Разработка методики обеспечения качества швейных изделий на стадии их изготовления с использованием аппарата нейронных сетей

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Государственное образовательное учреждение высшего профессионального образования

Московский государственный университет дизайна и технологии

Новосибирский технологический институт

Московского государственного университета дизайна и технологии

Факультет: технологический

Кафедра: Технология и дизайн швейных изделий

Специальность: 260901.65 "Технология швейных изделий"

Выпускная квалификационная работа

Разработка методики обеспечения качества швейных изделий на стадии их изготовления с использованием аппарата нейронных сетей

Исполнитель:

ст. гр.Ш - 31 А.А. Гилёва

Новосибирск - 2009

Реферат

Дипломная работа изложена на 119 страницах, содержит 12 таблиц, 47 рисунков и имеет ссылки на 61 источник.

Ключевые слова: КАЧЕСТВО, КОМПЛЕКСНЫЙ ПОКАЗАТЕЛЬ КАЧЕСТВА, ЭВОЛЮЦИОННЫЕ МЕТОДЫ, НЕЙРОННЫЕ СЕТИ.

Объектами исследования являются швейное изделие, теория нейронных сетей.

Методами исследования являются: расчет (нахождение комплексного показателя качества), сравнение (полученные значения показателей качества), анализ (работа аналитической платформы Deductor), моделирование (определение параметров структуры нейронной сети, построение функциональной модели), эволюционированние (нахождение решения с использованием механизмов биологической эволюции).

Целью работы является исследование возможности применения нейронных сетей для реализации методики обеспечения качества швейных изделий на стадии их изготовления.

В результате анализа различных математических методов применяющихся для прогнозирования выбрано эволюционное моделирование, в частности, теория нейронных сетей, так как она позволяет осуществлять планирование на основе большого количества данных, подвергающихся большому количеству случайных факторов. К такой задаче относится прогнозирование показателя качества, который позволяет прогнозировать качество выпускаемой продукции. Расчет прогнозного значения показателя качества выполняется при помощи программного продукта Deductor, разработанного российской компанией BаseGroup Labs, основанного на применении теории нейронных сетей. При внедрении данной методики возможно ликвидировать экономические потери, связанные с несортной продукцией.

Содержание

Введение

. Состояние вопроса и постановка задач исследования

.1 Понятие качества продукции. Анализ нормативной базы обеспечения качества продукции

.2 Понятие прогнозирования. Анализ научных разработок в области прогнозирования качества продукции

.3 Анализ математических методов решения статистических задач

.4 Постановка задач исследования

. Характеристика объекта исследования

.1 Функциональная модель процесса изготовления швейного изделия для оценки его качества

.2 Выбор и характеристика способов контроля качества (сбора данных о качестве) швейных изделий на стадии изготовления

.3 Анализ факторов, влияющих на качество швейных изделий на стадии их изготовления

2.4    Характеристика комплексного (интегрального) показателя качества швейного изделия

2.5 Выводы

. Разработка методики анализа и прогнозирования качества швейных изделий с использованием аппарата нейронных сетей

.1 Постановка задачи прогнозирования качества швейных изделий с использованием аппарата нейронных сетей

.2 Разработка структуры нейронной сети

.3 Разработка математической модели задачи

3.4 Подготовка исходных данных для анализа и прогнозирования качества швейных изделий

3.5 Разработка алгоритма решения задачи анализа и прогнозирования качества швейных изделий

.6 Выводы

. Реализация методики анализа и прогнозирования качества швейных изделий с использованием аппарата нейронных

Сетей

.1 Выбор нейросетевого пакета для реализации задачи анализа и прогнозирования качества швейных изделий

.2 Формализация исходных данных для реализации задачи анализа и прогнозирования качества швейных изделий

.3 Обучение нейронной сети и анализ полученных результатов

.4 Прогнозирование качества швейных изделий с использованием нейронной сети и анализ полученных результатов

.5 Выводы

. Расчет экономической эффективности от внедрения методики анализа и прогнозирования качества швейных изделий с использованием аппарата нейронных сетей

. Безопасность жизнедеятельности

Выводы

Список использованных источников

Annotation

Введение

Современная рыночная экономика предъявляет принципиально иные требования к качеству выпускаемой продукции. Качество продукции относится к числу важнейших показателей деятельности предприятия. Повышение качества продукции в значительной степени определяет выживаемость и успех предприятия в условиях рынка, темпы технического прогресса, внедрения инноваций, рост эффективности производства, экономию всех видов ресурсов, используемых на предприятии.

Качество - это совокупность свойств продукции, обусловливающих ее пригодность удовлетворять определенные потребности в соответствии с ее назначением.

Качество может быть только относительным, оно фиксируется на конкретный период времени и изменяется при появлении более прогрессивной технологии. Если необходимо дать оценку качества продукции, то необходимо сравнить совокупность ее свойств с эталоном.

Для обеспечения производства конкурентоспособной продукции, изготовители должны в настоящее время уделять внимание как борьбе с возникающими дефектами, снижению издержек производства, так и качеству продукции. Ранее используемые методы сводились к выявлению и анализу брака и переделок путем сплошной проверки изделий на стадии приемочного контроля. Сплошной контроль должен был, с одной стороны, обеспечить выпуск только бездефектных изделий, а с другой - установить причины, которые привели к появлению брака. Понятно, что подобный контроль качества, в особенности при серийном производстве, значительно увеличивает издержки производства. Самый большой недостаток такого подхода заключается в том, что он позволяет обнаружить брак лишь тогда, когда уже произведены затраты средств на выпуск изделия. При этом часто материальные убытки являются больше предполагаемых. Поэтому имеет смысл подумать о том, с помощью каких предупредительных мер можно избежать этих потерь.[1]

Для решения таких задач, связанных с обеспечением качества продукции предлагается использовать методы, способные обрабатывать большое количество данных, находить взаимосвязи различных элементов, моделировать сложные нелинейные функции.

В последние десятилетия бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС), актуальность которой подтверждается массой различных применений. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения [2].

На сегодняшний день данное направление является актуальным, так как позволяет осуществлять прогнозирование в условиях неопределенностей, а также влияния большого количества факторов, как системных, так и случайных. В особенности прогнозирование качества швейных изделий, является важным элементом деятельности предприятия, при этом наименее управляемым из-за большого количества неопределенностей и влияния случайных факторов.

Целью данной работы является изучение возможностей нейросетевого программирования, разработка методики обеспечения качества швейных изделий с помощью аппарата нейронной сети и возможность использования данных результатов для прогнозирования качества на швейном предприятии.

1. Состояние вопроса и постановка задач исследования

.1 Понятие качества продукции. Анализ нормативной базы обеспечения качества продукции.

За последнее десятилетие понятие "качества продукции" получило широкое распространение, а уровень качества продукции становится основным фактором экономического развития и технического прогресса во многих странах мира.

Качество - совокупность характеристик объекта, относящихся к его способности удовлетворять установленные или предполагаемые потребности.

Качество продукции - совокупность свойств продукции, обусловливающих ее пригодность удовлетворять определенные потребности в соответствии с ее назначением.

Понятие "качественная продукция", "высококачественная продукция" следует понимать как наиболее полно удовлетворяющее требованиям потребителя.

Не всегда любой материал, обладающий определенными значениями всех его свойств, должен получать только одну качественную оценку. К одним и тем же материалам могут предъявляться различные требования в отношении уровня их отдельных свойств. Так, некоторые материалы, непригодные при одних условиях использования, могут быть пригодными при других.

Обеспечение качества - совокупность планируемых мероприятий, необходимых для того, чтобы создаваемая продукция удовлетворяла определенным требованиям к качеству.

Параметр продукции - признак продукции, количественно характеризующий любые ее свойства или состояния.

Показатель качества продукции - количественная характеристика особенностей продукции, составляющих ее качество, рассматриваемая применительно к определенным условиям создания, эксплуатации или потребления продукции.

Продукция - результат деятельности, представленный в материально-вещественной форме и предназначенный, для дальнейшего использования в хозяйственных и иных целях.[3]

Предметом науки о качестве продукции являются свойства продукта или предмета труда и их соответствие потребностям, а также экономические и научно-технические факторы организации производства, определяющие качество продукции. [4]

Опыт предприятий - лидеров в создании конкурентоспособной продукции показал, что основными факторами обеспечения качества продукции на уровне предприятия являются:

материальная база, включающая в себя необходимые материальные ресурсы, инфраструктуру и оборудование, обеспечивающее применение передовых технологий для организации современного производства;

квалифицированный персонал, заинтересованный в хорошей работе;

эффективное управление предприятием в целом и качеством в частности, направленное на создание продукции требуемого уровня качества.

Каждый из перечисленных факторов необходим, но только в совокупности они могут быть достаточными для обеспечения качества продукции. При этом первостепенное значение имеет заинтересованность персонала в хорошее работе, без чего не поможет ни хорошая материальная база, ни передовая технология, ни современная организация работ по управлению качеством. В этом и заключается принцип обеспечения качества продукции на уровне предприятия, данный принцип представлен в виде причинно-следственной диаграммы (рисунок 1.1).

Управление качеством представляет собой процесс воздействия на производство со стороны высшего руководства предприятия, выполняющего функции общего руководства качеством, и руководителей среднего и низового звеньев, выполняющих функции оперативно-технического управления с целью обеспечения требуемого качества.

Рисунок 1.1 - Схема принципа обеспечения качества продукции

Такая база создает возможность улучшения качества продукции. Ее положительное влияние на качество изображено на модели в виде вектора качества, направленного вверх. Для реализации возможностей, создаваемых базой качества, необходимо четко организовать управление качеством, в том числе на оперативно-тактическом уровне

Влияние на качество продукции внешних факторов, к которым принято относить потребителей, поставщиков, конкурентов, научно-технический прогресс, общество и др., учитывается при выполнении функции взаимодействие с внешней средой. Эта функция является прерогативой высших руководителей предприятия и влияет на влияние стратегических решений и формирование политики качества, направленной а удовлетворение потребителей.[5]

Нормотворческая деятельность проявляется, прежде всего, в разработке и применении стандартов.

Стандарт - нормативно-технический документ, содержащий комплекс норм, правил, требований к объекту стандартизации и утвержденный признанным органом (или предприятием). Стандарт может быть разработан на материальные предметы (продукцию, образцы веществ, эталоны), на нормы, правила и требования различного характера. В стандартах регламентируются методы измерения, контроля и испытания продукции. Именно в стандартах устанавливаются требования к выпускаемой продукции, соблюдение которых позволяет считать эту продукцию качественной.

