基于人工智能的質(zhì)量自動識別系統(tǒng)研究

李祥東 牛牧 孫君甫 王磊

（中車長春軌道客車股份有限公司質(zhì)量管理部 吉林省長春市 130000）

1 引言

傳統(tǒng)的軌道交通質(zhì)量管理方法致力于質(zhì)量的控制和診斷，主要是事后處理。一方面，隨著制造業(yè)信息化的深入，企業(yè)從日常的生產(chǎn)活動中，收集到大量的、雜亂的數(shù)據(jù)未能得到充分利用，大多只停留在對數(shù)據(jù)的簡單統(tǒng)計(jì)與圖表的顯示[1]，缺少進(jìn)一步的挖掘及利用隱藏在數(shù)據(jù)背后的有用信息，不能利用科學(xué)的數(shù)據(jù)計(jì)算模型自動給出改進(jìn)機(jī)會，無法對公司質(zhì)量改進(jìn)活動提供支撐。

目前，國內(nèi)外學(xué)者對于電力、機(jī)械加工等其他質(zhì)量管理都有著廣泛而深入的研究，但鐵路質(zhì)量改進(jìn)自動識別的研究仍然較少。企業(yè)現(xiàn)有質(zhì)量改進(jìn)主要以過程和運(yùn)營的重大質(zhì)量問題為導(dǎo)向開展，對系統(tǒng)內(nèi)已積累的大量進(jìn)貨、過程、運(yùn)營等實(shí)物質(zhì)量問題缺少進(jìn)一步的挖掘及利用，不能利用科學(xué)的數(shù)據(jù)計(jì)算模型自動給出改進(jìn)機(jī)會，無法對公司質(zhì)量改進(jìn)活動提供支撐。

針對企業(yè)質(zhì)量管理活動的現(xiàn)狀及需求，本文將質(zhì)量管理和數(shù)據(jù)挖掘技術(shù)結(jié)合，充分利用企業(yè)得到大量的質(zhì)量數(shù)據(jù)，建立數(shù)據(jù)模型，挖掘出有利于提高產(chǎn)品質(zhì)量，降低產(chǎn)品不合格率[1-5]，實(shí)現(xiàn)對已有質(zhì)量數(shù)據(jù)定期自動化分析，識別改進(jìn)機(jī)會，自動推送責(zé)任部門，對改進(jìn)效果進(jìn)行驗(yàn)證、評價。將改進(jìn)模型引入到生產(chǎn)中，發(fā)現(xiàn)改進(jìn)機(jī)會，并注入到生產(chǎn)流程中，為質(zhì)量改進(jìn)提供數(shù)據(jù)決策支持。

2 質(zhì)量改進(jìn)系統(tǒng)設(shè)計(jì)

2.1 設(shè)計(jì)思路

圖1：系統(tǒng)技術(shù)流程

圖3：質(zhì)量改進(jìn)系統(tǒng)功能展示圖

圖4：模型預(yù)警結(jié)果

本文在對動車組的生產(chǎn)過程及售后運(yùn)營等業(yè)務(wù)線的數(shù)據(jù)基礎(chǔ)上，基于hadoop 的大數(shù)據(jù)技術(shù)架構(gòu)，JAVA、PYTHON，Oracle 數(shù)據(jù)庫等技術(shù)，構(gòu)建業(yè)務(wù)實(shí)現(xiàn)的邏輯模型，開發(fā)和編碼相關(guān)的設(shè)計(jì)內(nèi)容，包括各實(shí)現(xiàn)不同模塊的實(shí)體關(guān)系，業(yè)務(wù)流程，詳細(xì)用戶界面，模塊對外接口和對外依賴等，建立基于數(shù)據(jù)決策的質(zhì)量改進(jìn)系統(tǒng)，系統(tǒng)技術(shù)流程如圖1所示。

質(zhì)量改進(jìn)系統(tǒng)通過對動車組的生產(chǎn)過程及售后運(yùn)營等業(yè)務(wù)線的數(shù)據(jù)按照業(yè)務(wù)需求對數(shù)據(jù)進(jìn)行建立預(yù)警模型，建立起一套基于數(shù)據(jù)決策的質(zhì)量改進(jìn)系統(tǒng)，監(jiān)督并幫助自主識別出質(zhì)量改進(jìn)機(jī)會，進(jìn)行整改，并對整改效果進(jìn)行評價，最后將質(zhì)量改進(jìn)機(jī)會推送給相關(guān)責(zé)任單位第一管理者，第一管理者指派整改人員進(jìn)行整改。同時系統(tǒng)完成對質(zhì)量相關(guān)數(shù)據(jù)較為全面收集，形成不同業(yè)務(wù)線的數(shù)據(jù)標(biāo)準(zhǔn)化，實(shí)現(xiàn)質(zhì)量數(shù)據(jù)的統(tǒng)一管理，方便為決策層提供數(shù)據(jù)支撐，促使質(zhì)量改進(jìn)解決問題更科學(xué)化、規(guī)范化、標(biāo)準(zhǔn)化，降低產(chǎn)品不合格率，提高產(chǎn)品質(zhì)量及生產(chǎn)效率，降低生產(chǎn)成本。

