1 Применение нейронных сетей при многофакторном анализе специальных технологических процессов Применение нейронных сетей при многофакторном анализе специальных технологических процессов на ОАО «ЧАЗ»

2 Определение основных (ключевых) факторов, влияющих на технологический процесс с помощью статистических методов (регрессионного анализа, нейронных сетей и т.д.) Определение основных (ключевых) факторов, влияющих на технологический процесс с помощью статистических методов (регрессионного анализа, нейронных сетей и т.д.) Результативное внедрение статистических методов для принятия управленческих решений как постоянного процесса Результативное внедрение статистических методов для принятия управленческих решений как постоянного процесса Создание системы многофакторного анализа при прогно- зировании рынка продаж и цен на закупаемые материалы, планировании производства, прогнозировании качествен- ных показателей и влияющих на них факторов в метал- лургическом производстве и т.д. Создание системы многофакторного анализа при прогно- зировании рынка продаж и цен на закупаемые материалы, планировании производства, прогнозировании качествен- ных показателей и влияющих на них факторов в метал- лургическом производстве и т.д. Задачи:

3 Смысл нейронных сетей заключается в математическом описании взаимодействия входных и выходных данных и определении их прогнозных значений

4 Архитектура нейронной сети

5 Этапы построения математической модели хода ТП Сбор информации в ходе ТП за определенный период Построение модели хода ТП (обучение нейронных сетей) Выбор наилучшей модели (сети) хода ТП Выполнение предсказания с помощью обученной нейронной сети

6 Задание Задание При производстве на автолинии (АФЛ) и конвейере (К) При производстве на автолинии (АФЛ) и конвейере (К) отливки «Секция радиатора ЧМ » выявляются несоответствия: «газовые раковины» и «течь». Требуется определить прогнозное значение качествен- Требуется определить прогнозное значение качествен- ных показателей (% НП «газовых раковин» и «течи») на основе новых наблюдений влияющих факторов Пример построения модели хода ТП и определение прогнозного значения качественного показателя

7 Иллюстрация выбранной нейронной сети

8 Сохраняем полученную модель для предсказания качественных показателей (газ. раковин, течи) на основе новых наблюдений Запускаем полученную ранее модель для выполнения предсказаний на основе новых данных Вводим новые пользовательские значения факторов (влажность, прочность и т.д.), влияющих на качественные показатели (газ. раковин, течи)

9

10 Пользовательские значения влияющих факторов: Влажность (АФЛ),%2,44 Влажность (К),%2,58 Уплотняемость,%28 Прочность (АФЛ),кг/см 2 1,05 Прочность (К),кг/см 2 0,95 Газотворность,см 3 /гр6,08 Текучесть, ед.79 Подача материалов, сек-песок8 Подача материалов, сек-бентонит6 Подача материалов, сек-Блескол-П10 Предсказанное значение качественных показателей: Газовые раковины, % НП0,41 Течь,% НП2,03 Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:

11 Иллюстрация выбранной нейронной сети

12 Подставляя текущие значение в полученную ранее математическую модель :

13 Для получения значений %НП по «газовым раковинам» и «течи»: Газовые раковины, % НП 0 – 1,0 Течь,% НП 0 – 2,0 Необходимо придерживаться следующих диапазонов влияющих факторов: Влажность (АФЛ),%2,38 - 2,52 Влажность (К),%2,66 – 2,73 Уплотняемость,% Прочность (АФЛ),кг/см 2 0,98 – 1,09 Прочность (К),кг/см 2 0,84 – 0,89 Газотворность,см 3 /гр5,79 – 6,84 Текучесть, ед Подача материалов, сек-песок7 - 9 Подача материалов, сек-бентонит5 Подача материалов, сек-Блескол-П Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:

14 Задание Задание Имеются данные за определенный период по среднесписочной численности и болезням персонала. Имеются данные за определенный период по среднесписочной численности и болезням персонала. Требуется определить прогнозное значение Требуется определить прогнозное значение уровня заболеваний персонала за последующий период. уровня заболеваний персонала за последующий период. Пример построения модели для определения прогнозного значения уровня заболеваний персонала

15 Иллюстрация выбранной нейронной сети

16 Прогноз на следующий месяц

17 Прогноз на следующий месяц Прогнозное значение уровня заболеваемости составил 1,32 фактически – 1,33. Следовательно, данная методика позволяет прогнозировать с достаточной точностью.

