基于頻繁模式挖掘的 制造型企業(yè)決策優(yōu)化研究***

黃睿 尹詩(shī)斯 李胡升

〔 DOI〕 10.19653/j.cnki.dbcjdxxb.2020.04.009

〔引用格式〕 ?黃睿，尹詩(shī)斯，李胡升.基于頻繁模式挖掘的制造型企業(yè)決策優(yōu)化研究[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2020，（4）：79-89.

〔摘要〕隨著射頻識(shí)別（下簡(jiǎn)稱RFID）技術(shù)被廣泛應(yīng)用于制造型企業(yè)進(jìn)行生產(chǎn)數(shù)據(jù)的采集，生產(chǎn)數(shù)據(jù)在數(shù)據(jù)源質(zhì)量和動(dòng)態(tài)性方面都有所提升。本文針對(duì)目前制造型企業(yè)在生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈方面的管理弱項(xiàng)，以案例研究為基礎(chǔ)，探索頻繁模式挖掘在制造型企業(yè)生產(chǎn)物流場(chǎng)景的應(yīng)用情況，即基于RFID生產(chǎn)數(shù)據(jù)構(gòu)建RFID大數(shù)據(jù)模型，經(jīng)過(guò)數(shù)據(jù)清理、壓縮和分類，依據(jù)不同的科學(xué)管理目標(biāo)進(jìn)行物流軌跡識(shí)別，并最終結(jié)合具體的業(yè)務(wù)場(chǎng)景，對(duì)制造型企業(yè)的生產(chǎn)計(jì)劃和控制、物流與和供應(yīng)鏈方面的管理決策優(yōu)化提出建議。

〔關(guān)鍵詞〕制造型企業(yè);頻繁模式挖掘;物流軌跡;決策優(yōu)化：RFID大數(shù)據(jù)模型

中圖分類號(hào)：F272.3;TP311.13??文獻(xiàn)標(biāo)識(shí)碼：A??文章編號(hào)：1008-4096（2020）04-0079-11

一、問(wèn)題的提出

制造業(yè)是通過(guò)制造過(guò)程，將物流、人力、信息、工具和能源等資源轉(zhuǎn)化為可供人們使用和利用的大型工具、工業(yè)品與生活消費(fèi)產(chǎn)品的行業(yè)，在國(guó)民經(jīng)濟(jì)中占有重要份額，它的發(fā)展水平直接體現(xiàn)國(guó)家的生產(chǎn)力水平。2013年德國(guó)政府在漢諾威工業(yè)博覽會(huì)上正式推出“工業(yè)4.0”的國(guó)家級(jí)戰(zhàn)略，該戰(zhàn)略包含 “智能工廠”“智能生產(chǎn)”和“智能物流”三大主題，涵蓋智能化生產(chǎn)系統(tǒng)研究、先進(jìn)工業(yè)生產(chǎn)技術(shù)研究及物流資源整合研究，其目的是為了提高國(guó)家的工業(yè)競(jìng)爭(zhēng)力，在新一輪工業(yè)革命中占領(lǐng)先機(jī)。在這場(chǎng)科技競(jìng)賽中，“中國(guó)制造2025”應(yīng)運(yùn)而生：2015年國(guó)務(wù)院和工業(yè)和信息化部先后出臺(tái)的《中國(guó)制造2025》《國(guó)務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)》和《工業(yè)和信息化部關(guān)于貫徹落實(shí)<國(guó)務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)>的行動(dòng)計(jì)劃（2015-2018年）》等一系列指導(dǎo)性文件將制造強(qiáng)國(guó)定位于國(guó)家戰(zhàn)略高度，部署實(shí)施國(guó)家制造業(yè)創(chuàng)新中心建設(shè)、智能制造、工業(yè)強(qiáng)基、綠色制造、高端裝備創(chuàng)新5項(xiàng)重大工程，力求實(shí)現(xiàn)長(zhǎng)期制約制造業(yè)發(fā)展的關(guān)鍵共性技術(shù)突破，提升我國(guó)制造業(yè)的整體競(jìng)爭(zhēng)力。

由于人口紅利消失而導(dǎo)致的勞動(dòng)力稀缺、下游需求持續(xù)復(fù)蘇及企業(yè)自身行業(yè)競(jìng)爭(zhēng)壓力增大等原因，中國(guó)制造業(yè)目前正處于生產(chǎn)數(shù)據(jù)采集失真、生產(chǎn)進(jìn)度監(jiān)控不足、生產(chǎn)質(zhì)量追溯缺失及靈活的決策分析平臺(tái)缺乏的困境之中^[1]。

以制造業(yè)中最具代表性的汽車行業(yè)為例，在“工業(yè)4.0”與“中國(guó)制造2025”的時(shí)代要求和政策環(huán)境下，大多數(shù)汽車制造商都由傳統(tǒng)的計(jì)劃性生產(chǎn)模式轉(zhuǎn)變?yōu)镴IT（Just IN Time，準(zhǔn)時(shí)化）生產(chǎn)模式。該生產(chǎn)模式要求企業(yè)在生產(chǎn)系統(tǒng)的各個(gè)環(huán)節(jié)按客戶所需，在所需的時(shí)間點(diǎn)內(nèi)生產(chǎn)所需數(shù)量的產(chǎn)品。生產(chǎn)模式的轉(zhuǎn)變無(wú)疑對(duì)生產(chǎn)線的過(guò)程控制和生產(chǎn)計(jì)劃的有效執(zhí)行提出了更高的要求。而通過(guò)傳統(tǒng)的條碼技術(shù)采集信息，存在不易讀取、無(wú)寫入信息或更新內(nèi)存的缺點(diǎn)，已然無(wú)法支持智能物流背景下企業(yè)管理者及時(shí)、透明地跟蹤生產(chǎn)線上的實(shí)際生產(chǎn)進(jìn)度和質(zhì)量狀況，進(jìn)而影響生產(chǎn)計(jì)劃的達(dá)成。因此，企業(yè)轉(zhuǎn)而尋求信息化手段以提高管理透明度，應(yīng)對(duì)和解決目前制造業(yè)面臨的普遍困境。

在技術(shù)手段的革新層面上，射頻識(shí)別（簡(jiǎn)稱RFID）技術(shù)作為物聯(lián)網(wǎng)技術(shù)中重要的一種無(wú)線通信技術(shù)，因其具備非接觸識(shí)別、閱讀速度極快、能在惡劣環(huán)境中進(jìn)行讀取與存儲(chǔ)等優(yōu)勢(shì)，已逐步替換傳統(tǒng)的條碼技術(shù)被運(yùn)用于制造型企業(yè)生產(chǎn)運(yùn)營(yíng)的各個(gè)環(huán)節(jié)^?[2]。配備有RFID信息采集設(shè)備的應(yīng)用場(chǎng)景可預(yù)見(jiàn)性地將會(huì)隨著智能制造戰(zhàn)略的推進(jìn)實(shí)施與日俱增，相應(yīng)地，由RFID信息采集設(shè)備采集而來(lái)的、與生產(chǎn)運(yùn)營(yíng)活動(dòng)息息相關(guān)的生產(chǎn)數(shù)據(jù)便會(huì)十分龐大且冗雜。但是，目前已有文獻(xiàn)中針對(duì)這些生產(chǎn)數(shù)據(jù)的挖掘方法的研究仍舊存在局限?；诖?，本文擬解決兩大問(wèn)題：第一，在借鑒前人相關(guān)研究成果的基礎(chǔ)上，建立一個(gè)適應(yīng)生產(chǎn)數(shù)據(jù)特性的數(shù)據(jù)模型，采用更為合適的數(shù)據(jù)挖掘方法，依據(jù)不同的科學(xué)管理目標(biāo)，發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，挖掘出物流軌跡。第二，利用挖掘的物流軌跡探討其對(duì)制造型企業(yè)決策制定的指導(dǎo)優(yōu)化作用，幫助企業(yè)在向“中國(guó)制造2025”的轉(zhuǎn)型升級(jí)中優(yōu)化生產(chǎn)計(jì)劃和控制、物流與供應(yīng)鏈等方面的管理決策，提升其科學(xué)管理水平，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。對(duì)于這兩大問(wèn)題的研究，不僅在大數(shù)據(jù)分析的角度順應(yīng)當(dāng)今時(shí)代要求和“中國(guó)制造2025”的戰(zhàn)略方針，對(duì)生產(chǎn)數(shù)據(jù)的采集、處理與分析做出探討與嘗試，還能夠從管理學(xué)視角上，探討用挖掘出的信息內(nèi)涵指導(dǎo)企業(yè)優(yōu)化管理和生產(chǎn)，提升整體科學(xué)管理水平，增強(qiáng)行業(yè)競(jìng)爭(zhēng)力。

二、相關(guān)文獻(xiàn)綜述

（一）頻繁模式挖掘

在信息化社會(huì)背景下，每天都有巨大的數(shù)據(jù)量產(chǎn)生。對(duì)這些海量數(shù)據(jù)進(jìn)行有效處理，進(jìn)而獲取和總結(jié)出能夠提高組織與社會(huì)效益的關(guān)鍵信息，需要行之有效的數(shù)據(jù)挖掘技術(shù)。

