Принципы, методология и инструменты инновационного обеспечения управления качеством

Размещено на http://www.allbest.ru/

Автореферат

диссертации на соискание ученой степени

доктора экономических наук

Принципы, методология и инструменты инновационного обеспечения управления качеством

Шулешко Александр Николаевич

Специальность: 08.00.05 - Экономика и управление народным

хозяйством (стандартизация и управление качеством продукции)

Иркутск - 2012

Работа выполнена, обсуждена и рекомендована к защите на кафедре «Управления качеством и механики» в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Иркутский государственный технический университет»

Научные консультанты:

доктор технических наук, профессор

Лонцих Павел Абрамович;

доктор экономических наук, профессор

Кородюк Игорь Степанович

Официальные оппоненты:

Доктор экономических наук, Почетный работник Высшей школы, профессор

Горбашко Елена Анатольевна

Доктор технических наук, профессор

Азаров Владимир Николаевич

Доктор экономических наук, профессор

Старков Рафик Федорович

Ведущая организация:

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ). Кафедра менеджмента и систем качества.

Защита состоится «20» марта 2012 г. в 10 часов на заседании диссертационного совета ДМ 212.073.08 в Иркутском государственном техническом университете по адресу: 664074, г. Иркутск, ул. Лермонтова, 83, корпус «К», конференц-зал.

С диссертацией можно ознакомиться в научно-технической библиотеке НИУ ГОУ ВПО «Иркутский государственный технический университет», а с авторефератом - на официальном сайте университета www.istu.edu.

Отзывы на автореферат отправлять по адресу: 664074, г. Иркутск, ул. Лермонтова, 83, ученому секретарю диссертационного совета ДМ 212.073.08.

Автореферат разослан «19» февраля 2012 г.

Ученый секретарь диссертационного совета,

кандидат экономических наук,

профессор Берегова Г. М.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования

В настоящее время в России активно формируется курс на переход модели экономического развития страны от сырьевой к инновационной. Рассматриваются проблемы, решаются задачи, внедряются проекты, призванные обеспечить конкурентоспособность с лучшими мировыми аналогами. Инновационный вектор экономического развития предприятий России невозможен без улучшения качества и конкурентоспособности их продукции, как на внутреннем, так и на внешнем рынке.

Концепция увеличения эффективности, надежности и повышение безопасности продукции изложена в семействе международных стандартов МС ИСО 9000, принятых в качестве национальных стандартов во многих странах. Надежность и безопасность изделий на всех этапах их жизненного цикла являются аспектами качества продукции, которое характеризует способность удовлетворять установленным и предполагаемым потребностям потребителей, заинтересованные стороны, стейкхолдеров и общество, в целом. Требования общества - принятые обязательства, вытекающие из законов, инструкций, правил, кодексов, уставов и других соображений относительно обеспечения качества изделий. Они становятся все более жесткими и более определенными.

C учетом того, что системы менеджмента, сформулированные на основе требований стандартов МС ИСО 9000 внедрены практически на всех зарубежных коммерческих предприятиях, внедрены и активно внедряются на российских, для получения конкурентных преимуществ необходимо применять инновационные технологии развитияи модернизации, отсутствующие у конкурентов.

Инновации в производстве товаров и услуг являются деятельностью, или процессом, с помощью которого результаты научно-исследовательской работы внедряются, интегрируются в продукты и (или) услуги на рынке. При этом, под реализацией научного результата или технологической разработки понимается получение инвестиционного, или коммерческого эффекта. Результаты внедрения инноваций приносят выгоду не только в виде возврата инвестиций в научно-исследовательскую работу, но и обеспечивают увеличение объема производимой продукции и услуг, повышения их качества и снижения себестоимости. Инновационное развитие определяет вектор совершенствования производств, модернизации экономики, создание новых и модернизацию существующих секторов промышленности. Повышение качества товаров и услуг, совершенствование систем менеджмента качества - это применение методов инноваций для решения задач развития и управления качеством.

Передовые предприятия, достигшие лидерства в своих секторах деятельности, как правило, обладают современными инновационными инструментами управления качеством. Однако, такие разработки относят к категории “ноу-хау”, не предназначенной для широкой публикации.

Несомненна актуальность проблем совершенствования качества, внедрения в этих целях принципов и методов инноваций. Очевидно, формирование и модернизация актуальных принципов, распространение методологических аспектов и внедрение современных инструментов инновационного управления качеством должны быть направлены на развитие инновационной активности предприятия, обеспечение задач модернизации и становления конкурентоспособности как отдельных предприятий, отраслей экономики, так и экономики России в целом.

Вышесказанное подтверждает актуальность заявленной темы диссертационной работы.

Степень разработанности проблемы

На современном этапе, вопросы совершенствования систем управления качеством, а, следовательно, применение в этих целях наиболее актуальных, инновационных методов, средств и аппарата исследований получили свое отражение в ряде научных трудов отечественных и зарубежных специалистов. Наиболее изученными считаются проблемы совершенствования и повышения качества систем, развития подходов к управлению качеством, которые рассматривались в работах русских ученых П.Л. Чебышева и А.М. Ляпунова, зарубежных ученых У.А.Шухарта, Э.Деминга, Д.Джурана, К. Исикавы, Ф. Кросби, А. Фейгенбаума, Дж. Харрингтона.

Ряд методов улучшения систем управления качеством, обеспечения его непрерывного улучшения и совершенствования представлен в работах В.В. Бойцова, В.Н. Азарова, А.А. Фролова, И.П. Муравьева, Е.А.Горбашко, Д.А. Поспелова, D.В. Fogel, D.E. Goldberg, R. Shonkwiler, K.R. Miller, D. Whitley, J.D. Schaffer, J.Eshelman.

