автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Повышение эффективности обработки измерительной информации в системах статистического управления процессами в машиностроении на основе рекуррентного робастноо оценивания

МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ "СТАНКИН"

РГ6 Од н

На правах рукописи

УДК 531.715.2:620.179.118 (043.3) 2 3 ИЮН 1Р07

МАСТЕРЕНКО ДМИТРИЙ АЛЕКСАНДРОВ *

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ О' зОТКИ ИЗМЕРИТЕЛЬНОЙ ИНФОРМАЦИИ . -„и ¿ТЕМАХ СТАТИСТИЧЕСКОГО УПРАВЛЕНИЯ ПРОЦЕССАМИ В МАШИНОСТРОЕНИИ НА ОСНОВЕ РЕКУРРЕНТНОГО РОБАСТНОГО ОЦЕНИВАНИЯ

Специальность 05.11.16. - Информационно-измерительные системы

(машиностроение)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва, 1997 г.

Работа выполнена в Московском Государственном Технологическом Университет! "Станкин"

Научный руководитель - доктор технических наук, профессор

член-корр. Метрологической Академии Телешевский В.И

Официальные оппоненты:

- доктор технических наук, профессор

академик Метрологической Академш Назаров Н.Г - кандидат технических наук начальник отделения НИИизмеренш Рубичев Н.А Ведущее предприятие -ВНИИМС

Защита состоится ■ /7- иЮИЯ .1997 г. в /2» час, на заседанш специализированного совета Д.063.42.03 в Московском Государственно*. Технологическом Университете "Станкин" по адресу: 101472, Москва, Вадковский пер. д. За.

Ваши отзывы в двух экземплярах, заверенные гербовой печатью, прост направлять по указанному адресу.

С диссертацией можно ознакомиться в библиотеке МГТУ "Станкин"

Автореферат разослан"_ /б" МЛ Я 1997 г.

Ученый секретарь специализированного ученого совета к.т.н„ доцент _А.П.Лукинов

- 3 -

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Обеспечение качества продукции в наше дни вляется основным нешшовациоиным методом достижения успеха в :онкурентной борьбе. Менеджмент качества рассматривается сегодня во сем мире как главный вид управленческой деятельности в сфере [роюводства. В условиях рыночной экономики именно с резким ювышением качества производимой продукции связана сама возможность озрождения отечественной экономики, а тем более выход российских оваропроизводителей на мировой рынок.

В автоматизированных производственных системах обеспечение ачества требует постоянного слежения за ходом процесса и вневременного вмешательства (подналадки оборудования) с целью странения нежелательных тенденции (смещение уровня настройки, величение случайного разброса и т.п.). По этой причине перспективным вправлением является создание быстродействующих

втоматизированных и автоматических информационно-измерительных истем (ИИС), осуществляющих выработку достоверной измерительной ^формации о состоянии технологического процесса, необходимой для правления автоматизированным производством.

Неотъемлемой частью таких ИИС должны быть вычислительные ¡доки, обеспечивающие статистическую обработку данных об правляемом процессе. Алгоритмы, на которых строится их программно-[атематичсское обеспечение, должны сочетать высокую эффективность бработки информации, устойчивость к ошибкам данных, вызванных боями технологического и метрологического происхождения, и евысокую вычислительную сложность, позволяющую реализовать их на азе достаточно простых и дешевых микропроцессоров.

Таким образом, разработка методов обработки измерительной «формации, отвечающих указанным требованиям, является актуальной аучно-технической задачей.

Актуальность данной работы подтверждается тем, что она частично проводилась в рамках выполнения гранта Министерства общего и высшего профессионального образования Российской федерации по фундаментальным исследованиям в области метрологии "Адаптивное робастное оценивание измерительной информации в автоматизированных системах метрологического обеспечения и контроля качества" (исполнитель - МГТУ "СТАНКИН", шифр темы 94-42/Г).

Цель работы. Разработка методов оценивания измерительной информации в системах управления и обеспечения качества технологических процессов в интегрированном машиностроительном производстве, сочетающих устойчивость к загрязнениям входных данных и возможность производить обработку в реальном времени.

Методы исследований. В работе при теоретических исследований используются методы теории вероятностей и математической статистики, включая робастную статистику, математического и функционального анализа. При экспериментальных исследованиях (математическом моделировании) применены методы статистического моделирования (Монте-Карло), теории планирования эксперимента, программирования на ЭВМ и численные методы,

Научная новизна

1. Обоснована необходимость использования методов рекуррентного робастного оценивания для обработки измерительной информации в системах статистического управления процессами (SPC).

