автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Повышение качества системы поддержки принятия решений в технологической подготовке машиностроительного производства путем организации хранилищ данных

На правах рукописи

КАХУТИН ПАВЕЛ ВИКТОРОВИЧ

ПОВЫШЕНИЕ КАЧЕСТВА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ТЕХНОЛОГИЧЕСКОЙ ПОДГОТОВКЕ МАШИНОСТРОИТЕЛЬНОГО ПРОИЗВОДСТВА ПУТЕМ ОРГАНИЗАЦИИ ХРАНИЛИЩ ДАННЫХ

Специальность 05.13.06 - «Автоматизация и управление

технологическими процессами и производствами (промышленность)»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 2004 г.

Работа выполнена в Московском государственном технологическом университете «СТАНКИН»

Научный руководитель: доктор технических наук,

профессор Ковшов Е.Е. Официальные оппоненты: доктор технических наук,

профессор Вороненко В.П.

кандидат технических наук Шемелин К. В.

Ведущая организация: Институт конструкторско-технологической

информатики РАН

Защита диссертации состоится «2.5~» иС^СС^^Ил/Х-У_2004 г. в

_часов на заседании диссертационного совета К212.142.01 в Московском

Государственном Технологическом Университете «СТАНКИН» по адресу: 101472, ГСП-4, Москва, К-55, Вадковский пер., д. 3-а.

С диссертацией можно ознакомиться в библиотеке Московского государственного технологического университете «СТАНКИН»

Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим высылать по указанному адресу в диссертационный совет К212.142.01.

Автореферат разослан «_» 2004 г.

Ученый секретарь диссертационного Совета, кандидат технических наук

И.М. Тарарин

ОБШДЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Одним из основополагающих принципов современных систем управления качеством является процессный подход. Он подразумевает, что для улучшения качества того или иного бизнес-процесса предприятия или организации необходимо улучшать качество составляющих его подпроцессов. Процесс технологической подготовки производства является одним из главных бизнес-процессов любого машиностроительного предприятия. Наряду с конструкторской подготовкой производства он напрямую определяет качество выпускаемой продукции и затрачиваемые на это людские и материальные ресурсы, а, следовательно, и себестоимость. Поэтому повышение качества процесса технологической подготовки производства (11111) является одной из актуальных задач в современном машиностроении.

В настоящее время автоматизация труда инженера-технолога осуществляется с применением различных автоматизированных систем ТПП (САМ-систем), функционирующих в рамках корпоративной информационной системы (КИС) в тесном взаимодействии со средствами автоматизации других бизнес -процессов на основе использования САЬ8-технологий. САМ-системы помогают в проведении основных этапов ТПП, предоставляя инженеру-технологу необходимую нормативно-справочную информацию, а также автоматизирован -ные процедуры расчета различных параметров технологического процесса (ТП). Помимо этого, в САМ-системах доступны средства визуального моделирования, которые помогают наглядно представить ту или иную операцию ТП, вплоть до отображения траектории режущего инструмента.

Однако, используемые модели представляют обобщенный взгляд на описываемые ими объекты и процессы. Поскольку каждая модель является лишь приближением действительности, то и различные компьютерные модели ТП также являются приближениями, не учитывающими многих факторов, имеющих место в реальных производственных условиях и оказывающих влияние на качество выпускаемой продукции и затраты ресурсов на ее выпуск. Модели, используемые в САМ-системах, не могут учитывать реального состояния оборудования и технологической оснастки, реальных свойств используемых материалов, влияние режима труда и конкретных исполнителей и т.п. Современные САМ-системы, как правило, не содержат средств выявления подобных закономерностей. Следовательно, исследование современных возможностей методов анализа данных является перспективным направлением улучшения качества процесса ТПП и всей системы управления качеством в целом.

Важной составляющей современного подхода к анализу данных является организация специальных источников данных, называемых хранилищами данных. Необходимость их применения обусловлена тем, что в корпоративных информационных системах крупных предприятий или организаций существуют, как правило, несколько разнородных информационных подсистем, автома-тизируюгцие различные виды деятельности. Данные в таких источниках могут противоречить друг другу, иметь различные фонты, лублииоваи.ся и т.п. В

силу этих обстоятельств, использование данных, извлеченных из различных источников с целью поддержки принятия решений, может приводить к принятию решений, сильно отличающихся от оптимальных, или даже к полной невозможности применения аналитических методов.

В то же время, проводить анализ всей совокупности имеющихся в организации или на предприятии данных необходимо, поскольку анализ помогает выявлять скрытые тенденции и прояснять существующие закономерности в основных бизнес-процессах. Выявление скрытых закономерностей и прояснение существующих позволяет лучше понять природу бизнес-процессов, и, следовательно, предпринять меры по их улучшению и совершенствованию. Это особенно актуально в связи с активным внедрением на производстве технологии управления качеством, основанной на стандартах серии ISO 9000. Таким образом, вопросы организации хранилищ данных являются ключевым моментом, позволяющим эффективно использовать методы поддержки принятия решений в процессе технологической подготовки машиностроительного производства.

Учитывая вышесказанное, актуальными направлениями исследований в области применения хранилищ данных для улучшения качества процесса 11111, являются вопросы определения задач 11Ш, которые могут быть решены аналитическими методами обработки данных и определение структур хранилищ данных, используемых для накопления информации. Помимо этого, необходимо исследование эффективных способов взаимодействия между хранилищами данных и источниками данных КИС с одной стороны, а также способов организации эффективного взаимодействия между системой поддержки принятия решений (СППР) и пользователем с другой стороны.

Целью работы является повышение качества принимаемых решений в технологической подготовке машиностроительного производства путем применения современных методов интеллектуального анализа данных на основе их агрегирования в хранилища данных.

Для достижения поставленной цели в работе были решены следующие научные задачи:

1. Анализ математических моделей и методик построения современных СППР с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем поддержки принятия решений в технологической подготовке машиностроительного производства.

2. Разработка математической модели СППР, основанной на использовании хранилищ данных и применении различных методов интеллектуального анализа данных (ИАД).

3. Определение перечня задач технологической подготовки производства, решаемых с применением СППР на основе хранилища данных.

