WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

На правах рукописи

ИВАХНЕНКО АНДРЕЙ МИХАЙЛОВИЧ

Научные основы КОМПЛЕКСНОЙ автоматизации и моделирования ХАРАКТЕРИСТИК ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В СИСТЕМЕ КОНТРОЛЯ КАЧЕСТВА ПРОДУКЦИИ ПРОМЫШЛЕННОГО ПРОИЗВОДСТВА

Специальность 05.13.16 Автоматизация и управление технологическими  процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

доктора  технических наук

Москва - 2008

Работа выполнена на кафедре «Автоматизированные системы управления» в  Государственном образовательном учреждении высшего профессионального образования  Московском автомобильно-дорожном институте (государственном техническом университете)

Официальные оппоненты:

доктор технических наук, профессор

       СУВОРОВ Дмитрий Наумович, профессор МАДИ(ГТУ)

доктор технических наук, доцент

БАЛДИН Александр Викторович,

профессор МГТУ им.Н.Э.Баумана

доктор технических наук, доцент

ПОПОВ Дмитрий Иванович,

профессор Московского государственного университета печати

Ведущая организация: Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АП), г.Москва.

Защита состоится 4 ноября 2008г.  в 10.00 на заседании диссертационного совета  Д212.126.05 Московского автомобильно-дорожного института (государственный технический университет) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.

С диссертацией можно ознакомиться в библиотеке МАДИ(ГТУ)

Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического университета):www.madi.ru 

Автореферат разослан  _____________________ 2008г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института

Ученый секретарь

диссертационного совета,

кандидат технических наук, доцент                                Михайлова Н.В.

Общая характеристика работы

Актуальность проблемы

В деятельности промышленных предприятий повышение эффективности производственных процессов реально достижимо за счет внедрения систем контроля качества готовой продукции, и пригодности технологических процессов, их интеграции с общим менеджментом качества и администрированием. Причины изменений качества бесчисленны и их воздействие различно. Некоторые из них сильно влияют на изменение качества, в то время как другие, теоретически считающиеся важными, на самом деле не оказывают существенного воздействия, если должным образом контролируются. Существует много методов оценки качества. Некоторые полагаются на интуицию, другие опираются на прошлый опыт, третьи прибегают к статистическому анализу данных. Однако для повышения качества изделий важен не столько годами накопленный опыт, сколько сильное желание руководства к получению объективных оценок реальной производственной ситуации с использованием статистики и статистических методов. Их использование позволяет перейти к разработке новых технологий контроля качества производственных процессов. Многие ведущие фирмы стремятся к их активному использованию, и некоторые из них тратят более ста часов ежегодно на обучение этим методам, осуществляемое в рамках самой фирмы. Хотя знание статистических методов - часть нормы, само знание еще не означает умения применить его. Способность рассматривать события с точки зрения статистики, важнее, чем знание самих методов.

Диссертация посвящена решению проблемы автоматизации контроля качества непрерывных производственных процессов, и созданию открытого программно-моделирующего комплекса для повышения эффективности управления производственными процессами за счет внедрения систем менеджмента качества продукции. Указанные обстоятельства предопределяют актуальность настоящей диссертационной работы, ориентированной на решение важной народно-хозяйственной проблемы автоматизации контроля качества непрерывного производственного цикла.

Цель и основные задачи исследования

Целью настоящей диссертационной работы является повышение эффективности производственного цикла промышленных предприятий за счет комплексной автоматизации процессов контроля качества продукции и параметров технологических процессов.

В соответствии с поставленной целью в диссертации решаются следующие задачи:

  • исследование методов и моделей оценки качества готовой продукции и параметров технологических процессов;
  • анализ, разработка и систематизация методов и моделей, основанных на использовании карт контроля качества;
  • формализация методики обработки и анализа статистических данных о качестве изделий;
  • разработка выборочных планов контроля качества последовательного типа;
  • разработка методов моделирования переходных процессов оценки качества продукции, связанных со старением агрегатов;
  • создание методов и моделей проведения экспертных оценок качества продукции и пригодности технологических процессов;
  • разработка моделей темпоральной логики в системе поддержки принятия решений по контролю качества;
  • разработка базы данных качества изделий;
  • разработка программно-моделирующего комплекса гибридной системы поддержки принятия решений по контролю и управлению качеством.

Методы исследования

Теоретической основой диссертационной работы являются общая теория систем, методы оптимизации, случайные процессы, имитационное моделирование, исследование операций, регрессионный анализ, дисперсионный анализ и другие.

Научная новизна

Научную новизну работы составляют методы, модели и методики автоматизации контроля качества продукции и параметров технологических процессов промышленного производства.

На защиту выносятся:

  • методика анализа статистических данных качества продукции;
  • выборочные планы контроля качества последовательного типа;
  • модели переходных процессов оценки качества продукции;
  • модели темпоральной логики в системе поддержки принятия решений в системе контроля качества;
  • база данных по контролю качества изделий;
  • программно-моделирующий комплекс гибридной системы поддержки принятия решений по контролю и управлению качеством.

Достоверность научных положений, рекомендаций и выводов

Обоснованность научных положений, рекомендаций и выводов, изложенных в работе, определяется корректным использованием современных математических методов, согласованным сравнительным анализом аналитических и экспериментальных зависимостей. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения разработанных методов и моделей в ряде крупных организаций.

Практическая ценность и реализация результатов работы

Научные результаты, полученные в диссертации, доведены до практического использования. Разработан программно-моделирующий комплекс, позволяющий в интерактивном режиме использовать оперативные данные о качестве технологических процессов для принятия решений по выбору стратегий реорганизации производственных процессов. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ЗАО НПВФ «СВАРКА», ЗАО «Асфальтобетонный завод№1» (ЗАО «АБЗ-1»), ЗАО «КВИНТМАДИ», а также используются в учебном процессе МАДИ(ГТУ).

Результаты внедрения и эксплуатации подтвердили работоспособность и эффективность разработанных методов.

Апробация работы

Содержание разделов диссертации докладывалось и получило одобрение:

  • на международных, республиканских и межрегиональных научно-технических конференциях, симпозиумах и семинарах (1998-2008 гг.);
  • на совместном заседании кафедр «Автоматизированные системы управления» и «Менеджмент» МАДИ(ГТУ).

Содержание работы

Структура работы соответствует списку перечисленных задач и содержит описание разработанных методов, моделей и алгоритмов.

В первой главе диссертации проводится анализ методов и моделей автоматизации контроля качества технологических процессов и готовой промышленной продукции. Анализ состояния производственных процессов на промышленных предприятиях с непрерывным производственным циклом показал, что в настоящее время не в полной мере используются современные методы контроля качества, основанные на использовании динамических карт контроля качества и экспертных систем, учитывающих систему правил вывода на основе темпоральных логик.

Существует два обстоятельства, наиболее сильно влияющих на качество продукции: отклонения от плановых спецификаций и  слишком высокая изменчивость реальных характеристик изделий относительно плановых спецификаций. На ранних стадиях отладки производственного процесса для оптимизации этих двух показателей качества часто используются методы планирования эксперимента, причем изменчивость или вариабельность - причина дефектов. Вне зависимости от того, сколько изделий будет изготовлено, все они должны быть идентичными, пока идентичны показатели технологического процесса, т.е. либо все изделия будут соответствовать требованиям, либо не будут им соответствовать. Все изделия окажутся дефектными, если материалы, станки, методы изготовления или контроля будут ненадлежащими. В этом случае неизбежно появление одинаковых дефектных изделий. Если же никаких отклонений в перечисленных условиях производства не будет, то все изделия должны быть "идентичными" - бездефектными.

В диссертации проведена классификация карт контроля качества, которые предлагается использовать для динамической идентификации характеристик качества изделий и технологических процессов. Функционал основных контрольных карт для оценки изменчивости производственного процесса представлен в табл.1.

При этом все виды карт контроля качества дают информацию, необходимую для принятия решений по переналадке технологического процесса. Каждая карта рассматривается как некоторый показатель оценки качества, однако интерпретация всех показателей для решения вопроса об изменении технических характеристик (переналадке, замене, установке новых агрегатов и др.) формулируется как задача экспертного оценивания качества в условиях многокритериальности.

В качестве базовой методологии оценки качества в работе предлагается использовать концепцию «Шесть Сигма», которая основана на эмпирическом подходе управляемом данными (процедура акцентирована на использование количественных данных о том, как протекает технологический процесс). Процесс реализации проекта улучшения качества в рамках концепции «Шесть Сигма» можно условно разделить на фазы: Определить (определение целей проекта и выявление ключевых вопросов, на которые необходимо обратить внимание, чтобы достичь большего уровня сигма); Измерить (сбор информации о текущем положении дел, получение ключевых данных о производительности процесса и оценка масштабов проблем);  Анализировать (выявление основных причин проблем с качеством и подтверждение результатов с использованием соответствующих средств анализа данных); Улучшить (применение специальных средств устранения проблем (основных причин), выявленных на предыдущем этапе); Управлять (оценка результатов предыдущей фазы  и наблюдение за текущим процессом).

Таблица

1.

Функционал карт контроля качества

Карта

Функционал

X-bar

Контроль отклонений от среднего значения непрерывной переменной.

X

Кроме выборок, состоящих из нескольких наблюдений, X-карты могут быть построены  для отдельных наблюдений, полученных в ходе производственного процесса.

Контрольная карта экспоненциально взвешенного скользящего среднего.

CUSUM

Вместо отдельных наблюдений фиксируется накопленная сумма отклонений отдельных измерений от центральной линии или спецификации для обнаружения малых постоянных сдвигов производственного процесса.

R

Контроль за степенью изменчивости непрерывной величины (в контрольной карте этого типа наносятся значения размахов выборок).

MR

В паре с картами X и CuSum используется для контроля за изменчивостью переменной.

S

Рассматриваются значения выборочных стандартных отклонений.

S2

Контроль изменчивости выборочных дисперсий.

C

В предположении, что дефекты контролируемой характеристики встречаются сравнительно редко, контрольные пределы рассчитываются на основе свойств Распределения Пуассона.

U

Не требуется постоянство числа единиц проверяемых изделий, поэтому ее можно использовать при анализе партий различного объема. Строится график относительной частоты дефектов.

Np

Контрольные пределы рассчитываются на основе биномиального распределения, а не распределения редких событий. Строится график для числа дефектов.

P

Контрольные пределы находятся на основе биномиального распределения. Строится график процента обнаруженных дефектных изделий.