目前，在數(shù)據(jù)挖掘領(lǐng)域中最為常用的數(shù)據(jù)挖掘算法有頻繁模式挖掘、聚類分析、決策樹(shù)和貝葉斯網(wǎng)絡(luò)等。其中頻繁模式挖掘的目的是在大量的數(shù)據(jù)中獲取到頻繁出現(xiàn)的模式，這些模式以規(guī)則的形式體現(xiàn)，當(dāng)以時(shí)間或空間信息為關(guān)聯(lián)規(guī)則時(shí)，可以通過(guò)可視化技術(shù)得到物流軌跡。因該方法適合求取大量數(shù)據(jù)中某些事物之間的關(guān)聯(lián)，并且過(guò)程簡(jiǎn)潔明了，非常易于編寫和修改擴(kuò)展，已成為應(yīng)用最廣泛的數(shù)據(jù)挖掘算法之一^[3]。

基于此，頻繁模式挖掘也成為了新興的研究熱點(diǎn)。熊聰聰和劉品超^[4]建立了一個(gè)挖掘射頻標(biāo)簽矩陣列的框架，然后利用頻繁模式挖掘技術(shù)進(jìn)行活動(dòng)檢查，通過(guò)RFID獲得數(shù)據(jù)集的實(shí)證驗(yàn)證了假設(shè)，但是，應(yīng)對(duì)RFID的標(biāo)簽容量增加而帶來(lái)的更多信息，充分地運(yùn)用這些信息進(jìn)行數(shù)據(jù)挖掘有待進(jìn)一步研究。隨著聚類、模式挖掘檢測(cè)和可視化技術(shù)的聚集，另一個(gè)框架被引入進(jìn)來(lái)，從而形成分析大型軌跡數(shù)據(jù)集的移動(dòng)群模式^[5]。Han等^[6]在物流運(yùn)輸場(chǎng)景中將運(yùn)輸數(shù)據(jù)引入到一個(gè)完整的軌跡聚類、分類和離群點(diǎn)檢測(cè)框架，發(fā)現(xiàn)模型構(gòu)建與算法分析在頻繁軌跡的模式挖掘中具有重要意義。

為了獲取準(zhǔn)確完整的模式集合，Kusumakumari等^[7]基于 Hadoop 框架挖掘數(shù)據(jù)流中的模式集合使用了Cantree-GTree算法，該算法使用投影樹(shù)結(jié)構(gòu)Cantree和GTree存儲(chǔ)模式信息，并采用自頂向下的遍歷方式搜索整棵樹(shù)。為了提高挖掘效率，Han等^[8]設(shè)定了閉合頻繁模式滿足支持度-誤差度-衰減因子這三層結(jié)構(gòu)，基于TDMCS 算法采用滑動(dòng)窗口模型和時(shí)間衰減模型挖掘可變數(shù)據(jù)流中的模式集合。該算法設(shè)計(jì)一種均值衰減衰減因子，使得到的模式結(jié)果集合具有高且均衡的查全率和查準(zhǔn)率。

（二）數(shù)據(jù)挖掘在制造型企業(yè)決策的應(yīng)用

隨著來(lái)自生產(chǎn)業(yè)務(wù)中的“數(shù)據(jù)海嘯”越來(lái)越多，越來(lái)越多的企業(yè)和學(xué)者意識(shí)到具備分析處理大量數(shù)據(jù)的能力、利用大數(shù)據(jù)解決方案優(yōu)化企業(yè)管理將成為在“中國(guó)制造2025”轉(zhuǎn)型升級(jí)戰(zhàn)役中的制勝關(guān)鍵。

辛璐和唐方成^[9]研究了如何感知大數(shù)據(jù)分析并將其作為企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)的驅(qū)動(dòng)力。鞏家婧等^[10]以物流企業(yè)為例，指出通過(guò)分析不同類型的大數(shù)據(jù)信息（客戶信息、市場(chǎng)行情數(shù)據(jù)、銷量數(shù)據(jù)等），不僅能夠提高企業(yè)供應(yīng)鏈管理效率，還因這些大數(shù)據(jù)來(lái)源于工作實(shí)踐，具備實(shí)踐性和可靠性，可以科學(xué)、精準(zhǔn)、快速地為企業(yè)管理者提供決策指導(dǎo)信息。

研究者們進(jìn)一步探索了大數(shù)據(jù)在生產(chǎn)制造、工業(yè)自動(dòng)化中的應(yīng)用，即通過(guò)分析大數(shù)據(jù)對(duì)企業(yè)績(jī)效管理的影響，促進(jìn)大數(shù)據(jù)在工業(yè)領(lǐng)域的應(yīng)用^[11]。然而，與金融、IT、電子商務(wù)等領(lǐng)域相比，數(shù)據(jù)挖掘在制造業(yè)中的研究和應(yīng)用仍處于初級(jí)階段。譚軍^[12]采用文本挖掘技術(shù)對(duì)數(shù)據(jù)挖掘在制造業(yè)中的應(yīng)用進(jìn)行研究發(fā)現(xiàn)，現(xiàn)有數(shù)據(jù)挖掘應(yīng)用研究在質(zhì)量控制、制造過(guò)程、產(chǎn)品設(shè)計(jì)、故障診斷、制造系統(tǒng)、維修、產(chǎn)量提高、車間作業(yè)調(diào)度等領(lǐng)域已經(jīng)得到較充分的開(kāi)展，但在生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈領(lǐng)域的研究工作相對(duì)薄弱。在質(zhì)量過(guò)程監(jiān)控方面，如伸縮探針在半導(dǎo)體行業(yè)中被用于檢測(cè)半導(dǎo)體產(chǎn)品的質(zhì)量。而探針隨著使用頻次的增多的老化會(huì)影響產(chǎn)品檢測(cè)結(jié)果，給企業(yè)帶來(lái)經(jīng)濟(jì)損失。Aye等^[13]基于線性回歸和分類模型對(duì)伸縮探針的狀態(tài)進(jìn)行建模，從而掌握探針的老化程度，減少由于探針自身壽命問(wèn)題帶來(lái)的產(chǎn)品質(zhì)量檢測(cè)錯(cuò)誤，提高準(zhǔn)確率。傳統(tǒng)的冷軋產(chǎn)品缺陷檢測(cè)方法，檢測(cè)標(biāo)準(zhǔn)不一，且存在大量漏洞和誤判。郭龍波^[14]使用實(shí)際的生產(chǎn)數(shù)據(jù)訓(xùn)練二分決策樹(shù)和多分決策樹(shù)，得到了找到產(chǎn)品缺陷的眾多規(guī)則，解決了傳統(tǒng)冷軋產(chǎn)品缺陷檢測(cè)方法標(biāo)準(zhǔn)不一的問(wèn)題，使企業(yè)可以根據(jù)挖掘結(jié)果快速準(zhǔn)確的檢測(cè)生產(chǎn)出的冷軋產(chǎn)品的缺陷，提高了檢測(cè)的準(zhǔn)確率。在車間生產(chǎn)調(diào)度方面，王成龍^[15]基于大數(shù)據(jù)分析，采用決策樹(shù)模型、優(yōu)化了車間調(diào)度方案。劉娜^[16]用決策樹(shù)模型對(duì)紡紗廠數(shù)據(jù)進(jìn)行分析，得到了機(jī)器細(xì)小位置移動(dòng)次數(shù)和機(jī)器效率對(duì)停止次數(shù)的影響，以此為依據(jù)調(diào)整、檢測(cè)機(jī)器提高車間生產(chǎn)效率、加強(qiáng)人員、機(jī)器的調(diào)配。以上研究是基于靜態(tài)的生產(chǎn)數(shù)據(jù)，利用線性回歸、分類模型、決策樹(shù)等數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)其在制造業(yè)背景下的應(yīng)用內(nèi)涵。

隨著RFID技術(shù)在制造業(yè)的推行和運(yùn)用，生產(chǎn)數(shù)據(jù)由靜態(tài)轉(zhuǎn)變?yōu)閯?dòng)態(tài)，且在數(shù)據(jù)源質(zhì)量上有了大幅度的提升，針對(duì)這些大量的RFID生產(chǎn)數(shù)據(jù)，基于頻繁模式挖掘算法適合求取大量數(shù)據(jù)的關(guān)聯(lián)性的特點(diǎn)，引入該算法能方便個(gè)人與多個(gè)企業(yè)共享所挖掘的知識(shí)^[17]。目前的研究中，頻繁模式挖掘算法主要被運(yùn)用于交通運(yùn)輸領(lǐng)域：劉春等^[18]提出了基于地點(diǎn)語(yǔ)義的個(gè)體用戶軌跡頻繁模式挖掘方法，對(duì)用戶潛在的拼車需求進(jìn)行主動(dòng)識(shí)別和發(fā)掘，為共享拼車等基于位置的智能推薦提供更高的精準(zhǔn)度。鄢團(tuán)軍等^[19]對(duì)裝備有RFID的電動(dòng)車的運(yùn)行數(shù)據(jù)利用頻繁軌跡模式進(jìn)行數(shù)據(jù)挖掘，發(fā)現(xiàn)用戶行為規(guī)律，挖掘有價(jià)值的潛在信息。