4. Разработка методики интеграции СППР в корпоративную информационную систему машиностроительного производства.

На защиту выносятся:

1. Классификация современных методологических, математических и информационных средств построения СППР.

2. Математическая модель СППР, основанная на использовании многомерного представления данных и применении методов ИАД, служащая для повышения качества принимаемых решений в ТП машиностроительного производства.

3. Метод решения задачи поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Методика интеграции СППР в существующую корпоративную информационную систему машиностроительного производства.

5. Результаты практического применения СППР, как средства повышения качества процесса ТП опытного производства.

Методы исследования. Основой для решения поставленных в работе задач явились основные положения теории множеств, теории графов, реляционной алгебры и методов математической статистики; основой программной реализации послужил аппарат объектно-ориентированного моделирования и программирования.

Научная новизна диссертационной работы заключается в следующих положениях:

1. Разработана математическая модель системы поддержки принятия решений, основанная на применении хранилищ данных и обеспечивающая повышение качества поддержки принятия решений в технологической подготовке производства.

2. Разработан метод решения задачи поиска ассоциативных правил, основанный на применении математического аппарата искусственных нейронных сетей.

3. Разработана методика интеграции системы поддержки принятия решений в существующую корпоративную информационную систему машиностроительного производства.

4. Разработан метод формирования оптимальной структуры хранилища данных на основе многомерного представления данных, полученных из различных информационных источников.

Практическая ценность работы заключается в повышении эффективности процесса технологической подготовки производства за счет сокращения временных и материальных затрат на формирование технологических процессов, которое достигается благодаря применению средств поддержки принятия решений.

Реализация работы. Научные и практические результаты диссертационной работы реализованы в виде прикладного программного обеспечения, используемого в научных исследованиях и инженерных разработках фирмами ООО «Кибернетический Мир» (г. Москва) и 0 0 0 «Компьютерные системы и технологии» (г. Москва). Кроме того, научные и практические результаты, опубликованные в печати, нашли свое применение при подготовке лекционного материала, практических и лабораторных работ на кафедре «Основы информатики» МГТУ «СТАНКИН» в рамках раздела «Базы и банки данных» учебного курса «Информатика».

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Основы информатики» МГТУ «СТАНКИН», а также на следующих научных конференциях:

1. VI всероссийская научно-техническая конференция «Новые информационные технологии», МГАПИ, Москва, 2003 г.

2. VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», МГТУ «СТАНКИН», Москва, 2003 г.

3. I научная конференция «Качество. Инновации. Образование.», Судак, 2003 г.

4. Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», АМИ, Москва, 2003 г.

Публикации. По теме диссертационной работы опубликованы 6 научных работ, включая тезисы докладов, подготовленных для международных и всероссийских научно-технических конференций:

Структура и объем работы. Диссертация состоит из введения, четырех глав, выводов, содержит 42 рисунка и 12 таблиц, список использованной литературы из 89 наименований, а также 3 приложения. Общий объем работы - 152 страницы. .

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована, актуальность темы исследований, определены цели и задачи работы, приведено краткое содержание работы и сформулированы основные результаты диссертации.

В первой главе проведен анализ современных подходов к организации систем менеджмента качества (СМК) машиностроительного производства, определено место процесса 11111. в общей структуре СМК, возможности современных САМ-систем с точки зрения поддержки принятия решений, а также рассмотрены современные подходы к организации СППР в других отраслях человеческой деятельности.

Главным принципом организации современных СМК машиностроитель-

1

ного производства можно считать применение так называемого процессного подхода к менеджменту качества. Для его выполнения деятельность организации представляется в виде совокупности взаимосвязанных процессов, документируемых с применением методологии функционального* моделирования IDEF0. Наличие документированных процессов способствует применению системного подхода к управлению качеством, поскольку все объекты управления (процессы) выявлены и зафиксированы.

Одним из важнейших бизнес-процессов любого машиностроительного производства является процесс технологической подготовки производства. От качества этого процесса во многом зависит качество выпускаемой продукции, затраты на производство, а следовательно, степень удовлетворенности потребителей выпускаемой продукцией и получаемая предприятием прибыль. Таким образом, повышение качества процесса ТПП является одной из актуальных за-

дач в рамках создания и функционирования СМК любого машиностроительного предприятия.

В настоящее время одним из основных способов повышения качества ТПП является информационная поддержка данного бизнес-процесса со стороны САМ-систем. Подобные системы предоставляют широкие возможности по автоматизации выполнения основных видов деятельности инженера-технолога. Однако, современные САМ-системы обладают рядом недостатков, которые приводят к ухудшению качества ТПП:

• отсутствие в САМ-системах информации о результатах принятия решений;

• отсутствие средств анализа данных, выявляющих зависимости интересующих показателей производственного процесса от исследуемых факторов с удобным пользовательским интерфейсом;

• отсутствие средств, позволяющих уточнять известные зависимости производственных показателей от интересующих факторов с удобным пользовательским интерфейсом;

• разнородность, распределенность в информационной среде и, следовательно, возможная противоречивость данных, необходимых для принятия решений инженером-технологом;

• большое время доступа к информации, необходимой для принятия решений.

В то же время в других сферах человеческой деятельности подобные проблемы, связанные с отсутствием эффективного механизма анализа данных из разрозненных источников, успешно решаются путем создания СППР, основанных на применении современных методов интеллектуального анализа данных агрегированных в рамках так называемых хранилищ данных.

Традиционно хранилища данных (ХД) определяются как «предметно ориентированные, интегрированные, неизменчивые, поддерживающие хронологию наборы данных, организованные с целью поддержки управления», выступающие в роли «единого и единственного источника истины». ХД обладают несколькими важными особенностями, отличающими их от обычных БД:

• перед вводом в ХД, данные обычно проходят процесс «очистки» и согласования, в результате которого исключается их дублирование и возможная противоречивость;

• данные вводятся в ХД из OLTP-систем согласно расписанию (ежедневно, еженедельно, ежемесячно);

• к ХД не применяются операции изменения и удаления данных;

• данные в ХД обладают максимально возможной степенью детализации, что позволяет применять в дальнейшем широкий спектр аналитических методов к сохраненным данным.

