Авторефераты по всем темам >> Авторефераты по экономике

Принципы, методология и инструменты инновационного обеспечения управления качеством

Автореферат докторской диссертации по экономике

На правах рукописи

Шулешко Александр Николаевич

Принципы, методология и инструментыа инновационного

аобеспечения управления качеством

Специальность:аа 08.00.05 -аа Экономика и управление народным

хозяйством (стандартизация и управление качеством продукции)

Автореферат

диссертации на соискание ученой степени

доктора экономических наук

Иркутск - 2011

Работа выполнена, обсуждена и рекомендована к защите на кафедре луправления качеством и механики в Государственном образовательном учреждении высшего профессионального образования Национальный исследовательский Иркутский государственный технический университет

Научные консультанты:аа	Доктор технических наук, профессор Лонцих Павел Абрамович Доктор экономических наук,а профессор Кородюк Игорь Степанович
Официальные оппоненты:	Доктор экономических наук,а профессор Горбашко Елена Анатольевна
	Доктор технических наук,а профессор Азаров Владимир Николаевич
	Доктор экономических наук,а профессор Щадов Михаил Иванович
Ведущая организация:аа	Санкт-Петербургский государственный электротехнический университет ЛЭТИ им. В.И. Ульянова (Ленина) (СПбГЭТУ)

Защита состоится л20 марта 2012 г. в 10.00 часов на заседании диссертанционного 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

Автореферат разослан л17 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 экономической модели от сырьевой к инновационной. Рассматриваются проблемы, решаются задачи, внедряются проекты, призванныеобеспечить конкурентоспособность с лучшими мировыми аналогами. Инновационный вектор экономического развитияпредприятий 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 международныхстандартов МСИСО 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 ее способность удовлетворять установленным и предполагаемым потребностям потребителей, заинтересованные стороны, стейкхолдеров и общество, в целом.Требования общества - 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 разработкипонимается 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. Инновационноеразвитие 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 Уноу-хауФ, 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 аспектови внедрениесовременных инструментовинновационного 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 исследованийполучили свое отражение в ряде научных трудовотечественных и зарубежных специалистов. Наиболее изученными считаютсяпроблемы совершенствования и повышения качества систем, развития подходов к управлению качеством, которые рассматривались в работахрусских ученыхП.Л. Чебышева и А.М. Ляпунова, зарубежных ученых У.А. Шухарта, В.Деминга, Д.Джурана, К. Исикавы,Ф. Кросби, А. Фейгенбаума, Дж. Харрингтона.

Ряд методов улучшения системуправления качеством, обеспечения его непрерывного улучшения и совершенствованияпредставлен в работахВ.В. Бойцова, В.Н. Азарова,А.А. Фролова, И.П. Муравьева, Д.А. Поспелова, D.В. Fogel, D.E. Goldberg, R. Shonkwiler, K.R. Miller, D. Whitley, J.D. Schaffer, J.Eshelman.

В настоящее времярассмотренные проблемы являются объектом пристального изучения международных организаций и предприятий. В российскойнауке 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 вработах А.В. Аттекова, С.В. Галкина, В.В. Окрепилова, Ю.П. Лисовеца,В.С. Зарубина, А.В. Гличева, Е.А. Горбашко, А.А. Корбута, Л.Е. Басовского, В.Н.Азарова,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 интегральноепредставление о разработке и применении принципов, методов и алгоритмов инновационного обеспечения управления качеством. Научные исследования, основные результаты которых представлены в широкодоступныхпубликациях, рассматривают отдельные элементы корреляции инноваций и совершенствования качества, основанные на фрагментарном сопоставлении стандартов систем менеджмента качества и принциповинноваций, либо без учета такого сопоставления, что накладывает значительныерестрикции на практическое использование данных исследований.

Актуальность и недостаточная изученность теоретических и методологических основ решения сформулированных проблем,формирования принципов, разработки и внедрения современных инструментова инновационного обеспечения управления качеством,обусловиливыбор темы диссертационной работы, определили цель, задачи и поисковыйхарактер исследования.

