基于商务智能的航天型号研制过程质量问题分析技术

◎北京航空航天大学 高云琦 王美清

北京控制与电子技术研究所 林秋

基于商务智能的航天型号研制过程质量问题分析技术

◎北京航空航天大学 高云琦 王美清

北京控制与电子技术研究所 林秋

航天型号产品由于其产品组成复杂、产品技术复杂、制造流程复杂、试验维护复杂、工作环境复杂,因此在研制过程中会产生大量的质量问题。从问题中学习是航天企业不断完善其产品质量保证体系的有效途径与方法,质量问题归零管理即是以一种通过自底向上的质量问题分析与闭环控制方法。企业通过开展质量问题归零管理积累了大量的质量问题现象描述、原因分析以及解决措施信息,这些质量问题信息形成了企业的质量智力资产,为企业解决质量问题提供了可以借鉴的经验和参考。

学者们针对质量问题分析的技术与方法展开了大量的研究,采用工作流技术对质量问题归零流程进行建模,并对如何提高归零管理效率展开研究。随着企业质量管理信息化的推进,不少企业建立了自己的质量管理信息系统,并积累了大量的质量信息。而针对企业对大量质量信息的分析处理需求,采用商务智能技术对质量问题进行统计与分析,对基于数据仓库的质量信息系统构建技术展开研究,并基于Oracle数据仓库引擎提供的数据仓库构建功能进行了系统开发。但上述研究主要集中于对具体业务简单分散的统计和型号产品质量数据包的归集,对于多家参研单位异地协同、跨管理层级、跨研制阶段的质量问题数据资源整合、综合分析与利用方面的研究依然薄弱。

一、质量问题数据整合需求分析

航天型号研制是典型的“小核心、大协作”模式,各参研厂所负责型号各组成部分的研制与生产,院级部门负责整个型号研制与生产的管理和协调工作。各厂所都构建了自己的质量管理信息系统,对所承担的研制任务在执行过程中产生的质量问题信息进行管理,但型号产品作为一个有机的整体,院级管理部门需要从系统的角度对各参研单位和各组成部分在各个研制阶段与时间截面产生的质量问题进行综合分析,并从众多的质量问题中找到共性问题和关联关系。院级质量管理部门对型号研制过程质量问题的管理需求主要包括：

系统性。各参研企业作为型号研制体系组织结构的组成部分,负责型号产品结构中部分产品的研发,各个质量信息源在物理上相互独立,但逻辑上构成统一整体,院级质量部门需要跨管理层级、跨组织层级整合质量问题数据。

多维性。质量问题信息涉及组织结构、产品结构、发生原因、研制阶段和产生时间等多个维度,各维度包括不同的层次,院级质量部门需要从多维度整合质量数据,从不同维度、不同粒度考察质量数据。

关联性。质量数据不同维度之间相互关联,需要对质量数据进行不同维度、不同层次的关联分析挖掘,找出影响质量问题各因素间潜在的关联关系,为型号研制质量改进提供决策依据。

可视化。直观的可视化表达是实现对复杂数据集深入洞察的有效手段,为了实现对质量问题的有效分析,需要对质量问题多维数据集的分析结果进行可视化表达与展示,以提高数据的可利用性。

二、型号研制过程质量问题数据管理

1．型号研制质量问题数据管理模型

质量问题信息数据整合涉及研究院和参研企业两级,涵盖组织、产品、型号等多个维度,需要跨层级整合质量数据,从不同维度、不同粒度考察质量数据,商务智能为大量业务型数据多维度整合和分析挖掘提供了技术支持。笔者运用数据仓库技术对航天型号研制体系中的海量质量问题数据进行了面向主题的多维度整合,构建起跨组织结构、跨产品结构、跨研制阶段的数据仓库。基于商务智能的型号研制过程质量问题数据管理模型如图1所示。

可知1mol与足量H+作用时,最多消耗4molH+。构建好了定量关系,在分析具体问题或者书写方程式时,都会快人一步。

图1 基于商务智能的型号研制过程质量问题数据管理模型

该模型包括数据源、数据抽取与加载、数据仓库构建和多维数据分析与挖掘4个层次。其中,数据源为来自各参研厂所质量管理信息系统的关系数据库,包括与质量问题信息相关的产品型号信息、产品结构信息、组织信息等,为数据的抽取提供基础数据;数据抽取与加载层则依据所构建的质量问题主题事实信息与维度信息模型,从各厂所的关系数据库中抽取质量问题数据,并基于数据加载策略构建质量问题数据仓库;多维数据分析与挖掘层则是基于数据仓库提供的多维数据集开展面向质量问题的多维检索、分析与挖掘,包括对数据的切片、切块、上卷、下钻、关联分析等。

