數(shù)據(jù)挖掘在輪胎均勻性試驗數(shù)據(jù)上的應(yīng)用

張健斌， 朱蘭娟（上海交通大學自動化系， 上海 200240）

數(shù)據(jù)挖掘在輪胎均勻性試驗數(shù)據(jù)上的應(yīng)用

張健斌， 朱蘭娟
（上海交通大學自動化系， 上海 200240）

摘 要：制造執(zhí)行系統(tǒng)（MES）可以提升輪胎制造企業(yè)的運營水平，同時也集成了海量的制造環(huán)節(jié)數(shù)據(jù)，能夠應(yīng)用數(shù)據(jù)挖掘技術(shù)進行充分利用和挖掘，使信息更有價值?；贛ES數(shù)據(jù)倉庫中提取的輪胎質(zhì)檢工段的均勻性檢測數(shù)據(jù)，采用特征選擇的方法分析影響各規(guī)格輪胎均勻性的質(zhì)量因素及權(quán)重，比較了基于信息論、統(tǒng)計、相似度的幾種算法的應(yīng)用效果。對于均勻性數(shù)據(jù)的冗余屬性問題，利用LFS+CFS進行分析，發(fā)現(xiàn)降維后的屬性在預(yù)測均勻性等級、歸檔壓縮和質(zhì)量管理方面展現(xiàn)出了價值。

關(guān)鍵詞：輪胎均勻性；制造執(zhí)行系統(tǒng)（MES）；特征選擇；數(shù)據(jù)挖掘；Python程序設(shè)計

0　前 言

數(shù)據(jù)挖掘技術(shù)在商業(yè)、銀行、零售、基因工程等領(lǐng)域已經(jīng)應(yīng)用得十分廣泛［1］。在工業(yè)領(lǐng)域，隨著智能傳感器以及集成以太網(wǎng)的控制器、驅(qū)動器、HMI、DCS、儀表的廣泛應(yīng)用，工業(yè)以太網(wǎng)技術(shù)將原本在車間里各自獨立的各種機器、生產(chǎn)線、廠房設(shè)施、工藝流程、人員、產(chǎn)品等對象產(chǎn)生的信息，由底層的IoT兼容的控制器采集上來，MES/MOM等制造層信息系統(tǒng)對數(shù)據(jù)進行實時的采集和應(yīng)用［2］。羅克韋爾公司的互聯(lián)企業(yè)策略則提出，制造企業(yè)通過物聯(lián)網(wǎng)技術(shù)實現(xiàn)互聯(lián)互通，通過大數(shù)據(jù)技術(shù)和機器學習，轉(zhuǎn)化和利用數(shù)據(jù)，可以改善制造企業(yè)的運營［3］。事實上，數(shù)據(jù)挖掘技術(shù)在工業(yè)領(lǐng)域，比如生產(chǎn)過程優(yōu)化、質(zhì)量管理、故障診斷、汽車制造、油田規(guī)劃、礦藏產(chǎn)量等各個行業(yè)和生產(chǎn)環(huán)節(jié)都有所應(yīng)用［4-7］。

中國的輪胎制造近些年得到飛速發(fā)展，產(chǎn)能達到全世界的30%，是世界輪胎生產(chǎn)大國，但品牌效應(yīng)差、質(zhì)量低下、同質(zhì)化嚴重等問題較為突出。輪胎生產(chǎn)制造過程伴有大量數(shù)據(jù)，例如密煉、擠出、硫化的過程數(shù)據(jù)，以及設(shè)備狀態(tài)、操作信息、質(zhì)量信息等工藝數(shù)據(jù)，它們都反映了每個生產(chǎn)環(huán)節(jié)的狀態(tài)。實時生產(chǎn)數(shù)據(jù)不僅能為生產(chǎn)管理的正確決策提供科學依據(jù)，若能進一步利用數(shù)據(jù)挖掘技術(shù)對這些數(shù)據(jù)進行分析，如能耗預(yù)測、質(zhì)量問題分析、設(shè)備預(yù)維護、產(chǎn)品研發(fā)等等，就為輪胎制造廠家?guī)砀蟮幕貓螅?］。