Национальная система стандартизации в условиях глобализации экономических отношений призвана обеспечивать баланс интересов государства, хозяйствующих субъектов, организации и потребителей, повысить конкурентоспособность российской экономики, создать условия для развития предпринимательства на основе повышения качества товаров, работ и услуг.

Ускорение научно-технического прогресса во многом определяется соотношением используемых при создании новой техники изобретении и других научно-технических изобретений (оригинальных элементов) и унифицированных (стандартизированных) элементов.

Поэтому наряду с "внутренними" стандартами предприятий необходимо применять и международные стандарты.[6]

Мировой опыт управления качеством был сконцентрирован в пакете международных стандартов ИСО 9000, принятых Международной организацией по стандартизации (ИСО) в марте 1987 года.

К сегодняшнему дню объекты стандартизации этой серии международных стандартов значительно расширились и охватывают не только элементы систем качества, критерии их выбора и модели систем обеспечения качества, но и способы проверок действующих систем качества, критерии квалифицированных характеристик экспертов-аудиторов. Приняты международные стандарты по управлению качеством услуг, перерабатываемых материалов, программного обеспечения. В этой связи международные стандарты по обеспечению качества теперь называют "семейством" стандартов ИСО серии 9000 (рисунок 1.2).

Международный стандарт ИСО 9000 реализован в трех источниках: ИСО 9000-1 - руководящие указания по выбору и применению конкретных стандартов; ИСО 9000-2 - общие руководящие указания по применению стандартов ИСО 9001, ИСО 9002 и ИСО 9003; ИСО 9000-3 - руководящие указания по применению стандарта ИСО 9001 для программного обеспечения при его разработке, постановке и обслуживании.

Рисунок 1.2 - Семейство стандартов ИСО 9000 (по данным ВНИИС)

Стандарт ИСО 9000-4 представляет собой руководство по управлению программой надежности.

Методический стандарт ИСО 9004 также дифференцирован: ИСО 9004-1 - это описание элементов системы обеспечения качества, ИСО 9004-2 - руководящие указания по системам качества услуг, ИСО 9004-3 - включает руководящие указания по системам качества приобретаемых материалов, ИСО 9004-4 - руководящие указания по улучшению качества.

Таким образом, усилена методическая часть "семейства" стандартов ИСО серии 9000.

К этому добавились методические стандарты с шифром 10000 (рисунок 1.4), некоторые из них пока еще в проекте.

Нормативные стандарты ИСО 9001, ИСО 9002 и ИСО 9003 остаются основными моделями систем обеспечении качества на различных стадиях производственного процесса.

Международные стандарты ИСО 9000 устанавливают степень ответственности руководства за качество. Руководство фирмы отвечает за разработку политики в области качества, за создание, внедрение и функционирование системы управления качеством, что должно четко определяться и формироваться документально. К обязанностям руководства относится подбор специалистов и выделение необходимых ресурсов для производственного, контрольно-измерительного и испытательного оборудования, программного обеспечения. Руководство должно устанавливать требуемый уровень компетенции, следить за современностью повышения квалификации персонала. На руководителей фирмы возлагается обязанность выявлять те показатели качества товара, которые влияют на его рыночную устойчивость. Руководство отвечает за определение целей, которые обуславливают решение о производстве новых товаров или предоставлении новых услуг в пользу потребителей. Выпуск новых товаров и предоставление дополнительных услуг связаны с подготовкой новых программ качества, за что также ответственно руководство фирмы.[7]

Таким образом, в мировой практике вызвано стремление разработки единого подхода к понятию "качественная продукция". Решение проблемы качества продукции во многом зависит от систем стандартов качества. В связи с этим, мировой опыт управления качеством был сконцентрирован на пакете международных стандартов по обеспечению качества ("семейство" стандартов ИСО серии 9000). Наряду с системами стандартов качества, обеспечение высоких показателей в большинстве случаев получают при использовании методов прогнозирования качества продукции, экономико-статистических методов анализа и регулирования технологических процессов, оценки контроля и качества продукции, поэтому, можно сказать, что разработки в данной области являются актуальными на сегодняшний день.

.2 Понятие прогнозирования. Анализ научных разработок в области прогнозирования качества продукции

Прогнозирование представляет собой научно обоснованное, вероятностное по своему характеру предвидение тенденций и факторов будущего развития процессов с целью представления необходимой информации плановым, хозяйственным и административным органам.

Прогнозы раскрывают тенденции изменения процессов, выявляют его закономерности и сроки действия последних, отражают связи прошлого и настоящего с будущим, определяют альтернативы развития в перспективе. При этом прогнозирование выступает как одно из важнейших условий планомерного формирования процесса постоянного совершенствования качества продукции. Оно предполагает изучение и предсказание общего направления изменения темпов роста качества и влияющих на него факторов в будущем. Это дает возможность получать и использовать информацию о предстоящем изменении степени влияния отдельных факторов на повышение качества, что создает предпосылки для выработки обоснованных плановых решений. На базе прогнозов разрабатывается концепция экономической политики в области повышения качественного уровня изделий, которая затем находит свое отражение в перспективе развития страны. На рисунке 1.3 представлены главные функции прогнозирования.

Рисунок 1.3 - Главные функции прогнозирования как важнейшей стадии работы по обоснованию перспективных планов

Прогноз определяет области и возможности, в рамках которых могут быть построены реалистичные задачи и цели, выявляет направления, главнейшие проблемы, которые должны стать объектом разработки и принятия управленческих решений.

Научно-технический прогресс все сильнее оказывает влияние на развитие экономики, создавая качественно новые условия для более полного использования закона экономии времени, ускорения темпов роста производительности труда и повышения качества продукции. Особенность его состоит в том, что взаимосвязи всех общественных явлений становятся чрезвычайно сложными и подвергаются все более частым изменениям. Научное предвидение последних, все в большей мере становится исходным пунктом планирования, и, прежде всего, перспективного плана как важнейшего инструмента управления процессом производства.

Решение проблемы прогнозирования хода и результатов развития возможно только с помощью научного анализа и обобщения предыдущего опыта. Являясь продолжением этих этапов, прогноз в свою очередь служит базисом для выработки плановых решений. Научно обоснованное планирование должно опираться па объективную оценку ресурсов и потребностей, выявление резервов, анализ сложившихся тенденций и закономерностей, правильный выбор экономической стратегии на длительную перспективу.

При прогнозировании необходимо исходить из объективных экономических законов, познанных в результате проведения анализа экономического развития. Прогноз позволяет изучать альтернативные направления, проводить вариантные расчеты, определять вероятность свершения определенных событий. Но при этом он ни в коей мере не должен рассматриваться как директива. Его разрабатывают и принимают лишь как гипотезу вероятного развития в будущем. Без прогноза невозможно эффективное перспективное планирование, так как последнее должно осуществляться исходя из темпов и пропорций экономического развития, определенных на далекую перспективу. В противном случае оно приведет к хозяйственным диспропорциям со всеми вытекающими отсюда неблагоприятными последствиями. На рисунке 1.4 представлены основные этапы разработки прогноза.

Рисунок 1.4 - Основные этапы разработки прогноза

Методы прогнозирования отличаются лишь гипотезами о конкретных видах связей, соотношений и закономерностей, существующих в базовом периоде и распространяемых на перспективу. В одних случаях они остаются неизменными во времени, в других могут изменяться.

Методы прогнозирования делятся на три основные группы:

а) методы экспертных оценок;

б) моделирование;

в) нормативный метод. Под первыми обычно понимают комплекс логических и математико-статистических процедур, направленных на получение от специалистов информации, ее анализ и обобщение с целью подготовки и принятия рациональных решений. Экспертные методы применяются тогда, когда выбор, обоснование и оценка последствий их применения не могут быть выполнены на основе точных расчетов. Такие ситуации часто возникают при разработке современных проблем управления общественным производством и особенно при прогнозировании и долгосрочном планировании науки и техники.

Эффективным средством изучения сложных систем, к которым относятся технические и технико-экономические процессы, является метод моделирования. Он позволяет при соответствующих предпосылках свести изучение реального процесса к рассмотрению его модели с последующим переносом информации о ней на моделируемый объект.

Среди существующих приемов моделирования (физическое, аналоговое и т.д.) наиболее совершенным и эффективным является построение математических моделей (однофакторное и многофакторное). Объясняется это наличием развитого математического аппарата, который позволяет решать очень сложные задачи, что часто не под силу методам, не использующим его.

При построении математической модели имеется определенная свобода в выборе показателей. Таким образом, любому процессу может соответствовать несколько моделей, которые будут отличаться друг от друга тактическим набором параметров. Поэтому при конструировании конкретного их варианта стремятся к отбору минимального количества показателей, которые позволяют получить наибольшую полезную информацию.

Для получения надежных результатов метод математического моделирования, как и всякий другой прием количественного анализа, требует соответствия между своими исходными предпосылками и спецификой изучаемых явлений.

Важное значение имеют предъявляемые к модели условия - удовлетворять определенным математическим требованиям (полнота, совместимость, разрешимость и т.п.). Следовательно, математическую модель можно определить как теоретически обоснованное гоморфное отображение реального процесса, пригодное для абстрактного исследования.

При изучении явлений и процессов математическими методами возможны два направления в конструировании математических моделей. Первое охватывает множество задач, в которых основное внимание уделено поиску оптимальных характеристик рассматриваемых процессов. Здесь часто используется модель линейного программирования, исследующая в своей абстрактной формулировке определенный класс математических задач на максимум и минимум. Ее важность вытекает из того, что многие реальные ситуации при некоторых допущениях приводят именно к таким задачам.

Второе направление известно под названием статистического моделирования, которое включает в себя регрессионно-корреляционный анализ, изучение законов распределения, метод статистических испытаний (метод Монте-Карло) и другие. Сущность его состоит в построении для исследуемого явления математической модели, на основании которой изучается поведение элементов системы и взаимодействия между ними с учетом многих, подчас случайных, факторов. Воздействие последних приводит к тому, что количественные показатели осуществления данного процесса после единичного опыта определяются неоднозначно. При повторных реализациях результат операции будет устойчиво распределяться вокруг среднего уровня, который может быть определен лишь по значительному количеству наблюдений.

