基于人工智能的质量自动识别系统研究

李祥东 牛牧 孙君甫 王磊

（中车长春轨道客车股份有限公司质量管理部 吉林省长春市 130000）

1 引言

传统的轨道交通质量管理方法致力于质量的控制和诊断，主要是事后处理。一方面，随着制造业信息化的深入，企业从日常的生产活动中，收集到大量的、杂乱的数据未能得到充分利用，大多只停留在对数据的简单统计与图表的显示[1]，缺少进一步的挖掘及利用隐藏在数据背后的有用信息，不能利用科学的数据计算模型自动给出改进机会，无法对公司质量改进活动提供支撑。

目前，国内外学者对于电力、机械加工等其他质量管理都有着广泛而深入的研究，但铁路质量改进自动识别的研究仍然较少。企业现有质量改进主要以过程和运营的重大质量问题为导向开展，对系统内已积累的大量进货、过程、运营等实物质量问题缺少进一步的挖掘及利用，不能利用科学的数据计算模型自动给出改进机会，无法对公司质量改进活动提供支撑。

针对企业质量管理活动的现状及需求，本文将质量管理和数据挖掘技术结合，充分利用企业得到大量的质量数据，建立数据模型，挖掘出有利于提高产品质量，降低产品不合格率[1-5]，实现对已有质量数据定期自动化分析，识别改进机会，自动推送责任部门，对改进效果进行验证、评价。将改进模型引入到生产中，发现改进机会，并注入到生产流程中，为质量改进提供数据决策支持。

2 质量改进系统设计

2.1 设计思路

图1：系统技术流程

图3：质量改进系统功能展示图

图4：模型预警结果

本文在对动车组的生产过程及售后运营等业务线的数据基础上，基于hadoop 的大数据技术架构，JAVA、PYTHON，Oracle 数据库等技术，构建业务实现的逻辑模型，开发和编码相关的设计内容，包括各实现不同模块的实体关系，业务流程，详细用户界面，模块对外接口和对外依赖等，建立基于数据决策的质量改进系统，系统技术流程如图1所示。

质量改进系统通过对动车组的生产过程及售后运营等业务线的数据按照业务需求对数据进行建立预警模型，建立起一套基于数据决策的质量改进系统，监督并帮助自主识别出质量改进机会，进行整改，并对整改效果进行评价，最后将质量改进机会推送给相关责任单位第一管理者，第一管理者指派整改人员进行整改。同时系统完成对质量相关数据较为全面收集，形成不同业务线的数据标准化，实现质量数据的统一管理，方便为决策层提供数据支撑，促使质量改进解决问题更科学化、规范化、标准化，降低产品不合格率，提高产品质量及生产效率，降低生产成本。

系统设计要充分考虑对日常大量数据交互、运算在速度上和稳定性上的要求，同时能够整合现有各类信息资源，以适应生产任务管理的需求，满足稳定性、安全性、扩展性、快速开发部署等要求。由于本系统人员权限与公司另一 QMS 系统相同，因此两系统共用用户管理，本项目不再单独设计用户权限相关内容。

3 质量改进系统的模型设计

3.1 建立评价潜在质量改进机会的特征指标

根据大量动车组制造及售后运营的历史数据，通过构建潜在质量改进机会及一系列评价指标来建立是否是质量改进机会的预警模型，进一步建立一个泛化度较高的智能质量改进分析模型，技术路线如图2所示。

根据目前动车组现有大量历史质量数据，确定业务对象，定义出业务挖掘目标。寻找所有与业务对象有关的数据，并从中选择出适用于数据挖掘应用的原始数据[6]。原始数据中可能会有一些错误的或者缺陷的脏数据，对有问题的数据进行预处理，为进一步的分析建模做准备。为了便于挖掘，格式不统一要转换为统一格式，非数值型数据要转化为数值型，以便找出真正有用的特征变量。通过已有的字段，构造质量评价指标体系，以及潜在质量改进机会体系的特征。通过对现有字段指标的特征构建，建立预警规则模型。对建立的预警规则模型利用未参与建模的数据进行验证评价，并将结果与实际情况进行比较。若在此过程发现模型不够优化，可回到前面的步骤进行调整。

图5：实际数据分布统计

由于数据池中的数据只记录检验有问题的数据，故采用占比来评价潜在质量改进机会。现有数据池中没有反应是质量改进机会的特征，需要人为标记，为更好直观地把质量改进机会评价出来，定义6 个输出目标特征：当日缺陷占比率、当日缺陷占近5日累计缺陷比率、当日缺陷占近15日累计缺陷比率、当日缺陷占近30日累计缺陷比率、近5日累计缺陷占近30日累计缺陷比率、近15日累计缺陷占近30日累计缺陷比率。通过数据探索分析及对数据库现有数据字段分析，选取上述的6 个指标，既可通过现有字段获得，又能评价质量改进机会，同时可对现有的非数值型字段进行无量纲化处理。构建的6 个有梯度的评价指标，来评价潜在质量改进机会是否是质量改进机会的概率。