Целью работы является формирование концепции, принципов, методологии и теоретических основвнедрения 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 следующиезадачи:

- Предложена модификация принципа, или цикла ДемингаP-D-C-A, включающая в себя прогнозирование на базе современных методик, позволяющая более эффективно планировать ианализировать параметры процессов системы управления качеством;

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

- Разработанаметодология модификации эволюционного алгоритма длярешения 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 вконтексте оптимизации параметров процессов, обеспечения совершенствования систем менеджментакачества, 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 задачахуправления 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:

-аа Предложена модификация классического принципа, или цикла ДемингаP-D-C-A, включающая в себя прогнозирование на базе инновационныхалгоритмов математического программирования, позволяющая более эффективно планировать ианализировать параметры процессов системы управления качеством.

-аа Сформулированы, обоснованы и классифицированы основные критерии,условия и параметры теоретических и методологических основ разработки и внедрения современных инструментов обеспеченияа инновационного управления качествомразличных систем.

-аа Предложены методы и алгоритмы расчетов, позволяющиеэффективно решать задачибизнес-планирования и формирования политики организацийна основании критериев и требований стандарта ИСО 9001:2008.

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

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

-аа 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.

-аа Разработаны алгоритмы применения нечеткой логики в задачах управления качеством.

-аа Разработаны методы и решены задачи математического программирования в приложении к инновационному обеспечению систем менеджмента качества, в задачах нелинейного программирования и многокритериальнойоптимизации, 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 методологическихосновприменения 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, апроцессного исистемного подходов. Достоверность и обоснованность применяемых методовподтверждается их широким использованием всамых различных прикладныхисследованиях, 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 предложеннойсовокупности теоретических положений, методов решений проблем управления качеством в различных системах менеджмента, применения разработанныхинструментовобеспечения инновационного управления качеством, которые могутбыть 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-практи-ческих 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) (акт о внедрении).

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

Результаты диссертационной работы использовались при разработке курсов Основы обеспечения качеством, Проблемы качества и технология инжиниринга, Методы прогнозирования в высокотехнологических производствах, читаемых в ГОУ ВПО Национальном исследовательском Иркутском Государственном Техническом Университете (справка о внедрении).

Публикации по теме диссертации.

По теме диссертационной работы автором опубликована21 научная работа общим объемом 77п.л., из них 12 в научных журналах из списка, рекомендованного ВАК, 5 монографий(в соавторстве), общий авторский вклад 41,8п.л.

Объем и структура работы.Диссертация включает введение, шесть глав, заключение, библиографический список, включающий 230 наименований работ отечественных и зарубежных авторов, приложения. Общий объем диссертации 268 страниц, работа содержит 67 рисунков и 56 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 УРазработка и применение современных робастных алгоритмов прогнозирования в инновационных системах управления качествомФ дается обоснование необходимости разработки концептуально новой системы всеобщего управления качеством на базе принципа, или цикла ДемингаP-D-C-A. Показана целесообразность применения современных робастных алгоритмов трендового прогнозированияпараметров процессов. Предложены методы оценки достоверности прогнозов.

Во второй главе УМодернизация систем управления качеством на предприятиях с использованием искусственного интеллектаФ рассмотрены методы мониторинга состояния систем менеджмента качества, позволяющие снижать потери продукции; повышать производительность, эффективность. Проанализированысистемы управления качеством, одним из компонентов которых являются экспертные системы. Эффективным инструментоммодернизации 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 процессов системы управления качеством.

В третьей главе УВнедрение современных эволюционных алгоритмов в задачи инновационного обеспечения управлением качеством предприятийФизучены вопросы внедрения современныхэволюционных 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 четвертой главе УТеоретические и методологические основы использования нечетких множеств в задачах обеспечения управления качествомФ 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 пятой главе УВнедрениеGEP-алгоритмов в системы реинжиниринга ибенчмаркинга конкурентовФпоказана целесообразность применения современных GEP-алгоритмов, позволяющих восстанавливать функциональную связь между входами и выходами бизнес-процессов конкурентов.Описаны принципы построения GEP-алгоритмов. Приведена практическая реализация системы реинжиниринга.

В шестой главе УРазработка расчетных моделей оценки финансовых рисков с использованием искусственных нейронных сетей-классификаторовФ обоснованавозможность 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

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)

Значения независимой переменной t, соответствующей периоду упреждения ?. 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, как правило, оценочные прогнозы выполняются с использованием линейного тренда:

trt = b0 + b1Хt,аа (1)

гдеb0, b1 - коэффициенты линейного тренда.

