автореферат диссертации по машиностроению и машиноведению, 05.02.22, диссертация на тему:Разработка метода критериальной оценки функционирования и совершенствования производственных процессов предприятия машиностроения

Сазыкина Ольга Васильевна

РАЗРАБОТКА МЕТОДА КРИТЕРИАЛЬНОЙ ОЦЕНКИ ФУНКЦИОНИРОВАНИЯ И СОВЕРШЕНСТВОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ ПРЕДПРИЯТИЯ МАШИНОСТРОЕНИЯ

Специальность 05.02.22 — «Организация производства» (машиностроение)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Норильск 2006

Сазыкина Ольга Васильевна

РАЗРАБОТКА МЕТОДА КРИТЕРИАЛЬНОЙ ОЦЕНКИ ФУНКЦИОНИРОВАНИЯ И СОВЕРШЕНСТВОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ ПРЕДПРИЯТИЯ МАШИНОСТРОЕНИЯ

Специальность 05.02.22 - «Организация производства» (машиностроение)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Норильск 2006

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Норильский индустриальный институт»

Научный руководитель: к.т.н., профессор Цырульник Р.П.

Официальные оппоненты: д.т.н., профессор Потапенков А.П.,

к.т.н., доцент Тарасенко E.H.

Ведущая организация: Заполярный филиал ОАО «Горнометаллургическая компания «Норильский никель», Управление главного механика.

Защита состоится 14 декабря 2006 г. в « 9cß> часов на заседании диссертационного совета К-212.175.01 при ГОУВПО «Норильский индустриальный институт» по адресу: 663310, Красноярский край, Норильск, ул. 50 лет Октября, 7.

С диссертацией можно ознакомиться в библиотеке Норильского индустриального института.

Автореферат разослан ноября 2006 г.

Ученый секретарь диссертационного совета, к.т.н., доцент

М.А. Труш

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Задача оценки функционирования и совершенствования производственно-хозяйственной деятельности предприятий машиностроения является одной из важных проблем, решением которой в настоящее время необходимо заниматься предприятиям как хозяйственным системам. Решение этой задачи должно быть направлено не только на обеспечение стабильного текущего экономического положения предприятия, но и на обеспечение жизнеспособности предприятий, их стратегической экономической устойчивости. А этого можно достичь, в современных условиях хозяйствования, в основном через качественное преобразование технической базы производства, занимаясь инновационной деятельностью.

В отечественной практике для оценки перспектив существования и развития предприятий наиболее часто используются различные потенциалы хозяйственной системы: производственный, экономический, природно-ресурсный, кадровый и др., которые не в полной мере учитывают инновационную составляющую организации, то есть готовность предприятия внедрять новую технику, применять новые технологии для обеспечения выпуска конкурентоспособной продукции.

На основе проведенного анализа для более полной оценки возможностей предприятия нами предлагается использовать интегральный комплексный показатель — инновационно-производственный потенциал (ИПП), дающий возможность судить о состоянии инновационного развития предприятия. Кроме того, в современных условиях необходим постоянный мониторинг ИПП организаций, так как динамика развития этого потенциала позволяет оценить уровень функционирования и совершенствования предприятия, его производственных процессов, уровень модернизации и технического переоснащения производственной базы. Системный анализ величины ИПП и входящих в него составляющих позволяет выявлять и своевременно устранять наиболее слабые позиции в функционировании производства.

Для ускорения процесса обработки информации, требующейся при определении множества показателей, входящих в состав ИПП, значительного уменьшения трудоемкости их определения, получения возможности прогнозировать их на различные временные периоды, используется искусственная нейронной сеть (НС). Одно из важных свойств НС состоит в способности к обучению и обобщению полученных данных. Обученная на ограниченном множестве выборок, НС обобщает накопленную информацию и вырабатывает данные, необходимые для принятия согласованного решения. НС обладает чертами так называемого искусственного интеллекта.

Степень разработанности проблемы. Существенный вклад в разрешение вопросов теории организации производства и трактовок категории «потенциал» внесли ученые: А.Я. Степанов и Н.В. Иванова, Б.М. Мочалов, В.Н. Мосин и Д.М. Крук, Л.И. Лопатников и A.M. Румянцев. «Экономический потенциал как совокупность имеющихся в наличии ресурсов» просле-

живается в публикациях Б. Плышевского, А. Тодосейчука, Ю. Лычкина, А. Цыгичко и др.

Известны работы в области теории и прикладных приложений нейронных сетей научных коллективов под руководством отечественных и зарубежных ученых, как А.И. Галушкин, А. Горбань, A.A. Ежов, С. Оссовский, С.А. Шумский, Я.З. Цыпкин, С. Гроссберг, У. МакКаллок, У. Питтс, Ф. Ро-зенблатт, Б. Уидроу, Ф. Уоссермен и др.

Однако, для построения прогнозов, составления планов, принятия эффективных решений необходимо располагать объективной информацией о возможностях предприятия в достижении определенных целей по различным направлениям деятельности. Наиболее важным в этой связи является обладание совокупной, интегральной оценкой, которая бы включала все возможности и учитывала бы все ограничения. В этом направлении в Норильском индустриальном институте осуществляется целевая программа по комплексному изучению проблемы становления, эффективного функционирования и совершенствования производственных процессов, разработке научно-организационных, практических методов и средств решения входящих задач, совершенствованию научных, методологических и системотехнических принципов организации производства, созданию и применению методов и средств мониторинга, анализа различных организационных, технологических и технических решений.

Цель работы состоит в совершенствовании способов оценки и разработке научных методов повышения эффективности функционирования организации производства на примере предприятия машиностроения.

Основные задачи исследования заключаются в следующем:

- анализ сложившихся подходов к использованию потенциала как критерия эффективного функционирования и совершенствования производственных процессов;

- применение системы оценочных показателей потенциала функционирования и развития предприятия машиностроения;

- критериальная оценка функционирования производственных процессов предприятия машиностроения с помощью нейронных сетей;

- использование нейронной сети при мониторинге, оценке и прогнозировании эффективности производственно-хозяйственной деятельности предприятия машиностроения на основе инновационно-производственного потенциала;

- разработка мероприятий эффективного функционирования и совершенствования производственных процессов предприятия машиностроения.

Объектом исследования являются процессы критериальной оценки организации функционирования и повышения эффективности производственной деятельности предприятия машиностроения.

Предметом исследования являются научные методы моделирования и критериальной оценки организации процесса производства предприятия машиностроения.

Методы исследования. В ходе исследования используются: системный анализ, методы теории организации, статистических и экспертных оценок, математическое и компьютерное моделирование.

Обоснованность и достоверность полученных научных результатов определяется корректным применением практически реализованных методик, основанных на положениях теорий нейронных сетей и организации производства, сопоставленных с экспериментально полученными данными.

Научная новизна работы заключается в следующем:

- определена специфика методов критериальной оценки функционирования и совершенствования производственных процессов предприятия;

- предложен метод определения инновационно-производственного потенциала как критерия оценки функционирования предприятия машиностроения;

- научно обосновано применение нейронной сети при мониторинге, оценке эффективности и прогнозировании производственно-хозяйственной деятельности предприятия машиностроения на основе модели инновационно-производственного потенциала;

- осуществлена критериальная оценка функционирования производственных процессов предприятия машиностроения на основе инновационно-производственного потенциала с использованием нейросетевого моделирования;

- разработаны мероприятия эффективного функционирования и совершенствования производственных процессов предприятия машиностроения;

- материал диссертации использован в научно-исследовательской работе «Совершенствование системы управления предприятий РАО «Норильский Никель» (номер государственной регистрации 01.99.0007079), выполняемой по заданию Рособразования РФ в рамках тематического плана Норильского индустриального института «Создание концепции жизнеобеспечения промзоны и инфраструктуры на основе исследований физико-технических и социально-экономических систем в условиях Крайнего Севера».

Практическая значимость работы заключается в следующем:

- разработанная методика критериальной оценки деятельности предприятия дает возможность объективно и комплексно оценивать его функционирование и является информативной базой для анализа, позволяющего определять направления совершенствования производственной деятельности, оценивать влияние множества факторов и управленческих решений на результаты хозяйственной деятельности;

- методические положения, предложенные в диссертационной работе, явились основой для разработки «Рекомендаций по использованию ней-

ронной сети при мониторинге и оценке эффективности производственно-хозяйственной деятельности на основе инновационно-производственного потенциала» / Р.П. Цырульник, О.В. Сазыкина. - Норильск, НИИ, 2006. -52 е., предназначенных для работников планово-экономических отделов промышленных предприятий Заполярного филиала ОАО «ГМК «Норильский Никель»;

- апробированные результаты исследования используются в учебном процессе при подготовке студентов по специальностям 080507 «Менеджмент организации», 100400 «Электроснабжение (по отраслям)», 080502 «Экономика и управление на предприятии (по отраслям)».