2．面向质量问题的多维数据集建模

在基于商务智能的质量问题数据组织管理中,以质量问题为主题的多维数据集模型构建是关键。笔者采用星型模型构建了质量问题多维数据逻辑模型,以质量问题计数和质量问题所造成的内部损失作为主题事实,从组织、时间、产品、原因、型号、研制阶段和处理方法等不同维度考察质量问题信息。

以质量问题为主题的多维数据集信息组成见表1。

表1 多维数据集信息组成

3．数据仓库构建

质量问题数据源。质量问题分析数据仓库的数据源来自各参研厂所质量管理信息系统的数据库。由于质量问题多维分析的需要,在提取面向质量问题主题的数据集时,需要从来自不同参研厂所的质量管理信息系统数据库中抽取产品结构、组织结构、质量问题、问题原因等逻辑上相互独立的数据信息,并通过转换、清洗和加载来实现数据仓库的构建。

质量问题数据提取策略。在面向质量问题分析的数据仓库构建过程中,从多源异构数据库中抽取质量问题事实信息和维度信息是关键。其中产品信息、组织人员信息等一般以递归的层次结构形式表达存储,质量问题事实信息则存储在质量问题业务表中。

质量管理系统中的组织信息储存在人员、部门、企业等几张关系表中,并且以结构树的形式展现,操作者、班组、车间、生产厂和院所对应组织结构树中不同层次的节点,可由唯一的层次编码识别(见图2)。

历表人员表,以操作者层次编码为索引,取得与操作者有关的院所层次、厂层次、车间层次、班组层次、操作者层次的信息并逐条插入组织维度表中。若组织维度信息所抽取字段值为空或不完整则由默认值填充。产品维度和原因维度信息的加载更新与组织维度类似。

图2 组织结构更新

三、型号研制过程质量问题分析系统开发

1．系统架构设计

基于商务智能的质量问题分析系统架构如图3所示。

质量数据资源以数据表形式存储在关系型数据库中,通过多维数据集模式Schema文件将事实表和维度表映射成为OLAP服务器可识别的质量问题多维数据集,OLAP服务器通过多维表达式MDX来操作数据仓库中多维数据集,将符合条件的数据立方返回到Web服务器端,在浏览器中以图表的形式展现给用户,系统支持将多维查询结果导出为ARFF格式文件。

2．系统功能设计

基于商务智能的质量问题分析系统功能结构如图4所示。系统实现对面向主题的多维数据集进行切片、切块、上卷、下钻和旋转等多维交互式查询操作,同时可根据多维数据集度量指标做数据钻取,查询结果以报表和图表的形式展现给用户。

其中,多维数据集模式文件中定义了组成多维数据集的事实度量指标和各维度及维度中层次。

3．关联分析数据文件

ARFF文件由头信息和数据信息2个部分构成。其中,头信息包括对关系和属性的声明,数据信息是一个二维表,行为实例列为属性。

多维数据集中的数据由指标信息和维度信息组成。一个维度对应ARFF文件中一个属性,维度信息的取值集合就是属性的取值集合。一条数据中的维度信息对应ARFF文件中一条记录。

图3 系统架构

图4 系统功能结构

四、系统应用

基于数据仓库的质量问题分析系统已在某航天型号研制体系中进行了初步应用。该系统实现了从下级参研厂所运行的质量管理信息系统中抽取质量问题数据,并经过对数据的转换、清洗和加载建立了运行于院级的面向质量问题主题的数据仓库。院级的质量管理人员借助该系统可以实现对质量问题信息的多维度分析、查询以及质量问题间关联关系的挖掘,为型号研制过程质量问题分析与型号研制质量改进提供了决策依据和工具支持。

笔者将商务智能技术运用于型号研制过程质量问题数据的整合与综合分析中,构建了基于商务智能的支持院所两级的型号研制过程质量问题数据管理模型,提出了面向质量问题主题的数据仓库构建的方法,开发了基于商务智能的质量问题分析系统,实现了质量问题多维度查询、统计分析、质量问题间关联关系的挖掘等,有效提升了企业的质量数据资源整合管理与综合分析利用能力,为航天型号研制过程中的质量问题改进提供了可靠的数据支持。

论文支持项目：基金项目——国防技术基础研究资助项目（JSZL2014204A002）