黃睿 尹詩斯 李胡升

〔 DOI〕 10.19653/j.cnki.dbcjdxxb.2020.04.009

〔引用格式〕 ?黃睿，尹詩斯，李胡升.基于頻繁模式挖掘的制造型企業(yè)決策優(yōu)化研究[J].東北財經(jīng)大學學報，2020，（4）：79-89.

〔摘要〕隨著射頻識別（下簡稱RFID）技術(shù)被廣泛應用于制造型企業(yè)進行生產(chǎn)數(shù)據(jù)的采集，生產(chǎn)數(shù)據(jù)在數(shù)據(jù)源質(zhì)量和動態(tài)性方面都有所提升。本文針對目前制造型企業(yè)在生產(chǎn)計劃和控制、物流和供應鏈方面的管理弱項，以案例研究為基礎，探索頻繁模式挖掘在制造型企業(yè)生產(chǎn)物流場景的應用情況，即基于RFID生產(chǎn)數(shù)據(jù)構(gòu)建RFID大數(shù)據(jù)模型，經(jīng)過數(shù)據(jù)清理、壓縮和分類，依據(jù)不同的科學管理目標進行物流軌跡識別，并最終結(jié)合具體的業(yè)務場景，對制造型企業(yè)的生產(chǎn)計劃和控制、物流與和供應鏈方面的管理決策優(yōu)化提出建議。

〔關(guān)鍵詞〕制造型企業(yè);頻繁模式挖掘;物流軌跡;決策優(yōu)化：RFID大數(shù)據(jù)模型

中圖分類號：F272.3;TP311.13??文獻標識碼：A??文章編號：1008-4096（2020）04-0079-11

一、問題的提出

制造業(yè)是通過制造過程，將物流、人力、信息、工具和能源等資源轉(zhuǎn)化為可供人們使用和利用的大型工具、工業(yè)品與生活消費產(chǎn)品的行業(yè)，在國民經(jīng)濟中占有重要份額，它的發(fā)展水平直接體現(xiàn)國家的生產(chǎn)力水平。2013年德國政府在漢諾威工業(yè)博覽會上正式推出“工業(yè)4.0”的國家級戰(zhàn)略，該戰(zhàn)略包含 “智能工廠”“智能生產(chǎn)”和“智能物流”三大主題，涵蓋智能化生產(chǎn)系統(tǒng)研究、先進工業(yè)生產(chǎn)技術(shù)研究及物流資源整合研究，其目的是為了提高國家的工業(yè)競爭力，在新一輪工業(yè)革命中占領先機。在這場科技競賽中，“中國制造2025”應運而生：2015年國務院和工業(yè)和信息化部先后出臺的《中國制造2025》《國務院關(guān)于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》和《工業(yè)和信息化部關(guān)于貫徹落實<國務院關(guān)于積極推進“互聯(lián)網(wǎng)+”行動的指導意見>的行動計劃（2015-2018年）》等一系列指導性文件將制造強國定位于國家戰(zhàn)略高度，部署實施國家制造業(yè)創(chuàng)新中心建設、智能制造、工業(yè)強基、綠色制造、高端裝備創(chuàng)新5項重大工程，力求實現(xiàn)長期制約制造業(yè)發(fā)展的關(guān)鍵共性技術(shù)突破，提升我國制造業(yè)的整體競爭力。

由于人口紅利消失而導致的勞動力稀缺、下游需求持續(xù)復蘇及企業(yè)自身行業(yè)競爭壓力增大等原因，中國制造業(yè)目前正處于生產(chǎn)數(shù)據(jù)采集失真、生產(chǎn)進度監(jiān)控不足、生產(chǎn)質(zhì)量追溯缺失及靈活的決策分析平臺缺乏的困境之中^[1]。

以制造業(yè)中最具代表性的汽車行業(yè)為例，在“工業(yè)4.0”與“中國制造2025”的時代要求和政策環(huán)境下，大多數(shù)汽車制造商都由傳統(tǒng)的計劃性生產(chǎn)模式轉(zhuǎn)變?yōu)镴IT（Just IN Time，準時化）生產(chǎn)模式。該生產(chǎn)模式要求企業(yè)在生產(chǎn)系統(tǒng)的各個環(huán)節(jié)按客戶所需，在所需的時間點內(nèi)生產(chǎn)所需數(shù)量的產(chǎn)品。生產(chǎn)模式的轉(zhuǎn)變無疑對生產(chǎn)線的過程控制和生產(chǎn)計劃的有效執(zhí)行提出了更高的要求。而通過傳統(tǒng)的條碼技術(shù)采集信息，存在不易讀取、無寫入信息或更新內(nèi)存的缺點，已然無法支持智能物流背景下企業(yè)管理者及時、透明地跟蹤生產(chǎn)線上的實際生產(chǎn)進度和質(zhì)量狀況，進而影響生產(chǎn)計劃的達成。因此，企業(yè)轉(zhuǎn)而尋求信息化手段以提高管理透明度，應對和解決目前制造業(yè)面臨的普遍困境。

在技術(shù)手段的革新層面上，射頻識別（簡稱RFID）技術(shù)作為物聯(lián)網(wǎng)技術(shù)中重要的一種無線通信技術(shù)，因其具備非接觸識別、閱讀速度極快、能在惡劣環(huán)境中進行讀取與存儲等優(yōu)勢，已逐步替換傳統(tǒng)的條碼技術(shù)被運用于制造型企業(yè)生產(chǎn)運營的各個環(huán)節(jié)^?[2]。配備有RFID信息采集設備的應用場景可預見性地將會隨著智能制造戰(zhàn)略的推進實施與日俱增，相應地，由RFID信息采集設備采集而來的、與生產(chǎn)運營活動息息相關(guān)的生產(chǎn)數(shù)據(jù)便會十分龐大且冗雜。但是，目前已有文獻中針對這些生產(chǎn)數(shù)據(jù)的挖掘方法的研究仍舊存在局限。基于此，本文擬解決兩大問題：第一，在借鑒前人相關(guān)研究成果的基礎上，建立一個適應生產(chǎn)數(shù)據(jù)特性的數(shù)據(jù)模型，采用更為合適的數(shù)據(jù)挖掘方法，依據(jù)不同的科學管理目標，發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，挖掘出物流軌跡。第二，利用挖掘的物流軌跡探討其對制造型企業(yè)決策制定的指導優(yōu)化作用，幫助企業(yè)在向“中國制造2025”的轉(zhuǎn)型升級中優(yōu)化生產(chǎn)計劃和控制、物流與供應鏈等方面的管理決策，提升其科學管理水平，增強市場競爭力。對于這兩大問題的研究，不僅在大數(shù)據(jù)分析的角度順應當今時代要求和“中國制造2025”的戰(zhàn)略方針，對生產(chǎn)數(shù)據(jù)的采集、處理與分析做出探討與嘗試，還能夠從管理學視角上，探討用挖掘出的信息內(nèi)涵指導企業(yè)優(yōu)化管理和生產(chǎn)，提升整體科學管理水平，增強行業(yè)競爭力。

二、相關(guān)文獻綜述

（一）頻繁模式挖掘

在信息化社會背景下，每天都有巨大的數(shù)據(jù)量產(chǎn)生。對這些海量數(shù)據(jù)進行有效處理，進而獲取和總結(jié)出能夠提高組織與社會效益的關(guān)鍵信息，需要行之有效的數(shù)據(jù)挖掘技術(shù)。

