一种PVB产品质量关联规则分析方法和系统与流程

一种pvb产品质量关联规则分析方法和系统
技术领域
1.本发明属于工业大数据和智能制造领域，尤其涉及pvb产品生产技术领域，具体提供了一种pvb产品质量关联规则分析方法和系统。


背景技术：

2.pvb(又称聚乙烯醇缩丁醛树酯)产业具有盈利高、附加值提升空间大等特点，其市场前景巨大。然而国内pvb的整体竞争优势不高，特别是在中高端市场。
3.pvb产品生产过程中包含一系列的工序流程，生产过程中随机波动大、实时要求高。pvb生产进程的主要特性有以下特点：
4.(1)、相关性
5.多工序生产过程依托于工序生产，产品质量状态经生产进程中各类因素影响，工序之间层层相扣，彼此互联，若要完成对某一道工序的质量管控，不但要分析本节工序影响质量的要素，同时还需联动前后工序。所以，面对多工序生产阶段的产品品质问题，要完整理解产品制造的整个工艺进程，掌握工序内部之间具备的联系。
6.(2)、质量误差传递性
7.工序之间除了具备相关性之外，还具备传递的特性，主要是质量误差随工序传递的进程。在产品开始生产时，某一时刻在某一工序上捕获到产品品质误差波动痕迹时，于此处工序生产的误差，将会继续出现于下一道工序，且误差被放大的概率极大。
8.(3)、质量波动源复杂性
9.在多工序生产进程中，影响产品品质的实际因素很难被捕捉，因为工序所具备的繁杂联系。追溯产品品质因素之时，会发现质量问题往往埋藏在制造进程众多强耦合因素之中。因此，面对复杂生产过程中工序所具备强交联高度耦合特性，质量波动真正的源头往往变得更加复杂。
10.pvb产品质量评价指标主要包括：熔融指数、堆积密度、羟基含量、残留丁醛、残留et2h(残留二乙基己烯醛)、残留氯化氢、黄色指数、挥发分等，而生产过程影响较大的重点工艺参数多达几十种。因此，有必要设计一种数据处理量较少、精确性更高的质量数据分析工具。


技术实现要素：

11.本发明实施例的目的在于提供一种pvb产品质量关联规则分析方法，旨在解决现有技术由于pvb产品生产具有的相关性、质量误差传递性和质量波动源复杂性，导致质量控制数据繁杂、关键工艺不可控而影响质量控制的缺陷；实现提取影响因子与质量评价指标之间的关联关系，从而达到产品质量逐渐稳定且可控的目的。
12.本发明实施例是这样实现的，一种pvb产品质量关联规则分析方法，所述方法包括以下步骤：
13.获取pvb产品生产全工序的过程数据和质量数据；
14.对获取的过程数据和质量数据进行数据处理，制成样本集；
15.应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；
16.基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；
17.以所述最优规则集建立相关系数矩阵，以形成知识库；
18.根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。
19.本发明实施例的另一目的在于提供一种pvb产品质量数据分析系统，用于如上所述的pvb产品质量关联规则分析方法，所述pvb产品质量数据分析系统包括：数据获取模块、数据预处理模块、第一规则计算模块、第二规则计算模块、知识库构建模块和质量提升模块；
20.所述数据获取模块，用于获取pvb产品生产全工序的过程数据和质量数据；
21.所述数据预处理模块，可对获取的过程数据和质量数据进行数据处理，制成样本集；
22.所述第一规则计算模块，能够应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；
23.所述第二规则计算模块，基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；
24.所述知识库构建模块，以所述最优规则集建立相关系数矩阵，以形成知识库；
25.所述质量提升模块，用于根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。
26.本发明实施例提供的一种pvb产品质量关联规则分析方法，获取pvb产品生产全工序的过程数据和质量数据，主要考虑原料、关键工艺、质量数据的全样本、多特征特性，按照质量数据分类结果，对每一个分类类别进行多工序过程数据之间关联规则的建立或挖掘，具体是选用apriori作为关联规则的挖掘工具，结合k-means聚类算法与粒子群优化算法，建立了一种基于pso-kmeans-apriori的算法模型，依此寻找pvb产品质量最优规则，根据生产过程监测，以最优规则作为指导，调整相应工艺参数，以期实现生产系统的质量动态分析、诊断、预测和调整，以便确保整个生产进程的品质可控。
附图说明
27.图1为本发明实施例提供的一种pvb产品生产的质量关联规则挖掘流程图；
28.图2为一个实施例中apriori算法流程示意图；
