автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Система обеспечения качества на основе нейросетевых технологий в условиях подготовки управленческих решений в интегрированных машиностроительных производствах

На правах рукописи

КРЮК МИХАИЛ АЛЕКСАНДРОВИЧ

СИСТЕМА ОБЕСПЕЧЕНИЯ КАЧЕСТВА НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В УСЛОВИЯХ ПОДГОТОВКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В ИНТЕГРИРОВАННЫХ МАШИНОСТРОИТЕЛЬНЫХ ПРОИЗВОДСТВАХ

Специальность 05.13.06 - «Автоматизация и управление

технологическими процессами и производствами (технические системы)»

Автореферат диссертации иа соискание ученой степени кандидата технических наук

Москва - 2005 г.

Работа выполнена в ГОУ ВПО Московском государственном технологическом университете «СТАНКИН»

Научный руководитель: Официальные оппоненты:

кандидат технических наук, профессор Карлова Т.В.

доктор технических наук, профессор Курочкин Е.П.

кандидат технических наук, профессор Шемелин В.К.

Ведущая организация:

ГОУ ВПО Архангельский государственный технический университет

Зашита диссертации состоится «¿¿-f»,

2005 г. в

На заседании диссертационного совета К212.И2.01 в ГСУ ВПО Московском Государственном Технологическом Университете «СТАНКИН» по адресу: 101472, ГСП-4, Москва, К-55, Вадковский пер., д. 3-а.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО Московского государственного технологического университета «СТАНКИН»

Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим высылать по указанному адресу в диссертационный совет K212.142.0I.

Автореферат разослан

2005 г.

Ученый секретарь диссертационного Совета, Кандидат технических наук , И.М. Тарарин

WW 11440 72

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Современная конкурентоспособность любого предприятия, независимо от его мощности и размеров, напрямую зависит от качества выпускаемой продукции и соотношения ее цены с предлагаемым качеством, т.е. от степени удовлетворения запросов потребителя продукцией предприятия. Наиболее эффективной рабочей моделью качества в настоящее время является модель Всеобщего Управления Качеством (Total Quality Management-TQM). Основополагающей идеей этой модели является оперативность процесса реагирования на изменение требований рынка и выпуск продукции, удовлетворяющей ожиданием потребителей, также незыблемое требование TQM - принятие решений должно основываться только на фактах, и на интуитивном опыте специалиста, принимающего решение. Международный опыт показывает, что от 20 до 90 % всех проектов улучшения продукции терпят провал только по причине ошибочного мнения о состоянии рынка, на базе которого принимается решение о стратегии бизнеса компании. Таким образом, как показывает опыт, основной причиной неудач является недостаточность знаний при принятии решений. TQM предлагает секи, инструментов контроля качества:

- диаграмма Парето

- контрольные карты

- диаграмма разброса

- гистограмма

- диаграмма Исикавы

- стратификация

- контрольные листки

Все семь инструментов являются инструментами познания, назначение которых -контроль протекающего процесса и предоставление фактов для корректировки и улучшения процесса. Инструменты контроля качества используются для анализа численных данных, однако на практике факты численными по своей природе бывают редко, и для принятия решений в этом случае необходимо знание поведенческой науки, операционного анализа, теории оптимизации и статистики На основе этих наук предлагаются семь инструментов управления качеством или семь новых инструментов контроля качества:

- диаграмма сродства

- диаграмма связей

- древовидная диаграмма

- матричная таблица

- стрелочная диаграмма

- диаграмма процесса осуществления программы

Очевидно, что в процессе обеспечения требуемого качества, необходимым условием является возможность решения неформализованных задач.

К неформализованным задачам относятся задачи, которые обладают одной из нескольких характеристик:

1. задачи не могут быть заданы в числовой форме;

2. цели не могут быть выражены в терминах точно определенной целевой функции;

3 не существует алгоритмического решения задач;

4. алгоритмическое решение существует, но его нельзя использовать из-за ограниченности ресурсов (времени, памяти).

Неформализованные задачи обычно обладают следующими особенностями: 1. - ошибочностью;

- неоднозначностью;

- неполнотой; ______

- противоречивостью знаний предметной облас '"^^^fXtfrfft^f/Vii ЬНАЯ 1

БИБЛИОТЕКА С.! 09

(Minv • Ы\П |

2 большой размерностью пространства решений; 3. динамически изменяющимися данными и знаниями.

Для решения этих задач актуально использование экспертной системы (ЭС), имеющей в своей структуре базу данных и искусственную нейронную сеть (ИНС).

Экспертная система работает в двух режимах - в режиме приобретения знаний и в режиме решения задачи. В режиме приобретения знаний в общении с ЭС участвуют эксперты В этом режиме эксперт наполняет ЭС знаниями, которые позволяют системе в режиме решения самостоятельно решать задачи из области экспертизы

В режиме решения задач участвует эксперт, которого интересует результат или способ получения результата.

В основу создания нейросетевой экспертной системы входят три основополагающих принципа:

1. Мощность ЭС обусловлена, в первую очередь, мощностью базы знаний и возможностью ее пополнения, и во вторую очередь, используемыми ее методами. 2 Знания, позволяющие, ЭС получать качественные и эффективные решения задач являются эвристическими, экспериментальными, неопределенными. Причина заключается в том, что решаемые задачи являются информационными, или слабо формализованными.

3. Учитывая неформализованноеть решаемых задачи эвристический характер полученных знаний, пользователь должен иметь возможность непосредственного взаимодействия с ЭС в виде диалога.

В связи с тем, что основным источником мощности ЭС являются знания, система должна обладать способности приобретать знания. Процесс приобретения знаний можно разделить на:

■ Получение знаний от эксперта;

■ Организация знаний;

Представление знаний в понятном для системы виде.

Необходимость применения нейросетевой экспертной системы, обусловлена тем, что одна из главных особенностей нейронной сети - возможность автоматического обучения, делает ее одним из лучших инструментов для решения проблем оперативного реагирования, адаптивности и гибкости в условиях современного рынка.

ИНС, предлагает ряд дополнительных возможностей по отношению к ЭС, таким образом, объединение их в одну нейросетевую экспертную систему, позволит эффективно принимать управленческие решения для обеспечения требуемого качества продукции.

Целью работы является разработка системы обеспечения качества в интегрированных машиностроительных производствах путем применения методов нейросетевого и экспертного анализа данных для принятия управленческих решений

Методы исследования. Основой для решения поставленных в работе задач явились основные положения теории Всеобщего управления качеством (TQM), теории множеств, теории графов, реляционной алгебры и методов математической статистики, теории нейронных сетей, а также нейрокомпьютерной технологии;

Научная новизна диссертационной работы.

1. Предложен новый подход к подготовке управленческих решений в интегрированных машиностроительных производствах с использованием экспертных систем и нейронных сетей.

2. Разработан метод совместного использования искусственной нейронной сети и экспертной системы.

3. Разработана структурная модель нейросетевой экспертной системы, обеспечивающая повышение качества принятия решений в интегрированных технологической производствах.

Практическая ценность работы заключается в повышении эффективности и качества интегрированных машиностроительных производств за счет сокращения временных и материальных затрат на формирование процессов принятия решений, которое достигается благодаря разработанной методики интеграции нейросетевой экспертной системы в существующую корпоративную информационную систему обеспечения качества интегрированного машиностроительного производства.

Реализация работы. Научные и практические результаты диссертационной работы, опубликованные в печати, нашли свое применение при выполнении научно-исследовательских работ по договорам с промышленными предприятиями, и при подготовке лекционного материала, практических и лабораторных работ на кафедре «Автоматизированные системы обработки информации и управления » ГОУ ВПО МГТУ «СТАН-КИН» в рамках раздела «Интегрированные системы качества машиностроительных производств» учебного курса «Автоматизированные системы управления».

На защиту выносятся:

1. Классификация современных методологических, математических и информационных инструментов и методик контроля и управления качеством.

2. Метод совместного использования экспертной системы и искусственной нейронной сети.

3. Структурная модель нейросетевой экспертной системы, основанная на использовании нейрокомпьютерной технологии, служащая для повышения качества принимаемых решений в интегрированных машиностроительных производствах

4. Методика интеграции нейросетевой экспертной системы в существующую корпоративную информационную систему обеспечения качества машиностроительного производства.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Автоматизированные системы обработки информации и управления» ГОУ ВПО МГТУ «СТАНКИН», а также на следующих научных конференциях: VI всероссийская научно-техническая конференция «Новые информационные технологии», МГАПИ, Москва, 2003 г., VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», МГТУ «СТАНКИН», Москва, 2003 г., I научная конференция «Качество. Инновации. Образование», Судак, 2003 г., Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», АМИ, Москва, 2003 г.

