WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


На правах рукописи

Ешин Семен Васильевич

Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции

05.02.23 – Стандартизация и управление качеством продукции

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва – 2012

Работа выполнена на кафедре «Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет» Научный руководитель доктор технических наук, профессор Мирошников Вячеслав Васильевич

Официальные оппоненты: Денискин Юрий Иванович доктор технических наук, доцент, проректор по качеству и информатизации ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» Бобрышев Егор Борисович кандидат технических наук, ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского», доцент кафедры «Управление качеством и сертификация» Ведущая организация ФГБОУ ВПО «Юго-Западный государственный университет»

Защита состоится 25 декабря 2012 г. в 14 час. 00 мин. на заседании диссертационного совета Д 212.110.03 в ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского» по адресу 121552, Москва, ул. Оршанская, д. 3, ауд. 308 Б Отзыв на автореферат в двух экземплярах (заверенный печатью) просим направлять по адресу: 121552, Москва, ул. Оршанская, д. 3, ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского», диссертационный совет Д 212.110.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского».

Автореферат разослан 23 ноября 2012 г.

Ученый секретарь диссертационного совета Д 212.110.кандидат технических наук, доцент Одиноков С.А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Предупреждение, поиск и диагностика несоответствий продукции и процессов, их причин и последствий всегда были и остаются одними из актуальных и в то же время достаточно сложных задач, с которыми приходится сталкиваться при производстве продукции. В менеджменте качества продукции для анализа и устранения причин несоответствий в основном применяются экспертные процедуры: причинно-следственные диаграммы (Исикавы), диаграммы связей, методология FMEA и другие. Совокупность этих методов получила название анализа корневых причин, общая идея которого заключается в систематическом поиске и устранении корневых (системных) причин возникающих проблем и несоответствий. Большинство из них могут быть охарактеризованы как субъективные методы структурирования и наглядного анализа экспертной информации о причинах событий, вследствие чего субъективность суждений и информации является их отличительной чертой. Кроме того, ни один из приведенных инструментов не позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий.

В последнее время в исследованиях в области искусственного интеллекта стали применять новый математический инструмент решения подобных задач — причинные Байесовские сети (БС) — вероятностные графические модели, предназначенные для хранения информации о причинно-следственных связях и проведения вероятностных причинно-следственных рассуждений. Хотя БС применяются достаточно широко (машинное обучение, распознавание естественного языка, медицинская диагностика, эпидемиологические исследования, биоинформатика и др.), они не используются для анализа и моделирования причин несоответствий в менеджменте качества продукции.

В этой связи актуальными являются исследования, направленные на создание методов моделирования и автоматизированного анализа причин несоответствий в менеджменте качества продукции (МКП) на основе построения вероятностных моделей — Байесовских сетей, предназначенных для решения таких задач, как диагностика причин, прогнозирование, выбор и/или генерация корректирующих и предупреждающих действий с применением методов теории принятия решений.

Цель и задачи исследования. Цель работы — улучшение качества продукции на основе разработки и применения научно обоснованных методов анализа причин и устранения несоответствий в менеджменте качества продукции.

Для достижения этой цели необходимо решить следующие задачи:

1. Разработать экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети.

2. Разработать методы принятия решения по выбору рациональных корректирующих и предупреждающих действий в МКП.

3. Разработать метод оптимизации корректирующих и предупреждающих действий.

4. Разработать программное обеспечение для поддержки принятия решений, моделирования и анализа причин несоответствий в МКП.

5. Провести опытную проверку и внедрение результатов диссертационного исследования.

Объект и предмет исследования. Объектом исследований являются несоответствия продукции и процессов в системе менеджмента качества организации, их причины и последствия. Предмет исследований — методы формализации и моделирования причинно-следственных связей между несоответствиями, их причинами и последствиями.

Методы исследования. Методологической базой диссертационного исследования являются элементы теории вероятностей и теории графов, математический аппарат причинных Байесовских сетей, элементы теории принятия решений в условиях неопределнности, инструменты менеджмента качества, методология анализа корневых причин, методы объектно-ориентированного проектирования и программирования.

Научная новизна работы состоит в следующем.

1. Впервые разработан экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей, позволяющий проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин.

2. Разработаны методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети (с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств), дающие возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия.

3. Разработан новый метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров (с использованием расширенной метрики для измерения причинно-следственного эффекта), позволяющий путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

Практическая ценность работы состоит в следующем.

1. Разработаны рекомендации по улучшению качества выпускаемой продукции, в частности изоляторов электрических соединителей типа СНП-269 на основе применения Байесовской сети для анализа причин дефектов и несоответствий, возникающих при их изготовлении, позволившие снизить долю брака в 1,68 раза.

2. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler» (на основе предложенных автором методов), позволяющая в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также осуществлять поддержку принятия решений по выбору рациональных корректирующих и предупреждающих действий при производстве сложных технических систем в различных отраслях промышленности.

3. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

4. Результаты исследования были использованы при выполнении научноисследовательских работ по проекту «Повышение качества и конкурентоспособности продукции; совершенствование систем управления качеством на предприятиях» (Государственный контракт № П770 от 20 мая 2010 г.) в рамках реализации ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 – 20годы.

Апробация работы. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь», что позволило получить экономический эффект, составивший около 29 300 руб. в год за счет снижения брака при производстве изоляторов электрических соединителей типа СНП-269.

Программная система «Causal Modeler» официально зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420), на данную систему получено также свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18436).

Работа С.В. Ешина «Анализ и моделирование причин дефектов продукции и процессов с помощью Байесовских сетей» заняла I место в конкурсе на лучшую научную работу молодых ученых и аспирантов вузов Брянской области по естественным, техническим и гуманитарным наукам «Современные научные достижения.

Брянск-2011» в номинации «Физика. Математика».

Основные положения и научные результаты диссертационной работы докладывались на 9-ти международных, всероссийских и региональных конференциях, в том числе «Менеджмент качества продукции и услуг» (г. Брянск, 2010); «Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса» (г. Тольятти, 2010); «Энергетика, информатика, инновации-2011» и «Информационные технологии, энергетика и экономика» (г. Смоленск, 2011); «Качество и инновации — основы современных технологий» (г. Новосибирск, 2012) и др.

Диссертация в полном объеме обсуждена и одобрена на заседаниях кафедр «Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет» (г. Брянск, 2012) и «Управление качеством и сертификация» ФГБОУ ВПО «МАТИ — Российский государственный технологический университет им. К.Э. Циолковского» (г. Москва, 2012).

Публикации. По теме диссертационной работы опубликовано 15 научных работ, в том числе 5 — в рецензируемых журналах и изданиях для опубликования основных научных результатов диссертации.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, основных результатов и выводов, списка использованной литературы, содержащего 132 наименования и 7 приложений. Работа изложена на 153 страницах, содержит рисунков и 14 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определены цель и задачи, изложены научная новизна и практическая ценность работы, сформулированы основные положения, выносимые на защиту.

В первой главе проанализирована задача моделирования причин и устранения несоответствий в МКП. Рассмотрены публикации, посвященные вопросам анализа причин несоответствий, диагностики дефектов и отказов, зарубежных (У.Э. Деминг, Дж. Джуран, К. Исикава, Б. Андерсен, Дж. Смит, Н. Тог, Э. Голдрат); отечественных авторов (Г.В. Панкина, В.Ф. Безъязычный, В.А. Васильев, Б.В. Бойцов, А.Л. Кузнецов, А.В. Глазунов, Б.Н. Гусев, С.В. Пономарев, В.Я. Белобрагин, С.В. Мищенко, М.М. Кане, В.Н. Строителев, С.А. Одиноков, И.В. Червяков, М.Р. Михайлова, Н.С.

Поздеева, Е.С. Аскаров, И.А. Биргер, В.В. Клюев, В.В. Болотин, Ф.Р. Соснин, Е.Б.

Бобрышев, Л.Н. Александровская и др.) и работы исследователей искусственного интеллекта в области причинно-следственных рассуждений и моделирования, а также Байесовских сетей (Дж. Перл, А. Дарвич, П. Спартс, К. Глаймор, Д. Хекерман, Д.

Коллер, Н. Фридман, Т. Верма, А. Тулупьев, С. Терехов, А.Б. Шамшев, У. Кжаерульф, А. Мадсен, М. Нейл, Н. Фентон и др.).

Обзор публикаций по вопросам моделирования и анализа причин несоответствий в МКП показал, что, с одной стороны, в менеджменте качества разработан и используется широкий набор методов и инструментов анализа причин несоответствий, при этом ряд задач, такие как прогнозирование и диагностирование несоответствий и поддержка принятия решений по выбору оптимальных предупреждающих и корректирующих действий, не могут быть решены с помощью этих методов. С другой стороны, последние достижения искусственного интеллекта в области причинноследственного моделирования и рассуждений предлагают алгоритмы и методы решения подобных задач в таких областях, как эпидемиология, медицинская диагностика, биоинформатика и эконометрика. Современным подходом к решению этих задач является использование причинных Байесовских сетей.

На основе проведенного анализа публикаций по рассматриваемой проблеме в конце главы сформулированы цель и задачи диссертационного исследования.