近年來(lái)，更多研究者對(duì)頻繁模式數(shù)據(jù)挖掘算法在其他諸多領(lǐng)域的應(yīng)用也進(jìn)行了一些嘗試：潘曉英等^[20]提出一種將消費(fèi)流水?dāng)?shù)據(jù)轉(zhuǎn)換為帶有時(shí)空屬性的消費(fèi)軌跡樹(shù)DP-DBSCAN算法和帶有關(guān)系標(biāo)簽的頻繁軌跡挖掘模式FP-Tree用于關(guān)系軌跡網(wǎng)及孤立人群，為管理與優(yōu)化決策提供可參照的依據(jù)。李勇男^[21]結(jié)合時(shí)間序列模式挖掘、空間模式挖掘等數(shù)據(jù)挖掘方法，量化恐怖活動(dòng)概率，對(duì)恐怖分子動(dòng)向進(jìn)行精準(zhǔn)預(yù)測(cè)，提高打擊恐怖活動(dòng)的效率。在基于對(duì)物流軌跡的探索方面，趙秀麗和徐維祥提出了適合在物流 RFID 數(shù)據(jù)庫(kù)中進(jìn)行頻繁模式數(shù)據(jù)挖掘的關(guān)鍵概念（頻繁裝（卸）貨地點(diǎn)、頻繁直達(dá)路徑和頻繁轉(zhuǎn)運(yùn)路徑等），利用這些概念和有效的剪枝策略為物流公司的科學(xué)管理與線路優(yōu)化提供及時(shí)準(zhǔn)確的決策依據(jù)^[22]。趙利^[23]提出針對(duì) RFID 產(chǎn)生的海量數(shù)據(jù)，基于深度優(yōu)先搜索（DFS）挖掘頻繁路徑，并以此為基礎(chǔ)根據(jù)物品路徑歷史數(shù)據(jù)預(yù)測(cè)物品達(dá)到的下一位置及時(shí)間，以輔助企業(yè)進(jìn)行物流配送管理和優(yōu)化。

綜上，研究者們?cè)陬l繁模式挖掘、數(shù)據(jù)挖掘技術(shù)在制造業(yè)的運(yùn)用研究?jī)蓚€(gè)領(lǐng)域分別進(jìn)行了諸多探索。但現(xiàn)有研究仍存在以下三個(gè)不足：第一，以上大部分研究成果多處于實(shí)驗(yàn)階段，其數(shù)據(jù)來(lái)源多為人工篩選和審查的高質(zhì)量數(shù)據(jù)，而實(shí)際生產(chǎn)環(huán)境中仍面臨許多數(shù)據(jù)質(zhì)量問(wèn)題。第二，頻繁模式挖掘上，缺乏適應(yīng)“生產(chǎn)數(shù)據(jù)”數(shù)據(jù)特點(diǎn)的大數(shù)據(jù)模型，充分地運(yùn)用RFID包含的信息進(jìn)行數(shù)據(jù)挖掘和物流軌跡的挖掘效率都有待進(jìn)一步研究，同時(shí)頻繁模式挖掘在在制造業(yè)背景下的探索相對(duì)薄弱。第三，生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈領(lǐng)域的應(yīng)用研究工作缺乏將數(shù)據(jù)挖掘方案合理整合到具體的業(yè)務(wù)場(chǎng)景中的探討。因此，本文力求突破對(duì)以上理論研究的不足，并在理論上提出一定補(bǔ)充：第一，配備有RFID數(shù)據(jù)采集設(shè)備的生產(chǎn)物流場(chǎng)景很大程度上提高了數(shù)據(jù)源質(zhì)量。第二，構(gòu)建全新的適應(yīng)于存儲(chǔ)“種類繁多且冗雜”生產(chǎn)數(shù)據(jù)的RFID大數(shù)據(jù)模型，通過(guò)清理、壓縮和分類步驟提升數(shù)據(jù)挖掘效率。將生產(chǎn)物流場(chǎng)景中產(chǎn)品的流動(dòng)類比于交通運(yùn)輸場(chǎng)景下貨物的運(yùn)送，進(jìn)行頻繁模式挖掘在生產(chǎn)物流新場(chǎng)景中的應(yīng)用研究。第三，探討基于頻繁模式挖掘的數(shù)據(jù)挖掘結(jié)果對(duì)制造業(yè)在現(xiàn)有諸如生產(chǎn)計(jì)劃和控制、供應(yīng)鏈和物流等薄弱環(huán)節(jié)的決策優(yōu)化作用，以求幫助企業(yè)降低成本，提升核心競(jìng)爭(zhēng)力。

三、案例跟蹤與研究設(shè)計(jì)

（一）案例跟蹤

本文以重慶某汽車電子有限公司為對(duì)象進(jìn)行個(gè)案研究。該企業(yè)為主要汽車制造商提供汽車電子產(chǎn)品服務(wù)，產(chǎn)品涵蓋汽車音響系統(tǒng)、換檔指示器、 加熱指示器等電子控制功能模塊。為迎合市場(chǎng)變化和滿足客戶的及時(shí)性需求，該企業(yè)于2018年12月至2019年11月發(fā)起了“工廠智能化提升”項(xiàng)目。項(xiàng)目?jī)?nèi)容包括企業(yè)內(nèi)部組織改革、生產(chǎn)線流程再造、車間物流價(jià)值鏈提升、制造信息化升級(jí)等。

企業(yè)內(nèi)部組織改革是通過(guò)對(duì)原有的職能結(jié)構(gòu)和事業(yè)部進(jìn)行了重新設(shè)計(jì)，把原來(lái)的職能型的結(jié)構(gòu)轉(zhuǎn)變成流程型網(wǎng)絡(luò)結(jié)構(gòu)，垂直業(yè)務(wù)結(jié)構(gòu)轉(zhuǎn)變成水平業(yè)務(wù)流程，形成首尾相接和完整連貫的新的業(yè)務(wù)流程。這種組織結(jié)構(gòu)由“金字塔”向“扁平化”管理模式的轉(zhuǎn)變，有助于幫助高層管理人員聚焦于企業(yè)的重大戰(zhàn)略決策和改革方案，同時(shí)激勵(lì)基層員工積極參與企業(yè)決策，充分發(fā)揮所有員工的潛能，提高決策的有效性和時(shí)效性，增強(qiáng)企業(yè)的凝聚力。

生產(chǎn)線流程再造和車間物流價(jià)值鏈提升是由生產(chǎn)職能團(tuán)隊(duì)和物流團(tuán)隊(duì)引領(lǐng)改革的主要內(nèi)容，其目的是通過(guò)對(duì)當(dāng)前生產(chǎn)節(jié)拍、產(chǎn)能負(fù)荷、生產(chǎn)設(shè)備布局、線內(nèi)物流方式和在制品數(shù)量等關(guān)鍵信息的調(diào)研，以價(jià)值流程圖（VSM）作為變革管理工具描述和指導(dǎo)生產(chǎn)過(guò)程中的物流和信息流優(yōu)化，改進(jìn)工藝流程和物料流程，節(jié)約生產(chǎn)場(chǎng)地，減少在制品庫(kù)存，最終實(shí)現(xiàn)生產(chǎn)效率和產(chǎn)品品質(zhì)的提升。

制造信息化升級(jí)的目標(biāo)是提升企業(yè)決策的科學(xué)性和管理透明度。該項(xiàng)改革內(nèi)容圍繞基于MES系統(tǒng)的生產(chǎn)數(shù)據(jù)搜集與頻繁模式挖掘來(lái)進(jìn)行，如依據(jù)工藝流程的關(guān)鍵控制項(xiàng)優(yōu)化信息采集設(shè)備（如RFID、各類傳感器等）安裝位置和信息采集內(nèi)容，優(yōu)化對(duì)采集而來(lái)的數(shù)據(jù)的提煉與運(yùn)用等。

（二）研究設(shè)計(jì)

結(jié)合前文的文獻(xiàn)研究結(jié)果，研究者們采用多頻次實(shí)地調(diào)查對(duì)以上改革項(xiàng)目進(jìn)行了個(gè)案跟蹤。個(gè)案跟蹤主要圍繞“基于頻繁模式挖掘的企業(yè)決策優(yōu)化”這一問(wèn)題進(jìn)行考察：通過(guò)對(duì)該項(xiàng)目實(shí)施（2019年4月至2019年7月）和項(xiàng)目總結(jié)（2019年10月至2019年11月）兩個(gè)階段中的四個(gè)核心組織團(tuán)隊(duì)（信息技術(shù)部門、生產(chǎn)部門、物流部門和采購(gòu)部門）進(jìn)行深入觀察，總結(jié)提煉出數(shù)據(jù)挖掘方法及基于頻繁模式挖掘的決策優(yōu)化建議。

首先，在項(xiàng)目實(shí)施階段，研究者主要調(diào)研了生產(chǎn)部門和信息技術(shù)部門關(guān)于該項(xiàng)目的內(nèi)部資料文件，研究發(fā)現(xiàn)大數(shù)據(jù)分析方法在該企業(yè)中的初步應(yīng)用，基于對(duì)頻繁模式挖掘的文獻(xiàn)研究基礎(chǔ)，進(jìn)一步構(gòu)建出基于RFID生產(chǎn)數(shù)據(jù)的數(shù)據(jù)挖掘方法。該方法是以項(xiàng)目中的生產(chǎn)物流場(chǎng)景為基礎(chǔ)構(gòu)建概念模型，模擬產(chǎn)品從倉(cāng)庫(kù)流動(dòng)至車間，在車間生產(chǎn)線完成制造過(guò)程，從車間流回倉(cāng)庫(kù)的全過(guò)程，在該過(guò)程中建立RFID數(shù)據(jù)采集關(guān)鍵點(diǎn)進(jìn)行數(shù)據(jù)采集。概念模型的建立是對(duì)制造型企業(yè)生產(chǎn)物流環(huán)節(jié)的抽象，以此為基礎(chǔ)，針對(duì)RFID生產(chǎn)數(shù)據(jù)“數(shù)據(jù)量大、種類繁多”的特點(diǎn)，進(jìn)一步建立RFID數(shù)據(jù)模型。并形成對(duì)RFID生產(chǎn)數(shù)據(jù)進(jìn)行清理、壓縮和分類的數(shù)據(jù)挖掘方法。該挖掘方法界定了數(shù)據(jù)的輸入形式、輸出形式及算法實(shí)現(xiàn)邏輯。經(jīng)清理、壓縮和分類處理后的RFID生產(chǎn)數(shù)據(jù)可以用于時(shí)空順序上的模式識(shí)別，進(jìn)一步提取物流軌跡。