Публикации. По теме диссертационной работы опубликованы 4 научные работы, включая тезисы докладов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, выводов, содержит 31 рисунок и 12 таблиц, список использованной литературы из 112 наименований. Общий объем работы -148 страницы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В первой главе проведен анализ существующих инструментов и методик контроля и управления качеством, с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем обеспечения качества в интегрированных машиностроительных производствах

В настоящее время качество любой выпускаемой продукции, в независимости от мощности и размера предприятия, напрямую зависит от соотношения ее цены с предлагаемым качеством, те от степени удовлетворения запросов потребителя продукцией предприятия Наиболее эффективной рабочей моделью качества в настоящее время является модель Всеобщего Управления Качеством (Total Quality Management-TQM). Очевидно, что процесс принятия решений, является на сегодняшний день основным в системе управления качеством на предприятиях любого профиля, и то в какой степени он будет своевременен и точен, от этого напрямую зависит выпуск наиболее качественной продукции, удовлетворяющей широкие требования потребителей.

Необходимость быстроты и точности принятия решений, обусловлена современным состоянием рынка продукции Именно эта скорость определяет лидерство и конкурентоспособность производителя. Скорость зависит от времени практической реализации хорошо очерченной производителем цены, обеспечивающей минимальные издержки производства высококачественной продукции, а следовательно, и минимальную ее цену для потребителя. Теория всеобщего управления качеством предлагает семь основных инструментов контроля качества и семь новых инструментов управления качеством: Диаграмма Парето - позволяет сконцентрировать внимание на немногочисленных, но жизненно важных факторах.

Причинно - следственная диаграмма - позволяет показать взаимосвязи между потенциальными причинами и возникающими проблемами (следствиями)

Графики - позволяют визуально представить полученное количество данных, и упрощает их анализ.

Контрольные листы - позволяют легко регистрировать данные и выявлять несоответствия.

Гистограммы - позволяет графически представить изменчивость имеющихся данных.

Диаграммы рассевания - позволяют графически представить взаимосвязь (корреляция) полученных данных.

Контрольные карты - позволяют оценить вариации процессов и проверить и проверить находиться ли процесс под контролем или нет.

Основные инструменты качества относятся к статическим инструментам

Новые инструменты качества Предполагают работу с информацией изложенной обычным естественным языком без использования математических организационных моделей.

Диаграмма связей - позволяет установить логические связи в комплексных проблемах. Диаграмма сродства - служит для оценки сложных ситуаций и идентификации проблемы.

Древовидная диаграмма - позволяет проводить поиск эффективного пути достижения цели.

Матричная диаграмма - позволяет производить выбор решения проблем при наличии разнообразных мнений.

Анализ матричных данных - позволяет упростить использование матричной диаграммы. Диаграмма процесса осуществления программы - позволяет подобрать процесс для достижения желаемого результата

Стрелочная диаграмма - позволяет представить взаимосвязи узловых процессов для контроля сроков выполнения всей планированной работы.

Качество эксплуатации продукта до Всеобщего Управления Качеством включало, как правило, только качество его эксплуатации потребителем в соответствии с требованиями и инструкциями производителя по эксплуатации продукта.

Реально в любом предприятии за качество отвечало ОТК - отдел технического контроля, т.е. контроль на выходе, что приводило к большим экономическим затратам. После предложенного метода по учитывайте издержек на этапах производственного процесса (метод Тагути) экономические затраты сократились, но длительность процесса оставалась значительной Основное различие между контролем и обеспечением качества представлено в таблице 1.1:

Таблица 1.1

Контроль качества Обеспечение качеством

1. Контролируется качество продукции 2 Проводятся инспекторские проверки 3. Качество- фактор себестоимости 1 Контролируется технологический процесс 2. Проводится самоконтроль после тщательного обучения 3. Качество- источник долгосрочной прибыли

Использование автоматизированных систем обработки информации на основе новейших информационных технологий, позволяет сегодня выйти на уровень корпоративной культуры обеспечения качества. ЭВОЛЮЦИЯ

КОРПОРАТИВНАЯ КУЛЬТУРА ОБЕСПЕЧЕНИЯ КАЧЕСТВА

СКВОЗНОЕ УПРАВЛЕНИЕ КАЧЕСТВОМ НА ОСНОВЕ ИНТЕГРИРУЮЩИХ ПРОЦЕССОВ

АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ

КОМПЛЕКСНОЕ УПРАВЛЕНИЕ

СТАТИСТИЧЕСКИЙ КОНТРОЛЬ

ВЫХОДНОЙ КОНТРОЛЬ КАЧЕСТВА И КОНТРОЛЬ ПРИ ПРИЕМКЕ ПРОДУКции_

ЦЕХОВОЙ кон-тюль КАЧЕСТВА

ОТК

1900

1920

то

1960

1990 2000 2010

ГОДЫ

Рис. 1.2 Эволюция качества

Как показывает анализ современных инструментов качества, одной из главных проблем при принятии управленческих решений, являются неформализованные (неструктурированные) задачи и нечисловые данные из-за которых не существует алгоритмических решений.

Следует отметить, что в практике работы любой организации существует сравнительно немного полностью структурированных или совершенно неструктурированных задач. О большинстве задач можно сказать, что известна лишь часть их элементов и связей между ними. Такие задачи называются частично структурированными. В этих условиях можно создать автоматизированную информационную систему. Получаемая в ней информация анализируется человеком, который будет играть определяющую роль. Например, требуется принять решение по устранению ситуации, когда потребность в трудовых ресурсах для выполнения в срок одной из работ комплекса превышает их наличие. Пути решения этой задачи могут быть разными:

• выделение дополнительного финансирования на увеличение численности работающих;

• отнесение срока окончания работы на более позднюю дату и т.д. Как видно, в данной ситуации информационная система может помочь человеку принять то или иное решение, если снабдит его информацией о ходе выполнения работ по всем необходимым параметрам.

Отсюда целью настоящего исследования является разработка системы обеспечения качества в интегрированных машиностроительных производствах путем применения методов нейросетевого и экспертного анализа данных для принятия управленческих решений. Для достижения поставленной цели необходимо решение следующих задач-

1 Анализ существующих инструментов и методик контроля и управления качеством, с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем обеспечения качества в интегрированных машиностроительных производствах

2 Разработка структурной модели системы обеспечения качества, основанной на использовании нейросетевой экспертной системы.

3 Определение перечня задач, решаемых с применением нейросетевой экспертной системы.

4 Разработка методики интеграции нейросетевой экспертной системы в корпоративную информационную систему обеспечения качества машиностроительного производства.

Во второй главе представлена возможность применения нейросетевой экспертной системы для решения неформализованных задач. Предлагаются формальные основы экспертной системы и определение неформализованных задач для решения которых она предназначена.

Формально экспертную систему можно определить следующим образом:

где: Р- рабочая память системы (база данных содержащая текущие данные), Р - база знаний, содержащая множество правил вида: "условие - действие" и интерпретатор "выбор решения", реализующий процедуру выбора. Интерпретатор выполняет следующие действия:

1. определяет множество выбранных правил, т.е множество правил которые удовлетворяются на некотором наборе текущих данных

2. активизирует программные объекты в соответствии с правилами, внесенными в

БД, и передает им управление по обработке данных.

Интерпретатор I определяется:

1=(УЛЖЯ).

где: V - процесс выбора, Я - процесс сопоставления, определяющий множество означиваний. Операция сопоставления может требовать много времени, так как в общем случае влечет за собой выбор большого количества правил, IV - процесс осуществляющий выполнение выбранного правила (т.е. выполнение действий указанных в правой части правила). Результатом выполнения является модификация данных, Я - процесс разрешения конфликтов (планирование), определяющий какое из правил будет выполнятся Механизм разрешения конфликтов может быть:

• явным;

• неявным.

Метаправила позволяют обеспечить прямым и обратным способом динамических эвристик для разрешения конфликтов.

Рис 2.1 Базовая структура экспертной системы

К неформализованным задачам относятся задачи, которые обладают одной из нескольких характеристик:

1. задачи не могут быть заданы в числовой форме;

2. цели не могут быть выражены в терминах точно определенной целевой функции;

3. не существует алгоритмического решения задач;

4. алгоритмическое решение существует, но его нельзя использовать из-за ограниченности ресурсов (времени, памяти).

Неформализованные задачи обычно обладают следующими особенностями:

1. - ошибочностью;

- неоднозначностью;

- неполнотой,

- противоречивостью знаний предметной области решаемой задачи;

2. большой размерностью пространства решений;

3. динамически изменяющимися данными и знаниями.

Экспертная система работает в двух режимах - в режиме приобретения знаний и в режиме решения задачи. В режиме приобретения знаний в общении с ЭС участвуют эксперты. В этом режиме эксперт наполняет ЭС знаниями, которые позволяют системе в режиме решения самостоятельно решать задачи из области экспертизы

В режиме решения задач участвует эксперт, которого интересует результат или способ получения результата.

В основу создания нейросетевой экспертной системы входят три основополагающих принципа-

1 Мощность ЭС обусловлена, в первую очередь, мощностью базы знаний (БЗ) и возможностью ее пополнения, и во вторую очередь, используемыми ее методами. 2. Знания, позволяющие, ЭС получать качественные и эффективные решения задач являются эвристическими, экспериментальными, неопределенными. Причина заключается в том, что решаемые задачи являются информационными, или слабо формализованными.

3 Учитывая неформализованность решаемых задачи эвристический характер полученных знаний, пользователь должен иметь возможность непосредственного взаимодействия с ЭС в виде диалога.