В настоящее время рассмотренные проблемы являются объектом пристального изучения международных организаций и предприятий. В российской науке вопросы внедрения теоретических и методологических основ инновационного обеспечения управления качеством, эффективности и результативности внедрения экономических систем, методы применения математического программирования для обеспечения управления и совершенствования качества рассмотрены в работах А.В. Аттекова, С.В. Галкина, В.В. Окрепилова, С.А. Степанова, Ю.П. Лисовеца, В.С. Зарубина, А.В. Гличева, А.А. Корбута, Л.Е. Басовского, Ю.Ю. Финкельштейна, В.В. Лесина, В.Г. Карманова, П.А. Лонциха, В.Б. Протасьева, Ю.П.Адлера, Б.И.Герасимова, Н.Д.Ильенковой, С.В. Мищенко, С.В. Пономарева.

Однако, по состоянию на сегодняшний день, отсутствует интегральное представление о разработке и применении принципов, методов и алгоритмов инновационного обеспечения управления качеством. Научные исследования, основные результаты которых представлены в широкодоступных публикациях, рассматривают отдельные элементы корреляции инноваций и совершенствования качества, основанные на фрагментарном сопоставлении стандартов систем менеджмента качества и принципов инноваций, либо без учета такого сопоставления, что накладывает значительные рестрикции на практическое использование данных исследований.

Актуальность и недостаточная изученность теоретических и методологических основ решения сформулированных проблем, формирования принципов, разработки и внедрения современных инструментов инновационного обеспечения управления качеством, обусловили выбор темы диссертационной работы, определили цель, задачи и поисковый характер исследования.

Целью работы является формирование концепции, принципов, методологии и теоретических основ внедрения современных инструментов обеспечения инновационного управления качеством в целях реализации основных принципов менеджмента качества, совершенствования и модернизации предприятий, ориентации на потребителя и обеспечения его конкурентоспособности на отечественных и мировых рынках.

Для достижения указанной цели были поставлены и решены следующие задачи:

- Предложена модификация принципа, или цикла Э. Деминга P-D-C-A, включающая в себя прогнозирование на базе современных методик, позволяющая более эффективно планировать и анализировать параметры процессов системы управления качеством.

- Решена задача прогнозирования тренда параметров процессов как применение статистических инструментов качества, в том числе, с использованием современных робастных алгоритмов. Предложены аналитические методы прогнозирования работоспособности и надежности оборудования, как элемент системы менеджмента качества.

- Разработана методология модификации эволюционного алгоритма для решения задач оптимизации при совершенствовании системы менеджмента качества. Эволюционные алгоритмы применены как процедуры поиска, основанные на механизмах естественного отбора и наследования, мутации, реверсии и элитизма.

-Разработана методология и применены методы математического программирования в контексте оптимизации параметров процессов, обеспечения совершенствования систем менеджмента качества, в том числе, в задачах нелинейного программирования и многокритериальной оптимизации, с учетом накладываемых ограничений.

- Предложены методы мониторинга состояния СМК и экспертные системы на базе нейронных сетей и нечеткой логики, позволяющие снижать потери продукции; повышать производительность, эффективность, надежность, экологическую безопасность.

- Разработаны методики расчета и прогнозирования риска выхода из строя технологического оборудования на базе статистических методов, предложены новые механизмы риск-менеджмента.

- Разработаны принципы, методология и предложены методики оценки рисков инвестирования в различные финансовые активы с использованием искусственных нейронных сетей.

Объектом исследования являются предприятия и организации, решающие задачу разработки, внедрения и совершенствования систем менеджмента качества, а также реализующие инновационный подход в системах менеджмента, разработчики нормативных документов и стандартов качества.

Предметом исследования являются принципы, методологические основы, инновационные методы и алгоритмы, используемые для обеспечения управления качеством; подходы и математические модели для обеспечения надежности и совершенствование систем менеджмента, основанные на реализации эволюционных алгоритмов в задачах управления и оптимизации систем качества.

Область исследования. Тема диссертации соответствует паспорту номенклатуры специальности 08.00.05 - Экономика и управление народным хозяйством (стандартизация и управление качеством продукции): п. 13.22 - теоретические и методологические основы инновационного обеспечения управления качеством на предприятии.

Научная новизна исследования состоит в следующем:

- Предложена модификация классического принципа, или цикла Э. Деминга P-D-C-A, включающая в себя прогнозирование на базе инновационных алгоритмов математического программирования, позволяющая более эффективно планировать и анализировать параметры процессов системы управления качеством.

- Сформулированы, обоснованы и классифицированы основные критерии, условия и параметры теоретических и методологических основ разработки и внедрения современных инструментов обеспечения инновационного управления качеством различных систем.

- Предложены методы и алгоритмы расчетов, позволяющие эффективно решать задачи бизнес-планирования и формирования политики организаций на основании критериев и требований стандарта ИСО 9001:2008. инновационный управление качество

- Предложены аналитические методы прогнозирования работоспособности и надежности оборудования предприятия, как элемент системы менеджмента качества; решена задача робастного трендового прогнозирования параметров процессов как применение математических инструментов качества.

- Разработана методология, адаптированный подход и методы анализа модификации эволюционного алгоритма для решения задач оптимизации при совершенствовании системы менеджмента качества. Применены инновационные эволюционные алгоритмы.

- Предложен алгоритм диагностирования параметров качества машин, оборудования и систем с использованием нейронных сетей-классификаторов. В качестве одного из инновационных путей развития экспертных систем предложено применение нейронных сетей.

- Разработаны алгоритмы применения нечеткой логики в задачах управления качеством.

- Разработаны методы и решены задачи математического программирования в приложении к инновационному обеспечению систем менеджмента качества, в задачах нелинейного программирования и многокритериальной оптимизации, с учетом налагаемых ограничений;

- Разработаны методики расчета и прогнозирования риска, методы определения риска инвестирования в различные финансовые активы с использованием искусственных нейронных сетей.