目前，在數(shù)據(jù)挖掘領域中最為常用的數(shù)據(jù)挖掘算法有頻繁模式挖掘、聚類分析、決策樹和貝葉斯網(wǎng)絡等。其中頻繁模式挖掘的目的是在大量的數(shù)據(jù)中獲取到頻繁出現(xiàn)的模式，這些模式以規(guī)則的形式體現(xiàn)，當以時間或空間信息為關(guān)聯(lián)規(guī)則時，可以通過可視化技術(shù)得到物流軌跡。因該方法適合求取大量數(shù)據(jù)中某些事物之間的關(guān)聯(lián)，并且過程簡潔明了，非常易于編寫和修改擴展，已成為應用最廣泛的數(shù)據(jù)挖掘算法之一^[3]。

基于此，頻繁模式挖掘也成為了新興的研究熱點。熊聰聰和劉品超^[4]建立了一個挖掘射頻標簽矩陣列的框架，然后利用頻繁模式挖掘技術(shù)進行活動檢查，通過RFID獲得數(shù)據(jù)集的實證驗證了假設，但是，應對RFID的標簽容量增加而帶來的更多信息，充分地運用這些信息進行數(shù)據(jù)挖掘有待進一步研究。隨著聚類、模式挖掘檢測和可視化技術(shù)的聚集，另一個框架被引入進來，從而形成分析大型軌跡數(shù)據(jù)集的移動群模式^[5]。Han等^[6]在物流運輸場景中將運輸數(shù)據(jù)引入到一個完整的軌跡聚類、分類和離群點檢測框架，發(fā)現(xiàn)模型構(gòu)建與算法分析在頻繁軌跡的模式挖掘中具有重要意義。

為了獲取準確完整的模式集合，Kusumakumari等^[7]基于 Hadoop 框架挖掘數(shù)據(jù)流中的模式集合使用了Cantree-GTree算法，該算法使用投影樹結(jié)構(gòu)Cantree和GTree存儲模式信息，并采用自頂向下的遍歷方式搜索整棵樹。為了提高挖掘效率，Han等^[8]設定了閉合頻繁模式滿足支持度-誤差度-衰減因子這三層結(jié)構(gòu)，基于TDMCS 算法采用滑動窗口模型和時間衰減模型挖掘可變數(shù)據(jù)流中的模式集合。該算法設計一種均值衰減衰減因子，使得到的模式結(jié)果集合具有高且均衡的查全率和查準率。

（二）數(shù)據(jù)挖掘在制造型企業(yè)決策的應用

隨著來自生產(chǎn)業(yè)務中的“數(shù)據(jù)海嘯”越來越多，越來越多的企業(yè)和學者意識到具備分析處理大量數(shù)據(jù)的能力、利用大數(shù)據(jù)解決方案優(yōu)化企業(yè)管理將成為在“中國制造2025”轉(zhuǎn)型升級戰(zhàn)役中的制勝關(guān)鍵。

辛璐和唐方成^[9]研究了如何感知大數(shù)據(jù)分析并將其作為企業(yè)競爭優(yōu)勢的驅(qū)動力。鞏家婧等^[10]以物流企業(yè)為例，指出通過分析不同類型的大數(shù)據(jù)信息（客戶信息、市場行情數(shù)據(jù)、銷量數(shù)據(jù)等），不僅能夠提高企業(yè)供應鏈管理效率，還因這些大數(shù)據(jù)來源于工作實踐，具備實踐性和可靠性，可以科學、精準、快速地為企業(yè)管理者提供決策指導信息。

研究者們進一步探索了大數(shù)據(jù)在生產(chǎn)制造、工業(yè)自動化中的應用，即通過分析大數(shù)據(jù)對企業(yè)績效管理的影響，促進大數(shù)據(jù)在工業(yè)領域的應用^[11]。然而，與金融、IT、電子商務等領域相比，數(shù)據(jù)挖掘在制造業(yè)中的研究和應用仍處于初級階段。譚軍^[12]采用文本挖掘技術(shù)對數(shù)據(jù)挖掘在制造業(yè)中的應用進行研究發(fā)現(xiàn)，現(xiàn)有數(shù)據(jù)挖掘應用研究在質(zhì)量控制、制造過程、產(chǎn)品設計、故障診斷、制造系統(tǒng)、維修、產(chǎn)量提高、車間作業(yè)調(diào)度等領域已經(jīng)得到較充分的開展，但在生產(chǎn)計劃和控制、物流和供應鏈領域的研究工作相對薄弱。在質(zhì)量過程監(jiān)控方面，如伸縮探針在半導體行業(yè)中被用于檢測半導體產(chǎn)品的質(zhì)量。而探針隨著使用頻次的增多的老化會影響產(chǎn)品檢測結(jié)果，給企業(yè)帶來經(jīng)濟損失。Aye等^[13]基于線性回歸和分類模型對伸縮探針的狀態(tài)進行建模，從而掌握探針的老化程度，減少由于探針自身壽命問題帶來的產(chǎn)品質(zhì)量檢測錯誤，提高準確率。傳統(tǒng)的冷軋產(chǎn)品缺陷檢測方法，檢測標準不一，且存在大量漏洞和誤判。郭龍波^[14]使用實際的生產(chǎn)數(shù)據(jù)訓練二分決策樹和多分決策樹，得到了找到產(chǎn)品缺陷的眾多規(guī)則，解決了傳統(tǒng)冷軋產(chǎn)品缺陷檢測方法標準不一的問題，使企業(yè)可以根據(jù)挖掘結(jié)果快速準確的檢測生產(chǎn)出的冷軋產(chǎn)品的缺陷，提高了檢測的準確率。在車間生產(chǎn)調(diào)度方面，王成龍^[15]基于大數(shù)據(jù)分析，采用決策樹模型、優(yōu)化了車間調(diào)度方案。劉娜^[16]用決策樹模型對紡紗廠數(shù)據(jù)進行分析，得到了機器細小位置移動次數(shù)和機器效率對停止次數(shù)的影響，以此為依據(jù)調(diào)整、檢測機器提高車間生產(chǎn)效率、加強人員、機器的調(diào)配。以上研究是基于靜態(tài)的生產(chǎn)數(shù)據(jù)，利用線性回歸、分類模型、決策樹等數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)其在制造業(yè)背景下的應用內(nèi)涵。

隨著RFID技術(shù)在制造業(yè)的推行和運用，生產(chǎn)數(shù)據(jù)由靜態(tài)轉(zhuǎn)變?yōu)閯討B(tài)，且在數(shù)據(jù)源質(zhì)量上有了大幅度的提升，針對這些大量的RFID生產(chǎn)數(shù)據(jù)，基于頻繁模式挖掘算法適合求取大量數(shù)據(jù)的關(guān)聯(lián)性的特點，引入該算法能方便個人與多個企業(yè)共享所挖掘的知識^[17]。目前的研究中，頻繁模式挖掘算法主要被運用于交通運輸領域：劉春等^[18]提出了基于地點語義的個體用戶軌跡頻繁模式挖掘方法，對用戶潛在的拼車需求進行主動識別和發(fā)掘，為共享拼車等基于位置的智能推薦提供更高的精準度。鄢團軍等^[19]對裝備有RFID的電動車的運行數(shù)據(jù)利用頻繁軌跡模式進行數(shù)據(jù)挖掘，發(fā)現(xiàn)用戶行為規(guī)律，挖掘有價值的潛在信息。