2. Найдена рекуррентная формула, связывающая распределение наблюдений и распределения рекуррентных робастных оценок при конечных выборках.

3. Установлен вид оптимальных рекуррентных робастных оценок параметров сдвига и параметров линейной статистической модели при конечных выборках.

Выявлена асимптотическая эквивалентность предложенного метода построения рекуррентных робастных процедур оценивания и ранее известных асимптотически наиболее эффективных процедур. Определена возможность рекуррентного робастного оценивания параметров переменного во времени случайного разброса управляемых процессов.

Практическая ценность Разработаны приципы оценивания измерительной информации в системах статистического управления процессами, адаптированных к условиям автоматизированного машиностроительного производства. Предложены способы расчета параметров алгоритмов оценивания измерительной информации, соответствующие выбранной вероятностной модели данных и заданной устойчивости к отклонениям от нес.

Разработан способ контроля за состоянием управляемого процесса на основе робастного прогноза показателей воспроизводимости.

Внедрение полученных результатов.

Полученные результаты были использованы для анализа хнологического процесса изготовления штриховых мер длины до 1000 л 1 разряда 0 класса МС 38-02-1000, используемых в качестве образцовых едств измерения метрологическими службами машиностроительных >едприятий для поверки гехнологическиого оборудования и цеховых едств измерений. Данные для исследования предоставлены АО >НИМС", где осуществлялись изготовление и поверка штриховых мер.

На основе анализа предложен способ статистического управления оцессом нарезания мер, обеспечивающий снижение погрешности мер в ) - 3 раза и обладающий устойчивостью к ошибкам наблюдений. Это зволяет существенно повысить точность изготавливаемых на том же орудовании штриховых меры и автоматизировать процесс подналадки.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на Второй научно-технической конференции "Состояние и проблемы технических измерений", МГТУ им.Баумана, г.Москва, 1995г.; на семинаре "Метрологическое обеспечение и взаимозаменяемость в машиностроении", общество "Знание", г.Москва, 1996 г.; на Третьем Международном конгрессе "Конструкторско-технологическая информатика-96", МГТУ "Станкин", 1996; на семинаре "Международные стандарты ИСО серии 9000 и статистические методы-8", СМЦ "Приоритет", г.Нижний Новгород, 1996 г.; на заседаниях кафедры измерительно-информационных систем и технологий МГТУ "СТАНКИН" в 1993-97 гг.

Публикации. По результатам выполненных исследований имеется 6 публикаций.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложений. Общий объем работы 197 страниц, в том числе 108 страниц основного текста, 26 страниц таблиц и рисунков, список литературы из 87 наименований на 8 страницах и 8 приложений на 55 страницах.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы задачи научно-технического исследования, приведены основные научные положения, выносимые на защиту.

В первой главе анализируются методы обработки измерительной информации в системах управления процессами в автоматизированном машиностроении. Рассмотрены методы, используемые в системах управления компьютерными интегрированными производственными системами (Computer Integrated Manufacturing Systems, CIMS) и системах качества.

Генеральной линией развития машиностроения является создание CIMS. В CIMS осуществляется сложным образом организованное

взаимодействие потоков материала, энергии и информации. При этом информационный поток имеет две стороны: управление и наблюдение.

СШБ состоит из отдельных технологических модулей. Материальный поток последовательно проходит ряд модулей, в каждом из которых он подвергается энергетическому воздействию. Результатом является изготовления изделия.

Состояние производственной системы определяется состоянием всех технологических модулей. Состояние каждого модуля, в свою очередь, характеризуется вектором, принадлежащим соответствующему пространству состояний. Управление производственным процессом в С1М8 означает последовательную смену ее состояний по заданной программе. При этом качество функционирования целиком определяется точностью достижения заданного состояния.

Построение СШБ означает устранение человека из всех областей производственной деятельности. Если в традиционном производстве функции наблюдателя, обучаемого и самообучающегося в процессе производства, играет человек, то в С1М5 эту роль берут на себя автоматизированные и автоматические информационно-измерительные системы (ИИС). В ИИС производится выделение информации о параметрах состояния процесса на фоне случайного шума, порожденного различными факторами технологического и метрологического характера.

Наблюдение связано с оцениванием текущего состояния управляемого объекта. Найденные оценки используются для организации управляющего воздействия, адекватного состоянию системы. Многообразие уровнен управления и наблюдения и сложность связей между ними обусловливают высокую цену ошибки оценивания. Поэтому <райне велика роль надежности оценок параметров состояния объекта таблюдения.

