基于改进决策树的工序质量损失原因挖掘研究

　　目前航空制造企业质量损失情况严重,质量损失率高。而随着航空制造市场竞争的不断加剧,在保证交货期的基础上,产品质量成为我国航空制造企业求得生存、赢得竞争的最有力武器。改变过去传统的质量管理仅仅控制实物质量状态方式,将实物质量与非物质形态质量结合起来,大力加强质量成本管理,降低质量损失,成为增强企业市场竞争力的必经之路。

　　目前制造车间常采用统计过程控制(statisticalprocess contro,l SPC)来进行过程质量管理, SPC是运用质量控制图来实时监测产品在生产过程中的质量特性,确保生产过程始终处于统计控制状态,以保证产品质量,提高经济效益的技术。但SPC只能对生产过程中当时的质量异常波动发生警报,并不能对异常进行诊断,且SPC为事中控制。因此,为了

　　对质量损失进行事前预防,必须寻找产生工序质量损失的原因。

　　文献[4]将决策树ID3算法应用于钢铁企业生产成本分析中,建立了生产成本分析模型。文献[5]提出了生产过程粗集理论的质量分析和诊断方法。文献[6]在ID3的基础上提出一种加权熵概念进行改进,对客户流失危机进行分析和预警。目前研究主要集中在客户关系管理、生产质量方面,对质量成本损失的原因挖掘研究很少。另外,研究方法直接采用ID3、C4·5方法进行挖掘分析,缺少对决策树分枝前无序数据进行聚类处理,分枝过程中进行分枝合并防止结果的“过度拟合”。

　　笔者引入工序质量损失率概念,以工序质量损失率为挖掘目标,采用改进决策树算法,建立工序质量损失率原因挖掘决策树模型,并应用此模型从车间大量质量损失历史数据中分析潜在的规律和造成质量损失的原因,诊断分析的结果,形成知识,为质量预防和保证措施提供决策支持。

　　1　工序质量损失原因挖掘模型

　　由于质量损失值仅是一个绝对数值,并不能作为衡量质量损失大小的普遍依据,因此,提出了工序质量损失率。

　　定义1　某道工序中零件的质量损失与该批零件的最终产值的比值称为该工序质量损失率(quali-ty loss ratio in processing, QLRP)。

　　即若零件工序质量损失为L,该批零件的最终产值为V,则QLRP=L/V。

　　工序质量损失率可以反映该道工序质量损失的相对值,与其他零件其他工序的质量损失具有可比性。

　　ID3算法是以最大信息增益为分类依据选取测试属性的决策树方法。对于工序质量损失原因挖掘,在应用ID3决策树的过程会遇到以下问题:

　　(1)工序质量损失挖掘训练集的决策属性工序质量损失率为随机无序数值。若不进行划分处理,用决策树分类挖掘将影响结果的可靠性。