近年來，更多研究者對頻繁模式數(shù)據(jù)挖掘算法在其他諸多領域的應用也進行了一些嘗試：潘曉英等^[20]提出一種將消費流水數(shù)據(jù)轉(zhuǎn)換為帶有時空屬性的消費軌跡樹DP-DBSCAN算法和帶有關(guān)系標簽的頻繁軌跡挖掘模式FP-Tree用于關(guān)系軌跡網(wǎng)及孤立人群，為管理與優(yōu)化決策提供可參照的依據(jù)。李勇男^[21]結(jié)合時間序列模式挖掘、空間模式挖掘等數(shù)據(jù)挖掘方法，量化恐怖活動概率，對恐怖分子動向進行精準預測，提高打擊恐怖活動的效率。在基于對物流軌跡的探索方面，趙秀麗和徐維祥提出了適合在物流 RFID 數(shù)據(jù)庫中進行頻繁模式數(shù)據(jù)挖掘的關(guān)鍵概念（頻繁裝（卸）貨地點、頻繁直達路徑和頻繁轉(zhuǎn)運路徑等），利用這些概念和有效的剪枝策略為物流公司的科學管理與線路優(yōu)化提供及時準確的決策依據(jù)^[22]。趙利^[23]提出針對 RFID 產(chǎn)生的海量數(shù)據(jù)，基于深度優(yōu)先搜索（DFS）挖掘頻繁路徑，并以此為基礎根據(jù)物品路徑歷史數(shù)據(jù)預測物品達到的下一位置及時間，以輔助企業(yè)進行物流配送管理和優(yōu)化。

綜上，研究者們在頻繁模式挖掘、數(shù)據(jù)挖掘技術(shù)在制造業(yè)的運用研究兩個領域分別進行了諸多探索。但現(xiàn)有研究仍存在以下三個不足：第一，以上大部分研究成果多處于實驗階段，其數(shù)據(jù)來源多為人工篩選和審查的高質(zhì)量數(shù)據(jù)，而實際生產(chǎn)環(huán)境中仍面臨許多數(shù)據(jù)質(zhì)量問題。第二，頻繁模式挖掘上，缺乏適應“生產(chǎn)數(shù)據(jù)”數(shù)據(jù)特點的大數(shù)據(jù)模型，充分地運用RFID包含的信息進行數(shù)據(jù)挖掘和物流軌跡的挖掘效率都有待進一步研究，同時頻繁模式挖掘在在制造業(yè)背景下的探索相對薄弱。第三，生產(chǎn)計劃和控制、物流和供應鏈領域的應用研究工作缺乏將數(shù)據(jù)挖掘方案合理整合到具體的業(yè)務場景中的探討。因此，本文力求突破對以上理論研究的不足，并在理論上提出一定補充：第一，配備有RFID數(shù)據(jù)采集設備的生產(chǎn)物流場景很大程度上提高了數(shù)據(jù)源質(zhì)量。第二，構(gòu)建全新的適應于存儲“種類繁多且冗雜”生產(chǎn)數(shù)據(jù)的RFID大數(shù)據(jù)模型，通過清理、壓縮和分類步驟提升數(shù)據(jù)挖掘效率。將生產(chǎn)物流場景中產(chǎn)品的流動類比于交通運輸場景下貨物的運送，進行頻繁模式挖掘在生產(chǎn)物流新場景中的應用研究。第三，探討基于頻繁模式挖掘的數(shù)據(jù)挖掘結(jié)果對制造業(yè)在現(xiàn)有諸如生產(chǎn)計劃和控制、供應鏈和物流等薄弱環(huán)節(jié)的決策優(yōu)化作用，以求幫助企業(yè)降低成本，提升核心競爭力。

三、案例跟蹤與研究設計

（一）案例跟蹤

本文以重慶某汽車電子有限公司為對象進行個案研究。該企業(yè)為主要汽車制造商提供汽車電子產(chǎn)品服務，產(chǎn)品涵蓋汽車音響系統(tǒng)、換檔指示器、 加熱指示器等電子控制功能模塊。為迎合市場變化和滿足客戶的及時性需求，該企業(yè)于2018年12月至2019年11月發(fā)起了“工廠智能化提升”項目。項目內(nèi)容包括企業(yè)內(nèi)部組織改革、生產(chǎn)線流程再造、車間物流價值鏈提升、制造信息化升級等。

企業(yè)內(nèi)部組織改革是通過對原有的職能結(jié)構(gòu)和事業(yè)部進行了重新設計，把原來的職能型的結(jié)構(gòu)轉(zhuǎn)變成流程型網(wǎng)絡結(jié)構(gòu)，垂直業(yè)務結(jié)構(gòu)轉(zhuǎn)變成水平業(yè)務流程，形成首尾相接和完整連貫的新的業(yè)務流程。這種組織結(jié)構(gòu)由“金字塔”向“扁平化”管理模式的轉(zhuǎn)變，有助于幫助高層管理人員聚焦于企業(yè)的重大戰(zhàn)略決策和改革方案，同時激勵基層員工積極參與企業(yè)決策，充分發(fā)揮所有員工的潛能，提高決策的有效性和時效性，增強企業(yè)的凝聚力。

生產(chǎn)線流程再造和車間物流價值鏈提升是由生產(chǎn)職能團隊和物流團隊引領改革的主要內(nèi)容，其目的是通過對當前生產(chǎn)節(jié)拍、產(chǎn)能負荷、生產(chǎn)設備布局、線內(nèi)物流方式和在制品數(shù)量等關(guān)鍵信息的調(diào)研，以價值流程圖（VSM）作為變革管理工具描述和指導生產(chǎn)過程中的物流和信息流優(yōu)化，改進工藝流程和物料流程，節(jié)約生產(chǎn)場地，減少在制品庫存，最終實現(xiàn)生產(chǎn)效率和產(chǎn)品品質(zhì)的提升。

制造信息化升級的目標是提升企業(yè)決策的科學性和管理透明度。該項改革內(nèi)容圍繞基于MES系統(tǒng)的生產(chǎn)數(shù)據(jù)搜集與頻繁模式挖掘來進行，如依據(jù)工藝流程的關(guān)鍵控制項優(yōu)化信息采集設備（如RFID、各類傳感器等）安裝位置和信息采集內(nèi)容，優(yōu)化對采集而來的數(shù)據(jù)的提煉與運用等。

（二）研究設計

結(jié)合前文的文獻研究結(jié)果，研究者們采用多頻次實地調(diào)查對以上改革項目進行了個案跟蹤。個案跟蹤主要圍繞“基于頻繁模式挖掘的企業(yè)決策優(yōu)化”這一問題進行考察：通過對該項目實施（2019年4月至2019年7月）和項目總結(jié)（2019年10月至2019年11月）兩個階段中的四個核心組織團隊（信息技術(shù)部門、生產(chǎn)部門、物流部門和采購部門）進行深入觀察，總結(jié)提煉出數(shù)據(jù)挖掘方法及基于頻繁模式挖掘的決策優(yōu)化建議。

首先，在項目實施階段，研究者主要調(diào)研了生產(chǎn)部門和信息技術(shù)部門關(guān)于該項目的內(nèi)部資料文件，研究發(fā)現(xiàn)大數(shù)據(jù)分析方法在該企業(yè)中的初步應用，基于對頻繁模式挖掘的文獻研究基礎，進一步構(gòu)建出基于RFID生產(chǎn)數(shù)據(jù)的數(shù)據(jù)挖掘方法。該方法是以項目中的生產(chǎn)物流場景為基礎構(gòu)建概念模型，模擬產(chǎn)品從倉庫流動至車間，在車間生產(chǎn)線完成制造過程，從車間流回倉庫的全過程，在該過程中建立RFID數(shù)據(jù)采集關(guān)鍵點進行數(shù)據(jù)采集。概念模型的建立是對制造型企業(yè)生產(chǎn)物流環(huán)節(jié)的抽象，以此為基礎，針對RFID生產(chǎn)數(shù)據(jù)“數(shù)據(jù)量大、種類繁多”的特點，進一步建立RFID數(shù)據(jù)模型。并形成對RFID生產(chǎn)數(shù)據(jù)進行清理、壓縮和分類的數(shù)據(jù)挖掘方法。該挖掘方法界定了數(shù)據(jù)的輸入形式、輸出形式及算法實現(xiàn)邏輯。經(jīng)清理、壓縮和分類處理后的RFID生產(chǎn)數(shù)據(jù)可以用于時空順序上的模式識別，進一步提取物流軌跡。

