析、数据准备、模型建立、数据挖掘、结果分析与知识应用几个阶段，这些阶段在具体实施过程中可能需要重复多次，在完成数据挖掘的过程中，需要业务分析、数据分析和数据管理等人员的参与。

数据挖掘首先要通过简单的数据分析明确数据挖掘对象，认清数据挖掘的目标。在数据挖掘的过程中，虽然最终结果或最终结构是不可预测的，但对数据挖掘分析的目标问题要明确。模型的建立应从数据分析开始，选择合适的变量可提高挖掘的效率和准确性。

在模型建立过程中，通过对多种可选模型进行应用分析，最终找出能解决目标问题的最优模型。在确定模型的过程中，需要根据试验结果对设定的参数不断进行调整。经过数据分析得到的结果要进行评估和判断，实际数据分析结果与建模时的结果相比往往有一些差异，还需通过可视化工具展示数据挖掘结果，并进一步分析数据挖掘结果的差异性和可用性。

图1 工艺知识管理过程

3.工艺知识管理体系框架

工艺知识包含的类型一般分为工艺实例、工艺规则、工艺资源等，知识获取就是抽取领域知识并将其形式化的过程，通过业务流程和应用系统进行工艺知识的数据交换与共享，从而获得全面、系统、有针对性的工艺知识信息。工艺数据库存储的信息主要是非结构化的文档，主要包括通用规程、工艺规范、工艺成果攻关、典型工艺方法等，在知识积累阶段对非结构化的文档进行有序管理并进行存储。

利用知识发现技术生成有用的知识是一项复杂的工作，根据用户的需求对有关信息进行分析、对比、综合、推理等形成新的知识。基于数据挖掘的工艺知识管理框架如图2所示。

工艺知识管理框架以工艺实例库、工艺规则库和工艺资源库为基础，以数据挖掘为核心，通过对企业业务流程和应用系统的数据集成，以及以非结构化的文档进行存储的知识库进行知识发现。通过对隐性知识的挖掘，所获得的经验和知识通过知识评价确认后进行固化，存储在工艺实例库和工艺规则库中，实现工艺知识的应用。通过数据集成，实现工艺知识的桌面推送，搭建基于知识和规则的工艺设计信息系统等。

三、应用实例

低温阀门工作介质为液氢和液氧，其零件结构复杂，制造精度要求高，验收试验条件较为严苛，产品质量不稳定，交付合格率较低，产品零件的形位公差和相互之间的匹配关系会引发箱压高和漏量大等问题，直接影响产品的性能。为更好地进行故障诊断，通过研究数据挖掘的应用模式找出匹配关系。

在以往产品的装配和试验过程中记录了大量产品和零件的配合尺寸、形位公差以及产品性能的历史数据，影响装配质量的因素共计20多个。将这些数据进行清理和转化，利用属性权重分析算法获得关键配合尺寸、形位精度与低温试验性能的实际影响关系，影响最大的几个因素便可以在实际装配中重点关注。

利用关联规则对数据进行分析和知识发现，找出参数之间的相互关系及彼此影响装配质量的具体过程，形成可能的装配方案。根据上述对应变化规律制定确保低温阀门的常温装配间隙、试验等要求，合理设计和调节装配工艺控制要求，使阀门一次装试合格率有所提高。

将历史数据用于贝叶斯算法构建预测模型，实现关键配合尺寸、形位精度对装配质量的预判断。以预测数据集作为模型的输入量，由此得到装配质量的预测结果。利用属性权重分析结论和关联规则分析结论提前对工艺方案进行修正，进一步提高了阀门一次装试合格率。

图2 基于数据挖掘的工艺知识管理框架