其次，在項(xiàng)目總結(jié)階段，研究者參加了上述每個(gè)團(tuán)隊(duì)舉行的項(xiàng)目總結(jié)工作會(huì)議并詳細(xì)記錄每次會(huì)議的相關(guān)信息，形成觀察記錄日記。針對(duì)該“工廠智能化提升”項(xiàng)目對(duì)日常工作的改善這一問(wèn)題，對(duì)來(lái)自該企業(yè)物流部門、生產(chǎn)部門、采購(gòu)部門的技術(shù)人員進(jìn)行了采訪，形成了訪談文本。通過(guò)對(duì)觀察日記和訪談?dòng)涗浀膶?duì)比分析、提煉抽象，圍繞企業(yè)在生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈等方面的決策優(yōu)化提出建議和結(jié)論。

最后，以上案例跟蹤的研究結(jié)果對(duì)文獻(xiàn)研究中的不足進(jìn)行了有效的補(bǔ)充：項(xiàng)目實(shí)施階段的研究結(jié)果一定程度上彌補(bǔ)了理論研究中基于制造業(yè)生產(chǎn)數(shù)據(jù)的數(shù)據(jù)挖掘方法的不足。項(xiàng)目總結(jié)階段的研究結(jié)果將企業(yè)數(shù)據(jù)挖掘?qū)嵺`融入到具體的決策優(yōu)化探討之中，彌補(bǔ)了現(xiàn)有文獻(xiàn)中在業(yè)務(wù)場(chǎng)景整合方面的不足。

四、基于RFID生產(chǎn)數(shù)據(jù)的頻繁模式挖掘研究

（一）RFID大數(shù)據(jù)模型

⒈ 生產(chǎn)物流與概念模型構(gòu)建

本文以“中國(guó)制造2025”背景下配備有RFID數(shù)據(jù)采集設(shè)備的生產(chǎn)物流場(chǎng)景為例。根據(jù)《物流術(shù)語(yǔ)國(guó)家標(biāo)準(zhǔn)》對(duì)生產(chǎn)物流的定義，生產(chǎn)物流指生產(chǎn)過(guò)程中原材料、在制品、半成品、產(chǎn)成品等在企業(yè)內(nèi)部的實(shí)體流動(dòng)。生產(chǎn)物流的過(guò)程可以概括為：原材料、零部件、外購(gòu)件、燃料等輔助材料從企業(yè)倉(cāng)庫(kù)開(kāi)始，進(jìn)入生產(chǎn)線的開(kāi)始端并投入生產(chǎn)，經(jīng)過(guò)下料、發(fā)料、運(yùn)送到各個(gè)加工點(diǎn)和存儲(chǔ)點(diǎn)，以在制品的形態(tài)，從一個(gè)生產(chǎn)單位（倉(cāng)庫(kù)）流入另一個(gè)生產(chǎn)單位，隨生產(chǎn)加工過(guò)程一個(gè)一個(gè)環(huán)節(jié)的“流”，在“流”的過(guò)程中按照規(guī)定的工藝過(guò)程進(jìn)行加工、儲(chǔ)存，借助一定的運(yùn)輸裝置在某個(gè)點(diǎn)內(nèi)流轉(zhuǎn)，又從某個(gè)點(diǎn)內(nèi)流出，直到生產(chǎn)加工終結(jié)，再“流”至成品倉(cāng)庫(kù)終結(jié)了企業(yè)生產(chǎn)物流過(guò)程。

目前，構(gòu)建一個(gè)全方位支持RFID的生產(chǎn)物流場(chǎng)景的方式，即在倉(cāng)庫(kù)和車間這兩個(gè)關(guān)鍵的生產(chǎn)場(chǎng)景中配置RFID設(shè)備進(jìn)行數(shù)據(jù)采集：倉(cāng)庫(kù)中的RFID設(shè)備規(guī)劃在原材料裝載區(qū)域，用于綁定生產(chǎn)標(biāo)簽和批次;車間中的RFID通常根據(jù)生產(chǎn)對(duì)象的不同而出現(xiàn)方式不同，如配置固定讀卡器的生產(chǎn)設(shè)備（固定）、攜帶手持RFID閱讀器的物流操作員工（移動(dòng)）。在該場(chǎng)景下，設(shè)備（人）都將轉(zhuǎn)換為可感知、可反應(yīng)（行動(dòng)）、可推理和相互通信的智能制造對(duì)象。而根據(jù)預(yù)定義的邏輯，這些智能制造對(duì)象將自動(dòng)進(jìn)行產(chǎn)品生產(chǎn)和物料轉(zhuǎn)移。

基于此，構(gòu)建了基于RFID環(huán)境中的生產(chǎn)物流過(guò)程作為大數(shù)據(jù)分析方法的概念模型，如圖1所示。其中，原材料經(jīng)由外部物流人員完成RFID標(biāo)簽與批次的綁定后被轉(zhuǎn)移至生產(chǎn)車間物料緩沖區(qū)A，緩沖區(qū)配有RFID設(shè)備監(jiān)測(cè)物料的進(jìn)出，數(shù)據(jù)中心發(fā)送工作任務(wù)至內(nèi)部物流操作員，內(nèi)部物流操作員使用便攜式RFID設(shè)備來(lái)識(shí)別相應(yīng)的物料并根據(jù)任務(wù)要求將特定數(shù)量的物料運(yùn)輸至相應(yīng)的設(shè)備上進(jìn)行加工B，操作工在接收到物料后操作配以固定式RFID的設(shè)備進(jìn)行操作和加工，一旦工作完成（成品出現(xiàn)），數(shù)據(jù)倉(cāng)庫(kù)發(fā)送工作任務(wù)至外部物流操作人員C，外部物流人員根據(jù)數(shù)據(jù)運(yùn)輸成品至接收區(qū)進(jìn)行出庫(kù)處理。由此，在全方位支持RFID的生產(chǎn)環(huán)境中，物流過(guò)程得以被重新設(shè)計(jì)和優(yōu)化。即：第一，通過(guò)RFID外部物流操作員和內(nèi)部物流操作員可以執(zhí)行物料的移交過(guò)程。第二，通過(guò)基于RFID的數(shù)據(jù)倉(cāng)庫(kù)，物料信息得以被實(shí)時(shí)監(jiān)測(cè)并及時(shí)地以工作任務(wù)的形式發(fā)送到智能制造對(duì)象。第三，RFID獲得的信息被數(shù)據(jù)中心采集，為大數(shù)據(jù)分析做準(zhǔn)備。

⒉ 數(shù)據(jù)立方體

將生產(chǎn)場(chǎng)景（倉(cāng)庫(kù)、車間）中RFID獲得的包含電子產(chǎn)品代碼、地點(diǎn)、事件、操作員、時(shí)間、數(shù)量等信息的數(shù)組結(jié)構(gòu)，定義為元組。元組中電子產(chǎn)品代碼是一批材料的唯一標(biāo)識(shí)符，可以被射頻識(shí)別閱讀器讀取;地點(diǎn)是操作和事件發(fā)生的確切位置。事件是指有效的射頻識(shí)別檢測(cè)或?qū)ι漕l識(shí)別設(shè)備的操作;操作員是事件的執(zhí)行者;時(shí)間意為事件何時(shí)發(fā)生;數(shù)量是指每批材料的標(biāo)準(zhǔn)數(shù)量。生產(chǎn)制造過(guò)程中物料發(fā)生轉(zhuǎn)移，多個(gè)元組在短時(shí)間內(nèi)通過(guò)不同的RFID設(shè)備連續(xù)產(chǎn)生，從而形成元組流。單個(gè)元組所記錄的數(shù)據(jù)信息按照物流邏輯、元組維度及信息深度構(gòu)建為一個(gè)具有三維結(jié)構(gòu)的“數(shù)據(jù)立方體”。

“數(shù)據(jù)立方體”的元組維度意指以計(jì)算機(jī)領(lǐng)域數(shù)據(jù)類型（如Text、Varchar、Int等）可以進(jìn)行定義的產(chǎn)品代碼、位置、操作人員、時(shí)間和數(shù)量等關(guān)鍵屬性;物流邏輯維度定義的是與物流活動(dòng)相關(guān)的人員、機(jī)器、材料、方法及環(huán)境等信息;信息深度維度指對(duì)原始數(shù)據(jù)的處理深度?！皵?shù)據(jù)立方體”是建立“RFID大數(shù)據(jù)模型”的基礎(chǔ)。將不同生產(chǎn)階段不同RFID信息采集設(shè)備獲取的物流信息按照以上三維結(jié)構(gòu)一一構(gòu)建，形成“數(shù)據(jù)立方體”集群。再通過(guò)建立物流活動(dòng)中時(shí)間、空間信息的映射表，鏈接 “數(shù)據(jù)立方體”集群，最終眾多展現(xiàn)單個(gè)采集點(diǎn)數(shù)據(jù)的“數(shù)據(jù)立方體”依據(jù)一定邏輯構(gòu)建成集群形式的“RFID大數(shù)據(jù)模型”。