.Алгоритмы статистической обработки, построенные на базе методов слассической математической статистики, в первую очередь, оценки

наименьших квадратов (ОНК), обладают существенным недостатком: при наличии в выборке хотя бы небольшой доли ошибочных, резко выделяющихся наблюдений, оценки, предоставляемые этими методами, становятся практически недостоверными. В то же время фунционирование автоматизированной ИИС в производственных условиях, характеризующихся высоким уровнем механических и электромагнитных шумов, почти обязательно сопровождается возникновением подобных ошибок.

Методам исключения влияния ошибочных данных (в метрологии их принято называть промахами) специалистами по информационно-измерительным системам всегда уделялось определенное внимание. Некоторые методы исключения влияния промахов изложены в книгах Г.Д.Бурдуна и Б.Н.Маркова "Основы метрологии", а также П.В.Новицкого и И.А.Зографа. Однако в основном рекомендовались неформальные и полуформальные процедуры, дающие хороший эффект при обработке данных "вручную", но плохо подходящие для автоматизированных ИИС. Следует отметить также устойчивый к ошибкам алгоритм подналадки по скользящей медиане, развитый проф. С.С.Волосовым и его школой для систем активного контроля (САК),

С другой стороны, к настоящему времени создана так называемая робастная статистика - область математической статистики, занимающаяся оцениванием параметров и проверкой гипотез при отклонении распределений наблюдаемых данных от строгой параметрической модели. Робастные оценки устойчивы к большим ошибкам отдельных наблюдений, однако их нахождение связано со значительным объемом вычислительной работы, что делает затруднительным их применение для управления процессами в реальном времени.

Более быстрыми являются рекуррентные робастные оценки, вычисление которых производится последовательно, по мере получения

данных. Доказана их асимптотическая эквивалентность обычным робастным оценкам, однако для практического применения требуется знать их свойства для конечных выборок.

Те же проблемы существенны и в области управления качеством продукции, где сложилось понятие "Статистическое управление процессами" (Statistical Process Control, SPC). Управление процессами с помощью анализа контрольных карт и гак называемых индексов воспроизводимости процессов требует статистического оценивания ряда параметров процесса. Естественно, что при автоматизации анализа данных на базе применения современной компьютерной техники встают вопросы защиты от ошибочных наблюдений при организации вычислений.

Проведенный анализ состояния области обработки результатов наблюдений позволяет сформулировать задачу научного исследования. В работе должны быть проведены следующие теоретические исследовани:

- исследование математических моделей управляемых процессов в системах управления процессами в CIMS и системах качества (С К) и формирование общей статистичекой модели данных;

- исследование распределений и дисперсий рекуррентных робастных оценок параметров модели при конечных выборках и сравнение их с соответствующими асимптотическими характеристиками;

- теоретическое обоснование способа расчета параметров оптимального алгоритма оценивания при заданной чувствительности к большим ошибкам;

- исследование возможностей рекуррентного робастного оценивания параметров случайного разброса (масштаба) наблюдений как при постоянном, так и при переменном во времени его характере.

В работе должны быть проведены следующие экспериментальные исследования:

- исследование относительной эффективности нерекуррентных и рекуррентных робастных оценок при вычислении последних по различным алгоритмам;

- математическое моделирование системы управления, использующей рекуррентные робастные оценки тренда процесса, и исследование ее эффективности;

- математическое моделирование прогнозирования состояния процесса;

- исследование результатов измерений реальных производственных процессов с целью изучения возможностей повышения их точности с помощью управления на основе рекуррентного робастного оценивания.

Во второй главе проводятся теоретические исследования математических моделей управляемых процессов и рекуррентных робастных оценок их параметров.

На основе анализа работ по активному контролю и управлению качеством показано, что наблюдения, поступающие в ИИС, могут рассматриваться как последовательность случайных величин

у,=х1т0 + ст1е1>1 = 1,...,п,..., (1)

где е1 - независимые одинаково распределенные случайные величины с нулевым средним, а, - параметры масштаба, одинаковые или различные, 0 - вектор параметров, X; - векторы, определяемые структурой системы и зависящие от номера наблюдения, так что ^0 - смещение уровня настройки в 1 -й наблюдаемой точке. При размерности вектора параметров 1 и х^ = 1 для всех I получается модель сдвига, соответствующая неизвестному, но постоянному смещению уровня настройки. В других случаях уровень настройки изменяется во времени -испытывает тренд, причем во многих случаях этот тренд линеен: вектор параметров двумерен, а х^ = (1,1) для всех 1.

