钢铁企业生产成本关键工序挖掘模型研究

1、7A 版优质实用文档 钢铁企业生产成本关键工序挖掘模型研究 宋旭东 1 ，2，程晓兰 1 ，刘晓冰 2，翟坤 2 (1. 大连交通大学 , 辽宁 大连 116028 ； 2. 大连理工大学 , 辽宁 大连 116024 ) 摘 要：在钢铁企业的成本分析中，工艺路线关键工序消耗的分析和控制成为钢铁 企业生产成本决策分析中首要的任务。通过以工艺路线为切入点，结合企业的成本 分析项目，对生产成本工序进行数据仓库维度建模。采用基于抽样的 C4.5 算法对生 产成本工序数据进行挖掘，挖掘出工艺路线中的关键工序和影响钢铁企业成本的分 类规则，为企业的成本管理提供了科学依据。 关键词： 钢铁企业；成本分析；

2、工艺路线；数据仓库；维度建模；数据挖据 中图分类号： TP311 文献标识码： A Research on Production Cost Key Processes Mining Model for Iron 2. Dalian University of Technology, Dalian 116024, China) Abstract ： In cost analysis of iron cost analysis; process routes; data warehouse; dimensional modeling ; data mining 1 引言 在传统的 Purdue 模

3、型中，流程工业 CIMS 自下而上从功能上被分为五个层次， 但这种分法在钢铁企业 CIMS 系统的设计和 应用实践中遇到了较大的问题，于是将美国 AMR(Advanced Manufacturing Research) 公司提出的制造业的 ERP/MES/PCS 三级模 型引入进来，有效地解决了五层模型存在的 问题。目前基于 ERP/MES/PCS 三级模型的 钢铁企业成本分析的文献主要有 1，2。文献 7A 版优质实用文档 讨论到了钢铁企业中生产消耗高低主要体现 在各工序的技术经济指标上。因此，加强对 工艺路线关键工序消耗的分析和控制成为钢 铁企业成本决策分析中首要的任务。本文就 是基于以上

4、的背景展开研究的。 如何寻找工艺路线中的关键工序，对提 高企业成本控制有重要的作用。本文将数据 仓库维度建模和数据挖掘技术引入到钢铁生 产成本管理领域，从大量钢铁生产成本历史 数据中挖掘出工艺路线上的关键工序，为决 策者在工业生产过程中提供更好的决策依 据，以指导钢铁企业生产，降低产品成本。 2 钢铁企业生产成本工序维度建模 工艺路线是说明各项自制件的加工顺序 和标准工时定额的文件。工艺路线优化是实 现计算机辅助工艺设计的关键技术之一。企 业接到一份合同，如何根据合同的条件，选 择最佳的工艺路线，以降低生产成本是企业 非常关心的事情。目前在工艺路线的优化问 题上，比较成功的研究方法有遗传算法

5、3 ， 有向图方法 4 等。本文从数据挖掘的角度出 发，用数据挖掘算法来寻找工艺路线中的关 键工序，加强关键工序消耗的分析与控制， 为企业优化工艺路线提供决策依据。 下面参考文献 5 的数据仓库维度建模设 计过程，对生产成本工序进行维度建模。 2.1 选取要建模的业务处理过程 在介绍要建模相关业务处理过程之前， 先对涉及的业务术语进行定义。 7A 版优质实用文档 定义 1：标准工序和成本工序 在钢铁企业中根据业务的不同，工序一 般分为标准工序和成本工序。标准工序是指 各分厂在生产过程或生产系统中使用的标准 的工序。因为这些工序用于指导生产、在生 产计划和物料跟踪过程中使用，因此工序的 划分十分

6、细致。 但是，在成本核算的过程中， 费用的分配并不是以这些细致划分的工序为 基础的。存在生产过程中的若干工序对资源 的耗费是不可分割的情况，因此它们将作为 一个成本工序来考虑。 下面对要建模的业务处理流程进行描 述。企业接收到合同后，首先是技术中心根 据合同的要求来确定相应的工艺路线、工艺 参数等等；以制定较好的工艺路线，使得中 间库存量最小、加工时间最短。制定完的工 艺路线需要经过人为的审核才能正式投入使 用。审核的过程主要根据具体的实际情况确 定是否实施工艺路线的某些工序，或是添加 某些附加的工序，还有对某些工序的动态数 据（如工序的实施分厂等）进行规定，实现 人为的调整与灵活控制。然后各