Иногда в качестве основы СППР вместо ХД выступает витрина данных (Data Mart). Ее основное отличие от полноценного ХД заключается в том, что в нее помещаются заранее агрегированные данные, носящие тематический характер, т.е. соответствующие различным аспектам деятельности предприятия или

организации. За счет предварительной агрегации размер витрин данных получается гораздо меньше, чем размер ХД. Следовательно, СППР, построенные на основе витрин данных, менее требовательны к аппаратному обеспечению. Однако, в связи с тем, что каждая витрина данных строится независимо от других, снова возникает вопрос о возможной несогласованности данных в разных витринах. Для решения этой проблемы было предложено объединить концепции ХД и витрин данных и использовать ХД в качестве единого источника для витрин данных, благодаря которому решается проблема возможной несогласованности и противоречивости данных. В зависимости от того, применяются ли при построении ХД витрины данных или нет, структуру ХД называют соответственно трех- или двухуровневой.

На рис. 1 отражена структурная схема взаимодействия основных компонент СППР, основанной на использовании ХД.

Во второй главе построена математическая модель СППР, основанная на совместном использовании реляционного многомерного представления данных и современных методов интеллектуального анализа данных. В рамках данной модели решена задача поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

Информация в СППР хранится в гиперкубах, каждый из которых состоит из следующих частей:

• ¿) = {(0, :cfomf) |/ = 1,£,} - множество измерений, каждое из которых имеет свое имя Д и определено на домене dorn,;

• элементы, определенные как отображенииз множества dornt

х...х dornt в и-элементный кортеж, 0 или 1. Таким образом, запись обозначает элемент с координатами в гипер-

кубе С;

• метаданные, описывающие название и назначение каждой составляющей в n-элементных кортежах, которые могут являться элементами гиперкуба.

Элементами гиперкуба могут быть n-элементный кортеж <Х],..., Х„> ,0 или 1. Если элемент E(C)(di,...,di) равен 0, это означает, что указанная комбинация значений по соответствующим измерениям отсутствует в БД. Значение 1, напротив, показывает наличие такой комбинации значений измерений. Наконец, если элемент гиперкуба представляет собой n-элементный кортеж, то в БД имеется еще и дополнительная информация, соответствующая указанной комбинации. Если все элементы куба равны 1, то ни один из элементов не может являться n-элементным кортежем и наоборот. В гиперкубе представляются только те значения измерений, для которых по крайней мере один из элементов гиперкуба не равен О.Если все элементы гиперкуба равны 0, то он считается пустым.

В приведенной модели гиперкуба не делается различий между измерениями и мерами, которые обычно и являются элементами в традиционном представлении гиперкуба. В данной модели меры выступают в качестве равноправных измерений. Это связано с тем, что приведенное представление гипер-

куба является логическим и никак не связано со способами размещения данных в структурах СУБД, физически обеспечивающей хранение и доступ к данным.

На основании приведенного представления данных в ХД на основе математического аппарата реляционной алгебры сформулированы основные операции ОЬЛР-анализа данных. На рис. 2 показан гиперкуб, на примере которого описывается содержание каждой операции (рис. 3-8). Измерениями этого гиперкуба являются дата, номер станка и количество деталей с отклонениями по каким-либо параметрам, допущенным на данном станке. Элементами этого куба будут являться значения 1, если для заданного станка и даты существуют сведения о количестве выпущенных деталей с отклонениями нормированных параметров, и 0 в противном случае.

Дата а

Рис. 2. Исходный гиперкуб

Помимо операций OLAP-анализа, во второй главе рассматривается метод решения задачи поиска ассоциативных правил с помощью математического аппарата искусственных нейронных сетей. В общем виде рассматриваемая задача имеет следующий вид:

Пусть I = {¡I, /2, 13, .../„} - множество (набор) элементов. Пусть £>- множество транзакций, где каждая транзакция Т - это набор элементов из I, Г С I. Каждая транзакция представляет собой бинарный вектор, где если ц

элемент присутствует в транзакции, иначе Мы говорим, что транзакция

Г содержит X, некоторый набор элементов из I, если Jfc Г. Ассоциативным правилом называется импликацияX => Y, raeXal, YczInXn Y= 0. Правило Х=> Y имеет поддержку s {support), если s% транзакций из D, содержат X Cj Y, supp{X => Y) - supp (АГи У)- Достоверность правила показывает, какова вероятность того, что из X следует Y. Правило Х=> Y справедливо с достоверностью {confidence) с, если с% транзакций из Д содержащих X, также содержат Y, confiX => Y) = supp(Xu Y)/supp{X).

Решение данной задачи происходит с применением искусственной нейронной сети (ИНС), показанной на рис. 8.

Входной Скрытый Выходной

СЛОЙ ' слой слой

Рис. 8. Структура ИНС для решения задачи поиска ассоциативных правил

Идея решения заключается в том, что из множества I заранее выделяется подмножество элементов Я, которое будет считаться правой частью правила. После этого с помощью ИНС, изображенной выше, происходит определение левой части правила, если она существует. Для этого множество транзакций Т преобразуется в обучающее множество выборок Каждая выборка <х,с1>

состоит из двух векторов: вектора входных сигналов Ю и вектора выходных сигналов (1. Вектор с1 состоит из одного элемента, который равен 1, если множество Я содержится в рассматриваемой транзакции и 0 в противном случае. Остальные элементы вектора транзакций, не являющиеся элементами Я, становятся элементами вектора входных сигналов. После обучения ИНС полученным

множеством обучающих выборок происходит выделение всех возможных левых частей правила.

На первом шаге этого процесса определяются множество Ь элементов вектора транзакций, оказывающих наибольшее влияние на появление единичного выходного сигнала в ИНС. Для этого анализируются установившиеся по-еле обучения веса связей, соединяющих нейроны скрытого слоя с выходным нейроном. При этом если 'И'//'г''>С/, то /-и элемент вектора транзакций попадает в множество Ь. Пороговое значение с\ подбирается опытным путем.