В современных экономических приложениях, когда определение коэффициентов линейного тренда по методу наименьших квадратов не дает хороших результатов, целесообразно воспользоваться инновационнымиROBUST-алгоритмами. Данные алгоритмы достаточно сложны и основаны на итерационной корректировке начальных коэффициентов b0и 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,Е, tn} и зависимый X: {X1, X2,Е, Xn} (X=X(t)). Далее определяются 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:

,аа (2)

где ? - произвольный нулевой вектор-столбец, Е - единичная матрица, ??Т - квадратная матрица того же размера.

Легко убедиться, что любая матрица такого вида является симметричной и ортогональной. При этом произвол в выборе вектора ? 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:

,аа ,а .

Тогда вектор ? определится следующим образом:

? =b+ sign(b1)||b||2e1, (3)

где а- евклидова норма вектора .

Применяя описанную процедуру с целью обнуления поддиагональных элементов каждого из столбцов исходной матрицы, можно зафиксированное число шагов получить ее QR-разложение.

Рассмотрим подробнее реализацию данного процесса. Положим А0=Ти построим преобразование ХаусхолдераH1 (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 ? вычисляются следующим образом:

Матрица ХаусхолдераН1 вычисляется согласно (2):

На втором шаге рассматриваемого процесса строится преобразование ХаусхолдераH2 (A2=H2A1), обнуляющее расположенные ниже главной диагонали элементы второго столбца матрицы А1. Взяв в качестве вектора b вектор аразмерности n-1, получим следующие выражения для компонентов вектора ?:

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,

ЕЕЕЕЕ.

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 комплексносопряженные 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=1Еn. 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}/(2.38Хs);
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 алгоритм робастного определения тренда верно отражает тенденцию к росту потребления энергии.

Рис. 1. График потребления электроэнергии и его статистическая обработка

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 ДемингаP-D-C-A, включающая в себя прогнозирование на базе современных алгоритмов математического программирования.

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 Упринципа постоянного улучшенияФ процесса является цикл Э.ДемингаPlan-Do-Check-Act (P-D-C-A), представленный нарис.2.

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

Классический цикл P-D-C-Aв течение ряда лет является одним из основных методов принципа Упостоянного совершенствованияФ, успешно применяемым организациями, практикующими процессный подход (рис. 3).

Рис. 3. Схема процесса

На этапе УПланированиеФ в рамках цикла P-D-C-Aпланируются управляющие воздействия, целью которых является приближение выходных параметров процесса к оптимальным. Таким образом, формируется вектор управляющих воздействий на процесс, результатом применения которых к процессу на выходе формируется вектор фактических выходных параметров , отличающийся от вектора оптимальных параметров . На этапе УКонтрольФ проводится анализ несоответствий, вычисляется расхождение фактических выходов процесса от оптимальных:

Очевидно, смысл цикла P-D-C-Aзаключается 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 циклаP-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):

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 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).

Входе диссертационного исследования показано, что модернизированный цикл P&P-D-C-Aс системой прогнозирования на базе корректно обученной искусственной нейронной сети с обратным распространением ошибки позволяет существенно снизить число итераций цикла Упостоянного улучшенияФпри процессном подходе, тем самым получить конкурентное преимущество.

Предложены аналитические методы прогнозирования работоспособности и надежности оборудования предприятияна 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. Одним из критериев, которым, как правило, пользуются при оценке технического состояния того или иного агрегата, является уровень вибрации.

Статистические данные, накопленные при вибродиагностических замерах, в совокупности с соответствующими математическими моделями являются базой для расчетов обоснованности проведения ремонта, что позволит избежать необоснованных простоев оборудования при планово-профилакти-ческих 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, влияющий на затратные критерии формируемого процесса) может быть непрерывным или дискретным. 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 lRi событий, при который агрегат оказывается в состоянии поврежденияRi.

Средний коэффициент потерь (СКП) можно рассчитать по формуле:

аа (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:

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

а (6)

При данной целевой функции оптимальным решением является допустимое значение вибрации a, минимизирующееCt.