其次，在項目總結(jié)階段，研究者參加了上述每個團隊舉行的項目總結(jié)工作會議并詳細記錄每次會議的相關(guān)信息，形成觀察記錄日記。針對該“工廠智能化提升”項目對日常工作的改善這一問題，對來自該企業(yè)物流部門、生產(chǎn)部門、采購部門的技術(shù)人員進行了采訪，形成了訪談文本。通過對觀察日記和訪談記錄的對比分析、提煉抽象，圍繞企業(yè)在生產(chǎn)計劃和控制、物流和供應鏈等方面的決策優(yōu)化提出建議和結(jié)論。

最后，以上案例跟蹤的研究結(jié)果對文獻研究中的不足進行了有效的補充：項目實施階段的研究結(jié)果一定程度上彌補了理論研究中基于制造業(yè)生產(chǎn)數(shù)據(jù)的數(shù)據(jù)挖掘方法的不足。項目總結(jié)階段的研究結(jié)果將企業(yè)數(shù)據(jù)挖掘?qū)嵺`融入到具體的決策優(yōu)化探討之中，彌補了現(xiàn)有文獻中在業(yè)務場景整合方面的不足。

四、基于RFID生產(chǎn)數(shù)據(jù)的頻繁模式挖掘研究

（一）RFID大數(shù)據(jù)模型

⒈ 生產(chǎn)物流與概念模型構(gòu)建

本文以“中國制造2025”背景下配備有RFID數(shù)據(jù)采集設備的生產(chǎn)物流場景為例。根據(jù)《物流術(shù)語國家標準》對生產(chǎn)物流的定義，生產(chǎn)物流指生產(chǎn)過程中原材料、在制品、半成品、產(chǎn)成品等在企業(yè)內(nèi)部的實體流動。生產(chǎn)物流的過程可以概括為：原材料、零部件、外購件、燃料等輔助材料從企業(yè)倉庫開始，進入生產(chǎn)線的開始端并投入生產(chǎn)，經(jīng)過下料、發(fā)料、運送到各個加工點和存儲點，以在制品的形態(tài)，從一個生產(chǎn)單位（倉庫）流入另一個生產(chǎn)單位，隨生產(chǎn)加工過程一個一個環(huán)節(jié)的“流”，在“流”的過程中按照規(guī)定的工藝過程進行加工、儲存，借助一定的運輸裝置在某個點內(nèi)流轉(zhuǎn)，又從某個點內(nèi)流出，直到生產(chǎn)加工終結(jié)，再“流”至成品倉庫終結(jié)了企業(yè)生產(chǎn)物流過程。

目前，構(gòu)建一個全方位支持RFID的生產(chǎn)物流場景的方式，即在倉庫和車間這兩個關(guān)鍵的生產(chǎn)場景中配置RFID設備進行數(shù)據(jù)采集：倉庫中的RFID設備規(guī)劃在原材料裝載區(qū)域，用于綁定生產(chǎn)標簽和批次;車間中的RFID通常根據(jù)生產(chǎn)對象的不同而出現(xiàn)方式不同，如配置固定讀卡器的生產(chǎn)設備（固定）、攜帶手持RFID閱讀器的物流操作員工（移動）。在該場景下，設備（人）都將轉(zhuǎn)換為可感知、可反應（行動）、可推理和相互通信的智能制造對象。而根據(jù)預定義的邏輯，這些智能制造對象將自動進行產(chǎn)品生產(chǎn)和物料轉(zhuǎn)移。

基于此，構(gòu)建了基于RFID環(huán)境中的生產(chǎn)物流過程作為大數(shù)據(jù)分析方法的概念模型，如圖1所示。其中，原材料經(jīng)由外部物流人員完成RFID標簽與批次的綁定后被轉(zhuǎn)移至生產(chǎn)車間物料緩沖區(qū)A，緩沖區(qū)配有RFID設備監(jiān)測物料的進出，數(shù)據(jù)中心發(fā)送工作任務至內(nèi)部物流操作員，內(nèi)部物流操作員使用便攜式RFID設備來識別相應的物料并根據(jù)任務要求將特定數(shù)量的物料運輸至相應的設備上進行加工B，操作工在接收到物料后操作配以固定式RFID的設備進行操作和加工，一旦工作完成（成品出現(xiàn)），數(shù)據(jù)倉庫發(fā)送工作任務至外部物流操作人員C，外部物流人員根據(jù)數(shù)據(jù)運輸成品至接收區(qū)進行出庫處理。由此，在全方位支持RFID的生產(chǎn)環(huán)境中，物流過程得以被重新設計和優(yōu)化。即：第一，通過RFID外部物流操作員和內(nèi)部物流操作員可以執(zhí)行物料的移交過程。第二，通過基于RFID的數(shù)據(jù)倉庫，物料信息得以被實時監(jiān)測并及時地以工作任務的形式發(fā)送到智能制造對象。第三，RFID獲得的信息被數(shù)據(jù)中心采集，為大數(shù)據(jù)分析做準備。

⒉ 數(shù)據(jù)立方體

將生產(chǎn)場景（倉庫、車間）中RFID獲得的包含電子產(chǎn)品代碼、地點、事件、操作員、時間、數(shù)量等信息的數(shù)組結(jié)構(gòu)，定義為元組。元組中電子產(chǎn)品代碼是一批材料的唯一標識符，可以被射頻識別閱讀器讀取;地點是操作和事件發(fā)生的確切位置。事件是指有效的射頻識別檢測或?qū)ι漕l識別設備的操作;操作員是事件的執(zhí)行者;時間意為事件何時發(fā)生;數(shù)量是指每批材料的標準數(shù)量。生產(chǎn)制造過程中物料發(fā)生轉(zhuǎn)移，多個元組在短時間內(nèi)通過不同的RFID設備連續(xù)產(chǎn)生，從而形成元組流。單個元組所記錄的數(shù)據(jù)信息按照物流邏輯、元組維度及信息深度構(gòu)建為一個具有三維結(jié)構(gòu)的“數(shù)據(jù)立方體”。

“數(shù)據(jù)立方體”的元組維度意指以計算機領域數(shù)據(jù)類型（如Text、Varchar、Int等）可以進行定義的產(chǎn)品代碼、位置、操作人員、時間和數(shù)量等關(guān)鍵屬性;物流邏輯維度定義的是與物流活動相關(guān)的人員、機器、材料、方法及環(huán)境等信息;信息深度維度指對原始數(shù)據(jù)的處理深度。“數(shù)據(jù)立方體”是建立“RFID大數(shù)據(jù)模型”的基礎。將不同生產(chǎn)階段不同RFID信息采集設備獲取的物流信息按照以上三維結(jié)構(gòu)一一構(gòu)建，形成“數(shù)據(jù)立方體”集群。再通過建立物流活動中時間、空間信息的映射表，鏈接 “數(shù)據(jù)立方體”集群，最終眾多展現(xiàn)單個采集點數(shù)據(jù)的“數(shù)據(jù)立方體”依據(jù)一定邏輯構(gòu)建成集群形式的“RFID大數(shù)據(jù)模型”。

