автореферат диссертации по машиностроению и машиноведению, 05.02.23, диссертация на тему:Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции

На правах рукописи

Бшин Семен Васильевич

Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции

05.02.23 - Стандартизация и управление качеством продукции

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 з ДЕК 2012

Москва-2012

005057146

Работа выполнена на кафедре «Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет»

Научный руководитель

Официальные оппоненты:

Ведущая организация

доктор технических наук, профессор Мирошников Вячеслав Васильевич

Денискии Юрий Иванович

доктор технических наук, доцент, проректор по качеству и информатизации ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» Бобрышев Егор Борисович кандидат технических наук, ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского», доцент кафедры «Управление качеством и сертификация» ФГБОУ ВПО «Юго-Западный государственный университет»

Защита состоится 25 декабря 2012 г. в 14 час. 00 мин. на заседании диссертационного совета Д 212.110.03 в ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского» по адресу 121552, Москва, ул. Оршанская, д. 3, ауд. 308 Б

Отзыв на автореферат в двух экземплярах (заверенный печатью) просим направлять по адресу: 121552, Москва, ул. Оршанская, д. 3, ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского», диссертационный совет Д 212.110.03

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МАТИ — Российский государственный технологический университет имени К.Э. Циолковского».

Автореферат разослан 23 ноября 2012 г.

Ученый секретарь

диссертационного совета Д 212.110.03 кандидат технических наук, доцент

Одиноков С.А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Предупреждение, поиск и диагностика несоответствий продукции и процессов, их причин и последствий всегда были и остаются одними из актуальных и в то же время достаточно сложных задач, с которыми приходится сталкиваться при производстве продукции. В менеджменте качества продукции для анализа и устранения причин несоответствий в основном применяются экспертные процедуры: причинно-следственные диаграммы (Исикавы), диаграммы связей, методология БМЕА и другие. Совокупность этих методов получила название анализа корневых причин, общая идея которого заключается в систематическом поиске и устранении корневых (системных.) причин возникающих проблем и несоответствий. Большинство из них могут быть охарактеризованы как субъективные методы структурирования и наглядного анализа экспертной информации о причинах событий, вследствие чего субъективность суждений и информации является их отличительной чертой. Кроме того, ни один из приведенных инструментов не позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий.

В последнее время в исследованиях в области искусственного интеллекта стали применять новый математический инструмент решения подобных задач — причинные Байесовские сети (БС) — вероятностные графические модели, предназначенные для хранения информации о причинно-следственных связях и проведения вероятностных причинно-следственных рассуждений. Хотя БС применяются достаточно широко (машинное обучение, распознавание естественного языка, медицинская диагностика, эпидемиологические исследования, биоинформатика и др.), они не используются для анализа и моделирования причин несоответствий в менеджменте качества продукции.

В этой связи актуальными являются исследования, направленные на создание методов моделирования и автоматизированного анализа причин несоответствий в менеджменте качества продукции (МКП) на основе построения вероятностных моделей — Байесовских сетей, предназначенных для решения таких задач, как диагностика причин, прогнозирование, выбор и/или генерация корректирующих и предупреждающих действий с применением методов теории принятия решений.

Цель и задачи исследования. Цель работы — улучшение качества продукции на основе разработки и применения научно обоснованных методов анализа причин и устранения несоответствий в менеджменте качества продукции.

Для достижения этой цели необходимо решить следующие задачи:

1. Разработать экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети.

2. Разработать методы принятия решения по выбору рациональных корректирующих и предупреждающих действий в МКП.

3. Разработать метод оптимизации корректирующих и предупреждающих действий. ,

4. Разработать программное обеспечение для поддержки принятия решений, моделирования и анализа причин несоответствий в МКП.

5. Провести опытную проверку и внедрение результатов диссертационного исследования.

Объект и предмет исследования. Объектом исследований являются несоответствия продукции и процессов в системе менеджмента качества организации, их причины и последствия. Предмет исследований — методы формализации и моделирования причинно-следственных связей между несоответствиями, их причинами и последствиями.

Методы исследования. Методологической базой диссертационного исследования являются элементы теории вероятностей и теории графов, математический аппарат причинных Байесовских сетей, элементы теории принятия решений в условиях неопределённости, инструменты менеджмента качества, методология анализа корневых причин, методы объектно-ориентированного проектирования и программирования.

Научная новизна работы состоит в следующем.

1. Впервые разработан экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей, позволяющий проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин.

2. Разработаны методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети (с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств), дающие возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия.

3. Разработан новый метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров (с использованием расширенной метрики для измерения причинно-следственного эффекта), позволяющий путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

Практическая ценность работы состоит в следующем.

1. Разработаны рекомендации по улучшению качества выпускаемой продукции, в частности изоляторов электрических соединителей типа СНП-269 на основе применения Байесовской сети для анализа причин дефектов и несоответствий, возникающих при их изготовлении, позволившие снизить долю брака в 1,68 раза.

2. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler» (на основе предложенных автором методов), позволяющая в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также осуществлять поддержку принятия решений по выбору рациональных корректирующих и предупреждающих действий при производстве сложных технических систем в различных отраслях промышленности.

3. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и протезирование причин несоответствий, возникающих при их внедрении.

4. Результаты исследования были использованы при выполнении научно-исследовательских работ по проекту «Повышение качества и конкурентоспособности продукции; совершенствование систем управления качеством на предприятиях» (Государственный контракт № П770 от 20 мая 2010 г.) в рамках реализации ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 — 2013 годы.

Апробация работы. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь», что позволило получить экономический эффект, составивший около 29 300 руб. в год за счет снижения брака при производстве изоляторов электрических соединителей типа СНП-269.

Программная система «Causal Modeler» официально зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420), на данную систему получено также свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18436).

Работа C.B. Ешина «Анализ и моделирование причин дефектов продукции и процессов с помощью Байесовских сетей» заняла I место в конкурсе на лучшую научную работу молодых ученых и аспирантов вузов Брянской области по естественным, техническим и гуманитарным наукам «Современные научные достижения. Брянск-2011» в номинации «Физика. Математика».

Основные положения и научные результаты диссертационной работы докладывались на 9-ти международных, всероссийских и региональных конференциях, в том числе «Менеджмент качества продукции и услуг» (г. Брянск, 2010); «Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса» (г. Тольятти, 2010); «Энергетика, информатика, инновации-2011» и «Информационные технологии, энергетика и экономика» (г. Смоленск, 2011); «Качество и инновации — основы современных технологий» (г. Новосибирск, 2012) и др.

Диссертация в полном объеме обсуждена и одобрена на заседаниях кафедр

«Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет» (г. Брянск, 2012) и «Управление качеством и сертификация» ФГБОУ ВПО «МАТИ — Российский государственный технологический университет им. К.Э. Циолковского» (г. Москва, 2012).

Публикации. По теме диссертационной работы опубликовано 15 научных работ, в том числе 5 — в рецензируемых журналах и изданиях для опубликования основных научных результатов диссертации.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, основных результатов и выводов, списка использованной литературы, содержащего 132 наименования и 7 приложений. Работа изложена на 153 страницах, содержит 46 рисунков и 14 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определены цель и задачи, изложены научная новизна и практическая ценность работы, сформулированы основные положения, выносимые на защиту.

В первой глазе проанализирована задача моделирования причин и устранения несоответствий в МКП. Рассмотрены публикации, посвященные вопросам анализа причин несоответствий, диагностики дефектов и отказов, зарубежных (У.Э. Деминг, Дж. Джуран, К. Исикава, Б. Андерсен, Дж. Смит, Н. Тог, Э. Голдрат); отечественных авторов (Г.В. Панкина, В.Ф. Безъязычный, В.А. Васильев, Б.В. Бойцов, АЛ. Кузнецов, A.B. Глазунов, Б.Н. Гусев, C.B. Пономарев, В.Я. Белобрагин, C.B. Мищенко, М.М. Кане, В.Н. Сгроителев, С.А. Одиноков, И.В. Червяков, М.Р. Михайлова, Н.С. Поздеева, Е.С. Аскаров, И.А. Биргер, В.В. Клюев, В.В. Болотин, Ф.Р. Соснин, Е.Б. Бобрышев, JI.H. Александровская и др.) и работы исследователей искусственного интеллекта в области причинно-следственных рассуждений и моделирования, а также Байесовских сетей (Дж. Перл, А. Дарвич, П. Спарте, К. Г'лаймор, Д. Хекерман, Д. Коллер, Н. Фридман, Т. Верма, А. Тулупьев, С. Терехов, А.Б. Шамшев, У. Кжае-рульф, А. Мадсен, М. Нейл, Н. Фентон и др.).

Обзор публикаций по вопросам моделирования и анализа причин несоответствий в МКП показал, что, с одной стороны, в менеджменте качества разработан и используется широкий набор методов и инструментов анализа причин несоответствий, при этом ряд задач, такие как прогнозирование и диагностирование несоответствий и поддержка принятия решений по выбору оптимальных предупреждающих и корректирующих действий, не могут быть решены с помощью этих методов. С другой стороны, последние достижения искусственного интеллекта в области причинно-следственного моделирования и рассуждений предлагают алгоритмы и методы решения подобных задач в таких областях, как эпидемиология, медицинская диагностика, биоинформатика и эконометрика. Современным подходом к решению этих задач является использование причинных Байесовских сетей.