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

При таких предположениях aa-kdtесть вероятность аварии агрегата на любом временном интервале длины dt. Если после каждой аварии агрегат ремонтируется до прежнего начального уровня вибрации, 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; g - норма дисконта.

Предположим далее, что начальная стоимость агрегата, допустимая вибрация которого не превышает a,а имеет вид:

аа (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 вибрации 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 вибрации a, равен 1/(aa-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 ППРдля вращающегося оборудования будет уменьшаться при:

увеличении стоимостей аварии;
уменьшении нормы дисконта g.

Среднегодовую частоту наступления состояний повреждения lKiдля 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.

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 классификацииа или регрессии. В задаче прогнозирования параметров качестваможно 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: x?y, обобщающее сформированный на основе параметров качества набор примеров {xt, yt}. Поиск такой ИНС или комитета ИНС осуществляется при помощи одного или нескольких алгоритмов лобучения.

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 каждойитерации пара используется как элемент обучающей выборки (распознаваемый образ, или наблюдение). Каждый последующий вектор определяется в результате сдвига окон Wi и Wo вправо на однуитерацию. Описанный алгоритм предполагает наличие скрытых зависимостей в исследуемой временной последовательности. ИНС, обучаясь на этих наблюдениях, тем самымподстраивает 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 [MinЕMax], тогда одним из способов нормирования будет преобразование:

После такого преобразования каждый лобраз, состоящий из n последовательных СКЗ, нормируется так, что все значения лобраза 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 любыхзначениях СКЗ обеспечивается инвариантность преобразования входной записи.

Измененный по такой схеме первоначальный лобраз представлен на рис. 5.

Рис. 5. Пример готового к подаче на входы ИНС лобраза из обучающего множества

Составленные по описанномуалгоритму лобразы формируют обучающее множество (рис. 6).

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

Решена задачатрансформирования обучающего правила таким образом, что бы максимально упростить процесс обучения. Средиизвестных 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 УобразыФ 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 nотрезков - 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 ложидаемые 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 преимуществопрогнозов 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.

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

Эдвард Деминг, известный своей концепцией Унепрерывного цикла совершенствования (PDCA)Ф, 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 УсовершенствованиемФ можно понимать как минимизацию затрат на производство, так и максимизацию функции ценности продукта для потребителя. Таким образом, одним из элементов УсовершенствованияФ является оптимизация.

Постановка любой задачи оптимизации начинается с определения набора независимых переменных, определении 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 , xIRn, f(x)IR1

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.

Рис. 9. Блок-схема генетического алгоритма

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).

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 хромосомзаключается 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 roulettewheelselection.

В оптимизационных задачахсистем управления качеством часто приходится иметь дело с функциями, имеющими несколько оптимальных решений. Основной генетический алгоритм в таких случаях находит только глобальный оптимум, но если имеется несколько оптимумов с одним и тем же значением, то он отыскивает только один из них. В некоторых задачах бывает важным найти не только глобальный оптимум, но и локальные оптимумы (не обязательно все). Концепция реализации в генетических алгоритмах подхода, основанного на известных из биологии понятиях ниш и видов, позволяет находить большую часть оптимумов. Практически применяемый в генетическом алгоритме метод образования ниш и видов основан на так называемой функции sharingfunction. Эта функция определяет уровень близости и степень соучастия для каждой хромосомы в популяции. Функция соучастия обозначается s(dij), где dij мера расстояния между хромосомами chi и chj. Это расстояние определяется по формуле

где р означает размерность задачи, xk, min и xk,max определяют соответственно минимальное и максимальное значение k-гo параметра, xk,i и хk,j - обозначают соответственноk-й параметрi-й иj-й особей. Очевидно, что расстояние между хромосомами рассчитывается на основе соответствующих им фенотипов.

Функция соучастия s(dij) должна обладать следующими свойствами:

О<s(dij) < 1 для каждого dij,

s(0)=1,

Одна из функций, для которой эти условия выполняются, имеет вид:

где а- константы.

Примемss = 0,5 * q-1/p, где q обозначает задаваемое примерное количество пиков оптимизируемой функции. Значение ? принимается равным 1, что означает одинаковую степень соучастия соседних особей. В этом случае новое значение функции приспособленности хромосомы chi рассчитывается по формуле

где N обозначает количество хромосом в популяции.