本文所建立的“RFID大數(shù)據(jù)模型”本質(zhì)上是一種創(chuàng)新的基于RFID生產(chǎn)數(shù)據(jù)的數(shù)據(jù)庫(kù)，如圖2所示，其展現(xiàn)了數(shù)據(jù)存儲(chǔ)的結(jié)構(gòu)。與傳統(tǒng)數(shù)據(jù)庫(kù)相比，“RFID大數(shù)據(jù)模型”出現(xiàn)了具有三維數(shù)據(jù)立方體結(jié)構(gòu)的數(shù)據(jù)集群，即通過(guò)預(yù)定義的邏輯操作建立映射表對(duì)單個(gè)數(shù)據(jù)結(jié)構(gòu)進(jìn)行鏈接，從而形成具有時(shí)間空間概念內(nèi)涵、可以體現(xiàn)物流操作邏輯的模型。例如，映射表能夠根據(jù)某個(gè)給定的產(chǎn)品代碼找到數(shù)據(jù)倉(cāng)庫(kù)中的所有元組，然后根據(jù)邏輯性的物流操作初始化一個(gè)立方體結(jié)構(gòu)。映射表與給定時(shí)間序列的立方體相連接，從而該產(chǎn)品代碼下產(chǎn)品的物料流動(dòng)過(guò)程都可以通過(guò)數(shù)據(jù)立方體呈現(xiàn)出來(lái)。

此外，在時(shí)間次元坐標(biāo)中，數(shù)據(jù)立方體根據(jù)事件發(fā)生的時(shí)間信息（開(kāi)始時(shí)間、結(jié)束時(shí)間、持續(xù)時(shí)間）進(jìn)行鏈接。在空間次元坐標(biāo)中，數(shù)據(jù)立方體根據(jù)事件發(fā)生的空間信息（工位ID、設(shè)備ID）進(jìn)行鏈接。通過(guò)時(shí)間、空間與物流邏輯之間的映射關(guān)系，大量的數(shù)據(jù)立方體可以獲得物流趨勢(shì)、生產(chǎn)偏差、機(jī)器和工人的定量性能等有價(jià)值的信息。這些信息對(duì)企業(yè)在生產(chǎn)運(yùn)營(yíng)管理領(lǐng)域的決策制定有著重要的意義。

（二）數(shù)據(jù)挖掘框架、數(shù)據(jù)處理與物流軌跡識(shí)別

⒈ 數(shù)據(jù)挖掘框架

由于RFID生產(chǎn)數(shù)據(jù)隨著日常操作的進(jìn)行而變得龐大，對(duì)其的提煉框架包含數(shù)據(jù)提取、數(shù)據(jù)清理、數(shù)據(jù)壓縮、數(shù)據(jù)分類和時(shí)空順序下物流軌跡識(shí)別模式五個(gè)步驟。

步驟一：從RFID生產(chǎn)大數(shù)據(jù)中提取幾個(gè)主表（如task、BatchMain、BatchSub、UserInfo、MachInfo、Technics等）構(gòu)建一個(gè)RFID大數(shù)據(jù)模型。構(gòu)建方式是以映射表為指引，選取其中的關(guān)鍵特性創(chuàng)建數(shù)據(jù)立方體，其中包含對(duì)應(yīng)的物流行為和操作邏輯等信息。

步驟二：創(chuàng)建的數(shù)據(jù)立方體存在大量的冗雜信息，因此執(zhí)行清理操作。數(shù)據(jù)立方體清理不僅可以去除冗雜項(xiàng)，還可以檢測(cè)和消除不完整、不準(zhǔn)確和缺失的立方體。

步驟三：由于經(jīng)過(guò)清理的數(shù)據(jù)立方體仍十分龐大，因此對(duì)其進(jìn)壓縮是十分必要的。數(shù)據(jù)立方體壓縮是通過(guò)使用重要的物流邏輯來(lái)表示物流的移動(dòng)而進(jìn)行的。例如，一個(gè)完整的物流軌跡可以由幾個(gè)不同生產(chǎn)階段下的物流軌跡組成，每個(gè)軌跡都由一個(gè)數(shù)據(jù)立方體來(lái)呈現(xiàn)。又由于工位被唯一的電子產(chǎn)品代碼（EPC）編號(hào)所標(biāo)記，所以這些立方體彼此高度相關(guān)。幾個(gè)工位對(duì)應(yīng)的操作共同組成一個(gè)任務(wù)，這意味著相關(guān)的立方體具有同樣的任務(wù)ID。

步驟四：對(duì)被壓縮的數(shù)據(jù)立方體進(jìn)行分類以支持不同的使用者在不同應(yīng)用場(chǎng)景下的決策制定。以物流操作員的評(píng)價(jià)為例，在企業(yè)用戶信息使用表里使用三個(gè)整數(shù)類型（0：初級(jí)，1：中級(jí)，2：高級(jí)）來(lái)標(biāo)識(shí)評(píng)價(jià)對(duì)象層次。由于“操作者ID”屬性與一個(gè)已識(shí)別的對(duì)象層級(jí)相關(guān)聯(lián)，依據(jù)“操作者ID”屬性對(duì)立方體進(jìn)行分類，從分類的RFID數(shù)據(jù)立方體中歸納關(guān)鍵性能指標(biāo)（如業(yè)務(wù)平均處理時(shí)間、學(xué)習(xí)曲線等）作為諸如人事晉升等制度制定的參考。

步驟五：分類后的立方體可以用于物流軌跡識(shí)別。在基于時(shí)間的相關(guān)模式中，數(shù)據(jù)立方體意味著各種制造對(duì)象的趨勢(shì)與偏差（如物流操作員的操作效率、機(jī)器利用率），此時(shí)該類模式有利于提升物流控制效率。在基于空間的相關(guān)模式中，數(shù)據(jù)立方體意味著物料的移動(dòng)，體現(xiàn)物流軌跡上的每一個(gè)節(jié)點(diǎn)位置，此時(shí)該類模式可以用于評(píng)估在制品庫(kù)存級(jí)別以及預(yù)測(cè)不同生產(chǎn)節(jié)點(diǎn)的工作負(fù)荷等。

⒉ 數(shù)據(jù)處理關(guān)鍵步驟

步驟一：數(shù)據(jù)立方體清理。

數(shù)據(jù)立方體清理的目的是檢測(cè)并移除數(shù)據(jù)立方體中的一些不完整、不正確以及冗雜的數(shù)據(jù)。其輸入是一組來(lái)自射頻識(shí)別物流數(shù)據(jù)倉(cāng)庫(kù)的原始立方體。輸出是一組經(jīng)過(guò)排序的立方體，包含完整和準(zhǔn)確的信息，其輸入、輸出及實(shí)現(xiàn)方法為：

輸入：?jiǎn)⒂蒙漕l識(shí)別技術(shù)的物流數(shù)據(jù)倉(cāng)庫(kù)，條件設(shè)置Con^set。

輸出：數(shù)據(jù)立方體集RCub^set。

實(shí)現(xiàn)方法：RCub^set←從數(shù)據(jù)倉(cāng)庫(kù)相關(guān)表格中選取記錄在 RCub^set 中的每一個(gè)數(shù)據(jù)立方體。在數(shù)據(jù)立方體中的每一個(gè)維度DIiDIi 必須滿足條件 Conj DI_i∝Con_j where Con_j∈Con^set。而如果在 RCubk 中的維度 DIi 不能滿足條件則刪除來(lái)自 RCub^set 的 RCub_k。

步驟二：數(shù)據(jù)立方體壓縮。

對(duì)數(shù)據(jù)立方體進(jìn)行壓縮的目的是形成一種先進(jìn)的數(shù)據(jù)結(jié)構(gòu)，進(jìn)行進(jìn)一步的查詢、分類和分析。因此壓縮方法是聚合和折疊清理完成的數(shù)據(jù)立方體記錄。其輸出是壓縮的數(shù)據(jù)立方體。映射表用來(lái)組織具有高信息密度的立方體，其輸入、輸出及實(shí)現(xiàn)方法為：

輸入：RCub^set。

輸出：數(shù)據(jù)立方體集Cat。

實(shí)現(xiàn)方法：首先利用select語(yǔ)句在映射表中聚合初步滿足條件的數(shù)據(jù)立方體記錄，然后通過(guò)if循環(huán)在滿足條件（操作、位置、時(shí)間等）的數(shù)據(jù)立方體記錄進(jìn)行數(shù)據(jù)折疊清理，當(dāng)有數(shù)據(jù)立方體記錄不滿足if循環(huán)時(shí)，則輸出滿足條件的記錄形成數(shù)據(jù)立方體集Cat。