В связи с тем, что основным источником мощности ЭС являются знания, система должна обладать способности приобретать знания. Процесс приобретения знаний можно разделить на:

■ Получение знаний от эксперта;

■ Организация знаний;

Представление знаний в понятном для системы виде.

В настоящее время можно говорить о том, что достаточно глубоко разработана формальная теория нейронных сетей. Решение различных задач в нейросетевом логическом базисе становится возможным на основе использования более 30-летнего научного задела в этом направлении Количество таких задач возрастает стремительными темпами, особенно с увеличением их размерности. Сегодня можно говорить об универсальности нейросетевых технологий, о том, что любую задачу можно решить с их использованием.

ИНС, предлагает ряд дополнительных возможностей по отношению к ЭС, таким образом, объединение их в одну нейросетевую экспертную систему, позволит эффективно принимать управленческие решения для обеспечения требуемого качества продукции.

Третья глава посвящена выбору архитектуры нейронной сети и методам ее адаптации к совместному использованию с экспертной системой.

Нейрон - особая биологическая клетка, которая обладает способностью воспринимать, обрабатывать, запоминать, адаптироваться и передавать информацию в виде электрических импульсов. Она состоит из тела клетки и двух типов внешних древопо-добных ветвей- аксона и дендритов Нейрон получает сигнал от других нейронов через дендриты и передает сигналы, сгенерированные телом клетки, вдоль аксона, который в конце разветвляется на волокна. На окончаниях этих волокон находятся синапсы Связь аксона и дендрита в области взаимодействия называется синаптической связью. Когда импульс достигает синаптического окончания, высвобождаются определенные химические вещества, называемые нейротрансмиттерами. Нейротрансмиттеры диффундируют через синаптическую щель, возбуждая или затормаживая, в зависимости от типа синапса, способность нейрона-приемника генерировать электрические импульсы. Результативность может настраиваться проходящими через него сигналами так, что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость от предыстории действует как память.

Моделированию нейронов посвящено большое количество работ, которые можно разделить на две большие группы. В первой группе работ, основой для которых явились известные исследования Мак-Каллокха и Питтса, нейрон выступает как двоичный элемент и рассматривается как основа для построения сетей, реализующих функции двоичной логики. В другой группе работ сигналы нервных клеток стали рассматривать как непрерывные величины. Такой подход является более общим с точки зрения физиологии нервной клетки.

Согласно современным физиологическим представлениям, информационная деятельность нервных клеток-нейронов осуществляется на основе трех нервных процессов: синаптического возбуждения, синаптического торможения и генерации нервных импульсов. Эти процессы обеспечивают возникновение и распространение по аксонам электри-

ческих импульсов - спайков. Математическая модель информационной деятельности отдельного нейрона может быть представлена в виде следующей системы уравнений:

J

с1Р(1)!с11 = -аР(1) + РУ{1\ (3.2)

2(г) = Ь-(Ри)-в), (3.3)

где *,(/) - аналог интенсивности (частоты) входной спайковой последовательности, поступающей на _/-й вход нейрона с синаптическим весом уДг); У(г) - аналог входного потенциала, получаемого в результате пространственной суммации произведений у 1 (/) хД/), ] = 1,2... N; Р(0 - аналог мембранного потенциала нейрона; N - количество синаптических контактов нервной клетки; а - параметр временной суммации; р - параметр пространственной суммации; 7.(1) - аналог интенсивности выходной спайковой последовательности нейрона; Р - активационная функция модели нервной клетки.

Система уравнений (3.1), (3.2) и (3.3) является математической моделью динамического нейрона Отличительной способностью такой модели является то, что их состояние зависит от времени. Иными словами, в текущий момент времени выход нейрона зависит не только от текущего состояния входных сигналов, но и от предыдущего состояния нейрона.

Различают динамические нейроны с адаптацией и без адаптации Под адаптацией понимают плавное понижение частоты выходного сигнала в ответ на длительное стационарное воздействие. Различают различные виды адаптации- адаптация по входу, адаптация по выходу и адаптация по входу и по выходу одновременно

Модель строится так, что если некоторый синапс} является возбуждающим, то соответствующий ему синаптический вес у1 - число положительное, если тормозным, то отрицательное При обучении эти веса модифицируются (изменяются). В тех случаях, когда нейрон обучен, значения его синаптических весов постоянны

Если в рассматриваемой модели принять с1Р(г)Ш = 0, положить а =], Ъ =1, то из (3.1) -(3.3) можно получить математическую модель статического нейрона:

2(0 = ^(0-0). (3.4)

Переработку информации в нейроне можно разделить на два процесса: генерацию выходных импульсов (спайков) и процесс подготовки генерации. В соответствии с этим структурную схему модели нейрона можно представить в самом общем виде, состоящей из двух узлов - подготавливающего и генерирующего. Для нейронной сети обучение представляет собой изменение ее внутренних параметров таким образом, чтобы на всем множестве входных векторов генерировался правильный выход, задаваемый в обучающей выборке. Последовательность шагов, в результате которых происходит изменение параметров сети в режиме обучения, называют алгоритмом обучения В контексте нейронных сетей процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная модель должна настроить веса связей по имеющейся обучающей выборке.

Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов. Обучение нейронной сети состоит в направленном изменении значений весов связей между нейронами с целью улучшить: оценку работы нейросети на заданной выборке примеров при " обучении с учителем " или качество кластеризации примеров при "обучении без учителя". Различные правила обучения с учителем, когда оценка выходных значе-

ний нейронов дается из внешнего мира- правило Видроу -Хопфа, дельта-правило Розенб-латга, вариант обучения с усилением; алгоритмы обучения без учителя не используют внешних оценок' правило Хэбба, адаптивная кластеризация и другие. Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть - знать доступную для сети информацию. Эта модель определяет парадигму обучения и основные типы правил обучения

Модель нейрона можно рассмотреть состоящей из следующих двух частей.

1) входная цепь, содержащая синаптические входы, которая выполняет функцию им-пульсно-аналогового преобразователя;

2) выходная цепь, представляющая тело нейрона и его аксон и являющаяся генератором выходных импульсов, то есть аналого-импульсным преобразователем Блок-схема модели нейрона показана на рис. 3.1.

Входная часть Выходная часть

Рис. 3.1. Блок-схема модели нейрона.

Компоненты блок-схемы модели нейрона имеют следующие передаточные функции: синапс:

клеточная мембрана: Кт(р) = Щр + с);

К Ар) - передаточная функция цепи обратной связи; аксон:

(3.5) (3 6)

Г{р) = екр(.-р1).

(3.7)

Здесь IV, - вес соответствующего входа. Цепь с передаточной функцией Кт (р) является генератором. Передаточная функция генератора вводится здесь формально, так как цепь нелинейна Классификация моделей нейронных сетей приведена на рис. 3.2

Рис. 3.2 Классификация нейронных сетей 13

Модели нейронных сетей

Таблица 3.1

Название, автор Область применения н схематическое изображение Недостатки Преимущества

Однослойный перцеп-трон, Розенблатт. Распознавание образов, клас- Примитивные разделяющие поверхности дают возможность решать лишь самые простые задачи распознавания Программные или аппаратные реализации модели очень просты Простой и быстрый алгоритм обучения

МАХ^Т Распознавание образов Сеть определяет, какой из входных сигналов имеет максимальное значение, но в процессе функционирования теряет само значение максимального сигнала Простая работа сети

Сеть Кохонена, Кохонен Распознавав сификация, ю е о пасп III ШЖ ов, клас-й анализ Сеть может быть использована для кластерного анализа только в том случае, если заранее известно число кластеров Способна функционировать в условии помех

РР- МАХКЕТ. Распознавание образов Число слоев сети растет с увеличением размерности входного сигнала Заранее известен объем вычислений, который требуется для получения решения

Название, автор Область применения и схематическое изображение Недостатки Преимущества

Сеть Хопфилда, Хопфилд, Ассоциативная память, адресуемая по содержанию, задачи распознавания образов. задачи оптимизации Сеть обладает небольшой емкостью При использовании коррелированных векторов-образов возможно зацикливание сети в процессе функционирования Сеть имеет огромное историческое значение. С этой модели началось возрождение интереса к нейронным сетям в середине 80-х годов

Нейросетевой гауссов классификатор, Липпман, Распознавание образов, классификация Примитивные разделяющие поверхности дают возможность решать лишь самые простые задачи распознавания Программные или аппаратные реализации модели очень просты Простой и быстрый алгоритм формирования си-наптических весов и смешений

Сеть Хемминга, Хемминг Распознавание образов, классификация, ассоциативная память, надежная передача сигналов в условиях помех Сеть способна правильно распознавать только слабо зашумленные входные сигналы. Возможность использования только бинарных входных сигналов существенно ограничивает область применения В модели использован один из самых простых алгоритмов формирования си-наптическнх весов и смешений сети

EDBD (Extended Delta Bar Delta), Минаи и Вильяме Распознавание образов Даже небольшое линейное увеличение коэффициента может привести к значительному росту скорости обучения, что вызовет скачки в пространстве весов Ускорение обучения с помощью ряда эвристических правил

Название, автор Область применения и схематическое изображение Недостатки Преимущества