數(shù)據(jù)挖掘技術(shù)充分利用海量的數(shù)據(jù)，在大型數(shù)據(jù)庫中探索和發(fā)現(xiàn)有用的信息，發(fā)現(xiàn)先前未知的模式或者預(yù)測未來的觀測結(jié)果，并提供決策支持。常見的數(shù)據(jù)挖掘方法包括分類預(yù)測、回歸預(yù)測、關(guān)聯(lián)分析、聚類分析等［9］。數(shù)據(jù)挖掘技術(shù)包括很多方面，從流程上說大致有數(shù)據(jù)輸入、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、后處理、信息描述幾個階段，其中數(shù)據(jù)預(yù)處理在探索一個新的問題時會對整個分析過程起至關(guān)重要的作用。預(yù)處理是將原始數(shù)據(jù)轉(zhuǎn)換成適合用于分析的數(shù)據(jù)，主要是數(shù)據(jù)清洗及處理缺失項、噪聲、重復(fù)項。其實預(yù)處理階段還有一些更具有價值的功能，即，當面對高維數(shù)據(jù)集時應(yīng)用的特征選擇、維規(guī)約、規(guī)范化、數(shù)據(jù)子集選擇這些技術(shù)。本文從數(shù)據(jù)挖掘的視角，通過數(shù)據(jù)預(yù)處理的特征選擇，對來自輪胎MES系統(tǒng)的均勻性實驗數(shù)據(jù)進行了分析。

1　輪胎質(zhì)檢MES與輪胎均勻性檢測數(shù)據(jù)

輪胎的生產(chǎn)制造工藝主要有密煉、成型、硫化、檢測等工序，前工段屬于流程制造，后工段屬于離散制造，小批量多品種，生產(chǎn)過程復(fù)雜。為提升企業(yè)運營效率，越來越多的國內(nèi)輪胎企業(yè)開始實施整廠級別的制造執(zhí)行系統(tǒng)，簡稱MES［10］。

MES系統(tǒng)根據(jù)ISA-95標準［11］中的企業(yè)信息架構(gòu)角度看，是屬于Level 3，其下層是車間自動化層和SCADA層，MES負責對底層數(shù)據(jù)進行有機集成。車間采用工業(yè)以太網(wǎng)實現(xiàn)數(shù)據(jù)通信，如EtherNet/IP或者ProfiNet。在MES的上層一般是企業(yè)信息層，常見的有ERP等各種系統(tǒng)，MES需要通過ERP-GATEWAY中間件或者Web-Service等方法來進行ERP與MES的數(shù)據(jù)交互。因此，MES在運行中會處理和記錄從車間層到企業(yè)管理層的制造運營相關(guān)數(shù)據(jù)，以MES中存儲的數(shù)據(jù)作為數(shù)據(jù)挖掘?qū)ο?，是很有潛在價值的。一些先進的MES軟件平臺同時提供了ODS（操作數(shù)據(jù)存儲）的功能，幫助建立制造過程數(shù)據(jù)倉庫，方便后續(xù)的數(shù)據(jù)挖掘。

輪胎工廠MES涵蓋各個工藝段，輪胎檢測工段是輪胎制造的最后一個工段，這個工段的MES系統(tǒng)將每個輪胎在各種檢測設(shè)備上的檢測分析數(shù)據(jù)和檢測結(jié)果進行存儲，以便今后的質(zhì)量追溯。檢測設(shè)備包括動平衡、均勻性、X光機、里程試驗等。本文以均勻性試驗數(shù)據(jù)作為對象進行數(shù)據(jù)挖掘應(yīng)用。