В работе  показано, что традиционные методы поиска решений по реорганизации производственной деятельности в связи с падением качества выпускаемой продукции недостаточно эффективны для динамических сред и в данном случае предлагается использовать механизмы вывода временной логики с часами и логику умолчаний. Временные умолчания при этом имеют вид:

,

(1)

где A и B -  формулы временной логики, причём B - формула, имеющая ровно одно вхождение некоторого одноместного предикатного символа. Умолчания, определённые таким образом, соответствуют классу так называемых нормальных умолчаний в обычных логиках умолчаний, для которых гарантировано существование расширений. Временная теория с умолчаниями определяется как четверка:

Δt=<P, ck, Dt, Ft >,

(2)

где P - множество всех предикатных символов, встречающихся в элементах множеств Dt и Ft; ck  - оператор присваивания часов, т.е. отображение из множества P в множество всех часов ck; Dt - множество временных умолчаний; Ft=Rules∪Events, где Rules и Events - непересекающиеся множества формул временной логики, такие, что формулы, входящие в множество Rules, имеют вид A⊃B, где A и B - любые замкнутые формулы, а формулы, входящие в множество Events, имеют вид first next [n] p(e1,..., ek), где n - натуральное число, меньшее или равное числу моментов времени на часах формулы p(e1,..., ek),  p - k-местный предикатный символ; e1,...,ek - термы, не имеющие вхождений индивидных переменных.

Таким образом, рассуждения, формализуемые во временной логике, это рассуждения о процессе, эволюционирующем во времени и знания о котором неполны, но пополняются и изменяются по мере поступления новых частных фактов, выражаемых формулами, входящими во множество Events соответствующей временной теории с умолчаниями. При этом операционные знания об этом процессе не меняются во времени. Их можно подразделить на надёжные, выражаемые формулами из множества Rules, и правдоподобные, выражаемые при помощи временных умолчаний.

Проведенный в работе анализ выделил два вида влияния новых информационных технологий на реорганизацию деятельности распределенной структуры предприятий и, соответственно, две группы технологий, имеющих пересечение.

Технологии первой группы обеспечивают проведение реорганизации за счет автоматизации работ. Технологии второй группы обеспечивают появление новых процессов, позволяющих перейти к новым правилам работы.

В каждом предприятии можно выделить ресурс, который отвечает за разработку и сопровождение технологических процессов предприятия, влияющих на качество продукции. Обычно этот ресурс представляет группу разработки деловых процессов. Эта группа на входе имеет новые цели, а на выходе – реорганизованное предприятие с требуемых качеством выпускаемой продукции. Таким образом, можно утверждать, что реорганизация производственных процессов (РПП) состоит из двух основных шагов: обратного и прямого инжиниринга нового предприятия. Упрощенно можно отобразить это в виде следующего утверждения:

РПП = обратный инжиниринг + прямой инжиниринг.

Для достижения поставленной в диссертации цели сформированы стоимостные и временные характеристики различных проектов для объективного их сравнения, а также проверки гипотезы "что если". Для анализа работы моделей предусмотрен набор инструментариев: блоки-датчики для сбора данных, блоки-установщики значений атрибутов сущностей и т.д.

Разработка систем поддержки принятия решений (СППР) по реорганизации производства для повышения качества готовой продукции связана с изучением множества взаимозависимых проблем, касающихся природы производственных процессов. Наличие механизма явного управления моделями и поддержка деятельности, связанной с моделированием, является специфической чертой СППР, которая отличает их от традиционных систем обработки информации. Возможность вызывать, испытывать в действии, изменять комбинировать и проверять модели - важное средство ядра СППР.

При автоматизации процессов контроля качества всегда встают вопросы формализации решающих правил принятия управленческих решений. Опыт автоматизации показывает, что процесс создания работоспособной системы правил очень трудоемкий и на практике составленное множество правил никогда не оказывается полным.

Так как основной целью автоматизации системы контроля качества является поддержка в принятии управленческих решений по реорганизации технологических процессов, то основные принципы могут быть заимствованы из теории и практики разработки экспертных систем.

В рамках проведенного анализа поставленных задач схема исследований и структура работы представлена на рис.1.

Взаимосвязь методов и моделей

Рис.

1.

Предполагается, что на всем производственном цикле проводится документальное описание качества технологических процессов. На основе поиска соответствующих технологических требований и описания состояния процесса проводятся экспертные заключения с целью формирования количественных и качественных показателей качества технологических процессов, что дает основу формирования распоряжений о переналадке процессов, замене оборудования и других управляющих воздействий.

Во второй главе диссертации ставится и решается задача формализации моделей контроля качества и принципов их включения в систему поддержки принятия решений по реорганизации технологических процессов.

В работе проведен анализ системы контроля качества на ЗАО «Асфальтобетонный завод№1». Так, исходя из организационной структуры предприятий по выпуску асфальтобетонных смесей, функции контроля качества закреплены за испытательной лабораторией, которая является самостоятельным структурным подразделением предприятия. Основной задачей лаборатории является испытание и контроль качества продукции в целях определения ее соответствия обязательным требованиям государственных стандартов, норм и правил. В процессе своей деятельности лаборатория выполняет контроль показателей качества продукции в соответствии с регламентами технологических карт и схем оперативного контроля. В задачи лаборатории также входит обеспечение требуемого уровня точности и достаточности измерений, испытания и контроля. Лаборатория выполняет проведение испытаний на всех стадиях производства продукции (постановка на производство, входной, операционный и выходной контроль). Лаборатория должна постоянно пополнять и обновлять всю необходимую для работы нормативно-техническую документацию, а также регулярно вести необходимую лабораторную документацию в виде журналов:

  • отбора проб и образцов;
  • изготовления образцов;
  • испытаний и контроля;
  • составных материалов;
  • режимов технологических процессов;
  • замечаний и предписаний проверяющих организаций;
  • претензий и рекламаций и др.

Контроль делится на этапы: входной, операционный, приемочный и периодический.

При входном контроле устанавливается соответствие качества исходных материалов в каждой поступившей на завод партии требованиям действующих нормативно-технических документов с соответствующими записями в журналах.

Операционный контроль исходных материалов осуществляется лабораторией завода не реже одного раза в 10 смен, с определением помимо показателей входного контроля:

  • содержание пылевидных и глинистых частиц для щебня и песка;
  • влажность щебня, песка и минерального порошка и др.

При приемочном контроле смеси в лаборатории определяют следующие показатели:

  • состав смеси (зерновой состав минеральной части и содержание битума);
  • водонасыщение;
  • пределы прочности при сжатии при температуре +20С и +50С;
  • водостойкость и др.

Периодический контроль выполняется не реже 1 раз в месяц и при изменении исходных материалов, с определением помимо показателей, предусмотренных при приемочном контроле:

  • пористости минеральной части;
  • предела прочности при сжатии при температуре 0С;
  • водостойкости при длительном водонасыщении;
  • однородность смесей и др.

Для контроля качества лаборатория завода отбирает пробы от каждой выпущенной партии одного состава, на одной смесительной установке в течение одной смены (объемом не более 600тн по ГОСТ 9128-97г.). Показатели указанных составов должны соответствовать требованиям ГОСТ 9128 и ГОСТ 31015 для каждого конкретного типа и вида смеси или другим нормативно-техническим документам на конкретно выпускаемую продукцию.

Методика оценки качества предполагает расчет значений верхнего и нижнего контрольных пределов, последующего преобразования показателей качества продукции и формирования интегральных критериев качества технологических процессов.

Значения верхнего и нижнего контрольных пределов карты вычисляются на основе дисперсии измерений характеристик продукции. При равенстве объемов выборок данный метод расчета приводит к получению постоянных значений контрольных пределов для всех выборок, при различных объемах выборок для разных выборок получаются различные значения контрольных пределов.

Для рассмотренных карт контроля качества стандартное отклонение для совокупности измерений определяется как:

σ=( r1 / d2 + ... + rk / d2 ) / k,

(3)

для каждой из k выборок с объемом n больше 1, где r1 ... rk - размахи для каждой из k выборок и d2 - постоянная для данного объема выборок. Стандартная ошибка среднего, σср., рассчитывается как:

σср. = σ / ( ( n1 + ... + nk ) / k ) .

(4)

а стандартная ошибка размаха, σразм, определяется на основе выражения:

σразм. = ( d3 ( Ср.N ) )σ,

(5)

где d3 - постоянная для данного объема выборки, а Ср.N - округленный средний объем выборок. Верхний контрольный предел (ВКП) и нижний контрольный предел (НКП) для каждой j-той выборки карты рассчитываются на основе соотношений:

НКПj = M - ( ( q * σ) / nj1/2), ВКПj = M + ( ( q * σ) / nj1/2),

(6)

где M - взвешенное среднее выборочных средних, а q - эмпирический множитель.

Для преобразования количества обнаруженных в каждой выборке дефектов при построении кратких C-карт предлагается использовать соотношение:

c'j,k=(cj,k - tk)/tk1/2.

(7)

Для каждой выборки j и группы данных k, точки графика краткой C-карты (c'j,k) находятся путем стандартизации отклонений наблюдаемых пуассоновских интенсивностей для числа дефектов от планового значения частоты tk. По умолчанию tk равна средней пуассоновской частоте для каждой из групп данных.

Для преобразования частоты дефектов, обнаруженных в выборках, при построении кратких U-карт предлагается использовать соотношение:

u'j,k=uj,k - tk/(tk/nj)1/2.

(8)

Для каждой выборки j и группы данных k, точки графика краткой U-карты (u'j,k) находятся путем стандартизации отклонений наблюдаемых относительных пуассоновских частот от планового значения относительной частоты tk. По умолчанию tk равна средней пуассоновской частоте для каждой из групп данных k.

Для преобразования биномиальных интенсивностей случаев обнаружения брака, обнаруженных в выборках, при построении кратких Np-карт предлагается использовать соотношение:

np'j,k=npj,k - nj*tk/(nj * tk (1 - tk))1/2.

(9)

Для каждой выборки j и группы данных k, точки графика краткой Np-карты (np'j,k) находятся путем стандартизации отклонений наблюдаемых биномиальных интенсивностей (np'j,k) от планового значения биномиальной интенсивности njtk. По умолчанию биномиальная интенсивность tk равна средней биномиальной интенсивности для каждой из групп данных k.

Для преобразования биномиальных долей, обнаруженных в выборках, при построении кратких P-карт предлагается использовать соотношение:

p'j,k=pj,k - tk /(tk * (1 - tk )/nj)1/2.

(10)

Для каждой выборки j и группы данных k, точки графика краткой P-карты (p'j,k) находятся путем стандартизации отклонений наблюдаемых биномиальных долей от планового значения биномиальной доли tk.  По умолчанию tk равна средней биномиальной доле для каждой из групп данных k.

Использование методологии «Шесть сигма» привело к разработке и использованию критериев сглаживания, которые позволяют определить систематические сдвиги в характеристиках качества (рис.2.).

9 точек в зоне С или за ее пределами (с одной стороны от центральной линии). Если этот критерий выполняется (т.е., если на контрольной карте обнаружено такое расположение точек), то делается вывод о возможном изменении среднего значения процесса в целом. Здесь делается предположение о симметричности распределения исследуемых характеристик качества вокруг среднего значения процесса на графике. Данный критерий полезен для того, чтобы указать занимающемуся контролем качества инженеру на присутствие потенциальных трендов процесса.