На втором шаге выделения левых частей правила полученное множество Ь разбивается на непересекающиеся подмножества ¡¡, 12,..., каждое из которых представляет левую часть искомого правила. В каждом множестве I, нахо-

дятся только те элементы вектора транзакций, появление которых в этом векторе взаимообусловлено, т.е. появление элемента будет сопровождаться появлением элемента и наоборот. Для определения того, зависит ли появление /-го элемента вектора транзакций от появления }-го элемента, проводится анализ весовых коэффициентов связей, соединяющих нейроны входного слоя с нейронами скрытого слоя, учитывая, что >vl¡,)=0. Если и»,,/'^>С2, то появление 1-го элемента вектора транзакций зависит от появления]-го элемента, и не зависит в противном случае. Пороговое значение С2 подбирается опытным путем.

Для выявления всех взаимосвязанных элементов в множестве Ь необходимо построить граф, изображенный на рис. 9. В нем элемент} соединен направленной дугой с элементом /, если выполняется условие щ^>Сг, и не соединен в противном случае. После построения графа происходит выявление подмножеств его вершин, соединенных друг с другом дугами в обоих направлениях. На рис. 9 такие подмножества выделены серым цветом. Таким образом, каждое найденное подмножество вершин графа соответствует множеству элементов вектора транзакций, появление которых в нем, во-первых, взаимообусловлено, а, во-вторых, приводит к появлению в том же векторе элементов, входящих в правую часть правила, априорно выбранную в начале решения. Поэтому найденные множества элементов //, дают возможность сформировать

множество правил которое и является решением постав-

ленной задачи поиска ассоциативных правил.

В третьей главе определяются основные задачи 11111, которые могут быть решены с применением СППР, основанных на использовании ХД (рис. 10). Помимо этого проводится исследование методов и средств построения ХД, а также способов взаимодействия ХД с внешними источниками данных, с одной стороны, и с пользователями - с другой.

Установлено, что данные, содержащиеся в ХД, могут быть использованы методами НАД для решения самого широкого круга задач 11111: выбора припусков на обработку деталей, определения режимов резания и других параметров, выбора технологической оснастки, определения совокупности параметров ТП, приводящих к недопустимым отклонениям нормируемых параметров дета-лиидр.

Рассматриваются методы моделирования структуры ХД: многомерное моделирование (на основе схемы звезда) и моделирование с применением ЕЯ-диаграмм и нормализованного представления данных. Выявляются недостатки и преимущества каждого из подходов, а также область применения.

Выделяются основные критерии для выбора средств моделирования структуры ХД:

• доступные методологии проектирования;

• возможности по управлению метаданными;

• поддержка жизненного цикла моделей;

• удобство использования.

При исследовании взаимодействия ХД с множеством распределенных источников данных КИС, установлено, что оно происходит в соответствии со схемой, показанной на рис. 11.

Установлено, что в ходе процесса перемещения данных из внешних источников в ХД, большое значение играет устранение проблем качества данных (рис. 12).

В завершающей части третьей главы рассмотрены способы организации архитектуры СППР с точки зрения взаимодействия пользователя с ХД. Помимо этого, даны сравнительная характеристика различных технологий доступа клиентского приложения к ХД на основе 2-х и 3-х звенной архитектуры «клиент-сервер» - ODBC, OLE DB, ADO.

Оперативные БД

БД,

БД,

«Д.

Извлечение

Извлечение схемы источника

Преобразование

Интеграция схем данных

© ©

Извлечение данных источника

п

" и I

з3

я и 5 I

ч « 3 ■ £ ё

В. 3 ВI

.и*

Объединение и очистка данных

Загрузка Реализация схемы

© 15

©

в и 1

Я 3 I

Ч и 1

§ Я I

« я ■ ч I

а

а

Перемещение данных в ХД

0 Схемы данных, извлеченных из оперативных БД (Т^ Схема данных, подготовленных к перемещению в ХД

(7) Промежуточные БД, предназначенные для временного хранения данных нз оперативных БД

0 БД, содержащая очищенные данные, подготовленные к загрузке в ХД

Рис. 11. Схема взаимодействия ХД с оперативными БД КИС

В четвертой главе рассматриваются вопросы практической реализации и внедрения программного комплекса СППР.

Основу реализованной СППР составляет ХД, логическая модель которого показана на рис. 13. Данные в ХД собираются из информационных подсистем КИС, обслуживающих отделы главного технолога, главного конструктора, отдел контроля качества и отдел материально-технического снабжения. Извлеченная из подсистем информация помещается в структуру типа «звезда», показанную на рис. 13. В приведенной структуре таблица measure является таблицей фактов, каждая запись которой отражает факт контроля (измерения) какого-либо нормируемого параметра изготавливаемой детали. Таким образом, в ХД попадают сведения о контроле всех нормируемых параметров для всех подвергшихся контролю выпущенных деталей. При этом одновременно с данными, описывающими собственно значения контролируемого параметра, фиксируются и сведения о том, какой инструмент использовался в процессе его получения, оборудование, режим обработки, время контроля и ряд других параметров. На

основе полученных сведений становится доступной возможность построения гиперкуба для анализа факторов, влияющих на отклонения нормируемых параметров от номинальных значений.

Пользовательский интерфейс модулей OLAP-анализа и поиска ассоциативных правил показан на рис. 14-17.

Помимо вопросов реализации и.внедрения в четвертой главе проводится оценка экономической эффективности внедрения СППР в процесс ТП опытного производства, а также оценка влияния внедренной СППР на качество процесса ТПП. Влияние СППР на качество ТПП рассматривается на основе изучения следующих показателей:

• количество ежемесячно разрабатываемых ТП (рис. 18);

•' коэффициент дефектности продукции (рис. 19);

• количество рекламаций на изготовленную продукцию (рис. 20).