系統(tǒng)設(shè)計(jì)要充分考慮對日常大量數(shù)據(jù)交互、運(yùn)算在速度上和穩(wěn)定性上的要求，同時能夠整合現(xiàn)有各類信息資源，以適應(yīng)生產(chǎn)任務(wù)管理的需求，滿足穩(wěn)定性、安全性、擴(kuò)展性、快速開發(fā)部署等要求。由于本系統(tǒng)人員權(quán)限與公司另一 QMS 系統(tǒng)相同，因此兩系統(tǒng)共用用戶管理，本項(xiàng)目不再單獨(dú)設(shè)計(jì)用戶權(quán)限相關(guān)內(nèi)容。

3 質(zhì)量改進(jìn)系統(tǒng)的模型設(shè)計(jì)

3.1 建立評價潛在質(zhì)量改進(jìn)機(jī)會的特征指標(biāo)

根據(jù)大量動車組制造及售后運(yùn)營的歷史數(shù)據(jù)，通過構(gòu)建潛在質(zhì)量改進(jìn)機(jī)會及一系列評價指標(biāo)來建立是否是質(zhì)量改進(jìn)機(jī)會的預(yù)警模型，進(jìn)一步建立一個泛化度較高的智能質(zhì)量改進(jìn)分析模型，技術(shù)路線如圖2所示。

根據(jù)目前動車組現(xiàn)有大量歷史質(zhì)量數(shù)據(jù)，確定業(yè)務(wù)對象，定義出業(yè)務(wù)挖掘目標(biāo)。尋找所有與業(yè)務(wù)對象有關(guān)的數(shù)據(jù)，并從中選擇出適用于數(shù)據(jù)挖掘應(yīng)用的原始數(shù)據(jù)[6]。原始數(shù)據(jù)中可能會有一些錯誤的或者缺陷的臟數(shù)據(jù)，對有問題的數(shù)據(jù)進(jìn)行預(yù)處理，為進(jìn)一步的分析建模做準(zhǔn)備。為了便于挖掘，格式不統(tǒng)一要轉(zhuǎn)換為統(tǒng)一格式，非數(shù)值型數(shù)據(jù)要轉(zhuǎn)化為數(shù)值型，以便找出真正有用的特征變量。通過已有的字段，構(gòu)造質(zhì)量評價指標(biāo)體系，以及潛在質(zhì)量改進(jìn)機(jī)會體系的特征。通過對現(xiàn)有字段指標(biāo)的特征構(gòu)建，建立預(yù)警規(guī)則模型。對建立的預(yù)警規(guī)則模型利用未參與建模的數(shù)據(jù)進(jìn)行驗(yàn)證評價，并將結(jié)果與實(shí)際情況進(jìn)行比較。若在此過程發(fā)現(xiàn)模型不夠優(yōu)化，可回到前面的步驟進(jìn)行調(diào)整。

圖5：實(shí)際數(shù)據(jù)分布統(tǒng)計(jì)

由于數(shù)據(jù)池中的數(shù)據(jù)只記錄檢驗(yàn)有問題的數(shù)據(jù)，故采用占比來評價潛在質(zhì)量改進(jìn)機(jī)會?，F(xiàn)有數(shù)據(jù)池中沒有反應(yīng)是質(zhì)量改進(jìn)機(jī)會的特征，需要人為標(biāo)記，為更好直觀地把質(zhì)量改進(jìn)機(jī)會評價出來，定義6 個輸出目標(biāo)特征：當(dāng)日缺陷占比率、當(dāng)日缺陷占近5日累計(jì)缺陷比率、當(dāng)日缺陷占近15日累計(jì)缺陷比率、當(dāng)日缺陷占近30日累計(jì)缺陷比率、近5日累計(jì)缺陷占近30日累計(jì)缺陷比率、近15日累計(jì)缺陷占近30日累計(jì)缺陷比率。通過數(shù)據(jù)探索分析及對數(shù)據(jù)庫現(xiàn)有數(shù)據(jù)字段分析，選取上述的6 個指標(biāo)，既可通過現(xiàn)有字段獲得，又能評價質(zhì)量改進(jìn)機(jī)會，同時可對現(xiàn)有的非數(shù)值型字段進(jìn)行無量綱化處理。構(gòu)建的6 個有梯度的評價指標(biāo)，來評價潛在質(zhì)量改進(jìn)機(jī)會是否是質(zhì)量改進(jìn)機(jī)會的概率。