均勻性試驗機是檢測輪胎不圓度性能的設(shè)備，通過輪胎在高速旋轉(zhuǎn)時，設(shè)備上的傳感器反饋回來的各種數(shù)據(jù)進行均勻性等級的判斷，檢測的指標主要有縱向力波動RFV、橫向力波動LFV、側(cè)向力積分LFD、自身錐向力CON、旋轉(zhuǎn)錐向力PLY、半徑變化RRO、寬度變化LRO、上胎側(cè)尺寸變化LROT、下胎側(cè)尺寸變化LROB、上胎側(cè)鼓包BULGT、下胎側(cè)鼓包BULGB、上胎側(cè)凹陷DENT、下胎側(cè)凹陷DENB等，其中RFV 和LFV會有額外的正反轉(zhuǎn)測試和一次諧波分量分析。這些指標各自反應(yīng)不同方面的質(zhì)量特征，也是輪胎均勻性質(zhì)量等級的判定依據(jù)。每個具體的指標包含傳感器測量值和一個等級，例如RFVCW指標包含｛數(shù)值，角度，等級｝，對應(yīng)的某條數(shù)據(jù)記錄為｛5.34，321，A｝，數(shù)值和角度屬性為連續(xù)變量，后文標記為f，基于數(shù)值角度得出的屬性等級為離散變量，后文標記為fiG。以上各個指標總共的測量值共有40個，將所有的指標判定結(jié)果匯總，得到一個輪胎總的均勻性判定。判定規(guī)則由均勻性試驗機設(shè)定，流程為：比較檢測值fi與標準值，根據(jù)偏差大小和規(guī)則得出fiG，再根據(jù)所有fiG綜合得到整體的均勻性等級G。規(guī)則信息保存在機器上，由專業(yè)人員人為制定，可以理解為If…Then…規(guī)則。規(guī)則不開放給MES系統(tǒng)和數(shù)據(jù)分析人員。在MES系統(tǒng)中集成的數(shù)據(jù)還包括輪胎條碼、操作員、機臺號、重力、壓力、時間等相關(guān)數(shù)據(jù)，每條輪胎的均勻性數(shù)據(jù)有53個屬性。

傳統(tǒng)的輪胎質(zhì)量管理人員對于均勻性會使用均值和方差的統(tǒng)計方法來進行質(zhì)量控制，配合X-R控制圖和SPC方法，但屬性多、數(shù)據(jù)量大，分析工作會因過于繁雜而無法有針對性的重點解決質(zhì)量問題。

2　特征選擇與應(yīng)用

輪胎的質(zhì)量因素非常多，僅均勻性屬性可達53個?；厮菀粭l輪胎的整個生產(chǎn)環(huán)節(jié)，包括煉膠、硫化等過程參數(shù)，裁斷成型等狀態(tài)數(shù)據(jù)，快檢數(shù)據(jù)……與輪胎質(zhì)量相關(guān)的屬性估計會多達上千個。

而如此龐大的、高維的數(shù)據(jù)，往往存在數(shù)據(jù)缺失、冗余、噪聲的各種問題，最重要的是，高維數(shù)據(jù)會對數(shù)據(jù)分析造成維數(shù)災(zāi)難的問題。因此無論是從質(zhì)量管理人員進行數(shù)據(jù)統(tǒng)計分析方面考慮，還是后期對數(shù)據(jù)挖掘算法的應(yīng)用，都需要對這樣的數(shù)據(jù)進行清洗和降維處理［12］。

降維后數(shù)據(jù)的優(yōu)勢一般有：提升分類和回歸問題的預(yù)測性能；降低運算復(fù)雜度和訓練時間并提高運算效率；增強對于一個復(fù)雜問題的洞察和理解能力，即以對業(yè)務(wù)的專業(yè)理解為基礎(chǔ)，把需要改善的指標作為應(yīng)變量，找出對其有影響的自變量。對于制造生產(chǎn)運營人員來說，可以透過復(fù)雜的、龐大的、難以理解的數(shù)據(jù)，快速了解生產(chǎn)過程中的關(guān)鍵指標，從而對影響和調(diào)整生產(chǎn)起到幫助作用。