Методы исследования, достоверность и обоснованность.

Формирование теоретических положений и разработка на их основе методологических основ применения методов инноваций для решения задач развития и управления качеством стали возможными благодаря системному подходу при использовании методов анализа и синтеза систем менеджмента, методов реинжиниринга, бенчмаркинга, применения статистических инструментов менеджмента, экономического и финансового анализа, методов и принципов решения оптимизационных задач, использованию методов нелинейного программирования, методов статистического, сравнительного анализа, процессного и системного подходов. Достоверность и обоснованность применяемых методов подтверждается их широким использованием в самых различных прикладных исследованиях, а также в производственной практике при разработке, внедрении и сертификации систем менеджмента качества.

Практическая значимость результатов проведенного исследования заключается в возможности использования разработанной модели исследования, анализа и синтеза систем менеджмента качества, применения предложенной совокупности теоретических положений, методов решений проблем управления качеством в различных системах менеджмента, применения разработанных инструментов обеспечения инновационного управления качеством, которые могут быть применены в различных организациях при совершенствовании управления, создания и улучшения систем менеджмента качества.

Апробация и внедрение результатов работы. Основные научные положения и результаты исследования были представлены на научно-практических конференциях и конкурсах: Отраслевой конкурс «молодых инженеров и исследователей им. И.К. Кикоина», Москва (2005), Всероссийский конкурс «Инженер года», Москва (2005), Международный симпозиум «Качество, инновации, образование и CALS-технологии», Хургада, Египет (2006), конкурс «на лучшую разработку ОАО «ТВЭЛ», Москва (2010), Первая Всероссийская научно-техническая конференция с международным участием «Жизненный цикл конструкционных материалов», Иркутск (2011), XIII Международная конференция «Менеджмент качества, инновации, сертификация систем менеджмента», Казахстан, Алматы (2011).

Результаты и выводы, полученные в диссертационной работе, внедрены на ОАО «АЭХК» (дочерняя компания ОАО «ТВЭЛ», ГК «Росатом»), в Институте земной коры Сибирского отделения РАН (акты о внедрении).

Основные результаты диссертационной работы доложены, обсуждены и получили положительную оценку на расширенном заседании кафедры управления качеством и механики и кафедр института экономики, управления и права Иркутского государственного технического университета.

Результаты диссертационной работы использовались при разработке курсов «Основы обеспечения качеством», «Проблемы качества и технология инжиниринга», «Методы прогнозирования в высокотехнологических производствах», читаемых в ФГБОУ ВПО Иркутском государственном техническом университете (справка о внедрении).

Публикации по теме диссертации.

По теме диссертационной работы автором опубликована 21 научная работа общим объемом 77 п.л., из них 12 в научных журналах из списка, рекомендованного ВАК, 5 монографий (из них 4 в соавторстве), общий авторский вклад 41,8п.л.

Объем и структура работы. Диссертация включает введение, шесть глав, заключение, библиографический список, включающий 317 наименований работ отечественных и зарубежных авторов, приложения. Общий объем диссертации 303 страницы, работа содержит 53 рисунка и 27 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении диссертации обоснована актуальность темы исследования, поставлены цель и задачи диссертационной работы, определены объект и предмет исследования, теоретические и методологические основы, определена научная новизна, практическая значимость работы, представлена информация об апробации и внедрении результатов работы.

В первой главе “Состояние проблемы разработки теоретических и методологических приниципов инновационно обеспечения управления качеством. Цель и задачи исследования” кратко представлен анализ состояния проблемы инновационного обеспечения управления качеством на предприятиях России, обсуждены существующие резервы повышения качества продукции. В главе представлен обзор литературных источников, критический анализ которых позволил обосновать предмет и задачу собственного диссертационного исследования. Сформулированы основные задачи диссертационной работы.

Во второй главе “Состояние проблемы разработки теоретических и методологических приниципов инновационно обеспечения управления качеством. Цель и задачи исследования” дается обоснование необходимости разработки концептуально новой системы всеобщего управления качеством на базе принципа, или цикла Э. Деминга P-D-C-A. Показана целесообразность применения современных робастных алгоритмов трендового прогнозирования параметров процессов. Предложены методы оценки достоверности прогнозов.

В третьей главе “Модернизация систем управления качеством на предприятиях с использованием искусственного интеллекта” рассмотрены методы мониторинга состояния систем менеджмента качества, позволяющие снижать потери продукции; повышать производительность, эффективность. Проанализированы системы управления качеством, одним из компонентов которых являются экспертные системы. Эффективным инструментом модернизации экспертных систем является применение нейронных сетей. Предложены базовые задачи для нейронных сетей и основные методы настройки сетей для их решения. Рассмотрены методы формирования нейронных сетей как решение задачи оптимизации выявления процессов системы управления качеством.

В четвертой главе “Внедрение современных эволюционных алгоритмов в задачи инновационного обеспечения управлением качеством предприятий” изучены вопросы внедрения современных эволюционных алгоритмов и традиционных методов оптимизации в системы управления качеством. Для повышения эффективности работы основного алгоритма, предложены несколько его модификаций, связанных с преобразованием функции приспособленности путем ее масштабирования. Разработана схема решения в случае многокритериальной оптимизации и методов нелинейного программирования. Приведены примеры оптимизации функции с помощью собственных программных решений. Предложены методы оптимизации систем управления качеством, сформулированные на основе использования подходов математического программирования.

В пятой главе “Теоретические и методологические основы использования нечетких множеств в задачах обеспечения управления качеством” обоснована необходимость отказа от традиционного подхода в оценках количественных показателей процессов. Предложено применение нечетких множеств и нечеткой логики в задачах обеспечения управления качеством. Приведены схемы построения систем управления процессами на базе нечеткой логики.

