数据挖掘及其在产品设计与制造中的应用研究

摘 要：知识的发现是产品创新和企业取得成功的关键，数据信息在产品的创新设计与制造中发挥越来越重要的作用，充分利用数据挖掘技术从产品市场需求分析、概念设计、制造和服务中提取相应的知识，从而控制和改善下一代产品的设计与制造。从数据挖掘技术出发，分别论述了数据挖掘的关键技术以及在产品设计与制造中的应用，综述了数据挖掘在产品市场需求、概念设计、设计评价与优化、制造过程质量改善、产品装配及服务等方面的应用，并总结了数据挖掘技术在产品设计与制造中的应用的未来发展方向。

关键词：数据挖掘；产品设计；产品制造；制造信息化

DOI：10.16640/j.cnki.37-1222/t.2018.18.208

0 引言

当今的世界正是一个以信息化、自动化、人工智能等其他高新技术为核心的创新时代，我国制造企业受严峻考验。目前，产品的研制周期长，市场反应能力弱，创新度不够等一系列因素控制了产品制造企业的生存和发展，据有关部门统计[1]， “九五”期间开发出的新产品中，平均开发周期为 18 个月，产品的生命周期为 10.5 年，而美国 1990 年就已经实现了“3个 3”。因此，如何在最短的时间内开发出质量高、价格能被用户接受的新产品，已成为 21 世纪制造企业市场竞争的焦点，数据挖掘技术已经成为分析和发现知识，提供决策十分有效的工具，必将有力地支持产品的创新设计和制造过程。

1 数据挖掘技术

1.1 数据挖掘的概念

数据挖掘[2]（Data Mining，简称 DM）就是从大量的、不完全的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。文献[3]定义了数据挖掘的四种功能：分类，预测（回归），聚类（分段），与描述。

1.2 数据挖掘相关技术

数据挖掘方法[4]是由人工智能、机器学习的方法发展而来，同时结合传统的统计分析方法、模糊数学方法以及可视化技术，以数据库为研究对象的方法和技术。

1.3 数据挖掘相关算法

根据发现知识的不同，数据挖掘的任务主要分为以下6类：（1）关联分析，揭示隐藏在数据之间相互关系的一项数据挖掘任务。（2）序列发现，是指确定数据之间与时间相关的序列模式，利用该模式可对未来的相关行为进行预测。（3）聚类分析，是指依赖样本间关联的量度标准将其自动分成几个群组，且使同一群组内的样本相似，而属于不同群组的样本相异的一组方法。（4）分类，是指找出一个类别的概念描述，它代表了这个类别数据的整体信息，一般用规则或决策树模式表示。（5）偏差检测，就是从数据分析中发现某些异常情况是否重要，从而获得有用的知识。（6）预测，就是利用历史数據找出变化规律，建立模型，并用此模型来预测未来数据的种类、特征等。

2 数据挖掘技术在产品设计与制造中的应用

2.1 数据挖掘在产品设计与制造中的作用

在产品的设计与制造过程中，利用数据挖掘工具可以产品设计的创新，提高产品质量，加速产品的制造过程，文献[5]概述了数据挖掘在产品设计与制造系统中的主要作用及相关的应用领域。

2.1.1 模式发现

在产品的设计和制造系统数据中隐含了重要的模式，比如购买次数较多的顾客特征，对促销感兴趣的顾客特征以及不购买顾客特征等分析，数据挖掘就是对隐含在数据中模式的深度分析。

2.1.2 趋势预测

数据挖掘不仅能够提取静态的模式，也能预测动态的发展趋势，目前时间序列挖掘是一个研究的热点，动态的趋势能够反映顾客兴趣的改变，从而使企业对发展趋势做出相应的市场决策。

2.1.3 数据的降维

数据的降维也叫做主成份分析，现代数据库中包含了交易信息的特征，不相关的数据条目和特征可以从数据集中消除，数据降维的主要作用是选择关键的数据进行分析。

2.1.4 分析数据的可视化

数据可视化主要旨在借助于图表，图，表格等形化手段，清晰有效地传达与沟通信息。根据产品全生命周期考虑，产品设计与开发过程可划分为：产品需求分析、概念设计、详细设计、工艺设计、样品试制、生产制造、销售与售后服务等阶段。每个阶段和环节之间都存在着反馈和迭代过程，但其额度对不同设计类型有所不同，基于并行工程的产品设计与开发过程如图1：

2.2 市场需求分析

企业开发出的产品首先是为了很好地满足客户的需要，进而赢得市场，增加企业的竞争力，因此，比如在市场分析中考虑客户真正需要的产品特征、产品的那些特征最重要等，客户需求知识最好能与设计规划产品进行集成，另外，需求知识规则可以很好地帮助设计师采取适当的产品开发策略。采取决策树Apriori的数据挖掘算法，给出了研究的框架和分析程序，开发出满足客户需要的数码相机产品。总之，市场的需求是复杂和敏感的，产品企业要想在竞争中处于不败之地，最重要的就是能够很好的理解市场信息并能提供市场急需的、客户满意的产品。