На основе проведенного анализа публикаций по рассматриваемой проблеме в конце главы сформулированы цель и задачи диссертационного исследования.

Во второй главе определены методологическая база проведения исследований, объект и предмет исследования. В диссертационном исследовании использовались следующие методы: общие методы исследования (системный подход, принципы объектно-ориентированного проектирования и программирования, методы алгоритмизации, элементы теории вероятностей, теории графов и математической статистики), специальные методы исследования (теория и аппарат БС, Байесовский подход к пониманию вероятности и элементы теории принятия решений в условиях неопределенности) и методы менеджмента качества (основные положения методологии анализа корневых причин, диаграмма связей, правило Парето).

В конце главы определена схема проведения диссертационного исследования.

В третьей главе разработаны научно-методические основы анализа причин и устранения несоответствий в системе менеджмента качества организаций.

Разработка экспертно-статистического метода моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети. Метод предназначен для создания математической модели (Байесовской сети) для анализа связей между причинами и последствиями несоответствий в МКП. Данная модель объединяет в единое целое информацию о причинно-следственных связях, экспертные суждения, а также статистические данные о несоответствиях продукции или процесса. Предлагаемый метод состоит из следующих трех этапов (рис. 1):

Этап 1. Выявление несоответствий, их причин и последствий. Построение предварительной структуры причинно-следственных связей в виде диаграммы связей либо в иной форме.

Этап 2. Построение графа причинной Байесовской сети. На этом этапе на основе данных первого этапа проводится формализация несоответствий, их причин и последствий в виде дискретных случайных переменных, а затем строится ориентированный граф без циклов, вершинами которого являются случайные переменные, а дуги отражают прямые причинно-следственные связи.

Этап 3. Определение априорных условных и маргинальных (безусловных) вероятностных распределений для каждой случайной переменной ка основе статистических данных либо экспертным путём с использованием традиционных шкал для оценки субъективных вероятностей.

Основные задачи автоматизированного анализа причин несоответствий, решаемые с помощью Байесовской сетевой модели. В табл. 1 перечислены сформулированные в диссертации основные типы задач в области анализа причин несоответствий, которые могут быть решены с использованием Байесовской сети (формулы в таблице приведены для справки и не являются авторскими).

ге

1.1. Определение цели исследования. Составление списка несгкттвстствий И, для которчх тгебуется пронести анализ причин

1.2, К выбранным несоответствиям I добавить те, которые, по мнению эксперта, каким-либо образом связаны с ними

13. Дня каждого несоответствия составить список симятаиов или других нежелзтелышх явлений, по которым можно косвенно СУДИТЬ о _наступлении несоответствии

! .4. Составит!, список возможных последствий несоответствий

Построить диаграмму связей, в которой вершины отражают несоответствия, их симггтомы

и последствия, а луги - отношения прямой _причинно-следственной связи_

1.6. Для каждого узле на диаграмме связей определить его прямые причины с помощью метода («Пять почему?»). Найденные причины добавляются на диаграмму и связываются с имеющимися вершинами

1.7. Найти общие факторы - причины корневых причин, которые соединяют несколько частей графа

1.8. Пересмотр диаграммы и добавление недостающих горизонтальных связей, сокращение числа бходящкх дуг до 3-5. Следует обратить внимание на вершнны, не имеющие последствий, н при необходимости добавить новые узлы

Корректировать структуру причинно-следственных связей для того, чтобы избавиться от циклов

2.1. Каждый /-Й узел на диаграмме связей формально описать в виде дискретной случайной переменной V, н задать множество ее значений. Все случайные переменные образуют множество V 3 < ¡У)_

IX Посгрокгь граф Байесовской сети О, в узлы которого поместить случайные переменные из V. Каждую пару вершим V, и У, соединить дугой вида Г,-» У, тогда и только тогда, когда V, является прямой причиной

согласно диаграмме связей. При необходимости добавить вспомогательные переменные, упрощающие задание таблиц _условных вероятностей_

13. Построение графа завершается. В

итоге получим граф причинной Байесовской сети С с множеством вершин • случайных переменных V ■ (У,)

/ Имеется Ч / статистическая \ V информация о \ реализациях П

3.1. Рассчитать распределение Р(Ю по формуле

Р(V - V) »

N

Имеется статистическая информация о реализациях У и ей родительских вершинах РА»? у

Ж.

3.2. Рассчитать условное распределение Р(К|РА*) по формуле

Задать распределения Р(Г) и Р(^РАг) экспертным путем

^ Конец ^

Рис. 1. Схема экспертно-статистического метода моделирования и анализа причин несоответствий в МКП на основе применения БС

Тип запроса Формула для вычисления запроса Пример запроса

Нахождение вероятности свидетельства Pev(e)=^P(e,Sl) Какова вероятность одновременного появления несоответствия А и несоответствия Б (е)?

Определение априорных маргинальных вероятностей Какова вероятность несоответствия (х,) при отсутствии дополнительной информации 0 его причинах?

Прогнозирование (прямой вероятностный вывод) Какова вероятность несоответствия А (х), если известно, что одна из причин этого несоответствия (е) наступила?

Диагностирование (обратный вывод, абдукция) Несоответствие А обнаружено (е). Какова вероятность того, что наблюдалась также одна из его причин (х)?

Межпричинный (смешанный) вывод Несоответствие А обнаружено (е). Известно также, что одна из причин этого несоответствия наступила (е). Какова вероятность того, что наступила еще и причина Б (х)?

Вычисление наиболее вероятного объяснения (МРЕ) mpe = argmax(P(x'|e)) XI К какой наиболее вероятной конфигурации сети (тре) приведет наступление причин А и Б (е)?

Вычисление апостериорного максимума (MAP) map = argmax(P(2|e)) z К каким наиболее вероятным несоответствиям (тар) из заданного множества (X) приведет наступление причин А и Б (е)?

Поиск причин наблюдаемых событий 1! = argmax(P(e|z)) z Какие причины (г') из некоторого заданного множества (Ъ) приведут к наибольшей вероятности несоответствия А (е)?

Запросы с вмешательством (interventional queries) P|>|do(*)) = PGl(y|x) Какой станет вероятность несоответствия А (у), если устранить (предпринять корректирующее или предупреждающее действие) одну из его причин — причину Б ^о(х))?

всех случайных переменных сети V={K,, V2, ...}; Si, S2, S3 — множества случайных перемешай, такие, что Si = V \ Е, S2=V \ {Xj\, S3 = V V (Xu E); Si, S2, S3 — возможные конфигурации (реализации) соответствующих множеств Si, S2, S3; Е — множество переменных свидетельства (наблюдаемые переменные, получившие означивание); е — возможная конфигурация Е; Ale V— случайная переменная сети; x¡ — возможное значение переменной Л',; X с V — множество случайных переменных запроса; х — возможная конфигурация X; X" = V \ Е — множество всех переменных, кроме переменных свидетельства; х — возможная конфигурация X; Z с (V \ Е) — множество переменных поиска; х — возможная конфигурация Z; X и Y — две различные случайные переменные; X— переменная вмешательства; х, у — соответствующие значения X и Y; do(-) — оператор вмешательства (action operator); PCí (■) — интервенциональное распределение, соответствующее вмешательству do(x).

Разработка методов принятия решений по выбору корректирующих и предупреждающих действий. Задача принятия решения (ЗПР) по выбору коррекций, корректирующих и предупреждающих действий — это задача, которая заключается в выборе лицом, принимающим решение (ЛПР), наилучшего действия А*

(если таких действий несколько, речь идет о множестве наилучших альтернатив А* = {Л*,}, являющихся неразличимыми по предпочтению, т.е. равноценными для ЛПР) из множества всех альтернатив А в составе кортежа из четырех элементов

<А,Х,0,/(Л)),

где X = {X;} = х2, .... *„} — множество произвольно упорядоченных булевых случайных переменных, являющихся несоответствиями, X С V, при этом каждая случайная переменная Х^ {х'их'г} принимает только два значения, где х?\ = ИСТИНА означает наступление несоответствия, а д/2 = ЛОЖЬ означает ненаступление несоответствия X/, V — множество переменных Байесовской сети <в, Р(у)>; А = {/(,} — множество альтернатив, каждая из которых является коррекцией, корректирующим (предупреждающим) действием да несоответствия Х] из X, при этом каждой альтернативе А, соответствует вмешательство ёо(с^), т.е. Л,- = с!о(аг), щ 6 [х2,у, у}; О = {О,} (существуют атомарные (воздействие на одну переменную, а0(у) и <1о(х2)) и составные (воздействие на множество переменных, <1о(у)) вмешательства) — множество исходов, при этом каждой альтернативе А, соответствует исход (имеется функция & А-, —* О,- — детерминированное соответствие между выбранной альтернативой А, и ее исходом О,, д(Л£) = 0(). Каждый исход О, представляет собой многомерную случайную величину (лотерею) с распределением вероятностей Р(-, ...,•), которая является произвольно упорядоченным вектором одномерных случайных величин X = Щ} = [ХиХ2, ...,Х„); ДА) — критерий принятия решения (целевая функция), задающий отношения предпочтения на множестве альтернатив по следующему правилу: А1 > А] » /(Л,) > ¡{А)), где >--отношение

строгого предпочтения ЛПР, заданное на множестве альтернатив А, которое выполняется тогда и только тогда, когда исход О, альтернативы А, лучше исхода 0] альтернативы А) с точки зрения ЛПР (т.е. А( > А, <=> 0( > 0}). Кроме того А1 и А] равнозначны с точки зрения отношения если ДА,) = /(АД где « — отношение неразличимости, причем А1 ~ А] О; и 0

Для решения поставленной ЗПР необходимо: первое — дать математическую формулировку понятий «коррекция», «корректирующее» и «предупреждающее действие», второе — перейти от вероятностей лотереи к вероятностям в Байесовской сети и третье — определить критерий принятия решений.