В шестой главе “Разработка расчетных моделей оценки финансовых рисков с использованием искусственных нейронных сетей-классификаторов” обоснована возможность применения систем искусственного интеллекта для оценки финансовых рисков, как инновационного инструмента управления качеством. Приведены принципы построения, обучения нейронных сетей-классификаторов. Показаны алгоритмы предобработки исходных данных.

В заключении излагаются основные научные результаты, полученные автором в ходе диссертационного исследования.

ОСНОВНЫЕ ПОЛОЖЕНИЯ И РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Решена задача робастного трендового прогнозирования параметров процессов, как применение статистических инструментов управления качеством.

Международный стандарт ИСО 9001:2008 формулирует требования к разработке стратегии предприятия, его развития, а, следовательно, и к прогнозированию следующим образом: «Для создания системы менеджмента качества требуется стратегическое решение организации».

Прогнозирование с помощью трендов - один из методов статистического прогнозирования. При прогнозировании тренд, в основном, используют для долговременных прогнозов. Точность краткосрочных прогнозов, основанных только на подобранной кривой тренда, как правило, недостаточна. При долгосрочном прогнозировании для получения адекватного прогноза необходимо выполнение следующих условий:

• временной интервал, для которого построен тренд, достаточен для определения тенденции;

• анализируемый процесс устойчив и обладает инерционностью;

• не ожидается сильных внешних воздействий на изучаемый процесс

Тогда, получение прогнозных значений изучаемого процесса осуществляется путем подстановки в уравнение тренда

xt=tr(t)

Определяем значения независимой переменной t, соответствующей периоду упреждения ф. Получается точечная оценка прогнозируемого показателя по уравнению, описывающему тенденцию. Полученный прогноз является средней оценкой для прогнозируемого интервала времени, так как тренд характеризует некоторый средний уровень на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом.

На практике оценочные прогнозы выполняются с использованием линейного тренда:

trt = b0 + b1*t, (1)

где b0, b1 - коэффициенты линейного тренда.

В современных экономических приложениях, когда определение коэффициентов линейного тренда по методу наименьших квадратов не дает хороших результатов, целесообразно воспользоваться инновационными ROBUST-алгоритмами. Данные алгоритмы достаточно сложны и основаны на итерационной корректировке начальных коэффициентов b0 и b1, полученных по методу наименьших квадратов.

Реализация ROBUST-алгоритма для определения коэффициентов линейного тренда выглядит следующим образом.

Пусть заданы два вектора значений - независимый t: {t1, t2,…, tn} и зависимый X: {X1, X2,…, Xn} (X=X(t)). Далее определяем начальные значения b00и b10по формуле (1). Вектор t преобразовывается в двумерную матрицу размерностью 2 х n следующим образом:

Далее проводится QR-преобразование матрицыТ (вычисление унитарной матрицы и верхней треугольной матрицы). В основе данного преобразования лежит представление матрицы в виде T=QR, где Q - ортогональная матрица (Q-1=QT), а R - верхняя треугольная матрица. Такое разложение существует для любой квадратной матрицы.

Известно несколько методик проведения QR-преобразования. Одной из таких методик является преобразование Хаусхолдера. Результатами преобразования являются матрицы Q[2 х n] и R[2 х 2]. Данный метод позволяет обратить в нуль группу поддиагональных элементов столбца матрицы.

Преобразование, указанное выше, осуществляется с использованием матрицы Хаусхолдера, имеющей следующий вид:

, (2)

где н - произвольный нулевой вектор-столбец, Е - единичная матрица, ннТ - квадратная матрица того же размера.

Легко убедиться, что любая матрица такого вида является симметричной и ортогональной. При этом произвол в выборе вектора н дает возможность построить матрицу, отвечающую некоторым дополнительным требованиям.

Рассмотрим случай, когда необходимо обратить в нуль все элементы какого-либо вектора кроме первого, т.е. построить матрицу Хаусхолдера такую, что:

, , .

Тогда вектор н определится следующим образом:

н =b+ sign(b1)||b||2e1, (3)

где - евклидова норма вектора .

Применяя описанную процедуру с целью обнуления поддиагональных элементов каждого из столбцов исходной матрицы, можно на основе зафиксированного числа шагов получить ее QR-разложение.

Рассмотрим подробнее реализацию данного процесса. Положим А0=Т и построим преобразование Хаусхолдера H1 (A1=H1A0), переводящее матрицу A0 в матрицу A1 с нулевыми элементами первого столбца под главной диагональю:

.

Матрица ХаусхолдераН1 должна определяться по первому столбцу матрицы A0, т.е. в качестве вектора b в выражении (3) берется вектор . Тогда компоненты вектора н вычисляются следующим образом:

Матрица Хаусхолдера Н1 вычисляется согласно (2):

На втором шаге рассматриваемого процесса строится преобразование Хаусхолдера H2 (A2=H2A1), обнуляющее расположенные ниже главной диагонали элементы второго столбца матрицы А1. Взяв в качестве вектора b вектор размерности n-1, получим следующие выражения для компонентов вектора н:

Повторяя процесс n-1 раз, получим искомое разложение T=QR, где

, .

Процедура QR-разложения многократно используется в QR-алгоритме вычисления собственных значений. Выполняется следующий итерационный процесс:

A(0)=Т,

A(0)=Q(0)R(0) - производится QR-разложение,

A(1)=R(0)Q(0) - производится перемножение матриц,

…………….

A(k)=Q(k)R(k) - разложение,

A(k)=R(k)Q(k) - перемножение.

Таким образом, каждая итерация реализуется в два этапа. На первом этапе осуществляется разложение матрицы A(k), в произведение ортогональной Q(k) и верхней треугольной R(k) матриц, а на втором - полученные матрицы перемножаются в обратном порядке.