2.3 产品设计

产品设计是在有限的时空范围内，在特定的物质条件下，人们为了满足一定的需求而进行的一种创造性思维活动的实践过程，设计具有创造性、复杂性和不确定性，其中包括分析、综合和评价等过程，设计过程中的每一个行为都对应于这三维空间中的一个点，如图2所示。文献[6]提出了一种基于数据挖掘的全息产品概念设计框架，主要考虑产品数据与环境数据之间的相互作用，发现其中隐含的知识，最后以机床产品为例，开发了基于数据挖掘的产品概念设计原型系统。文献[7]建立了基于数据挖掘的动态全息概念设计模型，并给出了数学表达式，阐述了人、环境和产品数据的相互作用，最后以机床邮箱的设计为例，实现了机床概念设计中功构映射及组合评价。文献[8]进一步对产品全息概念设计进行研究，开发了数据挖掘工具和建立了相应的数据仓库，利用决策树算法实现对产品功构设计的映射。文献[9]讨论了遗传算法、决策树算法在新产品开发中的应用。要在产品设计中进行创新，就要对过去的设计经验和数据信息进行总结、分解与组合，数据挖掘技术对设计知识的分析，有利于产品设计的创新，使之实现新的功用。

2.4 设计评价与优化

数据挖掘技术不仅需要挖掘出信息，而且要对挖掘的结果做出评价，一般情况下，工程数据量大且复杂，就要对数据进行分类处理，为了解决数工程机械中数据量大的问题，通过对经验数据进行分析，然后用建立的决策树算法来评价机械设计方案，以平地机设计中挑选发动机、传动系统、桥荷分配为研究对象，最后验证了该方法的可行性。

2.5 产品质量检验

由于数据资料的数量庞大且维度较多，传统的统计方法难以从中准确快速地提炼出具有指导意义的知识。 因此， 数据挖掘技术的应用能够在一定程度上解决这个矛盾。通过综述数据挖掘技术在产品质量检验方面的应用，简述了数据收集的特点，并给出了数据处理方法，并提出了数据挖掘技术在质量检测方面研究的发展方向。

2.6 产品装配与服务

装配知识大部分是非数值型知识，而且有很强的随机性和不确定性，没有统一的规则和模式，由于这种不确定性的存在使得装配序列规划专家系统显得“装配知识贫乏”，而数据挖掘技术能很好地满足装配序列规划系统对装配知识获取的需要。

3 未来的研究方向（集成智能化）

随着科学技术的进一步发展，利用计算机数据挖掘辅助工具，从产品设计过程中数据中抽取有用的信息，将数据，设计，知识集成于一体指导产品设计过程。因此，产品的设计与制造系统最终朝着数字化，集成化、网络化，智能化、人机一体化的方向发展，系统如何发现和获取所需的知识仍是一个关键问题。还需要进一步研究和建立在 Web 环境下的数据挖掘工具，同时在知识获取、知识表示、知识存贮等方面还需要投入更多的精力去研究。

4 结论

数据挖掘技术是产品设计创新的一个重要的手段，本文综述了数据挖掘技术在产品设计与制造系统中的应用技术，其主要技术有模式发现，趋势预测，数据的降维，分析数据的可视化等技术，分别论述了数据挖掘技术在市场需求、产品概念设计、设计评价与优化、产品制造过程质量改善已经装配过程的具体运用，并提出了数據挖掘技术在产品设计未来的研究方向。

参考文献：

[1]胡斌梁，许功元.基于约束理论的产品造型概念设计研究[J].机械设计，2017（02）：119-121.

[2]Anand，S.S.，& Buchner，A.G.（1998）.Decision support using data mining.London：Financial Times Pitman.

[3]Adeniyi D A，Wei Z，Yongquan Y.Automated web usage data mining and recommendation system using K-Nearest Neighbor （KNN）classification method[J].Applied Computing & Informatics，2016，12（01）：90-108.

[4]吴雪峰，马路.数据挖掘技术及在制造业的应用[J].计算机应用与软件，2017（10）：71-77.

[5]Kusiak A，Smith M.Data mining in design of products and production systems[J].Annual Reviews in Control，2007，31（01）：147-156.

[6]李鑫.基于中间模型的仿真数据挖掘关键技术研究及应用[D].浙江大学，2016.

[7]沈晓.面向银保知识资源库的关键技术研究及系统构建[D].复旦大学，2011.

[8]丁卫，顾寄南，马亮.数据挖掘与数据融合在产品优化设计中的研究综述[J].制造业自动化，2013，35（02）：68-70.

[9]Agard B.Data mining for improvement of product quality[J].International Journal of Production Research，2006，44（18-19）：4027-4041.

基金项目：贵州省科技支撑计划项目（黔科合支撑[2017]2029）；

贵州省科学技术基金计划项目[黔科合基础（2016）1037]；

国家自然科学基金资助项目（51505094）；

作者简介：蓝伟文（1973-），男，广东兴宁人，硕士，副教授，主要研究方向：智能制造。