Анализируя представленные параметры, нетрудно заметить, что все они

практически синхронно изменяют свои значения на значительную величину. Момент времени, в который происходит изменение, соответствует времени начала использования СППР в процессе ТПП. Это позволяет утверждать, что внедрение СППР повышает качество решений инженера-технолога, а, следовательно, и качество процесса ТПП в целом.

wimmil

Гииркуб. Операции Поямдь

'К""

шз

В &4U s

, Гнпврка^Г^Гипвркабг J Гипв(жабз['

i

1 В Sir Материал ф & Атрибуты

j- Ш Наименование сортамента , t* Ш Нвмменоеание материала ( I ! г Ш ГОСТ на сортамент I ; < - Ш ГОСТ на материал | j Й-fe Уровень консолиоаиии | j | !-ЗЩ Наииеновамв материала I Н & Ограничения I 1 [Наиленоеан«материала!-Сг*

| 5Б- е> Станок j ф-О Деталь j Й-О Параметр | ¡S i> Станочте приспособления | В fjt Главное авыжеиие [ j ЕЗ-& Атрибуты

j j j 1-Шй Скорость главного движения

■ [ ' 1 MS Еджты измерения I ) 8 & Уровень консолипащ«

| j j - Ш Скорость главного движения ! I & & Огратчеюя

■ ' 1 0 [Скорость г левого аекжвмя] >» 2400And (Скорость главного движешя] <- 3200 ! & Юг Вспомогательное движе««

! Инструмент ! ЭВ> Время Б & Значения

0 & базовое измерение | "-Юг Зйаченив

В & Атрибуты

1 I Ш Ном«альнов значение ' | М Минеральное значен«

| 1-Я Макамальнов знаечнив

-Ш Измерен*»значение ЕЬ& Вырежете

Оставить без измв! hi мяДИзмере»««» значе»«еД

Рис. 14. Основное окно модуля OLAP-анализа для подготовки гиперкуба

Рис. 16. Гистограмма, полученная в результате сечения гиперкуба

Рис. 18. Изменение количества ежемесячно разрабатываемых ТП

Рис. 20. Изменение количества поступающих на производство рекламаций

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ПО РАБОТЕ

1. Решена актуальная научная задача, имеющая существенное значение для машиностроительного производства и заключающаяся в повышении качества решений, принимаемых инженером-технологом, путем применения современных методов интеллектуального анализа данных, агрегированных в хранилища данных.

2. Определены методологические, математические и информационные средства, служащие основой решения актуальных проблем СППР в технологической подготовке машиностроительного производства.

3. Разработана математическая модель СППР, основанная на совместном использовании реляционного многомерного представления данных и современных методов интеллектуального анализа данных, что позволило решить задачу поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Определен перечень задач технологической подготовки машиностроительного производства, которые могут быть решены с использованием СППР на основе хранилищ данных.

5. Разработана и практически реализована методика интеграции СППР в корпоративную информационную систему машиностроительного производства.

Основные результаты диссертационной работы отражены в следующих публикациях:

1. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как средство улучшения системы качества в технологической подготовке машиностроительного производства. //VI всероссийская научно-техническая конференция «Новые информационные технологии», Москва, 23-24 апреля 2003 г.: Сборник трудов. В 2-х т.т. Т2. М.: МГАПИ, 2003, с. 223-227.

2. Кахутин П.В., Ковшов Е.Е. Информационная поддержка в моделировании параметров качества машиностроительного производства. // VI научная конференция Ml ТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МТТУ «СТАНКИН» - ИММ РАН», Москва, 28-29 апреля 2003 г.: Сборник докладов. М.: Изд-во МГТУ «СТАНКИН», 2003, с. 122-125.

3. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как фактор повышения качества принимаемых решений. // I научная конференция «Качество. Инновации. Образование.», Судак, 23-30 мая 2003 г.: Сборник докладов. Судак, 2003, с. 99-100.

4. Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.

5. Шемелин В.К., Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Повышение качества информационного взаимодействия в структуре «производитель-потребитель» за счет применения CRM-приложений. // Объединенный научный журнал, 2003, №19, с. 91-94.

6. Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Новые информационные технологии управления качеством в производственных системах. // Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», Москва, 2003 г.: Сборник докладов и тезисов. М.: АМИ, 2003, с. 53-54.

Автореферат диссертации на соискание степени кандидата технических наук

Кахутин Павел Викторович

Повышение качества системы поддержки принятия решений в технологической подготовке машиностроительного производства путем организации хранилищ данных

Лицензия на издательскую деятельность ЛР №01741 от 11 05 2000 Подписано в печать 6 02 2004 Формат 60x90 1/16 Учизд л 1,6 Тираж 50 экз Заказ №22

Отпечатано в Издательском Центре МГТУ «СТАНКИН» 103055, Москва, Вадковский пер, д За

и! - 35 6 1

Наименование раздела Стр.

Список сокращений

Введение

Глава I. Современные системы поддержки принятия решений в технологической подготовке машиностроительного производства и тенденции их развития

1.1. Современные аспекты управления качеством продукции

1.1.1. Основные подходы к управлению качеством машиностроительного производства

1.1.2. Модель обеспечения качества, основанная на стандартах серии ГОСТ Р ИСО 9000:

1.1.3. Информационная поддержка СМК, построенной согласно стандартам серии ISO

1.2. Место САМ-системы в общей структуре системы управления качеством машиностроительного производства

1.2.1. Основные функции САМ-системы и ее взаимосвязь с другими компонентами системы управления качеством

1.2.2. Структура современных САМ-систем

1.2.3. Обзор возможностей, предоставляемых современными САМ-системами для поддержки принятия решений

1.2.4. Недостатки подсистемы СППР и их влияние на качество принимаемых решений

1.3. Современный подход к построению СППР

1.3.1. Способы хранения исходных данных в СППР

1.3.2. Способы обработки исходных данных в СППР

1.3.3. Сферы применения СППР, основанных на использовании хранилищ данных

1.4. Выводы по главе I

Глава II. Анализ хранилищ данных как эффективного средства обеспечения поддержки принятия решений

2.1. Выбор критериев для оценки качества систем поддержки принятия решений в технологической подготовке машиностроительного производства

2.2. Обоснование возможности применения хранилищ данных для улучшения качества СППР при технологической подготовке производства

2.3. Математические модели обеспечения качества систем поддержки принятия решений в ТИП с использованием хранилищ данных