Положения, выносимые на защиту, полученные лично автором диссертации:

- методика определения инновационно-производственного потенциала как критерия оценки функционирования предприятия машиностроения;

- научное обоснование применения нейронной сети при мониторинге, оценке и прогнозировании эффективности производственной деятельности предприятия на основе инновационно-производственного потенциала;

- методика критериальной оценки и прогнозирования функционирования производственных процессов машиностроительного предприятия на основе инновационно-производственного потенциала с использованием ней-росетевого моделирования;

- разработанные мероприятия эффективного функционирования и совершенствования производственных процессов предприятия машиностроения.

Апробация результатов. Полученные автором результаты исследования докладывались, представлялись и одобрены на научных конференциях различного уровня:

- 13-м международном симпозиуме и выставке Вроцлавского технического университета телекоммуникаций, Польша, Вроцлав, 1996;

- международной научно-технической конференции «Электрика», Москва, 1995.

- всероссийских научных конференциях «Взаимосвязь наук о труде и экономической теории», Санкт-Петербургский государственный инженерно-экономический университет, Санкт-Петербург, 2002 — 2003;

- всероссийской научно-методической конференции по инновационному менеджменту (направление «Инновационная деятельность»), Кубанский государственный университет. — Краснодар, 2006;

- научно-технической и методической конференции «Энергосбережение», Санкт-Петербург, 1999;

- ежегодных региональных научно-технических конференциях «Крайний Север. Технологии, методы, средства», Норильский индустриальный институт, Норильск, 1996 — 2006.

Публикации. Основное содержание диссертации опубликовано в 10 научных статьях объемом свыше 2 п. л. и 3 учебных пособиях объемом 21,5 п. л.

Структура и объем работы. Диссертация общим объемом 196 стр., состоит из введения, четырех глав, заключения, списка использованной литературы из 112 источников, 33 рисунков, 30 таблиц и 4 приложений.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность работы, определена степень разработанности проблемы, представлены сформулированные цель и основные задачи исследования, показан объект и предмет исследования, перечислены методы исследования, обоснованность и достоверность полученных научных результатов, их научная новизна и практическая значимость.

В первой главе «Состояние вопроса и задачи исследования. Потенциал как критерий оценки эффективного функционирования производственных процессов» осуществлен анализ сложившихся подходов к определению потенциала организации, который выявил недостаточную проработку этого направления. Авторами исследований предлагаются в качестве таких критериев различные виды потенциалов, но все они имеют ряд недостатков. В то время как для построения прогнозов, составления планов, принятия эффективных решений необходимо располагать объективной информацией о резервах развития предприятия в достижении определенных целей по различным направлениям деятельности. Наиболее важным в этой связи является обладание совокупной, интегральной оценкой, которая бы включала все возможности и учитывала бы все ограничения.

Комплексный интегральный критерий должен содержать в себе обобщающие оценочные характеристики всех аспектов деятельности предприятия. Применительно к отдельной организации он должен характеризовать систему возможностей предприятия максимально удовлетворять требования потребителей, рационально используя при этом ресурсы и адекватно реагируя на влияние факторов внешней среды. Такой критерий должен оценивать ресурсы предприятия по внедрению новых технологических процессов и средств, применению инновационных знаний и навыков кадрового потенциала.

Структура интегрального критерия должна содержать элементы, характеризующие инновационные ресурсы предприятия в производственной, организационной, финансовой и других сферах, обеспечивающих экономию затрат. Кроме того, в современных условиях хозяйствования необходим постоянный мониторинг этого критерия, что позволит выявлять негативные и положительные тенденции в развитии предприятия, даст информацию о недостатках функционирования и реальных возможностях.

Поскольку для оценки такого критерия требуется исследование большого объема информации, связанного с определением множества пока-

зателей, а от скорости ее обработки зависит качество управления, то предлагается использовать новое направление переработки информационных потоков. В подготовке принятия решений как в зарубежной, так и отечественной практике успешно применяются нейронные сети (НС), которые могут прогнозировать будущие значения переменных по уже имеющимся значениям исходных параметров, предварительно осуществив процесс так называемого обучения на основе имеющихся ограниченных данных. При этом НС позволяют строить достоверные прогнозы, не уточняя конкретный вид тех зависимостей, на которых такой прогноз основан.

Во второй главе «Методология использования нейронной сети при мониторинге и оценке эффективности производственно-хозяйственной деятельности на основе инновационно-производственного потенциала» сформирован и обоснован критерий и создана модель инновационно-производственного потенциала предприятия машиностроения. Этот критерий содержит в себе интегральные оценочные характеристики всех основных направлений деятельности предприятия. Структурно ИПП состоит из производственного, отдельно трудового и инновационного потенциалов. Последний, в свою очередь, включает в себя организационно-управленческий потенциал и уровень инновационной активности организации (рис. 1). Под инновационной активностью предприятия понимается обобщающая характеристика интенсивности инновационной деятельности, базирующаяся на мобильности инновационного потенциала.

Рис. 1. Структура инновационно-производственного потенциала

Понятийный аппарат оценочных показателей, характеризующих производственный (состояние основных и оборотных средств) и трудовой потенциал, достаточно хорошо проработан, в отличие от системы показателей, характеризующих инновационный потенциал. Для оценки организационно-управленческого потенциала, входящего в состав инновационного, предлагается методика использования показателей, характеризующих: струк-

туру аппарата управления организации; уровни компетенции аппарата управления, его зарплатоемкости, оснащенности, стабильности, результативности.

Инновационную активность организации характеризуют показатели: удельный вес персонала, занятого инновационной деятельностью; годовой экономический эффект от инноваций к общему объему затрат на их создание; удельный вес стоимости основных фондов, используемых в процессе инновационной деятельности, к среднегодовой стоимости активной части основных фондов; затраты на модернизацию и обновление технологического оборудования к общим затратам на эксплуатацию и ремонты активной части основных фондов; удельный вес инновационных затрат в выручке от реализации продукции в расчете на одного работающего в организации.

При мониторинге ИПП действенность производственной системы оценивается, как правило, по его промежуточным и конечным результатам, определяемым ежеквартально, а при необходимости — ежемесячно. В качестве промежуточных результатов методики определения ИПП предлагается использовать величины производственного, трудового и инновационного потенциалов. Интегральной конечной характеристикой потенциала развития организации служит инновационно-производственный потенциал.

ИПП по отношению к конкретному предприятию характеризует как производственные возможности, так и интегральные способности предприятия максимизировать эффективность хозяйственной деятельности путем рационального использования ресурсов, инновационных возможностей и адекватной реакции на влияние факторов внешней среды организации. ИПП хозяйственной системы дает возможность судить о возможностях развития любого предприятия машиностроения и его резервах. Постоянный мониторинг и прогнозирование ИПП организаций позволит выявлять негативные тенденции в развитии предприятия на стадии их зарождения, что даст возможность своевременно выработать комплекс организационно-технических мероприятий по нивелированию этих тенденций.

Инновационно-производственный потенциал как критерий в оценке функционирования предприятия реализуется с помощью нейронной сети, составной частью которой являются однотипные элементы-ячейки, — искусственные нейроны. Входной адаптивный умножитель НС вычисляет скалярное произведение вектора входного сигнала X (составляющих ИПП) на вектор-строку весов IV (значения составляющих ИПП). Скалярный входной сигнал х1 умножается на скалярный весовой коэффициент м?^ Адаптивность

умножителя проявляется в настраивании коэффициентов \VEfV, происходящем при обучении НС. Умножитель выполняет функцию синапса — однонаправленной входной связи нейрона с его ядром. Каждый синапс характеризуется величиной связи или синапсическим весом — коэффициентом . Передаточная функция нейрона реализуется сумматором 2 и нелинейным преобразователем с помощью активационной функции /(¿г), в которой функция текущего состояния нейрона становится ее аргументом. В работе рассматри-

ваются две нелинейных функции: логистическая однополярная функция и биполярная сигмоидная функция гиперболического тангенса. Многослойная сеть (рис. 2.) в каждом слое имеет свою матрицу весов, вектор смещения и вектор выхода ИПП. Различные слои имеют различное число нейронов. Выходы каждого промежуточного слоя служат входами для следующего слоя.

