基于质量问题解决的汉语文本数据的因果网络构建方法

doi:10.16381/j.cnki.issn1003-207x.2020.2414

摘要/Abstract

摘要：

原因分析是质量问题解决的关键所在。因果关系通常复杂多变，难以仅依靠个人经验准确找到质量问题的根本原因。本文针对实际质量问题解决的汉语文本数据所具有的描述用语不规范、因果结构混杂等特点，提出了适用于这类数据的领域词汇构建方法和因果关系抽取方法，并在此基础上提出了面向质量问题分析的因果网络构建方法。最后，利用某汽车制造企业在白车身冲压生产过程中所记录的质量问题解决数据，构建了具有实际应用意义的因果网络，对本文所提方法的有效性、合理性以及科学性进行了验证。

关键词: 质量管理, QPSD数据, 因果分析, 因果网络, 汽车制造

Abstract:

With the development of economy and technology， people's living standards continue to improve， consumers have higher requirements for the quality and the variety of products. Correspondingly， the quality problems become more and more complicated to solve. Cause analysis is the key to quality problem-solving. However， the causal relationship is usually complex and dynamic. It is challenging to analyze the cause of the problem in-depth only by personal experience. Front-line staffs record the quality problem-solving process， forming the Quality Problem Solving Data （QPS Data） which contains a large amount of knowledge accompanied by the causality of quality problems. However， non-standard records result in non-standard descriptive terms and the mixed causal structure of data. The characteristics mentioned above make it is difficult to apply directly since the data containing much empirical causal knowledge. In order to help improve the effectiveness of cause analysis by utilizing the causal knowledge contained in QPS Data， firstly， relying on the analysis of the characteristics of QPS Data， a bottom-up method is propased to extract domain vocabulary layer by layer from QPS Data， which solves the problem of descriptive terms being non-standardized. Secondly， by analyzing the causal syntactic pattern， a causal relation extraction method based on rule matching is proposed to solve the problem of mixed causal structures. Then， a causal network is constructed to realize the reuse of causal knowledge in QPS Data. Finally， using the quality problem-solving data recorded by an automobile manufacturing enterprise in the process of body-in-white stamping production， a causal network with practical application significance is constructed. And the validity， rationality， and scientificity of the proposed methods are verified. This research can provide extensive and comprehensive support for front-line staff to analyze the cause of the quality problem， help enterprises improve the efficiency of quality problem-solving， and provide enterprises with knowledge management methods for reference. Meanwhile， it contributes to the theories and methods of quality management and knowledge management.

Key words: quality management, quality problem solving data, causal analysis, causal network, automobile manufacturing

中图分类号:

F253.3

王宇彬,党延忠,徐照光. 基于质量问题解决的汉语文本数据的因果网络构建方法[J]. 中国管理科学, 2023, 31(10): 254-265.

Yu-bin WANG,Yan-zhong DANG,Zhao-guang XU. A Causal Network Construction Method Based on Chinese Quality Problem Solving Data[J]. Chinese Journal of Management Science, 2023, 31(10): 254-265.

图/表 11

图1

图2

图3

图4

图5

表1

领域词汇来源集（部分）"

问题/原因初始描述词汇	频次
裂纹	638
褶皱	481
缩颈	376
拉毛	342
皱	295
裂	290
$?$	$?$

表1

表2

词汇误用修正（部分）"

误用词汇	修正后的词汇
列纹	裂纹
列口	裂口
缩径	缩颈
镶快	镶块
$?$	$?$

表2

表3

领域词汇（部分）"