特征選擇（Feature Selection）和特征提?。‵eature Extraction）是目前應(yīng)用最多的兩種降維方法，能夠去除數(shù)據(jù)噪聲和非相關(guān)屬性、冗余屬性。特征提取將原有的高維特征空間投影到一個新的低維特征空間，并且通常是由原來的特征空間的線性或者非線性組合而成。常見的算法有主成分分析PCA，即尋找表示數(shù)據(jù)分布的最優(yōu)子空間；線性判別分析LDA，即尋找可分性判據(jù)最大的子空間；典型對應(yīng)分析CCA，即通過找到兩組基，使得兩組數(shù)據(jù)在這兩組基上的投影相關(guān)性最大。類似的還有SVD、ISOMAP、LLE、ICA、HSIC判別等算法等。特征提取的方法是將原有的特征空間映射到一個新的特征空間，在新的特征空間中，屬性不再具備原空間的物理意義。因此，當討論或者分析必須基于有實際物理含義的屬性時，就需要使用特征選擇的方法［3］。

相比特征提取，特征選擇保持了原有屬性的物理意義，在原有的特征空間中選擇一個高相關(guān)度的子集，使得新的模型具有高可讀性和可解釋性。針對輪胎均勻性這一數(shù)據(jù)集，可以利用特征提取的方法，從53個屬性集中提取出影響均勻性指標的幾個重要特征屬性，這幾個重要的特征屬性同時也是影響均勻性質(zhì)量的關(guān)鍵質(zhì)量因素。

根據(jù)數(shù)據(jù)集中有無類標記信息Label，即目標變量Target Variable，可分為有監(jiān)督、無監(jiān)督和半監(jiān)督三種特征選擇。其中有監(jiān)督的特征選擇，指的是每個實例包含了類標記信息，根據(jù)其離散或者連續(xù)值的不同，應(yīng)用分類或者回歸的方法進行處理。均勻性數(shù)據(jù)集有一列是輪胎的均勻性總等級指標，即為這個數(shù)據(jù)集的Label類標記信息，等級的集合為｛OE1：優(yōu)質(zhì)，OE2：次優(yōu)，OK：合格，DA：瑕疵品，DX：廢品｝。均勻性等級是根據(jù)數(shù)據(jù)集其余52（列）屬性綜合判斷得出，因此輪胎均勻性數(shù)據(jù)集是一個有監(jiān)督的分類問題。參考Jiliang Tang和Huan Liu的分類問題基本框架和姚旭、王曉丹等的特征選擇基本框架［14］，輪胎均勻性數(shù)據(jù)集等級分類的參考框架如圖1所示。

圖1　有監(jiān)督分類過程的一般框架

根據(jù)上圖的框架可以看出，特征選擇是分類問題的非常重要的一個環(huán)節(jié)。其一般由以下四個環(huán)節(jié)組成，首先基于某一特定搜索策略的生成備選特征子集，這通常是一個在特征空間中尋找特征子集的優(yōu)化方法，總的來說有啟發(fā)式、隨機搜索和全局尋優(yōu)三類，常用的方法有遍歷法、貪婪算法、基因算法、特征排名Ranker、序列向前選擇SFS、序列向后選擇SBS等，各種方法各有優(yōu)缺點，其中特征排名策略將每個屬性的得分進行排名并選擇得分較高的幾個作為特征子集，得分對于屬性的可解釋性很有價值；第二步則是子集評價，通常分為Filter過濾式（采用了與后續(xù)分類器無關(guān)的評價準則，例如基尼指數(shù)、信息增益等）、Wrapper封裝式（使用分類器的分類性能指標對特征子集優(yōu)劣性進行評價，因此不會存在類似Filter造成的偏倚問題，缺點是計算量大，實際應(yīng)用相對較少）、Embedded嵌入式（比如決策樹、SVM等分類器使用了自身算法的特征子集）三類；第三步是停止準則，根據(jù)事先設(shè)定的條件決定這次的特征選擇是否滿足要求；第四步則是評估和驗證獲得特征子集。