Для построений данного вида характерно то, что они позволяют выразить количественно закономерность, которая проявляется в массе событий, и определить наиболее вероятные значения величин изучаемого процесса.

В отличие от математических моделей, параметры которых выражены обычно в виде системы чисел, статистическая модель включает в себя показатели, сгруппированные тем или иным способом. Кроме того, отношения между рассматриваемыми величинами представлены здесь в виде корреляционных зависимостей, которые проявляются в том, что среднее значение одного из параметров меняется в зависимости от другого.

Основное назначение всякой модели заключается в извлечении дополнительной информации относительно изучаемой системы, ее свойств и количественных характеристик. При этом она дает возможность постановки с некоторым приближением эксперимента, проверки отдельных гипотез путем сравнения ее данных с фактической действительностью.

Общеметодологическим принципом статистического моделирования служит положение диалектического материализма о том, что все явления должны рассматриваться в их взаимосвязи и взаимообусловленности. Указанная идея на современном этапе совершенствования управления производственными процессами реализуется путем все более полного и последовательного применения комплексного подхода к решению подобного рода задач.

Этот способ хорош тем, что при нем учитывается максимально возможное количество внутренних и внешних связей и принимаются во внимание долговременные последствия выбранных направлений.

Нормативный метод заключается в том, что параметры прогнозируемого процесса задаются с учетом каких-либо логических заключений. При его применении исходят из определенного результата, который должен быть достигнут в будущем. При этом связь и последовательность событий рассматриваются в направлении от будущего к настоящему. Это прогноз с заранее известным значением целевой многопараметрической функции. Процесс прогнозирования в данном случае представляет собой построение конкурирующих стратегий развития явления с последующей оценкой целевой функции по минимуму некоторого критерия, характеризующего каждую из стратегий, и выполнение ограничений на параметры целевой функции.

Важной задачей при проведении нормативного прогнозирования является определение пороговых величин, т.е. выявление существенных изменений в рамках определенного качества. Как правило, процесс развития распадается на ряд частных, последовательно и параллельно протекающих его составляющих.

Разработка прогноза показателей качества продукции требует выполнения ряда методологических принципов. Необходимо соблюдать, например, такой из них, как комплексность. В этом случае объект прогноза рассматривается, с одной стороны, как целостная замкнутая система, развивающаяся по своим закономерностям и включающая в себя характерные для нее составляющие, а с другой - как часть организации более высокого порядка (рисунок 1.5).

Выполнение указанных положений при прогнозировании показателей качества продукции способствует получению достоверных, научно обоснованных оценок направленности развития различных изучаемых явлений. При этом естественным становится преобладание здесь статистических методов. Достоинство их заключается в том, что они позволяют полнее и строже представить структуру исследуемой системы, дают более широкие возможности разработки оптимального варианта, позволяют рассмотреть большее количество направлений, учитывающих изменения отдельных факторов, легче поддаются проверке.[8]

Одной из задач, решаемых при построении прогноза, является анализ научных разработок в данной области. Это дает возможность своевременно выявить наиболее перспективные из всех возможных путей, что во многом определяет эффективность долгосрочного планирования.

В последнее время для решения подобного рода задач используют анализ потоков различных видов информации: статей, патентов, стандартов, рефератов, фирменных материалов, различного типа справочных данных. Возможность прогнозирования на их основе заключена в формальных и содержательных признаках, заключенных в информации, в потенциальной ее ценности для будущих

Рисунок 1.5 - Основные принципы развития прогноза

преобразований науки, техники, производства и отражательной способности по отношению к динамике развития объекта. Одним из показателей оценки интенсивности развития различных направлений научных исследований является количество публикаций в периодической печати по данному вопросу. Поэтому методология проведения подобного рода исследований основывается на сборе статистической информации об их числе за определенный предшествующий период времени по интересующей проблеме.

Кумулятивные ряды динамики появления публикаций как сумма единиц информации за все предшествующие годы исследуемого интервала позволяют определить общую многолетнюю тенденцию изменений потоков данных и, соответственно, развитие объекта. Интенсивный рост числа сообщений в печати свидетельствует о прогрессивности данного направления, спад их появления - наоборот. Все это может быть оценено количественными критериями с использованием математических методов. Изучение динамики появления публикаций позволяет более обоснованно судить о степени новизны выбранного направления развития научных исследований. [9]

Развитие прогностики как науки в последние десятилетия привело к созданию множества методов, процедур, приемов прогнозирования, неравноценных по своему значению. По оценкам зарубежных и отечественных систематиков прогностики уже насчитывается свыше ста методов прогнозирования, в связи с чем, перед специалистами возникает задача выбора методов, которые давали бы адекватные прогнозы для изучаемых процессов или систем

.3 Анализ математических методов решения статистических задач

Применение математических методов для решения статистических задач позволяет существенно улучшить управление качеством и получить хороший экономический эффект без привлечения дополнительных ресурсов.[12] Математические методы могут использоваться для решения конкретных задач различной степени сложности на любом этапе процесса производства.

Все множество статистических задач может быть разбито на два больших класса: детерминированные хорошо формализуемые задачи и недетерминированные плохо формализуемые. В задачах первого класса имеется полная информация обо всех составляющих, прослеживается цепь причин и следствий; такие задачи просто перевести на язык алгоритмов, для их решения существует множество достаточно легко реализуемых "формальных" методов [13, 14, 15]. Классификация формальных методов решения статических задач представлена ни рисунке 1.6.

Методы математической статистики используются для нахождения и раскрытия закономерностей, свойственных большим совокупностям однородных объектов.

Комбинаторный анализ - раздел математики, объектом исследования которого являются множества, состоящие из дискретных элементов. Методика комбинаторного анализа состоит в реализации двух видов операций: отбор подмножеств (выборка), упорядочение подмножеств (комбинаторика). Такими методами решаются задачи трех типов: вопрос о числе возможных решений, о существовании решений и их возможности, о способах отыскания оптимальных решений.

Рисунок 1.6- Классификация "формальных методов" решения статистических задач

Методами теории расписаний решаются задачи календарного планирования производства, при решении которых кроме критерия качества расписания нужно выполнить требование соблюдения определенных технологических условий (например, закрепление деталей за оборудованием во времени).

Методы теории игр предполагают поиск оптимальных решений в условиях конфликта. Принятие решений осуществляется обычно в условиях неопределенности. Методы применяются для решения задач в условиях неопределенности, требующих наиболее эффективного результата или наименьших потерь.

Теория массового обслуживания или "теория очередей" изучает процессы, связанные с удовлетворением массового спроса на обслуживание какого-либо вида с учетом случайного характера спроса и обслуживания. Методы "теории очередей" используются для решения проблем оптимальной регламентации производства продукции различного вида, определения степеней готовности изделия на разных стадиях изготовления и других подобных задач [16].

Задачи второго класса характеризуются большой вероятностной компонентой, в них иногда сложно проследить взаимосвязь компонентов, в процессе решения таких задач требуется учитывать множество случайных воздействий, решение их с помощью ПК затруднено, т. к. их очень сложно запрограммировать для решения. Применение формальных методов для решения задач второго класса ограничено. Наиболее эффективен метод имитационного моделирования (ИМ), предполагающий интерактивное взаимодействие пользователя - лица, принимающего решения с программной имитационной моделью производственной системы, построенной предварительно. ИМ приносит хорошие результаты, однако разработка такой модели требует специалистов очень высокого уровня, т. к. "сымитирована" должна быть вся производственная система, и учтено все многообразие внутренних и внешних воздействий [13].

Большинство статистических задач принадлежат именно ко второму классу, но из-за сложности применения эвристических алгоритмов решаются приближенно формальными методами.

В результате распространения информационных технологий наметились три тенденции в планировании и прогнозировании.

1.      Во многих компаниях методы прогнозирования начинают включаться в автоматизированные технологические цепочки. Поэтому возрастают требования к точности прогнозирования.

2.      Стремительно возрастают объемы доступных данных. Накапливается огромное количество временных рядов, многие из которых взаимосвязаны. Все более актуальной становится задача выявления неочевидных скрытых взаимосвязей в данных.

.        Динамичность процессов в современной экономике приводит к существенной нестационарности временных рядов - их структурные свойства постоянно изменяются.

В этих условиях стандартные статистические методы планирования и прогнозирования начинают давать сбой. Лежащие в их основе предположения часто не выполняются на практике или не допускают надежной проверки. Для высокоточного прогнозирования большого количества информации необходимы новые методы и подходы.

Процедуры планирования и принятия решений, основанные на анализе окружающей среды, можно отнести к трудноформализуемым. Это объясняется тем, что как внешняя по отношению к организации среда, так и присущая организации внутренняя среда, характеризуются высокой степенью неопределенности, динамики и сложности.

Можно выделить некоторые причины, которые вызывают рост интереса у специалистов к новым интеллектуальным технологиям, поддерживающим принятие решений: 1) Неопределенность в процессах принятия решений повышает роль прогнозных моделей, имитирующих различные функциональные компоненты бизнеса (маркетинг, управление финансами, производством, персоналом и др.). Моделирование бизнес-процессов открывает возможности анализа их последствий на стадии проектирования и предварительного выяснения (finding problem) и, тем самым, снижает риск необоснованных затрат. Кроме того, в некоторых ситуациях вообще невозможно обойтись без моделирования, поскольку эксперименты в экономике в познавательных целях недопустимы. 2) Обеспечение фирме преимуществ перед конкурентами напрямую связано с формированием у менеджеров представлений о новых (ранее неизвестных) потребностях людей, исходя из возможностей, предлагаемых современными революционными технологиями. В наше время успешный менеджмент невозможен без умения непрерывно "открывать" новые потребности, создавать под эти потребности новые товары и способы выполнения работ внутри организации и формировать под новые потребности новые рынки. Этот процесс самосовершенствования организации в конкурентной среде должен опираться на новые интеллектуальные технологии прогноза рынков. 3) Кумулятивный рост релевантной (относящейся к делу) информации делает необходимым применение новых технологий для поиска в "море" данных тенденций, потенциально угрожающих существованию организации либо открывающих перспективы для бизнеса [17].