Кратко рассматриваются методы вычисления робастных оценок, 'Снованные на итеративных численных процедурах, указываются [едостаткн этих методов: большой объем вычислений, необходимость ранения всей выборки нарастающего объема, возможные осцилляции в [теративном алгоритме.

Если масштаб случайной составляющей а известен, то рекуррентные 'Обастные оценки (относящиеся к классу так называемых М-оценок) юстоянного смещения уровня настройки вычисляются последовательно; ю мере поступления наблюдений, по формуле

е(°+!)=е(1,)+ап„ч/

Уг

л Л

(2)

де 0(п) - оценка, полученная по п наблюдениям, уп+1- значение (п+1)-го аблюдения, у - некоторая ограниченная функция, определяющая оценку, с^,- коэффициенты, от выбора которых зависит дисперсия эффективность) оценки.

В качестве ц/ использовалась функция Хьюбера

-Ь,х<-Ь х,-Ь<х<Ь Ь, х > 'о

(3)

Показано, что оптимальным является выбор коэффициентов в виде

>

(Х1+1-е,п,)а

к.

ст ЕМ72 (У„+1-е(п)) а

(4)

5 - символ математического ожидания), и что асимптотически это риводит к ранее известному выражению для дисперсий оценок:

и

г

\

11 (Е\|/'((У-е)/о))"

Применение (3) требует вычисления входящих в эту формулу математических ожиданий. Это возможно, если известны распределения наблюдаемых величин и оценок при каждом объеме выборки, В работе получена рекуррентная формула для плотностей распределения оценок, использующая заданное в модели распределение наблюдений;

Г. / Г, (иш^г^ч (6>

К*)-.*} в ' ГУС4п.У)|

где - плотность п-й оценки, У(1п,у)Мп+а1Н.1ур' |<т, (1х - элемент в(п> V ст )

длины ее линии уровня, |^у(1п,у)| - модуль градиента этой функции. Интегрирование в (6) производится вдоль линии уровня, на которой функция V принимает значение, равное значению аргумента стоящей слева плотности. Плотности оценок для различных объемов выборок могут быть найдены с промощыо (6) путем численного интегрирования и табулированы для дальнейшего использования. Затем вычисляются коэффициенты (4).

В качестве примера эти расчеты выполнены для модели нормального распределения наблюдений.

Далее устанавливаются аналогичные соотношения для оценок параметров линейной модели тренда процесса.

Следующий раздел посвящен рекуррентному робастному оцениванию параметров масштаба случайной составляющей процесса, Показано, что если наблюдения можно описать моделью

последовательности независимых случайных величин Ук, к = 0,1,2,..... с

нулевым средним и распределениями, совпадающими с точностью до масштаба, который возрастает линейно:

ОУк = ^ = (с0 + ук)2, к = 0,1,2,....,

(7)

то оценивание параметров сг0 и у может быть осуществлено по следующей рекуррентной схеме:

/л \ (л

СГо(п+1) л <п> По

л — л

п = 1,2,.

•(с.*)"

ЛОр1

-V

а.„ст

<п+Цп)

* ст

Л

ы _

т.--а

(п+!|ч) }

С].

и+ь!

(8)

где

^п+1 ~ Сп + Л

1

(о(п+1|я>)2 л

1 П + 1 Дп + 1 (п + 1)г

С -_1_П

' 0 А л 1о 0У (сто (0)+у(0>)2

о(п+1!п)=сто<")+у(°)(п + 1) - прогнозируемое значение параметра масштаба на

момент (п +1) -го наблюдения на основании предыдущих, ат =

. Е|УЬ

нормированное математическое ожидание модулей наолюдаемых величин.

Применяя этот метод к остаткам оценивания линейной статистической модели, удается оценивать одновременно параметры тренда и масштаба случайного разброса исследуемого процесса.

В третьей главе выполнены численные эксперименты, в которых исследуется поведение рекуррентных робастных оценок тренда процесса и масштаба случайной составляющей, а также моделируются системы статистического управления, использующие эти оценки.

Первая серия описываемых экспериментов посвящена сравнению эффективности нерекуррентных и рекуррентных робастных оценок, полученных при помощи функции Хьюбера (3) с одной и той же константой Ь. Исследовались случаи упрощенного вычисления оценок, при а0+1 в (2) тождественно равном 1, и асимптотически эффективных 1

значении ас+1 =

(п + 1)Еч/'(е)

Рис.1. Относительная эффективность рекуррентных (асимптотически эффективный алгоритм) и нерекуррентных робастных оценок в зависимости от доли выбросов при десятикратных (вверху) и пятидесятикратных (внизу) ошибках наблюдений.