本文所建立的“RFID大數(shù)據(jù)模型”本質(zhì)上是一種創(chuàng)新的基于RFID生產(chǎn)數(shù)據(jù)的數(shù)據(jù)庫，如圖2所示，其展現(xiàn)了數(shù)據(jù)存儲的結(jié)構(gòu)。與傳統(tǒng)數(shù)據(jù)庫相比，“RFID大數(shù)據(jù)模型”出現(xiàn)了具有三維數(shù)據(jù)立方體結(jié)構(gòu)的數(shù)據(jù)集群，即通過預定義的邏輯操作建立映射表對單個數(shù)據(jù)結(jié)構(gòu)進行鏈接，從而形成具有時間空間概念內(nèi)涵、可以體現(xiàn)物流操作邏輯的模型。例如，映射表能夠根據(jù)某個給定的產(chǎn)品代碼找到數(shù)據(jù)倉庫中的所有元組，然后根據(jù)邏輯性的物流操作初始化一個立方體結(jié)構(gòu)。映射表與給定時間序列的立方體相連接，從而該產(chǎn)品代碼下產(chǎn)品的物料流動過程都可以通過數(shù)據(jù)立方體呈現(xiàn)出來。

此外，在時間次元坐標中，數(shù)據(jù)立方體根據(jù)事件發(fā)生的時間信息（開始時間、結(jié)束時間、持續(xù)時間）進行鏈接。在空間次元坐標中，數(shù)據(jù)立方體根據(jù)事件發(fā)生的空間信息（工位ID、設備ID）進行鏈接。通過時間、空間與物流邏輯之間的映射關(guān)系，大量的數(shù)據(jù)立方體可以獲得物流趨勢、生產(chǎn)偏差、機器和工人的定量性能等有價值的信息。這些信息對企業(yè)在生產(chǎn)運營管理領域的決策制定有著重要的意義。

（二）數(shù)據(jù)挖掘框架、數(shù)據(jù)處理與物流軌跡識別

⒈ 數(shù)據(jù)挖掘框架

由于RFID生產(chǎn)數(shù)據(jù)隨著日常操作的進行而變得龐大，對其的提煉框架包含數(shù)據(jù)提取、數(shù)據(jù)清理、數(shù)據(jù)壓縮、數(shù)據(jù)分類和時空順序下物流軌跡識別模式五個步驟。

步驟一：從RFID生產(chǎn)大數(shù)據(jù)中提取幾個主表（如task、BatchMain、BatchSub、UserInfo、MachInfo、Technics等）構(gòu)建一個RFID大數(shù)據(jù)模型。構(gòu)建方式是以映射表為指引，選取其中的關(guān)鍵特性創(chuàng)建數(shù)據(jù)立方體，其中包含對應的物流行為和操作邏輯等信息。

步驟二：創(chuàng)建的數(shù)據(jù)立方體存在大量的冗雜信息，因此執(zhí)行清理操作。數(shù)據(jù)立方體清理不僅可以去除冗雜項，還可以檢測和消除不完整、不準確和缺失的立方體。

步驟三：由于經(jīng)過清理的數(shù)據(jù)立方體仍十分龐大，因此對其進壓縮是十分必要的。數(shù)據(jù)立方體壓縮是通過使用重要的物流邏輯來表示物流的移動而進行的。例如，一個完整的物流軌跡可以由幾個不同生產(chǎn)階段下的物流軌跡組成，每個軌跡都由一個數(shù)據(jù)立方體來呈現(xiàn)。又由于工位被唯一的電子產(chǎn)品代碼（EPC）編號所標記，所以這些立方體彼此高度相關(guān)。幾個工位對應的操作共同組成一個任務，這意味著相關(guān)的立方體具有同樣的任務ID。

步驟四：對被壓縮的數(shù)據(jù)立方體進行分類以支持不同的使用者在不同應用場景下的決策制定。以物流操作員的評價為例，在企業(yè)用戶信息使用表里使用三個整數(shù)類型（0：初級，1：中級，2：高級）來標識評價對象層次。由于“操作者ID”屬性與一個已識別的對象層級相關(guān)聯(lián)，依據(jù)“操作者ID”屬性對立方體進行分類，從分類的RFID數(shù)據(jù)立方體中歸納關(guān)鍵性能指標（如業(yè)務平均處理時間、學習曲線等）作為諸如人事晉升等制度制定的參考。

步驟五：分類后的立方體可以用于物流軌跡識別。在基于時間的相關(guān)模式中，數(shù)據(jù)立方體意味著各種制造對象的趨勢與偏差（如物流操作員的操作效率、機器利用率），此時該類模式有利于提升物流控制效率。在基于空間的相關(guān)模式中，數(shù)據(jù)立方體意味著物料的移動，體現(xiàn)物流軌跡上的每一個節(jié)點位置，此時該類模式可以用于評估在制品庫存級別以及預測不同生產(chǎn)節(jié)點的工作負荷等。

⒉ 數(shù)據(jù)處理關(guān)鍵步驟

步驟一：數(shù)據(jù)立方體清理。

數(shù)據(jù)立方體清理的目的是檢測并移除數(shù)據(jù)立方體中的一些不完整、不正確以及冗雜的數(shù)據(jù)。其輸入是一組來自射頻識別物流數(shù)據(jù)倉庫的原始立方體。輸出是一組經(jīng)過排序的立方體，包含完整和準確的信息，其輸入、輸出及實現(xiàn)方法為：

輸入：啟用射頻識別技術(shù)的物流數(shù)據(jù)倉庫，條件設置Con^set。

輸出：數(shù)據(jù)立方體集RCub^set。

實現(xiàn)方法：RCub^set←從數(shù)據(jù)倉庫相關(guān)表格中選取記錄在 RCub^set 中的每一個數(shù)據(jù)立方體。在數(shù)據(jù)立方體中的每一個維度DIiDIi 必須滿足條件 Conj DI_i∝Con_j where Con_j∈Con^set。而如果在 RCubk 中的維度 DIi 不能滿足條件則刪除來自 RCub^set 的 RCub_k。

步驟二：數(shù)據(jù)立方體壓縮。

對數(shù)據(jù)立方體進行壓縮的目的是形成一種先進的數(shù)據(jù)結(jié)構(gòu)，進行進一步的查詢、分類和分析。因此壓縮方法是聚合和折疊清理完成的數(shù)據(jù)立方體記錄。其輸出是壓縮的數(shù)據(jù)立方體。映射表用來組織具有高信息密度的立方體，其輸入、輸出及實現(xiàn)方法為：

輸入：RCub^set。

輸出：數(shù)據(jù)立方體集Cat。

實現(xiàn)方法：首先利用select語句在映射表中聚合初步滿足條件的數(shù)據(jù)立方體記錄，然后通過if循環(huán)在滿足條件（操作、位置、時間等）的數(shù)據(jù)立方體記錄進行數(shù)據(jù)折疊清理，當有數(shù)據(jù)立方體記錄不滿足if循環(huán)時，則輸出滿足條件的記錄形成數(shù)據(jù)立方體集Cat。

步驟三：數(shù)據(jù)立方體分類。

數(shù)據(jù)立方體分類的目的是找出不同的特定類型，用于挖掘特定信息或者知識。分類過程的輸入是壓縮的數(shù)據(jù)立方體和分類集。輸出的是分類后的數(shù)據(jù)立方體，呈現(xiàn)了進行立方體分類的具體方法，數(shù)據(jù)立方體通過分類處理后，不同維度上的物流軌跡知識將更易于獲取，其輸入、輸出及實現(xiàn)方法為：