Таким образом, интеллектуальные системы являются наиболее актуальными средствами для решения различных задач. Особенностью этих систем является способность решать слабо структурированные и плохо формализованные задачи. Эта способность основана на применении различных методов моделирования рассуждений для обработки символьной информации [14]. Различные интеллектуальные системы способны решать разнообразные задачи. Для решения различных задач прогнозирования, анализа и моделирования применяются НС. Генетические алгоритмы (ГА) обеспечивают прозрачность толкования и адаптируются к новым условиям [18]. Мультиагентные системы (МАС) представляют собой самоорганизующуюся систему коллектива интеллектуальных агентов, взаимодействующих между собой по единым правилам и преследующих каждая свою цель [19]. Нечеткие системы (НчС) помогают решать такие проблемы, где очень важна гибкость, а также необходимо применение нечетких знаний. Динамические системы (ДС) позволяют учитывать временной фактор в вычислительных экспериментах, возможность имитации важнейших функций менеджмента, [17].

Достигнутый в настоящее время уровень разработок в теории и практике искусственного интеллекта (ИИ) таков, что отдельные технологии способны моделировать составляющие человеческого мышления, которыми являются анализ (выделение в объекте элементов и связей между ними), синтез (объединение компонентов, составляющих объект), обобщение (объединение элементов в группы на основе общих признаков), сравнение (идентификация сходства и различия в объектах), категоризация (кластеризация - в терминологии, принятой в искусственном интеллекте). Представим пространство проблем предметной области бизнеса с помощью двух когнитивных измерений - понятий: "глубина" проникновения и "широта" охвата (рисунок 1.7).

Приведенная на рисунке 1.7 структурная и поведенческая интерпретация проблем бизнеса на основе когнитивного подхода позволяет позиционировать не только проблемы, но и области наиболее эффективного и рационального использования разных интеллектуальных систем для поддержки принятия решений. Каждая из интеллектуальных систем имеет свои "когнитивные" пределы по глубине и широте моделируемых проблем бизнеса.

Рисунок 1.7 - Когнитивные измерения "широта" - "глубина" для оценки проблем бизнеса и области, в которых наиболее эффективны различные интеллектуальные системы для поддержки принятия управленческих решений

Наиболее универсальными в этом смысле являются интегрированные информационные системы с элементами ИИ, а узко специализированными - статические экспертные системы. Промежуточное положение занимают системы динамического структурного моделирования, искусственные нейронные сети и генетические алгоритмы, которые способны, с одной стороны, стимулировать креативное мышление руководителей и ускорять их обучение на проблемах, а с другой стороны - принимать на себя выполнение некоторых свойственных человеку функций по распознаванию паттернов и их запоминанию и безинерционной (высокоскоростной) актуализации. [17]

.4 Постановка задач исследования

Обеспечение и прогнозирование качества швейных изделий осуществляется в условиях неопределенности, а также влияния большого количества факторов на деятельность предприятия, как системных, так и случайных. Поэтому для решения таких задач предлагается использовать новые методы анализа и моделирования, способных обрабатывать большое количество данных, нахождение взаимосвязи различных элементов, а также осуществление моделирования процессов сложных нелинейных функций, например можно использовать нейронные сети, которые обладают всеми необходимыми возможностями. В соответствии с этим в дипломной работе будет проведен анализ возможности применения нейронных систем для разработки методики обеспечения качества швейных изделий на стадии их изготовления. Для этого необходимо решить ряд задач:

-       провести анализ научных разработок в области прогнозирования качества продукции;

-       провести анализ эволюционных методов решения статистических задач;

-       выбрать и охарактеризовать способы контроля качества швейных изделий на стадии изготовления;

-       произвести постановку задач прогнозирования качества швейных изделий с использованием нейронных сетей и разработать математическую модель;

-       подготовить исходные данные для анализа и прогнозирования качества швейных изделий и разработать алгоритм решения задачи анализа и прогнозирования качества швейных изделий;

-       произвести выбор нейросетевого пакета для реализации задачи анализа и прогнозирования качества швейных изделий;

-       обучить нейронную сеть и проанализировать полученные результаты;

-       произвести прогнозирование качества швейных изделий с использованием нейронной сети и проанализировать полученные результаты;

-       выполнить расчет экономической эффективности от внедрения методики анализа и прогнозирования качества швейных изделий.

2. Характеристика объекта исследования

.1 Функциональная модель процесса изготовления швейного изделия

При анализе работы существующих и проектировании новых процессов сталкиваются с необходимостью описания функциональной структуры системы, внутри которой они протекают и динамики происходящих внутренних процессов. Методы функционального моделирования позволяют выполнить такое описание с помощью принятого графического языка описания систем. Совокупность элементов этого языка (операторов), изображающих функции системы или ее предметной области с выбранной точки зрения, образуют функциональные модели (диаграммы). Модели дают целостное представление о работе системы и позволяют понять взаимосвязи всех ее составляющих.

Методология функционального моделирования хорошо согласуется с такими принципами менеджмента качества, как процессный и системный подходы и, по сути, является их графической интерпретацией.

Возможности применения методов не ограничиваются никакими рамками предметной области, поэтому эти инструменты можно применять для описания любых систем и организаций, независимо от области деятельности и вида выпускаемой продукции.

Опорной базой для развития методологии функционального моделирования стала методика структурного анализа и проектирования SADT (Structured Analysis and Design Technique - структурный анализ и проектирование.), включающая методологии: IDEF0 (функциональная модель) (Integration Definition for Function Modeling - интегрированное определение для функционального моделирования.), DFD (диаграмма потоков данных) (Data Flow Diagram - диаграмма потоков данных.), IDEF3 (диаграмма потоков событий) (Integration Definition for Function Modeling - интегрированное определение для функционального моделирования).

Все перечисленные методики разработаны в США, которые, имея сильные позиции в сфере функционального моделирования, продвигают свои стандарты на роль международных.

При построении функциональных моделей с использованием методологии IDEF0 важно четко представлять, какая при этом преследуется цель, например:

а) анализ системы. В этом случае фактическая деятельность системы отражается в виде модели "AS-IS" (как есть), которая позволяет выявить несоответствия в работе системы и возможности для ее улучшения и оптимизации;

б) проектирование системы. Деятельность вновь создаваемой системы или результаты перепроектирования компонентов и связей существующей системы отражаются на модели "ТО-BE" (должно быть), которая является описанием идеального положения вещей.

В основе методологии графического представления функциональной модели IDEFO лежат четыре основных понятия.

Функциональный блок (ФБ). ФБ графически изображается в виде прямоугольника и олицетворяет собой некоторую конкретную функцию в рамках рассматриваемой системы. Каждая из четырех сторон ФБ имеет своё определенное значение (роль): левая сторона имеет значение "Вход"; правая сторона - "Выход"; верхняя сторона- "Управление"; нижняя сторона- "Механизм".

Интерфейсная дуга (поток, стрелка) отображает элемент системы, который обрабатывается ФБ или оказывает иное влияние на функцию, отображенную данным ФБ. Графическим отображением интерфейсной дуги является однонаправленная стрелка.

Декомпозиция. Принцип декомпозиции применяется при разбиении сложного процесса на составляющие его функции. При этом уровень детализации процесса определяется разработчиком модели. Декомпозиция позволяет постепенно и структурировано представлять модель системы в виде иерархической структуры отдельных диаграмм, что делает ее менее перегруженной и легко усваиваемой.

Рисунок 2.1 - Функциональный блок модели IDEF0

4 Глоссарий - описание сущности создания и поддержания набора соответствующих определений, ключевых слов, повествовательных изложений и т.д. для каждого из элементов IDEF0

Отличительной особенностью описанных методологий является наличие проработанного и зафиксированного в стандартах графического языка представления объектов, что делает возможным использование для проектирования сложных систем информационных технологий и программных средств поддержки системного проектирования - CASE-технологий и средств. В основе CASE-технологий лежат соответствующие методы и методики, описывающие различные свойства систем (методологии IDEF) и позволяющие количественно оценить параметры проектов. Для проектирования функциональных моделей с использованием методологии IDEF0 может использоваться программный продукт BPWin V4.0 или AIIFusion Process Modeler (BPwin 4.1) компании Computer Associates (США)[20].

Как правило, функциональное моделирование процессов выполняют с целью их анализа и совершенствования. В этом случае строится модель "КАК ЕСТЬ" (AS-IS), которая позволяет четко зафиксировать, какие процессы осуществляются на предприятии, какие информационные объекты используются при выполнении деловых процессов и отдельных операций. Функциональная модель "КАК ЕСТЬ" является отправной точкой для анализа потребностей предприятия, выявления проблем и "узких" мест и разработки проекта совершенствования процессов. После разработки мероприятий по совершенствованию моделируемого процесса строится функциональная модель "КАК ДОЛЖНО БЫТЬ" (ТО BE). Она позволяет уже на стадии проектирования будущей информационной системы определить изменения условий выполнения отдельных операций, структуры производственных процессов и предприятия в целом. Функциональные блоки в обеих этих моделях, как правило, имеют одинаковую нумерацию. Для отличия моделей друг от друга в условных обозначениях модели "КАК ЕСТЬ" используют префикс "А", а блоки модели "КАК ДОЛЖНО БЫТЬ" обозначают буквой "В". [21]

В данной работе, цель функционального моделирования - идентифицировать этапы изготовления швейного изделия и контроля качества на данных этапах, а также их распределение по цехам предприятия. Для того чтобы выявить взаимосвязь видов деятельности на предприятии и их влияние на качество швейного изделия необходимо обратиться к модели системы качества

В соответствии с ИСО 8402-86, качество продукции - это совокупность свойств и характеристик продукции, которые придают ей способность удовлетворять обусловленные или предполагаемые потребности. Как показывает международный опыт, наиболее эффективно выпуск высококачественной продукции осуществляется при существовании на предприятии системы качества - то есть совокупности организационной структуры, ответственности, процедур, процессов и ресурсов, обеспечивающей осуществление общего руководства качеством. Общее руководство качеством складывается из обеспечения качества, управления качеством, улучшения качества (рисунок 2.2). Система качества основывается на "петле качества", то есть действует на всех этапах жизненного цикла продукции.