Относительная погрешность прогноза (среднее]

-0.02

-0% ■1% -5% -10%

100 150

количество наблюдений

200

0.30

0.25

0.20

5 0.15

0.10

0.05

0.00

Относительная погрешность прогноза (стандартное отклонение]

-0% -1% -5% -10%

100 150

количество наблюдений

Рис.2. Погрешность прогноза состояния процесса на момент N=200 в зависимости от количества имеющихся наблюдений при различных долях выбросов.

В результате многократного моделирования загрязненных данных и оценивания по ним параметров процесса вида (1) установлено, что упрощенный алгоритм рекуррентного робастного оценивания приводит к оценкам, относительная эффективность которых падает с увеличением доли выбросов в выборке. Такие оценки могут применяться без существенного проигрыша по сравнению с нерекуррентыми в пределах до 10-15-процентой вероятности больших ошибок наблюдений. В то же время оценки с асимптотически эффективными коэффициентами ап+1 почти не уступают нерекуррентным робасгньш оценкам в широком диапазоне значений вероятности ошибки (рис.1).

В работе выполнено моделирование подналадки процесса с линейным трендом, независимыми случайными отклонениями и некоторой долей больших ошибок наблюдений. Значение управляющего воздействия вычислялось на основе текущих значений рекуррентных робастных оценок параметров тренда. Этот метод подналадки сравнивался с подналадкой по методу скользящей медианы, также обладающим робастными свойствами. В результате экспериментов установлено, что относительная эффективность подналадки по рекуррентным робастным оценкам, вычисляемая как отношение средних квадратов значений управляемого процесса, составляет 1.2-1.3.

В третьей серии численных экспериментов исследовались прогнозы будущих состояний наблюдаемого процесса на основе совместного рекуррентного робастного оценивания параметров линейного тренда и нарастающего случайного разброса. В качестве показателя точности прогноза использовалась относительная погрешность прогнозируемого значения математического ожидания квадрата значения процесса в момент времени, на который вычисляется прогноз.

Графики среднего значения и стандартного отклонения относительной погрешности прогноза состояния процесса на момент N=200 в зависимости от имеющегося количества наблюдений при

различной доле выбросов (вероятности ошибки наблюдения) приведены на рис.2. Из графиков видно, что прогноз устйчив к ошибкам наблюдений, а его погрешность быстро убывает по мере накопления информации.

В четвертой главе рассматриваются некоторые применения рекуррентного робастного оценивания в информационно-измерительных системах.

Статистическому исследованию были подвергнуты штриховые мер длины до 1000 мм первого разряда нулевого класса, изготовленных и аттестованных в АО "ЭЫИМС". Штриховые меры предназначены для поверки технологического оборудования и цеховых средств измерений на машиностроительных предприятиях, а также в метрологических НИИ.

Проведенный анализ данных поверки штриховых мер позволил сформулировать математическую модель их погрешности. Для нее характерны составляющие в виде линейного тренда, последовательности с независимыми элементами и последовательности с независимыми приращениями. На основе анализа предложен метод управления процессом нарезания мер, базирующийся на известном по работам С.С.Волосова, З.Ш.Гейлера и др. методе подналадки процесса с независимыми приращениями, который связан с вычислением или оцениванием условного математического ожидания процесса на очередном шаге и его компенсацией посредством подналадочного импульса. В отличие от указанных работ, оценивание условного математического ожидания производилось с привлечением исследованных в предыдущих главах робастных процедур.

Имитационное моделирование подналадки для исследованных экземпляров штриховых мер показало снижение погрешности мер в 2.5 - 3 раза и устойчивость управления к грубым ошибок наблюдений.

В работе рассматривается возможность использования прогнозирования будущих состояний технологического процесса, исследованного в главе 3, при текущем управлении качеством продукции и

при отладке процесса. Для этого предлагается использовать прогнозируемые на момент окончания обработки партии деталей значения показателей воспроизводимости процесса.

Прогнозирование значений показателей воспроизводимости позволяет ответить на ряд вопросов, важных для управления качеством, например:

1) Какова ожидаемая точность процесса на момент окончания?

2) Изменяется ли со временем соотношение систематической и случайной составляющих погрешности?