2.3.1. Реляционная модель многомерного представления данных

2.3.2. Применение методов НАД к реляционной многомерной модели данных

2.4. Оценка преимуществ, предоставляемых хранилищами данных в процессе принятия решения, с точки зрения выбранных критериев качества СППР

2.5. Выводы по главе II

Глава III. Хранилища данных как фактор улучшения качества СППР в технологической подготовке производства

3.1. Определение задач, решаемых посредством хранилищ данных, и требований к хранилищам данных, применяемым на этапе ТПП

3.2. Моделирование структуры хранилища данных

3.2.1. Методы моделирования

3.2.2. Средства моделирования

3.3. Организация взаимодействия хранилища данных с ИС машиностроительного предприятия

3.4. Выбор оптимального способа взаимодействия клиентского приложения с хранилищем данных

3.4.1. Выбор оптимальной модели взаимодействия клиентского приложения с хранилищем данных

3.4.2. Выбор оптимального программного способа взаимодействия клиентского приложения с хранилищем данных

3.5. Выбор программно-аппаратных средств для реализации хранилища данных

3.6. Выводы по главе III

Глава IV. Практическое применение хранилищ данных в технологической подготовке опытного производства

4.1. Реализация СППР, использующей хранилища данных 107 4.1.1. Состав программного комплекса СППР 107 4.1.2 Структура ХД

4.1.3. Реализация аналитической обработки данных

4.1.4. Реализация клиентской части СППР

4.1.5. Выбор программно-аппаратной платформы

4.2. Оценка влияния СППР на качество процесса ТПП

4.3. Оценка экономической эффективности внедрения

4.3.1. Частные показатели

4.3.2. Общая экономическая эффективность внедрения СППР

4.4. Выводы по главе IV

Актуальность работы. Одним из основополагающих принципов современных систем управления качеством является процессный подход. Он подразумевает, что для улучшения качества того или иного бизнес-процесса предприятия или организации необходимо улучшать качество составляющих его подпроцессов. Процесс технологической подготовки производства является одним из главных бизнес-процессов любого машиностроительного предприятия. Наряду с конструкторской подготовкой производства он напрямую определяет качество выпускаемой продукции и затрачиваемые на это людские и материальные ресурсы, а, следовательно, и себестоимость. Поэтому повышение качества процесса ТПП является одной из актуальных задач современного машиностроительного производства.

В настоящее время автоматизация труда инженера-технолога осуществляется с применением различных СЛМ-систем, функционирующих в рамках КИС в тесном взаимодействии со средствами автоматизации других бизнес-процессов на основе использования CALS-технологий. САМ-системы помогают в проведении основных этапов ТПП, предоставляя инженеру-технологу необходимую нормативно-справочную информацию, а также автоматизированные процедуры расчета различных параметров технологического процесса. Помимо этого, в САМ-системах доступны средства визуального моделирования, которые помогают наглядно представить ту или иную операцию ТП, вплоть до отображения траектории режущего инструмента.

Однако, используемые модели представляют обобщенный взгляд на описываемые ими объекты и процессы. Поскольку каждая модель является лишь приближением действительности, то и различные компьютерные модели ТП также являются приближениями, не учитывающими многих факторов, имеющих место в реальных производственных условиях и оказывающих влияние на качество выпускаемой продукции и затраты ресурсов на ее выпуск. Модели, используемые в САМ-системах, не могут учитывать реального состояния оборудования и технологической оснастки, реальных свойств используемых материалов, влияние режима труда и конкретных исполнителей и т.п. Современные САМ-системы, как правило, не содержат средств выявления подобных закономерностей. Следовательно, исследование современных возможностей методов анализа данных является перспективным направлением улучшения качества процесса ТИП и всей системы управления качеством в целом.

Важной составляющей современного подхода к анализу данных является организация специальных источников данных, называемых хранилищами данных. Необходимость их применения обусловлена тем, что в КИС крупных предприятий или организаций существуют, как правило, несколько разнородных информационных подсистем, автоматизирующие различные виды деятельности. Данные в таких источниках могут противоречить друг другу, иметь различные форматы, дублироваться и т.п. В силу этих обстоятельств использование данных, извлеченных из различных источников с целью поддержки принятия решений, может приводить к принятию решений, сильно отличающихся от оптимальных, или даже к полной невозможности применения аналитических методов.

В то же время проводить анализ всей совокупности имеющихся в организации или на предприятии данных необходимо, поскольку анализ помогает выявлять скрытые тенденции и прояснять существующие закономерности в основных бизнес-процессах. Выявление скрытых закономерностей и прояснение существующих позволяет лучше понять природу бизнес-процессов, и, следовательно, предпринять меры по их улучшению и совершенствованию. Это особенно актуально в связи с активным внедрением на производстве технологии управления качеством, основанной на стандартах серии ISO 9000. Таким образом, вопросы организации хранилищ данных являются ключевым моментом, позволяющим эффективно использовать методы поддержки принятия решений в процессе технологической подготовки машиностроительного производства.

Учитывая вышесказанное, актуальными направлениями исследований в области применения хранилищ данных для улучшения качества процесса ТПП, являются вопросы определения задач ТПП, которые могут быть решены аналитическими методами обработки данных и определение структур хранилищ данных, используемых для накопления информации. Помимо этого, необходимо исследование эффективных способов взаимодействия между хранилищами данных и источниками данных КИС с одной стороны, а также способов организации эффективного взаимодействия между СППР и пользователем с другой стороны.

Целью работы является повышение качества принимаемых решений в технологической подготовке машиностроительного производства путем применения современных методов интеллектуального анализа данных на основе их агрегирования в хранилища данных.

Для достижения поставленной цели необходимо решить следующие научные задачи:

1. Анализ математических моделей и методик построения современных СППР с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем поддержки принятия решений в технологической подготовке машиностроительного производства.

2. Разработка математической модели СППР, основанной на использовании хранилищ данных и применении различных методов интеллектуального анализа данных.

3. Определение перечня задач технологической подготовки производства, решаемых с применением СППР на основе хранилища данных.

4. Разработка методики интеграции СППР в корпоративную информационную систему машиностроительного производства.