質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo)是判斷潛在質(zhì)量改進(jìn)機(jī)會是否是質(zhì)量改進(jìn)機(jī)會的綜合評價指標(biāo)，它是潛在質(zhì)量改進(jìn)機(jī)會是否是質(zhì)量改進(jìn)機(jī)會的重要依據(jù)。綜合評價指標(biāo)是基于權(quán)重系數(shù)特征分析前文的6 個評價指標(biāo)進(jìn)行求和得到的，通過綜合評價指標(biāo)可用來自動識別質(zhì)量改進(jìn)機(jī)會模型的變量，其中，w1-w6 通過熵值法確定權(quán)重系數(shù)。質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo)計(jì)算公式：

綜合評價指標(biāo)=w1*當(dāng)日缺陷占比率+w2*當(dāng)日缺陷占近5日累計(jì)缺陷比率+w3*當(dāng)日缺陷占近30日累計(jì)缺陷比率+w4*當(dāng)日缺陷占近15日累計(jì)缺陷比率+w5*近5日累計(jì)缺陷占近30日累計(jì)缺陷比率+w6*近15日累計(jì)缺陷占近30日累計(jì)缺陷比率；

由于不同的缺陷等級，對問題不良的影響程度不一樣，故對綜合指標(biāo)與缺陷等級再次進(jìn)行權(quán)重相加，求出綜合指標(biāo)。其中，w1,w2權(quán)重系數(shù)同樣通過熵值法求出。缺陷等級有A、B、C三個等級，根據(jù)實(shí)際生產(chǎn)過程，將缺陷等級離散化為百分比。具體的計(jì)算公式：

質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo) = w1*質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo)+w2*缺陷等

3.2 建立評價潛在質(zhì)量改進(jìn)機(jī)會的動態(tài)閾值

探索質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo)得數(shù)據(jù)分布，若為正態(tài)分布，質(zhì)量改進(jìn)機(jī)會動態(tài)閾值，依據(jù)3sigma 原則，把質(zhì)量改進(jìn)機(jī)會綜合評價指標(biāo)偏離均值3 個標(biāo)準(zhǔn)差的數(shù)據(jù)判定為質(zhì)量改進(jìn)機(jī)會動態(tài)閾值。若不符合正態(tài)分布，采用切比雪夫不等式原理，將分布概率低于10%區(qū)間內(nèi)的數(shù)據(jù)判定為質(zhì)量改進(jìn)機(jī)會動態(tài)閾值。

3.3 建立質(zhì)量改進(jìn)預(yù)警模型

有了綜合指標(biāo)及質(zhì)量改進(jìn)機(jī)會動態(tài)閾值，就可判斷潛在質(zhì)量改進(jìn)機(jī)會是否是質(zhì)量改進(jìn)機(jī)會，建立預(yù)警規(guī)則模型。若綜合指標(biāo)＞質(zhì)量改進(jìn)機(jī)會動態(tài)閾值,則自動判斷為是質(zhì)量改進(jìn)機(jī)會，觸發(fā)質(zhì)量改進(jìn)機(jī)會預(yù)警；反之，判斷為不是質(zhì)量改進(jìn)機(jī)會，則不會觸發(fā)預(yù)警。質(zhì)量改進(jìn)機(jī)會的迫切程度是為了判斷潛在質(zhì)量改進(jìn)機(jī)會是質(zhì)量改進(jìn)機(jī)會的優(yōu)先迫切程度，公式為：質(zhì)量改進(jìn)機(jī)會的迫切程度=綜合指標(biāo)-質(zhì)量改進(jìn)機(jī)會動態(tài)閾值。若是質(zhì)量改進(jìn)機(jī)會，迫切程度值比較大，則優(yōu)先進(jìn)行質(zhì)量改進(jìn)。

4 基于數(shù)據(jù)決策的質(zhì)量改進(jìn)系統(tǒng)實(shí)現(xiàn)

按照系統(tǒng)實(shí)現(xiàn)功能需求，建立質(zhì)量改進(jìn)管理和系統(tǒng)管理2 大模塊。質(zhì)量改進(jìn)管理中有質(zhì)量改進(jìn)系統(tǒng)首頁、質(zhì)量改進(jìn)機(jī)會查詢、改進(jìn)機(jī)會整改、改進(jìn)效果評價幾個功能版塊；系統(tǒng)管理有質(zhì)量改進(jìn)模型、改進(jìn)效果評價周期設(shè)置、用戶管理、角色及權(quán)限管理幾個功能版塊。部分展示如圖3所示。

5 系統(tǒng)模型測試

當(dāng)開發(fā)完質(zhì)量改進(jìn)系統(tǒng)，運(yùn)行系統(tǒng)，得到的模型結(jié)果如圖4所示。

以上結(jié)果中，潛在質(zhì)量改進(jìn)機(jī)會名稱是由“所屬系統(tǒng)”，“產(chǎn)品”，“缺陷類型”三個字段組成。

上面為自動識別改進(jìn)機(jī)會模型測試的結(jié)果，可以看出，該潛在質(zhì)量改進(jìn)機(jī)會發(fā)生數(shù)量較多，質(zhì)量改進(jìn)機(jī)會綜合指標(biāo)達(dá)到模型的閾值，發(fā)生模型預(yù)警，被判為質(zhì)量改進(jìn)機(jī)會（1-是質(zhì)量改進(jìn)機(jī)會；0-不是質(zhì)量改進(jìn)機(jī)會；），以及迫切程度的優(yōu)先級。從結(jié)果可以看出，缺陷等級為B 的但數(shù)量不多的缺陷，也被識別出來。

為了對決策模型有效性進(jìn)行檢驗(yàn)，從新的未測試的數(shù)據(jù)庫隨機(jī)抽取1307 條歷史數(shù)據(jù)來測試訓(xùn)練后的模型，分析當(dāng)日最多的數(shù)據(jù)top10 分布，得到如圖5。

通過對模型結(jié)果圖4 對應(yīng)的改進(jìn)機(jī)會當(dāng)日，5日，15日，30日的數(shù)據(jù)分布可知，“轉(zhuǎn)向架_轉(zhuǎn)向架_表面問題”在上述幾天分布中是數(shù)量最多的，其次是“轉(zhuǎn)向架_輪對軸箱組成_表面問題”數(shù)量也較多。當(dāng)日數(shù)據(jù)量最多的，在連續(xù)累計(jì)的5日，15日，30日也是最多的，但除了模型結(jié)果圖4 對應(yīng)的改進(jìn)機(jī)會當(dāng)日外，后續(xù)的一個月內(nèi)數(shù)量幾乎沒增長，也就是說，模型結(jié)果圖4 對應(yīng)的改進(jìn)機(jī)會當(dāng)日最多的問題，可能是偶發(fā)現(xiàn)象，或當(dāng)日就把問題解決。

模型總體上來說，比較好的反映出質(zhì)量改進(jìn)機(jī)會的大部分特征，但由于部分?jǐn)?shù)據(jù)記錄比較粗略，細(xì)化的內(nèi)容在缺陷描述中，故部分潛在質(zhì)量改進(jìn)機(jī)會不能全面囊括缺陷特征，如果有更詳細(xì)的數(shù)據(jù)描述用于模型的驗(yàn)證、評估與優(yōu)化，該質(zhì)量改進(jìn)機(jī)會自動識別模型是可以提升其準(zhǔn)確度與精確度的，讓相關(guān)責(zé)任部門更容易定位到具體的問題。

6 結(jié)論

本文依據(jù)動車組企業(yè)實(shí)際需求，利用制造過程及售后運(yùn)營中積累的大量質(zhì)量歷史數(shù)據(jù)，構(gòu)建質(zhì)量改進(jìn)評價指標(biāo)體系，構(gòu)建出自動推送質(zhì)量改進(jìn)機(jī)會的預(yù)警模型。在分析出的質(zhì)量改進(jìn)機(jī)會的前提下，建立基于數(shù)據(jù)決策的質(zhì)量改進(jìn)系統(tǒng)，為企業(yè)的產(chǎn)品質(zhì)量持續(xù)改進(jìn)提供了一定程度的數(shù)據(jù)支持。經(jīng)實(shí)際數(shù)據(jù)檢測，該模型所達(dá)到的準(zhǔn)備率可滿足企業(yè)是否自動所識別出潛在質(zhì)量改進(jìn)機(jī)會是否是質(zhì)量改進(jìn)機(jī)會及其影響因素診斷決策需求，所獲得的規(guī)則對質(zhì)量管理提供一定指導(dǎo)作用，證明了模型的有效性。