Функционирование системы качества создает предпосылки сертификации продукции и производств; возможна также сертификация самой системы качества. Схема сертификации, предусматривающая, кроме проведения испытания образцов продукции, еще и оценку системы качества, является наиболее перспективной. Эта наиболее сложная и дорогостоящая схема получила широкое распространение в промышленно развитых странах и в международных системах сертификации, ввиду того, что наличие сертифицированной системы качества дает потребителю наибольшую гарантию стабильного выпуска производителем продукции требуемого уровня качества. [22]

Рисунок 2.2 - Система качества

Таким образом, с учетом данной схемы системы обеспечения качества, разрабатывается контекстная диаграмма процесса изготовления швейного изделия. На первом этапе необходимо определить входы и выходы. На выходе должно получиться швейное изделие. Для его изготовления на вход должны поступить материалы. Для определения механизма необходимо понять посредством чего материалы будут преобразованы в готовое изделие. Очевидно, что это персонал и оборудование. Под управляющим воздействием понимаются любые способы управления данным процессом. Это могут быть требования рынка, заказы потребителей и т.д. Таким образом, определены все основные элементы контекстной диаграммы (на примере ОАО "Синар"), которая оформляется в соответствии с требованиями методологии IDEF0 (рисунки 2.3 - 2.5). На следующем этапе диаграмма А0 (рисунок 2.4) декомпозируется на четыре процесса: "Провести маркетинговые исследования", "Осуществить подготовку производства в ЭЦ", "Осуществить раскрой материалов", "Осуществить пошив изделий". Эти процессы отражают основные этапы изготовления швейного изделия на предприятии. В соответствии с тем, что в данной работе цель функционального моделирования - построение модели процесса изготовления изделия для оценки его качества, поэтому необходимо на следующем этапе произвести декомпозицию диаграммы блока А4. На рисунке 2.5 представлена IDEF0-диаграмма четвертого уровня декомпозиции. Данная диаграмма декомпозируется на шесть процессов: "Запуск деталей кроя в поток", "Выполнить контроль качества деталей кроя", "Выполнить обработку основных узлов", "Выполнит межоперационный контроль обработанных узлов", "Выполнить обработку сборочных единиц", "Выполнить межоперационный контроль обработанных сборочных единиц", "Выполнить монтажные операции", "Выполнить контроль готового изделия". В результате данной диаграммы можно проследить осуществляемый контроль на каждой из стадии изготовления изделия в швейном цехе.

Рисунок 2.3 - Контекстная диаграмма функциональной модели (А-0) "Изготовить швейное изделие" (в условиях ОАО "Синар")

Рисунок 2.4 - Функциональная диаграмма (А0) основных этапов изготовления швейного изделия на предприятии (в условиях ОАО "Синар")

Рисунок 2.5 - Функциональная диаграмма (А4) основных этапов изготовления швейного изделия в швейном цехе (в условиях ОАО "Синар")

Таким образом, функциональное моделирование планирования технологического процесса на швейном предприятии позволяет перейти к электронному представлению данных, что в свою очередь позволяет проследить весь процесс планирования технологическим процессом, работой планово-производственного отдела. Методология IDEF0 позволила в данной работе осуществить комплексный анализ технологического планирования, так как данная методология основана на процессном подходе и позволяет поэтапно анализировать весь процесс подготовки производства.

2.2 Выбор и характеристика способов контроля качества (сбора данных о качестве) швейных изделий на стадии изготовления

Под контролем качества понимается проверка соответствия количественных или качественных характеристик продукции или процесса, от которого зависит качество продукции, установленным техническим требованиям.

Контроль качества продукции является составной частью производственного процесса и направлен на проверку надежности в процессе ее изготовления, потребления или эксплуатации.

Суть контроля качества продукции на предприятии заключается в получении информации о продукции и сопоставлении полученных результатов с установленными требованиями, зафиксированными, стандартах и других документах.

Контроль предусматривает проверку продукции в самом начале, в течение и в конце производственного процесса, обеспечивая в случае отклонения от регламентированных требований качества, принятие корректирующих мер, направленных на производство продукции надлежащего качества, направленного на полное удовлетворение требований потребителя. Таким образом, контроль продукции включает в себя такие меры на стадии ее изготовления, в результате которых допущенные отклонения от нормы требуемого уровня качества могут быть исправлены еще до того, как будет выпущена дефектная продукция или продукция, не соответствующая техническим требованиям. Недостаточный контроль на этапе изготовления серийной продукции ведет к возникновению финансовых проблем и влечет за собой дополнительные издержки. [23]

На швейном предприятии, качество изделий определяется прежде всего стандартами - государственными (ГОСТ), отраслевыми (ОСТ) и предприятий (СТП). Это основополагающие нормативно-технические документы на изготовление швейных изделий. Кроме стандартов, на предприятиях используются технические условия, которые содержат все требования к продукции - к ее изготовлению, контролю, приемке, поставке и эксплуатации. Технические условия разрабатываются на конкретное изделие.

Контроль качества швейных изделий осуществляется органолептическим методом (осмотр изделия, надетого на манекен или расположенного на столе, сравнивание его с эталоном, проверка качества клеевых соединений, симметричности деталей и т.п.) или измерительным (контроль с помощью измерительных инструментов). Контроль может быть сплошным (т.е. проверка качества всех изготовленных изделий) или выборочным (проверка качества некоторых моделей из партий). Сведения о различных видах технического контроля приведены на рисунке 2.6 [17].

Цель оценки качества продукции на стадии ее изготовления заключается в определении меры соответствия фактических значений параметров и показателей качества продукции установленным требованиям стандартов, технических условий другой научно-технической документации (НТД) и выборке управляющих воздействий, направленных на приведение ее в соответствие с этими требованиями. Мерой указанного соответствия принято считать характеристику средних потерь, связанных с наличием дефектов, приходящихся на единицу продукции.

Дефект - это каждое несоответствие продукции установленным требованиям. Характер дефектов и причины возникновения многообразны.

Дефекты одежды разделяют на три группы: конструктивные, технологические и дефекты моделирования. Классификация дефектов представлена на рисунке 2.7.[25]

Рисунок 2.7 - Классификация дефектов одежды

В данной работе оценка качества швейных изделий производится на основе данных, связанных с возникшими технологическими дефектами в процессе изготовления изделий. В таблице 2.1 представлена классификация дефектов (в соответствии с ГОСТ 24103), которые могут возникнуть на стадии изготовления швейного изделия. На основании данной таблицы, представлен анализ дефектов, возникших в процессе изготовления мужского пиджака, в швейном цехе, на стадии межоперационного и приемочного контроля на предприятии ОАО "Синар" (таблица 2.1).

Таблица 2.1 - Классификация технологических дефектов

В данной таблице (в соответствии с ГОСТ 24103-80, [34]) представлены основные часто встречающиеся дефекты при изготовлении швейных изделий в условиях ОАО "Синар". Для того чтобы определить причину возникновения данных дефектов необходимо установить факторы, влияющие на качество швейных изделий. В соответствии с этим, далее производится анализ факторов, влияющих на качество швейных изделий.

.3 Анализ факторов, влияющих на качество швейных изделий на стадии их изготовления

Для того чтобы выявить факторы, в наибольшей степени влияющие на качество швейного изделия необходимо обратиться к экспертным оценкам. Для этого была разработана анкета, включающая наименование фактора и его значимость. При сборе информации, в качестве экспертов выступили мастера, технологи швейных цехов, а также работники отдела технического контроля ОАО "Синар". В результате данного опроса были выявлены факторы, влияющие на качество швейного изделия, которые сгруппированы в четыре блока: сырье и вспомогательные материалы, технологическое оборудование, работа исполнителей и нормативно-техническая документация.

Качество швейного изделия, в первую очередь, закладывается на стадии выбора материалов. Здесь учитываются свойства материалов, для того чтобы в дальнейшем, в соответствии с имеющимся технологическим оборудованием на предприятии, реализовать его качественное изготовление.

Свойства технологического оборудования также оказывают влияние на качество швейного изделия. Здесь, главным образом, оказывают влияние выбранные режимы обработки изделия, которые устанавливаются в соответствии с обрабатываемой тканью. Одним из факторов, выполнения качественного изделия является уровень развития технологического оборудования (степень автоматизации). Наличие дополнительных автоматизированных функций оборудования позволит выполнять операции с наименьшими затратами времени, большей точностью и меньшей трудоемкостью. Наличие специального оборудования позволит также снизить затраты времени на обработку и получить желаемое качество обработанного узла изделия которое является одним из звеньев общего качества изделия. Современное технологическое оборудование должно обеспечить комфортные условия, что позволит повысить производительность труда рабочего.

Качество швейного изделия также зависит и от работы исполнителей. Каждый рабочий должен выполнять операции в соответствии со своей квалификацией, что обеспечит не только ритмичность работы потока, но и требуемое качество изделия. Также здесь немаловажным фактором является стаж работы исполнителя, с его повышением увеличивается уровень подготовки, быстрота выполнения операций, и, конечно качество выполнения данных операций.

На сегодняшний день, в условиях высокой рыночной конкуренции, современная продукция должна отвечать всем требованиям качества, что невозможно обеспечить без нормативной документации. Поэтому на предприятиях, для оценки качества швейного изделия используются международные, государственные стандарты, отраслевые стандарты, стандарты предприятий и другая нормативная документация.

Схема классификации основных факторов, влияющих на качество швейных изделий, представлена на рисунке 2.8.

Рисунок 2.8 - Факторы, влияющие на качество швейных изделий

Таким образом, из схемы видно, что исходя из указанных факторов, выделяются соответствующие группы дефектов, которые могут возникнуть в процессе производства швейного изделия.

.4 Характеристика комплексного (интегрального) показателя качества швейного изделия

Показатель качества продукции - это количественная характеристика одного или нескольких свойств продукции, составляющих ее качество, рассматриваемая применительно к определенным условиям ее создания, эксплуатации или потребления. На рисунке 2.9 представлена классифкация показателей качества продукции.

Рисунок 2.9 Классификация показателей качества продукции.

Единичный показатель качества продукции - показатель качества продукции, характеризующий одно из ее свойств.

Комплексный показатель качества продукции - показатель качества продукции, характеризующий несколько ее свойств.

Определяющий показатель качества продукции - показатель качества продукции, по которому принимают решение оценивать ее качество.

Интегральный показатель качества продукции - показатель качества продукции, являющийся отношением суммарного полезного эффекта от эксплуатации или потребления продукции к суммарным затратам на ее создание и эксплуатацию или потребление.

Групповой показатель качества - это комплексный показатель, относящийся к определенной группе свойств продукции.