При отсутствии у матрицы кратных собственных значений последовательность A(k) сходится к верхней треугольной матрице (в случае, когда все собственные значения вещественны) или к верхней квазитреугольной матрице (если имеются комплексно-сопряженные пары собственных значений).

Таким образом, каждому вещественному собственному значению будет соответствовать столбец со стремящимися к нулю поддиагональными элементами и в качестве критерия сходимости итерационного процесса для такихсобственных значений можно использовать следующее неравенство:

При этом соответствующее собственное значение принимается равным диагональному элементу данного столбца.

Каждой комплексно-сопряженной паре соответствует диагональный блок размерностью 2х2, т.е. матрица A(k) имеет блочно-диагональную структуру. Принципиально то, что элементы этих блоков изменяются от итерации к итерации без видимой закономерности, в то время как комплексно-сопряженные собственные значения, определяемые каждым блоком, имеют тенденцию к сходимости. Это обстоятельство необходимо учитывать при формировании критерия выхода из итерационного процесса. Если в ходе итераций прослеживается комплексно-сопряженная пара собственных значений. Соответствующему блоку, образуемому элементами j-го и (j+1)-го столбцов , то, несмотря на значительное изменение в ходе итераций самих этих элементов, собственные значения, соответствующие данному блоку и определяемые из решения квадратного уравнения, начиная с некоторого k, отличаются незначительно. В качестве окончания итераций для таких блоков может быть использовано следующее условие:

Недостатком предложенного алгоритма является большое число операций (пропорционально n3, где n - размерность матрицы), необходимое для QR-факторизации матрицы на каждой итерации. Эффективность QR-алгоритма может быть повышена, если предварительно с помощью преобразования подобия привести матрицу к верхней Хессенберговой форме, в которой равны нулю все элементы, находящиеся ниже главной диагонали за исключением элементов первой диагонали. Предварительно производится следующая операция:

A(0)=HTAH

где A(0) - матрица Хессенберга, имеющая следующую структуру (знак х обозначает ненулевые элементы):

,

Здесь принципиально то, что в дальнейшем, в ходе QR-итераций, матрицы A(k) сохраняют верхнюю Хессенбергову форму, что позволяет более экономно проводить их QR-разложение.

После определения матриц Q[2 х n] и R[2 х 2] в ROBUST-алгоритме следует определение начального корректировочного вектора:

Полученная матрица [H] имеет размерность [2xn]. Вектор {h} вычисляется как:

Все элементы вектора {h} сравниваются со значением 0.999. Те элементы, которые больше 0.999, заменяются на 0.999, а которые меньше - остаются без изменения.

Финальным этапом определения начального корректировочного вектора {a} является следующее преобразование:

.

Далее циклическое вычисление скорректированных коэффициентов b0 и b1 по следующему алгоритму:

· вычисляется вектор ошибок тренда:

,

где . На первом шаге .

· вектор ошибок умножается на начальный корректировочный вектор:

;

· определяется m - медиана в векторе {r};

· определяется вектор rs, как rsi=abs(ri-m), где i=1…n. Выполняется сортировка значений в векторе {rs} от меньшего к большему;

· определяется s, как медиана вектора {rs}, для значений от 2 до n. Далее s делится на коэффициент 0.6745;

· вычисляется промежуточный вектор {z} как {z}={а}/(2.38*s);

· вычисляется вектор {wi}=1/(1+zi2);

· вычисляется окончательный корректировочный вектор:

;

· вычисляются скорректированные {Xw}, [Tw]:

{Xw}={X}*{k},

Twi,j=[Ti,j]*{k};

· новые коэффициенты b0 и b1 вычисляются из системы линейных уравнений:

{Xw}={Tw}{b}.

Описанная процедура выполняется до тех пор, пока дальнейшие итерации не принесут изменений {b}.

На рис.1 представлен временной ряд, содержащий информацию о потреблении электроэнергии, а также два тренда. Первый - построенный по классическому МНК-алгоритму, второй - по алгоритму, предложенному в диссертационной работе. Видно, что классический алгоритм приведет к неверному определению текущей тенденции, предложенный же нами алгоритм робастного определения тренда верно отражает тенденцию к росту потребления энергии.

Таким образом, в ходе выполненных исследований, решена задача робастного трендового прогнозирования параметров процессов, как применение статистических инструментов управления качеством.

2. Предложена модификация классического принципа, или цикла Э. Деминга P-D-C-A, включающая в себя прогнозирование на базе современных алгоритмов математического программирования.



Рис. 1. График потребления электроэнергии и его статистическая обработка

Процессный подход является одним из основополагающих требований, изложенных в стандарте МС ИСО 9001:2008. Под процессом понимается совокупность взаимосвязанных ресурсов и деятельности, преобразующей входящие элементы в выходящие. Одной из известных реализаций “принципа постоянного улучшения” процесса является цикл Э.Деминга Plan-Do-Check-Act (P-D-C-A), представленный на рис.2.

Размещено на http://www.allbest.ru/

Рис 2. Классический цикл Э.ДемингаP-D-C-A

Классический цикл P-D-C-A в течение ряда лет является одним из основных методов принципа “постоянного совершенствования”, успешно применяемым организациями, практикующими процессный подход (рис. 3).

На этапе “Планирование” в рамках цикла P-D-C-A планируются управляющие воздействия, целью которых является приближение выходных параметров процесса к оптимальным.

Размещено на http://www.allbest.ru/

Рис. 3. Схема процесса

Таким образом, формируется вектор управляющих воздействий на процесс, результатом применения которых на выходе процесса формируется вектор фактических выходных параметров , отличающийся от вектора оптимальных параметров . На этапе “контроль” проводится анализ несоответствий, вычисляется расхождение фактических выходов процесса от оптимальных:

Очевидно, смысл цикла P-D-C-A заключается в минимизации вектора . Теоретически, при выполнении бесконечного количества итераций цикла P-D-C-A.