6 точек монотонного роста или снижения, расположенные подряд. Выполнение этого критерия сигнализирует о сдвиге среднего значения процесса. Часто такой сдвиг обусловлен изнашиванием инструмента, ухудшением технического обслуживания оборудования, повышением квалификации рабочего и т.п.

14 точек подряд в шахматном порядке (через одну над и под центральной линией). Если этот критерий выполняется, то это указывает на действие двух систематически изменяющихся причин, которое приводит к получению различных результатов. Например, может иметь место использование двух альтернативных поставщиков продукции или отслеживание двух различных альтернативных воздействий.

2 из 3 расположенных подряд точек попадают в зону A или выходят за ее пределы. Этот критерий служит «ранним предупреждением» о начинающейся разладке процесса. Для данного критерия вероятность получения ошибочного решения (критерий выполняется, однако процесс находится в нормальном режиме) в случае Х-карт составляет приблизительно 2%.

Градация зон контроля качества

Рис.

2.

4 из 5 расположенных подряд точек попадают в зону B или за ее пределы. Как и предыдущий, этот критерий может рассматриваться в качестве «раннего предупреждения» о возможной разладке процесса. Процент принятия ошибочного решения о наличии разладки процесса для этого критерия также находится на уровне около 2%.

15 точек подряд попадают в зону C (по обе стороны от центральной линии). Выполнение этого критерия указывает на более низкую изменчивость по сравнению с ожидаемой изменчивостью (на основании выбранных контрольных пределов).

8 точек подряд попадают в зоны B, A или выходят за контрольные пределы, по обе стороны от центральной линии (без попадания в зону C). Выполнение этого критерия служит свидетельством того, что различные выборки подвержены влиянию различных факторов, в результате чего выборочные средние значения оказываются распределенными по бимодальному закону. Такая ситуация может сложиться, например, когда отмечаемые на Х-карте выборки изделий были произведены, например, двумя различными станками, один из которых производит изделия со значением контролируемой характеристики выше среднего, а другой - ниже.

Помимо характеристик процессов, которые определяются картами контроля качества целесообразно использовать интегральные критерии качества, которые вместе с картами контроля качества дают многокритериальную постановку задачи по выбору решений реорганизации технологического процесса.

При стандартных вычислениях пригодности используется общая изменчивость процесса. При этом полученные показатели представляют собой показатели качества процесса, поскольку они описывают фактическое поведение процесса. Тогда как показатели, вычисленные исходя из собственного разброса (сигма выборки), представляют собой показатели пригодности, поскольку они описывают собственную пригодность процесса.

В диссертации предложена методика, в соответствии с которой для наборов данных, состоящих из множественных выборок, вычисляются показатели пригодности процесса, приведенные ниже.

Потенциальная пригодность (Cp) технологического процесса определяется как отношение размаха допуска к размаху процесса и при использовании границ ± 3 сигма данный показатель можно выразить в виде:

Cp = (ВГД-НГД)/(6*σ),

(11)

где: ВГД – верхняя граница диапазона, НГД – нижняя граница диапазона. Данное отношение выражает долю размаха кривой нормального распределения, попадающую в границы допуска.

Обычное качество технологических процессов по производству железобетонных плит составляет примерно Cp=0.67. В идеале, конечно, было бы хорошо, если бы этот показатель превышал 1, т.е. хотелось бы достигнуть такого уровня пригодности процесса, чтобы никакое (или почти никакое) изделие не выходило за границы допуска.

Показатель отношения пригодности (Cr) почти эквивалентен Cp; а именно, он вычисляется как 1/Cp (величина, обратная Cp).

Нижняя/верхняя потенциальная пригодность: Cpl, Cpu. Недостаток показателя Cp (и Cr) состоит в том, что он может дать неверную информацию о технологическом процессе в том случае, если среднее процесса отличается от номинального значения, иными словами, если процесс не центрирован. При этом сначала можно вычислить верхний и нижний показатели пригодности, чтобы отразить отклонение наблюдаемого среднего процесса от НГД и ВГД. Приняв в качестве размаха процесса границы ± 3 сигма, можно вычислить показатели:

Cpl = (M - НГД)/3*σ и Cpu = (ВГД - M)/3*σ,

(12)

где M – среднее значение по выборке. Ясно, что если эти значения не совпадают, то процесс не центрирован.

Поправка на нецентрированность (K) дает возможность скорректировать индекс Cp, чтобы учесть смещение, а именно:

K=abs(Номинал - M)/(1/2*(ВГД - НГД))

(13)

где Номинал = (ВГД+НГД)/2. Этот поправочный множитель выражает отношение нецентрированности (номинал минус среднее) к допуску.

Показатель подтвержденного качества (Cpk) используется для корректировки Cp, с учетом поправки на нецентрированность посредством вычисления:

Cpk = (1-k)*Cp.

(14)

Если процесс идеально центрирован, то k равно нулю и Cpk равно Cp. Однако когда процесс смещается от номинального значения, k увеличивается, и Cpk становится меньше Cp.

Показатель потенциальной пригодности Cpm  является модификацией показателя Cp, и направлен на уточнение оценки сигмы с целью учета влияния случайной нецентрированности.

Однако нет смысла изучать пригодность производственного процесса, если он не управляем. Иными словами, если средние значения последовательных выборок сильно флуктуируют или явно находятся вне заданного допуска, то вначале нужно решить проблемы качества. Следовательно, первый шаг к организации высококачественного процесса производства состоит в том, чтобы сделать процесс управляемым с помощью методов, основанных на картах контроля качества. Если процесс управляем, то можно ставить вопрос о его пригодности. Ответ на этот вопрос основывается на «статистических» рассуждениях и близок к проблеме выборочного контроля.

При реализации алгоритмов классификации пригодности технологического процесса следующей задачей является идентификация неисправностей агрегатов, влияющих на качество выпускаемой продукции. Для ее решения в диссертации предлагается использовать дискриминантный топологический анализ.

Рассмотрим пример автоматического контроля качества механизма вращательного действия в технологической цепи производства железобетонных плит. Экспериментально при работе механизма выделяют следующие виды шумов:

  • гул – это шум от скольжения одних зубцов по другим (шум, как правило, сплошной);
  • удар – последовательный ряд мелких соударений, возникающих в результате дефекта (теоретически – это паразитный удар), локализованных на одном или нескольких зубцах.

Эти два типа шумов могут появляться как при разгоне, так и при торможении. Учитывая разницу между разгоном и торможением, в данном случае различаются 7 субъективных акустических семейств.

По результатам исследования 113 механизмов были получены спектры с помощью анализатора Фурье-спектров в реальном времени, который выдает вещественную часть преобразования Фурье сигнала s(t). Результаты экспериментов сведены в таблицу 2.

Таблица

2.

Классификация неисправностей механизма вращательного действия

Класс

Априорные семейства

Обозначение

Количество

T1

Исправны

И

32

T2

Гул при разгоне

ГР

12

T3

Гул при торможении

ГТ

12

T4

Гул при разгоне и торможении

ГРТ

21

T5

Гул при разгоне

УР

12

T6

Гул при торможении

УТ

12

T7

Гул при разгоне и торможении

УРТ

12

Всего

113

При классификации качества предполагается, что E⊂Rp – множество из n образцов, характеризующихся p числовыми параметрами. При этом отыскивается разбиение P=(P1, P2,…, Pk) множества E на k классов (k фиксировано) в пространство F размерности r (r фиксировано), которое минимизирует внутриклассовую инерцию, объясняемую F.

Анализ начинается с разбиения на 7 классов T=(T1, T2,…, Tr), заданного априори. Пусть r=5. В результате итерационной процедуры получается разложение классов разбиения T* по классам исходного разбиения T.

В результате проведенного анализа получено, что априорное разбиение на 7 классов неустойчиво, а именно:

  • класс «исправных» распался на два;
  • класс ГРТ также распался на два, часть его сгруппировалась с классом ГТ, образуя новый класс;
  • классы УТ и УРТ относительно устойчивы;
  • классы ГР и УР оказались более размытыми и наблюдается тенденция их смешивания.

Малая стабильность класса T1 (механизмы без дефектов) отражает то, что понятие исправного механизма является «размытым». Перечисленные результаты и их интерпретация дают новое разбиение множества E на 5 классов.

C= (C1, C2, C3, C4, C5), C1= T1∩T1*, C2= (T1\ C1) ∪ T2∪ T5,

C3= T3∪( T4\ T4*), C4= T4*, C5= T6∪ T7.

(15)

Таблица 3. представляет результаты сравнительного анализа классификаций совокупности, полученного в результате дискриминантного топологического анализа и априорной классификации.

Таблица

3.

Сравнительный анализ классификаций

Дефект

Разгон

Торможение

Разгон и торможение

Исправные

  Т1,2

Т1,1

Гул

  Т2

Т3

Т4,2 Т4,1

Удар

  Т5

Т6

Т7

В общем случае, процедура отнесения образца к одному из классов, состоит в следующем. На основе анализа спектра определяются параметры, необходимы для принятия решения, к какому классу отнести механизм. В случае приведенного примера, механизм с номером i* описывается вектором (Xi*j, j=1,…,24) на основании данных о центрах тяжести классов, для класса
I: (aij, j=1,…,24) и дискриминантных факторов bs: (bsj, j=1,…,24). В результате механизм i* относят к классу I*, если:

.

(16)

Если механизм отнесен в класс T2 или T3, то снова начинаются вычисления с центрами тяжести и факторами.

Вся совокупность критериев, полученных на основании анализа карт контроля качества, приводит к необходимости решения задачи классификации качества технологического процесса, причем показатели качества естественным образом коррелируют. Предполагается, что показатели качества на группе испытуемых образцов характеризуется многомерным нормальным распределением Wk~N(mk,Dk), где mk=(mk1, mk2,…,mkp) - математическое ожидание Wk. а - дисперсионная матрица Wk. Предполагается, что дискриминантная функция z представляет линейную комбинацию результатов экспертного оценивания показателей качества:

z=α1x1 + α2x2 + ... + αnxn,

(17)

где αi - набор постоянных весовых коэффициентов.

Процедура классификации заключается в подборе константы с и отнесении X к W1 (качественный), если z≥c; и к W2 (некачественный), если z<c  для которых вероятность ошибочной классификации минимальна. В общем случае эта задача является двухкритериальной оптимизационной. Ищется значение, которое максимизирует разность математических ожиданий и одновременно минимизирует дисперсию разности →max, на основании чего двухкритериальная задача переходит в обычную задачу оптимизации, т.е. выбора значений αi, минимизирующих значение функции Δ2. После определения αi наблюдаемому вектору X ставится в соответствие значение дискриминантной функции z. Константа с выбирается из соображений минимизации вероятности ошибочной классификации. Сумма вероятностей ошибочных классификаций P(2|1)+P(1|2) минимальна при выборе константы .