Во второй главе определены методологическая база проведения исследований, объект и предмет исследования. В диссертационном исследовании использовались следующие методы: общие методы исследования (системный подход, принципы объектно-ориентированного проектирования и программирования, методы алгоритмизации, элементы теории вероятностей, теории графов и математической статистики), специальные методы исследования (теория и аппарат БС, Байесовский подход к пониманию вероятности и элементы теории принятия решений в условиях неопределенности) и методы менеджмента качества (основные положения методологии анализа корневых причин, диаграмма связей, правило Парето).

В конце главы определена схема проведения диссертационного исследования.

В третьей главе разработаны научно-методические основы анализа причин и устранения несоответствий в системе менеджмента качества организаций.

Разработка экспертно-статистического метода моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети. Метод предназначен для создания математической модели (Байесовской сети) для анализа связей между причинами и последствиями несоответствий в МКП. Данная модель объединяет в единое целое информацию о причинно-следственных связях, экспертные суждения, а также статистические данные о несоответствиях продукции или процесса. Предлагаемый метод состоит из следующих трех этапов (рис. 1):

Этап 1. Выявление несоответствий, их причин и последствий. Построение предварительной структуры причинно-следственных связей в виде диаграммы связей либо в иной форме.

Этап 2. Построение графа причинной Байесовской сети. На этом этапе на основе данных первого этапа проводится формализация несоответствий, их причин и последствий в виде дискретных случайных переменных, а затем строится ориентированный граф без циклов, вершинами которого являются случайные переменные, а дуги отражают прямые причинно-следственные связи.

Этап 3. Определение априорных условных и маргинальных (безусловных) вероятностных распределений для каждой случайной переменной на основе статистических данных либо экспертным путм с использованием традиционных шкал для оценки субъективных вероятностей.

Основные задачи

автоматизированного анализа причин несоответствий, решаемые с помощью Байесовской сетевой модели. В табл. 1 перечислены сформулированные в диссертации основные типы задач в области анализа причин несоответствий, которые могут быть решены с использованием Байесовской сети (формулы в таблице приведены для справки и не являются авторскими).

2.3. Построение графа завершается. В 1.7. Найти общие факторы – причины Начало итоге получим граф причинной корневых причин, которые соединяют Байесовской сети G с множеством вершин несколько частей графа – случайных переменных V = {Vi} 1.1. Определение цели исследования.

Составление списка несоответствий U, для 1.8. Пересмотр диаграммы и добавление которых требуется провести анализ причин недостающих горизонтальных связей, сокращение числа входящих дуг до 3-5. Случайная Нет Да Следует обратить внимание на вершины, не 1.2. К выбранным несоответствиям U добавить те, переменная V из V имеющие последствий, и при необходимости которые, по мнению эксперта, каким-либо имеет родителей в добавить новые узлы образом связаны с ними графе G? 1.3. Для каждого несоответствия составить Имеется Имеется статистическая список симптомов или других нежелательных В графе отсутствуют Да Нет статистическая информация о реализациях явлений, по которым можно косвенно судить о ориентированные информация о V и е родительских наступлении несоответствия циклы? реализациях V? вершинах PAV? Да Да 1.4. Составить список возможных последствий Нет несоответствий 3.1. Рассчитать 3.2. Рассчитать условное Корректировать структуру причиннораспределение P(V) распределение P(V|PAV) следственных связей для того, чтобы 1.5. Построить диаграмму связей, в которой по формуле по формуле избавиться от циклов вершины отражают несоответствия, их симптомы и последствия, а дуги – отношения прямой причинно-следственной связи 2.1. Каждый i-й узел на диаграмме связей формально описать в виде дискретной Задать распределения P(V) и случайной переменной Vi и задать множество 1.6. Для каждого узла на диаграмме связей P(V|PAV) экспертным путем е значений. Все случайные переменные определить его прямые причины с помощью образуют множество V = {Vi} метода 5W («Пять почему?»). Найденные причины добавляются на диаграмму и связываются с имеющимися вершинами Заданы 2.2. Построить граф Байесовской сети G, в Нет узлы которого поместить случайные распределения для переменные из V. Каждую пару вершин Vi и Vj всех вершин V? соединить дугой вида Vi Vj тогда и только Выявлены тогда, когда Vi является прямой причиной Vj Да корневые причины согласно диаграмме связей. При Нет Проверка адекватности несоответствий? необходимости добавить вспомогательные модели переменные, упрощающие задание таблиц условных вероятностей Да Модель Нет Да адекватна? В графе G отсутствуют Нет Граф связен? ориентированные циклы Да Да Нет Конец Корректировать граф G для того, чтобы избавиться от циклов Рис. 1. Схема экспертно-статистического метода моделирования и анализа причин несоответствий в МКП на основе применения БС Таблица 1. Примеры задач в области анализа причин несоответствий, решаемые с помощью БС Формула для вычислеТип запроса Пример запроса ния запроса Нахождение вероят- Какова вероятность одновременного появности свидетельства ления несоответствия А и несоответствия Б (e)? Определение априор- Какова вероятность несоответствия (xi) при ных маргинальных отсутствии дополнительной информации о вероятностей его причинах? Прогнозирование Какова вероятность несоответствия А (x), (прямой вероятност- если известно, что одна из причин этого ный вывод) несоответствия (e) наступила? Диагностирование Несоответствие А обнаружено (e). Какова (обратный вывод, аб- вероятность того, что наблюдалась также дукция) одна из его причин (x)? Межпричинный Несоответствие А обнаружено (e). Известно (смешанный) вывод также, что одна из причин этого несоответствия наступила (e). Какова вероятность того, что наступила еще и причина Б (x)? Вычисление наиболее К какой наиболее вероятной конфигурации вероятного объясне- сети (mpe) приведет наступление причин А ния (MPE) и Б (e)? Вычисление апосте- К каким наиболее вероятным несоответриорного максимума ствиям (map) из заданного множества (Z) (MAP) приведет наступление причин А и Б (e)? Поиск причин наблю- Какие причины ( ) из некоторого заданноz даемых событий го множества (Z) приведут к наибольшей вероятности несоответствия А (e)? Запросы с вмешатель- Какой станет вероятность несоответствия А ством (interventional (y), если устранить (предпринять корректиqueries) рующее или предупреждающее действие) одну из его причин — причину Б ( )? Обозначения к табл. 1: P(·) — функция полного совместного распределения над множеством всех случайных переменных сети V={V1, V2, …}; S1, S2, S3 — множества случайных переменных, такие, что S1 = V \ E, S2 = V \ {Xi}, S3 = V \ (X E); s1, s2, s3 — возможные конфигурации (реализации) соответствующих множеств S1, S2, S3; E — множество переменных свидетельства (наблюдаемые переменные, получившие означивание); e — возможная конфигурация E; Xi — случайная V переменная сети; xi — возможное значение переменной Xi; X V — множество случайных переменных запроса; x — возможная конфигурация X; X = V \ E — множество всех переменных, кроме переменных свидетельства; x'— возможная конфигурация X ; Z (V \ E) — множество переменных поиска; z — возможная конфигурация Z; и — две различные случайные переменные; X — переменная вмешательства;, — соответствующие значения и ; do(·) — оператор вмешательства (action operator); — интервенциональное распределение, соответствующее вмешательству.