步驟三：數(shù)據(jù)立方體分類。

數(shù)據(jù)立方體分類的目的是找出不同的特定類型，用于挖掘特定信息或者知識(shí)。分類過(guò)程的輸入是壓縮的數(shù)據(jù)立方體和分類集。輸出的是分類后的數(shù)據(jù)立方體，呈現(xiàn)了進(jìn)行立方體分類的具體方法，數(shù)據(jù)立方體通過(guò)分類處理后，不同維度上的物流軌跡知識(shí)將更易于獲取，其輸入、輸出及實(shí)現(xiàn)方法為：

輸入：RCub^Com，數(shù)據(jù)立方體集Cat。

輸出：分類的數(shù)據(jù)立方體集RCub^Cla。

實(shí)現(xiàn)方法：利用for循環(huán)語(yǔ)句在數(shù)據(jù)立方體集Cat中設(shè)置分類條件（維度），通過(guò)循壞語(yǔ)句不斷將Cat中滿足條件的記錄分類，一直到不滿足循壞條件，即循環(huán)結(jié)束。Endfor后對(duì)記錄進(jìn)行分類輸出，放在RCub^Cla中。

⒊ 物流軌跡識(shí)別模式

“物流軌跡識(shí)別模式”指在RFID大數(shù)據(jù)模型中，依據(jù)時(shí)間或位置屬性定義序列中元素的排列順序，通過(guò)頻繁模式挖掘算法，挖掘出從物流活動(dòng)開(kāi)始至結(jié)束的物流軌跡。由于每個(gè)數(shù)據(jù)立方體都存放著關(guān)于空間、時(shí)間、物流操作人員、機(jī)器以及對(duì)應(yīng)產(chǎn)品的信息，所以該模式具有高度的時(shí)空性。

定義1：（物流軌跡識(shí)別模式）設(shè)為軌跡，其中包含n個(gè)生產(chǎn)階段，則軌跡可以表示為：

=…

…（1）

其中，表示第s個(gè)物流操作員。表示在k階段經(jīng)過(guò)的機(jī)器i。和分別表示在k階段材料從緩沖區(qū)移走的時(shí)間和在k+1階段材料進(jìn)入緩沖區(qū)的時(shí)間。根據(jù)定義可知，物流軌跡可以從包含由RFID數(shù)據(jù)立方體中的大量軌跡集中挖掘。

定義2：（軌跡持續(xù)時(shí)間）假設(shè)是一個(gè)物流軌跡，的持續(xù)性可以通過(guò)式（2）計(jì)算。這意味著花在軌跡上的時(shí)間等于在第n階段一批材料到達(dá)緩沖區(qū)的時(shí)間與第一階段倉(cāng)庫(kù)中將這批材料移出緩沖區(qū)的時(shí)間的差值。這個(gè)定義可以用來(lái)檢測(cè)在制品庫(kù)存，當(dāng)越小則庫(kù)存越少，從而物流效率越高。

（2）

定義3：（物流操作員的績(jī)效衡量）這里有兩種物流操作員績(jī)效衡量方式。第一種是頻率指引，可以被定義式（3）。這個(gè)指引顯示出了在整個(gè)運(yùn)輸任務(wù)中物流操作人員的投入。另一種是時(shí)間指引，可以被定義為式（4）。這個(gè)指引揭示了在所有物流任務(wù)中特定的物流操作人員（）所貢獻(xiàn)的時(shí)間。J代表著物流軌跡的總數(shù)，S代表著物流操作人員的總數(shù)。

（3）

（4）

定義4：（機(jī)器的利用）對(duì)于機(jī)器i，在階段k，從時(shí)間到，機(jī)器的使用可被定義為式（5），其包含機(jī)器的物流軌道總數(shù)。如果更多的物流軌道包含，則會(huì)變得更大。

（5）

五、企業(yè)決策優(yōu)化

隨著社會(huì)信息化程度的日益加深和RFID射頻識(shí)別技術(shù)的引入，采用更為高效的數(shù)據(jù)挖掘方法，挖掘隱藏在數(shù)據(jù)背后的“真相”，幫助企業(yè)管理者進(jìn)行更為科學(xué)、可靠的決策制定，提升企業(yè)科學(xué)管理水平，有效增強(qiáng)企業(yè)的盈利能力和行業(yè)競(jìng)爭(zhēng)力^[24]。本文所述的頻繁模式數(shù)據(jù)挖掘方法，實(shí)現(xiàn)了依據(jù)不同的關(guān)聯(lián)規(guī)則，對(duì)物料到達(dá)情況的實(shí)時(shí)追蹤與可視化，可以為企業(yè)管理者在生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈等方面的決策制定提供管理啟示和科學(xué)指導(dǎo)。根據(jù)訪談?dòng)涗浐蜕疃扔^察日志的整理，下文將分別就其運(yùn)用場(chǎng)景展開(kāi)探討。

（一）生產(chǎn)計(jì)劃和控制方面的決策優(yōu)化

生產(chǎn)計(jì)劃和控制是指計(jì)劃、組織、控制生產(chǎn)活動(dòng)的綜合管理活動(dòng)。其目標(biāo)是通過(guò)合理組織生產(chǎn)過(guò)程，有效利用生產(chǎn)資源進(jìn)行經(jīng)濟(jì)合理的生產(chǎn)活動(dòng)，以達(dá)到預(yù)期的生產(chǎn)目標(biāo)。其主要管理模塊包括生產(chǎn)計(jì)劃管理、采購(gòu)管理、品質(zhì)管理、效率管理、設(shè)備管理、庫(kù)存管理等。企業(yè)的生產(chǎn)計(jì)劃和控制可以考慮采用本文所述的數(shù)據(jù)挖掘方法構(gòu)建RFID大數(shù)據(jù)模型，依據(jù)不同的關(guān)聯(lián)規(guī)則挖掘物流軌跡，物料的實(shí)時(shí)到達(dá)和流轉(zhuǎn)情況可以作為有價(jià)值的信息，幫助企業(yè)管理者進(jìn)行生產(chǎn)計(jì)劃和控制管理。

生產(chǎn)計(jì)劃管理過(guò)程中，本文所述的數(shù)據(jù)挖掘方法有助于實(shí)現(xiàn)生產(chǎn)自動(dòng)化、柔性化。主要利用頻繁模式算法發(fā)現(xiàn)RFID射頻識(shí)別技術(shù)采集的生產(chǎn)線瓶頸工位時(shí)間、生產(chǎn)節(jié)拍等信息的關(guān)聯(lián)規(guī)則，基于這些關(guān)聯(lián)規(guī)則挖掘并實(shí)時(shí)跟蹤生產(chǎn)線平衡率、平衡損失率等關(guān)鍵指標(biāo)。生產(chǎn)線平衡的目的是通過(guò)分析與調(diào)整生產(chǎn)線所有工序的負(fù)荷能力使各工序盡可能達(dá)到能力平衡，最終消除等待浪費(fèi)，提高生產(chǎn)線效率。對(duì)于關(guān)鍵指標(biāo)的實(shí)時(shí)追蹤有利于管理者及時(shí)掌握車間生產(chǎn)狀況，實(shí)現(xiàn)企業(yè)在生產(chǎn)制造過(guò)程中對(duì)生產(chǎn)平衡狀態(tài)的實(shí)時(shí)跟蹤，及時(shí)做出相應(yīng)的工藝調(diào)整優(yōu)化生產(chǎn)線的計(jì)劃執(zhí)行能力。同時(shí)，對(duì)于由于錯(cuò)誤裝配等原因?qū)е碌漠惓Ｆ款i工位，管理者可以快速響應(yīng)，并以最大程度減少生產(chǎn)損失。

采購(gòu)管理上，本文所述的數(shù)據(jù)挖掘方法有助于應(yīng)對(duì)市場(chǎng)波動(dòng)，實(shí)現(xiàn)個(gè)性化需求預(yù)測(cè)。目前制造業(yè)銷售部門基于經(jīng)驗(yàn)分析估算交貨日期的方式在日益多樣性發(fā)展的市場(chǎng)場(chǎng)景下存在巨大的供應(yīng)風(fēng)險(xiǎn)。再者，制造業(yè)面向的消費(fèi)者群體數(shù)量眾多且個(gè)體偏好明顯，進(jìn)軍個(gè)性化定制市場(chǎng)無(wú)疑具有廣闊的前景。就汽車行業(yè)而言，由于其研發(fā)生產(chǎn)的復(fù)雜性，一臺(tái)新款車型上市后的銷售情況與研發(fā)階段團(tuán)隊(duì)對(duì)細(xì)節(jié)以及個(gè)性偏好的把握程度密切相關(guān)。如，居住在北方天氣涼爽的地區(qū)的消費(fèi)者和居住在南方較悶熱的地區(qū)的消費(fèi)者對(duì)座椅通風(fēng)功能的需求顯然不同。因此，采用本文所述的頻繁模式算法在數(shù)據(jù)立方體中引入座椅配置信息，通過(guò)分類的關(guān)鍵算法，采集車輛流向市場(chǎng)的信息（銷售信息），形成實(shí)時(shí)的基于不同座椅配置的物流軌跡信息，幫助企業(yè)進(jìn)行需求預(yù)測(cè)，實(shí)現(xiàn)個(gè)性化需求精準(zhǔn)匹配。