29.图3为一个实施例中基于pso关联规则算法流程图；
30.图4为本发明实施例提供的一种pvb产品质量关联规则分析方法的流程图；
31.图5为本发明实施例提供的一种pvb产品质量关联规则分析系统结构框图一；
32.图6为本发明实施例提供的一种pvb产品质量关联规则分析系统结构框图二；
33.图7为一个实施例中过程数据和粘度(s)的相关性矩阵图；
34.图8为一个实施例分析的生产指标重要度结果图；
35.图9为一个实施例中计算机设备的内部结构示意图。
具体实施方式
36.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
37.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本技术的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
38.现代工厂对生产质量的管理，普遍从“人”、“机”、“法”、“料”、“环”这五个方面(具体来说是：操作人员素养、生产设备、加工工艺、原料和生产环境)出发，针对每一个方面均可提出质量检测、控制措施，以达到可预期的、可控的质量提升；对于本领域技术人员而言，为了实现产品质量的管理，也容易知晓，可以从“人”、“机”、“法”、“料”、“环”方面来进行数据采集；再对采集后的数据进行数据处理，以便于进行数据挖掘，具体可参见图1。以pvb产品生产为例：生产涉及的加工工艺(加工工序)包括：投料、溶解、缩合、升温、保温、水洗、稳定等等；对应的，可以通过检测、控制以下过程数据实现产品质量的管理：pva投料量，升温开始温度/结束温度、夹套温度、升温速率板洗液位，相变温度、丁醛投料量、投醛温度、投醛前/中/后频率设定，升温最高温度，保温2最高温度，一次/二次/三次回用水水洗次数，一次/二次/三次回用水开始时刻温度、冰纯水水洗次数，质量化验指标等。这样的话，可以通过分析上述过程数据、与该过程数据对应的质量状态之间的内在关系来理清pva产品生产的质量关联规则，进而为pvb产品的质量提升提供指导和支持。
39.在一个实施例中，如图4所示，为一种pvb产品生产的质量关联规则分析方法的流程图；可以包括以下步骤s401至s411：
40.s401，获取pvb产品生产全工序的过程数据和质量数据；
41.在本步骤中，pvb产品生产全工序的过程数据，包括但不限于上述的pva投料量，升温开始温度/结束温度、夹套温度、升温速率板洗液位，相变温度、丁醛投料量、投醛温度、投醛前/中/后频率设定，升温最高温度，保温2最高温度，一次/二次/三次回用水水洗次数，一次/二次/三次回用水开始时刻温度、冰纯水水洗次数，质量化验指标等，质量数据则是与之相关的原料、中间产物、成品的质量状态，如：溶解、缩合、水洗或稳定等涉及的质量评价指标：熔融指数、堆积密度、羟基含量、残留丁醛、残留et2h、残留氯化氢、黄色指数、挥发分等；溶解、缩合、水洗或稳定等的任一工序，其涉及的过程数据，不仅对当前工序的质量评价指标产生影响，也可能对在该工序后的工序产生影响。
42.因此，为了分析每一个工序的工艺参数对前后工序可能产生的影响，有必要对pvb产品生产全工序进行数据采集和数据挖掘。
43.s403，对获取的过程数据和质量数据进行数据处理，制成样本集；
44.在获取了pvb产品生产全工序的过程数据和质量数据，一般地，需要对相关数据进行离散化处理、去杂处理等；以便于后续的数据挖掘。
45.在一个示例中，所述对获取的过程数据和质量数据进行数据处理，制成样本集的步骤，具体包括：
46.对获取的过程数据进行离散化处理，得到m*n维的项集x，可表示为：其中，xi(i＝1，...，n)为m维空间中的随机采样样本。
47.对获取的质量数据进行聚类处理，得到表征pvb产品生成过程中各类质量状态的过程质量状态表，即得项集y；
48.由所述项集x、项集y组成所述的样本集(或事物数据集n)。
49.具体地，应用apriori算法，捕捉前一项集x
→
后一项集y的关系规则，且规则一定可信。其中支持度、置信度、提升度分别定义为：
[0050][0051][0052][0053]
支持度s定义在样本集n中，项集{x,y}同时出现的概率。置信度c衡量了规则的可信程度。当s与c同时满足其最小阈值时的规则时，则为强关联规则。项集x与项集y两者间的相关性由l表征，l的值以1为界限，当l＝1时，表明二者没有相关性，当l》1时，说明二者具备正相关性，值越高，相关性越高，当l《1时，说明二者具备负相关性，值越低，相关性越高。
[0054]
s405，应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；
[0055]
本步骤中，可以通过生成的所述频繁项集的关联规则，直接构建总的知识库；
[0056]