Если хромосома chi находится в своей нише в одиночестве, то Fs(chi) = F(chi). В противном случае значение функции приспособленности уменьшается пропорционально количеству и степени близости соседствующих хромосом. Увеличение количества похожих друг на друга (т.е. принадлежащих к одной и той же нише) хромосом ограничено, поскольку такое увеличение приводит к уменьшению значения функции приспособленности. Данный метод используется на завершающем этапе обработки каждого поколения.

Каждая особь представляет потенциальное решение задачи, которое в произвольной эволюционной программе может отображаться некоторой (в том числе и достаточно сложной) структурой данных D. Любое решение xik оценивается по значению его приспособленности. Далее в процессе селекции на (k+1)-й итерации из наиболее приспособленных особей формируется очередная популяция. Некоторые особи этой новой популяции трансформируются с помощью генетических операторов, что позволяет получать новые решения. Существуют преобразования ?i (типа мутации), которые изменяют конкретные хромосомы (?i: D > D), а также трансформации более высокого порядка (типа скрещивания), создающие новые особи путем комбинирования фрагментов нескольких (двух или более) хромосом. От эволюционной программы ожидается, что после смены некоторого количества поколений наилучшая особь будет представлять решение, близкое к оптимальному.

Рассмотрим обобщенный пример эволюционной программы. Допустим, что ищется граф, который удовлетворяет определенным ограничениям (применительно к задачам управления качеством, например, производится поиск топологии коммуникационной сети, оптимальной по конкретным критериям, например, по стоимости передачи и т.п.). Каждая особь в эволюционной программе представляет одно из потенциальных решений, т.е. в данном случае некоторый граф. Исходная популяция графов Р(0), формируемая случайным образом либо создаваемая при реализации какого-либо эвристического процесса, считается отправной точкой (k=0) эволюционной программы. Функция приспособленности, которая обычно задается, связана с системой ограничений решаемой задачи. Эта функция определяет приспособленность каждого графа путем выявления лучших и худших особей. Можно предложить несколько различных операторов мутации, предназначенных для трансформации отдельных графов, и несколько операторов скрещивания, которые будут создавать новый граф в результате рекомбинации структур двух или более графов. Такие операторы обусловливаются характером решаемой задачи. Например, если ищется граф типа дерево, то можно предложить оператор мутации, который удаляет ветвь из одного графа и добавляет новую ветвь, объединяющую два отдельных подграфа. Другие возможности заключаются в проектировании мутации независимо от семантики задачи, но с включением в функцию приспособленности дополнительных ограничений - штрафов для тех графов, которые не являются деревьями.

Предложенный адаптированный подход и методы анализа модификации эволюционного алгоритма дают преимущества, по сравнению с традиционными методами, при решении задач оптимизации в приложении к совершенствованию систем менеджмента качества.

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

На этапах анализа и дальнейшего планирования системы менеджмента первостепенное значение имеет адекватность и корректность оценки финансовых прогнозов и перспектив предприятия в плане возможностей выделения ресурсов. Учет прогнозов финансового состояния предприятия позволяет определить общую политику организации и поставить наиболее критичные цели, достижение которых поможет улучшить деятельность организации.

Если рассматривать риск как экономическую (финансовую) категорию, то с ним могут быть связаны следующие ситуации:

опасность (угроза) полной или частичной потери ресурсов в результате предпринимательской деятельности;
недополучение доходов (упущенная выгода) по сравнению с уровнями и объемами, рассчитанными, исходя из предпосылок о наиболее рациональном использовании ресурсов и принятого сценария развития рыночной конъюнктуры;
появление дополнительных (сверхплановых) расходов.

Известны две основные стратегии инвестирования в финансовые активы: активная, базирующаяся на предсказаниях возможной доходности, и пассивная, в которой рынок считается непредсказуемым, и главной целью определяется минимизация рисков. Оценка инвестиционного риска, таким образом, является одной из основополагающих задач финансового анализа.

Значительнуюдолю рынка ценных бумаг составляют корпоративные облигации - займы корпораций под фиксированный процент. Cцелью оценки риска невыплаты процентов, или невозврата денег по облигации, существуют и периодически переоцениваются рейтинги, составляемые независимыми авторитетными рейтинговыми агентствами.