品質(zhì)管理上，本文所述的數(shù)據(jù)挖掘方法有助于實(shí)現(xiàn)全面質(zhì)量管理（TQM）。全面質(zhì)量管理是以產(chǎn)品質(zhì)量為核心，以滿足客戶需求為目的的一套科學(xué)質(zhì)量體系，其基本觀點(diǎn)是進(jìn)行全過(guò)程的管理、全企業(yè)的管理和全員的管理。采用頻繁模式算法挖掘并實(shí)時(shí)跟蹤關(guān)鍵工位的產(chǎn)品質(zhì)量信息、關(guān)鍵設(shè)備的維護(hù)與運(yùn)行信息、員工操作相關(guān)信息，用信息化的手段提升“計(jì)劃-執(zhí)行-檢查-處理”的質(zhì)量管理基本工作流程的效率，推進(jìn)全面質(zhì)量管理的實(shí)現(xiàn)。

效率和設(shè)備管理上，采用本文所述的數(shù)據(jù)挖掘方法有助于完善物流對(duì)象績(jī)效指標(biāo)評(píng)估體系。通過(guò)構(gòu)建的RFID大數(shù)據(jù)模型中挖掘物流軌跡，運(yùn)用時(shí)間指引和頻率指引指標(biāo)實(shí)現(xiàn)對(duì)物料轉(zhuǎn)移過(guò)程中操作員投入程度和投入時(shí)間的實(shí)時(shí)量化評(píng)估，將該動(dòng)態(tài)評(píng)估方法作為補(bǔ)充，完善和健全傳統(tǒng)經(jīng)營(yíng)管理中以靜態(tài)指標(biāo)作為物流操作員主要考量指標(biāo)的評(píng)價(jià)體系，以此更加科學(xué)地指導(dǎo)管理者進(jìn)行諸如晉升等重要策略的制定。同理，該模式下的機(jī)器效能指標(biāo)可以充分地體現(xiàn)機(jī)器在物流軌跡中被占用的頻次。因此，通過(guò)機(jī)器利用率在水平維度上的比較，易于管理者實(shí)時(shí)觀察到各物流設(shè)備的利用率偏差，及時(shí)調(diào)整生產(chǎn)策略來(lái)平衡工作負(fù)載。

（二）物流和供應(yīng)鏈方面的決策優(yōu)化

物流管理上，采用本文所述的數(shù)據(jù)挖掘方法有助于實(shí)現(xiàn)生產(chǎn)物流與倉(cāng)儲(chǔ)的資源配置優(yōu)化。構(gòu)建RFID大數(shù)據(jù)模型挖掘生產(chǎn)線節(jié)拍、線邊庫(kù)存、物料配送上線時(shí)間等信息，建立產(chǎn)品生產(chǎn)時(shí)間、物料消耗時(shí)間、物料上線時(shí)間的匹配關(guān)系，最終指導(dǎo)生產(chǎn)物流的資源配置。該方法的研究使生產(chǎn)物料的配送由傳統(tǒng)的靜態(tài)轉(zhuǎn)化為動(dòng)態(tài)成為可能。在該動(dòng)態(tài)信息指示下可以實(shí)現(xiàn)準(zhǔn)確而及時(shí)的備料和送料活動(dòng)，保證生產(chǎn)線正常運(yùn)行的同時(shí)又最大程度地減少在制品庫(kù)存，消除等待浪費(fèi)，提升物料配送效益。同樣地，采用該大數(shù)據(jù)分析方法挖掘物料存儲(chǔ)的位置、數(shù)量等信息，建立其與企業(yè)資源計(jì)劃系統(tǒng)中指定的收貨、取貨、裝運(yùn)等計(jì)劃的匹配關(guān)系，避免錯(cuò)送、錯(cuò)置等損失，增強(qiáng)存取貨物的準(zhǔn)確性和便捷性，最終實(shí)現(xiàn)倉(cāng)儲(chǔ)動(dòng)態(tài)管理，從而降低企業(yè)倉(cāng)儲(chǔ)成本，提升物流服務(wù)效率和質(zhì)量。

供應(yīng)鏈管理上，由于現(xiàn)代行業(yè)分工和專業(yè)細(xì)分趨勢(shì)，擁有某項(xiàng)專門技術(shù)的供應(yīng)商會(huì)供貨給不止一家下游企業(yè)，制造供應(yīng)鏈?zhǔn)且暂椛浜拓灤┯谡麄€(gè)同類產(chǎn)品行業(yè)的形式而存在的。而上下游信息傳遞的延時(shí)，環(huán)環(huán)相扣的復(fù)雜加工以及市場(chǎng)需求和銷售訂單的劇烈波動(dòng)，都會(huì)給庫(kù)存管理帶來(lái)巨大挑戰(zhàn)。采用本文所述的數(shù)據(jù)挖掘方法聚焦于進(jìn)貨物流和出貨物流信息，形成實(shí)時(shí)的進(jìn)貨物流軌跡與出貨物流軌跡，進(jìn)而計(jì)算獲得同樣“實(shí)時(shí)”的在制品庫(kù)存、倉(cāng)庫(kù)利用率等關(guān)鍵庫(kù)存控制指標(biāo)。通過(guò)跟蹤這些指標(biāo)的變化情況，管理者能夠及時(shí)準(zhǔn)確地調(diào)整生產(chǎn)節(jié)拍，半成品或成品在整個(gè)物料流轉(zhuǎn)鏈條中盡量加速流動(dòng)實(shí)現(xiàn)“不積壓”，進(jìn)而有效地指導(dǎo)企業(yè)進(jìn)行精益制造和物流快速響應(yīng)，以減少在制品庫(kù)存，提高倉(cāng)庫(kù)利用率，降低物流成本。

六、總結(jié)與展望

本文以生產(chǎn)物流場(chǎng)景為例構(gòu)建概念模型，通過(guò)RFID信息采集設(shè)備采集生產(chǎn)信息建立數(shù)據(jù)立方體，進(jìn)而構(gòu)建RFID大數(shù)據(jù)模型。根據(jù)不同的科學(xué)管理目標(biāo)，利用頻繁模式挖掘發(fā)現(xiàn)相應(yīng)信息的關(guān)聯(lián)規(guī)則，歸納總結(jié)出物流軌跡。最后探究將挖掘結(jié)果運(yùn)用于當(dāng)今制造業(yè)生產(chǎn)計(jì)劃和控制、物流和供應(yīng)鏈等方面的管理痛點(diǎn)上，為企業(yè)管理者提供解決思路。

（一）研究的創(chuàng)新價(jià)值

本文的研究，在技術(shù)方法和研究范疇上具有獨(dú)特的創(chuàng)新價(jià)值。第一，就頻繁模式挖掘方法的研究而言，本文制定了一種以實(shí)用性為導(dǎo)向的數(shù)據(jù)挖掘方法，該方法包含了基于理論模型的數(shù)據(jù)框架及該框架下用于對(duì)射頻識(shí)別物流數(shù)據(jù)進(jìn)行提煉、處理和分類的關(guān)鍵算法步驟，企業(yè)管理者可以依據(jù)RFID大數(shù)據(jù)模型對(duì)RFID生產(chǎn)數(shù)據(jù)進(jìn)行存儲(chǔ)，并運(yùn)用本文所展現(xiàn)的算法邏輯構(gòu)建具體的計(jì)算機(jī)編程代碼實(shí)現(xiàn)數(shù)據(jù)的清理、分類和壓縮，最終挖掘物流軌跡用于企業(yè)管理決策的優(yōu)化。第二，本文所述的方法從一定程度上彌補(bǔ)了當(dāng)前理論中基于RFID生產(chǎn)數(shù)據(jù)處理和分析等方面的不足，首先通過(guò)“清理”步驟有效篩除任一維度上不滿足預(yù)設(shè)條件的數(shù)據(jù)，排除了不完整、不準(zhǔn)確的數(shù)據(jù)干擾，隨后的“壓縮”步驟提取相同EPC的數(shù)據(jù)立方體，解決了RFID生產(chǎn)數(shù)據(jù)冗余的問(wèn)題，最后使用“分類”算法歸納不同維度的物流軌跡知識(shí)，提高了提取效率。第三，數(shù)據(jù)立方體模型在結(jié)構(gòu)上具備充分的數(shù)據(jù)存儲(chǔ)多樣性和可擴(kuò)展性。數(shù)據(jù)立方體的多樣性和可擴(kuò)展性使得企業(yè)在面臨由射頻識(shí)別技術(shù)采集而來(lái)的龐大且冗雜的RFID生產(chǎn)大數(shù)據(jù)時(shí)，能夠有效地將數(shù)據(jù)進(jìn)行分類存儲(chǔ)，在針對(duì)不同的科學(xué)管理目標(biāo)時(shí)，能夠高效地提取相應(yīng)關(guān)鍵信息，進(jìn)而利用挖掘提取出的關(guān)鍵信息指導(dǎo)企業(yè)優(yōu)化管理和生產(chǎn)。

本文的研究就范疇具有創(chuàng)新性。本文就生產(chǎn)物流場(chǎng)景中物流軌跡對(duì)于管理決策的優(yōu)化進(jìn)行了首次探索：從技術(shù)角度構(gòu)建頻繁模式挖掘物流軌跡，從科學(xué)管理角度分析技術(shù)研究結(jié)果在企業(yè)場(chǎng)景中的實(shí)踐運(yùn)用。兩個(gè)角度的研究相輔相成，是在“中國(guó)制造2025”背景下，對(duì)“以技術(shù)為導(dǎo)向提升科學(xué)管理水平”的一次實(shí)踐。技術(shù)層面上，進(jìn)行數(shù)據(jù)挖掘方法的創(chuàng)新提高數(shù)據(jù)模型的場(chǎng)景適用性和物流軌跡挖掘效率。管理層面上，就當(dāng)今制造業(yè)亟待解決的管理困境，首次探究了在“中國(guó)制造2025”背景下技術(shù)研究結(jié)果在企業(yè)場(chǎng)景中的運(yùn)用設(shè)想。