Поскольку исход О, представляет собой многомерную случайную величину с распределением вероятностей Р(-, ...,•), которая является произвольно упорядоченным вектором одномерных случайных величин Х= {А}} = {Х],Х2, ...,Хп), то вероятность некоторого многомерного наблюдения х (х — конфигурация X) случайной величины Oi равна

Р(0/ = х) = Р(Х = х|ао(аг)),

где Р(.) — функция полного совместного распределения для причинной Байесовской сети «7, Р(у)>. Введенная формула позволяет- перейти от неизвестной вероятности

выигрыша лотереи Р к известному полному совместному распределению Байесовской сети Р.

Формальные определения коррекции, корректирующего и предупреждающего действий даны в диссертации следующим образом. Пусть <0, Р(у)> — причинная Байесовская сеть с причинным графом (? и полным совместным распределением Р(у) над множеством переменных V. Булеву случайную переменную X, Х€ V, Х= {хьл-2}, где х\ = ИСТИНА означает наступление несоответствия, а х2 = ЛОЖЬ означает ненаступление несоответствия, будем называть несоответствием. В этом случае коррекция может быть формально определена следующим образом.

Коррекция. Пусть Р(У)> — причинная Байесовская сеть с причинным 1ра-фом й и полным совместным распределением Р(у) над множеством переменных V. Пусть Хе V, Х= {хь х2} — несоответствие. Атомарное вмешательство с1о(х2) называется коррекцией для несоответствия X.

Атомарное корректирующее (предупреждающее) действие. Пусть Р(у)>

— причинная Байесовская сеть с причинным графом С? и полным совместным распределением Р(у) над множеством переменных V. Пусть Хе V, Х= {хь дг2} — несоответствие. Пусть У— случайная переменная, У 6 V, У причем существует ориентированный путь из УпХв графе О (т.е. У является причиной X). Атомарное вмешательство <1о(у), где у — значение У, называется атомарным корректирующим (предупреждающим) действием для случайной переменной X, если выполняется хотя бы одно из условий:

1) Р(х, | 6о(у)) = 0 (несоответствие устранено), или

2) Р(х, | <1о(у)) < Р(*0 (вероятность несоответствия X снизилась после пред-принятия действия с!о(у)).

Составное корректирующее (предупреждающее) действие. Пусть <й, Р(у)>

— причинная Байесовская сеть с причинным графом й и полным совместным распределением Р(у) над множеством переменных V. Пусть Хе V, Х= {хь х2} — несоответствие. Пусть У = {У/} = {Уь У2,..., У„}, V с V, Х0 У — множество случайных переменных, причем из каждой вершины У) 6 У существует ориентированный путь в X в графе С (т.е. У — множество причин X). Составное вмешательство с!о(у), где у

— конфигурация У, называется составным корректирующим (предупреждающим) действием для случайной переменной X, если выполняется хотя бы одно из условий:

1) Р(*11 <1о(у)) = 0, или

2) Р(лг1|ёо(у))<Р(д:1).

Автором в диссертации предложены два критерия принятия решений: первый основан на критерии вероятностной гарантии, второй — на критерии ожидаемой полезности.

Критерий вероятностной гарантии для рассматриваемой задачи имеет вид Г«.г'Ш = ^¡До) • Р(*|с1о(я()), /в.г-(Л() -» тах,Л( 6 А, 11

где х — целевая конфигурация X, означающая ненаступление несоответствий, х = \х\,Х2, — ,х!2,...,*"}; = ЛОЖЬ означает ненаступление несоответствия X] из X. Или, другими словами, х представляет собой событие, отражающее ненаступление всех несоответствий из X; {х^о(а,-)} — целевое событие «совместное ненаступленке всех несоответствий X», вероятность которого максимизируется; с1о(аг) — корректирующее (предупреждающее) действие, соответствующее альтернативе Л,-; ¿о — минимальное значение вероятности события {х|с1о(а()}, которое

^ (0, Р(х|с1о(о^)) < {0 требуется гарантированно достичь; = •! . ! '

(.1,Р(х|с1о(а()) > ¿о

Оптимальное корректирующее (предупреждающее) действие А' принадлежит множеству недоминируемых альтернатив А , которое находится с помощью процедуры максимизации: А" е А* = Аг%тах1/ВГ'(А1'),А1 е А.

Критерий ожидаемой полезности для рассматриваемой задачи имеет вид

т

/оп-СЛ,) = иШ + ЕЩ101) = иШ + ]£и(х,)Р(х,|с1о(а|)),

1=1

Го.ААд шах,Л( е А, где Еи(/0() — ожидаемая полезность лотереи 101;

. _ п _ ( Х1 х2 — Х5 — хт 1

101 (р^^.)) Р(х2|йо(аг)) - Р(х,Ио(«г)) ... Р(хтИо(аг))] ~ МН0Г°-

мерная лотерея, представляющая собой исход альтернативы А,; х, — конфигурация X, X — множество несоответствий; и(х5) — многомерная функция полезности, которая каждой конфигурации х5 множества X ставит в соответствие некоторое значение полезности и(х5); и(А,) — стоимость предпринятая коррекции, корректирующего (предупреждающего) действия А„ причем и(А<) и м(х5) измеряются в единой шкале (как правило, и(А,) <0 — функция потерь); Р(-) — функция полного совместного распределения для причинной Байесовской сети Р(у)>.

Оптимальное корректирующее (предупреждающее) действие А* принадлежит множеству недоминируемых альтернатив А*, которое находится с помощью процедуры максимизации: А' € А* = А^тах(/0П-(Д) е А.

Разработка метода оптимизации корректирующих и предупреждающих действий. Под оптимизацией корректирующих и предупреждающих действий будем понимать следующее: имеется множество управляемых причин несоответствий (параметров модели); производится варьирование значениями переменных из этого множества, причем каждый вектор значений представляет собой отдельное корректирующее (предупреждающее) действие. Необходимо среди всех возможных комбинаций управляемых параметров (векторов значений) выбрать такую, которая максимизирует целевую функцию /. В диссертации дана следующая формальная постановка этой задачи. Задачей оптимизации корректирующих и предупреждающих действий называется кортеж из пяти элементов

(Y, X, /(y), ß,C),

где Y — множество управляемых параметров модели, представляющих собой варьируемые случайные переменные в причинной Байесовской сети <G, P(v)>, Y с V; X — множество несоответствий в этой сети, XcV,XUY = 0,a любая У* е Y является причиной хотя бы одного несоответствия из X, т.е. VFfc, Yk е Y 3pYkXjl Xj e X, где Vykx¡ — ориентированный путь из Yt в X¡ в графе G; /(у) — целевая функция; У = Ш = {У1,Уг> -.Ур} = {>i = У1.У2 = Уг. -,Yp = ур} — конфигурация Y; ß — критерий поиска (гпах или min); С = (Р(у) 0} — множество ограничений.

Решение задачи оптимизации заключается в нахождении такой конфигурации у*, принадлежащей множеству оптимальных конфигураций Y*, при которой целевая функция /стремится к максимуму или минимуму (в зависимости от критерия поиска ß), т.е.

. _ rArgmaXyen f(y),ß = шах, У |Argminyen /(у), ß = min,

где ß (yell) — множество всех различных полных и неполных конфигураций Y.

В диссертации предложены два типа целевых функций, основанных на критериях вероятностной гарантии и ожидаемой полезности. Ниже приведен предложенный автором алгоритм оптимизации предупреждающих действий.

Вход: целевая функция /(у); критерий поиска ß = шах; множество ограничений С = (Р(у) * 0}.

Выход-, множество оптимальных конфигураций Y* = {y¡*}, представляющих собой оптимальные предупреждающие действия.

1. Определение множества оптимизируемых несоответствий X и управляемых (варьируемых) переменных Y.

2. Сокращение размера множества управляемых переменных до множества Y.YcY;

3. Генерация множества П всех возможных различных полных и неполных конфигураций у множества Y, il = {yj}, удовлетворяющих ограничениям С.

4. Выполнение процедуры максимизации функции /(у) по аргументу над множеством П — {у,} при ß = шах и получение множества оптимальных конфигураций Y*.

В четвертой главе приводится описание разработанной автором программной системы вероятностного моделирования и анализа причин несоответствий «Causal Modelen», а также результаты моделирования процесса внедрения системы менеджмента качества с использованием Байесовских сетей и разработанной программной системы. Проведен анализ причин таких несоответствий при внедрении СМК, как рассмотрение СМК сотрудниками как помехи по отношению к основной деятельности; выделение ресурсов на внедрение СМК по остаточному принципу; отсутствие у сотрудников стимула внедрять СМК; сопротивление переменам, необ-

ходимым для успешной работы СМК; отсутствие приверженное™ принципам менеджмента качества и др. На основе предложенного метода оптимизации было сгенерировано оптимальное предупреждающее действие, направленное на устранение указанных несоответствий.