质量改进机会综合评价指标是判断潜在质量改进机会是否是质量改进机会的综合评价指标，它是潜在质量改进机会是否是质量改进机会的重要依据。综合评价指标是基于权重系数特征分析前文的6 个评价指标进行求和得到的，通过综合评价指标可用来自动识别质量改进机会模型的变量，其中，w1-w6 通过熵值法确定权重系数。质量改进机会综合评价指标计算公式：

综合评价指标=w1*当日缺陷占比率+w2*当日缺陷占近5日累计缺陷比率+w3*当日缺陷占近30日累计缺陷比率+w4*当日缺陷占近15日累计缺陷比率+w5*近5日累计缺陷占近30日累计缺陷比率+w6*近15日累计缺陷占近30日累计缺陷比率；

由于不同的缺陷等级，对问题不良的影响程度不一样，故对综合指标与缺陷等级再次进行权重相加，求出综合指标。其中，w1,w2权重系数同样通过熵值法求出。缺陷等级有A、B、C三个等级，根据实际生产过程，将缺陷等级离散化为百分比。具体的计算公式：

质量改进机会综合评价指标 = w1*质量改进机会综合评价指标+w2*缺陷等

3.2 建立评价潜在质量改进机会的动态阈值

探索质量改进机会综合评价指标得数据分布，若为正态分布，质量改进机会动态阈值，依据3sigma 原则，把质量改进机会综合评价指标偏离均值3 个标准差的数据判定为质量改进机会动态阈值。若不符合正态分布，采用切比雪夫不等式原理，将分布概率低于10%区间内的数据判定为质量改进机会动态阈值。

3.3 建立质量改进预警模型

有了综合指标及质量改进机会动态阈值，就可判断潜在质量改进机会是否是质量改进机会，建立预警规则模型。若综合指标＞质量改进机会动态阈值,则自动判断为是质量改进机会，触发质量改进机会预警；反之，判断为不是质量改进机会，则不会触发预警。质量改进机会的迫切程度是为了判断潜在质量改进机会是质量改进机会的优先迫切程度，公式为：质量改进机会的迫切程度=综合指标-质量改进机会动态阈值。若是质量改进机会，迫切程度值比较大，则优先进行质量改进。

4 基于数据决策的质量改进系统实现

按照系统实现功能需求，建立质量改进管理和系统管理2 大模块。质量改进管理中有质量改进系统首页、质量改进机会查询、改进机会整改、改进效果评价几个功能版块；系统管理有质量改进模型、改进效果评价周期设置、用户管理、角色及权限管理几个功能版块。部分展示如图3所示。

5 系统模型测试

当开发完质量改进系统，运行系统，得到的模型结果如图4所示。

以上结果中，潜在质量改进机会名称是由“所属系统”，“产品”，“缺陷类型”三个字段组成。

上面为自动识别改进机会模型测试的结果，可以看出，该潜在质量改进机会发生数量较多，质量改进机会综合指标达到模型的阈值，发生模型预警，被判为质量改进机会（1-是质量改进机会；0-不是质量改进机会；），以及迫切程度的优先级。从结果可以看出，缺陷等级为B 的但数量不多的缺陷，也被识别出来。

为了对决策模型有效性进行检验，从新的未测试的数据库随机抽取1307 条历史数据来测试训练后的模型，分析当日最多的数据top10 分布，得到如图5。

通过对模型结果图4 对应的改进机会当日，5日，15日，30日的数据分布可知，“转向架_转向架_表面问题”在上述几天分布中是数量最多的，其次是“转向架_轮对轴箱组成_表面问题”数量也较多。当日数据量最多的，在连续累计的5日，15日，30日也是最多的，但除了模型结果图4 对应的改进机会当日外，后续的一个月内数量几乎没增长，也就是说，模型结果图4 对应的改进机会当日最多的问题，可能是偶发现象，或当日就把问题解决。

模型总体上来说，比较好的反映出质量改进机会的大部分特征，但由于部分数据记录比较粗略，细化的内容在缺陷描述中，故部分潜在质量改进机会不能全面囊括缺陷特征，如果有更详细的数据描述用于模型的验证、评估与优化，该质量改进机会自动识别模型是可以提升其准确度与精确度的，让相关责任部门更容易定位到具体的问题。

6 结论

本文依据动车组企业实际需求，利用制造过程及售后运营中积累的大量质量历史数据，构建质量改进评价指标体系，构建出自动推送质量改进机会的预警模型。在分析出的质量改进机会的前提下，建立基于数据决策的质量改进系统，为企业的产品质量持续改进提供了一定程度的数据支持。经实际数据检测，该模型所达到的准备率可满足企业是否自动所识别出潜在质量改进机会是否是质量改进机会及其影响因素诊断决策需求，所获得的规则对质量管理提供一定指导作用，证明了模型的有效性。