К числу наиболее авторитетных рейтинговых агентств следует отнести S&Pи MoodyТs. От рейтинга этих агентств зависят процентные ставки по облигациям: чем ниже рейтинг эмитента - тем дороже обходится эмитенту обслуживание своего долга, т.к. инвесторы желают получить плату за дополнительный риск. Кроме того, в США, некоторым категориям инвесторов, таким, как банки и страховые компании, законодательно запрещено покупать облигации с рейтингом S&Pи MoodyТsниже определенного уровня. Так, в классификации S&P бумаги с рейтингом ниже ВВВ (табл. 1) считаются в основном спекулятивными. Их характеризует большая степень неопределенности в возможности выплаты процентов и возвращения основного долга.

Таблица 1

Классификация рейтинговым агентством S&P корпоративных облигаций

Рейтинг	Описание	Процент неплатежей
	Максимальная вероятность выплаты процентов и возврата долга	0.00%
АА	Высокая вероятность выплаты процентов и возврата долга	1,70%
А	Высокая вероятность выплаты процентов и возврата долга, но большая зависимость от экономической конъюнктуры	0,65%
ВВВ	Адекватная вероятность выплаты процентов и возврата долга, еще большая зависимость от неблагоприятных факторов	1,54%
ВВ	Долговые обязательства, хотя и имеют защитные характеристики, но связаны созначительной неопределенностью по выплате процентов	5,93%
В		20,87%
ССС		38,08%

Для получения представления о степени риска, характерном для облигаций с различными рейтингами, в последнем столбце табл. 1 приведены данные исследований (Шарп и др., 1997) реальных неплатежей по корпоративным облигациям в течение двадцати лет, а именно: процент бумаг, по которым в течение первых пяти лет с момента их выпуска были отмечены неплатежи.Следует отметить отчетливую границу между "надежными" и "рискованными" облигациями.

Алгоритм составления описанных выше рейтингов неизвестен, кроме того, агентства утверждают, что он не основан в чистом виде на статистическом анализе финансовой информации, а содержит еще оценки экспертов, например для таких трудно формализуемых параметров, как "качество менеджмента". Такая ситуация вполне устраивает сами рейтинговые агентства,а превращая их продукцию в уникальный товар. Однако многие инвесторызаинтересованы в обладании своими собственными алгоритмами рейтингования, "эмулирующими" рейтинги вышеуказанных агентств, по следующим причинам:

-во-первых, не для каждой облигации имеется официальный рейтинг. Многие бумаги, в том числе второго эшелона, обойденные вниманием крупных рейтинговых агентств, могут в итоге оказаться весьма привлекательными для инвестиций, если суметь достоверно оценить степень их рискованности;

-во-вторых, обновление официальных рейтингов происходит достаточно редко. Умение загодя, до того как это станет общедоступной информацией, предугадать изменение рейтингов, очевидно, дает инвесторам дополнительные конкурентные преимущества.

Приведенные выше доводы обосновывают следующую постановку задачи для анализа: на основе общедоступной финансовой отчетности компаний-эмитентов воспроизвести рейтинги S&Pи/или MoodyТs.Несмотря на наличие неформальной компоненты, представляется вероятным, что алгоритмическая составляющая этих рейтингов довольно велика.

Попытки смоделировать алгоритм рейтингования облигаций предпринимались с 60-х годов и базировались на методе линейной регрессии. Типичный процент угадывания рейтинга в этих моделях составляет примерно 60%.

В рамках диссертационного исследованияприменение ИНСдля решения поставленной выше задачи показалозначительно лучшие результаты - на уровне 91% для воспроизведения отдельной градации рейтинга. Более сложные ИНС модели с приемлемой точностью воспроизводили широкий диапазон рейтингов облигаций по набору ключевых финансовых индикаторов фирм-эмитентов.

В качестве входных переменных первоначально использовались 10 финансовых индикаторов, опубликованных в общедоступных источниках. По результатам анализа чувствительности предсказанийИНС к входным переменным, два из этих индикаторов оказались незначимыми и не использовались в окончательной модели (многослойный персептрон с 5 нейронами на скрытом слое и 1 выходным линейным нейроном, дающим численный эквивалент рейтинга). Качество воспроизведения градаций рейтинга агентства S&P, достигнутое этой моделью, иллюстрирует рис.10.