Базовое значение показателя качества продукции - это значение, принятое за основу при сравнительной оценке ее качества.

Относительное значение показателя качества - отношение значения показателя качества оцениваемой продукции к базовому значению этого показателя.

Существует несколько методов оценки качества, их разделяют на дифференциальный, комплексный и смешанный.

Оценка дифференциальным методом производится путем сопоставления единичных показателей качества изделия с единичными базовыми показателями качества эталона, определяемыми техническими условиями или стандартами. Но при большом количестве единичных показателей применение этого метода значительно затрудняет, а иногда и делает невозможным проведение оценки качества продукции.

Комплексные методы применяются, когда возможно и целесообразно охарактеризовать уровень качества продукции одним комплексным показателем качества, выраженным через исходные показатели.

Смешанный метод объединяет дифференциальный и комплексный методы и позволяет получить обобщающие выводы о качестве изделия в целом и одновременно по отдельным группам показателей качества. [32]

Согласно вышеперечисленному, для оценки качества швейных изделий будет использоваться комплексный метод оценки качества.

При применении комплексного метода применяют комплексный показатель качества, который определяется путем сведения воедино отдельных показателей с помощью коэффициентов весомости каждого показателя. При этом будет использована функциональная зависимость:

К₀=f(α,n), (2.1)

где K₀ - комплексный показатель качества продукции; n - число учитываемых показателей;

α - коэффициент весомости i-го показателя качества.

Из формулы (2.3) следует, что К₀ можно выразить через n различных дефектов изделия. Показатель К₀ , как и все комплексные показатели, вычисляемые методами среднего взвешенного (арифметического, геометрического, гармонического и т.д.), представляет собой условную величину, выражаемую в условных единицах исчисления, например, в баллах и реального физического содержания не имеет. Комплексный показатель будет рассчитываться по каждому изделию. Например, К₀=0,07·1=0,07. Затем показатель качества нужно перевести в проценты или в доли. Для удобства показатель переводим в доли, то есть 1-0,07=0,93. Таким образом, формулу для расчета комплексного показателя можно представить в следующем виде:

К₀=1-(α·n), (2.2)

α - коэффициент весомости дефектов;- количество дефектов, возникающих на изделии.

Схему расчета комплексного показателя можно представить в следующем виде:

Рисунок 2.10. Схема расчета комплексного показателя качества.

Разновидностью комплексного показателя качества, позволяющего с экономической точки зрения определить оптимальную совокупность свойств изделий, является интегральный показатель качества продукции.

Для проведения исследования в области прогнозирования и оценки качества изделий, в работе будет определен только комплексный показатель качества, т.к. определение интегрального показателя качества в рамках данной работы нецелесообразно.

2.5 Выводы

Построена функциональная модель процесса производства швейного изделия на ОАО "Синар", с помощью которой можно проследить этапы осуществляемого контроля на каждой из стадии изготовления изделия в швейном цехе.

Произведен выбор и характеристика способов контроля качества швейных изделий на стадии изготовления, в результате которого определены основные методы контроля качества: органолептический, измерительный, сплошной и выборочный, для которых характерны следующие виды технического контроля: входной, межоперационный, операционный, инспекционный, приемочный. Целью данных методов является установление меры соответствия фактических значений параметров и показателей качества продукции нормативно-технической документации. В соответствии с этим разработана классификация дефектов, которые могут возникнуть на стадии изготовления швейного изделия.

Для установления причин возникновения дефектов определены основные факторы, влияющие на качество швейных изделий, проведен анализ данных факторов, а также выделены соответствующие группы дефектов, которые могут возникнуть в процессе производства швейного изделия.

3. Разработка методики анализа и прогонозирования качества швейных изделий с использованием аппарата нейронных сетей

.1 Постановка задачи прогнозирования качества швейных изделий с использованием аппарата нейронных сетей

Очень часто возникают ситуации, когда по имеющейся информации (данным), (X), требуется предсказать (спрогнозировать, оценить) некоторую величину Q, стохастически связанную с X (то есть X и Q имеют некоторое распределение L(X,Q)), но которую непосредственно измерить невозможно (например, Q может относиться к будущему, а X - к настоящему).

В общем случае X означает некоторую совокупность {X₁, X₂,…, Х_n} наблюдаемых случайных величин, которые в рассматриваемом контексте называются предсказывающими (или прогнозными) переменными, и задача состоит в построении такой функции f(Х), которую можно было бы использовать в качестве оценки для прогнозируемой величины Y: f(Х)=Q (т.е. чтобы она была в каком-то смысле близка к Q); такие функции f(Х) называют предикторами величины Q по X. Разработка методов построения оптимальных предикторов и составляет главную задачу прогнозирования.

Таким образом, прогнозирование качества швейных изделий опирается на значение величины показателя качества в будущем, с учетом влияния на него различных факторов {X₁, X₂,…, Х_n}. Цель прогнозирования качества состоит в том, чтобы получить возможность оценивать качество швейного изделия не по тем показателям, которые есть, а по тем, которые потенциально могли быть. Следовательно, задачей прогнозирования качества швейных изделий является изучение возможности использования новых систем (нейронные сети), которые позволят вести не только учет системных факторов, но, и прогнозирование данной величины.

Рисунок 3.1 - Основные параметры (факторы) влияющие на качество швейных изделий

.2 Разработка структуры нейронной сети

Нейронные сети нелинейны по своей природе и представляют собой мощный метод моделирования, позволяющий воспроизводить сложные зависимости. Также позволяет моделировать в случае большого числа переменных. Нейронные сети учатся на примерах. Пользователь подбирает репрезентативную выборку, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.

Искусственные нейронные сети целесообразно начинать использовать при наличии следующих основных условий.

Проблема предметной области характеризуется сильным взаимодействием между переменными либо проблеме присущи другие формы нелинейности. Данное условие подразумевает, что традиционные статистические методы при решении конкретной проблемы или невозможно применить, или они сложны в использовании. Как правило, в большинстве встречающиеся в практике задачи являются нелинейными.

Имеется в наличии достаточно большой объем данных, на которых можно обучить и протестировать нейронно-сетевую модель. Как подчеркивалось, если данных для обучения недостаточно, сеть может "переобучиться" и стать неспособной осуществлять обобщения на новых входных данных, что подтверждается плохими прогнозами сети при ее работе с контрольным множеством.

Данные, представленные для анализа, являются неполными (отсутствует часть факторов из числа характеризующих проблему), неточными (не были исключены ошибки при подготовке базы данных), а, возможно, эти данные характеризуют проблему качественно (в форме описаний "симптомов" и их взаимосвязей). Искусственные нейронные сети легко адаптируются к неполным, неточным, а также качественным данным и способны отображать их на выходе в полные образы, не противоречащие представлениям ЛПР и часто являющиеся исходным пунктом для разработки нетривиальных способов решения проблем.

Попытки применения традиционных математических методов моделей не приводят к решениям конкретной задачи, что является одним из признаков ее нечеткости. Предварительно обученная нейронная сеть может применяться в качестве инструмента при решении "нечетких" проблем, например, таких, как оценка ситуаций и прогнозирование, являющихся основными в процессе принятия управленческих решений. К достоинствам нейросетевых моделей можно отнести также их вычислительную эффективность и простоту в обслуживании.

Однако ИНС присущи и некоторые недостатки:

1       "Избыточная экстраполяция", возникающая при использовании нейронной сети на фактах, которые выходят за рамки той области, на которой данная сеть обучалась. Чем выше степеней свободы межнейронных связей имеет нейронная сеть, тем выше вероятность возникновения этой проблемы, проявляющейся в снижении способности сети предсказывать те или иные ситуации.

2       Отсутствие теоретически обоснованных правил конструирования и эффективного обучения сетей, что приводит, например, к потере ими способности обобщать данные предметной области из-за переобучения.

         Трудность понимания, как нейронная модель производит обладающие практической значимостью выходные данные на основе заданного множества входных данных [18].

Громадное количество нейронов и межнейронных связей (до 1000 входов в каждый нейрон) приводит к тому, что ошибка в срабатывании отдельного нейрона остается незаметной в общей массе взаимодействующих клеток. Нейронная сеть проявляет высокую устойчивость к помехам - это "стабильная" сеть, в которой отдельные сбои не оказывают существенного влияния на результаты ее функционирования.

Нейрон является основным элементом нервной системы

Рисунок 3.2- Сравнение биологической и кибернетической модели нейрона, где x₁, x₂, x₃, …x_n - вектор входного сигнала, w₁, w₂, w₃, …w_n - весовой коэффициент (синапс), S - взвешенная сумма (сумма произведений входных сигналов на весовые коэффициенты), f(S) - функция нелинейного преобразования, Y - выходное значение нейрона.

Определение искусственного нейрона дается следующим образом:

-       Нейрон получает входные сигналы (исходные данные или выходные сигналы других нейронов сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется постсинаптическим потенциалом нейрона - PSP).

-       Сигнал активации преобразуется с помощью функции активации и в результате получается выходной сигнал нейрона [28].

Нейрон состоит из тела (сомы) (рисунок 3.1), содержащего ядро, и отростков - дендритов, по которым в нейрон поступают входные сигналы. Один из отростков - аксон, служит для передачи выходных сигналов. Аксоны клетки соединяются с дендритами других клеток с помощью синапсов, посредством которых происходит взаимодействие нейронов. Сигналы, поступающие на вход нейрона, неравнозначны - информация из одного источника может быть более важной, чем из другого. Приоритеты входов задаются с помощью весовых коэффициентов, моделирующих силу синапса.

Одна часть обрабатывающего элемента (ОЭ) осуществляет алгебраическое суммирование взвешенных сигналов, поступающих на вход элемента, а другая - модифицирует взвешенную сумму сигналов (потенциал ОЭ) с помощью передаточной функции в выходное значение искусственного нейрона, которое передается в следующий слой сети.

Передаточная функция в общем случае может являться пороговой и активационной. Пороговая функция пропускает информацию только в том случае, если алгебраическая сумма входных сигналов превышает некоторую постоянную величину. Активационная функция может быть линейной либо нелинейной, моделирующей в первом приближении передаточную характеристику биологического нейрона.