Входной спой Внутренние слои Выходной спой

Рис. 2. Структурная схема многослойной НС для расчета ИПП

Способность НС выполнять свои функции зависит как от архитектуры сети, так и от коэффициентов синапсических весов, входящих в множества численных значений составляющих ИПП IV и )¥о. Для выполнения поставленной задачи после определения структуры сети на этапе обучения НС устанавливаются оптимальные значения всех коэффициентов синапсических весов путем их тщательного подбора.

В процессе работы НС формирует вектор выходной информации У — ИПП в соответствии с вектором входной информации X, реализуя функцию

Г =/(%;, (1)

где Г-универсум функций/

При заданной архитектуре НС функция / определяется значениями коэффициентов синапсических весов \У и Помимо этих параметров, вводится специальная функция ошибки Е(м) или функционал качества. В качестве функции ошибки в работе используется сумма квадратов разности ошибок согласно методу наименьших квадратов. НС обучают, подавая компоненты входного вектора по одному на вход и автоматически подстраивая весовые коэффициенты до тех пор, пока для всех компонентов выходного вектора не будет достигнут результат требуемой точности. Каждая эпоха-итерация алгоритма обучения состоит в вычислении выходного компонента. Если при подаче входного компонента выходной компонент соответствует требуемому результату, то ничего не меняется и осуществляется переход к следующей

эпохе. Если выходной компонент не соответствует требуемому результату, то коэффициенты синапсического веса модифицируются для уменьшения ошибки. Численные эксперименты показали, что функция ошибки при увеличении количества эпох уменьшается только до определенного момента, после чего начинает расти. Слишком длительное обучение может привести к переобучению сети, которое выражается в адаптации весовых коэффициентов к несущественным отклонениям обучающих данных, поскольку исходные данные, как правило, задаются с погрешностями. Для того чтобы выявить факт переобучения используется часть обучающих данных V, зарезервированных для независимого контроля и не использованных при обучении нейронной сети

УД: ¿еД, ГсХ, Се Л, (2)

где Л — универсум входных данных, на котором выполняется правило соответствия X —> Г; Ь — обучающее множество; V — контрольное множество; С — тестовое множество.

Для обобщения информации НС тренируется на избыточном множестве данных, поскольку тогда весовые коэффициенты будут адаптироваться к статистически усредненным показателям.

Имеющиеся особенности НС приводят к тому, что структура связей НС становится для пользователя логически непонятной. Невозможно построить понятную логическую конструкцию, воспроизводящую действия НС, что является логической непрозрачностью нейронных сетей, обученных по неявным правилам. НС вычисляют как линейные функции, так и нелинейные функции одного переменного, а также всевозможные суперпозиции — функционалы (функции от функций), получаемые при каскадном соединении нейронов и слоев. Это создает проблему адекватности (способности отражать характеристики с некоторой допустимой относительной погрешностью) ней-росетевого моделирования задач критериальной оценки, и связанные с ней вопросы точного вычисления одних функций и аппроксимации других. Адекватность нейросетевого моделирования в работе первоначально рассмотрена на решении часто используемой в области анализа производственных процессов предприятий машиностроения задачи линейной регрессии. Поскольку для получения результатов по уравнению регрессии НС обучается на минимизации ошибки Е, то принимая, например, значение ошибки Е = 0,05 при доверительной вероятности выходных данных 0,95, в соответствии с критериями Фишера (для малых выборок), Пирсона или Колмогорова (для больших выборок) получается технически адекватная нейросетевая модель. НС, получая на входе вектор данных X, вычисляет его скалярное произведение на векторы синапсических весов IV, \У0 и формирует функцию одного переменного^). Результат У = передается на входы других нейронов или на выход сети. Таким образом, НС вычисляет суперпозиции функции одного переменного и их линейные сочетания.

Кроме точного представления ИПП — функции многих переменных (основные фонды, оборотные средства, инновационный потенциал и т.д. по рис. 1) с помощью функций одного переменного существует не менее важная проблема аппроксимации, поскольку на практике вычисление большинства функций производится приближенно. Аппроксимация функций многочленами и рациональными функциями реализуется согласно теореме Вейерштрас-са: непрерывную функцию нескольких переменных f(x¡,х2,...,х„) — ИПП на замкнутом ограниченном множестве Q — множестве показателей производственных процессов можно равномерно приблизить последовательностью полиномов. Для любого значения ошибки Е> 0 существует такой многочлен

Р(х15х2,...,*„), что

mjn|/(x1,x2,...,^/,)-JP(x1,x2,...,x„)| < Е. (3)

Следовательно, с помощью линейных операций и каскадного соединения нейронов НС можно из произвольных нелинейных элементов получить требуемый результат с любой заранее заданной точностью, что свидетельствует об адекватности моделирования рассматриваемой в работе ИПП нейронными сетями. Для создания адекватных нейросетевых моделей в процессе обучения многослойных НС и при использовании быстрых градиентных способов необходимо знать значения векторов градиента Aw для всех слоев сети. Задача этого вопроса состоит в определении ошибки для нейронов скрытых слоев и вычислении gradw по методу, который получил название ВРгор — обратного распространения ошибки

¿к £ к Составляющие градиента определяются результатом дифференцирования функции (4). Следовательно, окончательное выражение для наибольшей скорости изменения Aw в требуемом направлении, имеющего вид отрицательного градиента Aw = gradwA = —А • л: , будет записано в виде

. A = (5)

где Aw]p — градиент, реализуемый j-м нейроном, для /-го весового коэффициента и-го слоя НС; 8— величины ошибки «-го слоя по величинам ошибки следующего за ним (п+1)-го слоя; у^"'1^ — данные j-го нейрона предыдущего Сп-1)- го слоя.

Существенным недостатком рассмотренного выше метода ВРгор, используемого для обучения многослойных НС, является длительный процесс их обучения. В настоящее время известен ряд эвристических методов ускорения процесса обучения. Один из быстрых методов градиентного спуска RProp (Resilient Propagation — эластичное распространение) применяет для

подбора весовых коэффициентов знаки частных производных, а не их значения. Настройка весовых коэффициентов (составляющих ИПП) выполняется по модифицированному градиенту:

Ди^ = -Н • А у • /дигу), (6)

где Ау — величина коррекции; ъ^п^дЕ/¿М?у) = ±\ — функция, принимающая

значение, равное знаку градиента 6Е1 дм.

Метод использует обучение по эпохам /, когда коррекция весовых коэффициентов происходит после ввода всех примеров из обучающей Ь выборки. В тех случаях, когда угол наклона целевой функции невелик, рассмотренный метод интегрирования ИПП по значению градиента позволяет значительно ускорить процесс обучения.

В работе обосновано использование обучающего метода сопряженных градиентов, основанного на решении системы линейных алгебраических уравнений

Ам> = Ь, (7)

где и> — неизвестный вектор (ИПП); Ъ — известный вектор (составляющие ИПП); А — известная, квадратная, симметричная, положительно-определенная матрица (параметры составляющих ИПП), если для любого ненулевого вектора справедливо неравенство л\?т А\У > 0. Решение системы (7) эквивалентно нахождению минимума соответствующей квадратичной формы (скалярной квадратичной функции вектора м>) следующего вида:

/(и>) = (1/2 )ч?тАм>-Ьтм> + с, (8)

где с — смещение функции /(м>); т — знак скалярного умножения векторов.

Наличие связи между матрицей линейного преобразования А и скалярной функцией /(м) = Е(м>) дает возможность для положительно-определенных матриц вместо решения системы уравнений разложить целевую функцию

Е( и> + р) = Е( + grad(w)т р + ^ рт Н(м>) •/? + ... (9)

и найти минимум ее погрешности за конечное число эпох.

Многослойные НС выполняют аппроксимацию целевой функции нескольких переменных путем преобразования множества входных переменных X во множество выходных переменных У. Вследствие специфики характера сигмоидальной функции активации осуществляется аппроксимация глобального типа. В результате нейрон подобной сети, который был активирован после превышения суммарными данными определенного порогового значения, остается в этом состоянии при любом значении данных, превышающем этот порог. Поэтому всегда преобразование значения функции в произвольной точке гиперпространства выполняется объединенными усилиями многих нейронов путем глобальной аппроксимации.