В условиях инновационной модели развития системы управления качеством, необходима разработка методов снижения количества итераций цикла P-D-C-A, что позволит значительно сократить время вывода выходов процессов на оптимальные показатели, тем самым получив конкурентные преимущества.

Для более эффективной работы цикла Э.Деминга, необходимо включить современные методики прогнозирования, позволяющие заранее оценить эффективность мероприятий на стадии планирования.

Для решения поставленной проблемы в рамках диссертационной работы предлагается использовать модернизированный цикл - P&P-D-C-A (Plan&Predict-D-C-A, рис.4):

Размещено на http://www.allbest.ru/

Рис 4. Цикл Э.Деминга с прогнозированием состояния оптимизируемого процесса

На современном этапе развития математических методов прогнозирования, предлагается использовать искусственные нейронные сети с обратным распространением ошибки. При этом, на начальном этапе формируются обучающие выборки из векторов ,. Далее, после корректного обучения нейронной сети, появляется возможность моделировать выходные параметры процессов.

Одним из вариантов прогнозирования может стать робастный расчет тренда, показанный выше. Данный подход будет справедлив для процессов, между входами и выходами которых установлена линейная зависимость, но в статистических данных присутствуют нехарактерные точки.

В общем случае, целесообразно применять современные методы математического программирования. Одним из таких методов является применение искусственной нейронной сети (ИНС).

В ходе диссертационного исследования показано, что модернизированный цикл P&P-D-C-A с системой прогнозирования на базе корректно обученной искусственной нейронной сети с обратным распространением ошибки позволяет существенно снизить число итераций цикла “постоянного улучшения” при процессном подходе, тем самым получить конкурентное преимущество.

3. Предложены аналитические методы прогнозирования работоспособности и надежности оборудования предприятия на базе обработки статистических данных по параметрам качества, как элемент системы менеджмента качества.

Методы математической статистики являются одним из ключевых инструментов, позволяющим выявлять несоответствия и повышать эффективность и результативность процессов с точки зрения международного стандарта ИСО 9001:2008.

Как показывает практика, основной причиной выхода из строя технологического оборудования на промышленных предприятиях является его износ. Значительно реже причиной аварийного останова оборудования являются как ошибки персонала, так и комбинации некоторых неблагоприятных для работы агрегата факторов.

Статистические данные, накопленные при прямых измерениях параметров качества, в совокупности с соответствующими математическими моделями являются базой для расчетов обоснованности проведения ремонта, что позволит избежать необоснованных простоев оборудования при планово-профилактических ремонтах (ППР), уменьшить расход запасных частей, тем самым снизить издержки на выпуск продукции.

Множество состояний повреждения (например, отношение стоимости ремонта повреждений к стоимости замены агрегата, влияющее на затратные критерии формируемого процесса) могут быть непрерывными или дискретными. В терминах таких факторов, как величина стоимости ремонта, степень структурных повреждений и т.п., определены пять общих состояний повреждения Ri.

В силу разнообразия качества изготовления деталей агрегата, различных условий их работы, одинаковые агрегаты будут иметь различные повреждения. Поэтому в общем случае необходимо получить функцию распределения вероятностей P[Ri|Si] для повреждений.

Первым шагом является определение среднегодовой частоты Ri событий, при который агрегат оказывается в состоянии повреждения Ri.

Средний коэффициент потерь (СКП) можно рассчитать по формуле:

(4)

где r - независимая переменная отношения стоимостей ремонта и замены технологического агрегата; (КП)I - соответствующие коэффициенты потерь для дискретных состояний повреждения. Средние коэффициенты потерь служат первичным входом для расчетов ожидаемых потерь в рамках анализа стоимости и риска.

Рассматривая средние коэффициенты потерь совместно со среднемесячными частотами наступления состояния повреждения, можно вычислить ожидаемый годовой коэффициент потерь (ОГКП):

(5)

Оптимизация надежности работы оборудования сводится к уравновешиванию затрат на запасные части и на потери, связанные с простоем оборудования, и меньшей вероятности экономических потерь в будущем. Помимо оценки общего риска повреждений для осуществления оптимизации необходима информация:

1) о стоимости проведения планово-профилактического ремонта (начальные затраты);

2) о затратах на устранение возможной аварии и возможных экономических потерях, связанных с простоем оборудования и персонала фабрики.

Если все начальные затраты и будущие потери выразить в рублях, то можно провести формальную процедуру оптимизации. Пусть Ci(a) - начальные затраты на приобретение комплектующих, выполнения работ.

Пусть E[Cl(a)] - ожидаемая в настоящее время величина потерь от аварийного останова агрегата. Ожидаемые в настоящее время затраты составляют:

(6)

При данной целевой функции оптимальным решением является допустимое значение параметра качества a, минимизирующее Ct.

Предположим, что пуассоновская средняя частота суммарного уровня параметра качества на одном из подшипниковых узлов агрегата, превосходящем допустимое значение a, равна a-k и что идеализированный агрегат терпит аварию точно при уровне a.

При таких предположениях a-k dt есть вероятность аварии агрегата на любом временном интервале длины dt. Если после каждой аварии агрегат ремонтируется до прежнего начального уровня контролируемого параметра качества, то ожидаемая в настоящее время величина аварии (и восстановления) этого агрегата E[Cf] до временного предела Tсоставит:

 (7)

где Сf - экономические затраты, связанные с каждой аварией; - норма дисконта.