7、分厂进行生 产计划的制定，根据合同的物料量和本分厂 的库存情况进行提料，并根据日计划进行物 料跟踪、转移、入库，同时为成本管理提供 成本统计所需的产量、转移量、入库量、消 耗量及工时信息。在成本的管理中，需要制 定工艺步骤的成本，按照不同的工艺路线选 择不同的生产设备和工时系统来分摊各种费 用，以制定标准工艺步骤成本和费用。对于 成本工序的费用，可按照炉号、钢号、规格、 工艺路线等进行成本核算；可计算出每炉在 每道工序实际消耗的步骤费用，根据定额计 算的各种消耗的步骤费用；计算根据工时系 数分摊各项消耗的步骤费用；计算工序步骤 成本；计算每炉的实际成本、实际单价。 2.2 选定维度 生产成本工

8、序维度模型中确定的维度 有：工艺路线维和成本工序维。其他相关维 度包括：标准工序维、分厂维、钢号维、加 工用途维、交货状态维、产品标准维和工艺 类别维等。 2.3 确定事实 生产成本工序维度建模的最后一步，在 于仔细确定哪些事实要在事实表中出现。这 里确定的事实有标准成本和实际成本。为了 实施工序成本分析与控制，我们需要关注每 个工序是否盈利，所以增加一个事实：工序 7A 版优质实用文档 7A 版优质实用文档 盈利否。如果标准成本小于实际成本，则置 图 1 所示。其中生产成本工序事实表中的工 工序盈利否”字段值为“亏” ，否则置“工 艺路线 ID 对应工艺路线维表， 生产成本工序 序盈利否”字

9、段值为“盈” 事实表中的成本工序 ID 对应成本工序维表 3. 生产成本工序事实表采用雪花模型，如 成本工序维 成本工序 ID 标准工序 ID 标准成本 工序名称 分厂 ID 生产成本工序事实表 工艺路线 ID 生产号 成本工序 ID 钢号 ID 分厂 ID 炉号 批次 工艺路线维 标准工序维 分厂维 钢号维 钢月号计划ID任 务表 钢号名称 钢类 ID 钢类名称 物料跟踪业务表 标准成 抽取出研究 工序盈利否 交货状态 产品标准 工艺类别 规格 分厂 ID 工艺路线 ID 工艺路线工序 钢号 ID 带料状态 ID ID ID ID 序列 ID，工艺路 标准工序 ID 工序名称 工序提前期 工

10、时定额 工序成材率 工序工艺参数 工序条件 现场检查 名称 交货状态维 在月计划任 所有生产号 务表中，工选艺择路与线研名究称工艺路线相匹配 取工相艺应路的线标附准加工说序明 并抽 ID、 交货状态 ID D交、货状态名称 批次、钢号 ID 等信息 加工用途维 工艺类别维 产品标准维 图1 过程 工艺类别 ID 厂工的艺工类ID别艺、名路工称序线I进D、行 钢号 ID 与物料跟踪业务表按生产号、分厂 序生产ID成、本批工次序、选事钢实择号表标雪ID准花匹模工配型，序将组物合料跟为踪“业务配表料中的（单渣）G 电炉冶炼 炉号抽取出来 GAOD 加工用途 ID 将抽取结果集按生产 产品标准 ID

11、行批 ID 、析产品。标这准名里称我们 工 前面已经对钢铁企业的工艺路线及生产 G150 方连铸 G 缓冷 G 连铸 将标准工序转坯换为转成移本工G序，退过火滤掉G不用矫进直行成G本精整 G 磁粉探伤 G 核算的标准工序 钢坯修磨 G 转移”的工艺路线进行分析，我 料跟踪事实表的炉号、钢号ID 、批次 产成本数据仓库实现过程，具体包括数据抽本本核算核表算表中的按标炉号准成、在本钢、号进实行际I工D成、本序批抽成次取匹出本配来核， 成本工序进行了建模。下面实施钢铁企业 工序成本核算表 取、数 ，并不是所有的 标准工序在最后的成本核算中都会进行核算 据转换和数据装载等过程，整个过程 得到生产成本的

12、工序，事只实有表的那数些据记在录标准工序核算对照信息表中 生产成本工序事实表 如图 2 所示。 图2 生产成本工序数据抽取 3.1 数据抽取 声-明转换要-进装载行过成程本核算的标准工序才会转换为 工序成本进行核算。在我们选定的研究工艺 可以依据企业决策专家建议，选择企业 7A 版优质实用文档 7A 版优质实用文档 路线中，共有 12 个工序的研究工艺路线， 只 有电炉冶炼、 AOD 炉冶炼、 150 方连铸、缓 冷、退火这 5 个工序进行成本核算。 3.2 数据转换 数据转换是将数据转换为适合于数据挖 据的形式。在工序盈利否字段实际存储时， 分别用“ 0”或“ 1”代表“盈”或“亏”， 这样

