数据大脑之关联分析在制造业的质量分析中的应用

GOGETTER

案例与数据

国工智能数据大脑是一个基于人工智能数据分析决策平台，内置关联分析是一种重要的人工智能组件，他可以寻找出事物之间的隐含规则，寻找事物的发生规律。像经典的啤酒尿布的销售分析和抖音、头条中对于用户兴趣推荐的分析都有关联分析的影子。

关联分析作为一种知识发现算法，在制造业中也有广泛的用途，随着制造业信息化的建设，制造类企业积累了大量的数据，其中生产中不合格品数量关系企业的生存与发展，如何从以往大量的不合格品数据中发现问题，分析原因，以便于有关部门及领导采取相应对策，降低不合格率。

这里使用某汽车模具公司中影响产品不合格因素为例，从引起产品不合格的各原因中发现它们之间的内在联系，进行人为控制和干预，以减少不合格产品数量，从而提高企业的竞争力。

我们使用了一张质量判定EXCEL表来进行分析的原料。里面描述了每一个生产批次质量检测项目的检验结果，分别是合格与不合格。

表1 产品不合格原因统计表

这里YES代表此批次产品产生不合格的原因，NO不是此批次产品产生的原因。

分析过程

图1 关联分析处理流程

我们使用数据大脑系统，对存有待分析数据的Excel文件进行读取，然后按需进行算法组件的相关参数进行配置，如图2--图4所示

图2 模具数据模型

图3 配置Excel读取组件

图4 配置关联分析FPGrowth组件

分析结果

图5关联分析分析结果

通过关联分析FPGrowth组件生成算法分析结果，展示该类数据之间存在的潜在联系，上述数据分析结果转换如下图

所示。

图6关联分析分析结果转换

通过上述规则可以看出，当产品不合格原因不存在冲件高低，而存在屑料阻塞时，有92.8571%的概率不会出现下料偏位，其确信度为1.9264，存在一定的关联性。

当产品不合格原因不存在冲件高低，而存在卡料和折弯变形时，有91.0327%的概率会出现凸模断裂崩刃，其确信度为6.8523333，存在较强的关联性，需要对卡料和折弯变形这两个不合格原因进行重点管理。

当产品不合格原因只存在卡料和折弯变形时，有90.6976%的概率会出现凸模断裂崩刃，其确信度为6. 440444，存在较强的关联性。

由上所述，在整个生产过程中，关于质量管理方面，需要对卡料和折弯变形这两个不合格原因进行重点管理，对其生产中的弱点进行改进，降低不合格率，从而降低企业的运作成本，取得一定的经济效益。

参数说明

度量类型是设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度(Lift)，杠杆率(Leverage)，确信度(Conviction)。

置信度也称为可靠度，或置信水平、置信系数，表示在先决条件X发生的情况下，由关联规则“X→Y”推出Y的概率。即在含有X的项集中，含有Y的可能性，公式为： Confidence(X→Y) = P(Y|X)  = P(X,Y) / P(X) = P(XUY) / P(X)。

提升度(Lift)表示含有X的条件下，同时含有Y的概率，与Y总体发生的概率之比。公式为：Lift(X→Y) = P(Y|X) / P(Y)。Lift=1时表示A和B独立。这个数越大(>1)，越表明A和B存在于一个集合中不是偶然现象,有较强的关联度.

杠杆率(Leverage)公式为: Leverage=P(A,B)-P(A)P(B)。Leverage=0时，A和B独立，Leverage越大A和B的关系越密切。

确信度(Conviction)公式为: Conviction =P(A)P(!B)/P(A,!B) 。!B表示B没有发生, Conviction也是用来衡量A和B的独立性。从它和Lift的关系（对B取反，代入Lift公式后求倒数）可以看出，这个值越大, A、B越关联。

应用领域

利用关联分析的方法可以发现联系，如关联规则或频繁项集。目前应用于穿衣搭配推荐、依据用户轨迹的商户精准营销、地点推荐系统、气象关联分析、交通事故成因分析、银行金融客户交叉销售分析、电子商务搭配购买推荐、基于兴趣的实时新闻推荐等领域。