s407，基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；
[0057]
所述的指定算法包括但不限于k-means聚类算法与粒子群优化算法(简称pso优化算法)；
[0058]
s409，以所述最优规则集建立相关系数矩阵，以形成知识库；
[0059]
本步骤中，如图7所示，为以pvb产品生产为例中的一种相关系数矩阵；图8为本实施例分析的生产指标重要度结果图；通过该图7、图8可以看出：与质量指标数据有较强正相关关系的参数(相关性系数靠近1)：一次回用水水洗开始时刻温度、三次回用水水洗开始时刻温度、保温最高温度、投醛前频率设定、投醛温度、相变温度、进料结束温度等。
[0060]
因此，在调节工艺参数的时候，可以主要参考该相关系数矩阵，对一次回用水水洗开始时刻温度、三次回用水水洗开始时刻温度、保温最高温度、投醛前频率设定、投醛温度、相变温度、进料结束温度进行重点检测和控制，这样的话，可以通过较少的数据处理，实现更高生产质量的控制。
[0061]
s411，根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。
[0062]
如图2所示，在一个实施例中，所述应用apriori算法挖掘出所述样本集中各数据
之间的频繁项集，并生成所述频繁项集的关联规则的步骤，具体包括：
[0063]
定义所述项集x、项集y为预设的质量关联规则分析模型的输入、输出：
[0064]
构建事物数据集n，表征前一项集x
→
后一项集y的所有关系规则；定义最小支持度阈值s
min
；频繁k项集初始值k＝1；
[0065]
计算事物数据集n中所有项集的支持度；
[0066]
选择支持度大于最小支持度阈值s
min
的项集，加入k项集；
[0067]
其中判别k项集是不是空集，若为空集，获取频繁k-1项集l
k-1
且终结算法，若不为空集，连接lk自身，衍生k+1项集c
k+1
作为候选项且算法结束；
[0068]
并进行剪枝处理和迭代处理，得到频繁k项集；
[0069]
其中剪枝处理，是去掉不是非频繁项集，去除剩余候选集中支持度小于s
min
项集，对k+1项集进行空集判断；
[0070]
令k＝k+1，重复上述的计算事物数据集n中所有项集的支持度至剪枝处理，是去掉不是非频繁项集，去除剩余候选集中支持度小于s
min
项集，对k+1项集进行空集判断的步骤，当k项集为空，算法结束；
[0071]
根据得到的频繁k项集生成所述频繁项集的关联规则。
[0072]
其中，质量关联规则分析模型是由apriori算法结合k-means聚类算法与粒子群优化算法进行耦合搭建的，apriori算法用于质量关联规则的挖掘，k-means聚类算法用于最优规则的聚类，粒子群优化算法用于质量关联规则的抽取，并根据抽取的质量关联规则调整生成工艺参数；以提升pvb产品生产质量。
[0073]
如图3所示，在一个实施例中，所述基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集的步骤，具体包括：
[0074]
设置最小支持度阈值和最小置信度阈值；
[0075]
使用k-means算法对所述事物数据集n进行离散编码处理；
[0076]
将前一项集x
→
后一项集y的所有关系规则，基于项集y的分类，用粒子群算法对每一类质量状态进行规则寻优；其中，寻找到的每一最小时间周期关系规则，表示一个粒子，计算出粒子的适应度f(r)值；
[0077]
更新粒子的速度、位置、个体最优影响pbest(i)和全局最优影响gbest(i)；
[0078]
迭代循环进行规则寻优，得到最终的最优规则集。
[0079]
在一个实施例中，粒子群优化算法对质量关联规则的抽取，包括以下步骤：
[0080]
分类：使用if(条件)—then(结果)的模式方法来解释apriori方法所抽取出来的过程质量状态对应的规则：
[0081]
前项集if《conditions》
→
后项集then《result》；
[0082]
使用逻辑连接符or，and连接规则的前提条件与结论，即：
[0083]
if(v
1min
≤x1＜＜v
1max
)λ...λ(v
mmin
≤xm≤v
mmax
)then(y＝b)
ꢀꢀꢀ
(1)；
[0084]
(x1,x2,...,xm)是输入的特征向量，y为项集y，b为y具体的值，v
mmin
、v
mmax
表示边界值。
[0085]
以及基于k-means算法的数据编码处理：使用k-means算法对所述事物数据集n进行离散编码处理。
[0086]
在一个实施例中，所述使用k-means算法对所述事物数据集n进行离散编码处理的步骤，具体包括：
[0087]
对m*n维的项集x与项集y值构成的共m+1个数组，使用k-means算法进行聚类分析；
[0088]
确定聚类k值，设置模型参数，以得到最终的聚类结果；
[0089]
根据最终的聚类结果，对每个相应聚类类别标记指定标签，将事物数据集n根据指定标签进行编码处理。
[0090]
如图3所示，在一个实施例中，在所述将前一项集x
→
后一项集y的所有关系规则，基于项集y的分类，用粒子群算法对每一类质量状态进行规则寻优的步骤中；还调整所述粒子群算法的适应度f(r)；
[0091]
适应度方程为：
[0092]
f(r)＝αsupport(r)+βconfidence(r)
ꢀꢀꢀ
(2)；
[0093]
其中支持度阈值、置信度阈值分别为support(r)、confidence(r)，权重因子满足α,β∈(0,1]，α+β＝1；通过调节α,β比重控制支持度与置信度相对比例。
[0094]
在本实施例的一个示例中，权重因子α,β可以分别取0.5、0.5，则：f(r)＝0.5support(r)+0.5confidence(r)。
[0095]
在一个实施例中，在所述应用apriori算法挖掘出所述样本集中各数据之间的频繁项集的步骤前，所述方法还包括：
[0096]
根据获取的质量数据，对pvb产品生产的过程质量状态进行分类；
[0097]
使用条件结果模式解释过程质量状态的每一类与对应类的关联规则；
[0098]
根据质量状态的每一类与对应类的关联规则，连接各类质量状态与关联规则的前提条件。
[0099]
如图3所示，在一个示例中，一种pvb产品质量关联规则分析方法的流程可以包括：
[0100]
对基于pso-kmeans-apriori的初始模型进行输入、输出调整，构成质量关联规则分析模型，一般的，仅需采用现有技术是pso-kmeans算法、结合apriori算法即可实现初始模型的搭建；pso-kmeans算法、apriori算法均为现有技术，在此不再详述。
[0101]
设置最小支持度阈值和最小置信度阈值；
[0102]
使用k-means算法对所述事物数据集n进行离散编码处理；
[0103]
将前一项集x
→
后一项集y的所有关系规则，基于项集y的分类，用粒子群算法对每一类质量状态进行规则寻优；其中，寻找到的每一最小时间周期关系规则，表示一个粒子，计算出粒子的适应度f(r)值；
[0104]
更新粒子的速度、位置、个体最优影响pbest(i)和全局最优影响gbest(i)；
[0105]
迭代循环进行规则寻优，得到最终的最优规则集。
[0106]
其中，迭代循环过程中，若迭代循环终止，最优粒子放置于相应的最优规则集，若循环不止，则继续搜索。并可计算出每条前一项集x
→
后一项集y质量规则相应的支持度s、置信度c和提升度l。
[0107]
因此，本实施例中，基于pvb产品多工序柔性生产的特点，考虑原料、关键工艺、质量数据的全样本、多特征特性，利用改进的pso-kmeans-apriori算法模型，即质量关联规则分析模型，从海量多源的相关数据中，避开无用数据信息，提取关键的原料特性、过程工艺参数与产品质量之间隐含的有效信息，如一次回用水水洗开始时刻温度、三次回用水水洗
开始时刻温度、保温最高温度、投醛前频率设定、投醛温度、相变温度、进料结束温度等，建立规则指导生产过程，以保障质量管控过程的可控性。
[0108]
如图5所示，在另一个实施例中，一种pvb产品质量关联规则分析系统，所述系统包括：数据获取模块100、数据预处理模块200、第一规则计算模块300、第二规则计算模块400、知识库构建模块500和质量提升模块600；
[0109]
所述数据获取模块100，用于获取pvb产品生产全工序的过程数据和质量数据；
[0110]
所述数据预处理模块200，可对获取的过程数据和质量数据进行数据处理，制成样本集；
[0111]
所述第一规则计算模块300，能够应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；
[0112]
所述第二规则计算模块400，基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；
[0113]
所述知识库构建模块500，以所述最优规则集建立相关系数矩阵，以形成知识库；
[0114]
所述质量提升模块600，用于根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。
[0115]
可以理解的是，所述pvb产品质量关联规则分析系统的具体实施，可以参考上述的pvb产品质量关联规则分析方法，在此不再详述。
[0116]
如图6所示，在一个实施例中，所述系统还包括参数自调节模块700；所述参数自调节模块，用于对所述指定算法中的粒子群算法进行参数调节。
[0117]
例如：该参数自调节模块700，选择支持度(support)和置信度(confidence)作为综合加权评价标准，这样的话，考虑了某些特殊关联规则(如支持度低时的高可信度、支持度高时的低可信度等；其中，适应度方程为：