3) Можно ли продолжать обработку или процесс должен быть немедленно остановлен, поскольку вероятность появления брака сделалась выше допустимой?

Необходимость в устойчивых к ошибкам наблюдений методов прогнозирования обусловлена тем, что, например, ошибочное решение об остановке процесса обработки влечет за собой большие потери, прежде всего потери рабочего времени.

В Приложении 1 проводится доказательство теоремы, на которой основан способ нахождения распределений рекуррентных М-оценок параметров тренда процесса. В остальных приложениях приводятся данные поверки штриховых мер длины, использованные для изучения, и программы расчетов для ЭВМ.

ОСНОВНЫЕ ВЫВОДЫ

1. Системы управления компьютерными интегрированными производственными системами в машиностроительном производстве в отношении процессов сбора, переработки, передачи и представления измерительной информации аналогичны системам статистического управления качеством продукции и в указанном смысле должны рассматриваться совместно.

2. Управление процессами в системах SPC требует постоянного оценивания их состояния, которое может быть выполнено комбинацией методов оценивания параметров тренда и параметров случайного разброса.

3. Системы SPC, функционирующие в условиях производства, подвергаются воздействиям помех механического и электромагнитного происхождения, которые вызывают сбои и большие ошибки отдельных наблюдений, что делает невозможным использование неустойчивых к отклонениям от строгой теоретической модели методов классической математической статистики.

4. Устойчивые к большим ошибкам робастные оценки, требующие, как правило, большого времени вычислений, могут быть модифицированы в рекуррентные, вычисление которых производится быстро и использует только последнее из наблюдений.

5. Рекуррентное робастное оценивание параметров тренда производится по алгоритму, содержащему некоторые коэффициенты. Расчет коэффициентов, при которых оценки обладают наименьшей возможной дисперсией, может быть произведен с использованием выведенной в работе рекуррентной формулы для плотностей распределения оценок.

6. Параметры масштаба случайной составляющей процесса также могут быть оценены по рекуррентной формуле.

7. Математическое моделирование систем статистического управления позволяет сделать вывод об эффективности применения разработанных оценок при наличии вероятности больших ошибок наблюдений.

8. Рекуррентные робастные оценки могут быть применены для автоматизированного анализа контрольных карт в системах качества.

9. Решение об управляющем воздействии в системе управления качеством продукции может приниматься на основании робастного прогноза показателей воспроизводимости процесса.

По теме диссертации опубликованы следущие работы:

1. Рекуррентное робастное оценивание в автоматизированных информационно-измерительных системах. (В соавторстве) - Тез. докл. Второй научно-технической конференции "Состояние и проблемы технических измерений. 29-30 ноября 1995 г." - М.: Издательство МГТУ им. Баумана, 1995.

2. Элементы систем качества на основе рекуррентного робастного оценивания измерительной информации. (В соавторстве)- Тез. докл. семинара "Метрологическое обеспечение и взаимозаменяемость в машиностроении", 17-18 апреля 1996 г. - М: Центральный Дом знаний,

3. Рекуррентные методы адаптивного робастного оценивания измерительной информации. - Тез. докл. III международного конгресса "Конструкторско-технологическая информатика-96", 22-24 мая 1996 г. -М: МГТУ "Станкин", 1996.

4. The application of Adaptive Robust Estimation to the Verification and Diagnostics of Measuring Devices (Co-author). - Euro-conference 'Advanced Mathematical Tools in Metrology III'. September 25-28,1996. - Berlin, PTB Berlin und Braunschweig, 1996.

5. О робастпых параметрических процедурах оценивания измерительной информации (в соавторстве) - Международный форум информатизации МФИ-96. Тез. докл. международной конференции "Информационные средства и технологии",22-24 октября, Москва. Том 2 - М: Международная академия информатизации, МЭИ(ТУ).

6. Рекуррентное робастное оценивание в автоматизированных ИИС. (В соавторстве)/'"Измерительная техника", 1997, №4.

1996.

Автореферат на соискание ученой степени кандидата технических

аук

Мастеренко Дмитрий Александрович

Повышение эффективности обработки измирительной информации в «¡темах статистического управления процессами в машиностроении на :нове рекуррентного робастного оценивания

Сдано в набор Подписано в печать

Формат 60x90/16 Бумага 80 гр/м2 Гарнитура Объем/3~уч.-изд.л. Тираж 100 экз. Заказ №

Издательство "Станкин" 101472, Москва, Вадковкий пер.,

ЛП № 040072 от 29.08.91г. ПЛД № 53-227 от 09.02.96г.