АРТ-1, Карпентер, Гроссберг, Распознавание образов, кла-стернш^ш^^^^^ ^ Неограниченное увеличение числа нейронов в процессе функционирования сети В присутствии шума возникают значительные проблемы, связанные с неконтролируемым ростом числа образцов Обучение без учителя

Сеть обратного распо-странения, Розенблатт, Минский, Пейперт и др, Распознавание образов, классификация, прогнозиро вание Многокритериальная задача оптимизации в методе обратного распространения рассматривается как набор однокритери-альных - (на каждой итерации происходят изменения значений параметров сети, улучшающие работу лишь с одним примером обучающей выборки). Такой подход существенно уменьшает скорость обучения Обратное распространение - первый эффективный алгоритм обучения многослойных нейронных сетей Один из самых популярных алгоритмов обучения, с его помощью были решены и решаются многочисленные практические задачи

Метод имитации, Распознавание образов, адаптивное управление, многопараметрическая идентификация, прогнозирование и диагностика Низкая скорость сходимости при обучении нейронных сетей большой размерности Поиск глобал ьн ого оптимума адаптивного рельефа нейронной сети

Сеть встречного распространения, Хехт-Нильсон Распознавание образов, восстановление образов (ассоциативная память), сжатие данных (с потерями) Сеть не дает возможности строить точные аппроксимации. Слабая теоретическая переработка модификаций сети встречного распространения Сеть встречного распространения проста. Она дает возможность извлекать статистические свойства из множеств входных сигналов Сеть дает возможность строить функцию и обратную к ней, что находит применение при решении практических задач

Входной слой

Скрытые слои

Выходной слой

»11 ч

X, / 1-

• 7 в»т| / (»¡А/ • •

• /С, •

Х„ 1

Рис 3.3 Структура нейронной сети

Различие архитектур ИНС определяются разными вариантами связей нейроподоб-ных элементов для решения всевозможных задач. В результате анализа множества архетипов бьио принято решение выбрать в качестве инструмента - многослойную нейронную сеть с прямым распространением сигнала. Для функционирования ИНС требуется выполнить ее обучение на наборе обучающих данных.

В четвертой главе описана методика интеграции нейросетевой экспертной системы с БД в существующую корпоративную информационную систему обеспечения качества интегрированного машиностроительного производства В главе, также рассмотрены примеры практической реализации и применения системы Предложенная система имеет следующую структуру:

Интерфейс взаимодействия с экспертной системой

Диспетчер -эксперт

База знаний Экспертной системы

База данных ИНС

База данных -рабочая память

Управленческое решение (выбор альтернативы)

Нейронная сеть

Рис. 4 1 Структура нейросетевой экспертной системы

В состав нейросетевой экспертной системы входит:

1 База данных - общая база данных предприятия, содержащая накопленные экспертные данные.

2. Интерфейс взаимодействия с экспертной системой, обеспечивает общение с экспертной системой человека.

3. База знаний экспертной системы - обеспечивает хранение правил, обеспечивающих целесообразные преобразования используемых данных.

4. Нейронная сеть - в этом блоке представлен механизм ИНС, который содержит средства функционирования и обучения нейронной сети - алгоритм нейронной сети.

5 База данных ИНС - Содержит обученную ИНС, ее топологию (функции активации и весовые коэффициенты). Для решения нужной задачи загружается обученная для этого ИНС в механизм нейронной сети.

6 Диспетчер-эксперт определяет данные и правила характеризующие проблемную область, обеспечивает правильность введенных знаний.

Представленная система позволяет получать нужные управленческие решения для обеспечения качества в интегрированных машиностроительных производствах

Далее в главе представлены конкретные примеры использования нейросетевой экспертной системы для принятия верных управленческих решений:

Расчет потенциала снижения затрат в процессе стратегического планирования. Определение потенциала снижения затрат позволяет:

• нацелить программу повышения качества деятельности компании на то, чтобы компания стала лидером на европейском рынке с точки зрения уменьшения производственных издержек;

• выработать план деятельности, который обеспечит достижение ожидаемых результатов путем наиболее оптимального использования имеющихся человеческих ресурсов компании.

Отрасль промышленности Металлообрабатывающая компания с 250 работниками, производящая четыре различных семейства инструментов.

Задача программы. Под экономией за счет увеличения масштаба производства мы подразумеваем, что, если количество выпущенной продукции удваивается, себестоимость ее единицы может снизиться на 20-30%. Задача программы заключается в мобилизации всех существующих ресурсов для снижения издержек завоевания большего сектора рынка.

Стандартное решение с помощью существующих алгоритмов Для решения задачи использовались два метода: аналитический метод определения потенциала и детальной формулировки целей и синтетический метод установления приоритетов при распределении ресурсов. На первом этапе для всех групп продукции был определен общий объем выпуска в прошлом. Затем было проанализировано, в какие периоды имело место его удвоение. Для анализа издержек на единицу продукции необходимо было исключить возможное влияние инфляции. Поэтому в качестве базы для расчетов были использованы ведомости материалов и технологические маршруты (затраты времени на выполнение одной операции) вместе с расценками на единицу продукции (на 1 кг материала или на 1 мин. операции). Анализ затрат на единицу продукции позволил выявить те группы продукции, у которых имеется высокий потенциал для их снижения. Затем были определены меры, необходимые для реализации этого потенциала с учетом совместного опыта и знаний заказчиков, руководства и персонала.

На втором этапе были привлечены консультанты для анализа производственных заданий с целью определения, какие из повседневных рутинных операций могут быть исключены или сокращены по объему, чтобы обеспечить производственные мощности, необходимые для дополнительных работ, предусмотренных программой. Затем организационная структура была изменена таким образом, чтобы рутинные операции осуществлялись в соответствующих производственных подразделениях Поэтому появилась еще одна

производственная площадь, которая могла быть использована на полную мощность для значительного снижения издержек производства Перед руководством подразделения по сбыту была поставлена задача обеспечить более высокую долю продаж на европейском рынке Общий объем производства был удвоен раньше, чем это ожидалось, соответственно увеличился объем продаж и появилась возможность последующего снижения затрат

С помощью предложенной нейросетевой экспертной системы решение задачи свелось к значительному экономию времени и средств, за счет большей скорости обработки информации, заложенной в базу данных системы, а также на втором этапе решения не требуется помощь консультантов для анализа производственных данных, а сам анализ проводится сетью.

Изменение структуры производства для получения экономии за счет увеличения его масштаба.

Результаты:

• снижение общей продолжительности производственного цикла с 8 до 4 мес;

• сокращение периода планирования производства готовой продукции в 3 раза;

• экономия 35% времени наладки на операциях по производству промежуточной продукции;

• уменьшение запаса готовой продукции вдвое. Отрасль промышленности.

Металлообрабатывающая компания, выпускающая разнообразную продукцию — 16 тыс. наименований инструментов. Задача программы.

Вместо производства готовой продукции со всеми операциями, выполняемыми в рамках одного производственного заказа, была поставлена цель осуществлять дифференциацию изделий на как можно более поздней стадии (рис. 4.3).

Результат реализации цели состоял в перестройке производства таким образом, чтобы можно было выполнять небольшие по объему заказы на готовые изделия с небольшим сроком исполнения и белее крупные производственные заказы на полуфабрикаты, предназначенные для изготовления продукции широкого спектра.

}А2 У АЗ

Готовая проОукция

"В А5 Ав ТХА7 ЪА»

* *

Этапы Оиффчренциации продукции

Рис. 4.2 Этапы дифференциации продукции

При выполнении программы необходимо было установить'

• чем заготовки изделий одного семейства отличаются друг от друга и что нужно сделать, чтобы вместо множества заготовок можно бьио использован одну;

• какие готовые изделия уже производятся из одних и тех же заготовок;

• чем изделия из одних и тех же заготовок отличаются друг от друга;

• ту операцию общего процесса обработки заготовок на как можно более позднем этапе производственного цикла, после которой должно начаться производство изделий различных вариантов;

• возможности объединения операций в одном производственном потоке для отдельных вариантов изделий, если допускаются их небольшие модификации;

• согласованные технологические маршруты аналогичной продукции по каждой группе изделий;

• группы полуфабрикатов изделий на некоторых промежуточных этапах в структуре производства, которые отвечают требованиям групп готовых изделий или полуфабрикатов на последующих этапах;

• возможность увеличения количества обрабатываемой продукции в рамках одного производственного заказа для рационализации каждой операции на отдельных технологических маршрутах.

Все поставленные задачи решаемы с использованием необходимых алгоритмов и правил при помощи предложенной нейросетевой экспертной системы.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ПО РАБОТЕ

1. На основе анализа современных систем обеспечения качества, методов решения проблем качества и инструментов качества в интегрированных машиностроительных производствах, установлена целесообразность использования экспертных систем и искусственных нейронных сетей в условиях подготовки управленческих решений.

2. Решена актуальная научная задача, имеющая существенное значение для машиностроительного производства и заключающаяся в повышении качества управленческих решений, путем применения современных методов экспертного анализа данных и использования нейросетевых технологий.