輸入：RCub^Com，數(shù)據(jù)立方體集Cat。

輸出：分類的數(shù)據(jù)立方體集RCub^Cla。

實現(xiàn)方法：利用for循環(huán)語句在數(shù)據(jù)立方體集Cat中設置分類條件（維度），通過循壞語句不斷將Cat中滿足條件的記錄分類，一直到不滿足循壞條件，即循環(huán)結(jié)束。Endfor后對記錄進行分類輸出，放在RCub^Cla中。

⒊ 物流軌跡識別模式

“物流軌跡識別模式”指在RFID大數(shù)據(jù)模型中，依據(jù)時間或位置屬性定義序列中元素的排列順序，通過頻繁模式挖掘算法，挖掘出從物流活動開始至結(jié)束的物流軌跡。由于每個數(shù)據(jù)立方體都存放著關(guān)于空間、時間、物流操作人員、機器以及對應產(chǎn)品的信息，所以該模式具有高度的時空性。

定義1：（物流軌跡識別模式）設為軌跡，其中包含n個生產(chǎn)階段，則軌跡可以表示為：

=…

…（1）

其中，表示第s個物流操作員。表示在k階段經(jīng)過的機器i。和分別表示在k階段材料從緩沖區(qū)移走的時間和在k+1階段材料進入緩沖區(qū)的時間。根據(jù)定義可知，物流軌跡可以從包含由RFID數(shù)據(jù)立方體中的大量軌跡集中挖掘。

定義2：（軌跡持續(xù)時間）假設是一個物流軌跡，的持續(xù)性可以通過式（2）計算。這意味著花在軌跡上的時間等于在第n階段一批材料到達緩沖區(qū)的時間與第一階段倉庫中將這批材料移出緩沖區(qū)的時間的差值。這個定義可以用來檢測在制品庫存，當越小則庫存越少，從而物流效率越高。

（2）

定義3：（物流操作員的績效衡量）這里有兩種物流操作員績效衡量方式。第一種是頻率指引，可以被定義式（3）。這個指引顯示出了在整個運輸任務中物流操作人員的投入。另一種是時間指引，可以被定義為式（4）。這個指引揭示了在所有物流任務中特定的物流操作人員（）所貢獻的時間。J代表著物流軌跡的總數(shù)，S代表著物流操作人員的總數(shù)。

（3）

（4）

定義4：（機器的利用）對于機器i，在階段k，從時間到，機器的使用可被定義為式（5），其包含機器的物流軌道總數(shù)。如果更多的物流軌道包含，則會變得更大。

（5）

五、企業(yè)決策優(yōu)化

隨著社會信息化程度的日益加深和RFID射頻識別技術(shù)的引入，采用更為高效的數(shù)據(jù)挖掘方法，挖掘隱藏在數(shù)據(jù)背后的“真相”，幫助企業(yè)管理者進行更為科學、可靠的決策制定，提升企業(yè)科學管理水平，有效增強企業(yè)的盈利能力和行業(yè)競爭力^[24]。本文所述的頻繁模式數(shù)據(jù)挖掘方法，實現(xiàn)了依據(jù)不同的關(guān)聯(lián)規(guī)則，對物料到達情況的實時追蹤與可視化，可以為企業(yè)管理者在生產(chǎn)計劃和控制、物流和供應鏈等方面的決策制定提供管理啟示和科學指導。根據(jù)訪談記錄和深度觀察日志的整理，下文將分別就其運用場景展開探討。

（一）生產(chǎn)計劃和控制方面的決策優(yōu)化

生產(chǎn)計劃和控制是指計劃、組織、控制生產(chǎn)活動的綜合管理活動。其目標是通過合理組織生產(chǎn)過程，有效利用生產(chǎn)資源進行經(jīng)濟合理的生產(chǎn)活動，以達到預期的生產(chǎn)目標。其主要管理模塊包括生產(chǎn)計劃管理、采購管理、品質(zhì)管理、效率管理、設備管理、庫存管理等。企業(yè)的生產(chǎn)計劃和控制可以考慮采用本文所述的數(shù)據(jù)挖掘方法構(gòu)建RFID大數(shù)據(jù)模型，依據(jù)不同的關(guān)聯(lián)規(guī)則挖掘物流軌跡，物料的實時到達和流轉(zhuǎn)情況可以作為有價值的信息，幫助企業(yè)管理者進行生產(chǎn)計劃和控制管理。

生產(chǎn)計劃管理過程中，本文所述的數(shù)據(jù)挖掘方法有助于實現(xiàn)生產(chǎn)自動化、柔性化。主要利用頻繁模式算法發(fā)現(xiàn)RFID射頻識別技術(shù)采集的生產(chǎn)線瓶頸工位時間、生產(chǎn)節(jié)拍等信息的關(guān)聯(lián)規(guī)則，基于這些關(guān)聯(lián)規(guī)則挖掘并實時跟蹤生產(chǎn)線平衡率、平衡損失率等關(guān)鍵指標。生產(chǎn)線平衡的目的是通過分析與調(diào)整生產(chǎn)線所有工序的負荷能力使各工序盡可能達到能力平衡，最終消除等待浪費，提高生產(chǎn)線效率。對于關(guān)鍵指標的實時追蹤有利于管理者及時掌握車間生產(chǎn)狀況，實現(xiàn)企業(yè)在生產(chǎn)制造過程中對生產(chǎn)平衡狀態(tài)的實時跟蹤，及時做出相應的工藝調(diào)整優(yōu)化生產(chǎn)線的計劃執(zhí)行能力。同時，對于由于錯誤裝配等原因?qū)е碌漠惓Ｆ款i工位，管理者可以快速響應，并以最大程度減少生產(chǎn)損失。

采購管理上，本文所述的數(shù)據(jù)挖掘方法有助于應對市場波動，實現(xiàn)個性化需求預測。目前制造業(yè)銷售部門基于經(jīng)驗分析估算交貨日期的方式在日益多樣性發(fā)展的市場場景下存在巨大的供應風險。再者，制造業(yè)面向的消費者群體數(shù)量眾多且個體偏好明顯，進軍個性化定制市場無疑具有廣闊的前景。就汽車行業(yè)而言，由于其研發(fā)生產(chǎn)的復雜性，一臺新款車型上市后的銷售情況與研發(fā)階段團隊對細節(jié)以及個性偏好的把握程度密切相關(guān)。如，居住在北方天氣涼爽的地區(qū)的消費者和居住在南方較悶熱的地區(qū)的消費者對座椅通風功能的需求顯然不同。因此，采用本文所述的頻繁模式算法在數(shù)據(jù)立方體中引入座椅配置信息，通過分類的關(guān)鍵算法，采集車輛流向市場的信息（銷售信息），形成實時的基于不同座椅配置的物流軌跡信息，幫助企業(yè)進行需求預測，實現(xiàn)個性化需求精準匹配。

品質(zhì)管理上，本文所述的數(shù)據(jù)挖掘方法有助于實現(xiàn)全面質(zhì)量管理（TQM）。全面質(zhì)量管理是以產(chǎn)品質(zhì)量為核心，以滿足客戶需求為目的的一套科學質(zhì)量體系，其基本觀點是進行全過程的管理、全企業(yè)的管理和全員的管理。采用頻繁模式算法挖掘并實時跟蹤關(guān)鍵工位的產(chǎn)品質(zhì)量信息、關(guān)鍵設備的維護與運行信息、員工操作相關(guān)信息，用信息化的手段提升“計劃-執(zhí)行-檢查-處理”的質(zhì)量管理基本工作流程的效率，推進全面質(zhì)量管理的實現(xiàn)。

效率和設備管理上，采用本文所述的數(shù)據(jù)挖掘方法有助于完善物流對象績效指標評估體系。通過構(gòu)建的RFID大數(shù)據(jù)模型中挖掘物流軌跡，運用時間指引和頻率指引指標實現(xiàn)對物料轉(zhuǎn)移過程中操作員投入程度和投入時間的實時量化評估，將該動態(tài)評估方法作為補充，完善和健全傳統(tǒng)經(jīng)營管理中以靜態(tài)指標作為物流操作員主要考量指標的評價體系，以此更加科學地指導管理者進行諸如晉升等重要策略的制定。同理，該模式下的機器效能指標可以充分地體現(xiàn)機器在物流軌跡中被占用的頻次。因此，通過機器利用率在水平維度上的比較，易于管理者實時觀察到各物流設備的利用率偏差，及時調(diào)整生產(chǎn)策略來平衡工作負載。

（二）物流和供應鏈方面的決策優(yōu)化

物流管理上，采用本文所述的數(shù)據(jù)挖掘方法有助于實現(xiàn)生產(chǎn)物流與倉儲的資源配置優(yōu)化。構(gòu)建RFID大數(shù)據(jù)模型挖掘生產(chǎn)線節(jié)拍、線邊庫存、物料配送上線時間等信息，建立產(chǎn)品生產(chǎn)時間、物料消耗時間、物料上線時間的匹配關(guān)系，最終指導生產(chǎn)物流的資源配置。該方法的研究使生產(chǎn)物料的配送由傳統(tǒng)的靜態(tài)轉(zhuǎn)化為動態(tài)成為可能。在該動態(tài)信息指示下可以實現(xiàn)準確而及時的備料和送料活動，保證生產(chǎn)線正常運行的同時又最大程度地減少在制品庫存，消除等待浪費，提升物料配送效益。同樣地，采用該大數(shù)據(jù)分析方法挖掘物料存儲的位置、數(shù)量等信息，建立其與企業(yè)資源計劃系統(tǒng)中指定的收貨、取貨、裝運等計劃的匹配關(guān)系，避免錯送、錯置等損失，增強存取貨物的準確性和便捷性，最終實現(xiàn)倉儲動態(tài)管理，從而降低企業(yè)倉儲成本，提升物流服務效率和質(zhì)量。

供應鏈管理上，由于現(xiàn)代行業(yè)分工和專業(yè)細分趨勢，擁有某項專門技術(shù)的供應商會供貨給不止一家下游企業(yè)，制造供應鏈是以輻射和貫穿于整個同類產(chǎn)品行業(yè)的形式而存在的。而上下游信息傳遞的延時，環(huán)環(huán)相扣的復雜加工以及市場需求和銷售訂單的劇烈波動，都會給庫存管理帶來巨大挑戰(zhàn)。采用本文所述的數(shù)據(jù)挖掘方法聚焦于進貨物流和出貨物流信息，形成實時的進貨物流軌跡與出貨物流軌跡，進而計算獲得同樣“實時”的在制品庫存、倉庫利用率等關(guān)鍵庫存控制指標。通過跟蹤這些指標的變化情況，管理者能夠及時準確地調(diào)整生產(chǎn)節(jié)拍，半成品或成品在整個物料流轉(zhuǎn)鏈條中盡量加速流動實現(xiàn)“不積壓”，進而有效地指導企業(yè)進行精益制造和物流快速響應，以減少在制品庫存，提高倉庫利用率，降低物流成本。

六、總結(jié)與展望

本文以生產(chǎn)物流場景為例構(gòu)建概念模型，通過RFID信息采集設備采集生產(chǎn)信息建立數(shù)據(jù)立方體，進而構(gòu)建RFID大數(shù)據(jù)模型。根據(jù)不同的科學管理目標，利用頻繁模式挖掘發(fā)現(xiàn)相應信息的關(guān)聯(lián)規(guī)則，歸納總結(jié)出物流軌跡。最后探究將挖掘結(jié)果運用于當今制造業(yè)生產(chǎn)計劃和控制、物流和供應鏈等方面的管理痛點上，為企業(yè)管理者提供解決思路。

（一）研究的創(chuàng)新價值

本文的研究，在技術(shù)方法和研究范疇上具有獨特的創(chuàng)新價值。第一，就頻繁模式挖掘方法的研究而言，本文制定了一種以實用性為導向的數(shù)據(jù)挖掘方法，該方法包含了基于理論模型的數(shù)據(jù)框架及該框架下用于對射頻識別物流數(shù)據(jù)進行提煉、處理和分類的關(guān)鍵算法步驟，企業(yè)管理者可以依據(jù)RFID大數(shù)據(jù)模型對RFID生產(chǎn)數(shù)據(jù)進行存儲，并運用本文所展現(xiàn)的算法邏輯構(gòu)建具體的計算機編程代碼實現(xiàn)數(shù)據(jù)的清理、分類和壓縮，最終挖掘物流軌跡用于企業(yè)管理決策的優(yōu)化。第二，本文所述的方法從一定程度上彌補了當前理論中基于RFID生產(chǎn)數(shù)據(jù)處理和分析等方面的不足，首先通過“清理”步驟有效篩除任一維度上不滿足預設條件的數(shù)據(jù)，排除了不完整、不準確的數(shù)據(jù)干擾，隨后的“壓縮”步驟提取相同EPC的數(shù)據(jù)立方體，解決了RFID生產(chǎn)數(shù)據(jù)冗余的問題，最后使用“分類”算法歸納不同維度的物流軌跡知識，提高了提取效率。第三，數(shù)據(jù)立方體模型在結(jié)構(gòu)上具備充分的數(shù)據(jù)存儲多樣性和可擴展性。數(shù)據(jù)立方體的多樣性和可擴展性使得企業(yè)在面臨由射頻識別技術(shù)采集而來的龐大且冗雜的RFID生產(chǎn)大數(shù)據(jù)時，能夠有效地將數(shù)據(jù)進行分類存儲，在針對不同的科學管理目標時，能夠高效地提取相應關(guān)鍵信息，進而利用挖掘提取出的關(guān)鍵信息指導企業(yè)優(yōu)化管理和生產(chǎn)。

本文的研究就范疇具有創(chuàng)新性。本文就生產(chǎn)物流場景中物流軌跡對于管理決策的優(yōu)化進行了首次探索：從技術(shù)角度構(gòu)建頻繁模式挖掘物流軌跡，從科學管理角度分析技術(shù)研究結(jié)果在企業(yè)場景中的實踐運用。兩個角度的研究相輔相成，是在“中國制造2025”背景下，對“以技術(shù)為導向提升科學管理水平”的一次實踐。技術(shù)層面上，進行數(shù)據(jù)挖掘方法的創(chuàng)新提高數(shù)據(jù)模型的場景適用性和物流軌跡挖掘效率。管理層面上，就當今制造業(yè)亟待解決的管理困境，首次探究了在“中國制造2025”背景下技術(shù)研究結(jié)果在企業(yè)場景中的運用設想。

（二）研究局限與展望

對RFID生產(chǎn)數(shù)據(jù)數(shù)據(jù)挖掘方法的研究及其所提取的信息在生產(chǎn)物流場景的內(nèi)涵挖掘可以有效助力制造業(yè)在“中國制造2025”戰(zhàn)略背景下的轉(zhuǎn)型升級。但是，這一研究仍存在多方面的局限。第一，技術(shù)層面上，根據(jù)具體領域和應用場景設計合適的分析模型、設計滿足生產(chǎn)大數(shù)據(jù)實時性要求的行之有效的算法有待進一步研究。第二，實施層面上，企業(yè)在生產(chǎn)運營環(huán)節(jié)對RFID的使用存在可能會產(chǎn)生較高應用成的問題，由于在研究中深入到單個商品層級的RFID應用場景十分理想化，因而能夠提供給研究者進行數(shù)據(jù)驗證的真實場景欠缺。