Разработка методов принятия решений по выбору корректирующих и предупреждающих действий. Задача принятия решения (ЗПР) по выбору коррекций, корректирующих и предупреждающих действий — это задача, которая заключается в выборе лицом, принимающим решение (ЛПР), наилучшего действия A* (если таких действий несколько, речь идет о множестве наилучших альтернатив A* = {A*i}, являющихся неразличимыми по предпочтению, т.е. равноценными для ЛПР) из множества всех альтернатив A в составе кортежа из четырех элементов, где — множество произвольно упорядоченных булевых случайных переменных, являющихся несоответствиями,, при этом каждая случайная переменная Xj = {xj1, xj2} принимает только два значения, где xj1 = ИСТИНА означает наступление несоответствия, а xj2 = ЛОЖЬ означает ненаступление несоответствия Xj; V — множество переменных Байесовской сети ;

A = {Ai} — множество альтернатив, каждая из которых является коррекцией, корректирующим (предупреждающим) действием для несоответствия Xj из X, при этом каждой альтернативе Ai соответствует вмешательство do( ), т.е. Ai = do( ), { y, y}; O = {Oi} (существуют атомарные (воздействие на одну переменную, do(y) и do(x2)) и составные (воздействие на множество переменных, do(y)) вмешательства) — множество исходов, при этом каждой альтернативе Ai соответствует исход Oi (имеется функция g: Ai Oi — детерминированное соответствие между выбранной альтернативой Ai и ее исходом Oi, ). Каждый исход Oi представляет собой многомерную случайную величину (лотерею) с распределением вероятностей, которая является произвольно упорядоченным вектором одномерных случайных величин X = {Xj} = {X1, X2, …, Xn}; — критерий принятия решения (целевая функция), задающий отношения предпочтения на множестве альтернатив по следующему правилу:, где — отношение строгого предпочтения ЛПР, заданное на множестве альтернатив A, которое выполняется тогда и только тогда, когда исход Oi альтернативы Ai лучше исхода Oj альтернативы Aj с точки зрения ЛПР (т.е. ). Кроме того равнозначны с точки зрения отношения, если, где — отношение неразличимости, причем.

Для решения поставленной ЗПР необходимо: первое — дать математическую формулировку понятий «коррекция», «корректирующее» и «предупреждающее действие», второе — перейти от вероятностей лотереи к вероятностям в Байесовской сети и третье — определить критерий принятия решений.