[0118]
f(r)＝αsupport(r)+βconfidence(r)
ꢀꢀꢀ
(3)；
[0119]
其中支持度阈值、置信度阈值分别为support(r)、confidence(r)，权重因子满足α,β∈(0,1]，α+β＝1。通过调节α,β比重控制支持度与置信度的相对比例。
[0120]
如图6所示，在一个实施例中，所述系统还包括数据输出模块800；所述数据输出模块800，用于输出调整前后pvb产品生产的质量工艺参数。
[0121]
本实施例的一个示例中，所述数据输出模块800是一种计算机程序表征的图形传输接口；该图形传输接口连接可视化界面，例如控制各个工艺生产环节的工控机界面；实现前后pvb产品生产的质量工艺参数的显示和输出。
[0122]
如图9所示，在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤s401至s411：
[0123]
s401、获取pvb产品生产全工序的过程数据和质量数据；
[0124]
s403、对获取的过程数据和质量数据进行数据处理，制成样本集；
[0125]
s405、应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；
[0126]
s407、基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁
项集的关联规则进行聚类、寻优处理，以得到最优规则集；
[0127]
s409、以所述最优规则集建立相关系数矩阵，以形成知识库；
[0128]
s411、根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。
[0129]
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行图4中的步骤s401至s411。
[0130]
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏(或工控机)。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现pvb产品质量关联规则分析方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行pvb产品质量关联规则分析方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0131]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0132]
在一个实施例中，本技术提供的pvb产品质量关联规则分析系统可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该pvb产品质量关联规则分析系统的各个程序模块，比如，图5所示的数据获取模块、数据预处理模块和第一规则计算模块等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的pvb产品质量关联规则分析方法中的步骤。
[0133]
例如，图9所示的计算机设备可以通过如图5所示的pvb产品质量关联规则分析系统中的数据获取模块执行步骤s401。计算机设备可通过数据预处理模块执行步骤s403。计算机设备可通过第一规则计算模块执行步骤s405等等。
[0134]
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0135]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

技术特征：
1.一种pvb产品质量关联规则分析方法，其特征在于，包括以下步骤：获取pvb产品生产全工序的过程数据和质量数据；对获取的过程数据和质量数据进行数据处理，制成样本集；应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；以所述最优规则集建立相关系数矩阵，以形成知识库；根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。2.根据权利要求1所述的pvb产品质量关联规则分析方法，其特征在于，所述对获取的过程数据和质量数据进行数据处理，制成样本集的步骤，具体包括：对获取的过程数据进行离散化处理，得到m*n维的项集x；对获取的质量数据进行聚类处理，得到表征pvb产品生成过程中各类质量状态的过程质量状态表，即得项集y；由所述项集x、项集y组成所述的样本集。3.根据权利要求2所述的pvb产品质量关联规则分析方法，其特征在于，所述应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则的步骤，具体包括：定义所述项集x、项集y为预设的质量关联规则分析模型的输入、输出：构建事物数据集n，表征前一项集x