13、可以提高数据存储和访问性能，提高关 键工序挖掘的效率。 3.3 数据装载 经过以上的数据抽取与转换，可以动态 地生成基于某条工艺路线的生产成本工序事 实表。数据装载就是将前面得到的事实表和 维表导入到生产成本数据仓库中。 4.钢铁企业生产成本关键工序数据挖掘 4.1 挖掘算法的选择 在数据挖掘算法中，决策树算法具有速 度快，容易转化成便于理解的分类规则，是 一种简单但广泛使用的分类技术。 Quinlan 于 1979 年提出了著名的 ID3 算法，1993 年 提出的以 ID3 算法为蓝本的 C4.5 是一个能 处理连续属性的算法。上面提到的 ID3 和 C4.5 等算法对于相对小的数据集是很

14、有效 的,当这些算法用于大数据集时，有效性和收 缩性就出现了问题。 随着数据库规模的增加， 数据挖掘算法面临着对有效性和正确性更高 的要求。对大数据集进行数据挖掘是一件非 常费力的工作，需要消耗大量的时间和物理 资源。抽样作为一种行之有效的方法被引入 进来。文献 6 提出的基于抽样的决策树算法 能在面临大数据集的情况下，利用统计的知 识选取一个与原数据集相似分布的小初始样 本集来进行学习，根据时间复杂度要求和正 确度收敛标准来定义抽样的终止。该算法减 少了计算量和 I/O 的复杂性，同时保持了产 生树的正确性。 本文采用基于抽样的 C4.5 算 法对企业生产成本关键工序进行挖掘。 4.2 关键

15、工序挖掘数据预处理 为便于应用决策树算法，需对生产成本 工序事实表进行预处理， 将其转换为决策表， 生成如图 3 所示的生产成本关键工序决策 表。根据销售亏损事实表，可得到所有执行 该条工艺路线的生产号是否盈利。如果该条 工艺路线的生产号盈利则置工艺路线盈利否 字段值为“ 1”，否则置工艺路线盈利否字段 值为“ 0”。 其中电炉冶炼盈利否、 AOD 炉冶炼盈利 7A 版优质实用文档 生产成本关键工序决策表 电炉冶炼盈利否 AOD炉冶炼盈利否 7A 版优质实用文档 否、 150 方连铸盈利否、缓冷盈利否、退火 盈利否为条件属性，工艺路线盈利否为决策 属性。 a2，av。利用 A 将 S 划分为

16、v 个子集 s1， s2，sv；其中 sj 包含 S 中在 A 上具有值 aj的样本。 sij 是子集 sj中类 Ci 的样本数。 s1 到 s1是 v 个值的属性 A 分割 S 而形成的 v 个样本子集。实际上，分裂信息是 S 关于属 图 3 生产成本关键工序决策表 4.3 应用基于抽样的 C4.5 算法进行关键工 序挖掘 本挖掘系统采用浏览器 /服务器 （B/S）架 构，客户端负责确定挖掘主题，选取指定的 工艺路线，即定义挖掘目标，设置因变量属 性，选择基于抽样的 C4.5 算法生成决策树， 提取规则，对规则进行的合理性进行检验， 如规则合理即可输出，否则循环此过程，直 到生成满意的决策树

17、为止。 性 A 的各值的熵。 针对某钢铁企业，选择一条典型的工艺 路线， 20GG 年第二季度使用“配料 （单渣 ）G 电炉冶炼 GAOD 炉冶炼 G150 方连铸 G 缓 冷 G 连铸坯转移 G 退火 G 矫直 G 精整 G 磁 粉探伤 G 钢坯修磨 G 转移”这条工艺路线的 生产号共有 204000 个，经过抽样后得到 25100 个。 在本试验中，定义 s=25100 。分类属性 值只有 两个值 ： 盈和 亏。 所 以 m=2 。 s1=23200 ，s2 =1900 ，p 1 =0.92.4,p 2=0.076 。 基于抽样的 C4.5 算法方法请参考文献 6。G算a法in的Ra信t（

18、iAo息,S增） 益比率G公a式in（S：,A） SplitInformat（iSo,nA） I（s1,s2,ms）-E（A） v |si|log2 |si| 其中m i=S1 |是s| s 个|vs数|据样本的集合。类别属 mv 性具有- i=m1 Pi个log不2（P同i ）-值j=1（sC1j+i。.s.i .是+msj类）/s*CI（i1sj,中.的.样,msj）本 数。pi 是任意样本属- 于|si|lCoig2的|si概| 率，并用 si/s i=1 |s| 2 |s| 估计。非类别属性 A 具有 v 个不同值 a1， 非类别属性，即条件属性有 5 个，这里以 AOD 炉冶炼盈利否