Поскольку исход Oi представляет собой многомерную случайную величину с распределением вероятностей, которая является произвольно упорядоченным вектором одномерных случайных величин X = {Xj} = {X1, X2, …, Xn}, то вероятность некоторого многомерного наблюдения x (x — конфигурация X) случайной величины Oi равна (Oi = ) = P( | do( )), где P(·) — функция полного совместного распределения для причинной Байесовской сети . Введенная формула позволяет перейти от неизвестной вероятности выигрыша лотереи к известному полному совместному распределению Байесовской сети P.

Формальные определения коррекции, корректирующего и предупреждающего действий даны в диссертации следующим образом. Пусть — причинная Байесовская сеть с причинным графом G и полным совместным распределением P(v) над множеством переменных V. Булеву случайную переменную X, X V, X = {x1, x2}, где x1 = ИСТИНА означает наступление несоответствия, а x2 = ЛОЖЬ означает ненаступление несоответствия, будем называть несоответствием. В этом случае коррекция может быть формально определена следующим образом.

Коррекция. Пусть — причинная Байесовская сеть с причинным графом G и полным совместным распределением P(v) над множеством переменных V.

Пусть X V, X = {x1, x2} — несоответствие. Атомарное вмешательство называется коррекцией для несоответствия X.

Атомарное корректирующее (предупреждающее) действие. Пусть — причинная Байесовская сеть с причинным графом G и полным совместным распределением P(v) над множеством переменных V. Пусть X V, X = {x1, x2} — несоответствие. Пусть Y — случайная переменная, Y V, Y X, причем существует ориентированный путь из Y в X в графе G (т.е. Y является причиной X). Атомарное вмешательство, где y — значение Y, называется атомарным корректирующим (предупреждающим) действием для случайной переменной X, если выполняется хотя бы одно из условий:

1) P(x1 | do(y)) = 0 (несоответствие устранено), или 2) P(x1 | do(y)) < P(x1) (вероятность несоответствия X снизилась после предпринятия действия do(y)).

Составное корректирующее (предупреждающее) действие. Пусть — причинная Байесовская сеть с причинным графом G и полным совместным распределением P(v) над множеством переменных V. Пусть X V, X = {x1, x2} — несоответствие. Пусть Y = {Yi} = {Y1, Y2, …, Yn}, Y V, X Y — множество случайных переменных, причем из каждой вершины Yi Y существует ориентированный путь в X в графе G (т.е. Y — множество причин X). Составное вмешательство do(y), где y — конфигурация Y, называется составным корректирующим (предупреждающим) действием для случайной переменной X, если выполняется хотя бы одно из условий:

1) P(x1 | do(y)) = 0, или 2) P(x1 | do(y)) < P(x1).

Автором в диссертации предложены два критерия принятия решений: первый основан на критерии вероятностной гарантии, второй — на критерии ожидаемой полезности.

Критерий вероятностной гарантии для рассматриваемой задачи имеет вид где — целевая конфигурация X, означающая ненаступление несоответствий, ; = ЛОЖЬ означает ненаступление несоответствия Xj из X. Или, другими словами, представляет собой событие, отражающее ненаступление всех несоответствий из X; { | } — целевое событие «совместное ненаступление всех несоответствий X», вероятность которого максимизируетcя;

— корректирующее (предупреждающее) действие, соответствующее альтернативе Ai; t0 — минимальное значение вероятности события { | }, которое требуется гарантированно достичь;.

Оптимальное корректирующее (предупреждающее) действие A* принадлежит множеству недоминируемых альтернатив A*, которое находится с помощью процедуры максимизации:

Критерий ожидаемой полезности для рассматриваемой задачи имеет вид, где — ожидаемая полезность лотереи ;

— многомерная лотерея, представляющая собой исход альтернативы Ai; xs — конфигурация X, X — множество несоответствий; u( ) — многомерная функция полезности, которая каждой конфигурации множества X ставит в соответствие некоторое значение полезности u( ); u(Ai) — стоимость предпринятия коррекции, корректирующего (предупреждающего) действия Ai, причем u(Ai) и u( ) измеряются в единой шкале (как правило, u(Ai) 0 — функция потерь); — функция полного совместного распределения для причинной Байесовской сети .