В пятой главе приведены результаты опытной проверки и внедрения результатов диссертационного исследования, включая результаты анализа и моделирования причин дефектов изоляторов электрических соединителей типа СНП-269 с помощью Байесовских сетей и оценку возможного экономического эффекта от внедрения результатов диссертационного исследования.

Разработка Байесовской сети для анализа и моделирования причин дефектов изоляторов электрических соединителей СНП-269. На заводе «Элекгро-деталь» автором совместно с группой экспертов, включающей главного технолога, инженера-технолога бюро пластмасс, контролера ОТК и рабочих завода, была разработана БС для анализа причин дефектов пластмассовых изоляторов прямоугольных электрических соединителей СНП-269, состоящая из 41-й вершины — булевой случайной переменной и 46-ти дуг (рис. 2). Разработанная модель позволяет проводить автоматизированную диагностику и прогнозирование причин дефектов. В табл. 2 приведены результаты поддержки принятия решений по выбору рационального корректирующего действия с использованием БС и критерия вероятностной гарантии с Г0 = 0,7.

Результаты диссертационного исследования были внедрены на ОАО «Кара-чевский завод «Электродеталь». С помощью модели (рис. 2) был осуществлен выбор оптимального корректирующего действия (табл. 2), реализация которого привела к снижению доли брака при производстве изоляторов в 1,68 раза (с 2 756 до 1 636 дефектных изделий в год), экономия от снижения брака по этому типу продукции составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год.

Таблица 2. Результаты выбора оптимального корректирующего действия

Несоответствие! До приннтия решений Аі Лі А3 Аа А.

Апостериорные вероятное! » (%)].

1 2 3 4 5 6 1

Брак (Хц = ИСТИНА) 13,05 10,14 11,82 12,01 11,89 6,54

Усадка (А'4 = ИСТИНА) 1,32 1,32 1,32 1,32 0 0

Сколы ИСТИНА) 8,48 5,43 7,19 7,38 8,48 2,94

Запилы (Ху = ИСТИНА) 0,79 0,79 0,79 0,79 0,79 0,79

Несоответствие чертежу (Хг = ИСТИНА) 1,80 0,1 1,80 1,80 1,8 ОД

Цель: отсутствие брака, (Р(Л"з5 - ЛОЖЬ | А,) -> шах) 86,95 89,86 88,18 87,99 88,11 93,46

Примечания к табл. 2: жирным шрифтом выделены наилучшие значения; А, — ужесточить входной контроль качества форм и материала ПКЛСВЗО, A¡ = do(Xi9 = ЛОЖЬ, Х32 = ЛОЖЬ); Л2 — ужесточить контроль технологических режимов литья, А2 = do(X6 = ЛОЖЬ); А3 — периодически проверять полировку формы, А3 = doW2i) = ЛОЖЬ); А., — разработать тестовую форму для измерения усадки, А4 = do(X2s = ЛОЖЬ); Ак — контрольное мероприятие для проверки модели принятия решений, включающее все перечисленные действия, Ак = do<X,9 = ЛОЖЬ, Х32 = ЛОЖЬ, Х6 = ЛОЖЬ, Х20 = ЛОЖЬ, Хх = ЛОЖЬ). Вывод: наилучшей альтернативой признано корректирующее действие А,. Принятие этого действия предположительно приведет к снижению доли брака с 13,05 до 10,14%, сколов с 8,48 до 5,43%, несоответствий чертежу с 1,80 до 0,1%.

Нерегулярные

проверки качества формы

80% I 80%

Форма износилась

1,5%

ш

Сдельная оплата труда

1Ш%

100%

Г 1,5%

I . -і

Дефект полировки формы по

вине инструментального цеха

2%

2%

Допутцен износ формы

"ТЖ

Цель рабочего -произвести как можно больше деталей

94,1%

94,1%

1,2%

Недостаточный входной контроль качества оснастки

80% I 0%

Рабочий нарушает режим литья (темпер., давл.), чтобы ускорить время производства изолятора

W

1

Дефект формы по вине инструментального цеха

>% [_ 2%

1 2%

Плохая полировка формы

0,1%

н

Недостаточная смазка формы

0,5% | Ó,5%~

JES

Нарушение режима литья

1,4%

1,4%

Плохое снятие с формы

6,4% I 0,8%»-, U,5% I 0,5% -

Сколы

Халатность настройщика автомата

4

0,5%

\Х,2

Перекос формы

2,2% I 0,6%"

Неотрегулированная пила

Невозможно определить, будет ли усадка соответствовать норме

,5% I 5,4%

¥

Недостаточный входной контроль качества материала

10%

0%

Дефект материала

1%

1%

Химсостав материала невозможно проверить на заводе

ТШГТ 106%

JtA

Дефект пластмассы (усадка не соответствует норме)

туяг

Т3%

ОБОЗНАЧЕНИЯ

©Название переменной

Апостериорные

©вероятности наступления событий (истинности)

Усадка материала не соответствует усадке, заложенной в конструкцию формы

L До предупреяедакнц. ' ' ---Г3% 1 1,3%

действия ц Логическое «ИЛИ» -

О Посте предупрежд. «Причинно- вг?;| Переменная участвует е

действия W следственная связь ■"■»корректирующем действии

В производства допущен материал с несоответствующей усадкой

"1ЖГШГ

Низкая

квалификация

рабочего (пила)

0,7% 0,7%

- ■ _Л1

Запилы зарезы

0,8% ' _0,8%

Ф*~ ш

Несоответствие Чертежу

ЖТСГ^Г

Другие причины брака

3,5%

' действия Qt Логическое «и»

1 следственная связь Ь Символьное! обоэ-' начение переменной

Ш Накоплена статистика или вероятность достоверно известна

Рис. 2. Байесовская сеть для анализа и моделирования причин дефектов изоляторов СНП-2.69

15

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработаны новые методы анализа, моделирования и устранения причин несоответствий продукции на основе применения Байесовских сетей, имеющие существенное значение для развития теории и практики управления качеством на отечественных предприятиях. Применение данных методов при производстве изоляторов электрических соединителей типа СНП-269 позволило снизить долю брака в 1,68 раза.

2. Экспертно-статистический метод моделирования и анализа причин несоответствий в менеджменте качества продукции на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей позволяет проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин при производстве сложных технических систем в различных отраслях промышленности.

3. Методы принятия решений по выбору коррелирующих и предупреждающих действий на основе Байесовской сети с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств дают возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия продукции.

4. Метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров позволяет путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

5. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме 1гроводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

6. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler», в которой реализованы предложенные автором методы и которая позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также обосновывать принятие решений по выбору рациональных корректирующих и предупреждающих действий. Система «Causal Modelen> зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420), на данную систему также получено свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18436).

7. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь». Экономия от снижения брака при производстве изоляторов электрических соединителей типа СНП-269 составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год

По теме диссертации опубликованы следующие научные работы

В ведущих рецензируемых журналах, рекомендуемых ВАК:

1. Мирошников В.В, Ешин C.B. Анализ причин дефектов продукции с помощью байесовых сетей // Качество, инновации, образование. — 2011. — №8. - С. 54-61.

2. Ешин C.B. Алгоритм выявления причинно-следственных связей на основе эмпирических данных//Вестн. БГТУ.-2012.-№ 1(33).-С. 115-124.

3. Мирошников В.В., Ешин C.B. Методика построения байесовой сети для анализа причин дефектов продукции и процессов // Вестн. БГТУ. - 2011. - .№2(30) -С. 93-100.

4. Мирошников В.В., Ешин C.B. Методы принятия решений по выбору оптимальных корректирующих и предупреждающих действий в системе менеджмента качества // Вестн. БГТУ. - 2012. - №2(34). - С. 113-122.

5. Подвесовский А.Г., Ешин C.B. Применение байесовых сетей в задачах анализа и прогнозирования спроса // Вестн. БГТУ. - 2011. - № 1 (29). - С. 61 -70.

В других изданиях:

6. Eshin S. Recovering causal Bayesian network structure using information about causal hierarchies // The Advanced Science Journal. - 2011. - №4. - P. 46-50.

7. Мирошников В.В., Ешин C.B. Применение байесовых сетей доверия для моделирования качества процессов проектного менеджмента // Менеджмент качества продукции и услуг: материалы 3-й Междунар. науч.-техн. конф. (27-28 апр. 2010 г., г. Брянск) / под ред. O.A. Горленко: в 2 т. - Брянск, 2010. - Т. 1 - С. 48-52.

8. Ешин C.B. Алгоритм выявления причинно-следственных связей в статистических данных // Материалы III Международной научно-практической конференции «Достижения молодых ученых в развитии инновационных процессов в экономике, науке, образовании»: в 2 ч. / под ред. И.А. Лагерева. - Брянск, 2011 -41 -С. 161-163.

9. Ешин C.B. Анализ и моделирование причин дефектов электрических соединителей с помощью байесовых сетей // Эффективность и качество в машиностроении и приборостроении: материалы второй международной научно-технической конференции (г. Карачев, 23-25 сентября 2011 г.) / под общ. ред. Ю.С. Степанова. - Орёл, 2011. - С. 92-99.

10. Ешин C.B. Моделирование и анализ причин дефектов технологических процессов с помощью байесовых сетей // Информационные технологии, энергетика и экономика: сб. трудов 8-й Межрег. (Междунар.) науч.-техн. конф. студентов и аспирантов (г. Смоленск): в 3 т. - Смоленск, 2011. -Т. 1. - С. 130-135.