如何選擇正確的特征選擇算法也需要考慮數(shù)據(jù)本身的特性，Li將眾多的特征選擇算法以數(shù)據(jù)視角進行了整理并編制了特征選擇算法框架［15］，根據(jù)數(shù)據(jù)的特性屬于Static靜態(tài)數(shù)據(jù)還是Streaming流數(shù)據(jù)、特征流還是數(shù)據(jù)流、多媒體還是文本、結(jié)構(gòu)化還是扁平化（Flat Feature）等特性，全面地提出了對應(yīng)的特征選擇方案。對本文從MES中提取的均勻性數(shù)據(jù)對象，可以認為是靜態(tài)的、扁平的文本數(shù)據(jù)，數(shù)據(jù)的屬性間滿足獨立同分布 （IID） 特性且沒有內(nèi)在的結(jié)構(gòu)化關(guān)聯(lián)，適用扁平特征選擇的方法進行分析。扁平特征選擇也稱為經(jīng)典特征選擇，一般有如下幾種類型：

（1）基于相似度的特征選擇，這一類的算法主要考慮數(shù)據(jù)間的相似度，監(jiān)督學習中考慮屬性與類標記的相似，比如皮爾遜相關(guān)系數(shù)；無監(jiān)督學習中通常考慮數(shù)據(jù)間的距離，典型的算法有ReliefF、Fisher Score、Laplacian Score等。

（2）基于信息論的特征選擇，通過信息增益Information Gain或者互信息Mutual Information來度量特征的重要程度，典型的算法有MIM、MRMR、FCBF等。

（3）基于稀疏學習的特征選擇，特點是在添加稀疏正則化項的同時最小化擬合誤差，而正則化獲得稀疏解，使某些屬性的系數(shù)很小或為零，將對應(yīng)的屬性移除，剩余的是被選中的屬性，典型的算法有RFS、Least square loss （l2，1）、Logistic loss （l2，1）等。

（4）基于統(tǒng)計學的特征選擇，這類算法有別于機器學習，主要是以統(tǒng)計方法為主，單獨評價屬性的重要性，通常不考慮屬性間的冗余，典型的算法有T-score、Chi-square、GiniIndex等。

本次分析的目標是，對于同種規(guī)格和批次的輪胎，找出影響該特定輪胎均勻性等級判定的屬性，并按照重要性排序。因此搜索策略采用特征排序（Ranker），屬性評估采用能提供特征評分的算法。由于特征排序并不考慮屬性冗余，再采用LFS（Linear Forward Selection）子集搜索［16］+CFS［17］屬性評估算法進行冗余問題的輔助分析。

3　實驗分析

本次試驗平臺使用Python（x，y）和Weka。 Python（x，y）集成了豐富的科學計算包Numpy和機器學習包Scikit-learn等，特征選擇算法實現(xiàn)的庫函數(shù)非常豐富，很多學者會將自己的算法在Python環(huán)境下做算法的實現(xiàn)，擴展性好；Weka作為一個集成的數(shù)據(jù)挖掘工具，內(nèi)置了常見數(shù)據(jù)挖掘功能，可以快速對數(shù)據(jù)集進行處理和分析，但一般新算法的實現(xiàn)較慢。因此前期使用Weka進行數(shù)據(jù)集的清洗和基本算法測試，后期使用Python測試新的算法和系統(tǒng)實現(xiàn)。