Предположим далее, что начальная стоимость агрегата имеет вид:

(8)

Тогда сложение Ci и E[Cf] дает общие ожидаемые экономические затраты на агрегат. При условии, что экономические характеристики точно отражают полезность с точки зрения лица, принимающего решения, оптимальная величина параметра качества на агрегате, при которой следует производить его ремонт, находится путем дифференцирования суммы по a и нахождения точки минимума затрат. Результат таков:

Если принять, что средний период повторяемости, соответствующий значению параметра качества a, равен 1/(a-k ), то решение может быть записано также в терминах оптимального периода проведения ППР:

Эти два результата, будучи решениями идеализированными, дают, тем не менее, основу для ряда ценных обобщений. Так, расчетный период проведения ППР для вращающегося оборудования будет уменьшаться при:

- увеличении стоимостей аварии;

- уменьшении нормы дисконта .

Среднегодовую частоту наступления состояний повреждения Ki для каждого состояния повреждения следует умножить на соответствующие центральные значения коэффициентов потерь, что дает средние величины стоимости ремонта.

Суммирование этих величин по отдельным состояниям повреждения дает общую среднегодовую величину стоимости ремонта Cla (в % от стоимости замены агрегата). Вычислим величину всех ожидаемых на настоящее время будущих потерь:

Дисконтированный коэффициент потерь следует прибавить к начальной сумме затрат и получить общий ожидаемый коэффициент затрат, после чего путем анализа можно найти стратегию проведения ППР, дающую минимальные ожидаемые затраты.

Реализация математической модели, изложенной выше, на ПЭВМ позволяет получить максимальную вероятность выхода из строя технологического оборудования на промышленном предприятии, и проанализировать влияние того или иного параметра на полученную величину. Рассмотренная методика может быть эффективно интегрирована в систему управления качества любого промышленного предприятия, поскольку позволяет снизить затраты на проведение ППР, перейдя на обслуживание оборудования по фактическому техническому состоянию.

4. Предложен алгоритм прогнозирования и диагностирования параметров качества машин, оборудования и систем с использованием искусственных нейронных сетей, как элемент инновационной системы управления качеством.

Прогнозирование поведения системы (машины) в части сохранения предписанных выходных параметров (показателей качества) является одной из ключевых задач, коррелирующей с инновационным развитием системы управления качеством предприятия.

Задача прогнозирования с использованием ИНС (искусственных нейронных сетей) сводится к задаче аппроксимации многомерных функций, т.е. к задаче построения многомерного отображения. В зависимости от типа выходных переменных, аппроксимация функций может принимать вид классификации или регрессии. В задаче прогнозирования параметров качества можно выделить две основные подзадачи: построение модели, обучение ИНС, реализующих решение задачи.

В результате изучения предметной области разработана модель прогнозирования, ключевыми составляющими которой являются: набор входных переменных; метод формирования входных признаков x; метод формирования обучающего правила y; архитектура ИНС; метод обучения ИНС.

Для решения задачи прогнозирования необходимо найти такую нейронную сеть или комитет ИНС, который бы наилучшим образом строил отображение F: xy, обобщающее сформированный на основе параметров качества набор примеров {xt, yt}. Поиск такой ИНС или комитета ИНС осуществляется при помощи одного или нескольких алгоритмов «обучения».

На первом этапе определены базовые характеристики данных. Сформирована база данных.

На втором этапе определен набор входных (параметры качества) и прогнозируемых величин, производился анализ и очистка базы данных. Для этих целей использовались оптимизационные, статистические и другие методы.

На третьем этапе производилось формирование образов, подаваемых непосредственно на выходы ИНС, с последующим созданием обучающих и тестовых множеств.

Использовалась ИНС типа многослойный персептрон.

На пятом этапе с использованием выбранных алгоритмов обучения производилось обучение ИНС.

Прогнозирование (шестой этап) осуществлялось по тому же принципу, что и формирование обучающей выборки. При этом на этапе адаптивного предсказания и принятия решений выделялись две возможности: одношаговое и многошаговое прогнозирование.

Подзадача получения входных образов для формирования входного множества в задачах прогнозирования временных рядов часто предполагает использование «метода окон». Метод окон подразумевает использование двух окон Wi и Wo с фиксированными размерами n и m соответственно. Эти окна, способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно Wi, получив такие данные, передает их на вход ИНС, а второе - Wo - на выход. Образуемая на каждой итерации пара используется как элемент обучающей выборки (распознаваемый образ, или наблюдение). Каждый последующий вектор определяется в результате сдвига окон Wi и Wo вправо на одну итерацию. Описанный алгоритм предполагает наличие скрытых зависимостей в исследуемой временной последовательности. ИНС, обучаясь на этих наблюдениях, тем самым подстраивает свои коэффициенты, пытается извлечь эти закономерности и сформировать требуемую функцию прогноза P.

Рассмотрим способ формирования входных образов для обучения ИНС. Суть метода формирования входных образов заключается в следующем. Очевидно, что данные каждого из образов лежат в диапазоне [Min…Max], тогда одним из способов нормирования будет преобразование:

После такого преобразования каждый «образ», состоящий из n последовательных значениях параметра качества, нормируется так, что все значения «образа» лежат в интервале от 0 до 1. При этом истинные значения утрачиваются, и все входные записи укладываются в гиперкуб [0,1]n. Таким образом, при любых значениях параметра качества обеспечивается инвариантность преобразования входной записи.

Измененный первоначальный «образ» представлен на рис. 5.

Рис. 5. Пример готового к подаче на входы ИНС «образа» из обучающего множества

Составленные по описанномуалгоритму «образы» формируют обучающее множество (рис. 6).

Рис. 6. Распределение значений на 1-м входном нейроне ИНС

Решена задача трансформирования обучающего правила таким образом, что бы максимально упростить процесс обучения. Среди известных статистических функций распределения, определенных на конечном интервале, максимальной энтропией обладает равномерное распределение. Кодирование переменных числовыми значениями должно приводить к равномерному заполнению единичного интервала закодированными примерами. При таком способе кодирования все “образы” будут нести примерно одинаковую информационную нагрузку.