В работе рассмотрен и другой способ отображения входного множества X в выходное У, который заключается в преобразовании путем адаптации нескольких одиночных аппроксимирующих функций к ожидаемым выходным значениям. Причем адаптация данных проводится только в ограниченной области гиперпространства. При таком подходе отображение всего множества данных представляет собой сумму локальных преобразований. Скрытые нейроны формируют множество базисных функций локального типа при ненулевых значениях в ограниченной области гиперпространства данных, выполняя локальную аппроксимацию. В НС с радиальной базисной функцией (Radial Basis Function — RBF) скрытые нейроны реализуют функции, радиально изменяющиеся вокруг выбранного центра с на оси абсцисс, принимающие ненулевые значения в окрестности этого центра. В таких НС роль скрытого нейрона заключается в отображении радиального пространства вокруг заданной точки. Суперпозиция данных, поступающих от всех скрытых нейронов, выполняется выходным нейроном и позволяет получить отображение всего гиперпространства, являясь линейной комбинацией некоторого набора базисных функций (составляющих ИПП)

т

г=/(х) = 2>, •/*,(*), (ю)

7=1

где т — число нейронов скрытого слоя; h(x) — функция Гаусса.

Обучение RBF сети состоит в нахождении весовых коэффициентов методом псевдообратных матриц, который минимизирует средний квадрат ошибки. RBF сети лучше, чем сигмоидальные решают классификационные задачи. Применение RBF сетей для прогнозирования месячных и квартальных процессов, дает результаты не хуже, чем получаемые с использованием сигмоидальных НС, что позволяет расширить возможности моделирования критериев оценки функционирования практически для всех рассматриваемых производственных процессов предприятий машиностроения.

В третьей главе «Критериальная оценка функционирования производственных процессов предприятия машиностроения» проведен анализ хозяйственной деятельности предприятия машиностроения — «Механический завод», входящего в состав ЗФ ОАО «ГМК «Норильский Никель», выпускающего металлопродукцию для предприятий компании. Наличие завода в составе компании позволяет минимизировать убытки от аварий и технических инцидентов на оборудовании предприятий основной деятельности, а также проводить независимую от других отечественных и зарубежных машиностроительных предприятий техническую и ценовую политику.

Для поиска путей интенсификации производства рассматриваемого машиностроительного предприятия использованы методы оценки инновационно-производственного потенциала. Соотнесение величины ИПП с конечными результатами функционирования и проводимой инновационной деятельностью (см. табл.) дает комплексное представление о степени использования производственных ресурсов и резервах повышения эффективности

производства. При наличии указанных данных появляется возможность более объективного определения направлений улучшения производственного процесса и путей его дальнейшего совершенствования.

Таблица

Инновационная составляющая ИПП__

Показатели инновационного потенциала Анализируемый период

2003 г. 12004 г. 12005 г.

Организационно-управленческий потенциал

Коэффициент организационной структуры 0,18 0,16 0,16

Уровень компетенции управленческого персонала 0,29 0,36 0,41

Удельные затраты на обучение и повышение квалификации 0,16 0,18 0,19

Уровень оснащенности 0,2 0,21 0,28

Удельный вес затрат на управление 0,11 0,13 0,12

Коэффициент затрат на одного управленческого работника 0,01 0,01 0,01

Рентабельность управленческой деятельности 0,12 0,12 0,13

Показатели инновационной активности

Удельный вес персонала, занятого инновациями 0,16 0,17 0,18

Годовой экономический эффект от инноваций к общему объему затрат на их создание 71 94 99

Удельный вес стоимости основных фондов, к среднегодовой стоимости активной части основных фондов 0,32 0,37 0,43

Удельный вес персонала, занятого инновациями 0,01 0,03 0,05

Энергоемкость продукции 0,31 0,26 0,33

Затраты на модернизацию к общим затратам на эксплуатацию и ремонты активной части основных фондов 0,14 0,23 0,26

Удельный вес инновационных затрат к выручке от реализации продукции на одного работника организации 0,09 0,07 0,05

Коэффициент инновационной активности 3,7 3,1 3,3

Инновационный потенциал 0,213 0,224 0,274

Исследована система оценочных показателей ИПП. Отдельно взятый технико-экономический показатель не может дать обобщенной оценки хозяйственной деятельности предприятия за определенный период. Это возможно только при анализе системы частных показателей, характеризующих уровень отдачи потребляемых ресурсов. Все предлагаемые для оценки ИПП показатели имеют безразмерную величину, что облегчает определение комплексной интегральной характеристики производственной деятельности предприятия. Для того чтобы сделать определенные выводы о причинах изменения пропорций в структуре и составе ИПП предприятия, необходимо провести анализ отдельных его элементов.

Первым шагом такой детализированной оценки является анализ текущего состояния и движения составляющих ИПП: производственного, трудового, инновационного потенциалов. При исследовании производственного потенциала предприятия был обоснован метод обновления основных фондов — техническое перевооружение и выявлена необходимость увеличения оборотных средств, связанная с необходимостью инновационного развития про-

изводства. При определении инновационной составляющей деятельности предприятия производится оценка организационно-управленческого потенциала и инновационной активности организации, отражающей интенсивность инновационной деятельности на предприятии. Изучение структуры и динамики организационно-управленческого потенциала и инновационной активности предприятия проводилось через систему характеризующих их показателей.

Результаты исследования ИПП и его составляющих на предприятии «Механический завод» методами расстояний и экспресс-оценки позволили выявить его динамику за рассматриваемый период. Однако определение ИПП существующими методиками связано со значительной трудоемкостью и, как следствие, необходимостью автоматизации этого процесса. Кроме того, эти методы не позволяют сделать прогноз ИПП на перспективу ввиду отсутствия большинства исходных данных.

В четвертой главе «Разработка мероприятий эффективного функционирования и совершенствования производственных процессов предприятия машиностроения» на основе проведенных исследований предложена структурная схема методики проведения мониторинга текущего состояния ИПП и прогнозирования его будущих величин под влиянием изменений, входящих в него элементов (рис. 3).

Рис. 3. Структурная схема мониторинга, оценки и совершенствования производственных процессов предприятия машиностроения

Для повышения скорости переработки больших массивов исходной информации и увеличения точности прогнозов ИПП предприятия в предлагаемой методике используется нейросетевое моделирование.

Анализ состояния ИПП на предприятии начинается с обучения НС его определению путем ввода квартальных отчетных данных предприятия и расчетных величин ИПП за предшествующие периоды. На уровне среднего звена управления организации формируется позитивный прогностический образ предприятия, составляется инновационный план развития организации на различные временные периоды. В ходе анализа в соответствии с предлагаемой моделью выявляются и анализируются причины несоответствия реального состояния потенциала его желаемой величине. Содержательный системный анализ проводится по следующей методике: анализ критериального показателя (ИПП) хозяйственной деятельности предприятия; анализ параметров состояния предприятия (производственный, трудовой и инновационный потенциал); анализ показателей отдельных характеристик внутренней среды предприятия. По ряду параметров состояния и функций управления предприятия в диссертации предлагается набор инструментов их повышения.

Обученная таким образом нейронная сеть позволяет, кроме определения текущей величины, строить прогнозы развития ИПП предприятия на разные временные отрезки, выявлять параметры хозяйственной системы, в наибольшей степени влияющие на инновационно-производственный потенциал в исследуемый период. Появляется возможность выявлять темп развития предприятия, динамику параметров и показателей хозяйственной системы, выяснять причины несоответствия текущих значений прогнозируемым, что позволит выработать мероприятия по устранению этого несоответствия.

Динамика изменения инновационно-производственного потенциала и его составляющих за период с 2002 по 2005 годы и прогноз на 2006 год, выполненный с помощью нейросетевого пакета «Deductor Professional», представлены рис. 4.

«,2002

Производственный /cfe..Инновационный

2003

Трудовой \ ^ ипп

2005 - 2004

Рис. 4. Динамика потенциалов, входящих в состав ИПП

Бенчмаркинг инновационно-производственного потенциала исследуемого предприятия с аналогичными предприятиями в данном регионе по-

зволит определить место, занимаемое им в ряду других предприятий одной отрасли, перенять опыт и выявить возможные резервы.

ЗАКЛЮЧЕНИЕ

Основные результаты работы состоят в следующем:

1. Исследовано современное состояние функционирования производственных процессов на предприятиях машиностроения. Выявлены основные критерии оценки — потенциалы хозяйственной системы (производственный, экономический, природно-ресурсный, кадровый и др.). Сформулированы цель и задачи исследований, выбраны объект и предмет исследования.

2. Для более полной оценки функционирования и возможностей машиностроительного предприятия предлагается использовать интегральный показатель — инновационно-производственный потенциал хозяйственной системы, использование которого в качестве критерия дает возможность судить о путях развития каждой организации и ее скрытых резервах.