Результирующий выходной сигнал искусственного нейрона после преобразования с помощью нелинейной активационной функции может "сжиматься" до некоторого конечного интервала, например, от 0 до 1 или от -1 до 1. Цель нелинейного преобразования - усилить и выделить сигналы на выходе обрабатывающего элемента (ОЭ) в широком диапазоне значений входного сигнала [17].

Вид передаточной (активационной) функции является важнейшей характеристикой нейрона [18], определяет функциональные возможности нейронной сети и метод обучения этой сети [29]. В общем случае эта функция может быть ступенчатой (пороговой), линейной или нелинейной (рисунок 3.3).

Линейная функция относится к классу непрерывных, дифференцируема и легко вычисляется, что в ряде случаев позволяет уменьшить ошибки выходных сигналов в сети, так как передаточная функция сети также является линейной.

Рисунок 3.3 - Функции переноса искусственных нейронов

а) - линейная; б) - ступенчатая (пороговая);

в) - сигмоидальная.

Однако, линейная функция не универсальна и не обеспечивает решения многих задач [18]. Линейный участок такой функции активации позволяет оперировать с непрерывными сигналами [29].

Пороговая функция пропускает информацию только в том случае, если алгебраическая сумма входных сигналов превышает некоторую постоянную величину S*, например:

 (3.1)

Пороговая функция не обеспечивает достаточной гибкости ИНС при обучении. Если значение вычисленного потенциала не достигает заданного порога, то выходной сигнал не формируется и нейрон "не срабатывает". Это приводит к снижению интенсивности выходного сигнала нейрона и, как следствие, к формированию невысокого значения потенциала взвешенных входов в следующем слое нейронов.

Определенным компромиссом между линейной и ступенчатой функциями является сигмоидальная функция активации

, (3.2)

которая удачно моделирует передаточную характеристику биологического нейрона (рисунок 3.2, в) [18]. Эта функция относится к классу непрерывных функций [29]. Коэффициент к определяет крутизну нелинейной функции: чем больше к, тем ближе сигмоидальная функция к пороговой; чем меньше к, тем она ближе к линейной. Подобно ступенчатой функции она позволяет выделять в пространстве признаков множества сложной формы, в том числе невыпуклые и несвязные. При этом сигмоидальная функция, в отличие от ступенчатой, не имеет разрывов. Она дифференцируема, как и линейная функция, и это качество можно использовать при поиске экстремума в пространстве параметров ИНС [18]. Искусственная нейронная сеть - это совокупность обрабатывающих элементов, организованных слоями (рисунок 3.4). Все искусственные нейроны одного слоя связаны со всеми искусственными нейронами последующего слоя посредством взвешенных связей (межнейронных соединений). Взвешенные связи - это информационные каналы, через которые распределяется память искусственной нейронной сети. Память в нейровычислениях является распределенной, поскольку она организованна таким образом, что данные распределяются по множеству взвешенных соединений между ОЭ. Достоинством такой организации является возможность получения полной информации на выходе сети в ответ на частичный вход [17].

Рисунок 3.4 - Пример нейронной сети

Наиболее распространенной моделью нейрона является простой персептрон - это обычная модель МакКаллока-Питса с соответствующей стратегией обучения. Структурная схема и обозначения элементов i-го персептрона представлены на рисунке 3.5.

Рисунок 3.5 - Модель нейрона МакКаллока-Питса с пороговой функцией активации

Весовые коэффициенты входов сумматора, на которые поступают входные сигналы , обозначаются , a пороговое значение, поступающее с так называемого поляризатора, - . Нелинейная функция активации персептрона представляет собой дискретную функцию ступенчатого типа, вследствие чего выходной сигнал нейрона может принимать только два значения - 0 или 1 в соответствии с правилом

 (3.3)

где  обозначен выходной сигнал сумматора

 (3.4)

В приведенной формуле подразумевается, что имеющий длину N вектор x: дополнен нулевым членом x₀ = 1, формирующим сигнал поляризации, х = [x₀, x₁, …, x_N]. Обучение персептрона требует наличия учителя и состоит в таком подборе весов w_ij, чтобы выходной сигнал у_i был наиболее близок к заданному значению d_i. Это обучение гетероассоциативного типа, при котором каждой обучающей выборке, представляемой вектором x, априори поставлено в соответствие ожидаемое значение d_i на выходе i-го нейрона.

Наиболее популярный метод обучения персептрона состоит в применении правила персептрона, в соответствии с которым подбор весов осуществляется по следующему алгоритму:

· При первоначально выбранных (как правило, случайным образом) значениях весов w_ij на вход нейрона подается обучающий вектор х и рассчитывается значение выходного сигнала у_i. По результатам сравнения фактически полученного значения у_i с заданным значением d_i уточняются значения весов.

· Если значение у_i совпадает с ожидаемым значением d_i, то весовые коэффициенты w_ij не изменяются.

· Если у_i = 0, а соответствующее заданное значение d_i =1, то значения весов уточняются в соответствии с формулой , где t обозначает номер предыдущего цикла, а (t+ 1) - номер текущего цикла.

· Если у_i = 1, а соответствующее заданное значение d_i =0, то значения весов уточняются в соответствии с формулой , где t обозначает номер предыдущего цикла, а (t+ 1) - номер текущего цикла.

По завершении уточнения весовых коэффициентов представляются очередной обучающий вектор x и связанное с ним ожидаемое значение d_i, и значения весов уточняются заново. Этот процесс многократно повторяется на всех обучающих выборках, пока не будут минимизированы различия между всеми значениями y_i и соответствующим им ожидаемыми значениями d_i.

Персептрон с сигмоидальной функцией активации называется нейроном сигмоидального типа (рисунок 3.6) функция активации, которой является непрерывной и может быть выражена в виде сигмоидальной функции.

Рисунок 3.6 - Модель сигмоидального нейрона

Сигмоидальный нейрон, как правило, обучается с учителем по принципу минимизации целевой функции, которая для единичного обучающего кортежа  нейрона определяется в виде

 (3.5)

где Е - среднеквадратичная ошибка нейронной сети для одного образца,

 (3.6)

Функция  является сигмоидальной, x - это входной вектор, со значением  при наличии поляризации и  при ее отсутствии, a - соответствующее ему ожидаемое значение на выходе i-го нейрона [27].

Объединенные между собой нейроны образуют систему - искусственную нейронную сеть. Многослойная сеть состоит из нейронов, расположенных на различных уровнях, помимо входного и выходного слоев, имеется еще, как минимум, один внутренний скрытый слой. При этом слоем называют расположенные на одном уровне нейроны, а скрытым слоем, слой являющийся посредником между внешним входным сигналом и выходом нейронной сети [30].

Обучение многослойного персептрона проводится чаще всего "с учителем", наиболее распространенными алгоритмами являются алгоритм обратного распространения ошибки (Back-Propagation) и RPROP (Resilient Propagation), более подробно об этих алгоритмах будет описано в разделе 3.3.

Для полноценного обучения нейронной сети, количество обучающих примеров должно быть не менее 100. При этом все множество примеров делится на обучающее и тестовое множество, в некоторых случаях используется и подтверждающее множество, т.е. данные которые не использовались при обучении [17]. Обучающее множество это такое множество данных, на которых происходило обучение сети. На тестовом множестве выполняют тестирование сети, оно проводится с двумя различными целями:

. Проверка, того насколько правильно обучилась нейросеть.

. Решение конкретных задач (подтверждающее множество).

В первом случае осуществляется тестирование выборки с заранее известными ответами примеров. Можно проверить, правильно ли сеть определяет значения всех примеров и насколько уверенно она это делает. Определенное сетью значение примера сравнивается с заранее известным. Как правило, сначала тестирование проводят на той выборке, на которой сеть обучалась. Если сеть обучилась полностью, то при тестировании той же самой обучающей выборке значения всех примеров будут определяться правильно. Гораздо больший интерес представляет тестирование аналогичной выборки с заранее известными ответами, но примеры которой не участвовали в обучении сети [31].

Конечной целью тестирования является определение варианта нейронной сети, обладающего наилучшей способностью к обобщению, то есть минимальными отклонениями между предсказанными сетью значениями и фактическими значениями целевой функции [17].

После определения всех выше представленных параметров осуществляют построение нейронной сети.

Разработка искусственной нейронной сети, т.е. проектирование ее архитектуры (число слоев и число нейронов в каждом слое) касаемо заданной задачи заключается в следующем.

Прежде всего, выбирается нейросетевая парадигму в наибольшей степени соответствующую решаемой задаче [17]. Парадигмы - это родовые черты, объединяющие принципы работы и обучения всех нейрокомпьютеров [33]. После установления количества входов и выходов сети, необходимо определиться с числом нейронов в скрытом слое. Для решения какой-либо задачи с применением искусственной нейронной сети следует, прежде всего, спроектировать структуру сети, адекватную поставленной задаче. Это предполагает выбор количества слоев сети и нейронов в каждом слое, также определение необходимых связей между слоями [17].

Определение минимального количества скрытых слоев сети основано на использовании свойств аппроксимирующих функций. Каждая заданная функция может быть выражена линейной комбинацией локальных импульсов, которые имеют ненулевое значение только в ближайшей окрестности текущего значения х. Определение слоев и количество нейронов в них можно выполнить при помощи теоремы Колмогорова. Если ограничиться непрерывной функцией, трансформирующей N-мерное множество входных данных х в М-мерный выходной вектор d, то можно доказать, что аппроксимация такого типа осуществима при использовании сети с одним скрытым слоем. При N входных нейронах будет достаточно использовать для реализации этой функции скрытый слой с (2N + 1) нейронами.

В случае дискретного преобразования  одного скрытого слоя уже недостаточно и необходимо создание еще одного слоя нейронов.

Результат, полученный благодаря применению теоремы Колмогорова, носит теоретический характер. Он определяет максимальное количество слоев и число нейронов в отдельных слоях, достаточных для аппроксимации заданного преобразования. В практических реализациях сетей, как количество слоев, так и число нейронов в каждом из них может отличаться от предлагаемых теоремой Колмогорова. Помимо немногочисленных исключений, чаще всего используются сети, имеющие один скрытый слой (максимум - два), причем количество нейронов в слое может различаться (как правило, от N до 3N) [27]. Точное значение получают путем перебора различных вариантов.