В качестве оценки влияния коррелированности рассмотрим пример для четырех показателей качества. Пусть разность математических ожиданий для двух групп по каждому уровню равна ΔM=(1, 1, 1, 1) и корреляции между результатами оценки также отсутствует, тогда для весов показателей качества справедливо  Λ=(1, 1, 1, 1). Если же сделать предположение о наличии даже небольших корреляций (ρ23,=0.2), то в этом случае решение уравнений для весов будет Λ=(1, 0,83, 0,83, 1). В данном случае видно существенное снижение весов для коррелированных оценок. Таким образом, показано, что корреляция и распределение оценок существенно влияют на параметры алгоритма классификации. Имея статистические данные по результатам оценки качества можно вычислить все корреляции и в процедуре классификации заменить дисперсионную матрицу ее оценкой, что повысит эффективность процедур классификации с точки зрения вероятности ошибочной классификации.

При наличии альтернативных вариантов реорганизации технологического процесса по результатам экспертного оценивания характеристик готовой продукции или параметров технологических процессов руководству приходится решать многокритериальную задачу

Q(X)=(q1(X), ... , qn(X)) →max,  X∈D,

(18)

D: hj(X)≥0  j=1..m;

X - искомое решение;

q1(X) (i=1..k) - критерий качества решения X;

hj(X)≥ - ограничения, устанавливающие допустимую область D возможных изменений решения X.

При большой мощности множества допустимых решений D (например, в континуальном случае) задача (18) представляет обычную задачу многокритериальной оптимизации. Если же число альтернативных решений в D невелико (10÷20), то она представляет задачу многоатрибутного принятия решений. В первом случае главное внимание уделяется алгоритмам поиска наиболее предпочтительных решений, во втором - процедурам сохранения альтернатив.

Рассмотрим случай, когда решение X определяется n параметрами (x1, ... ,  xn) является вектором и область D чаще всего имеет континуальную мощность, т.е. рассматривается задача многокритериальной оптимизации. Решение Xi max = arg max qi(X) представляет локально-оптимальное и определяет наилучшее решение только по i-му критерию без учета остальных. Решение X∈D будет эффективным, если не существует решения X∈D, для которого qi(X)≥ qi(X*) i=1..k и значение хотя бы одного критерия лучше (больше), нежели у X*. Удовлетворительными решениями Xу будут допустимые решения (X∈D), которые по всем критериям не хуже заданных пороговых значений качества. Они не всегда являются эффективными.

Таблица

4.

Методы многокритериальной оптимизации

Параметрические методы

X*l, qi(X* l) i=1..k

Λ=(λ1, ... λ1)

STEM

X*, qi(X*) qi(X l max) i∈Zk

Δqi i∈Ry

Метод удовлетворительных требований

X* l, qi(X* l) i=1..k

εi i∈Ry

Процедура внешнего ветвления

X*, qi(X*) qi(Xj max) i,j-1..k

Γ=(γ1, ... , γz)

SEMOPS

X* l, qi(X* l) qi(γz) i-1..k

γz

Адаптивный метод последовательных уступок

X*l, qi(X* l) i=1..k

Δi i=1..k-1

Векторно-релаксационные методы

X*l, qi(X* l) i=1..k

R1(l), R2(l)

Адаптивные сеточные методы

X*(j)⊂P

X*(l)⊂ X*(j)

Процедура Зайонца-Валлениуса

X*,X*(r),qi(X*),qi(X*(r)) i,j=1..k

X* X*(r)

Процедура Беленсона-Капура

X*,X*(r),qi(X*),qi(X*(r)) i,j=1..k

X* X*(r)

Процедура прогрессивной ориентации

χ, qi(X) i=1..k

X* X*(0)

Метод изменяемого идеала

P’, qi(X) i=1..k X∈P

P’’⊂P’

Непараметрические алгоритмы многокритериальной оптимизации

Xi, qi(Xi) i=1..k

оценка Xi в заданной шкале

Метод оценки граничных точек

{X*i}, qi(X*i) i=1..k

X*л - лучше p,

X*x - лучше p

Метод Джоффриона

1) X*i, qi(X*i) i=1..k

2) qi =qi(a) i=1..k

1) <Δqi,Δqi>

i=1..k;i≠r. 2) a*

Адаптивное целевое программирование

1) X*i, qi(X*i) i=1..k

2) qi =qi(a) i=1..k

1) <Δqi,Δqi>

i=1..k;i≠r. 2) a*

Метод функции ценности замены

X*(j), qi(X*(j)) νrj(j∈Ir)

qi(Xi max) i=1..k

{ωri(Q(X*(j)))}

(i∈Jr)

Метод последовательной заменяемой оптимизации

X*, qi(X*) νrj(j∈Ir) νrj(i∈Ir)

i=1..k

λri (i∈Jr)

SIGMOR

X*, qi(X*) qi(Xi max) i=1..k

γi,λi,χi i=1..k

Нормирование глобального критерия

X*l, qi(X*) i=1..k

Qk, Qp, QM

Формальным решением задачи является множество Парето P. Для выбора наиболее предпочтительного решения X** необходимо получение и обработка дополнительной информации, которой располагает лицо, принимающее решение (ЛПР). При использовании адаптивного подхода разработанная диалоговая процедура решения задач векторной оптимизации представляет собой последовательное уточнение наиболее предпочтительного решения X** (по мнению ЛПР) путем перехода от одной альтернативы X**∈P с учетом информации Ii, получаемой от ЛПР. Схематически процесс поиска решения X** можно представить в следующем виде:

(19)

где X*N= X**, Q*l=Q*(X*l)=(q1(X*l),..., q1(X*l))  l=1..N.

В процессе, заданном соотношением (19), происходит параллельно два вида адаптации: показателей качества (ПК) к системе предпочтений ЛПР и ЛПР к задаче. Адаптация первого типа (ПК к ЛПР) связана с учетом информации, получаемой от ЛПР. Этот процесс связан с оптимизацией критерия, вид которого детерминируется информацией, представляемой ЛПР.

В одношаговых процедурах ЛПР необходимую информацию для осуществления перехода может представить в одном сеансе диалога, в многошаговых процедурах - в нескольких сеансах.

При реализации инструментальной среды сформирована открытая система включения произвольных методов многокритериальной оптимизации, представленная в табл.4.

В третьей главе рассмотрены вопросы моделирования переходных процессов потери качества, т.е. отклонения характеристик изделий от Номинала.

Карта скользящего среднего необходима для определения малых систематических сдвигов (трендов) среднего или дисперсии процесса от спецификаций. Предполагается, что рассматривается сдвиг процесса, который приводит к увеличению средней толщины плиты. Необходимо определить этот сдвиг как можно раньше, чтобы эта ситуация не привела к большому числу бракованных изделий. В этом случае для контроля изменчивости используются MA X-bar и R-карты и задается количество смежных выборок, используемых для вычисления скользящего среднего, выводимое на карте.

Анализируя карту скользящего среднего (рис.3.) можно сделать вывод, что хотя нет точек, пересекающих контрольные пределы - остается два вопроса. Несмотря на то, что скользящие средние уменьшаться от начала к выборке 9, данные после этого начинают возрастать. Также наблюдается нарушение критерия серий (2 из 3 выборок в Зоне A или ниже) для стандартных установок критериев серий. Это также свидетельствует о том, что что-то не в порядке в производственном процессе. Возможно, что на ранней стадии разладки карты со скользящими размахами нет тренда или каких-либо других заметных проблем. Следовательно, изменчивость переменной «ширина плиты» процесса будет постоянной с течением времени.

Таким образом, можно было бы найти причины тренда в первых 9 выборках, устранить эту причину изменчивости, тем самым настроить процесс. Другими словами решения о настройке процесса не должны опираться только на поиск причин разладок (выход процесса за контрольные пределы) или нарушения критериев серий карт контроля, а также и на знаниях технических аспектов самого процесса.

Карта скользящего среднего для выявления тренда изменчивости

Рис.

3.

В работе предлагается расширить модели сглаживания в системе оценке качества скользящими средними Спенсера.

Скользящее среднее Спенсера с 15 точками является одной из процедур, которая обеспечивает точность до разностей третьего порядка. Сначала вычисляются величины:

yt*=(-3yt-2+3yt-1+4yt+3yt+1-3yt+2)/4,

(20)

а затем усредняются (с равными весами) 5, затем 4 и 4 получаемых членов рядов.

Скользящее среднее Спенсера с 21 точкой также сохраняет разности третьего порядка. Процедура предполагает вычисление величин:

yt*=(-yt-2+yt-1+2yt+yt+1-yt+2)/2,

(21)

и поочередному усреднению 7, затем 5 и 5 членов получающихся рядов.

В соответствии с имеющимися статистическими данными по проведению регламентных работ можно построить модели прогноза качества на основе кусочно-функциональной аппроксимации на временных интервалах, определяемых моментами настройки или замены агрегатов, поддерживающих технологический процесс выпуска продукции.

В связи с этим третья глава диссертации направлена на разработку моделей нестационарных процессов потери качества.

Для стабильного технологического процесса автокорреляционная функция должна быть нулевой. В случае отклонения автокорреляции от нулевого значения в диссертации предлагается методика построения тренда нестационарного процесса по его автокорреляционной функции.

Проведен анализ вида автоковариационных функций (АКФ) r(t) для широкого спектра технологических процессов (рис. 5.).

Аппроксимация функции потери качества

Автокорреляционные динамики оценок качества

а)

б)

Рис.

5.


Показано, что автокорреляция имеет произвольный вид. В одних случаях она вогнута на всем интервале, в других - на начальном интервале она выпукла. В некоторых процессах наблюдается несколько иной характер автокорреляции, однако, также имеют место апериодические свойства.

Для исследуемых процессов кроме оценки автокорреляционной функции были проведены исследования по оцениванию трендов переходных режимов. Тренды переходных режимов исследуемых процессов приведены на рис.6.

В одних случаях тренд является монотонным. В других наблюдается иная тенденция развития процесса. В начальный период  тренд быстро возрастает, а затем монотонно убывает. Показано, что автокорреляционная функция в ряде случаев имеет тенденцию к «затягиванию» в начале координат, т.е. r’(0)≈0 и, соответственно, к более медленному затуханию.

Разнообразие полученных оценок автокорреляций и трендов ставит задачу моделирования нестационарных процессов отклонения характеристик технологических процессов от Номинала.

Будем исследовать характеристики нестационарного процесса ξ(t), t>t0, считая, что основной процесс ξ(t) стационарный, а его значения в моменты t>t0,>… известны.

Тренды динамики оценок качества

а)

б)


Рис.

6.