3. Методика оценки инновационно-производственного потенциала предприятия машиностроения реализуется с помощью однослойной и многослойной нейронных сетей. Различные слои имеют различное число нейронов. Выходы каждого промежуточного слоя служат входами для следующего слоя. Для обобщения информации НС обучается на избыточном множестве данных с целью адаптации к статистически усредненным показателям.

4. Адекватность нейросетевого моделирования в работе доказана на решении часто используемой в области анализа производственных процессов задачи математической регрессии. Функции многих переменных (основные фонды, оборотные средства, трудовые ресурсы, организационно-управленческий потенциал, инновационная активность и т.д.) аппроксимированы как с помощью функций одного переменного, так многочленами и рациональными функциями нескольких переменных. ИПП на замкнутом ограниченном множестве — множестве показателей производственных процессов, можно равномерно приблизить последовательностью полиномов до допустимого значения погрешности.

5. Результаты исследования ИПП и его составляющих на предприятии «Механический завод» типовыми методами позволили выявить его динамику за рассматриваемый период. Однако определение ИПП существующими методами показало значительную трудоемкость вычислительного процесса. Кроме того, эти методы не позволяют сформировать объективно обоснованный прогноз инновационно-производственного потенциала на перспективу ввиду отсутствия многих исходных данных.

6. Для повышения скорости переработки больших массивов отчетной информации и получения прогнозов изменения составляющих потенциалов предприятия используется нейросетевое моделирование в соответствии со структурной схемой методики мониторинга, оценки и совершенствования производственных процессов.

7. Интегральная оценка производственной деятельности предприятия «Механический завод» и соотнесение величины ИПП с конечными результатами функционирования дали комплексное представление о степени использования производственных ресурсов и резервах повышения эффективности производства, что явилось основанием для разработки «Рекомендаций по использованию нейронной сети при мониторинге и оценке эффективности производственно-хозяйственной деятельности на основе инновационно-производственного потенциала». Таким образом, ежеквартальный мониторинг ИПП дает возможность для более объективного определения направлений оптимизации структуры ИПП, путей его дальнейшего наращивания и совершенствования производственных процессов предприятия.

Основное содержание диссертации отражено в следующих публикациях:

1. Сазыкина О.В. Анализ методов выбора инвестиционных проектов с учетом инфляционных факторов. — Сб. науч. тр. региональной научно-технической конференции «Крайний Север'96. Технологии, методы, средства». — Норильский индустр. инст-т. — Норильск, 1996. — С. 23-24.

2. Сазыкина О.В. Комплексный показатель эффективности производственно-хозяйственной деятельности промышленного предприятия. Сб. науч. тр. региональной научно-технической конференции «Крайний Север'96. Технологии, методы, средства». — Норильский индустр. инст-т. — Норильск, 1996. - С. 26.

3. Сазыкина О.В. Экономическая оценка основных направлений повышения качества электроэнергии. Сб. науч. тр. международной научно-технической конференции, Москва-Томск «Электрика». - 1995. - С. 75-76.

4. Цырульник Р.П., Сазыкина О.В., Векслер Л.Б. Основы менеджмента организации. Учебное пособие. — Норильский индустр. инст-т. - Норильск,

1998.-62 с.

5. Сазыкина О.В. Оценка экономической эффективности инновационных мероприятий на промышленных предприятиях. Сб. научн. трудов «Экономика и маркетинг». — Норильский индустр. инст-т. — Норильск, 1998. -С. 88-91.

6. Сазыкина О.В. Критерий эффективности менеджмента электрического хозяйства. Сб. «Электрификация металлургических предприятий Сибири». - Вып. 8. - Томск: изд-во Томск, ун-та, 1999. - С. 124.

7. Сазыкина О.В. Экономика и исследование рынка в энергетике. Учебное пособие с грифом УМО. — Норильский индустр. инст-т. — Норильск,

1999.-163 с.

8. Сазыкина О.В. Управление качеством продукции. Учебное пособие. Норильский индустр. инст-т. — Норильск, 2000. — 129 с.

9. Сазыкина О.В. Нейросетевые методы прогнозирования хозяйственной деятельности промышленных предприятий. Сб. статей «Экономика и управление». — Норильский индустр. инст-т. — Норильск, 2004. — С. 69-74.

10. Сазыкина О.В. Обучение радиальной нейронной сети в модели принятия решений управления промышленным производством. Материалы региональной научно-практической конференции «Социально-экономическое развитие Норильского промышленного района и Таймыра». — Сб. научн. трудов. — Норильский индустр. инст-т. — Норильск, 2004. — С. 12-16.

11. Сазыкина О.В. Организация мониторинга инновационно-производственного потенциала промышленного предприятия. Сб. научн. трудов «Организационно-технологические проблемы эффективности производства в условиях Крайнего Севера». — Норильский индустр. инст-т. — Норильск, 2005. - С. 165-169.

12. Сазыкина О.В. Инновационно-производственный потенциал как критерий оценки функционирования хозяйственной деятельности промышленного предприятия. // Российский экономический интернет-журнал [Электронный ресурс]: номер госрегистрации 0420600008. — 2006. — 10 с. — Режим доступа: http://wгwлv.e-rej.ru/Articles/2006/Sazykina.pdf, свободный — Загл. с экрана.

13. Сазыкина О.В. Организация прогнозирования хозяйственной деятельности машиностроительного предприятия // Сетевое научное электронное издание «МИТС — НАУКА: международный научный вестник» [Электронный ресурс]: № гос. регистрации 0420600032. - 2006, № 4. - 4 с. - Режим доступа: http://www.nauka.reos.ru/2006/26 Статья Сазыкина Ольга Васильев-Ha.pdf, свободный — Загл. с экрана.

Подписано в печать 10.11.2006 г.

Формат 60x84 1/16. Бум. для копир.-мн. ап. Гарнитура Times New Roman Печать плоская. Усл. печ. л. 1,25. Тираж 100 экз. Заказ № 793

Отпечатано в отделе ТСОиП ГОУВПО «НИИ» 663310, Норильск, ул. 50 лет Октября, 7

ВВЕДЕНИЕ.

Глава 1. СОСТОЯНИЕ ВОПРОСА И ЗАДАЧИ ИССЛЕДОВАНИЯ. ПОТЕНЦИАЛ КАК КРИТЕРИЙ ОЦЕНКИ ЭФФЕКТИВНОГО ФУНКЦИОНИРОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ.

1.1. Анализ сложившихся подходов к определению критериев оценки хозяйственной деятельности предприятий машиностроения.

1.2. Структура критериальной оценки функционирования производственных процессов предприятий машиностроения.

1.3. Методы определения потенциала как критерия оценки функционирования предприятия машиностроения.

1.4. Система оценочных показателей потенциала предприятия машиностроения.

1.5. Интеллектуальная поддержка решений по управлению производством в условиях неопределенности.

1.6. Выводы.

Глава 2. МЕТОДОЛОГИЯ ИСПОЛЬЗОВАНИЯ НЕЙРОННОЙ СЕТИ

ПРИ МОНИТОРИНГЕ И ОЦЕНКЕ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВЕННО-ХОЗЯЙСТВЕННОЙ ДЕЯТЕЛЬНОСТИ НА ОСНОВЕ ИННОВАЦИОННО-ПРОИЗВОДСТВЕННОГО ПОТЕНЦИАЛА

2.1. Модель инновационно-производственного потенциала предприятия машиностроения.

2.2. Модель нейронной сети, реализующей инновационно-производственный потенциал предприятия машиностроения.

2.3. Установка значений синапсических коэффициентов нейронной сети.

2.4. Адекватность нейросетевого моделирования инновационно-производственного потенциала.

2.5. Методы обучения нейронной сети для исследования инновационнопроизводственного потенциала предприятия машиностроения.

2.5.1. Обратное распространение ошибки.

2.5.2. Эластичный метод обратного распространения.

2.5.3. Метод сопряженных градиентов.

2.5.4. Обучение радиальной нейронной сети.

2.6. Выводы.

Глава 3. КРИТЕРИАЛЬНАЯ ОЦЕНКА ФУНКЦИОНИРОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ ПРЕДПРИЯТИЯ МАШИНОСТРОЕНИЯ.

3.1. Характеристика производственной деятельности предприятия машиностроения.

3.2. Анализ составляющих инновационно-производственного потенциала производственной деятельности предприятия машиностроения.

