GOGETTER

案例與數(shù)據(jù)

國工智能數(shù)據(jù)大腦是一個(gè)基于人工智能數(shù)據(jù)分析決策平臺(tái)，內(nèi)置關(guān)聯(lián)分析是一種重要的人工智能組件，他可以尋找出事物之間的隱含規(guī)則，尋找事物的發(fā)生規(guī)律。像經(jīng)典的啤酒尿布的銷售分析和抖音、頭條中對(duì)于用戶興趣推薦的分析都有關(guān)聯(lián)分析的影子。

關(guān)聯(lián)分析作為一種知識(shí)發(fā)現(xiàn)算法，在制造業(yè)中也有廣泛的用途，隨著制造業(yè)信息化的建設(shè)，制造類企業(yè)積累了大量的數(shù)據(jù)，其中生產(chǎn)中不合格品數(shù)量關(guān)系企業(yè)的生存與發(fā)展，如何從以往大量的不合格品數(shù)據(jù)中發(fā)現(xiàn)問題，分析原因，以便于有關(guān)部門及領(lǐng)導(dǎo)采取相應(yīng)對(duì)策，降低不合格率。

這里使用某汽車模具公司中影響產(chǎn)品不合格因素為例，從引起產(chǎn)品不合格的各原因中發(fā)現(xiàn)它們之間的內(nèi)在聯(lián)系，進(jìn)行人為控制和干預(yù)，以減少不合格產(chǎn)品數(shù)量，從而提高企業(yè)的競(jìng)爭(zhēng)力。

我們使用了一張質(zhì)量判定EXCEL表來進(jìn)行分析的原料。里面描述了每一個(gè)生產(chǎn)批次質(zhì)量檢測(cè)項(xiàng)目的檢驗(yàn)結(jié)果，分別是合格與不合格。

表1 產(chǎn)品不合格原因統(tǒng)計(jì)表

這里YES代表此批次產(chǎn)品產(chǎn)生不合格的原因，NO不是此批次產(chǎn)品產(chǎn)生的原因。

分析過程

圖1 關(guān)聯(lián)分析處理流程

我們使用數(shù)據(jù)大腦系統(tǒng)，對(duì)存有待分析數(shù)據(jù)的Excel文件進(jìn)行讀取，然后按需進(jìn)行算法組件的相關(guān)參數(shù)進(jìn)行配置，如圖2--圖4所示

圖2 模具數(shù)據(jù)模型

圖3 配置Excel讀取組件

圖4 配置關(guān)聯(lián)分析FPGrowth組件

分析結(jié)果

圖5關(guān)聯(lián)分析分析結(jié)果

通過關(guān)聯(lián)分析FPGrowth組件生成算法分析結(jié)果，展示該類數(shù)據(jù)之間存在的潛在聯(lián)系，上述數(shù)據(jù)分析結(jié)果轉(zhuǎn)換如下圖

所示。

圖6關(guān)聯(lián)分析分析結(jié)果轉(zhuǎn)換

通過上述規(guī)則可以看出，當(dāng)產(chǎn)品不合格原因不存在沖件高低，而存在屑料阻塞時(shí)，有92.8571%的概率不會(huì)出現(xiàn)下料偏位，其確信度為1.9264，存在一定的關(guān)聯(lián)性。

當(dāng)產(chǎn)品不合格原因不存在沖件高低，而存在卡料和折彎變形時(shí)，有91.0327%的概率會(huì)出現(xiàn)凸模斷裂崩刃，其確信度為6.8523333，存在較強(qiáng)的關(guān)聯(lián)性，需要對(duì)卡料和折彎變形這兩個(gè)不合格原因進(jìn)行重點(diǎn)管理。

當(dāng)產(chǎn)品不合格原因只存在卡料和折彎變形時(shí)，有90.6976%的概率會(huì)出現(xiàn)凸模斷裂崩刃，其確信度為6. 440444，存在較強(qiáng)的關(guān)聯(lián)性。

由上所述，在整個(gè)生產(chǎn)過程中，關(guān)于質(zhì)量管理方面，需要對(duì)卡料和折彎變形這兩個(gè)不合格原因進(jìn)行重點(diǎn)管理，對(duì)其生產(chǎn)中的弱點(diǎn)進(jìn)行改進(jìn)，降低不合格率，從而降低企業(yè)的運(yùn)作成本，取得一定的經(jīng)濟(jì)效益。

參數(shù)說明

度量類型是設(shè)置對(duì)規(guī)則進(jìn)行排序的度量依據(jù)?？梢允牵褐眯哦龋愱P(guān)聯(lián)規(guī)則只能用置信度挖掘），提升度(Lift)，杠桿率(Leverage)，確信度(Conviction)。

置信度也稱為可靠度，或置信水平、置信系數(shù)，表示在先決條件X發(fā)生的情況下，由關(guān)聯(lián)規(guī)則“X→Y”推出Y的概率。即在含有X的項(xiàng)集中，含有Y的可能性，公式為： Confidence(X→Y) = P(Y|X)  = P(X,Y) / P(X) = P(XUY) / P(X)。

提升度(Lift)表示含有X的條件下，同時(shí)含有Y的概率，與Y總體發(fā)生的概率之比。公式為：Lift(X→Y) = P(Y|X) / P(Y)。Lift=1時(shí)表示A和B獨(dú)立。這個(gè)數(shù)越大(>1)，越表明A和B存在于一個(gè)集合中不是偶然現(xiàn)象,有較強(qiáng)的關(guān)聯(lián)度.

杠桿率(Leverage)公式為: Leverage=P(A,B)-P(A)P(B)。Leverage=0時(shí)，A和B獨(dú)立，Leverage越大A和B的關(guān)系越密切。

確信度(Conviction)公式為: Conviction =P(A)P(!B)/P(A,!B) 。!B表示B沒有發(fā)生, Conviction也是用來衡量A和B的獨(dú)立性。從它和Lift的關(guān)系（對(duì)B取反，代入Lift公式后求倒數(shù)）可以看出，這個(gè)值越大, A、B越關(guān)聯(lián)。

應(yīng)用領(lǐng)域

利用關(guān)聯(lián)分析的方法可以發(fā)現(xiàn)聯(lián)系，如關(guān)聯(lián)規(guī)則或頻繁項(xiàng)集。目前應(yīng)用于穿衣搭配推薦、依據(jù)用戶軌跡的商戶精準(zhǔn)營銷、地點(diǎn)推薦系統(tǒng)、氣象關(guān)聯(lián)分析、交通事故成因分析、銀行金融客戶交叉銷售分析、電子商務(wù)搭配購買推薦、基于興趣的實(shí)時(shí)新聞推薦等領(lǐng)域。