（二）研究局限與展望

對(duì)RFID生產(chǎn)數(shù)據(jù)數(shù)據(jù)挖掘方法的研究及其所提取的信息在生產(chǎn)物流場(chǎng)景的內(nèi)涵挖掘可以有效助力制造業(yè)在“中國(guó)制造2025”戰(zhàn)略背景下的轉(zhuǎn)型升級(jí)。但是，這一研究仍存在多方面的局限。第一，技術(shù)層面上，根據(jù)具體領(lǐng)域和應(yīng)用場(chǎng)景設(shè)計(jì)合適的分析模型、設(shè)計(jì)滿足生產(chǎn)大數(shù)據(jù)實(shí)時(shí)性要求的行之有效的算法有待進(jìn)一步研究。第二，實(shí)施層面上，企業(yè)在生產(chǎn)運(yùn)營(yíng)環(huán)節(jié)對(duì)RFID的使用存在可能會(huì)產(chǎn)生較高應(yīng)用成的問(wèn)題，由于在研究中深入到單個(gè)商品層級(jí)的RFID應(yīng)用場(chǎng)景十分理想化，因而能夠提供給研究者進(jìn)行數(shù)據(jù)驗(yàn)證的真實(shí)場(chǎng)景欠缺。

基于研究局限，在本文的研究基礎(chǔ)上，隨后的探索方向可以做如下延伸：第一，被挖掘的包含特定物流含義的重要信息可以用來(lái)支持生產(chǎn)計(jì)劃與調(diào)度（APS）。因此，可以圍繞制定整合生產(chǎn)計(jì)劃和調(diào)度的數(shù)學(xué)模型或材料運(yùn)輸策略來(lái)拓展后續(xù)的研究。第二，由于本文僅僅考慮了有限的測(cè)試，所以在海量數(shù)據(jù)的情況下，基于大數(shù)據(jù)分析方法論證評(píng)估具備進(jìn)一步拓展研究的空間。第三，針對(duì)沒(méi)有文本基礎(chǔ)的立方體壓縮，在未來(lái)的研究中可以考慮將諸如區(qū)域圖片壓縮之類的圖片壓縮方法和適應(yīng)字典算法整合應(yīng)用到立方體壓縮模型中。

參考文獻(xiàn)：

[1] 景熠，李文川.智能制造背景下企業(yè)RFID技術(shù)采納行為機(jī)理研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2017，（5）：86-91.

[2] 孟凡生，徐野，趙剛.高端裝備制造企業(yè)向智能制造轉(zhuǎn)型過(guò)程研究——基于數(shù)字化賦能視角[J].科學(xué)決策，2019，（11）：1-24.

[3] 王宇翔.大數(shù)據(jù)背景下的數(shù)據(jù)挖掘算法綜述[J].通訊世界，2018，（11）：21-22.

[4] 熊聰聰，劉品超.基于RFID數(shù)據(jù)集的供應(yīng)鏈數(shù)據(jù)挖掘[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，（5）：1673-1676.

[5] 王德青，朱建平，劉曉葳，等.函數(shù)型數(shù)據(jù)聚類分析研究綜述與展望[J].數(shù)理統(tǒng)計(jì)與管理，2018，（1）：51-63

[6] Han.J.W.，Li.Z.H.，Tang，L.A.Mining Moving Object，Trajectory and Traffic Data[A].Database Systems for Advanced Applications[C].DASFAA 2010，Tsukuba，Japan 2010，（5982），485-486.

[7] Kusumakumari，V.，Sherigar，D.，Chandran，R.，et al. Frequent Pattern Mining on Stream Data Using Hadoop CanTree-GTree[A].Procedia Computer Science[C].ICACC 2017，Cochin，India 2017，（115）：266-273.

[8] Han，M.，Ding，J.，Li，J.TDMCS： An Efficient Method for Mining Closed Frequent Patterns Over Data Streams Based on Time Decay Model[J].International Arab Journal of Information Technology，2017，14（6）：851-860.

[9] 辛璐，唐方成.構(gòu)建大數(shù)據(jù)驅(qū)動(dòng)制造業(yè)創(chuàng)新發(fā)展的治理機(jī)制[J].管理現(xiàn)代化，2019，（6）：27-31.

[10] 鞏家婧，寧云才，張公鵬.大數(shù)據(jù)時(shí)代物流企業(yè)供應(yīng) 鏈管理運(yùn)作模式與優(yōu)化路徑[J].企業(yè)經(jīng)濟(jì)， ?????2019，（5）：80-84.

[11] 中國(guó)機(jī)械工程編輯部.2018·中國(guó)制造自動(dòng)化技術(shù)學(xué)術(shù)研討會(huì)——制造大數(shù)據(jù)與人工智能[J].中國(guó)機(jī)械工程，2018，（17）：2068.

[12] 譚軍.數(shù)據(jù)挖掘在制造業(yè)中的應(yīng)用研究綜述[A]. 2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C].上海，智能信息技術(shù)應(yīng)用學(xué)會(huì)，2011.505-508.

[13] Aye，T.T.，Yang，F(xiàn).，Wang，L.， et al. Data Driven Framework for Degraded Pogo Pin Detection in Semiconductor Manufacturing [A].Industrial Electronics and Applications[C].IEEE 2015，Auckland，New Zealand.2015.

[14] 郭龍波. 基于數(shù)據(jù)挖掘方法的冷軋表面質(zhì)量缺陷分析[D].馬鞍山：安徽工業(yè)大學(xué)碩士學(xué)位論文，2012.

[15] 王成龍.基于數(shù)據(jù)挖掘技術(shù)的生產(chǎn)調(diào)度問(wèn)題研究[D].杭州：浙江大學(xué)碩士學(xué)位論文，2015.

[16] 劉娜. 紡織領(lǐng)域中數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[D].大連：大連海事大學(xué)碩士學(xué)位論文，2004.

[17] Shahbaz，M.，Shaheen，M.，Aslam，M.，et al.Data Mining Methodology in Perspective of Manufacturing Databases[J].Life Science Journal，2012， 9（3）：13-22.

[18] 劉春，周燕，李鑫.挖掘語(yǔ)義軌跡頻繁模式及拼車應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2019，（15）：96-103.

[19] 鄢團(tuán)軍，呂軍，齊國(guó)強(qiáng).基于RFID的電動(dòng)車運(yùn)行軌跡頻繁模式挖掘算法研究[J].智能物聯(lián)技術(shù)，2018，（3）：32-36.

[20] 潘曉英，趙倩，趙普.時(shí)空屬性關(guān)系標(biāo)簽的頻繁軌跡模式挖掘[J].計(jì)算機(jī)工程與應(yīng)用，2019，（10）：83-89.

[21] 李勇男.時(shí)空軌跡頻繁模式在反恐情報(bào)分析中的應(yīng)用研究[J].情報(bào)雜志，2018，（8）：51-55.

[22] 趙秀麗，徐維祥.在物流RFID數(shù)據(jù)庫(kù)中挖掘時(shí)空模式[J].物流技術(shù)，2011，（17）：101-104，124.

[23] 趙利. 基于RFID中間件的海量數(shù)據(jù)集成技術(shù)及其在現(xiàn)代物流決策分析中應(yīng)用研究[D].揚(yáng)州：揚(yáng)州大學(xué)碩士學(xué)位論文，2012.

[24] 趙劍波.推動(dòng)新一代信息技術(shù)與實(shí)體經(jīng)濟(jì)融合發(fā)展：基于智能制造視角[JB/OL].科學(xué)學(xué)與科學(xué)技術(shù)管理：1-19.2020-03-10.http：//kns.cnki.net/kcms/detail/12.1117.G3.20200306.1746.002.html.

[25] 姚源果，賀盛瑜.基于交通大數(shù)據(jù)的農(nóng)產(chǎn)品冷鏈物流配送路徑優(yōu)化研究[J].管理評(píng)論，2019，（4）： 240-253.

Research on Decision Optimization of Manufacturing Enterprises Based on Frequent Pattern Mining

HUANG Rui¹，YIN Shi-si¹，LI Hu-sheng²

（1.Bussiness School， Chongqing College of Electronic Engineering， Chongqing 401331， China;2.Certification Centre， China Electronics Standardization Insititute， Beijing 100007， China）

Abstract：With the widespread application of Radio Frequency Identification （ RFID） technology in manufacturing enterprises to collect production data， production data has been improved in terms of data source quality and dynamics.This paper focuses on the management weaknesses of manufacturing enterprises in production planning and control， logistics and supply chain; based on case studies， it explores the application of frequent pattern mining in production and logistics scenarios of manufacturing enterprises.Specifically， based on RFID production data to build RFID big data model， after data cleaning， compression and classification， according to different scientific management objectives to carry out logistics track identification.Finally， combining with specific business scenarios， it puts forward suggestions for the production planning and control， logistics and supply chain management decision optimization of manufacturing enterprises.

Key words：manufacturing enterprises;?frequent pattern mining; logistics trajectory; decision optimization; big-data RFID model

（責(zé)任編輯：李明齊）