11. Ешин C.B. Процессно-проектный подход к разработке систем менеджмента качества в организациях //Материалы Международной научно-практической конференции «Достижения молодых ученых в развитии инновационных процессов в экономике, науке, образовании» / под ред. И.А. Лагерева. - Брянск, 2010. - С. 78-80.

12. Ешин C.B. Применение байесовых сетей доверия для прогнозирования ха-

рактеристик систем менеджмента качества // Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса: сборник материалов Всероссийской научно-практической конференции, Тольятти, 3-5 марта 2010 г. / отв. ред. Е.В. Никифорова. В 2. т. — Тольятти, 2010. — T. I. - Ч. 2. — С. 65-68.

13. Ешин C.B. Вероятностное моделирование процесса разработки систем менеджмента качества в организациях // Материалы Региональной научной конференции студентов и аспирантов «Достижения молодых ученых Брянской области»: по-свящ. 80-летию Брянского государственного технического университет / под ред. И.А. Лагерева. — Брянск, 2010. — С. 164-166.

14. Мирошников В.В., Ешин C.B. Алгоритм автоматического построения бай-есовой сети на основе данных о дефектах технологических процессов и продукции // Энергетика, информатика, инновации-2011 - ЭИИ-2011: сб. трудов Междунар. науч.-техн. конф.: В 2 т. Т. 2. Секции 3, 4, 5. - Смоленск: РИО фил. МЭИ(ТУ), 2011. -С. 77-81.

15. Ешин C.B. Автоматизированная система моделирования причин несоответствий в интегрированных системах менеджмента качества Causal Modeler // Качество и инновации - основа современных технологий: сб. тр. Всерос. науч.-практ. конф. - Новосибирск, 2012. - С. 193-198.

Ешин Семен Васильевич

РАЗРАБОТКА МЕТОДОВ АНАЛИЗА ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ

05.02.23 - Стандартизация и управление качеством продукции

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 20.11.2012. Формат 60x84 1/16. Печать офсетная.

Бумага офсетная. Печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ _Ц5_. Бесплатно

Издательство Брянского государственного технического университета 241035, Брянск, бульвар 50-летия Октября, 7, БГТУ. 58-82-49 Лаборатория оперативной полиграфии БГТУ, ул. Институтская, 16

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ЗАДАЧИ МОДЕЛИРОВАНИЯ ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ.

1.1. Основные положения международных и национальных стандартов по вопросам выявления, анализа и диагностирования несоответствий, дефектов и отказов, их причин и последствий.

1.2. Инструменты и методы выявления и анализа причин несоответствий в современном менеджменте качества.

1.2.1. Методология анализа корневых причин проблемы.

1.2.2. Другие методы анализа причинно-следственных связей.

1.3. Инструменты и методы анализа причин и последствий дефектов и отказов в теории надежности и технической диагностике.

1.4. Причинный анализ и исследование влияния факторов в эконометрике и статистике.

1.5. Вероятностная концепция причинности.

1.6. Вероятностные графические модели в статистике и искусственном интеллекте как инструмент анализа и моделирования причин событий.

1.7. Обоснование целесообразности применения Байесовых сетей для анализа и моделирования причин несоответствий в менеджменте качества продукции.

1.8. Выводы по главе 1.

1.9. Постановка цели и задач диссертационного исследования.

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ.

2.1. Теоретические основы аппарата Байесовских сетей.

2.1.1. Байесовский подход к пониманию вероятности.

2.1.2. Случайные переменные и условная независимость.

2.2. Вероятностный аппарат Байесовых сетей.

2.2.1. Формальное определение Байесовой сети.

2.2.2. Основные задачи, решаемые с помощью Байесовых сетей.

2.3. Причинные Байесовы сети.

2.4. Элементы теории и критерии принятия решений в условиях вероятностной неопределенности (риска).

2.4.1. Отношения предпочтения.

2.4.2. Критерий ожидаемой полезности.

2.5. Выводы по главе 2.

2.6. Схема проведения диссертационного исследования.

ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ АНАЛИЗА ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ.

3.1. Разработка экспертно-статистического метода моделирования и анализа причин несоответствий в менеджменте качества продукции (МКП) на основе применения Байесовской сети.

3.1.1. Основные допущения.

3.1.2. Экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети.

3.2. Основные задачи автоматизированного анализа причин несоответствий, решаемые с помощью Байесовой сетевой модели.

3.3. Разработка методов принятия решений по выбору корректирующих и предупреждающих действий в менеджменте качества продукции.

3.3.1. Математическая формулировка понятий «коррекция», «корректирующее» и «предупреждающее действие» на основе аппарата причинных

Байесовых сетей.

3.3.2. Постановка задачи принятия решения по выбору коррекций, корректирующих и предупреждающих действий и определение методов ее решения.

3.4. Разработка метода оптимизации корректирующих и предупреждающих действий.

Выводы по главе 3.

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ МОДЕЛИРОВАНИЯ И АНАЛИЗА ПРИЧИН

НЕСООТВЕТСТВИЙ.

4.1. Разработка программной системы вероятностного моделирования и анализа причин несоответствий «Causal Modeler».

4.1.1. Функциональные требования к программной системе.

4.1.2. Описание архитектуры программной системы.

4.1.3. Описание возможностей программной системы «Causal Modeler».

4.2. Моделирование процесса создания системы менеджмента качества.

4.2.1. Постановка задачи.

4.2.2. Схема процесса создания и внедрения системы менеджмента качества.

4.2.3. Построение модели процесса создания СМК.

4.2.4. Проверка адекватности модели.

4.2.5. Оптимизация предупреждающих действий процесса создания СМК.

Выводы по главе 4.

ГЛАВА 5. ОПЫТНАЯ ПРОВЕРКА И ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ.

5.1. Вероятностное моделирование и анализ причин дефектов электрических соединителей.

5.1.1. Описание объекта исследования.

5.1.2. Сбор и анализ информации о видах дефектов.

5.1.3. Выявление причин дефектов изоляторов.

5.1.4. Построение Байесовой сети для анализа причин дефектов изоляторов.

5.1.5. Проверка адекватности модели.

5.1.6. Проведение автоматизированной диагностики причин дефекта.

5.1.7. Выбор наилучшего корректирующего действия с помощью разработанной модели.

5.2. Оценка экономической эффективности от внедрения результатов диссертационного исследования.

5.3. Разработка рекомендаций по улучшению качества продукции.

Выводы по главе 5.

Актуальность темы. Предупреждение, поиск и диагностика несоответствий продукции и процессов, их причин и последствий всегда были и остаются одними из актуальных и в то же время достаточно сложных задач, с которыми приходится сталкиваться при производстве продукции. В менеджменте качества продукции для анализа и устранения причин несоответствий в основном применяются экспертные процедуры: причинно-следственные диаграммы (Исикавы), диаграммы связей, методология БМЕА и другие. Совокупность этих методов получила название анализа корневых причин, общая идея которого заключается в систематическом поиске и устранении корневых (системных) причин возникающих проблем и несоответствий. Большинство из них могут быть охарактеризованы как субъективные методы структурирования и наглядного анализа экспертной информации о причинах событий, вследствие чего субъективность суждений и информации является их отличительной чертой. Кроме того, ни один из приведенных инструментов не позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий.

В последнее время в исследованиях в области искусственного интеллекта стали применять новый математический инструмент решения подобных задач — причинные Байесовские сети (БС) — вероятностные графические модели, предназначенные для хранения информации о причинно-следственных связях и проведения вероятностных причинно-следственных рассуждений. Хотя БС применяются достаточно широко (машинное обучение, распознавание естественного языка, медицинская диагностика, эпидемиологические исследования, биоинформатика и др.), они не используются для анализа и моделирования причин несоответствий в менеджменте качества продукции.

В этой связи актуальными являются исследования, направленные на создание методов моделирования и автоматизированного анализа причин несоответствий в менеджменте качества продукции (МКП) на основе построения вероятностных моделей — Байесовских сетей, предназначенных для решения таких задач, как диагностика причин, прогнозирование, выбор и/или генерация корректирующих и предупреждающих действий с применением методов теории принятия решений.

Цель и задачи исследования. Цель работы — улучшение качества продукции на основе разработки и применения научно обоснованных методов анализа причин и устранения несоответствий в менеджменте качества продукции.

Для достижения этой цели необходимо решить следующие задачи:

1. Разработать экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети.

2. Разработать методы принятия решения по выбору рациональных корректирующих и предупреждающих действий в МКП.

3. Разработать метод оптимизации корректирующих и предупреждающих действий.

4. Разработать программное обеспечение для поддержки принятия решений, моделирования и анализа причин несоответствий в МКП.

5. Провести опытную проверку и внедрение результатов диссертационного исследования.

Объект и предмет исследования. Объектом исследований являются несоответствия продукции и процессов в системе менеджмента качества организации, их причины и последствия. Предмет исследований — методы формализации и моделирования причинно-следственных связей между несоответствиями, их причинами и последствиями.

Методы исследования. Методологической базой диссертационного исследования являются элементы теории вероятностей и теории графов, математический аппарат причинных Байесовских сетей, элементы теории принятия решений в условиях неопределённости, инструменты менеджмента качества, методология анализа корневых причин, методы объектно-ориентированного проектирования и программирования.