领域词汇	粒度选择	语义聚类	词汇误用修正	问题/原因初始描述词汇
制件裂纹	制件裂纹翻边裂纹	制件裂纹、拉裂、撕裂、开裂、翻边裂纹	裂纹、制件裂纹、拉裂、撕裂、裂、裂开、开裂、裂口、裂、裂个口、翻边裂纹、翻边裂、翻边开裂	裂纹、列纹、制件裂纹、拉裂、撕裂、裂、裂开、开裂、裂口、裂、列口、裂个口、翻边裂纹、翻边裂、翻边开裂、翻边开列
翻边裂纹	制件裂纹翻边裂纹	制件裂纹、拉裂、撕裂、开裂、翻边裂纹	裂纹、制件裂纹、拉裂、撕裂、裂、裂开、开裂、裂口、裂、裂个口、翻边裂纹、翻边裂、翻边开裂	裂纹、列纹、制件裂纹、拉裂、撕裂、裂、裂开、开裂、裂口、裂、列口、裂个口、翻边裂纹、翻边裂、翻边开裂、翻边开列
制件褶皱	制件褶皱	制件褶皱	褶皱、制件褶皱、制件皱、皱纹、皱大、制件皱大、皱	褶皱、折皱、制件褶皱、制件皱、皱纹、皱大、制件皱大、皱
缩颈	缩颈	缩颈	缩颈、制件缩颈	缩径、缩颈、制件缩径、制件缩颈
堵废料	堵废料	堵废料、废料下滑不畅	堵废料、废料不下滑、废料堵死、废料下滑不顺畅、废料下滑缓慢	堵废料、赌废料、废料不下滑、废料堵死、废料下滑不顺畅、废料下滑缓慢
$?$	$?$	$?$	$?$	$?$

表3

表4

质量问题因果关系抽取示意表"

原因部分	因果关联词	结果部分
OP30垫废料	造成	刃口啃伤严重
OP10锌皮脱落	导致	制件压痕
顶料气缸漏气	由于……导致	顶料状态变化
压料不稳定	致使	制件偏移
$?$	$?$	$?$