Исходя из этих соображений, можно предложить следующий практический метод кодирования ординальных переменных (см. рис. 7). Единичный отрезок разбивается на n отрезков - по числу классов - с длинами пропорциональными числу примеров каждого класса в обучающей выборке:

Рис. 7. Иллюстрация способа кодирования ординальных переменных с учетом количества примеров каждой категории

где Pk - число примеров класса k, а P - общее число примеров. Центр каждого такого отрезка будет являться численным значением для соответствующего ординального класса.

Для анализа «качества» прогноза построим точечную диаграмму результатов теста комитета ИНС. По оси абсцисс расположены «ожидаемые» значения, а по оси ординат - соответствующие значения, рассчитанные ИНС. Синими точками на рис.8 показаны результаты прогнозирования, красными цветом отмечена ситуация, возникающая в случае 100% совпадения ожидаемых и фактических выходных значений.

Рис. 8. Диаграмма, отражающая качество прогнозирования

Таким образом, очевидно преимущество прогнозов технического состояния оборудования, как параметра качества его функционирования, сделанных с использованием нелинейных ИНС над прогнозами, сделанными с использованием статистических моделей, даже на базе робастных алгоритмов.

5. Разработан адаптированный подход и методы анализа модификации эволюционного алгоритма для решения задач оптимизации при совершенствовании системы менеджмента качества.

Эдвард Деминг, известный своей концепцией “непрерывного цикла совершенствования (PDCA)”, в числе своих 14 принципов предлагал следующие:

- придерживайся постоянной цели: сделай постоянной целью непрерывное совершенствование продукции или услуги;

- совершенствуйся непрерывно и всегда: постоянно старайся усовершенствовать любой процесс.

Под “совершенствованием” можно понимать как минимизацию затрат на производство, так и максимизацию функции ценности продукта для потребителя. Таким образом, одним из элементов “совершенствования” является оптимизация.

Постановка любой задачи оптимизации начинается с определения набора независимых переменных, определения области допустимых значений для этих переменных (ограниченные задачи). Обычно оптимизируется скалярная мера качества, которая зависит от переменных (целевая функция). Решение оптимизационной задачи - приемлемый набор значений переменных, которому отвечает оптимальное решение целевой функции. Под оптимальным решением понимают максимальность или минимальность целевой функции.

Общая постановка задач оптимизации:

Найти , xRn, f(x)R1

Одними из инновационных алгоритмов оптимизации, актуальными к внедрению в системы управления качеством, являются эволюционные (или генетические) алгоритмы.

Генетический алгоритм представляет собой метод, отражающий естественную эволюцию методов решения проблем, и в первую очередь задач оптимизации. Генетические алгоритмы - это процедуры поиска, основанные на механизмах естественного отбора и наследования. В них используется эволюционный принцип выживания наиболее приспособленных особей. Они отличаются от традиционных методов оптимизации несколькими базовыми элементами. В частности, генетические алгоритмы:

- обрабатывают не значения параметров самой задачи, а их закодированную форму;

- осуществляют поиск решения исходя не из единственной точки, а из их некоторой популяции;

- используют только целевую функцию, а не ее производные либо иную дополнительную информацию,

- применяют вероятностные, а не детерминированные правила выбора.

Перечисленные четыре свойства, которые можно сформулировать также как кодирование параметров, операции на популяциях, использование минимума информации о задаче и рандомизация операций приводят в результате к устойчивости генетических алгоритмов и к их превосходству над другими широко применяемыми технологиями.

В рамках диссертационной работы, для оптимизации систем управления качеством предлагается следующий генетический алгоритм:

1) инициализация, или выбор исходной популяции хромосом;

2) оценка приспособленности хромосом в популяции;

3) проверка условия остановки алгоритма;

4) селекция хромосом;

5) применение генетических операторов;

6) формирование новой популяции;

7) выбор «наилучшей» хромосомы.

Блок-схема предложенного генетического алгоритма изображена на рис. 9.

Инициализация, т.е. формирование исходной популяции, заключается в случайном выборе заданного количества хромосом (особей), представляемых двоичными последовательностями фиксированной длины.

Оценивание приспособленности хромосом в популяции состоит в расчете функции приспособленности для каждой хромосомы этой популяции. Чем больше значение этой функции, тем выше «качество» хромосомы. Форма функции приспособленности зависит от характера решаемой задачи. Предполагается, что функция приспособленности всегда принимает неотрицательные значения и, кроме того, что для решения оптимизационной задачи требуется максимизировать эту функцию. Если исходная форма функции приспособленности не удовлетворяет этим условиям, то выполняется соответствующее преобразование (например, задачу минимизации функции можно легко свести к задаче максимизации).

Рис. 9. Блок-схема генетического алгоритма

Проверка условия остановки алгоритма. Определение условия остановки генетического алгоритма зависит от его конкретного применения. В оптимизационных задачах, если известно максимальное (или минимальное) значение функции приспособленности, то остановка алгоритма может произойти после достижения ожидаемого оптимального значения, возможно - с заданной точностью. Остановка алгоритма также может произойти в случае, когда его выполнение не приводит к улучшению уже достигнутого значения. Алгоритм может быть остановлен по истечении определенного времени выполнения либо после выполнения заданного количества итераций. Если условие остановки выполнено, то производится переход к завершающему этапу выбора «наилучшей» хромосомы. В противном случае на следующем шаге выполняется селекция.

Селекция хромосом заключается в выборе (по рассчитаннымна втором этапе значениям функции приспособленности) тех хромосом, которые будут участвовать в создании потомков для следующей популяции, т.е. для очередного поколения. Такой выбор производится согласно принципу естественного отбора, по которому наибольшие шансы на участие в создании новых особей имеют хромосомы с наибольшими значениями функции приспособленности. Существуют различные методы селекции. В рамках диссертационного исследования применялся метод селекции, известный в зарубежной литературе как roulette wheel selection.

...