Page 76 - 计量检测与质量管理探究

Exploration into Metrological Testing and Quality Management
计量检测与质量管理探究

（二）关键技术
1. 多源异构数据处理技术
在专用测试设备计量中，由于数据来源广泛、结构多样，数据类型复杂，使

得这些数据无法互通。通过分布式数据库的构建来融合多源异构的计量校准大数
据，基于数据的结构特征和应用需求，以提高数据的质量和可用性为目标，开展
对多源异构大数据的优质萃取，对多源异构的数据进行清洗、选择和优化，解决
多源异构军事计量大数据“聚而不通”的问题。数据预处理包括消除来自不同数

据库或不同类型数据表示，在数据中加入新的数据项以发现更多的规律，将数据
分为训练集和测试集等方面。由于第一手采集数据都保存在原始记录中，因此，
数据预处理的前提是计量检定的原始记录电子化，并保证数据的完整性和真实可
靠性，为后面的大数据挖掘提供完整、正确的数据源。可针对不同来源、不同结

构的数据的低质性和冗余性，构建数据质量与可信度评估模型 ; 根据数据的结构
特征和表达模型，结合评估模型，研究高效低质数据清洗机制 ; 分析不同来源数
据的应用需求，研究海量信息中高效率的动态选择策略 ; 设计数据底层语义的提
取方案，研究数据的语义冲突消解机制和优化聚集方法。其次，可采用结构化特

征融合的方法对多源数据的特征属性和维度进行提取，再利用矩阵分解、贝叶斯
模型等机器学习建模技术，结合从数据中提取的特征属性，提炼隐含属性的统一
描述。最后对不同特征的多维且时空相关的多源数据进行降维优化，消除错误和
冗余数据。

2. 计量大数据挖掘与分析技术
如何获取专用测试设备计量检定数据潜在信息，实现计量业务辅助决策和专
用测试设备的健康状况分析及故障预测，是军事计量信息系统亟需思考和解决的
问题。利用当前和历史计量数据，综合运用智能评估与大数据分析技术，设计科

学合理的评估指标体系和运行监测方法，采用神经网络来构造计量辅助决策与质
量预测模型，实现专用测试设备性能趋势和计量质量的可视化及数据追溯。为解
决军事系统大量的测试设备运行环境复杂、实时数据量大、影响因素众多等故障
分析难题，可充分利用与设备故障率相关的历史数据（如设备故障记录数据、计

量校准数据），针对数据分析应用场景，不断通过改变分类、聚合和重组等多种
数据分析手段，设计符合其特征的数据挖掘算法（如 K-Means、神经网络、支持
向量机 SVM、决策树等），借助多维度和各检定项的关联规则，挖掘出影响设

68