精密光学元件制造中数据挖掘技术与应用的研究

2017-12-01贾宗合

科技与创新 2017年23期

关键词：原始数据元件光学

贾宗合

（长春理工大学光电工程系，吉林长春 130022）

精密光学元件制造中数据挖掘技术与应用的研究

贾宗合

（长春理工大学光电工程系，吉林长春 130022）

为了避免一些因素给精密光学元件制造带来的不利影响，增强光学元件制造的可预测性和重复性，需要利用数据挖掘技术来发现精密光学元件制造过程中存在的潜在规律，以此提炼工艺知识，实现对精密光学元件制造的指导。鉴于此，便对精密光学元件制造中的数据挖掘技术进行了探讨，并对数据挖掘技术的模型及算法进行了深入的研究，希望能为精密光学元件制造水平的进一步提高贡献力量。

精密光学元件；元件制造；数据挖掘技术；回归分析

精密光学元件的制造与传统的机械加工存在明显差异，精密光学元件制造过程中会受到外部环境、工艺及设备等因素的影响，进而使精密光学元件的质量下降，难以进行定量化制造，这也使人们只能依据加工经验来制造，其加工效率也就可想而知。因此，必须要对精密光学元件制造过程中的相关影响因素进行明确与充分分析，并利用数据挖掘技术来挖掘出价值信息，以此探寻制造过程中存在的潜在规律与确定性关系，从而形成系统化的制造工艺，以此指导精密光学元件的生产。

1 精密光学元件工艺制造库架构分析

精密光学元件工艺制造库的架构为MAS结构，它主要由支撑库和Agent组成。该架构中包含了5个Agent，这些Agent相互独立，并且内部存在着非常紧密的松耦合关系，这也使这些Agent能够得以相互通讯与协作，从而实现了工艺制造库对分布式应用的支持。

这5个Agent在精密光学元件工艺制造库中主要具有4种功能：①利用数据采集Agent能够实现对精密光学元件制造时周围设备状态信息、环境信息及工艺信息等相关信息进行自动化的采集与存储，从而使该制造库能够具备数据的清洗、过滤、分类及转换等处理功能。②利用管理Agent能够使制造库对原始数据进行统一化管理，并能够进行前期处理与交互控制，它能够为用户提供相应的端口，并且能够按照分析Agent的需求来对数据进行提取，并进行结构化处理，在处理完毕以后会将数据以数据包的形式发送给分析Agent。此外，管理Agent还能够对制造库中的数据进行日常管理和维护。③利用数据分析Agent能够对精密光学元件制造过程中的加工数据进行统计、关联、回归与聚类，从而挖掘出与精密光学元件质量相关的加工指标与输入信息，找出两者之间的联系，明确两者的关联度，并利用拟合函数的推导来形成系统化的工艺知识。④利用智能交互Agent能够实现人机之间的信息交互，并使用户能够借助于操作界面来对架构中的所有Agent进行控制与管理。

2 数据挖掘模型的探讨

数据挖掘模型的构建是精密光学元件工艺制造库中的关键部分，更是找出精密光学元件制造过程中潜在规律及价值信息的重要工具，因此需要构建数据挖掘模型。

数据挖掘模型是以数据挖掘技术作为主要支撑技术的，它利用数据挖掘引擎，并在模型库、数据库、工艺知识库的基础上，通过大闭环结构来进行数据的搜索与挖掘。数据挖掘模型会先进行数据采集工作，从而实现大量原始数据的积累，然后通过数据挖掘引擎来对这些原始数据中的变量关系进行发现与挖掘，从而形成相应的工艺标准，接着通过对精密光学元件制造过程中所产生的新数据进行分析与处理，以此验证与优化这些新数据，减少精密光学元件制造中所发生的错误。数据挖掘模型的原始数据会随着精密光学元件的不断制造而得到不断积累，从而不断提高数据挖掘模型的准确性和科学性。

3 精密光学元件中数据挖掘技术的应用

3.1 该技术在数据准备与选择中的应用

精密光学元件的制造需要大量原始数据的支撑，这也使原始数据的内容变得非常丰富，这些数据不仅包括元件的加工参数、环境信息、检测信息，还包括设备信息与环境信息，这也使这些原始数据之间可能并不存在联系。而数据的准备工作则需要对光学元件自身的加工指标进行分析，并依据其工艺规则来对相应的影响参数进行选择，然后对选择的影响参数进行结构化处理。

3.2 数据处理

在精密光学元件制造中，其表面粗糙度的影响是由多方面造成的，难以对数据集进行直接分析，因此必须要对其进行分类处理，依据元件中的对象属性所存在的相似性来进行分类处理，可以利用聚类的方式将数据集中所包含的数据对象进行分组，并用簇来表示。这些簇应具备4个特性：①抛光压力不同而其他属性基本一致；②抛光转速不同而其他属性基本一致；③加工元件的摆幅之间存在明显不同，但其他属性基本一致；④加工元件的摆速之间存在明显不同，但其他属性基本一致。对象属性的相似性可以利用欧几里德距离来计算，即：

式（1）中：x用来表示簇中所包含的任何对象；y用来表示簇心；xn，yn则代表簇中任何对象所包含的属性信息，这些属性信息也就是要进行相似性分析的相应特征参数，对特征参数相似性的判断需要事先对参考阈值δ进行确定，相似性判断后所形成的参考阈值越小，则代表分析对象的相似性就越强。

3.3 关联性分析

对研究对象的变量所存在的依存关系进行关联性分析，可以采用相似度计算公式来获得，然后对研究对象中的若干个数据集所存在的相似属性进行剔除，并对去除率检测值及存在明显不同的去除率影响参量进行保留，以此生成全新的数据集，并再次运用上述公式来对关联度k进行计算。

3.4 回归分析

不同变量的变动关系是通过回归分析获得的，回归分析通常是采用回归方程中的拟合曲线来对变量进行表示的，然后将这些变量用于参数的估算和分析。在对精密光学元件制造过程中的加工数据进行回归分析时，需要将新生成的数据集中存在的元素作为拟合函数中的型值点，然后对逼近函数类型进行确定，并利用数据拟合来获得变量的拟合函数。