3. Определены требования к архитектуре экспертной системы и к применению нейросетевых технологий для решения задач обеспечения качества

4. Представлены типовые задачи технологической подготовки машиностроительного производства, которые могут быть решены с использованием нейросетевой экспертной системы:

- вместо производства готовой продукции со всеми операциями, выполняемыми в рамках одного производственного заказа, осуществлять дифференциацию изделий на как можно более поздней стадии;

- мобилизации всех существующих ресурсов для снижения издержек завоевания большего сектора рынка.

5. Разработана математическая модель нейросетевой экспертной системы основанная на современных методах интеллектуального анализа данных.

6 Разработана архитектура нейросетевой экспертной системы для оптимального принятия управленческих решений на этапах подготовки производства и производства жизненного цикла изделий.

Основные результаты диссертационной работы отражены в следующих публикациях-

1. Крюк М.А Нейросетевые экспертные системы. // Информационные технологии в технических и социально-экономических системах, Том I, Труды МГТУ «Станкин» Выпуск 2, под редакцией чл.-корр. РАН Ю.М. Соломенцева, М.: «Янус-К», 2003 г., с. 123130.

2. Крюк МА Возможность существования, безопасность и полезность систем искусственного интеллекта. // Информационные технологии в технических и социально-экономических системах, Том I, Труды МГТУ «Станкин» Выпуск 2, под редакцией чл.-корр. РАН Ю.М Соломенцева, М.: «Янус-К», 2003 г., с. 130-137.

3. Крюк МА. Математическое моделирование и имитационные модели // Информационные технологии в промышленности и экономике, Труды ИКТИ РАН, Выпуск 4, под редакцией чл.-корр. РАН Ю.М Соломенцева, М : «Янус-К», 2004 г., с. 16-20

4 Крюк МА Построение математической модели с использованием нейросетевых технологий. // Информационные технологии в промышленности и экономике, Труды ИКТИ РАН, Выпуск 4, под редакцией чл -корр. РАН Ю М. Соломенцева, М.: «Янус-К», 2004 г., с. 20-25.

Автореферат диссертации на соискание ученой степени кандидата технических наук

Крюк Михаил Александрович

СИСТЕМА ОБЕСПЕЧЕНИЯ КАЧЕСТВА НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В УСЛОВИЯХ ПОДГОТОВКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В ИНТЕГРИРОВАННЫХ МАШИНОСТРОИТЕЛЬНЫХ ПРОИЗВОДСТВАХ

4

Лицензия на издательскую деятельность ЛР №01741 от 11.05.2000 Подписано в печать 16.11.2005. Формат 60х90'/]й Уч.изд л. 1,25. Тираж 50 экз. Заказ № 209

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

i

V

i

I

í

I

t

I

I

»247 1 fi

РНБ Русский фонд

2006г4 26081

9

Введение.

1. Анализ современных инструментов и методик обеспечения качества. j 1.1. Понятие качества.

1.2. Эволюция качества.

1.3. Новые инструменты качества.

1.4. Выводы.

1.5. Цель и задачи исследования.

2. Нейросетевая экспертная система как инструмент решения неформализованных задач.

2.1. Назначение и особенности экспертных систем.

2.2. Структура и режимы экспертных систем.

2.3. Классификация экспертных систем.

2.4. Классификация инструментальных средств.

2.5. Классификация знаний экспертной системы и задач предметной области.

2.6. Модели представления знаний.

2.7.Проблемы, препятствующие распространению экспертных систем.

2.8.Вывод ы.

3. Выбор архитектуры нейронной сети.

3.1. Соображения надежности.

3.2. Искусственный нейрон.

3.3. Активационные функции.

3.4. Однослойные искусственные нейронные сети.

3.5. Многослойные нейронные сети.

3.6. Нелинейная активационная функция.

3.7. Сети с обратными связями.

3.8. Графическое представление.

3.9. Обучение искусственных нейронных сетей.

3.10. Свойства искусственных нейронных сетей.

3.10.1. Свойство обобщения.

3.10.2. Свойство универсальной аппроксимации.

3.11. Классификация нейронных сетей.

3.12. Нейропарадигмы.

3.14. Выводы. Искусственные нейронные сети и экспертные системы.

4. Методика интеграции нейросетевой экспертной системы в корпоративную информационную систему обеспечения качества.

4.1. Структура нейросетевой экспертной системы.

4.2. Режимы функционирования.

4.3. Примеры использования нейросетевой экспертной системы для принятия верных управленческих решений.

4.4. Выводы.

Современная конкурентоспособность любого предприятия, независимо от его мощности и размеров, напрямую зависит от качества выпускаемой продукции и соотношения ее цены с предлагаемым качеством, т.е. от степени удовлетворения запросов потребителя продукцией предприятия. Международный опыт показывает, что от 20 до 90 % всех проектов улучшения продукции терпят провал только по причине ошибочного мнения о состоянии рынка, на базе которого принимается решение о стратегии бизнеса компании. Опыт многих высокоразвитых стран показывает, что важнейшим организационным механизмом в процессе обеспечения требуемого уровня качества, является системность, что нашло отражение во многих нормативах и международных стандартах (например, блок стандартов ISO 9000). Поэтому речь должна идти не просто об обеспечении качества, а о системном подходе к решению этой проблемы, охватывающей все этапы жизненного цикла. Таким образом, основной причиной неудач является недостаточность знаний при принятии решений. Всеобщая в настоящее время автоматизация производств и создание производственных баз данных позволяет получать необходимую информацию на всех этапах жизненного цикла изделия.

Многие отечественные ученые Соломенцев Ю.М., Митрофанов В.Г., Косов М.Г., Султан-Заде Н.М. и др., посвятили свои труды вопросам автоматизации и управлению производственными процессами и выбору оптимальных управленческих решений. Червяков JI.M., Кутин А.А., Схиртладзе А.Г., Карлова Т.В. [16-19] в своих трудах по обеспечению качества на производствах уделили особое внимание системам качества, основанных на искусственном интеллекте. Тем не менее, вопрос подготовки требуемого управленческого решения с использованием систем искусственного интеллекта для обеспечения качества в интегрированных машиностроительных производствах в настоящий момент исследован недостаточно.

Глава 1. Анализ современных инструментов и методик обеспечения качества

1.1. Понятие качества

На протяжении многих лет понятие "качество" связывали в основном с продукцией, рассматривая его как различия в количественных характеристиках некоторых свойств продукта. В соответствии с этой точкой зрения продукт обладает более высоким качеством, если в нем больше желаемых свойств. Например, компания, которая рекламирует, что она производит "лучший в мире автомобиль", обосновывает это тем, что в ее автомобиле больше систем безопасности, чем в любом другом. Или иной пример. Инструмент, сделанный из высококачественной стали с ювелирной точностью не только более долговечен и эффективен в работе, но и удобен в эксплуатации. И наоборот, с указанной точки зрения продукт более высокого качества имеет меньше нежелательных свойств. Хорошим примером тому служит вода: чем меньше в ней вредных примесей, тем она лучше.

Такой взгляд на качество господствовал долгое время. В соответствии с ним считалось, что достижение более высокого уровня качества стоит дороже. Например, нужно больше сложных систем безопасности для автомобиля, требуется более тщательная обработка, чтобы удалить вредные примеси из воды, и т. д. Более того, хотя данный взгляд на качество влияет на маркетинг и сбыт продукции, прямой связи с эффективностью работы предприятия как таковой нет.

В настоящее время основой того, что называется комплексным управлением качеством (Total Quality Management, TQM), является другой взгляд на качество. В соответствии с этим взглядом понятие "качество" основано на представлении о нем пользователя или потребителя. Упор делается на требования людей, которые пользуются продуктом или услугой, т. е. являются их потребителями. Нужно выяснить, чего они хотят или что им нравится.

Существует множество вариантов перевода термина "Total Quality Management" — всеобщее (общее, тотальное, сквозное, абсолютное, полное и т. д.) управление качеством, тотальный менеджмент качества, всеобщее управление на основе качества и т. д. Каждый из них можно встретить в переводной литературе. Вариант "комплексное управление качеством", который представляет собой редукцию более широкого варианта: щ комплексное управление процессом формирования качества". Объектом управления является процесс формирования качества результата какой бы то ни было деятельности. Управление носит комплексный, всеобъемлющий характер, поскольку на вышеназванный процесс оказывает влияние огромное число факторов [55].

Отсюда следуют важные выводы. Первый из них связан с самим словом "потребитель". Оно латинского происхождения, и в основе его лежит выражение "быть привычным к чему-то". Потребитель строит долгосрочные отношения с поставщиком, а потому привык иметь дело с определенной Ф компанией и получать именно данный продукт или услугу.

Что может понравиться потребителям? Это не просто удовлетворение их запросов, а нечто большее. Концепция комплексного управления качеством нацелена на то, чтобы достигать лучшего благодаря постоянному совершенствованию.

Но истинная радикальность взгляда на качество, в основе которого лежит представление о том, что нужно потребителю, становится ясной тогда, когда мы применяем термин "потребитель" по отношению не только к внешним ^ потребителям продукции и услуг организации, но и к внутренним. Это предполагает взгляд на все происходящее в организации как на серию процессов от внутреннего поставщика к внутреннему потребителю, как это показано на рис. 1.1.