從數(shù)據(jù)庫倉庫中提取數(shù)據(jù)進行分析，輪胎規(guī)格為310P2105。對均勻性檢測機UF01上連續(xù)兩天的均勻性質(zhì)檢數(shù)據(jù)，剔除噪聲記錄后，共有有效樣本實例3456個，其中OE1級優(yōu)質(zhì)樣本數(shù)有2898條，占比為83%；OE2級次優(yōu)樣本330條，占比為9.5%；OK級合格樣本121條，占比為3.5%；DA級瑕疵品樣本88條，占比為2.5%；DX級廢品樣本19條，占比為0.5%。其中優(yōu)質(zhì)等級占比較大，因此非優(yōu)質(zhì)品的屬性會是重要的分類特征。對應(yīng)的樣本各屬性均在正常范圍內(nèi)，每一種檢測屬性均近似正態(tài)分布，對這個數(shù)據(jù)集進行特征選擇，通過Ranker特征排序提供的得分觀察每個屬性對于最后質(zhì)量等級結(jié)果的影響。算法上選擇信息增益InfoGain、基尼增益GiniGain、增益比率 GainRatio、對稱不確定性SU、ReliefF算法，涵蓋了以信息、統(tǒng)計、相似性為背景的各算法。

從表1所示各算法得出的特征屬性得分來看，對于規(guī)格為310P2105的輪胎，質(zhì)量問題影響最大的是自身錐向力CON，其次是側(cè)向力積分LFD和半徑變化RRO。后續(xù)的幾個特征在各算法下的得分排名有所差異，但總體均在前10大屬性中出現(xiàn)，特征的得分從第10個開始基本只有第1名的1/10。根據(jù)工程上習慣的大小數(shù)原理，在主要質(zhì)量問題的分析上，忽略排名11開始后續(xù)的屬性。并且事實上，26個屬性中，大部分的屬性在離散化后表現(xiàn)出了稀疏的特性。

為驗證各算法選擇的特征的有效性，對包含不同數(shù)量的特征子集，通過對應(yīng)的分類預(yù)測準確度進行評價。評價時使用SVM［18］和C4.5［19］兩種算法，測試采用十折交叉驗證。兩種算法下獲得的結(jié)果如圖2所示。

表1　各特征選擇算法下屬性得分表

圖2　SVM和C4.5下特征子集分類準確度圖

從圖2中可以看到，在兩種驗證算法下，第一特征CON即可使算法CA達到90%以上，即側(cè)面反映這個因素是非常關(guān)鍵的質(zhì)量因素。當特征子集達到5個時，SU算法下獲得的特征子集的CA已經(jīng)達到96%以上，所有算法在特征數(shù)達到9時基本趨于穩(wěn)定，并且再增加屬性也不提升CA，因此這些特征選擇算法是有效的。

將每個屬性在不同特征選擇算法下的得分進行歸一化處理（f'=f/∑f），作權(quán)重的分布對比分析。通過對比我們可以發(fā)現(xiàn)，GainRatio、InfoGain、GiniGain、SU、ReliefF算法下的屬性得分或?qū)傩耘琶容^接近，除了GiniGain對RRO評分較低，ReliefF對PLY屬性評分稍高，SU認為LFD的評分應(yīng)該更低些。整體來看，屬性從DentB開始得分趨近于0，表明后續(xù)屬性對均勻性等級分類作用很小，甚至完全沒有作用。

圖3　各特征選擇算法下特征權(quán)重比較

為評價算法得出的排名和權(quán)重（得分）的實際物理意義，查閱保存在現(xiàn)場的機器上的均勻性等級判定規(guī)則以及各屬性單獨的等級fiG，統(tǒng)計對均勻性等級G的決策影響的因素，即根據(jù)實際在設(shè)備上的等級判定過程和結(jié)果，統(tǒng)計關(guān)鍵決策所對應(yīng)的fG的次數(shù)。例如在一個樣本上，RRO使該樣本的等級G被判定為DX，則被記一次，即RRO是造成這條胎DX問題的關(guān)鍵質(zhì)量因素。匯總得到表2，并和InfoGain算法下的排名作一個比較。