表4

图6

图7

参考文献 19

1	沈超，王安宁，方钊，等.基于在线评论数据的产品需求趋势挖掘［J］.中国管理科学，2021，29（5）：211-220.
	Shen Chao， Wang Anning， Fang Zhao， et al. Trend mining of product requirements from online reviews［J］. Chinese Journal of Management Science，2021，29（5）：211-220.
2	Xu Zhaoguang， Dang Yanzhong. Automated digital cause-and-effect diagrams to assist causal analysis in problem-solving： a data-driven approach［J］. International Journal of Production Research， 2020， 58（3）：1-21.
3	弗雷德里克·泰勒. 科学管理原理［M］. 北京：机械工业出版社， 2021.
4	Luthra S， Garg D， Agarwal A， et al. Total quality management （TQM）： principles， methods， and applications［M］. Boca Raton： CRC Press： 2020.
5	Asan U， Soyer A. Failure mode and effects analysis under uncertainty： a literature review and tutorial［M］//Kahraman C， Yanik S. Intelligent Decision Making in Quality Management： Theory and Applications. Switzerland： Springer International Publishing， 2015：265-325.
6	Xu Zhaoguang， Dang Yanzhong， Munro P. Knowledge-driven intelligent quality problem-solving system in the automotive industry［J］. Advanced Engineering Informatics， 2018， 38（OCT.）：441-457.
7	Yuen K K F. A hybrid fuzzy quality function deployment framework using cognitive network process and aggregative grading clustering： an application to cloud software product development［J］. Neurocomputing， 2014，142：95-106.
8	Jiang Huimin， Kwong C K， Luo X G. Intelligent quality function deployment［M］//Kahraman C， Yanik S. Intelligent Decision Making in Quality Management： Theory and Applications. Switzerland： Springer International Publishing， 2015：327-362.
9	蒋翠清，王齐林，刘士喜，等.中文社会媒体环境下半监督学习的汽车缺陷识别方法［J］.中国管理科学，2014，22（S1）：677-685.
	Jiang Cuiqing， Wang Qilin， Liushixi， et al. Semi-supervised learning for automobile defect identification in the context of Chinese social media［J］. Chinese Journal of Management Science，2014，22（S1）：677-685.
10	Ellis B， Wong W H. Learning causal bayesian network structures from experimental data［J］. Publications of the American Statal Association， 2008， 103（482）：778-789.
11	苗旺，刘春辰，耿直. 因果推断的统计方法［J］. 中国科学：数学， 2018， 48（12）：26：1753-1778.
	Miao Wang， Liu Chunchen， Geng Zhi. Statistical approaches for causal inference［J］. Scientia Sinica Mathematica， 2018， 48（12）：26：1753-1778.
12	Lee J. Setting the governance of a participatory ecosystem service assessment based on text mining the language of stakeholders' opinions［J］. Journal of Environmental Management， 2021， 284（4）：112003.
13	朱青，卫柯臻，丁兰琳，等.基于文本挖掘和自动分类的法院裁判决策支持系统设计［J］.中国管理科学，2018，26（1）：170-178.
	Zhu Qing， Wei Kezhen， Ding Lanlin， et al. Count judgment decision support system based on text-mining and machine learning［J］. Chinese Journal of Management Science，2018，26（1）：170-178.
14	孙春华，刘业政.电影预告片在线投放对票房的影响——基于文本情感分析方法［J］.中国管理科学，2017，25（10）：151-161.
	Sun Chunhua， Liu Yezheng. The effects of online prelaunch movie trailers on the box office revenue： based on text sentiment analysis method［J］. Chinese Journal of Management Science，2017，25（10）：151-161.
15	Ma Qiuping， Li Hongyan， Thorstenson A. A big data-driven root cause analysis system： application of Machine Learning in quality problem solving［J］. Computers & Industrial Engineering， 2021，160： 107580.
16	Luo Zhiyi， Sha Yuchen， Zhu KQ， et al. Commonsense causal reasoning between short texts［C］//Proceeding of Fifteenth International Conference on the Principles of Knowledge Representation and Reasoning （KR2016）， TownCape， AfricaSouth， April 25-29 AAAI Press， 2016： 421-430.
17	Sato H， Kasahara K， Matsuzawa K. Rertrieval of simplified causal knowledge in text and its application［J］. Technical Report of IEICE， 1999， 98： 27-34.
18	Ishii H， Ma Qiang， Yoshikawa M. Incremental construction of causal network from news articles［J］. Journal of Information Processing， 2012， 20（1）： 207-215.
19	王余行，党延忠，徐照光.针对论坛数据特点的汽车质量问题挖掘［J］.中国管理科学，2021，29（9）：201-212.
	Wang Yuhang， Dang Yanzhong， Xu Zhaoguang. Mining automobile quality problems based on the characteristics of forum data［J］. Chinese Journal of Management Science，2021，29（9）：201-212.

[1]	卢超, 王倩倩, 赵梦园, 闫俊琳. “双积分”政策下汽车制造商竞争定价与减排策略研究[J]. 中国管理科学, 2022, 30(1): 64-76.
[2]	熊勇清, 李小龙, 黄恬恬. 基于不同补贴主体的新能源汽车制造商定价决策研究[J]. 中国管理科学, 2020, 28(8): 139-147.
[3]	陈暮紫, 赵婷婷, 刘承林, 陈敏. 跨部门金融机构系统重要性和共振效应的动态演化研究——基于中国A股市场的实证[J]. 中国管理科学, 2020, 28(4): 36-47.
[4]	孙健慧, 张海波, 赵黎明. 三级装备制造业供应链质量管理行为研究[J]. 中国管理科学, 2018, 26(3): 71-83.
[5]	张斌, 华中生. 供应链质量管理中抽样检验决策的非合作博弈分析[J]. 中国管理科学, 2006, (3): 27-31.
[6]	纪延光, 徐启华, 韩之俊. 基于支持向量机的R&D项目过程质量度量[J]. 中国管理科学, 2004, (6): 62-67.
[7]	林淼, 赵树宽, 王树岭. 系统症结辨识的模糊分析与应用[J]. 中国管理科学, 1997, (2): 22-27.