Вход

Процесс А

Процесс Б

Процесс В

Выход

Ввод информации -1

Подача материалов

Информация —1—

Исследование рынка

Проектирование

Персоиал ^

Исследования и разработки t

Составление графика производства I

Снабжение Сбыт

Распределение

Материалы

Выпуск товаров

Рис. 1.1. Внутренние потребители В порядке возрастающей сложности данный рисунок демонстрирует, каким образом все виды деятельности в организации можно рассматривать как совокупность процессов от получения информации на входе (от поставщика), обработки полученного результата от предыдущего процесса — последующему. Процесс, у которого нет потребителя, бесполезен и не имеет ценности.

Реально в любом предприятии за качество отвечало ОТК - отдел технического контроля, т.е. контроль на выходе, что приводило к большим экономическим затратам. После предложенного метода по учитыванию издержек на этапах производственного процесса (метод Тагути) экономические затраты сократились, но длительность процесса оставалась значительной. Основное различие между контролем и обеспечением качества представлено в таблице 1.1.:

Таблица 1.1.

Контроль качества Обеспечение качеством

1. Контролируется качество продукции 2. Проводятся инспекторские проверки 3. Качество- фактор себестоимости 1. Контролируется технологический процесс 2. Проводится самоконтроль после тщательного обучения 3. Качество- источник долгосрочной прибыли

1.2. Эволюция качества

Развитие теории управления качеством связано с именами специалистов, которых считают учителями в этой области. У каждого из них есть полезные идеи. Наиболее известными специалистами в управлении качеством являются Деминг, Джуран, Кросби, Тагути и Исикава.

Деминг настаивал на том, что за внесение изменений в системы и процессы несет ответственность руководство, которое должно понимать и с помощью контрольных карт регулировать вариации в системах и процессах.

Все системы, по его мнению, в той или иной степени подвержены вариациям (изменчивости), т.е. результат их функционирования варьирует вблизи среднего значения: иногда повышается, а иногда понижается по сравнению с ним.

Деминг широко известен своими теоретическими положениями и в особенности благодаря трем из них: «цикл Деминга», «смертельные болезни» и «план, основанный на 14 принципах», которые представляют собой суть его философии управления.

В книге «Out of the crisis» [72] доктор Деминг перечисляет семь «смертельных болезней», но применительно не к качеству, а к западному стилю управления, в частности стилю управления в США, существовавшему в конце 70-х гг. По мнению Э. Деминга, без излечения этих «болезней» нельзя было трансформировать стиль управления в экономике США.

Итальянский экономист В. Парето, занимаясь исследованием благосостояния людей, применил теорию логарифмов и обнаружил закономерность в неравномерности его распределения. Американский специалист М.О. Лоренц в 1904 — 1905 гг. впервые отобразил эту закономерность графически в виде кумулятивной кривой. Дж. Джуран обратил внимание на то, что принцип «несколько существенно (жизненно) важных причин и множество несущественных (тривиальных) — vital few and trivial many» является универсальным и применим к распределениям во многих ситуациях. В дальнейшем он использовал его для выявления закономерностей распределения причин возникновения дефектов (факторов, оказывающих воздействие) при решении многих задач, связанных с качеством.

Главный вклад Кросби в философию качества — «четыре постулата» и комплексный план действий по качеству.

Четыре постулата Кросби:

1. Качество определяется как соответствие требованиям. Отсюда ясно, что руководители должны устанавливать требования к качеству и критерии их выполнения, иначе исполнителям придется решать, что нужно делать.

2. Система достижения качества — предупреждение. Появление проблем надо предупреждать благодаря пониманию процессов и их усовершенствованию до того, как продукция или услуги дойдут до потребителя.

3. Норма выполнения работы — ноль дефектов. Это означает, что бездефектная работа — цель. Данный постулат подкрепляет идею выполнения требований правильно с первого раза. Затраты на превентивные мероприятия по достижению цели — ноль дефектов, похоже, окупаются за счет снижения потерь от брака.

4. Критерий изменения качества — цена несоответствия установленным требованиям. Стоимость затрат на изменение качества становится главным мотиватором для управляющих. Повышение эффективности, снижение объема переделок и положительная оценка потребителей с лихвой окупают усилия по улучшению качества.

Процесс разработки продукта по Тагути состоит из трех этапов:

1. Разработка системы — требует инженерных знаний и включает применение различных новшеств.

2. Отработка параметров — основной этап, на котором устанавливаются значения показателей изделия и такие уровни воздействующих на процесс факторов, которые в наименьшей степени подвержены влиянию факторов шума.

3. Установление допусков — на этом этапе затрачивают больше средств на приобретение высокосортных материалов и компонентов или на применение высокоточного оборудования, но только в том случае, если снижение уровня разброса показателей, достигнутое на этапе отработки параметров, оказывается недостаточным.

Исикава [12] пропагандировал следующие «семь методов контроля качества»:

• диаграммы Парето — выделение приоритетов действий;

• диаграмма причин и результатов ( диаграмма Исикавы) — выявление причин возникновения проблем;

• стратификация — разделение причин по группам;

• контрольные листки — сбор данных;

• гистограммы — представление вариаций;

• диаграммы разброса — исследование взаимосвязи двух факторов;

• контрольные карты — регулирование вариаций процесса.

Исикава считал, что всеобщее качество означает участие каждого работника компании как члена команды в работе по повышению качества, и подчеркивал важность человеческого фактора в деле повышения качества, поскольку верил, что основа достижения высокого качества — уважение к человеку.

Использование автоматизированных систем обработки информации на основе новейших информационных технологий, позволяет сегодня выйти на уровень корпоративной культуры обеспечения качества. эволюция

КОРПОРАТИВНАЯ КУЛЬТУРА ОБЕСПЕЧЕНИЯ КАЧЕСТВА

СКВОЗНОЕ УПРАВЛЕНИЕ КАЧЕСТВОМ НА ОСНОВЕ ИНТЕГРИРУЮЩИХ ПРОЦЕССОВ

АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ

КОМПЛЕКСНОЕ УПРАВЛЕНИЕ

СТАТИСТИЧЕСКИЙ КОНТРОЛЬ

ВЫХОДНОЙ КОНТРОЛЬ КАЧЕСТВА И КОНТРОЛЬ ПРИ ПРИЕМКЕ ПРОДУКЦИИ

ЦЕХОВОЙ КОНТРОЛЬ КАЧЕСТВА

ОТК

1900 1920 1930 1960 1990 2000 2010

Рис. 1.2. Эволюция качества

-► годы

Семь основных инструментов качества

Таблица

Диаграмма Парето

Позволяет сконцентрировать внимание на немногочисленных, но жизненно важных факторах

Причинно - следственная диаграмма

У\ ,1

ПРОБЛЕМА

Позволяет показать взаимосвязи между потенциальными причинами и возникающими проблемами (следствиями)

Графики

Позволяют визуально представить полученное количество данных, и упрощает их анализ

Контрольные листы

12 3 4 5 6 7

А В С. Г) F. F

Позволяют легко регистрировать данные и выявлять несоответствия

Гистограммы

S"

Позволяет графически представить изменчивость имеющихся данных

Диаграммы рассевания

Позволяют графически представить взаимосвязь (корреляция) полученных данных

Продолжение таблицы 1.2.

Контрольные карты

Позволяют оценить вариации процессов и проверить и проверить находиться ли процесс под контролем или нет

Все семь инструментов являются инструментами познания, назначение которых - контроль протекающего процесса и предоставление фактов для корректировки и улучшения процесса [47].

Основные результаты работы:

1. На основе анализа современных систем обеспечения качества, методов решения проблем качества и инструментов качества в интегрированных машиностроительных производствах, установлена целесообразность использования экспертных систем и искусственных нейронных сетей в условиях подготовки управленческих решений.

2. Решена актуальная научная задача, имеющая существенное значение для машиностроительного производства и заключающаяся в повышении качества управленческих решений, путем применения современных методов экспертного анализа данных и использования нейросетевых технологий.

3. Определены требования к архитектуре экспертной системы и к применению нейросетевых технологий для решения задач обеспечения качества.

4. Представлены типовые задачи технологической подготовки машиностроительного производства, которые могут быть решены с использованием нейросетевой экспертной системы:

- вместо производства готовой продукции со всеми операциями, выполняемыми в рамках одного производственного заказа, осуществлять дифференциацию изделий на как можно более поздней стадии;

- мобилизации всех существующих ресурсов для снижения издержек завоевания большего сектора рынка.

5. Разработана математическая модель нейросетевой экспертной системы основанная на современных методах интеллектуального анализа данных.

6. Разработана архитектура нейросетевой экспертной системы для оптимального принятия управленческих решений на этапах подготовки производства и производства жизненного цикла изделий.

1. А. А. Ерофеев, А.О. Поляков. Интеллектуальные системы управления. СПб:Издательство СПбГТУ, 1999.

2. В.В. Круглов, В.В. Борисов. Искусственные нейронные сети. Теория и практика. М.'Горячая линия-Телеком, 2001.

3. Всеобщее управление качеством. Total quality management (TQM). / О.П. Глудкин, Н.М. Горбунов, А.И. Гуров, Ю.В. Зорин; Под ред. О.П. Глудкина. -М.:»Радио и связь», 1999 г. — 600 с.