Для гауссовских случайных величин условное математическое ожидание процесса совпадает с оптимальной линейной оценкой. Обозначим ξ=ξ(t), t>t0; θ={ξ(ti)}, . В этих обозначениях

,

(22)

где - выборочные значения в моменты ti,

Mθ=Y⋅E - математическое ожидание θ,

Y=Mξ(t) - математическое ожидание процесса ξ(t),

- единичный вектор- столбец  размерности n+1,

- ковариационная матрица совместного распределения и ,

- ковариационная матрица θ.

Элементы этих матриц выражаются через автокорреляционную функцию стационарного  случайного процесса r(t) r1-j=r(|t-tj|); rij=r(|ti-tj|).

Элементы матрицы Dθθ-1 обратной к Dθθ обозначим как:

,

(23)

где I - единичная матрица размерности (n+1)×(n+1).

Представив матрицу через автокорреляционную функцию и, находя матричное произведение, получим:

.

(24)

Полученное выражение (24) при заданной автокорреляционной функции задает значение M(ξ\θ) как функцию времени t>t0, т.е. тренд нестационарного процесса. Матрицу ковариаций нестационарного процесса обозначим:

.

(25)

Ее значение соответствует матрице ошибок оптимальной линейной оценки:

.

(26)

Для вычисления ковариации из процесса выбираются две случайные величины ξ(t), t>t0 ξ(U), U>t0. Значения t и U при выводе соотношений считаются фиксированным

- матрица ковариаций стационарного процесса,

- матрица ковариаций совместного распределения, где r2-j=r(|U-tj|).

Ковариация нестационарного процесса определяется как элемент матрицы, определяемой соотношением (26), а именно и перемножая матрицы Dξθ, D-1θθ, (Dθξ)T, получим . При этом ковариация нестационарного процесса будет определяться соотношением:

.

(27)

При оценке качества технологических процессов решения принимаются на основании среднеинтегральных оценок процесса на интервале с некоторой длительностью T, поэтому они представляют стохастический интеграл:

.

(28)

Математическое ожидание интеграла случайного процесса равно интегралу математического ожидания. Поэтому на основании выражения (24) получим значение математического ожидания среднеинтегральной оценки:

,

(29)

где R*(T,ti) вычисляется на основании автокорреляционной функции.

Для класса исследованных процессов для автокорреляционной функции в силу предположения монотонности в работе предлагается использовать функции Лагерра, которые представляют ортонормированный базис в пространстве функций с интегрируемым квадратом на (0,∞) Ln(x)=Ln*(x)⋅e-x, где Ln*(x)- полином n-ой степени.

Эта система функций удобна для представления экспоненциальной функции, функции Эрланга и других. Так, например, функция с запаздыванием может быть представлена суммой двух членов r1(t)=2L0(t)-L1(t)=(1+t)⋅e-t, где L0*≡1; L1*≡1-t – первые многочлены Лагерра.

Более длительную задержку можно получить увеличением степени полинома. Для выполнения свойства монотонности необходимо, чтобы производная функции на всей допустимой области была отрицательной. Операции интегрирования и дифференцирования не выводят элементы из этой системы. Поэтому монотонно убывающую функцию можно получить интегрированием отрицательной на всей области функции. Этому условию удовлетворяют функции, обращенные к распределениям Эрланга . Для автокорреляционной функции справедливо представление . В результате замены переменных получаем представление автокорреляции:

(30)

На рис. 7. представлены графики этого семейства функций для различных порядков полиномов.

Представление автокорреляции функциями Лагерра

Рис.

7.

Будем использовать это выражение для вычисления математического ожидания и дисперсии среднеинтегральной оценки. Для функции R(t), подставляя r(t) в (30) получим:

.

(31)

На основании чего для математического ожидания получим соотношение:

,

(32)

которое может быть использовано для прогноза отклонений характеристик от Номинала.

Полученные соотношения представляют основу для реализации алгоритмов прогнозирования качества продукции с учетом нестационарности.

Для организации процедур контроля в диссертации предлагается использование выборочных планов последовательного типа, которые более предпочтительны по соображениям большей мощности. По сравнению со статическими планами они требуют меньшего объема выборки (количества контрольных замеров). При динамическом контроле, обозначая количество дефектных изделий m, процентная частота попадания в выборке равна . Для бесконечно большой генеральной совокупности границы коридора имеют вид:

, .

(33)

Проверка гипотез качества продукции

Рис.

8.


Для конечных генеральных совокупностей  используется поправка на конечность . Способ определения доверительного интервала для относительной частоты генеральной совокупности основан на нормальном приближении и вычисляется на основании:

.

(34)

На рис.8. приведены границы коридора в ситуациях принятия и отклонения гипотез о соответствии качества.

В результате такой поход дает возможность организации адаптивного контроля для установления соответствия уровня качества продукции требуемому уровню.

В четвертой главе решается задача построения СППР по выявлению причин выпуска дефектных изделий на основе экспертных оценок и аппарата темпоральных логик.

При проведении экспертизы по заранее разработанному алгоритму необходимо произвести обработку полученной от экспертов информации и найти результирующую оценку из множества допустимых оценок (МДО) Ω, являющуюся решением исходной задачи оценивания. Если полученное решение не устраивает, то возможно предоставление экспертам дополнительной информации, т.е. необходимо организовать обратную связь, после чего пользователи вновь решают соответствующие задачи выбора. Выделенная последовательность действий представлена блок-схемой экспертизы (рис.9.) .

Схема проведения экспертизы

Рис.

9.

С параметрами: Ω - исходное МДО; ΩЭ – МДО для экспертов; L – взаимодействие между экспертами; Q – обратная связь; φ - аналитическая обработка (отображение ΩNЭ → Ω).

При подготовке экспертизы необходима предварительная разработка схемы экспертизы и подбор экспертов, а при реализации экспертизы необходимо получение от экспертов информации, и ее обработка. Вопросы обработки экспертных оценок сводятся к прикладным математическим методам:

  • методы простого оценивания;
  • метод Дельфи;

методы ранжирования и др

Таблица

5.

Дефекты асфальтобетонной смеси и способы их устранения

Дефекты

Причины

Способы устранения

Синий дымок над смесью

Смесь прогрета выше 200С

Регулировать температурный режим приготовления на заводе

Наличие в смеси включений в виде комочков из минерального порошка

Использован непросушенный минеральный порошок; избыток битума, минерального порошка; недостаточное перемешивание

Не применять непросушенный минеральный порошок. Уточнить дозировку материалов, соблюдать время перемешивания

Смесь имеет битумные пятна или пленку, щебенки не покрыты битумом

Недостаточное и неправильное перемешивание

Откорректировать время перемешивания и выбрать оптимальную технологию приготовления смесей

Комья в смеси

Смесь охлаждена при транспортировании, избыток пылеватых частиц

Перевозить смесь в автомобилях большой грузоподъемности, оборудованных устройством для обогрева. Закрывать сверху смесь матами или плотными брезентовыми чехлами

Смесь трудно разрабатывается

Низкая температура смеси, увеличенное количество минерального порошка, недостаточное перемешивание

Повысить температуру смеси до требуемой, проверить дозировку и производить раздельное перемешивание (сначала «сухое», а потом с битумом)

Наличие в смеси щебня незаданной фракции

Разрыв сетки грохота

Заменить сетку грохота

.В качестве примера приведем методику формирования способов устранения дефектов на ЗАО «Асфальтобетонный завод№1». После проведения значительного объема работ осуществляется метрологическая аттестация (проверка) всех средств измерений, которыми оборудован асфальтобетонный завод. К таким средствам измерения относятся весовые дозаторы минеральных материалов и битума. Аттестацию осуществляют специальные организации, имеющие лицензии проверки, при необходимости осуществляют ремонт дозаторов. Подобная работа проводится также применительно к средствам измерения, имеющимся в лаборатории. Вся эта работа направлена на выявление причин выпуска дефектной продукции, которая сводится в единую таблицу правил вывода 5.

В результате, такой подход к выявлению причин дефектов с указанием экспертами способов их устранения в соответствии с характеристиками агрегатов, может быть формализован в виде аппарата экспертных систем.

На основании проведенного анализа временных логик в качестве базовой для проведения временных рассуждений в диссертации была принята временная логика с часами TLC (Temporal Logic with Clock). TLC является расширением временной логики, семантика которой такова, что каждая формула при конкретной временной интерпретации ассоциируется со своими локальными часами, т.е. с подпоследовательностями последовательности натуральных чисел, мыслимой как “глобальная” временная шкала (глобальные часы). При этом конкретные значения формула приобретает в соответствии с семантикой TLC только для моментов времени на её локальных часах. В остальные моменты времени значение формулы не определено.

В TLC помимо обычных временных операторов  c и ◊ (“всегда” и “иногда”) используются ещё два временных оператора - first и next, интуитивный смысл которых заключается в следующем:

- first А: формула А истинна в первый момент времени,

- next А: формула А истинна в следующий момент времени.

Словарь TLC включает помимо  констант, переменных, функциональных и предикатных символов примитивные пропозициональные связки ¬ и ∧, универсальный квантор ∀ и три  временных оператора: first (начальный момент времени),  next (следующий момент времени) и  c (всегда).

Определения правильно построенных формул (ппф) вводятся следующим образом.

1. Временной атом определяется рекурсивно:

  1. если p является n-местным предикатным символом, а e1,...,en - термы,  то p (e1,...,en ) - временной атом;
  2. если А - временной атом, то временными атомами являются также first A, next A.

2. ппф определяются рекурсивно :

  1. все временные атомы суть ппф;
  2. если А и В - ппф, то ппф будут также и  ¬ А, first A, next A, c A;
  3. если А и В - ппф, то ппф будет также и (A ∧ B);
  4. если А - ппф, x - переменная, свободная в А, то ппф будет также и (∀x) А.

Логические связки  ∨ , → , ⇔  и квантор существования ∃ могут быть получены из примитивных связок и универсального квантора обычным путём. Для временного оператора ◊ (иногда ) также используется обычное определение:

def

◊ А  = ¬  c ¬ A  .

Исчисление часов вводится следующим образом. Пусть ω обозначает множество натуральных чисел {0, 1, 2,...}.

3. Глобальные часы представляют возрастающую последовательность натуральных чисел, т.е., <0, 1, 2, ...>. Локальные часы - это подпоследовательность  глобальных часов, т.е. ограниченно возрастающая последовательность натуральных чисел, конечная или бесконечная.

Пусть t ∈ cki означает тот факт, что t является моментом времени на часах ck.  CK означает множество всех часов, а R - отношение порядка, заданное на элементах CK2 (здесь 2 - показатель декартовой степени множества CK) таким образом, что для любых ck1, ck2 ∈ CK, имеет место ck1 R ck2 , если и только если для всех t ∈ ck1 имеет место t ∈ ck2.

4. Присваиванием часов ck является отображение из множества LP предикатных символов во множество часов CK, т.е. ck ∈ [LP→CK]. Нотация ck(p) означает  часы, ассоциированные с предикатным символом p при данном присваивании часов ck.

