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

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:

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

Архитектура нейронной сети

Этапы построения математической модели
хода ТП
Сбор информации в ходе ТП за определенный период
Построение модели хода ТП (обучение нейронных сетей)
Выбор наилучшей модели (сети) хода ТП
Выполнение предсказания с помощью обученной нейронной сети

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

Иллюстрация выбранной нейронной сети

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)

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

Иллюстрация выбранной нейронной сети

Подставляя текущие значение в полученную ранее математическую модель :

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

Задание
Имеются данные за определенный период по среднесписочной численности и болезням персонала.
Требуется определить прогнозное значение
уровня заболеваний персонала за последующий период.
Пример построения модели для
определения прогнозного значения
уровня заболеваний персонала

Иллюстрация выбранной нейронной сети

Прогноз на следующий месяц

Прогноз на следующий месяц
Прогнозное значение уровня заболеваемости составил 1,32
фактически – 1,33. Следовательно, данная методика позволяет
прогнозировать с достаточной точностью.

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.)

Применение статистических методов
при оценке результативности
процессов СМК

ВНИМАНИЕ!
Приведенные данные являются информационными, а не фактическими

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

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

Результативность процессов жизненного цикла СМК составила 84,46%.
При существующем состоянии СМК возможная результативность СМК может снизиться до 65,25%.