4. Генетические алгоритмы, искусственные нейронные сети и про блемы виртуальной реальности / Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. —X.: Основа, 1997. — 112 с.

5. А.Н. Горбань. Обучение нейронных сетей. М.: СП Параграф, 1990.

6. Дж. Элти, М. Кумбс. Экспертные системы. Концепции и примеры. М.: Финансы и статистика, 1987.

7. Ж.-Л. Лорьер. Системы искусственного интеллекта. М: Мир, 1991.

8. Иванов Л.Н. Экспертно-диалоговая система оценки качествапродукции // Стандарты и качество 1994. - № 1.

9. Ивахненко А. Г. Принятие решений на основе самоорганизации. — М.: Сов. радио, 1976. — 363 с.

10. Информационные технологии в промышленности и экономике, Труды ИКТИ РАН, Выпуск 4, под редакцией чл.-корр. РАН Ю.М. Соломенцева, М.: «Янус-К», 2004 г

11. Искусственный интеллект. Применение в интегрированных производственных системах. Под ред. Э.Кьюсиака. — М.: Машиностроение, 1991.

12. К Исикава. Японские методы управления качеством. М.: Мир, 1988.- 196 с.

13. К. Хоггер. Введение в логическое программирование. М.: Мир, 1988.

14. Карлова Т.В. Повышение эффективности автоматизированных станочных систем механообработки на основе разработки системы обеспечения качества продукции: Автореф. дис. . канд. техн. наук. — М.: Мосстанкин, 1993.

15. Клепиков В. Б., Сергеев С. А., Махотило К. В., Вороновский Искусственные нейронные сети: новая парадигма в управлении // Труды конференции с международным участием«Проблемы автоматизированного электропривода». — Харьков: Основа. — 1995. — С. 111— 115.

16. Коновал Д.Г., Карлова Т.В. Исследование структуры и особенностей единой системы обеспечения качества продукции в ГПС. / Семинар «вопросы обеспечения точности машиностроительных производств». Пенза, 1992. - с. 24 - 25.

17. Коновал Д.Г., Карлова Т.В., Схиртладзе А.Г. Метод обеспечения качества продукции машиностроения. М.: МГЦНТИ № 375, 1992. - 5 с.

18. Коновал Д.Г., Карлова Т.В., Схиртладзе А.Г. Реализация и контроль техпроцессов механообработки с помощью экспертной системы обеспечения качества продукции. М.: МГЦНТИ № 379, 1992. - 5 с.

19. Коновал Д.Г., Карлова Т.В., Схиртладзе А.Г. Экспертная система обеспечения качества продукции машиностроения. М.: МГЦНТИ № 346, 1992.-5 с.

20. Косов М.Г. и др. Моделирование точности при проектировании технологических машин. Учебное пособие для ВУЗов. — М.:, 1998.

21. Косов М.Г. Сычева Н.А. Структурная модель механизма образования погрешностей технологического процесса механической обработки деталей. // Вестник машиностроения— 1991. — №4.

22. Круглов М.И. и др. Менеджмент систем качества. М.: изд-во стандартов, 1997.

23. Крюк М.А. Математическое моделирование и имитационные модели. // Информационные технологии в промышленности и экономике, Труды ИКТИ РАН, Выпуск 4, под редакцией чл.-корр. РАН Ю.М. Соломенцева, М.: «Янус-К», 2004 г., с. 16-20.

24. Крюк М.А. Нейросетевые экспертные системы. // Информационные технологии в технических и социально-экономических системах, Том I, Труды МГТУ «Станкин» Выпуск 2, под редакцией чл.-корр. РАН Ю.М. Соломенцева, М.: «Янус-К», 2003 г., с. 123-130.

25. Крюк М.А. Построение математической модели с использованием нейросетевых технологий. // Информационные технологии в промышленности и экономике, Труды ИКТИ РАН, Выпуск 4, под редакцией чл.-корр. РАН Ю.М. Соломенцева, М.: «Янус-К», 2004 г., с. 20-25.

26. Кудряшова Э.Е. Новые информационные технологии в автоматизированных системах обработки информации и управления: Учеб. Пособие / ВолгГТУ. — Волгоград, 2000. — 88 с.

27. Кузнецов М.М. и др. Автоматизация производственных процессов / под ред. Г.А. Шаумяна. М.: Высшая школа, 1978. - 431 с.

28. JI.C. Берштейн Нечеткие модели для экспертных систем в САПР. М.:Энергоатомиздат, 1991.-136 с.

29. Литвиненко А.П. Вопросы изучения экономических аспектов конкурентоспособности товара (на примере машинотехнической продукции) // БИКИ, приложение. 1984. - № 12.

30. М. Арбиб. Метафорический мозг. М.: Мир, 1976.

31. М. Минский. Фреймы для представления знаний. М.: Энергия, 1979.-М.: Наука, 1968. —400 с.

32. Махотило К. В., Сергеев С. А., Сушков А. В. Дискретная нейросетевая система управления нелинейным динамическим объектом //

33. Вестник Харьковского государственного политехнического университе та. — 1998. —Выпуск 10. —С. 13—18.

34. Минский М., Пейперт С. Персептроны. — М.: Мир, 1971.—261 с.

35. Митрофанов В.Г. A Problem of Development of Computer-Based Integrated Manufacturing Systems. // Тезисы DAAAM симпозиума «Intelligent Manufacturing and Automation: Past Present - Future» Vienna University of Technology», Vienna, Austria, 1999.

36. Митрофанов В.Г. A Problem of Development of Computer-Based Integrated Manufacturing Systems. // Тезисы DAAAM симпозиума «Intelligent Manufacturing and Automation: Past Present - Future» Vienna University of Technology», Vienna, Austria, 2000.

37. Неймарк Ю. И., Коган Н. Я., Савельев В. П. Динамические моде ли теории управления. — М.: Наука, Главная редакция физико-математической литературы, 1985. —400 с.

38. Нейроинформатика. / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.

39. Нейронные сети. STATISTICA Neural Networks. М.: Горячая линия — Телеком, 2000.

40. Нечеткие множества в моделях управления и искусственного интеллекта/А.Н.Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов. Под ред. Д.А.Поспелова.- М.:Наука. Гл. ред. физ.-мат. лит., 1986.312 с.

41. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. Главная редакция физико-математической литературы, 1987. - 288 с.

42. Построение экспертных систем. Под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената. — М.: Мир, 1987.

43. Проблемы CALS-технологий. Сборник научных трудов./Под редакцией В.Г. Митрофанова. — М.: , 1998. — 88 с.

44. Р.А. Алиев, Н.М. Абдикеев, М.М. Шахназаров. Производственные системы сискусственным интеллектом. М.: Радио и связь, 1990.

45. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга).//М.: "Мир", 1965.—480с.

46. Семь инструментов качества в японской экономике. М.: Экономика, 1990. - 88 с.

47. Соломенцев Ю.М. и др. Адаптивное управление технологическими процессами. — М.: Машиностроение, 1980.

48. Соломенцев Ю.М. Проблема создания компьютеризированных интегрированных производств // Автоматизация проектирования.— 1997. — №1.

49. Статические и динамические экспертные системы. Э,В, Попов, И.Б. Фоминых, Е.Б.

50. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996.

51. Т. Кохонен. Ассоциативная память. М.: Мир, 1980.

52. Уоссермен Ф. Нейрокомпьютерная техника : Теория и практика.М.: Мир. 1992.

53. Управление качеством продукции: Справочник / Под ред. В.В. Бойцова, А.В. Гличева. М.: Изд-во стандартов, 1985. - 464 с.

54. Управление эффективностью и качеством: Модульная программа: Часть I. Повышение эффективности и качества: концепции, процессы и методы. Пер. с англ. / Под ред. И. Прокопенко, К. Норта. — М.: Издательство «Дело». 2001 г. —800 с.

55. Хакимов Э.М. Моделирование иерархических систем. Казань: КГУ, 1986. - 160 с.

56. Харрингтон Д. Управление качеством в американских корпорациях: Пер. с англ. М.: Экономика, 1990. - 272 .

57. Химмельблау Д. Прикладное нелинейное программирование. — М.:Мир, 1975.—534 с.

58. Цыпкин Я. 3. Адаптация и обучение в автоматических системах.

59. Шульце К.-П., Реберг К.-Ю. Инженерный анализ адаптивных систем: Пер. с нем. — М.: Мир, 1992. — 280 с.

60. Экспертные системы. Принципы работы и примеры. Под ред. Р. Форсайта.- М.: Радиои связь, 1987.

61. Aleksander I., Morton Н. An Introduction to Neural Computing. — London: Chapman & Hall, 1990. — 218 p.

62. Ashby W.R. Design for a Brain.—New York: Wiley, 1952.—306 P.

63. Baily M.N., Gordon R.J. The productivity slow down, measurement issues, and the explosion of computer power, Brookings Papers on Economic Activity No.2 (Washington, DC. Brookings Institution), 1988.

64. Barron A. R. Neural net approximation // Proc. of the Seventh Yale Workshop on Adaptive and Learning Systems. —New Haven, CT: Yale University. — 1991. — P. 69—72.