表2　實際決策屬性統(tǒng)計與算法得分的比較

可以看到，實際的均勻性質(zhì)量屬性頻次統(tǒng)計與信息增益算法的排名和權(quán)重非常接近，其中存在的差異是LFD正反轉(zhuǎn)側(cè)向力積分及RRO1H真圓度一次諧波沒有參與等級判定決策，所以沒有在機器的決策記錄里面出現(xiàn)，但信息增益算法表明這三項質(zhì)量屬性是與最終的均勻性等級強相關(guān)的。事實上，在每種規(guī)格的輪胎均勻性判定規(guī)則中，質(zhì)量管理人員都會按照經(jīng)驗或其他因素忽略掉26個檢測值中的某幾個指標，不放在等級判定規(guī)則中，這種實踐中忽略某些屬性的做法，在利用去除冗余的特征選擇算法后得到了驗證。去冗余驗證方法采用LFS+CFS，獲得最小特征子集為 ｛CON，RFVCW，RRO，LROT，LROB，Bulge T， DentT ｝，這個最小子集在SVM（c=10， g=0.04，ε=0.01）和C4.5算法下，十折交叉驗證的分類預(yù)測準確率CA分別為0.953和0.977，因此，在實踐中，LFD和RRO1H等屬性作為冗余屬性，在規(guī)則判定中被省略是合理的，可以提高整個均勻性檢驗的效率。

4　結(jié) 語

輪胎MES系統(tǒng)提供了理想的均勻性檢測數(shù)據(jù)集。對均勻性檢測數(shù)據(jù)進行特征選擇，可以快速篩選出與質(zhì)量相關(guān)的屬性，通過權(quán)重系數(shù)提示某一質(zhì)量屬性所造成的質(zhì)量問題的嚴重程度，在數(shù)據(jù)歸檔的時候可以剔除稀疏屬性，幫助壓縮數(shù)據(jù)庫，利用特征屬性快速預(yù)測輪胎均勻性等級。用到的算法中，基于信息論的如InfoGain、SU和基于相似度的如ReliefF等算法表現(xiàn)較好，可以在實踐中繼續(xù)使用。而基于統(tǒng)計的方法在個別屬性的權(quán)重得分表現(xiàn)不夠理想?；谙∈璧姆椒▌t可以在后期予以進一步研究。另外，LFS+CFS可以有效找到輪胎均勻性問題的最小特征子集，可以實現(xiàn)對于質(zhì)量屬性的冗余分析，為簡化現(xiàn)場質(zhì)量分析工作提供了一種依據(jù)。

進一步的研究可以考慮完善MES的數(shù)據(jù)倉庫，集成前工段的生產(chǎn)過程信息，進行均勻性質(zhì)量屬性與前工段生產(chǎn)過程與狀態(tài)的關(guān)聯(lián)分析，從源頭上發(fā)現(xiàn)造成均勻性質(zhì)量問題的因素，從管理上和技術(shù)上干預(yù)質(zhì)量關(guān)鍵因素，從而改善均勻性質(zhì)量乃至輪胎制造的整體質(zhì)量水平。隨著制造數(shù)據(jù)的進一步完備，數(shù)據(jù)挖掘技術(shù)在輪胎制造的MES數(shù)據(jù)環(huán)境下有著廣闊的前景。

參考文獻：

［1］ Bharati M. Data Mining Techniques and Applications ［J］. Indian Journal of Computer Science and Engineering，2010， 1（4）： 301-305

［2］ Choudhary A K， Harding J A， Tiwari M K. Data Mining in Manufacturing： A Review Based on the Kind of Knowledge［J］. J. Intell. Manuf.， 2009（20）：501-521.

［3］ Rockwell Automation. The Connected Industrial Enterprise White Paper［R/OL］.http：//literature.rockwellautomation. com/idc/groups/literature/documents/wp/cie-wp001_-en-p.pdf

［4］ Joaquin B， Ordieres M. Data Mining in Industrial Process［J］. Engineering Data Mining and Numerical Simulation，2005： 57-66.