19、这个条件属性为例， 说明 该属性的信息增益比率的计算方法。 AOD 炉 冶炼盈利否有 2个不同值盈，亏。所以v=2 ， a1= 盈 ， a2= 亏 ， s1=24100 ， s2=1000 ， s11 =23200 ， s12 =0,s 21 =900,s 22 =1000 。 I(s1,s2,ms)=I(23200,1900) =-0.924*lo2(g0.924) 0.0v76*lo2g(0.076) E(0 .A3O87炉D9冶2炼盈利否)= (s1j+2+msj) / s * I1(j,sm,sj) =( s11+s21) / s * I(1 1,ss21)+( 1s2+s22) /

20、s * I(1 2,ss22) =(23200+900)/25100*I(23200,900)+(0+1000)/25100*I(0 7A 版优质实用文档=24100/25100*0.22845+100*00/2 =0.2193 7A 版优质实用文档 v |si|log2 |si| i=1 |s| 2 |s| 24100*log 24100 1000*log 1000 Gain2R5a1ti0o0（*AloOgD炉2 2冶51炼0盈0利2否51,S0）0*log225100 = 0.24G16ain（S,AOD炉冶炼盈利否） = SplitInformation（S,AO炉D 冶炼盈利否） I

21、（s1,s2,sm）-E（AOD炉冶炼盈利否） 0.3879 0.2193 类似地，|siG|loagin2 |Rsi|atio（ 电炉冶0炼.241盈6 利 i=1 |s| |s| 否 ）0=.07A 版优质实用文档 .855664 ， GainRatio（150 方 连 铸 盈 利 否 ）=0.107 ， GainRatio（ 缓 冷 盈 利 否 ）=0.021 ， GainRatio（ 退 火 盈 利 否）=0.011 。 运行基于抽样的 C4.5 分类算法得到的 分类决策树见图 4。其中分类属性后面的括 号里表示分到该层的记录数。 图4的分类规则为 : IF AOD 炉冶炼盈利否 =

22、盈 AND 电炉 冶炼盈利否 = 盈 THEN 工艺路线盈利否 = 盈 IF AOD 炉冶炼盈利否 = 盈 AND 电炉 冶炼盈利 7A 版优质实用文档 否 = 亏 AND 150 方连铸盈利否 = 盈 THEN 工艺路线盈利否 = 盈 IF AOD 炉冶炼盈利否 = 亏 THEN 工艺 AOD炉冶炼盈利否 (25100) =盈=亏 路线盈利否 = 亏 IF AOD 炉冶炼盈利否 = 盈 AND 电炉 冶炼盈利否 = 亏 AND 150 方连铸盈利否 = 亏 THEN 工艺路线盈利否 = 亏 根据决策树结果，从对该工艺路线的影 响来看， AOD 炉冶炼的影响最大， 其次是电 炉冶炼和 150

23、方连铸。缓冷和退火对工艺路 线的成本核算不起作用。因此，可以确定 AOD 炉冶炼是该工艺路线的关键工序， 其次 是电炉冶炼工序和 150 方连铸工序，加强这 些关键工序的分析和控制是控制企业生产成 5 结 语 本文将数据仓库维度建模和数据挖掘技 术应用到企业生产成本关键工序挖掘上，是 一个有益的尝试。 通过一个典型的案例分析， 找出影响钢铁企业成本亏盈的关键工序，并 在企业中取得了良好效果，为数据挖掘技术 在企业管理领域的应用提供了宝贵的经验。 如何寻找工序与班组的最佳匹配成为下一步 研究的任务。 参考文献 (References) 1 柴天佑 ,金以慧 ,任德祥 ,等 . 基于三层结 构的流

24、程工业现代集成制造系统 J. 控 制 工 程 ,20GG,9(3):1-6. (CHAI Tianyou, JIN Yihui, REN DeGiang, et al. Contemporary Integrated Manufacturing System Based on Three-layer Structure in Process IndustryJ. Basic Automation. 20GG,9(3):1-6) 2 刘威 ,初延刚 ,王冠 , 等 .钢铁企业生产成 本控 制 的体 系结 构 J. 东北大学 学 报 ,20GG,5(5),1708-1712. (LIU 本的关键所在。 Wei,CHU Yangang,WANG Guan,et 7A 版优质实用文档 7A 版优质实用文档 al. Production Cost Control Architecture for Iron & Steel EnterpriseJ.Journal of Northeastern University,20GG,5(5),170