基于研究局限，在本文的研究基礎上，隨后的探索方向可以做如下延伸：第一，被挖掘的包含特定物流含義的重要信息可以用來支持生產(chǎn)計劃與調(diào)度（APS）。因此，可以圍繞制定整合生產(chǎn)計劃和調(diào)度的數(shù)學模型或材料運輸策略來拓展后續(xù)的研究。第二，由于本文僅僅考慮了有限的測試，所以在海量數(shù)據(jù)的情況下，基于大數(shù)據(jù)分析方法論證評估具備進一步拓展研究的空間。第三，針對沒有文本基礎的立方體壓縮，在未來的研究中可以考慮將諸如區(qū)域圖片壓縮之類的圖片壓縮方法和適應字典算法整合應用到立方體壓縮模型中。

參考文獻：

[1] 景熠，李文川.智能制造背景下企業(yè)RFID技術(shù)采納行為機理研究[J].工業(yè)技術(shù)經(jīng)濟，2017，（5）：86-91.

[2] 孟凡生，徐野，趙剛.高端裝備制造企業(yè)向智能制造轉(zhuǎn)型過程研究——基于數(shù)字化賦能視角[J].科學決策，2019，（11）：1-24.

[3] 王宇翔.大數(shù)據(jù)背景下的數(shù)據(jù)挖掘算法綜述[J].通訊世界，2018，（11）：21-22.

[4] 熊聰聰，劉品超.基于RFID數(shù)據(jù)集的供應鏈數(shù)據(jù)挖掘[J].計算機工程與設計，2011，（5）：1673-1676.

[5] 王德青，朱建平，劉曉葳，等.函數(shù)型數(shù)據(jù)聚類分析研究綜述與展望[J].數(shù)理統(tǒng)計與管理，2018，（1）：51-63

[6] Han.J.W.，Li.Z.H.，Tang，L.A.Mining Moving Object，Trajectory and Traffic Data[A].Database Systems for Advanced Applications[C].DASFAA 2010，Tsukuba，Japan 2010，（5982），485-486.

[7] Kusumakumari，V.，Sherigar，D.，Chandran，R.，et al. Frequent Pattern Mining on Stream Data Using Hadoop CanTree-GTree[A].Procedia Computer Science[C].ICACC 2017，Cochin，India 2017，（115）：266-273.

[8] Han，M.，Ding，J.，Li，J.TDMCS： An Efficient Method for Mining Closed Frequent Patterns Over Data Streams Based on Time Decay Model[J].International Arab Journal of Information Technology，2017，14（6）：851-860.

[9] 辛璐，唐方成.構(gòu)建大數(shù)據(jù)驅(qū)動制造業(yè)創(chuàng)新發(fā)展的治理機制[J].管理現(xiàn)代化，2019，（6）：27-31.

[10] 鞏家婧，寧云才，張公鵬.大數(shù)據(jù)時代物流企業(yè)供應 鏈管理運作模式與優(yōu)化路徑[J].企業(yè)經(jīng)濟， ?????2019，（5）：80-84.

[11] 中國機械工程編輯部.2018·中國制造自動化技術(shù)學術(shù)研討會——制造大數(shù)據(jù)與人工智能[J].中國機械工程，2018，（17）：2068.

[12] 譚軍.數(shù)據(jù)挖掘在制造業(yè)中的應用研究綜述[A]. 2011年全國電子信息技術(shù)與應用學術(shù)會議論文集[C].上海，智能信息技術(shù)應用學會，2011.505-508.

[13] Aye，T.T.，Yang，F(xiàn).，Wang，L.， et al. Data Driven Framework for Degraded Pogo Pin Detection in Semiconductor Manufacturing [A].Industrial Electronics and Applications[C].IEEE 2015，Auckland，New Zealand.2015.

[14] 郭龍波. 基于數(shù)據(jù)挖掘方法的冷軋表面質(zhì)量缺陷分析[D].馬鞍山：安徽工業(yè)大學碩士學位論文，2012.

[15] 王成龍.基于數(shù)據(jù)挖掘技術(shù)的生產(chǎn)調(diào)度問題研究[D].杭州：浙江大學碩士學位論文，2015.

[16] 劉娜. 紡織領域中數(shù)據(jù)挖掘技術(shù)的應用研究[D].大連：大連海事大學碩士學位論文，2004.

[17] Shahbaz，M.，Shaheen，M.，Aslam，M.，et al.Data Mining Methodology in Perspective of Manufacturing Databases[J].Life Science Journal，2012， 9（3）：13-22.

[18] 劉春，周燕，李鑫.挖掘語義軌跡頻繁模式及拼車應用研究[J].計算機工程與應用，2019，（15）：96-103.

[19] 鄢團軍，呂軍，齊國強.基于RFID的電動車運行軌跡頻繁模式挖掘算法研究[J].智能物聯(lián)技術(shù)，2018，（3）：32-36.

[20] 潘曉英，趙倩，趙普.時空屬性關(guān)系標簽的頻繁軌跡模式挖掘[J].計算機工程與應用，2019，（10）：83-89.

[21] 李勇男.時空軌跡頻繁模式在反恐情報分析中的應用研究[J].情報雜志，2018，（8）：51-55.

[22] 趙秀麗，徐維祥.在物流RFID數(shù)據(jù)庫中挖掘時空模式[J].物流技術(shù)，2011，（17）：101-104，124.

[23] 趙利. 基于RFID中間件的海量數(shù)據(jù)集成技術(shù)及其在現(xiàn)代物流決策分析中應用研究[D].揚州：揚州大學碩士學位論文，2012.

[24] 趙劍波.推動新一代信息技術(shù)與實體經(jīng)濟融合發(fā)展：基于智能制造視角[JB/OL].科學學與科學技術(shù)管理：1-19.2020-03-10.http：//kns.cnki.net/kcms/detail/12.1117.G3.20200306.1746.002.html.

[25] 姚源果，賀盛瑜.基于交通大數(shù)據(jù)的農(nóng)產(chǎn)品冷鏈物流配送路徑優(yōu)化研究[J].管理評論，2019，（4）： 240-253.

Research on Decision Optimization of Manufacturing Enterprises Based on Frequent Pattern Mining

HUANG Rui¹，YIN Shi-si¹，LI Hu-sheng²

（1.Bussiness School， Chongqing College of Electronic Engineering， Chongqing 401331， China;2.Certification Centre， China Electronics Standardization Insititute， Beijing 100007， China）

Abstract：With the widespread application of Radio Frequency Identification （ RFID） technology in manufacturing enterprises to collect production data， production data has been improved in terms of data source quality and dynamics.This paper focuses on the management weaknesses of manufacturing enterprises in production planning and control， logistics and supply chain; based on case studies， it explores the application of frequent pattern mining in production and logistics scenarios of manufacturing enterprises.Specifically， based on RFID production data to build RFID big data model， after data cleaning， compression and classification， according to different scientific management objectives to carry out logistics track identification.Finally， combining with specific business scenarios， it puts forward suggestions for the production planning and control， logistics and supply chain management decision optimization of manufacturing enterprises.

Key words：manufacturing enterprises;?frequent pattern mining; logistics trajectory; decision optimization; big-data RFID model

（責任編輯：李明齊）