Применение нейронных сетей при многофакторном анализе специальных технологических процессов на ОАО ЧАЗ

Содержание

Слайд 2

Определение основных (ключевых) факторов, влияющих на технологический процесс с помощью статистических методов

Определение основных (ключевых) факторов, влияющих на технологический процесс с помощью статистических методов
(регрессионного анализа, нейронных сетей и т.д.)
Результативное внедрение статистических методов для принятия управленческих решений как постоянного процесса

Создание системы многофакторного анализа при прогно-зировании рынка продаж и цен на закупаемые материалы, планировании производства, прогнозировании качествен-ных показателей и влияющих на них факторов в метал-лургическом производстве и т.д.

Задачи:

Слайд 3

Смысл нейронных сетей заключается в математическом описании взаимодействия входных и выходных данных

Смысл нейронных сетей заключается в математическом описании взаимодействия входных и выходных данных
и определении их прогнозных значений

Слайд 4

Архитектура нейронной сети

Архитектура нейронной сети

Слайд 5

Этапы построения математической модели
хода ТП

Сбор информации в ходе ТП за определенный

Этапы построения математической модели хода ТП Сбор информации в ходе ТП за
период

Построение модели хода ТП (обучение нейронных сетей)

Выбор наилучшей модели (сети) хода ТП

Выполнение предсказания с помощью обученной нейронной сети

Слайд 6

Задание
При производстве на автолинии (АФЛ) и конвейере (К)
отливки «Секция

Задание При производстве на автолинии (АФЛ) и конвейере (К) отливки «Секция радиатора
радиатора ЧМ2-100-500» выявляются
несоответствия: «газовые раковины» и «течь».
Требуется определить прогнозное значение качествен-
ных показателей (% НП «газовых раковин» и «течи») на
основе новых наблюдений влияющих факторов

Пример построения модели хода ТП
и определение прогнозного значения
качественного показателя

Слайд 7

Иллюстрация выбранной нейронной сети

Иллюстрация выбранной нейронной сети

Слайд 8

Сохраняем полученную модель для предсказания качественных показателей (газ. раковин, течи) на основе

Сохраняем полученную модель для предсказания качественных показателей (газ. раковин, течи) на основе
новых наблюдений

Запускаем полученную ранее модель для выполнения предсказаний на основе новых данных

Вводим новые пользовательские значения факторов (влажность, прочность и т.д.), влияющих на качественные показатели
(газ. раковин, течи)

Слайд 10

Подставляя текущие значение в полученную ранее
математическую модель можно сделать вывод:

Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:

Слайд 11

Иллюстрация выбранной нейронной сети

Иллюстрация выбранной нейронной сети

Слайд 12

Подставляя текущие значение в полученную ранее математическую модель :

Подставляя текущие значение в полученную ранее математическую модель :

Слайд 13

Подставляя текущие значение в полученную ранее
математическую модель можно сделать вывод:

Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:

Слайд 14

Задание
Имеются данные за определенный период по среднесписочной численности и болезням

Задание Имеются данные за определенный период по среднесписочной численности и болезням персонала.
персонала.
Требуется определить прогнозное значение
уровня заболеваний персонала за последующий период.

Пример построения модели для
определения прогнозного значения
уровня заболеваний персонала

Слайд 15

Иллюстрация выбранной нейронной сети

Иллюстрация выбранной нейронной сети

Слайд 16

Прогноз на следующий месяц

Прогноз на следующий месяц

Слайд 17

Прогноз на следующий месяц

Прогнозное значение уровня заболеваемости составил 1,32
фактически – 1,33.

Прогноз на следующий месяц Прогнозное значение уровня заболеваемости составил 1,32 фактически –
Следовательно, данная методика позволяет
прогнозировать с достаточной точностью.

Слайд 18

Предлагаемый механизм внедрения SPC-методов с применением многофакторного анализа «Нейронные сети» позволяет решать

Предлагаемый механизм внедрения SPC-методов с применением многофакторного анализа «Нейронные сети» позволяет решать
задачи прогнозирования, классификации и управления:
В короткие сроки позволяет решать как прямые (прогнози-ровать уровень дефектности при наличии исходных данных), так и обратные (определить требования ТП в зависимости от желаемого уровня дефектности) задачи в литейном, кузнеч-ном и термическом производствах для оперативного приня-тия решений;
Результативно применять в различных областях деятельности ОАО «ЧАЗ»:
- при прогнозировании рынка продаж;
- при прогнозировании цен на закупаемые материалы;
- при планировании производства;
и т.д.
Осуществлять анализ по персонифицированным данным (кадры, нарушения трудового режима, больничные листы с классификацией по полу, возрасту, должностям и т.д.)

Слайд 19

  Применение статистических методов
при оценке результативности
процессов СМК

Применение статистических методов при оценке результативности процессов СМК

Слайд 20

ВНИМАНИЕ! Приведенные данные являются информационными, а не фактическими

ВНИМАНИЕ! Приведенные данные являются информационными, а не фактическими

Слайд 21

Измерение процессов СМК в соответствии с
фактическими выходными данными при реализации процессов

Измерение процессов СМК в соответствии с фактическими выходными данными при реализации процессов
жизненного цикла с применением статистического анализа

Слайд 24

прогнозное
значение
результативности

Хср

Хср

100%

100%

неиспользованный
резерв





прогнозное значение результативности Хср Хср 100% 100% неиспользованный резерв -σ +σ -σ +σ

Слайд 25

Результативность процессов жизненного цикла СМК составила 84,46%.
При существующем состоянии СМК возможная

Результативность процессов жизненного цикла СМК составила 84,46%. При существующем состоянии СМК возможная
результативность СМК может снизиться до 65,25%.
Имя файла: Применение-нейронных-сетей-при-многофакторном-анализе-специальных-технологических-процессов-на-ОАО-ЧАЗ.pptx
Количество просмотров: 28
Количество скачиваний: 0