Оптимальное корректирующее (предупреждающее) действие А* принадлежит множеству недоминируемых альтернатив А*, которое находится с помощью процедуры максимизации:

Разработка метода оптимизации корректирующих и предупреждающих действий. Под оптимизацией корректирующих и предупреждающих действий будем понимать следующее: имеется множество управляемых причин несоответствий (параметров модели); производится варьирование значениями переменных из этого множества, причем каждый вектор значений представляет собой отдельное корректирующее (предупреждающее) действие. Необходимо среди всех возможных комбинаций управляемых параметров (векторов значений) выбрать такую, которая максимизирует целевую функцию f. В диссертации дана следующая формальная постановка этой задачи. Задачей оптимизации корректирующих и предупреждающих действий называется кортеж из пяти элементов, где Y — множество управляемых параметров модели, представляющих собой варьируемые случайные переменные в причинной Байесовской сети , ;

— множество несоответствий в этой сети,,, а любая Yk Y является причиной хотя бы одного несоответствия из X, т.е., где — ориентированный путь из Yk в Xj в графе G; — целевая функция;

— конфигурация Y; — критерий поиска (max или min); — множество ограничений.

Решение задачи оптимизации заключается в нахождении такой конфигурации y*, принадлежащей множеству оптимальных конфигураций Y*, при которой целевая функция f стремится к максимуму или минимуму (в зависимости от критерия поиска ), т.е.

где ( ) — множество всех различных полных и неполных конфигураций Y.

В диссертации предложены два типа целевых функций, основанных на критериях вероятностной гарантии и ожидаемой полезности. Ниже приведен предложенный автором алгоритм оптимизации предупреждающих действий.

Вход: целевая функция ; критерий поиска ; множество ограничений.

Выход: множество оптимальных конфигураций, представляющих собой оптимальные предупреждающие действия.

1. Определение множества оптимизируемых несоответствий X и управляемых (варьируемых) переменных Y.

2. Сокращение размера множества управляемых переменных до множества ;

3. Генерация множества всех возможных различных полных и неполных конфигураций множества,, удовлетворяющих ограничениям С.

4. Выполнение процедуры максимизации функции по аргументу над множеством при и получение множества оптимальных конфигураций.

В четвертой главе приводится описание разработанной автором программной системы вероятностного моделирования и анализа причин несоответствий «Causal Modeler», а также результаты моделирования процесса внедрения системы менеджмента качества с использованием Байесовских сетей и разработанной программной системы. Проведен анализ причин таких несоответствий при внедрении СМК, как рассмотрение СМК сотрудниками как помехи по отношению к основной деятельности; выделение ресурсов на внедрение СМК по остаточному принципу;

отсутствие у сотрудников стимула внедрять СМК; сопротивление переменам, необходимым для успешной работы СМК; отсутствие приверженности принципам менеджмента качества и др. На основе предложенного метода оптимизации было сгенерировано оптимальное предупреждающее действие, направленное на устранение указанных несоответствий.

В пятой главе приведены результаты опытной проверки и внедрения результатов диссертационного исследования, включая результаты анализа и моделирования причин дефектов изоляторов электрических соединителей типа СНП-269 с помощью Байесовских сетей и оценку возможного экономического эффекта от внедрения результатов диссертационного исследования.

Разработка Байесовской сети для анализа и моделирования причин дефектов изоляторов электрических соединителей СНП-269. На заводе «Электродеталь» автором совместно с группой экспертов, включающей главного технолога, инженера-технолога бюро пластмасс, контролера ОТК и рабочих завода, была разработана БС для анализа причин дефектов пластмассовых изоляторов прямоугольных электрических соединителей СНП-269, состоящая из 41-й вершины — булевой случайной переменной и 46-ти дуг (рис. 2). Разработанная модель позволяет проводить автоматизированную диагностику и прогнозирование причин дефектов. В табл.

2 приведены результаты поддержки принятия решений по выбору рационального корректирующего действия с использованием БС и критерия вероятностной гарантии с t0 = 0,7.

Результаты диссертационного исследования были внедрены на ОАО «Карачевский завод «Электродеталь». С помощью модели (рис. 2) был осуществлен выбор оптимального корректирующего действия (табл. 2), реализация которого привела к снижению доли брака при производстве изоляторов в 1,68 раза (с 2 756 до 1 6дефектных изделий в год), экономия от снижения брака по этому типу продукции составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год.