Научная новизна работы состоит в следующем.

1. Впервые разработан экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей, позволяющий проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин.

2. Разработаны методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети (с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств), дающие возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия.

3. Разработан новый метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров (с использованием расширенной метрики для измерения причинно-следственного эффекта), позволяющий путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

Практическая ценность работы состоит в следующем.

1. Разработаны рекомендации по улучшению качества выпускаемой продукции, в частности изоляторов электрических соединителей типа СНП-269 на основе применения Байесовской сети для анализа причин дефектов и несоответствий, возникающих при их изготовлении, позволившие снизить долю брака в 1,68 раза.

2. Разработана программная система моделирования и анализа причин несоответствий «Causai Modeler» (на основе предложенных автором методов), позволяющая в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также осуществлять поддержку принятия решений по выбору рациональных корректирующих и предупреждающих действий при производстве сложных технических систем в различных отраслях промышленности.

3. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

4. Результаты исследования были использованы при выполнении научно-исследовательских работ по проекту «Повышение качества и конкурентоспособности продукции; совершенствование систем управления качеством на предприятиях» (Государственный контракт № П770 от 20 мая 2010 г.) в рамках реализации ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы.

Апробация работы. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь», что позволило получить экономический эффект, составивший около 29 300 руб. в год за счет снижения брака при производстве изоляторов электрических соединителей типа СНП-269.

Программная система «Causal Modelen) официально зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420, прил. А), на данную систему получено также свидетельство о регистрации электронного ресурса в фонде «ОФЭР-НиО» (№ 18436, прил. Б).

Работа C.B. Ешина «Анализ и моделирование причин дефектов продукции и процессов с помощью Байесовских сетей» заняла I место в конкурсе на лучшую научную работу молодых ученых и аспирантов вузов Брянской области по естественным, техническим и гуманитарным наукам «Современные научные достижения. Брянск-2011» в номинации «Физика. Математика».

Основные положения и научные результаты диссертационной работы докладывались на 9-ти международных, всероссийских и региональных конференциях, в том числе «Менеджмент качества продукции и услуг» (г. Брянск, 2010); «Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса» (г. Тольятти, 2010); «Энергетика, информатика, инновации-2011» и «Информационные технологии, энергетика и экономика» (г. Смоленск, 2011); «Качество и инновации — основы современных технологий» (г. Новосибирск, 2012) и др.

Диссертация в полном объеме обсуждена и одобрена на заседаниях кафедр «Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет» (г. Брянск, 2012) и «Управление качеством и сертификация» ФГБОУ ВПО «МАТИ — Российский государственный технологический университет им. К.Э. Циолковского» (г. Москва, 2012).

Публикации. По теме диссертационной работы опубликовано 15 научных работ, в том числе 5 — в рецензируемых журналах и изданиях для опубликования основных научных результатов диссертации.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, основных результатов и выводов, списка использованной литературы, содержащего 132 наименования и 7 приложений. Работа изложена на 153 страницах, содержит 46 рисунков и 14 таблиц.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработаны новые методы анализа, моделирования и устранения причин несоответствий продукции на основе применения Байесовских сетей, имеющие существенное значение для развития теории и практики управления качеством на отечественных предприятиях. Применение данных методов при производстве изоляторов электрических соединителей типа СНП-269 позволило снизить долю брака в 1,68 раза.

2. Экспертно-статистический метод моделирования и анализа причин несоответствий в менеджменте качества продукции на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей позволяет проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин при производстве сложных технических систем в различных отраслях промышленности.

3. Методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств дают возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия продукции.

4. Метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров позволяет путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

5. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

6. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler», в которой реализованы предложенные автором методы и которая позволяет в автоматизированном режиме проводить диагностику и про

140 гнозирование несоответствий, а также обосновывать принятие решений по выбору рациональных корректирующих и предупреждающих действий. Система «Causal Modeler» зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2012617420), на данную систему также получено свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18436).

7. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь». Экономия от снижения брака при производстве изоляторов электрических соединителей типа СНП-269 составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год.

1. Александровская, JI.H. Современные методы обеспечения безотказности сложных технических систем: учебник / JI.H. Александровская, А.П. Афанасьев, A.A. Лисов. М.: Логос, 2001. - 208 с.

2. Антология русского качества / Сост. Б.В. Бойцов, Ю. В. Крянев, М.А. Кузнецов, В.Н. Азаров, Т.П. Павлова, В.Ю. Крянев; под ред. Б.В. Бойцова, Ю.В. Кря-нева. - М.: Стандарты и качество, 2000. - 432 с.

3. Аскаров, Е.С. Причина и следствие в теории достижения нормативного качества / Е.С. Аскаров // Методы менеджмента качества. 2010. - №5. - С.34-38.

4. Барабанова, O.A. Семь инструментов контроля качества / O.A. Барабанова, В.А. Васильев, С.А. Одиноков. М.: ИЦ «МАТИ» - РГТУ им. К.Э. Циолковского, 2003.-75 С.

5. Барабанова, O.A. Семь инструментов управления качеством. Бенчмаркинг. Развертывание функции качества / O.A. Барабанова, В.А. Васильев, П.В. Москалев. М.: ИЦ «МАТИ» - РГТУ им. К.Э. Циолковского, 2003. - 43 С.

6. Балукова, M.B. 8D и «Шесть сигм» на саратовских предприятиях / М.В. Балу-кова // Методы менеджмента качества. 2006. - №2. - С.50-52.

7. Биргер, И.А. Техническая диагностика / И.А. Биргер. М.: Машиностроение, 1978.-240 с.

8. Васильев, В.А. Выбор методов принятия оптимальных решений по управлению потенциальными несоответствиями в условиях неопределенности / В.А. Васильев, К.В. Лехт, Е.Б. Бобрышев // Технология легких сплавов. 2010. -№3. - С. 95-101.

9. Васильев, В.А. Методика выявления и предупреждения несоотвествий в вали-дируемых процессах литейного производства / В.А. Васильев, Е.Б. Бобрышев // Технология машиностроения. 2010. - №12. - С. 58-64.

10. Всеобщее управление качеством: учебник для вузов / О. П. Глудкин, Н. М. Горбунов, А. И. Гуров, Ю. В. Зорин; под ред. О. П. Глудкина. М.: Радио и связь, 1999.-600 с.

11. Гараедаги, Дж. Системное мышление: как управлять хаосом и сложными процессами: Платформа для моделирования архитектуры бизнеса / Дж. Гараедаги; пер. с англ. Е.И. Недбальской; науч. ред. Е.В. Кузнецова. Минск: Гревцов Букс, 2010.-480 с.

12. Глазунов, A.B. Если невозможно установить точную причину несоответствий / A.B. Глазунов // Методы менеджмента качества. 2002. - №1. - С.41.

13. Голдрат, Э. Цель. Процесс непрерывного совершенствования = The Goal: А Process of Ongoing Improvement / Элияху M. Голдрат, Джефф Кокс. Минск: Попурри, 2009. — 496 с.

14. Голдрат, Э. Цель. Процесс непрерывного улучшения. Цель-2. Дело не в везенье = It's Not About Luck / Элия M. Голдратт, Джефф Кокс. — М.: Манн, Иванов и Фербер, 2011. —280 с.

15. Горленко, O.A. Создание систем менеджмента качества в организациях: монография / O.A. Горленко, В.В. Мирошников. М.: Машиностроение-1,2002. - 126 с.

16. Городецкий, В.И. Алгебраические байесовские сети новая парадигма экспертных систем / В.И. Городецкий // Юбилейный сборник трудов институтов Отделения информатики, вычислительной техники и автоматизации РАН. - Т. 2.-М.: РАН, 1993.-С. 120-141.

17. ГОСТ 27.310-95. Надежность в технике. Анализ видов, последствий и критичности отказов. Основные положения.

18. ГОСТ Р 51814.2-2001. Системы качества в автомобилестроении. Метод анализа видов и последствий потенциальных дефектов.

19. Гусев, Б.Н. Развитие концепции диагностирования объектов прядильного производства / Б.Н. Гусев // Изв. вузов. Технология текстильной промышленности. 1997. - №4. - С.33-36.

20. Деминг, Э. Выход из кризиса: Новая парадигма управления людьми, системами и процессами / Э. Деминг; пер. с англ. М.: Альпина Бизнес Букс, 2007. - 370 с.

21. Детмер, У. Теория ограничений Голдратта. Системный подход к непрерывному совершенствованию / У. Детмер. М.: Альпина Паблишер, 2010. - 422 с.

22. Егоров, A.M. Аналитические методы анализа влияния факторов на качество продукции / A.M. Егоров // Методы менеджмента качества. 2008. -№12. - С.32-33.

23. Егоров, A.M. Графические методы анализа влияния факторов на качество продукции / A.M. Егоров // Методы менеджмента качества. 2008. -№11.- С.42-43.

24. Исикава, К. Японские методы управления качеством / К. Исикава. М.: Экономика, 1988.- 199 с.

25. Кане, М.М. Системы, методы и инструменты менеджмента качества: учебное пособие / М.М. Кане, Б.В. Иванов, В.Н. Корешков, А.Г. Схиртладзе. -СПб. Литер, 2008. 560 с.

26. Кузнецов, JI.A. Автоматизация методики анализа причин брака / Д.А. Кузнецов,

27. Н. Дорин // Методы менеджмента качества. 2011. - №2. - С.46-53.