→
后一项集y的所有关系规则；定义最小支持度阈值s
min
；计算事物数据集n中所有项集的支持度；选择支持度大于最小支持度阈值s
min
的项集，加入k项集；并进行剪枝处理和迭代处理，得到频繁k项集；根据得到的频繁k项集生成所述频繁项集的关联规则。4.根据权利要求3所述的pvb产品质量关联规则分析方法，其特征在于，所述基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集的步骤，具体包括：设置最小支持度阈值和最小置信度阈值；使用k-means算法对所述事物数据集n进行离散编码处理；将前一项集x
→
后一项集y的所有关系规则，基于项集y的分类，用粒子群算法对每一类质量状态进行规则寻优；其中，寻找到的每一最小时间周期关系规则，表示一个粒子，计算出粒子的适应度f(r)值；更新粒子的速度、位置、个体最优影响pbest(i)和全局最优影响gbest(i)；迭代循环进行规则寻优，得到最终的最优规则集。5.根据权利要求4所述的pvb产品质量关联规则分析方法，其特征在于，所述使用k-means算法对所述事物数据集n进行离散编码处理的步骤，具体包括：对m*n维的项集x与项集y值构成的共m+1个数组，使用k-means算法进行聚类分析；
确定聚类k值，以得到最终的聚类结果；根据最终的聚类结果，对每个相应聚类类别标记指定标签，将事物数据集n根据指定标签进行编码处理。6.根据权利要求4所述的pvb产品质量关联规则分析方法，其特征在于，在所述将前一项集x
→
后一项集y的所有关系规则，基于项集y的分类，用粒子群算法对每一类质量状态进行规则寻优的步骤中；还调整所述粒子群算法的适应度f(r)；适应度方程为：f(r)＝αsupport(r)+βconfidence(r)；其中支持度阈值、置信度阈值分别为support(r)、confidence(r)，权重因子满足α,β∈(0,1]，α+β＝1；通过调节α,β比重控制支持度与置信度相对比例。7.根据权利要求1所述的pvb产品质量关联规则分析方法，其特征在于，在所述应用apriori算法挖掘出所述样本集中各数据之间的频繁项集的步骤前，所述方法还包括：根据获取的质量数据，对pvb产品生产的过程质量状态进行分类；使用条件结果模式解释过程质量状态的每一类与对应类的关联规则；根据质量状态的每一类与对应类的关联规则，连接各类质量状态与关联规则的前提条件。8.一种pvb产品质量关联规则分析系统，其特征在于，所述系统包括：数据获取模块、数据预处理模块、第一规则计算模块、第二规则计算模块、知识库构建模块和质量提升模块；所述数据获取模块，用于获取pvb产品生产全工序的过程数据和质量数据；所述数据预处理模块，可对获取的过程数据和质量数据进行数据处理，制成样本集；所述第一规则计算模块，能够应用apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；所述第二规则计算模块，基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；所述知识库构建模块，以所述最优规则集建立相关系数矩阵，以形成知识库；所述质量提升模块，用于根据pvb产品生产过程监测的过程数据，从所述知识库提取规则来调整pvb产品生产的质量工艺参数，以实现pvb产品生产的品质可控。9.根据权利要求8所述的pvb产品质量关联规则分析系统，其特征在于，所述系统还包括参数自调节模块；所述参数自调节模块，用于对所述指定算法中的粒子群算法进行参数调节。10.根据权利要求8所述的pvb产品质量关联规则分析系统，其特征在于，所述系统还包括数据输出模块；所述数据输出模块，用于输出调整前后pvb产品生产的质量工艺参数。

技术总结
本发明适用于工业大数据和智能制造领域，提供了一种PVB产品质量关联规则分析方法和系统，所述方法包括以下步骤：获取PVB产品生产全工序的过程数据和质量数据；对获取的过程数据和质量数据进行数据处理，制成样本集；应用Apriori算法挖掘出所述样本集中各数据之间的频繁项集，并生成所述频繁项集的关联规则，同时计算每一条关联规则的支持度和置信度；基于预设的最小支持度阈值和最小置信度阈值，使用指定算法对所述频繁项集的关联规则进行聚类、寻优处理，以得到最优规则集；本发明实现寻找PVB产品质量最优规则，根据生产过程监测，以规则作为指导，调整相应工艺参数，以期确保整个生产进程的品质可控。生产进程的品质可控。生产进程的品质可控。


技术研发人员：赵跃东 徐荣静 宋旭东 郭警中
受保护的技术使用者：安徽中科维德数字科技有限公司
技术研发日：2023.07.11
技术公布日：2023/10/15