Таблица 2. Результаты выбора оптимального корректирующего действия До принятия А1 А2 А3 А4 Ак Несоответствие решений Апостериорные вероятности (%) 1 2 3 4 5 6 Брак (X35 = ИСТИНА) 13,05 10,14 11,82 12,01 11,89 6,Усадка (X4 = ИСТИНА) 1,32 1,32 1,32 1,32 0 Сколы (X1 = ИСТИНА) 8,48 5,43 7,19 7,38 8,48 2,Запилы (X3 = ИСТИНА) 0,79 0,79 0,79 0,79 0,79 0,Несоответствие чертежу (X2 = ИСТИНА) 1,80 0,1 1,80 1,80 1,8 0,Цель: отсутствие брака, 86,95 89,86 88,18 87,99 88,11 93,(P(X35 = ЛОЖЬ | Ai) max) Примечания к табл. 2: жирным шрифтом выделены наилучшие значения; А1 — ужесточить входной контроль качества форм и материала ПКЛСВ30, A1 = do(X19 = ЛОЖЬ, X32 = ЛОЖЬ); А2 — ужесточить контроль технологических режимов литья, А2 = do(X6 = ЛОЖЬ); А3 — периодически проверять полировку формы, А3 = do(X20 = ЛОЖЬ); А4 — разработать тестовую форму для измерения усадки, А4 = do(X25 = ЛОЖЬ); Aк — контрольное мероприятие для проверки модели принятия решений, включающее все перечисленные действия, Aк = do(X19 = ЛОЖЬ, X32 = ЛОЖЬ, X6 = ЛОЖЬ, X20 = ЛОЖЬ, X25 = ЛОЖЬ). Вывод: наилучшей альтернативой признано корректирующее действие А1. Принятие этого действия предположительно приведет к снижению доли брака с 13,до 10,14%, сколов с 8,48 до 5,43%, несоответствий чертежу с 1,80 до 0,1%.

X20 XКД Форма Недостаточный Дефект полиНерегулярные износилась Дефект формы входной контровки формы по проверки по вине инстру1,5% 1,5% роль качества вине инструкачества формы ментального цеха оснастки ментального цеха 80% 80% Х 80% 0% 2% 2% 2% 2% Ст.

Сдельная оплата Ст.

Х Допущен износ труда Х формы Ст.

100% 100% 1,2% 1,2% Халатность Недостаточная настройщика + смазка формы Цель рабочего – автомата + произвести как можно 0,5% 0,5% 0,5% 0,5% больше деталей Плохая 94,1% 94,1% XКД полировка формы Перекос формы Недостаточный + Рабочий нарушает режим входной конт2,9% 0,1% 2,2% 0,6% литья (темпер., давл.), роль качества чтобы ускорить время материала Плохое снятие с Неотрегулиропроизводства изолятора формы ванная пила 10% 0% 1,4% 1,4% 6,4% 0,8% 0,5% 0,5% Дефект Ст.

материала XНарушение Ст.

1% 1% Х режима литья XСколы + 1,4% 1,4% 8,5% 5,4%Ст. + Низкая XНевозможно Ст.

квалификация Химсостав мате- Дефект пластопределить, рабочего (пила) Несоответствие риала невоз- массы (усадка не будет ли усадка чертежу можно проверить соответствует соответствовать 0,7% 0,7% на заводе норме) норме 1,8% 0,1% Ст.

100% 100% 98% 98% 1,3% 1,3% Ст.

Запилы, зарезы Другие X25 Ст.

0,8% 0,8% Усадка причины брака ОБОЗНАЧЕНИЯ XВ производство материала не 3,5% 3,5% Название допущен матери- соответствует переменной ал с несоответст- усадке, заложенАпостериорные + вующей усадкой ной в конструк- Ст.

вероятности 2,3 + наступления событий цию формы (истинности) 1,3% 1,3% XСт. Ст.

1,3% 1,3% До предупреждающ.

действия Усадка БРАК Логическое «ИЛИ» Переменная участвует в КД После предупрежд. Причинно3 6 1,3% 1,3% 13% 10,1% корректирующем действии действия следственная связь Накоплена статистика или Символьное обоз- Ст. Xвероятность достоверно 4 Логическое «И» начение переменной известна Рис. 2. Байесовская сеть для анализа и моделирования причин дефектов изоляторов СНП-2ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ 1. Разработаны новые методы анализа, моделирования и устранения причин несоответствий продукции на основе применения Байесовских сетей, имеющие существенное значение для развития теории и практики управления качеством на отечественных предприятиях. Применение данных методов при производстве изоляторов электрических соединителей типа СНП-269 позволило снизить долю брака в 1,68 раза.

2. Экспертно-статистический метод моделирования и анализа причин несоответствий в менеджменте качества продукции на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей позволяет проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин при производстве сложных технических систем в различных отраслях промышленности.

3. Методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств дают возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия продукции.

4. Метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров позволяет путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

5. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

6. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler», в которой реализованы предложенные автором методы и которая позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также обосновывать принятие решений по выбору рациональных корректирующих и предупреждающих действий. Система «Causal Modeler» зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420), на данную систему также получено свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18436).

7. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь». Экономия от снижения брака при производстве изоляторов электрических соединителей типа СНП-269 составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год По теме диссертации опубликованы следующие научные работы В ведущих рецензируемых журналах, рекомендуемых ВАК:

1. Мирошников В.В, Ешин С.В. Анализ причин дефектов продукции с помощью байесовых сетей // Качество, инновации, образование. – 2011. – №8. – С. 54–61.

