Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции

• Автор: Ешин, Семен Васильевич
• Шифр специальности: 05.02.23
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Брянск
• Количество страниц: 241 с. : ил.

СОДЕРЖАНИЕ
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
1.9. 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
2.6. 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

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
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

только тогда, когда Z блокирует (d-разделяет) каждый путь из вершин множества X в вершины множества Y, и обозначают такое свойство в виде (XJIY | Z)G.
Связь между свойствами d-разделенности и условной независимости задается следующими теоремами.
Теорема 2.3. Вероятностное следствие d-разделения [114, с.18]. Если (X1LY | Z)G, то справедливо X1Y | Z для любого распределения, Марковски совместимого с G. Также если (X4Y | Z)G, то справедливо XJiY | Z, хотя бы для одного распределения, Марковски совместимого с G.
Теорема 2.4 [114, с. 18]. Для любых трех непересекающихся подмножеств вершин X, Y, Z в ориентированном ациклическом графе G и для всех вероятностных распределений Р справедливо:
1) если (X1LY | Z)G, то XJIY | Z, при условии, что G и Р Марковски совместимы, и
2) если отношение условной независимости X1Y | Z выполняется для всех вероятностных распределений, Марковски совместимых с G, то из этого следует d-разделенность (X1LY | Z)G.
Другими словами, если вершины d-разделены, то они условно независимы; и если вершины условно независимы во всех вероятностных распределениях, Марковски совместимых с графом G, то они d-разделены. Таким образом, теоремы 2.3 и
2.4 устанавливают связь между графом БС и распределением P(v), а отношения условной независимости можно идентифицировать как на основе P(v), так и на основе графа БС.
2.2.2. Основные задачи, решаемые с помощью Байесовых сетей
Изначально Байесовы сети были разработаны для решения задач диагностики и прогнозирования в системах искусственного интеллекта [111]. В подобных задачах требовалось найти логически верное объяснение поступающих наблюдений, которое было бы согласовано как с наблюдениями, так и с имеющейся априорной информацией. Математически данная задача сводится к вычислению вероятности Р(у | х), где X - множество переменных-наблюдений, Y - множество переменных, вероятностные распределения которых считаются важными при прогнозировании или диагностике, х (свидетельство) и у (гипотеза) - интересующие исследователя