28. Кузнецов, JI.A. Анализ невыполнения требований многомерного качества / JI.A. Кузнецов // Методы менеджмента качества. 2008. - №6. - С.41-49.

29. Кузнецов, JI.A. Применение методов проверки гипотез для выявления причин снижения качества / J1.A. Кузнецов // Методы менеджмента качества. — 2011.— №1. С.42-46.

30. Кузнецов, Л.А. Функции когерентности для выявления причин снижения качества / Л. А. Кузнецов // Методы менеджмента качества. 2011. - № 5 . - С. 46-50.

31. Кузьмин, А.М. Методика Кепнера-Трего / А.М. Кузьмин, Е.А. Высоковская // Методы менеджмента качества. 2011. - №7. - С. 35.

32. Математические модели организаций: учебное пособие / А.А. Воронин, М.В. Губко, С.П. Мишин, Д.А. Новиков. М.: ЛЕНАНД, 2008. - 360 с.

33. Машиностроение. Энциклопедия. Надежность машин. T.IV-3 / В.В. Клюев, В.В. Болотин, Ф.Р. Соснин и др.; под общ. ред. В.В. Клюева. М.: Машиностроение, 2003.-592 с.

34. Михайлова, М.Р. Техника поуровневого поиска первопричин проблем качества / М.Р. Михайлова, Н.С. Поздеева // Методы менеджмента качества. 2002. -№1. - С.11-13.

35. Мишин, В.М. Управление качеством: учебник для студентов вузов, обучающихся по специальности «Менеджмент организации» (061100) / В.М. Мишин -2-е изд. перераб. и доп. М.: ЮНИТИ-ДАНА, 2005. - 463 с.

36. Московское отделение Project Management Institute. Официальный сайт Электронный ресурс. Режим доступа: http://pmi.ru.

37. Нейман, Д. Теория игр и экономическое поведение / Д. Нейман, О. Морген-штерн. М.: Наука, 1970. - 707 с.

38. Новиков, Д.А. Теория управления организационными системами / Д.А. Новиков. М.: МПСИ, 2005. - 584 с.

39. О'Коннор, Дж. Искусство системного мышления: необходимые знания о системах и творческом подходе к решению проблем / Дж. О'Коннор, И. Макдер-мотт. М.: Альпина Бизнес Букс, 2006. - 256 с.

40. Панкина, Г.В. Научные основы подтверждения соответствия как способа обеспечения безопасности машинотехнической продукции: автореф. дис. . д-ра техн. наук: Спец. 05.02.23 / Панкина Г.В. — «МАТИ» РГТУ им. К. Э. Циолковского. — М., 2002. — 35 с.

41. Панов, А.Н. Как победить в конкурентной борьбе. Гармоничная система качества — основа эффективного менеджмента / А.Н. Панов. М.: РИА «Стандарты и качество», 2003. - 272 с.

42. Подвесовский, А.Г. Применение байесовых сетей в задачах анализа и прогнозирования спроса / А.Г. Подвесовский, С.В. Ешин // Вестник Брянского государственного технического университета, 2011. №1(29). - С. 61-70.

43. Рассел, С. Искусственный интеллект: современный подход (AIMA): пер. с англ. / С. Рассел, П. Норвиг. 2-е изд. - М.: Вильяме, 2005. - 1424 с.

44. Рейхенбах, Г. Направление времени / Г. Рейхенбах; пер. с англ. Изд. 2-е. - М.: Едиториал УРСС, 2003. - 360 с.

45. Розен, В.В. Математические модели принятия решений в экономике: учебное пособие / В.В. Розен. М.: Книжный дом «Университет», Высшая школа, 2002. - 288 с.

46. Руководство к своду знаний по управлению проектами (Руководство РМВОК). 4-е изд. - Newtown Square: Project management Institute (PMI), 2008. - 463 c.

47. Смирнов, Г.А. Оккам Уильям. / Г.А. Смирнов // Новая философская энциклопедия: в 4 т. / Ин-т философии РАН; Нац. обществ.-науч. фонд; Преде, научно-ред. совета B.C. Степин. М.: Мысль, 2000-2001. - Режим доступа: http://iph.ras.ni/elib/2167.html.

48. Статистические методы повышения качества: пер. с англ. / Под ред. X. Кумэ. М.: Финансы и статистика, 1990. - 304 с.

49. Строителев В.Н. Статистические методы в управлении качеством: учебное пособие / В.Н. Строителев. М.: РГУИТП, 2007. - 226 с.

50. Терехов, С. Введение в байесовы сети / С. Терехов // Лекции по нейроинформа-тике. -М.: МИФИ, 2003. 4.1. - С. 149-187.

51. Тулупьев, А.Л. Байесовские сети: логико-вероятностный подход / А. Л. Тулупь-ев, С.И. Николенко, A.B. Сироткин. СПб.: Наука, 2006. - 607 с.

52. Фефелов, A.A. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы / A.A. Фефелов // Автоматика, автоматизация, электротехнические комплексы и системы. 2007. - №2 (20). - С. 87-93.

53. Хейс, Д. Причинный анализ в статистических исследованиях / Д. Хейс. М.: Финансы и статистика, 1981. - 255 с.

54. Червяков, И.В. Использование методов технической диагностики для поиска причин несоответствий / И.В. Червяков // Методы менеджмента качества. -2009.-№4.-С. 40-43.

55. Шамшев, А.Б. Автоматизированное топологическое проектирование вычислительных сетей на основе байесовских сетей доверия / А.Б. Шамшев // Дис. . канд. техн. наук: 05.13.12. Ульяновск: УГТУ, 2000. - 279 с.

56. Шичков, H.A. Методы разработки, внедрения на предприятии и подготовки ксертификации Системы Менеджмента Качества на основе МС ИСО 9001:2000: учебное пособие / Н.А. Шичков- СПб: Учебно-методический центр «Регистр-Консалтинг», 2004. 68 с.

57. Шрагенхайм, Э. Управленческие дилеммы: теория ограничений в действии / Эли Шрагенхайм; пер. с англ. — М.: Альпина Бизнес Букс, 2007. — 288 с.

58. Электрические соединители: каталог. Карачев: Завод «Электродеталь», 2011.- 182 с.67. «Семь инструментов качества» в японской экономике. М.: Издательство стандартов, 1990. - 88 с.

59. Alglib. Кроссплатформенная библиотека для проведения математического и числового анализа и обработки данных // Официальные сайт проекта Alglib. -Режим доступа: http://www.alglib.net.

60. Andersen, В. Root cause analysis: simplified tools and techniques / B. Andersen, T. Fagerhaug. American Society for Quality, Quality Press, 2006. - 240 p.

61. Bareinboim, E. Local Characterizations of Causal Bayesian Networks / E. Barein-boim, C. Brito, J. Pearl // Proceedings of the 2nd International IJCAI Workshop on Graph Structures for Knowledge Representation and Reasoning (GKR 2011), 2011.-P.6-11.

62. Beaver, J. A life cycle software quality model using Bayesian belief networks / J. Beaver. Ph.D. dissertation, Orlando: University of Central Florida. - 2006. - 301 p.

63. Cartwright, N. Nature's Capacities and Their Measurements / N. Cartwright. Oxford University Press, 1994. - 280 p.

64. Cooper, G.F. Computational Complexity of Probabilistic Inference using Bayesian Belief Networks / G.F. Cooper // Artificial Intelligence, 1990. -№42(2).-P. 393-405.

65. Cox, D.R. Causality: Some Statistical Aspects / D.R. Cox // Journal of the Royal Statistical Society. Series A (Statistics in Society), 1992. Vol. 155, №2. - P. 291-301. - Режим доступа: http://yaroslavvb.com/papers/fisher.pdf.

66. Darwiche, A. Modeling and Reasoning with Bayesian Networks / A. Darwiche. -Cambridge University Press, 2009. 526 p.

67. Davis, G. Bayesian reconstruction of traffic accidents / G. Davis // Law, Probability and Risk, 2003. №2. - P. 69-89.

68. Dawid, A. Influence diagrams for causal modeling and inference / A. Dawid // International Statistical Review, 2002. №70. - P. 161-189.

69. De Campos, Bayesian networks and information retrieval: an introduction to the special issue / L.M. Luis M. de Campos, Juan M. Fernández-Luna, Juan F. Huete // Information Processing & Management. Elsevier, 2004. - №40. - P. 727-733.

70. Diez, F.J. DIA VAL, a Bayesian expert system for echocardiography / F.J. Diez, J. Mira, E. Iturralde, S. Zubillaga Artificial Intelligence in Medicine, Elsevier Science B.V, 1997. -№10 (1). P. 59-73.

71. Eells, E. Probabilistic causality and the question of transitivity / E. Eells, E. Sober // Philosophy of Science. 1983. -№50. -P.35-57.

72. Ericson, C. Fault Tree analysis A History / C. Ericson // Proceedings of the 17th International System Safety Conference, 1999. - P. 1-9.

73. Failure Modes and Effects Analysis (FMEA) Электронный ресурс. / American Society for Quality. Режим доступа: http://asq.org/learn-about-quality/process-analysis-tools/overview/fmea.html.

74. Fenton, N. Using Bayesian networks to predict software defects and reliability // N. Fenton, M. Neil, D. Márquez // Proceedings of the Institution of Mechanical Engineers, Risk and Reliability, 2008. Vol. 222. - P. 701-712.

75. Friedman, N. Using Bayesian Networks to Analyze Expression Data / N. Friedman, M. Linial, I. Nachman, D. Pe'er // Journal of Computational Biology. -NY: Mary Ann Liebert, Inc., 2000. №7 (3/4). - P. 601-620.

76. Good, I.J. A causal calculus (II) / I.J. Good // British Journal for the Philosophy of Science. 1961.-№11.-P.305-318.

77. Good, I.J. The amalgamation and geometry of two-by-two contingency tables / I.J. Good, Y. Mittal // Ann. of St, 1987. Vol. 15, №2. - P. 697-711.

78. Heckerman, D. A Tutorial on Learning With Bayesian Networks. Technical Report MSR-TR-95-06 / D. Heckerman. Redmond, WA: Microsoft Research, Advanced Technology Division, Microsoft Corporation, 1995. - 58 P.

79. Heckerman, D. Decision-theoretic foundations for causal reasoning / D. Heckerman, R. Shachter // Journal of Artificial Intelligence Research, 1995. №3. - P. 405-430.

80. Hitchcock, C. Probabilistic Causation / C. Hitchcock // The Stanford Encyclopedia of Philosophy, Edward N. Zalta (ed.). 2010. - Режим доступа: http://plato.stanford.edu/archives/fall2010/entries/causation-probabilistic.

81. ITIL. Service Operation. London: TSO, 2007. - 250 p.

82. Juran, J.M. Juran's quality handbook / J.M. Juran, A. Blanton Godfrey. 5th Ed. -McGraw-Hill, New York, 1998. - 1730 p.

83. Kepner, C. The New Rational Manager / C. Kepner, B. Tregoe. New Jersey: Princeton Research Press, 1981. - 254 p.

84. Kim, D. Bayesian Belief Network-based Advisory System Development for Steam Generator Replacement Project Management / D. Kim. Ph. D. dissertation, Massachusetts: MIT. - 2002. - 194 p.

85. Kjaerulff, U. Bayesian Networks and Influence Diagrams. A Guide to Construction and Analysis / Uffe B. Kjaerulff, Anders L. Madsen. New York: Springer, 2008. - 303 p.

86. Koller, D. Probabilistic Graphical Models: Principles and Techniques / D. Koller, N. Friedman. Cambridge, London: MIT Press, 2009. - 1207 p.

87. Launch Control Safety Study / H.A. Watson // Section VII Vol 1. Bell Labs, NJ, Murray Hill, 1961.

88. Lauritzen, S. Graphical models for causal inference. / S. Lauritzen, D. Cox, O. Barndorff-Nielsen, C. Kluppelberg // Complex Stochastic Systems. London/Boca Raton: Chapman and Hall, CRC Press, 2000. - P. 67-112.

89. Long, A. Beauty and the Beast -Use and Abuse of Fault Tree as a Tool Электронный ресурс. / A. Long. 10 p. - Режим доступа: http://www.fault-tree.net/papers/long-beauty-and-beast.pdf.

90. Meek, C. Causal inference and causal explanation with background knowledge / C. Meek // Proceedings of the 11th Annual Conference on Uncertainty in Artificial Intelligence (UAI-95). San Francisco: Morgan Kaufmann, 1995. - P. 403-441.

91. Mellor, D.H. The Facts of Causation / D.H. Mellor. Routledge, 1995.-251 p.

92. Murphy, К. Software Packages for Graphical Models. Bayesian Networks Электронный ресурс. / К. Murphy. University of British Columbia. - Режим доступа: http://www.cs.ubc.ca/~murphyk/Bayes/bnsoft.html.

93. Neil, M. Building large-scale Bayesian networks / M. Neil, N. Fenton, L. Nielson // Journal The Knowledge Engineering Review. 2000. - Volume 15 Issue 3. -P. 257-284.

94. Neil, M. Predicting software quality using Bayesian belief networks / M. Neil, N.E. Fenton // Proceedings of the 21st Annual Software Eng. Workshop. NASA God-dard Space Flight Centre, 1996. - P. 217-230.

95. Ohno, T. Toyota production system: beyond larger-scale production / T. Ohno, foreword: N. Bodek. Portland, OR: Productivity Press, 1988. - 152 p.

96. Pearl, J. A Probabilistic Calculus of Actions / J. Pearl // Proceedings of the 10th Conference on Uncertainty in Artificial Intelligence (UAI-94). Morgan Kaufman, San Mateo, CA, 1994 - P. 454^162.

97. Pearl, J. Causal inference in statistics: An overview / J. Pearl // Statistics Surveys, 2009.-Vol.3.-P. 96-146.

98. Pearl, J. Comments on Seeing and Doing / J. Pearl // International Statistical Review, 2001. 70(2). - P. 207-209. Режим доступа: http://ftp.cs.ucla.edu/pub/ statser/r283a.pdf.

99. Pearl, J. Do-Calculus Revisited Электронный ресурс. / J. Pearl // UCLA Cognitive Systems Laboratory, Technical Report (R-402), 2012. Режим доступа: http://flp.cs.ucla.edu/pub/statser/r402.pdf.

100. Pearl, J. Fusion, Propagation and Structuring in Belief Networks / J. Pearl. Artificial Intelligence, 1986. - Vol. 29, №3. - P. 241-288.

101. Pearl, J. Graphs, Causality, and Structural Equation Models / J. Pearl // Sociological Methods & Research. Sage Publication, 1998. - Vol. 25, № 2. - P. 226-284.

102. Pearl, J. Probabilistic Reasoning in Intelligent Systems / J. Pearl. San Francisco: Morgan Kaufmann, 1988. - 520 p.

103. Pearl, J. Reasoning with cause and effect / J. Pearl // AI Magazine. American Association for Artificial Intelligence (AAAI), 2002. - Volume 23, Number 1. - P. 95-111.

104. Pearl, J. The Mathematics of Causal Inference in Statistics / J. Pearl // JSM Proceedings of the American Statistical Association. American Statistical Association (ASA), 2007.-P. 19-26.

105. Pearl, J. Causality: Models, Reasoning and Inference / J. Pearl. Cambridge University Press. - 2-nd edition, 2009. - 464 p.

106. Rambaud, L. 8D Structured Problem Solving: A Guide to Creating High Quality 8D Reports / L. Rambaud. PHRED Solutions, 2006. - 148 p.

107. Reliability Engineer Certification Body of Knowledge Brochure / American Society for Quality. Режим доступа: http://asq.org/pdf/certification/inserts/cre-insert-2009.pdf.

108. Selection and use of the ISO 9000 family of standards Электронный ресурс. -Режим доступа: http://www.iso.org/iso/iso9000selectionanduse-2009.pdf.

109. Shoham, Y. Reasoning About Change: Time and Causation from the Standpoint of Artificial Intelligence / Y. Shoham. The MIT Press, 1987. - 200 p.

110. Skyrms, B. Causal Necessity: Pragmatic Investigation of the Necessity of Laws / B. Skyrms. Yale University Press, 1980. -176 p.

111. SMILE reasoning engine for graphical probabilistic model // Decision Systems Laboratory (DSL), University of Pittsburgh. Режим доступа: http://genie.sis.pitt.edu.

112. Smith, G.F. Quality Problem Solving / G.F. Smith. American Society for Quality, Quality Press, 1998. - 325 p.

113. Sperber, W.H. Happy 50th Birthday to HACCP: Retrospective and Prospective / W.H. Sperber, R.F. Stier //FoodSafety magazine. 2009. - Dec.2009; Jan.2010. -P.42, 44-46.

114. Spirtes, P. Causation, Prediction, and Search / P. Spirtes, C. Glymour, R. Scheines. -New York: Springer-Verlag, 1993. 565 p.

115. Suppes, P. A Probabilistic Theory of Causality / P. Suppes. Amsterdam: North Holland Pub. Co, 1970.- 130 p.

116. Tague, N.R. Quality Toolbox / N.R. Tague. 2nd Ed. - American Society for Quality, Quality Press, 2005. - 558 p.

117. The DMAIC Methodology Электронный ресурс. / American Society for Quality.

118. Режим доступа: http://asq.org/learn-about-quality/six-sigma/overview/dmaic.html.

119. Tian, J. A New Characterization of the Experimental Implications of Causal Bayesian Networks / J. Tian, J. Pearl // Proceedings of the 8th National Conference on Artificial Intelligence. AAAI Press, The MIT Press: CA, Menlo Park, 2002. - P. 574-579.

120. Tversky, A. Causal schemas in judgments under uncertainty / A. Tversky, D. Kahneman // Progress in Social Psychology. Hillsdale, NJ,1980. - P. 49-72.

121. Verma, T. Equivalence and synthesis of causal models / T. Verma, J. Pearl // Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence. Cambridge, MA, 1990. - P. 220-227.

122. Wang, H. Software project level estimation model framework based on Bayesian belief networks / H. Wang, F. Peng, C. Zhang, A. Pietschker // 6th International Conference on Quality Software (QSIC'06). Beijing, 2006. - P. 209-218.

123. Wingraphviz. Страница проекта визуализации графов на sourceforge.net // Sourceforge.net. Режим доступа: http://wingraphviz.sourceforge.net/wingraphviz.

124. Wright, S. Correlation and causation / S. Wright // Journal of Agricultural Research. 1921. - №20. - PP. 557-585.