Объект исследования: Системы поддержки принятия решений в различных областях машиностроительного производства, методы интеллектуального анализа данных, ХД и СУБД, лежащие в их основе.

Предмет исследования: Взаимосвязь методов НАД, способов организации ХД и задач ТП машиностроительного производства, решаемых посредством СППР.

Информационной, теоретической и методологической базой для разработки математических моделей анализа данных явились основные положения теории множеств, теории графов, реляционной алгебры и методов математической статистики; основой программной реализации послужил аппарат объектно-ориентированного моделирования и программирования.

Научная новизна диссертационной работы заключается в следующих положениях:

1. Разработана математическая модель системы поддержки принятия решений, основанная на применении хранилищ данных и обеспечивающая повышение качества поддержки принятия решений в технологической подготовке производства.

2. Разработан метод решения задачи поиска ассоциативных правил, основанный на применении математического аппарата искусственных нейронных сетей.

3. Разработана методика интеграции системы поддержки принятия решений в существующую корпоративную информационную систему машиностроительного производства.

4. Разработан метод формирования оптимальной структуры хранилища данных на основе многомерного представления данных, полученных из различных информационных источников.

Практическая ценность работы заключается в повышении эффективности процесса технологической подготовки производства за счет сокращения временных и материальных затрат на формирование технологических процессов, которое достигается благодаря применению средств поддержки принятия решений.

Апробация работы.

Основные положения и результаты диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Основы информатики» МГТУ «СТАНКИН», а также на следующих научных конференциях:

1. VI всероссийская научно-техническая конференция «Новые информационные технологии», МГАПИ, Москва, 2003 г.

2. VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», МГТУ «СТАНКИН», Москва, 2003 г.

3. I научная конференция «Качество. Инновации. Образование.», Судак, 2003 г.

4. Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», АМИ, Москва, 2003 г.

Публикации. По теме диссертационной работы опубликованы 6 научных работ, включая тезисы докладов, подготовленных для международных и всероссийских научно-технических конференций:

1. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как средство улучшения системы качества в технологической подготовке машиностроительного производства. // VI всероссийская научно-техническая конференция «Новые информационные технологии», Москва, 23-24 апреля 2003 г.: Сборник трудов. В 2-х т.т. Т2. М.: МГАПИ, 2003, с. 223-227.

2. Кахутин П.В., Ковшов Е.Е. Информационная поддержка в моделировании параметров качества машиностроительного производства. // VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», Москва, 28-29 апреля 2003 г.: Сборник докладов. М.: Изд-во МГТУ «СТАНКИН», 2003, с. 122-125.

3. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как фактор повышения качества принимаемых решений. // I научная конференция «Качество. Инновации. Образование.», Судак, 23-30 мая 2003 г.: Сборник докладов. Судак, 2003, с. 99-100.

4. Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.

5. Шемелин В.К., Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Повышение качества информационного взаимодействия в структуре «производитель-потребитель» за счет применения CRM-приложений. // Объединенный научный журнал, 2003, №19, с. 91-94.

6. Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Новые информационные технологии управления качеством в производственных системах. // Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», Москва, 2003 г.: Сборник докладов и тезисов. М.: АМИ, 2003, с. 53-54.

На защиту выносятся:

1. Классификация современных методологических, математических и информационных средств построения СППР.

2. Математическая модель СППР, основанная на использовании многомерного представления данных и применении методов ИАД, служащая для повышения качества принимаемых решений в ТП машиностроительного производства.

3. Метод решения задачи поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Методика интеграции СППР в существующую корпоративную информационную систему машиностроительного производства.

5. Результаты практического применения СППР, как средства повышения качества процесса ТП опытного производства.

Основные выводы по диссертационной работе

1. Решена актуальная научная задача, имеющая существенное значение для машиностроительного производства и заключающаяся в повышении качества решений, принимаемых инженером-технологом, путем применения современных методов интеллектуального анализа данных, агрегированных в хранилища данных.

2. Определены методологические, математические и информационные средства, служащие основой решения актуальных проблем СППР в технологической подготовке машиностроительного производства.

3. Разработана математическая модель СППР, основанная на совместном использовании реляционного многомерного представления данных и современных методов интеллектуального анализа данных, что позволило решить задачу поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Определен перечень задач технологической подготовки машиностроительного производства, которые могут быть решены с использованием СППР на основе хранилищ данных.

5. Разработана и практически реализована методика интеграции СППР в корпоративную информационную систему машиностроительного производства.

1. Автоматизация машиностроения: Учебник для втузов. / Н.М. Капустин, Н.П. Дьяконова, П.М. Кузнецов; Под ред. Н.М. Капустина. М.: Высш. шк., 2002, 223 е.: ил.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики Учеб. для студентов экон. специальностей вузов. М.: Изд. об-ние «ЮНИТИ», 1998, 1022 е.: ил.

3. Александровский А. Д. Delphi 5.0. Разработка корпоративных приложений. М.: ДМК 2000, 508 е.: ил.

4. Антонов Г.А. Основы стандартизации и управление качеством продукции: Учебник в 3 частях. СПб.: СПбУЭФ, 1995, 111 е.: ил.

5. Архитектуры систем поддержки принятия решений. // http://lissianski.narod.ru/dwarch/dwarch.html.

6. Бирюков А. Системы принятия решений и хранилища данных. // СУБД, 1997, №4, с. 37-41.

7. Вольдер Б.С. Планирование на предприятии. М.: Изд-во МГТУ «СТАНКИН», 1999, 172с.

8. Выбор инструмента для моделирования хранилищ и витрин данных. // http://lissianski.narod.ru/modelingtoolselection.html.

9. Галкин В.И. Современное состояние вопроса о разработке и внедрении систем автоматизированного проектирования конструкторских и технологических работ. // Цветные металлы, 1998, № 10-11, с. 47-52.

10. Гареев А., Корнеев В., Райх В., Васютин С. Базы данных.

11. Интеллектуальная обработка информации (2-е издание). М.:Нолидж, 2003, 400 е.: ил.

12. ГОСТ 15467-79. Управление качеством продукции. Основные понятия. Термины и определения. М.: Изд-во стандартов, 1979, 16 с.

13. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: Изд-во стандартов, 2001, 37 с.

14. ГОСТ Р ИСО 9001-2001. Системы менеджмента качества. Требования. М.: Изд-во стандартов, 2001, 31 с.

15. ГОСТ Р ИСО 9004-2001. Системы менеджмента качества. Рекомендации по улучшению деятельности. М.: Изд-во стандартов, 2001,56 с.

16. Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ, 1993, № 5, с. 174-178.

17. Дубовиков Б.А. Основы научной организации управления качеством. М.: Экономика, 1966, 319 с.

18. Евгеньев Г., Кузьмин Б., Лебедев С., Тагиев Д. САПР XXI века: интеллектуальная автоматизация проектирования технологических процессов. // САПР и графика, 2000, № 4, с. 71-73.

19. Зейдель Б. Хранилища данных — дело серьезное. // Computerworld, 2000, № 27-28, с. 40;

20. Зильбербург Л.И., Молочник В.И., Яблочников Е.И. Реинжиниринг и автоматизация технологической подготовки производства в машиностроении. СПб.: "Компьютербург", 2003, 152 е.: ил.

21. Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.

22. Кириллов П., Шабаев И. Загрузка и согласование данных при построении хранилищ данных. // Открытые системы, 2000, № 11, р.

23. Костяков С. Стратегия информационной поддержки систем качества. // PC Week/RE, № 22-23, 1999. // http://www.pcweek.ru/year1999/N22/CP125 l/CorporationSystems/chapt2.htm

24. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Наука, 1996, 207 с.

25. Мамаев Е., Шкарина JI. Microsoft SQL Server для профессионалов. СПб., Питер, 2001, 1088 е.: ил.

26. Нестеров Ю.Е. Эффективные методы в нелинейном программировании. М.: Радио и связь, 1989, 301 с.

27. Норенков И.П., Кузьмик П.К. Информационная поддержка наукоемких изделий. CALS-технологии. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002, 320 е.: ил.

28. Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002,344 е.: ил.

29. РД 50-135-78. Методические указания. Состав и содержание проекта КС УКП. М.: Изд-во стандартов, 1978, 14 с.

30. Роджерсон Д. Основы СОМ / Пер. Д.Г. Новоселов. 2-е изд., испр. и доп. М.: Русская редакция, 2000, 375 е.: ил.

31. Родионов Б.Н., Саломатин Н.А. Организация, планирование и управление машиностроительным производством. М.: Машиностроение, 1989, 36 с.

32. Саймон А. Репозитории и управление метаданными. // СУБД, 1996, № 5-6, с. 154-162.

33. Сахаров А. А. Концепции построения и реализации информационных систем, ориентированных на анализ данных. // СУБД, 1996, № 4, с. 5570.

34. Сахаров А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server). // СУБД, 1996, №3, с. 44-59.

35. Сейфи Т.Ф., Ярошенко А.И., Бакаев В.И. Система КАНАРСПИ — гарантия высокого качества. — М.: Изд-во стандартов, 1968, 147 е.: ил.

36. Сигнор Р. Использование ODBC для доступа к базам данных. М.: Бином-П, 1995, 45 с.

37. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1. / Пер. с. Англ. М.: Издательский дом «Вильяме», 2001, 400с.: ил.

38. Справочник технолога-машиностроителя. В 2 т. 5-е изд., перераб. и доп. Т1. / Под ред. А.М Дальского и др. М.: Машиностроение, 2001, 910 с.: ил., табл.

39. Субъективность в компьютерной поддержке управленческих решений. / Э.А. Трахтенгерц; Рос. акад. наук. Ин-т проблем упр. им. В.А. Трапезникова. М., СИНТЕГ, 2002, 250 е.: ил., портр., табл.

40. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998,376 е.: ил.

41. Уоссермен. Ф. Нейрокомпьютерная техника: теория и практика. / Пер. с англ. М.: Мир, 1992, 240 е.: ил.

42. Управление жизненным циклом продукции. / А.Ф. Колчин, А.Ф. Стрекалов, С.В. Сумароков. М.: Анахарсис, 2002, 303 е.: ил., табл.

43. Федоров А., Елманова Н. Введение в OLAP. Часть 1. Основы OLAP. // КомпьютерПресс, 2001, № 4, с. 145-148.

44. Федоров А., Елманова Н. Введение в OLAP. Часть 3. Архитектура

45. Microsoft Analysis Services.//КомпьютерПресс, 2001, №6, с. 151-157.

46. Федоров А., Елманова H. Введение в базы данных. // КомпьютерПресс, 2000, №8, с. 163-165.

47. Холпин Дж. Бездефектность. Новый подход к проблеме обеспечения качества. М.: Мир, 1968,336 с.

48. Шумаков П.В., Фаронов В.В. Delphi 5. Руководство разработчика баз данных. М.: Нолидж, 2002, 635 е.: ил., табл.

49. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах. // ComputerWeek/Moscow, 1996, № 16, с. 32-35.

50. Эспозито Д. OLE DB или ODBC? // Windows & .NET Magazine/RE, 2000, № 1, с. 63-66.

51. Agrawal R., Imielinski Т., Swami A. Mining Associations Between Sets of Items in Massive Databases. // Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 26-28 of May 1993, Washington, USA, p. 207-216.

52. R. Agrawal, A. Gupta, and S. Sarawagi. Modeling Multidimensional Databases. // Proceedings of the 13th International Conference on Data Engineering, 7-11 of April 1997, Birmingham, UK, p. 232-243.

53. Agrawal R., Srikant R. Fast Discovery of Association Rules. // Proceedings of the 20th International Conference on VLDB, September 1994, Santiago, Chile, p. 487-499.

54. Bhattacharjee В., Cranston L., Malkemus Т., Padmanabhan S. Boosting Query Performance: Multidimensional Clustering. // DB2 Magazine, 2003, Vol. 7, № 2, p. 38-43.

55. Codd E.F., Codd S.B., Salley C.T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. San Jose: Codd & Date, Inc., 1993,31 p.

56. Cohen W.W., Singer Y. Context-sensitive learning metods for text categorization // Proceedings of the 19th Annual International ACM SIGIR58