65. Bertrand D. I, Collins D. J. Neural Network Controllers for the X29 Aircraft // Proc. Of Int. Joint Conf. on Neural Network. — Vol. I. — Balti-mor, Maryland. — 1992. — P. 321—326.

66. Bolt G. R. Fault Tolerance in Artificial Neural Networks: D. Phil. Thesis. —York University, Ontario, 1992. —215 p.

67. Boskin M.J., Lau L.J. Capital and productivity: A new view, paper prepared for the Industrial Research Institute (IUI) Seminar on Capital: Its value, its rate of return and its productivity, Stockholm-Saltsjobaden, 5-6 March 1991.

68. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. — 1988. —N2. — P. 321—355.

69. Churchland P. S. Neurophilosophy: Toward a Unified Science of the Mind/Brain. — Cambridge, MA: MIT Press, 1986. —127 p.

70. Cowan J. D. A Mathematical Theory of Central Nervous Activity: Ph. D. Thesis. — University of London, UK, 1967. —178 p.

71. Cybenko G. Approximation by Superpositions of Sigmoidal Func tion. — Urbana: University of Illinois, 1988. — 280 p.

72. Deming W.E. Out of the Crisis. Cambridge: Cambridge University Press, 1986.

73. Deming W.E. The New Economics for Industry, Government and Education. Massachusetts: MJT Center for Advanced Engineering Study, 1993.

74. Eliasson G., Braunerhielm P. The nature and value of capital, paper prepared for the Industrial Research Institute (IUI) Seminar on Capital: Its value, its rate of return and its productivity, Stockholm-Saltsjobaden, 5-6 March 1991.

75. Feigenbaum A.V. Total Quality Control. New York: McGraw-Hill, 1983.

76. Funahashi K. On the approximate realization of continuous map pings by neural networks. // Neural Networks. — 1989.— N 2. — P. 183— 192.

77. Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. — Addison-Wesly, 1989. — 412 p.

78. Goldberg D. E., Smith R. E. Nonstationary function optimization us ing genetic algorithms with dominance and diploidy // Proc. of Second Int. Conf. on Genetic Algorithms and Their Applications. — Cambridge, MA: Lawrence Erlbaum.— 1987. — P. 59—68.

79. Haykin S. Neural Networks. A comprehensive foundation. — New York, NY: Macmillan, 1994. —696 p.

80. Hebb D. O. The Organization of Behavior: A Neuropsychological Theory. —New York: Wiley, 1949. —358 p.

81. Holland J. H. Adaptation in natural and artificial systems. An intro ductory analysis with application to biology, control, and artificial intelli gence. — London: Bradford book edition, 1994 — 211 p.

82. Hornik K., Stinchcombe M., White H. Multilayer Feedforward Net works are Universal Approximators // Neural Networks. — 1989. — Vol. 2.—P. 359—366.

83. Int. Workshop on Combinations of Genetic Algorithms and Neural Networks (Eds. L. D. Whitley, J. D. Schaffer).— Baltimore, Maryland. — 1992.— P. 1—3.

84. Japan Management Association: Just-in-time at Toyota (Cambridge, Massachusetts, Productivity Press, 1989).

85. Klepikov V. В., Sergeev S. A., Mahotilo К. V., Voronovsky G. K. ANN+GA-based Intelligent Control System // Proc. of The 4th International Workshop on Optimimization and Inverse Problems in Electromagnetism. — Brno (Czech Republic). — 1996. — P. 51.

86. Klepikov V. В., Sergeev S. A., Mahotilo К. V., Amplitude-Frequency Characteristic of a Neural Control Based DC Drive // Tagungsband «Leis-tungselektronische Aktoren und intelligente Bewegungssteuerangen». — Magdeburg (Deutschland). — 1996. — P. 47—53.

87. Kohonen T. Self-organized formation of topologically correct feature maps. // Biological Cybernetics. — 1982.—N 43. — P. 59—69.

88. Kuan A., Bavarian B. Compensation of Unmodeled Friction in Manipulators using Neural Networks // Proc. Of Int. Joint Conf. on Neural Net work. — Vol. II. — Baltimore, Maryland. — 1992. — P. 817—822.

89. Kuntanapreeda S., Gundersen R. W., Fullmer R. R. Neural Network Model Reference Control of Nonlinear Systems // Proc. Of Int. Joint Conf. on Neural Networks. — Vol. II. — Baltimore, Maryland. — 1992. — P. 94— 99.

90. Lansberry J. E., Wozniak L., Goldberg D. E. Optimal Hydrogenerator Governor Tuning with Genetic Algorithm // Transaction on Energy Conver sion. —1992. — V9. — N4. — P. 48—57.

91. Learning-logic: Casting the cortex of the human brain in silicon, Parker D. В.: Technical Report / Center for Computational Research in Economics and Management Science. — TR-47. — Cambridge, MA: MIT, 1985. —73 p.

92. LeCun, Y. Une procedure d'apprentissage pour reseau a seuil as-symetrique // Cognitiva 85. — 1985. — P. 599—604.

93. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. — N 5. — P. 115—133.

94. Minsky M. L. Steps toward artificial intelligence // Proceedings of the Institute of Radio Engineers. — 1961. — N 49. — P. 8—30.

95. Minsky M. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph.D. Thesis. — Princeton Univer sity, Princeton, NJ., 1954. —143 p.

96. Narendra K. S., Annaswamy A. M. Stable Adaptive Systems. — Englewood Cliffs, NJ: Prentice-Hall, 1989. —236 p.

97. Narendra K.S., Parthasarathy K. Identification and Control of Dy namical Systems Using Neural Networks // IEEE Transactions on Neural Networks. — 1990. —Vol. 1. —No. 1. —P. 4—27.

98. Nguyen D. H., Widrow B. Neural networks for self-learning control systems // IEEE Control Systems Magazine. — 1990. — Vol. 10. — No. 3. — P. 334—341.

99. Palis F., Schmied Th., Skljarenko E. A. Fuzzy and Neurocontrol of Drive Systems with changing Parameters and Load // Труды конференции с международным участием «Проблемы автоматизированного электропривода». — Харьков: Основа. — 1995, С. 116—119.

100. Park J, Sandberg I. W. Universal approximation using radial-basis-function networks //Neural Computations. — 1991. —N 3. — P. 246—257.

101. Poggio Т., Girosi Networks for approximation and learning // Pro ceedings of the IEEE. — 1990. —N 78. — P. 1481—1497.

102. Ramon у Cajal S. Histologie du systeme nerveux de l'homme et des vertebres. — Paris: Maloine, 1911. — 714 p.

103. Rochester N., Holland J. H., Haibt L. H., Duda W. L. Tests on a cell assembly theory of the action of the brain, using a large digital computer. // IRE Transactions on Information Theory. — 1956. — NIT-2. — P. 80-93.

104. Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review.— 1958. — N 65.—P. 386—408.

105. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representa tions by back-propagating errors // Nature (London). — 1986. — N 323. — P. 533—536.

106. Schaffer J. D., Whitley D., Eshelman L. J. Combination of Genetic Algorithms and Neural Networks: A Survey of the State of the Art // Proc. Washington, DC. — 1989. — P. 209—216.

107. Shepherd G. M., Koch C. Introduction to synaptic circuits // The Synaptic Organization of the Brain (G. M. Shepherd, ed.). —New York: Oxford University Press, 1990. —P. 3—31.

108. Troudet Т., Garg S., Merrill W. Design and Evaluation of a Robust Dynamic Neurocontroller for a Multivariable Aircraft Control Problem// Proc. Of Int. Joint Conf. on Neural Network. — Vol. I. — Baltimore, Mary land. — 1992. —P. 308—314.

109. Uttley A. M. A theory of the mechanism of learning based on condi tional probabilities // Proc. of the 1st International Conference on Cybernet ics. — Namur, Gauthier-Villars, Paris (France). — 1956. — P. 83—92.

110. Uttley A. M. Information Transmission in the Nervous System.— London: Academic Press, 1979. —215 p.

111. Werbos P. J. Backpropagation and neurocontrol: A review and pro spectus // Proc. of International Joint Conf. On Neural Networks. — Vol. 1.

112. Werbos P. J. Beyond regression: New tools for prediction and analy sis in the behavioral science: Ph.D. Thesis. — Harvard University, Cambridge, MA, 1974.—120 p.

113. Widrow В., Hoff M.E., Jr. Adaptive switching circuits // IRE WES

114. CON Convention Record. — 1960. — P. 96—104. Widrow B. Generalisation and information storage in networks of adaline «neurons» // Self-Organizing Systems (M.C. Yovitz, G.T. Jacobi, and G.D. Goldstein, eds.). — Washington, D.C.: Sparta, 1962.—P. 435—461.

115. Willshaw D. J., von der Malsburg C. How patterned neural connec tions can be set up by self-organization // Proceedings of the Royal Society of London. — 1976. —Series В. —N 194.—P. 431—445.

116. Winograd S., Cowan J. D. Reliable Computation in the Presence of Noise. — Cambridge, MA: MIT Press, 1963. —247 p.

117. Zhang B.-T., Muhlenbein H. Evolving optimal neural networks using genetic algorithms with Occam's rasor // Complex systems. — 1993. — N 7(3).—P. 199—220.