Принципы, методология и инструменты инновационного обеспечения управления качеством

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):

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: