基于粗糙集神经网络的数据挖掘在门业
制造车间质量控制中的应用#
陈振，刘颖*
基金项目：国家科技支撑计划子课题(2006BAF01A27-2-9);重庆市科技攻关重大项目(CSTC2006AA2023-09)
作者简介：陈振，男，（1984-），湖南衡阳人, 硕士研究生，主要研究方向:制造系统工程和计算机集成制
造系统、网络化制造. E-mail: chanzhenly@gmail.com
通信联系人：刘颖，女，重庆人，副教授，博士后，主要研究方向:供应链管理、网络化制造、电子商务。
5 （重庆大学制造工程研究所，重庆 400030）
摘要：本文在对门业制造车间质量控制的特点进行分析的基础上提出了一个基于粗糙集BP
神经网络的质量预测模型。用粗糙集的属性约简对输入样本进行处理，发现冗余属性并删除，
可克服单纯的BP 神经网络网络结构复杂、处理速度慢、解释能力差等缺点。实例研究表明，
该粗糙集神经网络与原网络相比在预测精度，训练次数等方面都有所改善。最后，该模型在
10 门业制造车间质量控制中得到应用，可优化计划排产，为企业提供计划排产方面的决策支持。
关键词：质量控制；粗糙集；BP 神经网络；数据挖掘
 30 0 引言
门业产品对于材质、大小规格、型号、颜色、样式的客户化个性化要求很高，而且工期
短，单个订单订货数量少，其生产模式是典型的多品种小批量（单件）混合式订单生产[1]。
这种变化使传统的质量控制图所依据的大样本条件的理论依据发生背离。由于多品种、小批
量生产在相同状况下加工同一规格的零件数目有限，如果直接用传统的统计过程控制方法，
35 仅把监控到的对象局限于零件的加工质量特征上，很难保证统计所需的样本容量[2]。
目前，国际上关于小批量质量控制研究的基本思路是：将具有同类分布的相似工序的产
品质量特性数据，通过某种数学变换转成统一分布，从而积累成大样本，主要由通用图、相
对公差法、美军固定样本容量法等进行控制[3] [4]。国内，卜祥民等应用贝叶斯分析方法，充
分利用历史数据求出参数的优良估计，从而弥补了小批量生产样本少的缺陷，可以应用大样
40 本方法得到小批量休哈特图和小批量选控图，对重复性小批量生产进行质量控制和诊断[5]。
 刘宇等从产品的质量特性的时间序列入手，提出判断过程稳定理论模型—时间序列回归判
别，以产品的动态序列为基础来判断过程稳定与否，降低了模型对样本量的敏感性[6]。但小
批量环境下的这些控制图检出异常的能力要远低于参数已知条件下的控制图，且在质量管理
方面的主要应用是针对质量的控制和诊断，属于事后控制和诊断。随着先进制造环境下低不
45 合格率的要求，在生产过程中基于预测的超前质量控制是必然趋势。
随着数据仓库和数据挖掘技术的迅猛发展，商业智能成为企业预测和决策支持的核心技
术，在产品质量控制、生产工艺流程质量控制、故障分析和库存管理等领域进行了应用，并
且取得了良好的分析预测效果[7]。本文针对门业制造车间的小批量质量控制问题，尝试应用
基于粗糙集神经网络的数据挖掘技术进行生产中产品质量的预测。利用粗糙集理论对神经网
50 络的输入进行预处理，采用知识约简的方法对影响生产过程质量的因素（Man、Machine、
Material、Method、Environments ，4M1E）进行重要度的提取，消除冗余信息，不仅降低
了神经网络的输入维数,缩减了网络训练时间，而且还增加了模型的解释能力。
1 粗糙集理论基础
所谓粗糙集就是，给定一个论域U 和U 上的一个等价关系（知识）R ，∀A⊆U， A
55 的上、下近似集分别为：
R(A) = {x | [x] A ≠ Φ}, R I (1)
R(A) {x | [x] A}. R = ⊆ (2)
其中[ ]R x 表示包含元素x 的R 的等价类。
如果R(A) ≠R(A) ，则称集合A 是论域U 上关于等价关系（知识） R 的粗糙集[8]。
60 粗糙集理论的基本观点及其特点主要为：
1.1 不可分辨关系
给定一个论域U 上的一簇等价关系S ，若P⊆S，且P ≠ Φ ，则IP （ P 中所有的等
价关系的交集）仍然是论域U 上的一个等价关系，称为P 上的不可分辨关系，记为IND(P) ，
而且，∀x∈U ，[ ] ( ) [ ] [ ] IND P P R P R
x x x
∀ ∈
= = I 。
65 1.2 上下近似逼近
下近似R(A) 是由那些根据知识R 判断肯定属于A 的论域U 中元素组成的集合；上近
似R(A) 是由那些根据知识R 判断肯定属于或可能属于A 的论域U 中元素组成的集合；边
界域( ) ( ) ( ) R bn A =R A −R A 是由那些根据知识R 既不能判断肯定属于又不能判断肯定不
属于A 的论域U 中元素组成的集合。集合A 的上近似、下近似和边界域可用图1 来表示[9]。
 论域U：表示整个
区域包含的元素
集合A（论域U的
一个子集）
集合A的下近似
集合A的上近似
集合A的边界域
等价关系R：表示划
分整个区域的横竖线
论域的商集U/R：表示图中所有方
格组成的集合，即论域在等价关系
R下的分类模式
70
图1 集合A 的上近似、下近似、边界域的示意图
Fig.1 Diagrams of lower and upper approximations，and boundary region of rough set A
1.3 属性约简与核
75 粗糙集理论是通过决策表的形式来处理信息系统的。决策表是一个二维表格，纵轴代表
对象，横轴代表对象属性，横轴和纵轴的交点处代表一个对象的属性值。
在一个决策系统中，各个条件属性之间往往存在着某些程度上的依赖或关联，约简可以
理解为在不丢失信息的前提下，最简单地表示决策系统的决策属性对条件属性集合的依赖性
或关联性。
80 给定的决策系统S 和条件属性集合C ，对任意的C' ⊆C，若C '满足：
(1) ∀R∈C' ， IND（C'−{R}）≠IND(C ') ，即C '是独立的，
(2) IND（C'）= IND(C)。