Рис. 10. Воспроизведение градаций рейтинга S&P

Таким образом, в ходе диссертационного исследования был показан подход к анализу финансовых рисковна основе использования искусственных нейронных сетей и оценок ведущих мировых рейтинговых агентств, как элемент системы управления качеством.

ОСНОВНЫЕ ВЫВОДЫ

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

2. Сформулированы, обоснованы и классифицированы основные критерии,условия и параметры теоретических и методологических основ разработки и внедрения современных инструментов обеспеченияа инновационного управления качествомразличных систем.

3. Предложены методы и алгоритмы расчетов, позволяющиеэффективно решать задачибизнес-планирования и формирования политики организацийна основании критериев и требований стандарта ИСО 9001:2008.

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

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

6. 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.

7. Разработаны алгоритмы применения нечеткой логики в задачах управления качеством.

8. Разработаны методы и решены задачи математического программирования в приложении к инновационному обеспечению систем менеджмента качества, в задачах нелинейного программирования и многокритериальнойоптимизации, с учетом налагаемых ограничений;

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

10. Результаты работы внедрены в учебный процесс при подготовке инженеров-менеджеров по специальности 220501 УУправление качествомФ.

Таким образом, достигнута цельа работы, принятая как 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.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ИССЛЕДОВАНИЯ

Статьи в ведущих научных изданиях и журналах, рекомендованных ВАК Министерства образования и науки РФ:

ШулешкоА.Н.Трендовое прогнозирование количественных показателей процессов, как инструмент управления качеством. /П.А.Лонцих, А.Н.Шулешко,К.В.Малышева// Иркутск: Вестник Иркутского государственного технического университета. 2006. Т. 28. № 4. С. 126-131.(0,3 п.л., авторских - 0,1п.л.).
ШулешкоА.Н.Теоретические основы применения нечётких множеств в задачах инновационного обеспечения управления качеством. Москва: Вестник экономической интеграции. / А.Н. Шулешко// 2010. Т. 1. № 6. С. 98-104. (0,7п.л., авторских - 0,7п.л.).
Шулешко А.Н. Повышение эффективности системы менеджмента с использованием расчетных моделей оценки финансовых рисков в предпринимательской деятельности./ А.Н. Шулешко//Москва: Вестник экономической интеграции.2011. № 11. С. 76-83. (0,6 п.л., авторских - 0,6 п.л.).
ШулешкоА.Н.Методология снижения финансовых рисков. / А.Н. Шулешко// Москва: Вестник экономической интеграции.2011. № 12. С. 131-138. (0,7 п.л., авторских - 0,7 п.л.).
Шулешко А.Н. Методы декомпозиционного построения и реконструкции линейных моделей типа "затраты-выпуск" в инновационных системах управления качеством. / Ю.Н. Резник, А.Н. Шулешко, Б.А. Байбородин// Иркутск: Вестник Иркутского государственного технического университета. 2011. № 11. С. 77-79.(0,2 п.л., авторских - 0,1п.л.).
Шулешко А.Н. Некоторые аспекты применения алгоритмов оптимизации. / А.Н.Шулешко, А.С.Колодин, Н.П. Лукьянчикова// Иркутск: Вестник Иркутского государственного технического университета. 2011. № 11. С. 103-105.(0,3 п.л., авторских - 0,2 п.л.).
Шулешко А.Н. Прогнозирование параметров качества в инновационных задачаха с использованием нейросетей. / А.Н.Шулешко, И.С. Кородюк, В.И. Сидоренко// Иркутск: Вестник Иркутского государственного технического университета. 2011. № 12. С. 35-38.(0,3 п.л., авторских - 0,2 п.л.).
Шулешко А.Н. Математическое моделирование динамического гасителя колебаний в конечно-элементном пакете ANSYS 8.0. / А.Н. Шулешко //а Иркутск: Вестник Иркутского государственного технического университета. 2004.№4. с. 185-187 (0,2 п.л., авторских - 0,2 п.л.).
Шулешко А.Н. Диагностика и металлографический анализ оборудования на горнообогатительных фабриках. / П.А.Лонцих,А.Н.Шулешко,а С.А. Борюшкина// Иркутск: Вестник Иркутского государственного технического университета. 2006. №1. с. 73-77 (0,3 п.л., авторских - 0,1 п.л.).
Шулешко А.Н. Расчет рисков выхода из строя оборудования с использованием вибродиагностики и математической статистики, как элемент инновационной системы управления качеством. / А.Н.Шулешко// Иркутск: Вестник Иркутского государственного технического университета. 2011. № 12. С. 84-87.(0,2 п.л., авторских - 0,2п.л.).
Шулешко А.Н.а Элементы инновационной системы управления качеством: виртуальные предприятия, их организационная структура и интеллектуализация производства. / А.Н. Шулешко // Иркутск: Современные технологии. Системный анализ. Моделирование. 2011.№4 (32). С. 64-67. (0,2 п.л., авторских - 0,2п.л.).
Шулешко А.Н.а Математическое моделирование вероятных сроков отказа роторного оборудования предприятий как элемент системы управления качеством. / А.Н. Шулешко // Иркутск: Современные технологии. Системный анализ. Моделирование. 2011.№4 (32). С. 64-67. (0,2 п.л., авторских - 0,2п.л.).

