121 определяющих правила вида X->Y, где X какая-то комбинация значений параметров ТП, a Y факт отклонения значения нормируемого параметра от заданного. После определения всех параметров ТП представляется полезным совместное решение задач кластеризации и классификации. Исходными данными для решения задачи кластеризации может служить тот же гиперкуб, который использовался в процессе поиска ассоциативных правил. Из него извлекаются сведения о фактах выпуска некачественных деталей, для которых строится таксономия отклонений, в которой все факты отклонений соотносятся с тем или иным классом в зависимости от значений параметров ТП. Полученная таксономия может быть использована для решения задачи классификации, когда вновь спроектированный ТП изготовления детали на основании значений своих параметров может быть отнесен к какому-либо ранее определенному классу. Если каждый класс таксономии связан с определенным типом отклонений, то классификация нового ТП позволит технологу сконцентрировать внимание на конкретных параметрах ТП и внести необходимые коррективы. Этапы нормирования труда и подготовки технологической документации, как правило, хорошо формализованы и определены, поэтому не требуют дополнительной поддержки со стороны СППР. Для решения перечисленных выше задач и в соответствии с определением, сформулированным в [98], ХД должно отвечать следующим требованиям: • предметная ориентация. Данные, содержащиеся в ХД, служат для решения конкретных аналитических задач, поэтому должны содержать именно сведения, необходимые для решения задач, в необходимом и достаточном объеме. При этом структуры, содержащие данные, должны быть оптимизированы для скорейшего доступа к данным со стороны приложений, выполняющих аналитическую обработку данных; |
данных можно построить гиперкуб, в котором отражается зависимость между количеством случаев брака и величиной припуска. После расчета режимов резания становится возможным решение задачи поиска ассоциаций. Под ассоциациями в данном случае могут пониматься сочетания самых разных параметров ТП, приводящие с большой вероятностью к выпуску некачественной продукции. С этой целью также может быть использован гиперкуб, содержащий сведения о контроле интересующих параметров у конструктивно сходных деталей. После небольшого преобразования к этим данным возможно применение алгоритмов, определяющих правила вида X->Y, где X какая-то комбинация значений параметров ТП, a Y факт отклонения значения нормируемого параметра от заданного. После определения всех параметров ТП представляется полезным совместное решение задач кластеризации и классификации. Исходными данными для решения задачи кластеризации может служить тот же гиперкуб, который использовался в процессе поиска ассоциативных правил. Из него извлекаются сведения о фактах выпуска некачественных деталей, для которых строится таксономия отклонений, в которой все факты отклонений соотносятся с тем или иным классом в зависимости от значений параметров ТП. Полученная таксономия может быть использована для решения задачи классификации, когда вновь спроектированный ТП изготовления детали на основании значений своих параметров может быть отнесен к какому-либо ранее определенному классу. Если каждый класс таксономии связан с определенным типом отклонений, то классификация нового ТП позволит технологу сконцентрировать внимание на конкретных параметрах ТП и внести необходимые коррективы. Этапы нормирования труда и подготовки технологической документации, как правило, хорошо формализованы и определены, поэтому не требуют дополнительной поддержки со стороны СППР. 83 84 для решения перечисленных выше задач и в соответствии с определением, сформулированным в [71], ХД должно отвечать следующим требованиям: Данные служат для решения конкретных аналитических задач, поэтому должны содержать именно сведения, необходимые для решения задач, в необходимом и достаточном объеме. При этом, структуры, содержащие данные, должны быть оптимизированы для скорейшего доступа к данным со стороны приложений, выполняющих аналитическую обработку данных; интегрированность данных. В информационных подсистемах КИС, процессы и явления описываются, как правило, с точки зрения специалистов соответствующей предметной области. Выявление скрытых закономерностей в данных возможно, напротив, за счет всестороннего рассмотрения какого-либо объекта, выходящего за рамки одной предметной области. Поэтому данные должны поступать в ХД из различных источников. Важной особенностью процесса интеграции является необходимость предварительной «очистки» данных перед помещением их в ХД. «Очистка» данных необходима, поскольку одни и те же атрибуты, описывающие исследуемый объектв разных информационных подсистемах, могут отличаться по способу кодирования, в силу ошибок ввода, сбоев в работе системы и т.д.; инвариантность во времени. Это требование предполагает, что данные, один раз помещенные в ХД, уже никогда не будут изменены. Таким образом, каждая добавляемая в ХД порция информации представляет собой своего рода моментальный снимок данных КИС на момент выполнения операции. И если данные в оперативных подсистемах могут после добавления их в |