则称C '是C 的一个约简，记为C'∈RED（C）， RED（C）表示C 的全体约简的集合。
约简集RED（C）的交集称为C 的核，记为CORE(P)。它是表达知识不可一缺少的重要属
85 性集合。决策表的约简就是化简表中的条件属性，即去除冗余的条件属性,在删除这些属性
后不会影响原有的表达效果。
2 基于粗糙集神经网络的数据挖掘模型
粗糙集方法与人工神经网络方法在处理信息时，存在两方面的差别：一是人工网络处理
信息时，一般不能将输入信息空间的维度减少，所以当输入的信息空间维数较大时，网络不
90 仅结构复杂，而且训练时间很长，而粗糙集方法通过挖掘数据间的关系，不仅可以去掉冗余
输入信息，而且可以简化输入信息的表达空间；二是实际问题的处理中，人工神经网络方法
有较好的抑制噪声干扰能力，而粗糙集方法对噪声较敏感。通常用无噪声的训练样本学习推
理的结果去处理有噪声环境中的信息，一般应用效果不佳。因此，将两者结合起来，一方面
 可减少训练数据，使神经网络训练时间得以减少，提高效率；另一方面提高了数据的代表性，
95 减少了噪声的干扰[10] [11]。
基于粗糙集—神经网络的数据挖掘模型的建模思路：首先，在已知的领域知识形成一个
初始的信息表；接着进行离散化和相容性检查，排除样本数据集中重复的信息，形成一个决
策表；再用粗糙集理论对决策表进行属性约简操作，最后用约简后的决策表进行神经网络训
练。其数据处理流程如图2 所示。
离
散
化
相
容
性
检
查
预处理
属
性
约
简
对
象
约
简
粗糙集理论
...
...
...
神经网络
结果
原始样本决策表
约简后决策表
100
图2 基于粗糙集神经网络的数据挖掘模型
Fig.2 The data mining model based on rough set and neural network
3 粗糙集神经网络用于门业制造车间的质量预测
105 3.1 数据来源
本文是以某门业企业的一个雕花车间为研究对象，数据来源于在该车间实施的制造执行
系统（Manufacturing Executive System, MES）。目前，MES 拥有产品制造过程所有静态和
动态的数据，形成巨大的制造数据集合，为质量活动的设计，执行、评价和改进提供了丰富
的数据基础。数据是以决策表的形式给出，其中的条件属性是有可能导致产品出现质量问题
110 的多个因素，为了减少样本维度只考虑较高层次的人、机、料、法、环等因数，不涉及到具
体的细节，如员工的年龄，教育水平、工作经验等。这部分的分析留到数据挖掘结果出来后，
如某员工加工的产品质量不稳定，再进行向下的钻取，寻找出具体的原因，到底是年龄，还
是工作经验的原因使得该员工的加工质量不稳定。决策属性是提交数和返工数。
本文选出雕花车间2009 年度7 月份的生产数据，每周5 个工作日，每工作日大概300
115 条生产任务，总共6231 条任务。部分样本如表1 所示。
 表1 雕花车间部分生产数据
Tab.1 Some production data of carving workshop
TaskID PartID ProductSize Color SendQ EmpID ScheduleID DevID OperateQ
Revise
OperateQ
… … … … … … … … … …
J09071610166 MX1SN614CF 1960*800 F37 3 37038 1 X-139 2 1
J0907161017 MX1S2054CF 2000*750 F41 1 14896 1 X-52 1 0
J09071610171 MX1SN614CF 2040*800 F41 2 36374 2 X-72 2 0
J09071610174 MX1SN614CF 1940*800 F61 1 14896 1 X-32 1 0
J09071610175 MX1SN614CF 1980*800 F61 1 14896 1 X-32 1 0
J09071610176 MX1SN614CF 1960*750 F61 1 14896 1 X-32 1 0
J09071610177 MX1SN614CF 1960*800 F61 1 14896 1 X-32 0 1
J09071610179 MX1SN712CF 2000*800 F37 3 37038 1 X-52 3 0
J09071610180 MX1SN719CF 1980*700 F37 3 37038 1 X-52 3 0
J09071610181 MX1SN719CF 2000*700 F40 1 14896 1 X-52 1 0
J09071610182 MX1SN720CF 2000*800 F40 2 36374 2 X-72 2 0
J09071610183 MX1SN728CF 2040*700 F41 2 36374 2 X-72 2 0
J09071610184 MX1SN728CF 2000*700 F56 1 14896 1 X-52 1 0
J09071610189 MX1SN807CF 2000*800 F38 3 37038 1 X-52 3 0
J09071610190 MX1SN807CF 2040*800 F56 2 36374 2 X-52 2 0
J09071610191 MX1SN807CF 2000*800 F61 3 37038 1 X-52 3 0
J09071610196 MX1SN808CF 2000*800 F45 1 14896 1 X-72 0 1
J09071610197 MX1SN808CF 2000*750 F45 1 14896 1 X-52 1 0
… …. … … … … … … … …
125 3.2 数据预处理
为处理方便，需将生产数据转换成数字表示的知识表达系统。属性TaskID 与生产质量
学术论文网Tag：代写硕士论文 代写论文 代写MBA论文 代写代发论文 代写职称论文 论文发表