3.3. Анализ и оценка трудового и инновационного потенциалов предприятия машиностроения.

3.4. Интегральная критериальная оценка производственной деятельности машиностроительного предприятия.

3.5. Выводы.

Глава 4. РАЗРАБОТКА МЕРОПРИЯТИЙ ЭФФЕКТИВНОГО ФУНКЦИОНИРОВАНИЯ И СОВЕРШЕНСТВОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ ПРЕДПРИЯТИЯ МАШИНОСТРОЕНИЯ.

4.1. Мониторинг текущего состояния и прогнозирование инновационно-производственного потенциала предприятия машиностроения с помощью нейросетевого моделирования.

4.2. Анализ влияния входящих элементов инновационно-производственного потенциала на его величину.

4.3. Рекомендации по повышению величины инновационно-производственного потенциала машиностроительного предприятия.

4.4. Выводы.

Актуальность исследования. Задача оценки функционирования и совершенствования производственно-хозяйственной деятельности предприятий машиностроения является одной из важных проблем, решением которой в настоящее время необходимо заниматься предприятиям как хозяйственным системам. Решение этой задачи должно быть направлено не только на обеспечение стабильного текущего экономического положения предприятия, но и на обеспечение жизнеспособности предприятий, их стратегической экономической устойчивости. А этого можно достичь, в современных условиях хозяйствования, в основном через качественное преобразование технической базы производства, занимаясь инновационной деятельностью.

В отечественной практике для оценки перспектив существования и развития предприятий наиболее часто используются различные потенциалы хозяйственной системы: производственный, экономический, природно-ресурсный, кадровый и др., которые не в полной мере учитывают инновационную составляющую организации, то есть готовность предприятия внедрять новую технику, применять новые технологии для обеспечения выпуска конкурентоспособной продукции.

На основе проведенного анализа для более полной оценки возможностей предприятия нами предлагается использовать интегральный комплексный показатель - инновационно-производственный потенциал (ИПП), дающий возможность судить о состоянии инновационного развития предприятия. Кроме того, в современных условиях необходим постоянный мониторинг ИПП организаций, так как динамика развития этого потенциала позволяет оценить уровень функционирования и совершенствования предприятия, его производственных процессов, уровень модернизации и технического переоснащения производственной базы. Системный анализ величины ИПП и входящих в него составляющих позволяет выявлять и своевременно устранять наиболее слабые позиции в функционировании производства.

Для ускорения процесса обработки информации, требующейся при определении множества показателей, входящих в состав ИПП, значительного уменьшения трудоемкости их определения, получения возможности прогнозировать их на различные временные периоды, используется искусственная нейронной сеть (НС). Одно из важных свойств НС состоит в способности к обучению и обобщению полученных данных. Обученная на ограниченном множестве выборок, НС обобщает накопленную информацию и вырабатывает данные, необходимые для принятия согласованного решения. НС обладает чертами так называемого искусственного интеллекта.

Степень разработанности проблемы. Существенный вклад в разрешение вопросов теории организации производства и трактовок категории «потенциал» внесли ученые: А.Я. Степанов и Н.В. Иванова, Б.М. Мочалов, В.Н. Мо-син и Д.М. Крук, Л.И. Лопатников и A.M. Румянцев. «Экономический потенциал как совокупность имеющихся в наличии ресурсов» прослеживается в публикациях Б. Плышевского, А. Тодосейчука, Ю. Лычкина, А. Цыгичко и др.

Известны работы в области теории и прикладных приложений нейронных сетей научных коллективов под руководством отечественных и зарубежных ученых, как А.И. Галушкин, А. Горбань, А.А. Ежов, С. Оссовский, С.А. Шум-ский, ЯЗ. Цыпкин, С. Гроссберг, У. МакКаллок, У. Питтс, Ф. Розенблатт, Б. Уидроу, Ф. Уоссермен и др.

Однако, для построения прогнозов, составления планов, принятия эффективных решений необходимо располагать объективной информацией о возможностях предприятия в достижении определенных целей по различным направлениям деятельности. Наиболее важным в этой связи является обладание совокупной, интегральной оценкой, которая бы включала все возможности и учитывала бы все ограничения. В этом направлении в Норильском индустриальном институте осуществляется целевая программа по комплексному изучению проблемы становления, эффективного функционирования и совершенствования производственных процессов, разработке научно-организационных, практических методов и средств решения входящих задач, совершенствованию научных, методологических и системотехнических принципов организации производства, созданию и применению методов и средств мониторинга, анализа различных организационных, технологических и технических решений.

Цель работы состоит в совершенствовании способов оценки и разработке научных методов повышения эффективности функционирования организации производства на примере предприятия машиностроения.

Основные задачи исследования заключаются в следующем:

- анализ сложившихся подходов к использованию потенциала как критерия эффективного функционирования и совершенствования производственных процессов;

- применение системы оценочных показателей потенциала функционирования и развития предприятия машиностроения;

- критериальная оценка функционирования производственных процессов предприятия машиностроения с помощью нейронных сетей;

- использование нейронной сети при мониторинге, оценке и прогнозировании эффективности производственно-хозяйственной деятельности предприятия машиностроения на основе инновационно-производственного потенциала;

- разработка мероприятий эффективного функционирования и совершенствования производственных процессов предприятия машиностроения.

Объектом исследования являются процессы критериальной оценки организации функционирования и повышения эффективности производственной деятельности предприятия машиностроения.

Предметом исследования являются научные методы моделирования и критериальной оценки организации процесса производства предприятия машиностроения.

Методы исследования. В ходе исследования используются: системный анализ, методы теории организации, статистических и экспертных оценок, математическое и компьютерное моделирование.

Обоснованность и достоверность полученных научных результатов определяется корректным применением практически реализованных методик, основанных на положениях теорий нейронных сетей и организации производства, сопоставленных с экспериментально полученными данными.

Научная новизна работы заключается в следующем:

- определена специфика методов критериальной оценки функционирования и совершенствования производственных процессов предприятия;

- предложен метод определения инновационно-производственного потенциала как критерия оценки функционирования предприятия машиностроения;

- научно обосновано применение нейронной сети при мониторинге, оценке эффективности и прогнозировании производственно-хозяйственной деятельности предприятия машиностроения на основе модели инновационно-производственного потенциала;

- осуществлена критериальная оценка функционирования производственных процессов предприятия машиностроения на основе инновационно-производственного потенциала с использованием нейросетевого моделирования;

- разработаны мероприятия эффективного функционирования и совершенствования производственных процессов предприятия машиностроения;

- материал диссертации использован в научно-исследовательской работе «Совершенствование системы управления предприятий РАО «Норильский Никель» (номер государственной регистрации 01.99.0007079), выполняемой по заданию Рособразования РФ в рамках тематического плана Норильского индустриального института «Создание концепции жизнеобеспечения промзоны и инфраструктуры на основе исследований физико-технических и социально-экономических систем в условиях Крайнего Севера».

Практическая значимость работы заключается в следующем:

- разработанная методика критериальной оценки деятельности предприятия дает возможность объективно и комплексно оценивать его функционирование и является информативной базой для анализа, позволяющего определять направления совершенствования производственной деятельности, оценивать влияние множества факторов и управленческих решений на результаты хозяйственной деятельности;

- методические положения, предложенные в диссертационной работе, явились основой для разработки «Рекомендаций по использованию нейронной сети при мониторинге и оценке эффективности производственно-хозяйственной деятельности на основе инновационно-производственного потенциала» / Р.П. Цырульник, О.В. Сазыкина. - Норильск, НИИ, 2006. - 52 е., предназначенных для работников планово-экономических отделов промышленных предприятий Заполярного филиала ОАО «ГМК «Норильский Никель»;

- апробированные результаты исследования используются в учебном процессе при подготовке студентов по специальностям 080507 «Менеджмент организации», 100400 «Электроснабжение (по отраслям)», 080502 «Экономика и управление на предприятии (по отраслям)».

Положения, выносимые на защиту, полученные лично автором диссертации:

- методика определения инновационно-производственного потенциала как критерия оценки функционирования предприятия машиностроения;

- научное обоснование применения нейронной сети при мониторинге, оценке и прогнозировании эффективности производственной деятельности предприятия на основе инновационно-производственного потенциала;

- методика критериальной оценки и прогнозирования функционирования производственных процессов машиностроительного предприятия на основе инновационно-производственного потенциала с использованием нейросетевого моделирования;

- разработанные мероприятия эффективного функционирования и совершенствования производственных процессов предприятия машиностроения.