［5］ Rokach1 L， Maimon O. Data Mining for Improving the Quality of Manufacturing a Feature Set Deomposition Approach［J］. Journal of Intelligent Manufacturing， 2006， 17（3）： 285-299.

［6］ 孫衛(wèi)祥. 基于數(shù)據(jù)挖掘與信息融合的故障診斷方法研究［D］. 上海： 上海交通大學， 2006.

［7］ Rudolf K，Matthias S， Christian M. Data Mining Applications in the Automotive Industry［C］.Singapore：4th International Workshop on Reliable Engineering Computing， 2010.

［8］ Gunturkun F. A Comprehensive Review of Data Mining Application in Quality Improvement and a Case Study ［D］. Ankara： The Graduate School of Natural and Applied Sciences of Middle East Technical University，2007.

［9］ Witten L H， Frank E F， Hall M A.數(shù)據(jù)挖掘： 使用機器學習工具與技術(shù)［M］. 北京： 機械工業(yè)出版社，2014： 4.

［10］ 張海燕. 輪胎企業(yè)制造執(zhí)行系統(tǒng)（MES）的研究與應(yīng)用［D］. 青島：青島科技大學，2006.

［11］ ANSI ISA 95.01-2000. Enterprise - Control System Integration［S］.

［12］ Isabelle G， Andre E. An Introduction to Variable and Feature Selection［J］. Journal of Machine Learning Research 2003（3）：1157-1182

［13］ Mahdokht M， Glenn F， Jennifer G. From Transformation-Based Dimensionality Reduction to Feature Selection［C］. Haifa： The 27th International Conference on Machine Learning， 2010.

［14］ 姚旭， 王曉丹， 張玉璽， 權(quán)文. 特征選擇方法綜述［J］. 控制與決策， 2012，27（2）： 161-166.

［15］ Li J， Cheng K， Wang S， et al. Feature Selection： A Data Perspective［R/OL］. http：//arxiv.org/abs/1601.07996. Bibliographic Code： 2016arXiv160107996L. Arizona State University， 2016.

［16］ Martin Guetlein， Eibe Frank， Mark Hall， Andreas Karwath. Large Scale Attribute Selection Using Wrappers［C］. Proc IEEE Symposium on Computational Intelligence and Data Mining， 2009： 332-339.

［17］ Mark A H. Correlation-Based Feature Selection for Machine Learning［D］. Hamilton：The University of Waikato， 1999.

［18］ Chih-Chung Chang， Chih-Jen Lin. LIBSVM： A Library for Support Vector Machines［J］. ACM Transactions on Intelligent Systems and Technology， 2011（2）：1-27.

［19］ Quinlan J R. C4.5： Programs for Machine Learning［M］. Burlington： Morgan Kaufmann Publishers， 1993.

［責任編輯：朱 胤］

中圖分類號：TP 274.+2

文獻標志碼：A

文章編號：1671-8232（2016）07-0045-07

收稿日期：2016-03-04

作者簡介：張健斌（1981— ），男，碩士研究生，研究方向為工業(yè)工程與信息化。

Application of Data Mining in Tire Uniformity

Zhang Jianbin， Zhu Lanjuan
（Department of Automation， Shanghai Jiaotong University， Shanghai 200240， China）

Abstract:MES system could help the tire manufacturer improve their operations， integrate the manufacturing domain data， and could be benefited by data mining technology. Based on the tire uniformity test data extracted from the MES data warehouse， the infuence factors on the tire uniformity attribute were analyzed by feature selection method. The application effects of several kinds of algorithmaccording to information theory， statistics， similarity were compared. The solution of LFS + CFS was applied to eliminate the uniformity attribute redundancy feature. The attributes value went up by dimensionality reduction in the felds of uniformity forcast， archive compression and quality control.

Keywords:Tire Uniformity； MES； Feature Selection； Data Mining； Python Language