息成成1，王隆义2
1北京新风航天装备有限公司，北京 100854 2北京瑞风协同科技股份有限公司，北京 100086
摘要：航天产品总装和测试过程会产生海量多元异构的数据。采用相关性分析和回归分析等数据挖掘技术，对这些无序的海量异构数据进行处理和分析，为配套单位设备生产质量管控、产品总装和测试生产优化提供决策依据，从而提高总装智能生产线效率及质量。
关键字：航天产品，总装和测试，多元异构数据，数据挖掘
基金项目：国防基础科研重点项目（编号JCKY2018204B007）
引言
制造业作为国民经济的主体，是立国之本、兴国之器、强国之基。随着“工业4.0”概念的提出，以智能制造为主导的第四次工业革命迅速受到了全世界的广泛关注，并引发了全球制造业的新一轮工业转型竞争。同时，由于国内外形势发生深刻而复杂的变化，特别是经济下行压力加大的挑战，国内制造业目前正面临着新一轮技术革命和产业转型的历史性课题。按照《中国制造2025》规划纲要，科学实施制造强国战略，特别是在航天装备领域，发展新一代运载火箭、重型运载器，提升进入空间能力。推动载人航天、月球探测工程，适度发展深空探测。推进航天技术转化与空间技术应用，为实现中华民族伟大复兴的中国梦奠定更加坚实的基础[2]。
航天产品总装和测试过程涉及的产品品种多且结构组成复杂，外协配套生产单位多。针对系统生产过程中存在的航天产品总装和测试过程质量数据采集不全、数据利用率低，数据服务支撑能力弱等问题，需要攻克海量异构数据处理及分析预测技术，重点开展测试数据的采集与监控，并补充关键装配过程指标在线采集与分析。探索有效的数据挖掘分析方法已然成为航天制造业信息化深入发展的焦点问题之一。应用工业大数据技术，开展装配关键过程数据、测试数据的一致性分析和决策。通过研究航天产品总装和测试过程多元异构海量数据动态感知及分析决策技术，充分挖掘利用这些数据财富，从海量数据里发现有价值的信息和知识，为产品总装生产效能和产品质量提升服务。
航天产品总装和测试的属性特点
航天产品总装和测试过程中会利用多种采集工具，对四五段对接、产品气密、全产品对接、包装箱装配等总装关键环节进行数据动态采集，通过测试设备对单元件测试、部件测试、产品测试等关键测试环节进行数据采集。在总装过程中会产生力矩、质量质心、外形尺寸等异构数据；在测试设备中产生的角速度、角度、电压、电流等异构数据。对于成本、计划、工艺、质量等海量多元异构数据，先进行数据标准化、去冗余、降维等数据预处理，再开展系列产品多批次装配、测试、试验的关键指标数据一致性分析、产品结构组合分析和百万分缺陷率统计分析，实现对产品质量的分析。
为了提高总装智能生产线效率及质量，我们可以在航天产品总装和测试过程中引入的数据分析决策系统，这需要建立工艺相关因素（设备、工具、工装、过程控制指标要求）输入输出指标体系和评价指标模型，通过对总装和测试过程海量多元异构数据分析，识别在总装和测试过程中的薄弱环节，找出质量风险点，明确工艺相关因素改进优化方向，制定有效的措施，实现质量的不断迭代改进。具体应用为：对利用力矩扳手、测试设备等工具采集的总装和测试关键过程质量数据，进行相关性的分析。对力矩、电压、电流等质量数据在设计文件要求范围内，但偏离预期（力矩、电压、电流偏大或偏小）的装配和测试环节，分析出所采用工艺方法中主相关因素，例如选用的工具、工装、设备或装配指标等。
数据分析决策过程会提出初步决策意见，包括哪些主相关因素需要替换或改进。总装和测试技术人员再依托经验知识库中成熟工艺技术经验，做出最终的改进优化决策。
航天产品总装和测试的质量数据挖掘
目前航天产品总装和测试过程中产生的大多数数据存储在数据库中，需要对这些无序的海量异构数据进行数据挖掘和分析，进行数据分类、清洗、分析、决策、动态感知等处理，为配套单位设备生产质量管控、产品总装和测试生产优化提供决策依据。通过对质量数据与工艺数据、生产数据等数据信息的潜在关系进行分析挖掘，寻找影响产品质量的主要因素，定位导致各类质量问题的主要原因，建立产品质量与生产工艺、尺寸公差、电气数据等不同因素间的关联关系模型，为工艺改进和工艺过程优化提供决策支持。
数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程，是一种深层次的数据分析方法。结合航天产品总装和测试数据特点，采用相关性分析和回归分析进行数据挖掘分析。
相关性分析
相关性分析是研究两个随机变量间相关关系的分析方法。相关性分析分别计算密封圈绳径、密封槽深度、涂胶量、施加力矩和安装间隙值的相关度，然后按数值大小排序，并规定：相关度在[0,0.2）为不相关，相关度在[0.2,0.4）为弱相关，相关度在[0.4,0.6）为中相关，相关度在[0.6,0.8）为强相关，相关度在[0.8,1]为高度相关。相关性分析算法采用Pearson算法。首先，计算Pearson 相关系数
然后，对Pearson相关系数取绝对值，得到Pearson相关度。相关系数的绝对值越大，相关性越强。
回归分析
一元回归分析是用最恰当的数学方程去拟合由一个自变量和一个因变量所组成的原始数据。一元线性回归分析法的预测模型为：
式中，代表期自变量的值； 代表期因变量的值；代表一元线性回归方程的参数，由下列公式求得：
我们分别将密封圈绳径、密封槽深度、涂胶量、施加力矩看到自变量，将安装间隙值看作因变量，进行一元线性回归分析预测。建立自变量与因变量的线性回归方程，通过残差大小确定有效的线性拟合模型。
总结
信息化建设为航天产品总装和测试提供了强有力的硬件支撑，积累了历史数据。在本文中，通过采用相关性分析和回归分析等数据挖掘方法，对影响质量的因素进行数据分析计算，并结合专家的工艺技术经验，为配套单位产品总装和测试生产优化提供决策依据，提高了总装智能生产线效率及质量。
参考文献
[1]周济，智能制造—“中国制造2025”的主攻方向[J].中国机械工程,2015,17:2273-2284.
[2]李金华，德国“工业4.0”与“中国制造2025”的比较及启示[J].中国地质大学学报(社会科学版),2015,05:71-79.
[3]李亢,李明，刘东，多源异构装备数据集成研究综述[J].中国电子科学研究院学报,2015,02:162-168.
[4]杨莲，数据挖掘模型和算法的研究[D].重庆大学，2005.
[5]李平荣，大数据时代的数据挖掘技术与应用[J]．重庆Ｈ峡学院学报，2014，3：45-47.