Апробация результатов. Полученные автором результаты исследования докладывались, представлялись и одобрены на научных конференциях различного уровня:

- 13-м международном симпозиуме и выставке Вроцлавского технического университета телекоммуникаций, Польша, Вроцлав, 1996;

- международной научно-технической конференции «Электрика», Москва, 1995.

- всероссийских научных конференциях «Взаимосвязь наук о труде и экономической теории», Санкт-Петербургский государственный инженерно-экономический университет, Санкт-Петербург, 2002 - 2003;

- всероссийской научно-методической конференции по инновационному менеджменту (направление «Инновационная деятельность»), Кубанский государственный университет. - Краснодар, 2006;

- научно-технической и методической конференции «Энергосбережение», Санкт-Петербург, 1999;

- ежегодных региональных научно-технических конференциях «Крайний Север. Технологии, методы, средства», Норильский индустриальный институт, Норильск, 1996-2006.

Публикации. Основное содержание диссертации опубликовано в 10 научных статьях объемом свыше 2 п. л. и 3 учебных пособиях объемом 21,5 п. л.

Структура и объем работы. Диссертация общим объемом 196 стр., состоит из введения, четырех глав, заключения, списка использованной литературы из 112 источников, 33 рисунков, 30 таблиц и 4 приложений.

5. Результаты исследования ИПП и его составляющих на предприятии «Механический завод» типовыми методами позволили выявить его динамику за рассматриваемый период. Однако определение ИПП существующими методами показало значительную трудоемкость вычислительного процесса. Кроме того, эти методы не позволяют сформировать объективно обоснованный прогноз инновационно-производственного потенциала на перспективу ввиду отсутствия многих исходных данных.

6. Для повышения скорости переработки больших массивов отчетной информации и получения прогнозов изменения составляющих потенциалов предприятия используется нейросетевое моделирование в соответствии со структурной схемой методики мониторинга, оценки и совершенствования производственных процессов.

7. Интегральная оценка производственной деятельности предприятия «Механический завод» и соотнесение величины ИПП с конечными результатами функционирования дали комплексное представление о степени использования производственных ресурсов и резервах повышения эффективности производства, что явилось основанием для разработки «Рекомендаций по использованию нейронной сети при мониторинге и оценке эффективности производственно-хозяйственной деятельности на основе инновационно-производственного потенциала». Таким образом, ежеквартальный мониторинг ИПП дает возможность для более объективного определения направлений оптимизации структуры ИПП, путей его дальнейшего наращивания и совершенствования производственных процессов предприятия.

ЗАКЛЮЧЕНИЕ

1. Агапова Т.Н., Осипова К.Н. Системно-экономическая логика построения системы показателей оценки деятельности предприятий // Экономический анализ: теория и практика. 2005. №7. - С. 2-7.

2. Аналитический пакет Deductor Professional. Руководство пользователя. BaseGroup Labs, 2002. - 184 с.

3. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, т. 114, 1957, №.4.-С.- 679-681.

4. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Математическое просвещение. 1957. -№ 6.-С. 41-61.

5. Аткина Н., Ханжина В., Попов Е. Стратегическое планирование рыночного потенциала предприятия // Генеральный директор. 2005. - № 2. С. 32-37.

6. Бабков А.Г. Рейтинговая оценка деятельности предприятий // Экономический анализ: теория и практика. 2004. - №14. С. 59-64.

7. Бурцев В.В. Комплексный экономический анализ в управлении: основные принципы // Менеджмент сегодня. 2006. - № 2. - С. 86-89.

8. Бухонова С.М., Дорошенко Ю.А. Методика оценки инновационной активности // Экономический анализ: теория и практика. 2005. - № 1. - С. 2-8.

9. Вержбицкий В. М. Численные методы. М.: Высшая школа, 2001.382 с.

10. Витушкин А.Г. О многомерных вариациях. М.: Физматгиз, 1955.380 с.

11. Галушкин А.И. О методике решения задач в нейросетевом логическом базисе // Приложение к журналу «Информационные технологии», 2006. № 9. -24 с.

12. Гоберман В.А., Гоберман JI.A. Основы производственного менеджмента. М.: Юристъ, 2002. - 336 с.

13. Горбань А. Нейроинформатика и ее приложения. // Открытые системы, 1998.-№4-5.-С. 36-41.

14. Горбань А., Росиев Д. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996. 276 с.

15. Горбатков С.А., Габдрахманова Н.Т. Способы улучшения ассоциативных свойств нейросетевых математических моделей в системе налогового контроля и управления. Информационные технологии, 2001. - № 4. - С. 7-12.

16. Горбунов Э. Экономический потенциал развитого социализма. // Вопросы экономики, 1981. № 9. - С. 35-39.

17. Джурабаев К.Т., Гришин А.Т. Производственный менеджмент. М.: КНОРУС, 2005.-416 с.

18. Дзахмишева И.Ш., Яицкая Е.А. Оценка эффективности развития машиностроительного производства // Экономический анализ: теория и практика.- 2005. № 13. С. 9-16.

19. Егорова Т.А. Организация производства на предприятиях машиностроения. СПб.: Питер, 2004. - 304 с.

20. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. Электронное издание, 2002.

21. Забирова J1. Внешняя среда организации // Управление персоналом. -2005. № 3. - С.72-75.

22. Задоя А.А. Народно-хозяйственный потенциал и интенсивное воспроизводство. Киев: Техника и наука, 1986. - 158 с.

23. Золотогоров В.Г. Организация производства и управление предприятием. Минск: Книжный дом, 2005. - 448 с.

24. Исмагилова J1.A., Афанасьев В.Ю. Интеллектуальная система поддержки решений по управлению производством в условиях неопределенности.- Информационные технологии, 2000. № 11. - С. 32-37.

25. Кангин В.В. Декомпозиция технологического процесса на подпроцессы при построении систем управления // Техника машиностроения. 2000. - № 5.-С. 93-96.

26. Кей А. Искусственные нейронные сети Computerworld, 2001. - № 9. -С. 15-18.

27. Киселев Э.В. Основы системного анализа менеджмента качества // Справочник. Инженерный журнал. 2004. - № 6. - С. 23-26.

28. Козловский В.А. Производственный и операционный менеджмент / В. А. Козловский, Т. В. Маркина, В. М. Макаров СПб.: Спец. литература, 1998. -366 с.

29. Конаховская В., Мясникова М, Бурмистров А. Оценка эффективности управления предприятием // Генеральный директор. Спецвыпуск. 2004. - С. 72-74.

30. Короткий С.Г. Нейронные сети: основные положения. // BYTE/Россия, 2000,-№5.-С. 18-21.

31. Короткий С.Г. Нейронные сети: алгоритм обратного распространения. BYTE/Россия, 2000. - № 5. - С. 26-29.

32. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР,т. 108, 1956. -№. 2.-С. 179-182.

33. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, т. 114, 1957. №. 5. - С. 953-956.

34. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. //Нейрокомпьютер, 1998. № 3,4. - С. 13-26.

35. Логовский А. Новейшая история нейрокомпьютинга в России Открытые системы, 2001. - № 3. - С. 16-19.

36. Лопатников Л.И. Экономико-математический словарь. М.: ABF. М., 1996.-704 с.

37. Лычкин Ю. Потенциал строительного комплекса. // Экономист, 1997. -№ 6. -С. 28-34.

38. Ляпина С.Ю. Теоретические основы моделирования рисков стратегического развития предприятия // Менеджмент сегодня. 2006. - № 2. С. 74-85.

39. Максимов М. Демографический потенциал и трудовые ресурсы района. Возможности мониторинга. // Человек и труд, 1997. № 2. - С. 12-17.

40. Малков, А.В. Интегрирование систем обеспечения промышленной безопасности в общую систему менеджмента организации. // Менеджмент в России и за рубежом. 2003. - № 6. - С. 35-38.

41. Масленникова В.Н. Функции управления развитием инновационной восприимчивости организации // Менеджмент сегодня. 2006. № 2. С. 106-112.

42. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

43. Менеджмент организации / Под ред. ЭЛ. Румянцевой, Н.А. Солома-тина. М.: ИНФРА-М, 1996. - 432 с.

44. Миркес Е.М. Нейроинформатика. Красноярск: КГТУ, 2002. - 302 с.

45. Мисуно П.И. Обобщающие показатели эффективности использования основных производственных средств: новый подход // Экономический анализ: теория и практика. 2005. - № 1. С. 37-42.

46. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия. М.: Финансы и статистика, 1982. - 239 с.

47. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин, Е.М. Миркес и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296 с.

48. Нейрокомпьютеры и их применение. Нейронные сети: история развития теории. Кн. 5 / Под общей ред. А.И. Галушкина, ЯЗ. Цыпкина. М.: ИПРЖР, 2001.-840 с.

49. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

50. Общая теория статистики / Под ред. А.И. Харламова, О.Э. Башина, В.Т. Бабурина и др. М.: Финансы и статистика, 1994. - 296 с.

51. Основы научных исследований / В.И. Крутов, И.М. Грушко, В.В. Попов и др. М.: Высшая школа, 1989. - 400 с.

52. Омельченко Е.В., Шеметов В. В. Оценка эффективности менеджмента компании. // Управление риском. 2002. - № 2. - С. 43-52.

53. Основы экономического и социального прогнозирования / Под ред. Мосина В.Н., Крука Д.М. М.: Финансы и статистика, 1985. - 396 с.

54. Организация и планирование машиностроительного производства / Под ред. Ю.В. Скворцова, JI.A. Некрасова. М.: Высш. шк., 2003. - 470 с.

55. Организация производства и управление предприятием / Под ред. О.Г. Туровца. М: ИНФРА-М, 2005. - 544 с.

56. Парюк, Ю.В. Интегрированные системы менеджмента организации. // Партнеры и конкуренты. 2004. - № 11. - С. 8-11.

57. Плышевский Б. Потенциал инвестирования. // Экономист, 1996. № 3. - С. 23-29.

58. Производственный менеджмент / Под ред. С.Д. Ильенковой. М.: ЮНИТИ-ДАНА, 2000. - 587 с.

59. Производственный менеджмент / Под ред. В.А. Козловского. М.: ИНФРА-М, 2006. - 574 с.

60. Проскуряков В.М. Самоукин А.И. Экономический потенциал социальной сферы: содержание, оценка, анализ. -М.: Экономика, 1991. 208 с.

61. Ревуцкий Л.Д. Производственная мощность, продуктивность и экономическая активность предприятия. Оценка, управленческий учет и контроль. -М.: Перспектива, 1997. 128 с.

62. Ревуцкий Л.Д. Что такое экономический износ предприятия и как его определять? // Менеджмент сегодня. 2006. - № 2. - С. 100-103.

63. Ревуцкий Л.Д. Рационализация информационной базы для экономического анализа и контроля основных результатов работы предприятия // Менеджмент сегодня. 2006. - № 4. С. 240-250.

64. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). М.: «Мир», 1965. - 480 с.

65. Романова МБ. Анализ реализуемости программ и проектов по созданию инновационной продукции // Экономический анализ: теория и практика. 2005.-№4. С. 11-17.

66. Сазыкина О.В. Экономическая оценка основных направлений повышения качества электроэнергии. Сб. науч. тр. международной научно-технической конференции, Москва-Томск «Электрика». 1995. - С. 75-76.

67. Сазыкина О.В. Оценка экономической эффективности инновационных мероприятий на промышленных предприятиях. Сб. научн. трудов «Экономика и маркетинг». Норильский индустр. инст-т. - Норильск, 1998. - С. 88-91.

68. Сазыкина О.В. Критерий эффективности менеджмента электрического хозяйства. Сб. «Электрификация металлургический предприятий Сибири». -Вып. 8. Томск: изд-во Томск, ун-та, 1999. - С. 124.

69. Сазыкина О.В. Экономика и исследование рынка в энергетике. Учебное пособие с грифом УМО. Норильский индустр. инст-т. - Норильск, 1999. -163 с.

70. Сазыкина О.В. Управление качеством продукции. Учебное пособие. Норильский индустр. инст-т. Норильск, 2000. - 129 с.

71. Сазыкина О.В. Нейросетевые методы прогнозирования хозяйственной деятельности промышленных предприятий. Сб. статей «Экономика и управление». Норильский индустр. инст-т. - Норильск, 2004. - С. 69-74.

72. Самоукин А.И. Потенциал нематериального производства М.: Знание, 1991.- 166 с.

73. Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов: Сб. Методы нейроинформатики / Под ред. А.Н. Горбаня. Красноярск, 1998.-205 с.

74. Словарь русского языка. / Под ред. Ожегова С.И. М.: Государственное книжное издательство, 1984. - 900 с.

75. Словарь современного русского литературного языка. / Ред. Тимофеева К. А. М.: Русский язык, 1994. - 760 с.

76. Современный словарь иностранных слов. М.: Русский язык, 1992.740 с.

77. Тавер Е.И. Целостная система менеджмента организации: как ее создать? // Методы менеджмента качества. 2005. - № 10. - С. 28-31.

78. Таран В. А. Критерии оценки экономической эффективности хозяйственной деятельности // Техника машиностроения. 2000. - № 6. - С. 98-107

79. Тодосийчук А. Научно-технический потенциал социально-трудовой сферы. // Экономист, 1997. -№ 12. С. 43-51.

80. Тяпухин А., Бородин Е. Производственный менеджмент: новые возможности. // Ресурсы. Информация. Снабжение. Конкуренция. 2005. - № 2. -С. 14-21.

81. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992,-240 с.

82. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Мир, 1989.-440 с.

83. Фатхутдинов Р.А. Организация производства. М.: ИНФРА-М, 2005. -528 с.

84. Феденя А.К. Организация производства и управление предприятием. -Минск: ТетраСистемс, 2004. 192 с.

85. Фигурнов Э. Производственный потенциал М.: Финансы и статистика, 1982.-416 с.

86. Фонотов А.Г. Ресурсный потенциал М.: Финансы и статистика 1985. -256 с.

87. Цветков В .Я. Принятие решений в условиях неопределенности // Техника машиностроения. 2000. - № 6. -С. 17-21.

88. Цыгичко А. Сохранение и приумножение производственного потенциала страны. // Экономист, 1992. № 7. - С. 44-49.

89. Цырульник Р.П., Сазыкина О.В., Векслер Л.Б. Основы менеджмента организации. Учебное пособие. Норильский индустр. инст-т. - Норильск, 1998.-62 с.

90. Шефер X. Топологические векторные пространства. М.: Мир, 1971. -360 с.

91. Шумилов В.В. Многокритериальная оценка инвестиционных проектов // Техника машиностроения. 2000. - № 6. - С. 93-97.

92. Экономический потенциал развитого социализма. / Под ред. Мочалова Б.М. -М.: Экономика, 1982. 382 с.

93. Экономический потенциал страны Советов. М. Политиздат, 1989.347 с.

94. Этимологический словарь русского языка. / Ред. Шаинского Н.М. -М.: Культура, 1994.-508 с.

95. Юсим В.Н., Белявский В., Ярушин А. Прогнозные возможности показателя «Экономический уровень технологии» // Экономический анализ: теория и практика. 2005. - № 1. С. 21-28.

96. Юсим В.Н., Свердлов Б.Е. Оценка перспективности инвестиций на основе показателя «Технологическая отдача» // Экономический анализ: теория и практика. 2005. - № 4. С. 18-22.

97. Cover Т. Geometrical and statistical properties of systems of linier inequalities with applications in pattern recognition. IEEE Trans. Electronic Computers, 1965, vol. 13. - pp. 326-334.

98. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. - Pp. 303 - 314.

99. Grossberg S. Nonlinear Neural Networks: Principles, Mechanism and Architectures. Neural Networks, 1988. - Vol. - 1, № 1. - P. 17-62.

100. Heht-Nielsen R. Theory of the backpropagation neural network. Neural Networks for Human and Mashine Perception. - Vol. 2. - Boston, MA: Academic Press, 1992.-P. 65-93.

101. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. - Vol. 2. - Pp. 359 - 366.

102. Leonard J.A., Kramer M.A. Radial basis function networks for classifying process faults. IEEE Control System Magazine. - 1991, April. - Pp. 31-38.

103. Riedmiller M., Braun H. RPROP a fast adaptive learning algorithm. Technical Report. - Karlsruhe: University of Karlsruhe, 1992.

104. Stone M.N. The generalized Weierstrass approximation theorem. Math. Mag., 1948.-Vol. 21.-Pp. 167-183,237-254.

105. Tarassenko L., Roberts S. Supervised and unsupervised learning in radial basis function classifiers. IEEE Proc. Vis. Image Signal Process. - 1994. - Vol. 141.-Pp. 210-216.

106. Zadech L.A. The concept of linguistic variable and its application to approximate reasoning. Part 1-3. Information Sciences, 1975. - Pp. 199-249.