Коллективные и собственные монографии:

Шулешко А.Н. Защита технологических машиностроительных систем и оборудования от вибраций и ударов. / П.А.Лонцих, А.Н. Шулешко.Иркутск: Изд-во ИрГТУ, 2002. - 178 с.(11,1п.л., авторских - 5,5п.л.).
Шулешко А.Н. Качество: инструменты управления, прогнозирование и диагностика. / П.А.Лонцих, В.Л.Вейц, А.Н. Шулешко. Иркутск: Изд-во ИрГТУ, 2007. - 244 с.(15,2п.л., авторских - 5,1п.л.).
Шулешко А.Н. Резервы и механизмы повышения качества и конкурентоспособности продукции на основе принципов технического регулирования / А.Н. Шулешко, К.В. Матвеева, С.А. Борюшкина. Иркутск : Изд-во ИрГТУ, 2010. 216 с. (13,5 п.л., авторских - 4,5 п.л.).
Шулешко А.Н. Управление качеством. Прогнозирование, риск-менеджмент, оптимизация. / П.А.Лонцих, Д.М. Марцынковский, А.Н.Шулешко.Изд-воLambertAcademicPublishing, 2011. - 301 с. (18,8 п.л., авторских - 9,0п.л.).
Шулешко А.Н. Основы инновационного обеспечения управления качеством с использованием нейронных сетей, генетических алгоритмов и нечеткой логики. / А.Н.Шулешко.Изд-воLambertAcademicPublishing, 2011. - 199 с. (12,4п.л., авторских - 12,4п.л.).

Статьи, опубликованные в прочих изданиях:

Шулешко А.Н. Трендовое прогнозирование показателей процессов, как инструмент управления качеством в образовательном процессе и в условиях промышленного производства./ И.М. Головных, П.А.Лонцих, А.Н. Шулешко// Качество, инновации, образование и CALS-технологии. Материалы международного симпозиума. - М.: Фонд качество, 2006. С. 38-42(0,8 п.л., авторских Ц0,4 п.л.).
Шулешко А.Н. Теоретические и методологические основы инновационного обеспечения управления качеством при эксплуатации машин на предприятиях с использованием методов вибродиагностики и нейронных сетей. / А.Н. Шулешко// Материалы Первой Всероссийской научно-технической конференции с международным участием Жизненный цикл конструкционных материалов. Иркутск, 2011. С. 171-178 (0,6п.л., авторских Ц0,6п.л.).
Шулешко А.Н. Планирование управления рисками в менеджменте качества. / П.А.Лонцих, А.Н.Шулешко// Управление качеством. Алматы.2012. № 1. С. 32-33.С. 103-105.(0,2п.л., авторских - 0,1п.л.).
Шулешко А.Н. Риск менеджмент как основа ряда стандартов ИСО. /П.А.Лонцих,А.Н.Шулешко// Управление качеством. Алматы. 2012. № 1. С. 34-35.(0,2п.л., авторских - 0,1п.л.).

Авторефераты по всем темам

Авторефераты по экономике

Blog

Принципы, методология и инструменты инновационного обеспечения управления качеством