5. Пусть A - формула и ck - присваивание часов. Локальные часы ckA ассоциированные с А, определяются рекурсивно следующим образом:

  1. если A есть временной атом p(x1, ... , xn ),  то ckA = ck (p) ;
  2. если A = first B, ¬ B , c B  или (∀x) B, то ckA = ckB 
  3. если A = (B ∧ C), то ckA = ckB ↓ ckС.
  4. если A = next B, то (1) ckA = <t0, ..., t n-1>, когда ckВ = <t0, ..., t n> являются непустой  конечной последовательностью; (2) ckA = ckB , когда ckB  является бесконечной или  пустой последовательностью.

Значением любого предикатного n-местного символа p фактически является частичное отображение из ω в P(Dom n), где  Dom - область интерпретации, Dom n  - n-я декартова степень множества Dom и P(Dom n) - множество всех подмножеств множества Dom n.

Таким образом, при любом конкретном присваивании часов, для любого t∈ck(p) в соответствии с данным частичным отображением найдётся некоторое подмножество множества Dom n, между тем, как для моментов времени, не входящих в ck(p), образ не определён.

Система доказательства при этом содержит множество аксиом и множество правил вывода. Помимо аксиом логики первого порядка определены аксиомы и правила вывода, связанные с временными операторами и присваиванием часов.

Модель объекта или процесса в разработанной системе моделирования процессов оценки качества представляет собой динамическую продукционную систему. Ее база данных (БД) содержит описания ресурсов моделируемого объекта или процесса, а база знаний (БЗ) - описания действий, выполняемых ресурсами над ними. Адаптация к конкретному объекту заключается в описании ресурсов и действий на формальном языке и введении их в БД и БЗ. В системе моделирования существует однозначное отображение моделируемого объекта или процесса в его информационное представление.

Основным составляющим объекта моделирования, каковыми являются его элементы, процесс, законы функционирования, соответствуют информационные объекты: ресурсы, действия и нерегулярные события, операции. При этом используются некоторые черты объектно-ориентированного подхода. Указанные элементы, а именно, множества ресурсов R и операций О, образуют модель. Процесс в объекте моделирования представляет собой временную последовательность действий А и нерегулярных событий Е. Система управления объекта моделирования соответствует модулю вывода динамической продукционной системы.

Модель получается добавлением к динамической продукционной системе аппарата событий, аналогичного подобным аппаратам в системах и языках имитационного моделирования. Моменты окончания действий определяются блоками имитации элементов объекта моделирования, а моменты наступления нерегулярных событий - блоком имитации этих событий. Система моделирования включает в себя также подсистему сбора показателей, служащую для сбора результатов моделирования и их первичной обработки.

Используя концепцию события, действие по изменению состояния проблемной области  можно представить, как пару событий следующим образом:

a = <eн, eк> = < tн, С-н, C+н, tк, С-к, C+к >,

(35)

где С-н, C+- состояния системы перед и после наступления события eн, (т.е. начала выполнения действия a) соответственно, С-к, C+к- состояния системы перед и после наступления события eк (т.е. завершения действия a), соответственно, tн, tк, моменты времени наступления событий eн, eк, соответственно (проведение регламентных работ). Предположим, что состояния С-н, C+н отличаются друг от друга тем, что в момент времени tн оказывается истинной формула логики первого порядка fн, состояния С-к, C+к- отличаются друг от друга тем, что в момент времени tк  оказывается истинной формула fк. Событие eк наступает (и, соответственно, формула fк оказывается истинной) только если действие a завершится нормально, т.е. при «штатном» развитии событий. Иначе, т.е. при наступлении нерегулярных событий, препятствующих нормальному завершению действия a, событие  eк не наступит и формула fк не станет истинной в момент времени tк. Тогда в темпоральной логике выражение (35) может быть представлено как нормальное темпоральное умолчание вида:

first next [tн] f н : first next [tк] f к

__________________________________________ .

first next [tк] f к

(36)

Если известно, что «штатному» завершению действия a препятствует наступление любого нерегулярного события из множества {e1,…,en} в интервале времени Δt = t – tн, то для его представления можно использовать эквивалентное нормальному темпоральному умолчанию более общее темпоральное умолчание, не являющееся нормальным:

n  tк

first next [tн] f н : ∧  ∨  first next [tj] f i

i=0  j= tн

_____________________________________________________  ,

first next [tк] f к

(37)

где f i , n≥ i ≥ 1 – формулы логики первого порядка, соответствующие событиям e1,…,en по аналогии с тем, как формулы f н , f к соответствуют событиям eн, eк . При этом формула

n  tк 

∧  ∨  first next [tj] f i

i=0  j= tн 

(38)

является аббревиатурой формулы ( first next [tн] f1 ∨ first next [tн+1] f1∨…∨ first next [tк] f1) ∧…∧( first next [tн] fn ∨ first next [tн+1] fn∨…∨ first next [tк] fn ).

Действие привязано к временной оси (глобальным или локальным часам): начинается в момент tн и кончается в момент tк. Если в описании действия исключить привязку к временной оси, оставив только его длительность Δt, то получим виртуальное действие. Виртуальное действие будет начинаться всякий раз, когда будет выполняться условие, выражающее соотношение между состояниями С-н, C+н. В логике TDLC и ее вариантов этому соответствует понятия темпорально открытых формул и умолчаний. Виртуальные действия могут быть представлены как темпорально открытые умолчания (нормальные):

next [tн] f н : next [tк] f к

__________________________________________,

next [tк] f к

(39)

и умолчание, не являющееся нормальным:

n  tк

next [tн] f н : ∧  ∨ next [tj] f i

i=0  j= tн

________________________________________,

next [tк] f к

(40)

Таким образом, в диссертации показано соответствие между концепцией событий и действий в системе моделирования и средствами формализации темпоральных немонотонных  рассуждений, предоставляемыми темпоральной логикой и родственных ей систем.

В случае непригодного технологического процесса необходимо решение задачи разработки мер по реорганизации процесса, которая также является результатом обработки мнений экспертов. Для решения этой задачи в диссертации предлагается использовать попарные сравнения. В этом случае эксперт дает не численное значение оценки, а предпочтение одних мер другим. Хотя это более трудоемкая процедура экспертного оценивания, она позволяет повысить адекватность принятых мер по устранению причин снижения качества. То есть каждая опросная карта каждого эксперта представляет бинарное отношение. Таким образом, по результатам анализа всех экспертов составляется обобщенная матрица , где Aj - ранжировка j-го эксперта, P=||pij||- матрица вероятностей предпочтения качества i-го и j-го варианта модернизации технологического процесса.

Следующим этапом является переход от матрицы попарных сравнений к перестановке Ω=En ΩЭ по уровню качества, которая определяется числовым значением. Числовая мера различия из вероятности предпочтения реализуется на основании поиска Zij,:

(41)

где Zij - определено в единицах стандартного отклонения.

Все попарные различия сводятся в матрицу Z=||Zij|| и вычисляется сумма каждой строки . В результате Zi принимается за оценку качества соответствующей альтернативы.

Затем выполняется проверка на непротиворечивость, которая основывается на сравнении исходных вероятностей предпочтения и вероятностей, полученных в результате вторичного вычисления исходя из числовых оценок качества каждого варианта . Сумма разностей дает оценку согласия исходного и вторичного предпочтения:

.

(42)

Далее задаваясь порогом точности, на основании сравнения вычисленной суммы разностей решается задача о соответствии оценки качества.

Для повышения точности классификации экспертов и идентификации ситуаций по показателям технологического процесса  в диссертации разработана модель кластеризации на основе методов латентно-структурного анализа, в которой предполагается, что каждый латентный класс является однородным относительно любых оценочных величин. Требуется, чтобы каждый латентный класс был достаточно однородным по отношении к любой латентной величине, так чтобы все единичные высказывания внутри класса были статистически независимы. Эта независимость внутри классов выражается следующими уравнениями:

pljk = plk⋅plj, p2jk = p2k⋅p2j, … , pqjk = pqk⋅pqj,

pljkl = plk⋅plj⋅pll, p2jkl = p2k⋅p2j⋅p2l, …, pqjkl = pqk⋅pqj⋅pql,

(43)

Преобразование уравнений в соответствии с требованиями однородности групп приводит к системе уравнений:

n=n1+ n2+…+ nq

nj=n1⋅p1j+ n2⋅p2j +…+ nq⋅pqj

njk=n1⋅plk⋅plj+ n2⋅p2k⋅p2j +…+ nq⋅pqk⋅pqj

njkl=n1 p2k⋅p2j⋅p2l + n2 p2k⋅p2j⋅p2l +…+ nq pqk⋅pqj⋅pql

и т.д.

(44)

Все наблюдаемые совместные частоты выражаются через (q+sq) латентных параметров, q объемов классов и q латентных вероятностей (p1j, p2j, … , pqj) для каждого из s признаков анкеты экспертной карты. Последовательные ступени эмпирических частот насчитывают соответственно 1, s, s(s-1)/2 и т.д. членов, являющихся коэффициентами бинома (а+b)s. Складывая их, получаем 2s уравнений, связывающих наблюдаемые и латентные величины в этой модели.

Задача, как и в факторном анализе, заключается в решении основных уравнений относительно неизвестных латентных параметров. Большинство из известных решений не используют совместные частоты с повторяющимися индексами (njj, njjk, njjj, njjkl и т. д.). В анализе латентной структуры (рис.10.) они рассматриваются как аналоги общих факторных дисперсий факторного анализа, которые нам неизвестны. В диссертации доказано, что представление их в виде эквивалентов, соответствующих смешанным частотам более низкой ступени без повторяющихся индексов (то есть njj=nj, njjk=njk, и т. д.) дает аналог использования равных единиц корреляций в факторном анализе.

Гипотетическая диаграмма рассеяния

Рис.

10.

В работе предполагается, что имеется набор s количественных измерений, таких, как баллы карт экспертизы в выборке из п экспертов. По некоторому правилу каждый член этой выборки приписывается одной, и только одной, из q подгрупп. Тогда размер выборки, суммы баллов и суммы произведений баллов для всей выборки выражаются через соответствующие статистики для подгрупп следующим образом:

n=n1+ n2+…+ nq

и т.д.

(45)

Таблица

6.

Решение латентного профиля для гипотетического примера трех классов

Номер карты

Латентный класс

I

II

III

Средние по классам

1

-1,50

0,50

0,50

2

-1,50

0,50

0,50

3

-1,00

0,00

1,00

4

-0,50

-0,50

1,50

5

-0,50

-0,50

1,50

Размеры класса

0,25

0,50

0,25

Все суммирования в (45) проводятся по экспертам. Суммирования слева проводятся по всей выборке, а справа — по экспертам различных подгрупп; величина Хij есть балл эксперта i по экспертизе j, и она может быть дана в единицах стандартного отклонения или в каких-либо других единицах. То же самое относится и к Хik, Хil и т. д.