18 Предлагаемый механизм внедрения SPC-методов с применением многофакторного анализа «Нейронные сети» позволяет решать задачи прогнозирования, классификации и управления: В короткие сроки позволяет решать как прямые (прогнози- ровать уровень дефектности при наличии исходных данных), так и обратные (определить требования ТП в зависимости от желаемого уровня дефектности) задачи в литейном, кузнеч- ном и термическом производствах для оперативного приня- тия решений; В короткие сроки позволяет решать как прямые (прогнози- ровать уровень дефектности при наличии исходных данных), так и обратные (определить требования ТП в зависимости от желаемого уровня дефектности) задачи в литейном, кузнеч- ном и термическом производствах для оперативного приня- тия решений; Результативно применять в различных областях деятельности ОАО «ЧАЗ»: Результативно применять в различных областях деятельности ОАО «ЧАЗ»: - при прогнозировании рынка продаж; - при прогнозировании рынка продаж; - при прогнозировании цен на закупаемые материалы; - при прогнозировании цен на закупаемые материалы; - при планировании производства; - при планировании производства; и т.д. и т.д. Осуществлять анализ по персонифицированным данным (кадры, нарушения трудового режима, больничные листы с классификацией по полу, возрасту, должностям и т.д.) Осуществлять анализ по персонифицированным данным (кадры, нарушения трудового режима, больничные листы с классификацией по полу, возрасту, должностям и т.д.)

19 Применение статистических методов Применение статистических методов при оценке результативности процессов СМК

20 ВНИМАНИЕ! Приведенные данные являются информационными, а не фактическими

21 Измерение процессов СМК в соответствии с фактическими выходными данными при реализации процессов жизненного цикла с применением статистического анализа ПроцессКритерий Результативность по кри- териям по кри- териям общая СМК.04СМК.11 Соотношение фактического объема продаж к плановому, % 100,13100,13 СМК.07 1 Обеспечение производственным персона- лом к требуемому (расчетному), % 2 Динамика текучести кадров за 6 мес г. по сравнению с 2005 г. 97,195196,195 СМК.13 Процент прироста объемов продаж за счет освоения новой номенклатуры продукции 60,6460,64

22 ПроцессКритерий Результативность по кри- териям по кри- териям общая СМК.14 1 Выполнение плана закупок по номенклатуре 2 Отношение несоответствующей закупаемой продукции к общему объему закупленной продукции 3 Количество решений на запуск в производство продукции с отклонениями от НД на входном контроле 98,9799,9682,60 93,84 СМК.15 1 Выполнение плана производства в объеме 2 Выполнение плана производства в номен- клатуре 100,30 95,83 95,8398,07 СМК.25 1 Динамика поступивших претензий от потре- бителей 2 Динамика затрат на восстановление продукции по отказам в гарантийный срок эксплуатации 3 Динамика удовлетворенности потреби-теля по результатам анкетирования 69,50 57,14 57,1470,5865,74

23 ПроцессКритерий Результативность по кри- териям по кри- териям общая СМК.27 1 Процент продукции, принятой с первого предъявления 2 Динамика общих потерь от НП 3 Относительный уровень рекламаций на го- товую продукцию за 6 мес г. по сравнению со средним уровнем 2005 г. 86,8165,17 75,94 75,99 СМК.29 1 Выполнение плана проведения внутреннего аудита 2 Количество повторов относительно устра- ненных причин возникновения несоответ- ствий 141,00 96,4118,00 СМК.31СМК.32 Количество устраненных причин вы- явленных несоответствий, % 80,2080,20

24 прогнозноезначениерезультативности Хср Хср100% 100% неиспользованныйрезерв -σ-σ +σ+σ -σ-σ +σ+σ

25 Результативность процессов жизненного цикла СМК составила 84,46%. При существующем состоянии СМК возможная результативность СМК может снизиться до 65,25%.

26 Спасибо за внимание!