2. Ешин С.В. Алгоритм выявления причинно-следственных связей на основе эмпирических данных // Вестн. БГТУ. – 2012. – № 1(33). – С. 115–124.

3. Мирошников В.В., Ешин С.В. Методика построения байесовой сети для анализа причин дефектов продукции и процессов // Вестн. БГТУ. – 2011. – №2(30). – С. 93–100.

4. Мирошников В.В., Ешин С.В. Методы принятия решений по выбору оптимальных корректирующих и предупреждающих действий в системе менеджмента качества // Вестн. БГТУ. – 2012. – №2(34). – С. 113–122.

5. Подвесовский А.Г., Ешин С.В. Применение байесовых сетей в задачах анализа и прогнозирования спроса // Вестн. БГТУ. – 2011. – №1(29). – С. 61–70.

В других изданиях:

6. Eshin S. Recovering causal Bayesian network structure using information about causal hierarchies // The Advanced Science Journal. – 2011. – №4. – P. 46–50.

7. Мирошников В.В., Ешин С.В. Применение байесовых сетей доверия для моделирования качества процессов проектного менеджмента // Менеджмент качества продукции и услуг: материалы 3-й Междунар. науч.-техн. конф. (27-28 апр.

2010 г., г. Брянск) / под ред. О.А. Горленко: в 2 т. – Брянск, 2010. – Т. 1 – С. 48–52.

8. Ешин С.В. Алгоритм выявления причинно-следственных связей в статистических данных // Материалы III Международной научно-практической конференции «Достижения молодых ученых в развитии инновационных процессов в экономике, науке, образовании»: в 2 ч. / под ред. И.А. Лагерева. – Брянск, 2011. – Ч.1. – С. 161–163.

9. Ешин С.В. Анализ и моделирование причин дефектов электрических соединителей с помощью байесовых сетей // Эффективность и качество в машиностроении и приборостроении: материалы второй международной научнотехнической конференции (г. Карачев, 23-25 сентября 2011 г.) / под общ. ред. Ю.С.

Степанова. – Орл, 2011. – С. 92–99.

10. Ешин С.В. Моделирование и анализ причин дефектов технологических процессов с помощью байесовых сетей // Информационные технологии, энергетика и экономика: сб. трудов 8-й Межрег. (Междунар.) науч.–техн. конф. студентов и аспирантов (г. Смоленск): в 3 т. – Смоленск, 2011. – Т. 1. – С. 130–135.

11. Ешин С.В. Процессно-проектный подход к разработке систем менеджмента качества в организациях //Материалы Международной научно-практической конференции «Достижения молодых ученых в развитии инновационных процессов в экономике, науке, образовании» / под ред. И.А. Лагерева. – Брянск, 2010. – С. 78–80.

12. Ешин С.В. Применение байесовых сетей доверия для прогнозирования характеристик систем менеджмента качества // Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса: сборник материалов Всероссийской научнопрактической конференции, Тольятти, 3-5 марта 2010 г. / отв. ред. Е.В. Никифорова.

В 2 т. — Тольятти, 2010. — Т. I. – Ч. 2. — С. 65-68.

13. Ешин С.В. Вероятностное моделирование процесса разработки систем менеджмента качества в организациях // Материалы Региональной научной конференции студентов и аспирантов «Достижения молодых ученых Брянской области»: посвящ. 80-летию Брянского государственного технического университет / под ред.

И.А. Лагерева. — Брянск, 2010. — С. 164-166.

14. Мирошников В.В., Ешин С.В. Алгоритм автоматического построения байесовой сети на основе данных о дефектах технологических процессов и продукции // Энергетика, информатика, инновации-2011 – ЭИИ-2011: сб. трудов Междунар.

науч.-техн. конф.: В 2 т. Т. 2. Секции 3, 4, 5. – Смоленск: РИО фил. МЭИ(ТУ), 2011.

– С. 77–81.

15. Ешин С.В. Автоматизированная система моделирования причин несоответствий в интегрированных системах менеджмента качества Causal Modeler // Качество и инновации – основа современных технологий: сб. тр. Всерос. науч.-практ.

конф. – Новосибирск, 2012. – С. 193–198.

Ешин Семен Васильевич РАЗРАБОТКА МЕТОДОВ АНАЛИЗА ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ 05.02.23 – Стандартизация и управление качеством продукции Автореферат диссертации на соискание ученой степени кандидата технических наук Подписано в печать 20.11.2012. Формат 60х84 1/16. Печать офсетная.

Бумага офсетная. Печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ 315. Бесплатно Издательство Брянского государственного технического университета 241035, Брянск, бульвар 50-летия Октября, 7, БГТУ. 58-82-Лаборатория оперативной полиграфии БГТУ, ул. Институтская,







© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.