Проведена апробация процедуры экспертного оценивания и классификации ситуаций, возникающих в ходе технологического процесса.

Вид различных регрессий на рис.11. такой, как следовало ожидать в предположении от относительной сложности опросной карты.

Простые карты (1 и 2) являются различающими на нижнем конце латентного континуума. Сложные карты (4 и 5) – на верхнем. Карта (3) средней сложности – на всем континууме. В таб.6. приведены полученные характеристики трех латентных классов.

Линия регрессии тестов на латентном континууме

для гипотетического случая двух классов

Рис.

11.

В пятой главе рассматриваются вопросы построения программно-моделирующего комплекса информационной поддержки контроля качества с использованием разработанных методов и моделей. Приведен список приложений с описанием их основных функциональных возможностей. Рассматриваются вопросы использования различных программных технологий для оперативной реализации методик.

В диссертации разработан сценарий СППР по выбору режимов управления технологическими процессами. При формировании методики аналитической обработки использовались инструментальные средства гибридной среды «СОТА», которые позволяют формировать алгоритмическую структуру программных приложений за счет задания переходов между приложениями по условиям его завершения с использованием стандартизованного интерфейса, что и создает пользовательский сценарий (рис. 12).

В сценарий включены: модель технологического процесса; статистическая параметризация модели, методика автоматического анализа выбросов и другие, разработанные в диссертации модели и методы.

С целью адекватного представления объектных моделей оценки качества в работе предлагается модель данных, основанная на использовании теории категорий. В данной модели любой объект ассоциируется с некоторой универсальной сущностью Е.

Каждый экземпляр сущности характеризуется множеством атрибутов А = {А, А2..., Аn}. Атрибуту соответствует область возможных значений. Между множеством атрибутов и областями возможных значений задается отображение вида: Dom: A D, где
D = {D1, D2,..., Dn} - области возможных значений;  Di - область возможных значений.

Сценарий реализации методики контроля качества

Рис.

13.

Таким образом, атрибуту Аi соответствует область значений Dom(Aj). Дня идентификации элементов из множества объектов Е выделяется номерное множество N. С множеством экземпляров сущности Е свяжем атрибут, который обозначает отношение принадлежности объекта к множеству экземпляров сущности Е и задает идентификатор экземпляра сущности.

Множество N ассоциируется с универсальным множеством идентификаторов экземпляров сущности. Это требует разработки соответствующей нумерации экземпляров сущности (NЕ). В качестве области значения атрибута Е рассматривается подмножество N (Dom(E) ⊆ N). В качестве атрибута объектов, наряду с атрибутом Е, может использоваться атрибут Е', значения которого ссылаются на другие объекты из множества Е (Dom(E') ⊆ Dom(E)). Такой атрибут рассматривается как ссылочный атрибут или атрибут связи. Таким образом, множество N рассматривается так же как элемент множества D (N D). Предложенный объектно-ориентированный подход для создания системы баз данных позволил значительно повысить уровень совместимости и целостности данных за счет использования типового интерфейса, типовых доменов и отношений между ними. Кроме того, он позволил создать условия для расширения системы методов и моделей за счет стандартизации доменов и свойств системной открытости, используя объектно-ориентированные языки программирования.

Функции Подсистемы экспертного оценивания (ЭО) характеристик технологических процессов реализуются полностью в структурном элементе, представляющем собой множество опросных анкет, т.к. именно такой способ расширения функционала Оболочки предусмотрен в системе «СОТА». Набор функций, заложенных в систему, зависит от того, какой шаблон ЭО был выбран из библиотеки при создании конкретного экземпляра ЭО в Конструкторе ЭО. Интеграция механизмов ЭО в оболочку СОТА достигается за счет реализации исполняемых фрагментов, составляющих сценарий экспертизы, с использованием прикладного программного интерфейса, предоставляемого Оболочкой СОТА, и в соответствии с ним.

Экземпляр ЭО формируется в Конструкторе ЭО на основе параметризации одного из имеющихся шаблонов, выбранного при его создании из библиотеки. Шаблоны ЭО могут различаться наличием или отсутствием следующих возможностей:

  • локальное отображение (в Оболочке эксперта) текущего выявленного уровня компетентности;
  • локальное отображение по окончании экспертизы детальной информации о выполнении каждого шага экспертизы и  обобщенной итоговой информации о результатах экспертного оценивания в графической или текстовой форме;
  • сохранение результата выполнения каждого этапа экспертизы в общей БД результатов ЭО для мониторинга экспертизы;
  • синхронизация с Подсистемой мониторинга результатов ЭО (централизованное управление началом и завершением сеанса ЭО в группе экспертов).

Эти и другие возможности могут комбинироваться в различных сочетаниях в каждом новом шаблоне ЭО.

При производстве бетонных плит ширина и длина являются важными характеристиками качества, так как плита по размерам должна точно подходить предусмотренному для нее месту. Для контроля ширины сначала используются X-bar и R-карты. Затем строится контрольная карта для длины. Ниже иллюстрация методики дается в предположении, что всего имеется 20 выборок по 3 наблюдения в каждой. Эти данные могли быть получены как непосредственно с измерительного устройства, так и из базы данных.

Следующим этапом строится составной график, в котором в верхней части находится X-bar карта (для контроля за средним процесса), а в нижней – R-карта (для контроля за изменчивостью процесса). Для обеих карт выдаются гистограммы (рис.14.), которые показывают распределение характеристик качества (средних и размахов в выборках, соответственно).

Перед тем, как сказать, правильно ли идет производственный процесс, нужно убедиться в том, что изменчивость процесса находится под контролем. Поэтому сначала исследуется контрольная карта изменчивости процесса (в данном случае - R карта). В данном случае вторая выборка свидетельствует о разладе процесса, так как размах для нее превышает верхний контрольный предел.

Далее проводится анализ X-bar карты. Из рисунка видно, что выборка 19 также может говорить о разладе процесса, так как среднее для нее находится ниже нижнего контрольного предела.

Чтобы убедиться в случайности выборок, проверяются критерии серий. Отображаются две таблицы (одна для X-bar карты, другая для R-карты). Если известны допустимые отклонения от спецификаций для ширины изделия, мы можем изучить пригодность процесса и отобразить на графике индексы пригодности процесса. При этом задается Номинал+-дельта, для которого отображаются две таблицы с индексами пригодности и индексами производительности процесса. Изучив индексы пригодности данного процесса, делаем вывод, что процесс можно считать пригодным и центрированным (хотя у нас есть выборки за контрольными пределами).

На следующем этапе проводится анализ индексов пригодности Cp, Cr, Cpl, Cpu, и Cpk (на рис. 14. левый верхний угол).

Карта размахов и формирования показателей пригодности

Рис.

14.

Предположим известно, что повлияло на выброс во 2 и 19 выборках. Выброс в выборке 2 был вызван ошибкой измерения из-за внешнего временного воздействия на датчик. Выборка 19 была получена новым, еще необученным оператором, которого затем отправили на обучающие курсы. Эту информацию также целесообразно хранить в БД с возможностью отображения на карте контроля качества (рис.15.).

Формирование отметок на карте

Рис.

15.

Разделение исследуемой выборки на составляющие

Рис.

16.

Так как выборка 2 выходит за контрольные пределы только R карты, используется опция R или S (MR/MS) карты для описания причины для второй выборки - "Ошибка датчика". Аналогично можно присвоить причину для выборки 19.

Коды для различных причин и действий хранятся в выбранных для них переменных. Если

Предположим, что достоверно известно, что для первых десяти выборок процесс находится под контролем. Начиная с выборки 11, станок заменили на новый. Следовательно, нужно задать два набора выборок и провести вычисления параметров карты для каждого набора отдельно (и определить, сместился ли процесс). Первый набор содержит выборки 1 - 10, второй - 11 - 20.

Изучив X-bar карту, можно сделать вывод, что после установки нового станка процесс действительно сместился. Тем не менее, процесс для каждого набора выборок находится под контролем (т.е., на карте нет выбросов) (рис. 17).

В заключении представлены основные результаты работы.

Приложение содержит документы об использовании результатов работы.

Основные выводы и результаты работ ы

  1. Проведен анализ методов и моделей оценки качества готовой продукции и параметров технологических процессов в условиях изменчивости реальных характеристик изделий.
  2. Выполнена классификация карт контроля качества, которые предлагается использовать для динамической идентификации характеристик изделий и технологических процессов с целью принятия решений по переналадке, замене и установке новых агрегатов.
  3. Проведен системный анализ функций лаборатории контроля качества на всех стадиях производства продукции, включая постановку на производство, входной, периодический, операционный и выходной контроль.
  4. Разработаны формализованные методы и модели преобразования количества дефектов при построении карт контроля качества. Предложена система критериев по оценке трендов изменчивости характеристик технологических процессов, а также показателей их потенциальной пригодности и подтвержденного качества.
  5. Разработаны методы классификации и многокритериальной оптимизации качества технологических процессов в условиях коррелированности системы показателей и множественного ранжирования экспертных оценок.
  6. Разработаны методы моделирования переходных процессов характеристик качества готовой продукции, связанных со старением агрегатов. Построены модели условно-нестационарных случайных процессов с заданной автокорреляционной функцией, а также модели процессов скользящего среднего для трендов качества.
  7. Разработана статистическая модель плана выборочного контроля последовательного типа и инструментальные средства визуализации потери качества в условиях выхода за динамические пороговые границы.
  8. На основе темпоральной логики разработаны модели проведения временных рассуждений в системе вывода правил для реализации способов устранения дефектов с использованием экспертных оценок в системе поддержки принятия решений по контролю качества.
  9. Разработаны методы проведения экспертных оценок качества продукции, пригодности технологических процессов и модели латентно-структурного анализа классификации производственных ситуаций.
  10. На основе категорного подхода разработана база данных экспертных оценок качества. Предложенный подход для создания системы баз данных позволил повысить уровень совместимости и целостности данных за счет использования типового интерфейса, типовых доменов и отношений между ними.
  11. Разработан программно-моделирующий комплекс гибридной системы поддержки принятия решений по контролю и управлению качеством. Комплекс внедрен для практического применения в ЗАО НПВФ «СВАРКА», ЗАО «Асфальтобетонный завод№1» (ЗАО «АБЗ-1»), ЗАО «КВИНТМАДИ», а также используются в учебном процессе МАДИ(ГТУ).

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

МОНОГРАФИИ

  1. Ивахненко А.М. Принципы построения гибридных систем поддержки принятия решений с открытой структурой, инвариантных к предметным областям. Монография / А.Б.Николаев, В.Ю. Строганов, А.М. Ивахненко // -М.: Техполиграфцентр». 2006. -196 с.
  2. Ивахненко А.М. Моделирование контроля качества технологических процессов и промышленной продукции. Монография / А.М. Ивахненко, А.Ч.Ахохов // М.: Техполиграфцентр». 2008. -146 с.

ПУБЛИКАЦИИ В РЕЦЕНЗИРУЕМЫХ ЖУРНАЛАХ ИЗ СПИСКА ВАК

  1. Ивахненко А.М. Методика организации и анализа управляемого имитационного эксперимента / А.М. Ивахненко, А.Ч. Ахохов, В.И. Нестеренко, А.Б. Чубуков, Г.П.Цибизов // Вестник МАДИ (ГТУ), вып. 1(7), 2006 М., МАДИ(ГТУ). – С. 78-83.
  2. Ивахненко А.М. Концепция создания гибридной системы поддержки принятия решений с открытой структурой / А.М. Ивахненко, Д.В. Белянский, М.В. Приходько, Аль-Газу Абдель Рахман // Вестник МАДИ(ГТУ) вып.1(8) / МАДИ(ГТУ).-М., 2007. -С.82-87.
  3. Ивахненко А.М. Подход к построению системы распознавания рукопечатных форм / А.Ч.Ахохов, В.И.Ивахненко, А.П.Баринов, Ла Суан Тханг // Вестник МАДИ(ГТУ) вып.1(12) / МАДИ(ГТУ).-М., 2008. -С.81-87.
  4. Ивахненко А.М. Имитационная модель сети массового обслуживания процессов внутризаводской транспортировки / В.И. Нестеренко, А.Ч. Ахохов, А.М. Ивахненко, Е.Ю.Фаддеева // Вестник МАДИ(ГТУ) вып.1(12) / МАДИ(ГТУ).-М., 2008. -С.73-76.
  5. Ивахненко А.М. Вложенная имитационная модель транспортировки в условиях стохастического характера грузопотоков и дальности перевозки/ В.И.Нестеренко, А.Ч.Ахохов, В.И.Ивахненко, А.Б.Чубуков // Вестник МАДИ(ГТУ) вып.1(12) / МАДИ(ГТУ).-М., 2008. -С.70-73.
  6. Ивахненко А.М. Анализ стандартов в области оценки защищенности/ Е.А. Васильева, А.М. Ивахненко, А.П. Баринов // «Горно-аналитический бюллетень». МГГУ,  № 3,  -М., 2008 –С 36-43.
  7. Ивахненко А.М. Методика прогнозирования технико-экономических показателей транспортных предприятий по модели факторного анализа / В.И. Нестеренко, А.Ч. Ахохов, А.М. Ивахненко // Вестник МАДИ(ГТУ) вып.2(13) / МАДИ(ГТУ).-М., 2008. –С.74-77.
  8. Ивахненко А.М. Автоматизация системы контроля качества при производстве асфальтобетонных смесей. Вестник МАДИ(ГТУ) вып.2(13) МАДИ(ГТУ).-М., 2008. -С.70-73.

ПУБЛИКАЦИИ В ДРУГИХ ИЗДАНИЯХ

  1. Ивахненко А.М. Логистические принципы функционирования терминальных систем // Сб. материалов 2-ой Международной конференции-семинара «Бизнес и логистика-98», под общ. ред. Л.Б.Миротина., М., «Брандес». 28-29 января 1998. –М. –С.28-32.
  2. Ивахненко А.М. Теоретическое обоснование возможности оценки взаимного влияния обслуживающих механизмов на эффективность транспортного процесса // Бизнес и логистика-2000: сб. материалов Московского международного логистического форума (ММДФ-2000). 1-4 февраля. –М. Техполиграфцентр. 2000. –С. 36-41.
  3. Ивахненко А.М. Аналитические методы оценки пропускной способности элементов логистических систем // Бизнес и логистика-2000: сб. материалов Московского международного логистического форума (ММДФ-2000). 1-4 февраля. –М. Техполиграфцентр. 2000. –С. 46-48.
  4. Ивахненко А.М. Применение деловых игр  в разработке управленческих решений на автомобильном транспорте / А.М..Ивахненко, А.А.Землянский, И.А.Кузнецов. - М. МАДИ(ГТУ). 2004. -157С.
  5. Ивахненко А.М. Формализации процедур адаптивного тестового контроля на базе нечетких множеств / А.М.Ивахненко, Г.П.Боннер, Д.П.Кацыв // Методы и модели автоматизированного управления: сб. науч. трудов МАДИ(ГТУ). –М., 2006. –С. 25-28.
  6. Ивахненко, А.М. Моделирование распределенной системы аттестации методом вложенных процессов / А.М. Ивахненко, Д.И. Попов // Новые технологии в автоматизации: сб. науч. трудов МАДИ(ГТУ). –М., 2006 . – С.124-128.
  7. Ivaxnenko, A.M. Realization of adaptive education in multifunctional adaptive integrated environment V.I.Nesterenko, N.A. Krasnikova, K.A. Nikolaeva. Information and telecommunication technologies in intelligent system. Proceedings of Fourth International Conference, Catania, Italy // International Academy of Information, 2006.
  8. Ивахненко А.М. Основы моделирования динамики систем управления транспортными средствами / С.Р. Алексеев, Д.П. Кацыв, О.Л. Снеткова // Теория и практика информационных технологий: межвуз.сб. науч. тр. –М., 2006. -С. 108-116.
  9. Ивахненко А.М. Информационные технологии в задах управления качеством цепей поставок / А.М. Ивахненко, К.А. Атаев // Инновационные технологии на транспорте и в промышленности: сб. науч. тр. / МАДИ(ГТУ). –М. 2007. - С.41-48.
  10. Ивахненко А.М. Использование вложенных имитационных моделей в контуре управления предприятиями / А.М. Ивахненко, В.И. Нестеренко, А.В. Колик, Аль-Газу Абдель Рахман // Инновационные технологии в промышленности, строительстве и образовании: сб. науч. тр. / МАДИ (ГТУ). –М., 2007 -С.87-93.
  11. Ивахненко А.М. Формирование экспертных групп в системах поддержки принятия решений автодорожных предприятий / А.М.Ивахненко, П.Ф. Юрчик, И.Н. Акиньшина, Маджид Айман // Инновационные технологии в промышленности, строительстве и образовании: сб. науч. тр. // МАДИ (ГТУ). -М., 2007 -С.159-161.
  12. Ивахненко А.М. Синтез топологии корпоративных информационных систем / А.М. Ивахненко, Лян Лян, А.С. Горячев, М.В. Приходько // Информационные технологии: программирование, управление, обучение: сб. науч. тр. / МАДИ(ГТУ) -М., 2007. -С. 15-22.
  13. Ивахненко А.М. Синтез структуры распределенной информационной системы / Ивахненко А.М., В.И. Нестеренко, А.В. Колик, А.Ч. Ахохов, А.Б. Чубуков // Информационные технологии: программирование, управление, обучение: сб. науч. тр. / МАДИ(ГТУ). -М., 2007. -С. 42-49.
  14. Ивахненко А.М. Гибридные системы поддержки принятия решений с открытой структурой / А.М. Ивахненко, А.Б. Чубуков, Д.В. Белянский, А.В. Колик // Информационные технологии: программирование, управление, обучение: сб. науч. тр. / МАДИ(ГТУ). -М., 2007. -С. 122-125.
  15. Ивахненко А.М. Антикризисный менеджмент складских технологий / А.М. Ивахненко, К.И. Атаев, Д.А. Паршин // Методы прикладной информатики в автомобильно-дорожном комплексе: сб. науч. тр. / МАДИ(ГТУ). –М. 2007. -С.71-74.
  16. Ивахненко А.М. Модели управления цепочками поставок на предприятиях с распределенной структурой / А.М. Ивахненко, А.Б. Николаев, А.В. Ящуков, А.П. Баринов // Организационно-управляющие системы на транспорте и в промышленности: сб. науч. тр. / МАДИ(ГТУ). –М. 2007. – С.111-117.
  17. Ивахненко А.М. Формализация рассуждений в экспертных системах  реального времени / А.М. Ивахненко, Л.И. Бернер, А.В. Рощин // Вопросы теории и практики автоматизации в промышленности: сб. науч. тр.  МАДИ(ГТУ) -М., 2008. - С.26-34.
  18. Ивахненко А.М. Переходные режимы в системах массового обслуживания / А.М. Ивахненко, А.В. Балдин, А.А. Шарков, Р.П. Лукащук // Вопросы теории и практики автоматизации в промышленности: сб. науч. тр.  МАДИ(ГТУ). -М., 2008. - С.35-39.
  19. Ивахненко А.М. Разработка имитационных моделей компонентов системы управления / А.М. Ивахненко, А.Ч. Ахохов, А.Б. Чубуков, Е.Ю. Фаддеева // Вопросы теории и практики автоматизации в промышленности: сб. науч. тр.  МАДИ(ГТУ). -М., 2008. - С.93-104.
  20. Ивахненко А.М. Организация перевозок на городском и пригородном пассажирском транспорте / А.М. Ивахненко, Л.Б. Миротин, С.С. Гоголин, А.А. Шарков // Инновационные методы автоматизации технологических процессов и производств: сб. науч. тр. МАДИ(ГТУ). –М., 2008. – С. 70-75.
  21. Ивахненко А.М. Обоснование модели управления цепочками поставок /А.М. Ивахненко, А.Ч. Ахохов, В.И. Нестеренко, А.Б. Чубуков // Инновационные методы автоматизации технологических процессов и производств: сб. науч. тр. МАДИ(ГТУ). –М., 2008. – С. 82-85.
  22. Ивахненко А.М. Разработка технического задания на программную реализацию системы поддержки принятия управленческих решений / А.Ч. Ахохов, А.М, Ивахненко,  В.И. Нестеренко, А.Б.Чубуков // Инновационные методы автоматизации технологических процессов и производств: сб. науч. тр. / МАДИ(ГТУ). – М., 2008. –С.112-122.
  23. Ивахненко А.М. Задачи оптимизации структуры управления производством работ на протяженных объектах / В.И.Нестеренко, А.Ч. Ахохов, А.М. Ивахненко, А.Б. Чубуков // Методы ситуационного управления и статистического анализа в промышленности, строительстве и образовании: сб. науч. тр. / МАДИ(ГТУ). – М., 2008. –С.14-23.
  24. Ивахненко А.М. Сценарий системы поддержки принятия решений и концепция создания ситуационного центра / В.И.Нестеренко, А.Ч. Ахохов, А.М. Ивахненко, А.Б. Чубуков //Методы ситуационного управления и статистического анализа в промышленности, строительстве и образовании: сб. науч. тр. / МАДИ(ГТУ). – М., 2008. –С.42-51.
  25. Ивахненко А.М. Мониторинг производственных процессов с использованием распределенной информационной системы / В.И.Нестеренко, А.Ч. Ахохов, А.М. Ивахненко, А.Б. Чубуков // Методы ситуационного управления и статистического анализа в промышленности, строительстве и образовании: сб. науч. тр. / МАДИ(ГТУ). – М., 2008. –С.24-33.



© 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.