Определив количество нейронов в слоях персептрона, проводится проверка соответствия числа соединений (межнейронных связей) в построенной сети числу обучающих факторов (строк в таблице множества данных). Согласно одному из правил число фактов не может более чем в 10 раз превышать число соединений в сети. В соответствии с другим правилом число обучающих фактов должно изменяться в пределах: , где - сумма всех нейронов в сети. Перед началом обучения нейронной сети важно выбрать функцию активации искусственных нейронов, соответствующую решаемой задаче [17].

.3 Разработка математической модели задач

Процесс обучения нейронной сети основан на использовании алгоритма обратного распространения ошибки (Back-Propagation) и алгоритма RPROP (Resilient Propagation). Следовательно, математическая модель задачи основана на методике данных алгоритмов, поэтому необходимо рассмотреть их более подробно.

Алгоритм обратного распространения ошибки определяет стратегию подбора весов многослойной сети с применением градиентных методов оптимизации. Считается одним из наиболее эффективных алгоритмов обучения многослойной сети [27]. Обучение многослойного персептрона основано на минимизации функции ошибки сети . Ошибка определяет отклонение желаемых выходов сети  от получившихся . Обычно функция  определяется методом наименьших квадратов:

 (3.8)

Функция ошибки (3.9) минимизируется методом градиентного спуска, известным из теории численных методов. Суть метода заключается в том, что, двигаясь в направлении, противоположном градиенту функции , в конце концов, приближаемся к минимуму, возможно локальному, функции :

. (3.9)

Здесь задает скорость обучения;  - коэффициент связи i нейрона слоя n-1 с j нейроном слоя n.

Схема работы многослойного персептрона такова, что каждый нейрон рассчитывает взвешенную сумму своих входов:

 (3.10)

Здесь  - это входы нейрона и соответственно выходы предыдущего слоя нейронов (рисунок 3.7,а). Выход нейрона  - это преобразование суммы пороговой функцией :

Рисунок 3.7 - Схема нейронной сети для алгоритма обратного распространения ошибки

Для вычисления градиента на каждом слое i вычисляется произведение величины ошибки предыдущего i, находящегося сверху слоя j , на входное значение слоя:

 (3.12)

Формула вычисления ошибки на выходном слое имеет вид

 (3.13)

Суммирование происходит по всем , к которым нейрон  посылает сигнал (рисунок 3.6,б).

 (3.14)

Таким образом, ошибка на каждом слое вычисляется рекурсивно через значения ошибки на предыдущих слоях: коррекция ошибки как бы распространяется обратно по нейронной сети.

Обучение сети с использованием алгоритма обратного распространения ошибки проводится в несколько этапов.

1.      Перед началом работы алгоритма веса  инициализируем случайными значениями.

2.      Подаем на вход персептрона вектор  из обучающей выборки и получаем значение  на выходе по формулам (3.10) и (3.11).

.        Вычисляем ошибки  для выходов сети по (3.13).

.        Вычисляем ошибки  для всех скрытых слоев по (3.14).

.        Находим значение градиента по (3.12).

.        Корректируем значения синаптических весов по (3.9).

.        Вычисляем значение ошибки (3.8). Если величина ошибки не устраивает, то идем на шаг 1.

Один прогон распространения ошибки принято называть эпохой [43].

В соответствии с этим алгоритмом в каждом цикле обучения выделяются следующие этапы.

. Анализ нейронной сети в прямом направлении передачи информации при генерации входных сигналов, составляющих очередной вектор x. В результате такого анализа рассчитываются значения выходных сигналов нейронов скрытых слоев и выходного слоя, а также соответствующие производные  функций активации каждого слоя (m-количество слоев сети).

. Создание сети обратного распространения ошибок путем изменения направлений передачи сигналов, замена функций активации их производными и подача на бывший выход (а в настоящий момент - вход) сети возбуждения в виде разности между фактическим и ожидаемым значением. Для определенной таким образом сети необходимо рассчитать значения требуемых обратных разностей.

. Выполняется уточнение весов (обучение сети), для оригинальной сети и для сети обратного распространения ошибки.

. Описанный в п. 1, 2 и 3 процесс следует повторить для всех обучающих выборок, продолжая его вплоть до выполнения условия остановки алгоритма. Действие алгоритма завершается в момент, когда норма градиента упадет ниже априори заданного значения , характеризующего точность процесса обучения.

В алгоритме RPROP при уточнении весов учитывается только знак градиентной составляющей, а ее значение игнорируется:

 (3.15)

Коэффициент обучения подбирается индивидуально для каждого веса  с учетом изменения значения градиента:

 (3.16)

где , a и b - константы: a=1,2; b=0,5. Минимальное и максимальное значения коэффициента обучения обозначены соответственно  и ; для алгоритма RPROP они составляют  и . Функция sgn(…) принимает значение равное знаку градиента.

Алгоритм RPROP, в котором игнорируется информация о значении градиента, позволяет значительно увеличить процесс обучения в тех случаях, когда угол наклона целевой функции не велик. В соответствии со стратегией подбора весов, если на двух последовательных шагах знак градиента не изменяется, предусматривается увеличение коэффициента обучения. Если же знак градиента изменяется, то коэффициент обучения уменьшается [27].

.4 Подготовка исходных данных для анализа и прогнозирования качества швейных изделий

Для того чтобы реализовать прогнозирование качества швейного изделия необходимо найти общий комплексный показатель качества, который является следствием факторов, влияющих на качество швейного изделия

Для обучения нейросети необходимо определить входные и выходные данные (таблица 3.1, 3.2). В таблице 3.1 представлены исходные данные о факторах, влияющих на качество швейных изделий (фрагмент), которые, в свою очередь состоят из подгрупп, являющиеся входными значениями для построения сети. В таблице 3.2 представлены данные о группах дефектов, их наименованиях и количестве (фрагмент), которые определены исходя из групп факторов, которые также являются входными значениями для построения нейросети. Также в таблицах представлены соответствующие значения выходного показателя качества Q, соответствующие определенному набору факторов и соответствующие им дефекты. Для адекватного обучения сети необходим большой объем данных, в частности исследованы около 1500 значений признаков, влияющих на качество и соответствующие значения комплексного показателя качества. Полный набор данных ввиду большого объема в работе не представлен.

Таблица 3.1 - Входные данные (факторы) для построения нейросетевой модели прогнозирования качества швейных изделий (фрагмент). Предприятие: ОАО "Синар". Изделие: Мужской пиджак

Таблица 3.2 - Входные и выходные данные для построения нейросетевой модели прогнозирования качества швейных изделий (фрагмент). Предприятие: ОАО "Синар". Изделие: Мужской пиджак

Исходя из параметров данной таблицы, такой параметр как номер изделия является величиной информационной и значимой нагрузки для обучения сети в себе не несет. Все остальные параметры (X_n) являются входными данными для построения и обучения нейронной сети. Выходным значением является комплексный показатель качества Q, величину которого необходимо спрогнозировать в соответствии с различными факторами влияния.

.5 Разработка алгоритма решения задачи анализа и прогнозирования качества швейных изделий

Построение алгоритма решения задачи анализа и прогнозирования качества швейных изделий осуществляется в соответствии с этапами, представленными на рисунке 3.8.

Рисунок 3.8 - Этапы построения нейронной сети

Первым этапом (рисунок 3.8) построения нейросетевой модели является тщательный отбор входных данных, влияющих на ожидаемый результат качества швейного изделия.

Для построения классификатора данных необходимо определить, какие параметры влияют на принятие решения о том, какого качества будет швейное изделие. При этом могут возникнуть две проблемы. Во-первых, если количество параметров мало, то может возникнуть ситуация, при которой один качества. Тогда невозможно обучить нейронную сеть, и система не будет корректно работать (невозможно найти минимум, который соответствует такому набору исходных данных). Исходные данные обязательно должны быть непротиворечивы. Для решения этой проблемы необходимо увеличить размерность пространства признаков (количество компонент входного вектора, соответствующего образцу). Но при увеличении размерности пространства признаков может возникнуть ситуация, когда число примеров может стать недостаточным для обучения сети, и она вместо обобщения просто запомнит примеры из обучающей выборки и не сможет корректно функционировать. Таким образом, при определении признаков необходимо найти компромисс с их количеством.[18]

Для факторов, которые включаются в обучающую выборку, целесообразно предварительно оценить их значимость, проведя корреляционный и регрессионный анализ, и проанализировать диапазоны их возможных изменений [15]. Осуществляется разбиение всей совокупности данных на обучающее и тестовое множество [9].

Если корреляция (степень взаимозависимости) между входным и выходным факторами меньше порога значимости, то соответствующий фактор отбрасывается как незначащий. Корреляционный анализ дает возможность установить, ассоциированы ли наборы данных по величине, то есть, большие значения из одного набора данных связаны с большими значениями другого набора (положительная корреляция), или, наоборот, малые значения одного набора связаны с большими значениями другого (отрицательная корреляция), или данные двух диапазонов никак не связаны (нулевая корреляция).

На втором этапе (рисунок 3.8) осуществляется преобразование исходных данных для нейронной сети, т.е. определяется способ нормирования. Нормирование необходимо, поскольку нейронные сети работают с данными, представленными числами в диапазоне 0..1, а исходные данные могут иметь произвольный диапазон или вообще быть нечисловыми данными. При этом возможны различные способы, начиная от простого линейного преобразования в требуемый диапазон, и заканчивая многомерным анализом параметров и нелинейного нормирования в зависимости от влияния параметров друг на друга.[18]

Преобразование данных зависит от характера и типа проблемы, отображаемой нейросетевой моделью, и от формы представления входной информации. Особый методический вопрос - это кодирование информации, представленной качественно. Одно из преимуществ нормализации заключается в том, что пользователь получает возможность применять любые передаточные функции [17].

Третий этап (рисунок 3.8) заключается в конструировании искусственной нейронной сети, т.е. в проектировании ее архитектуры (число слоев и число нейронов в каждом слое). Структура нейронной сети формируется до начала обучения, поэтому успешное решение этой проблемы во многом определяется опытом и искусством аналитика, проводящего исследования [18].

Прежде всего, необходимо установить количество входов и выходов сети, далее необходимо определиться с числом нейронов в скрытом слое. Для решения какой-либо задачи с применением искусственной нейронной сети следует, прежде всего, спроектировать структуру сети, адекватную поставленной задаче. Это предполагает выбор количества слоев сети и нейронов в каждом слое, также определение необходимых связей между слоями [9]. Подробное описание структуры данной нейросети было представлено в разделе 3.2.

Для обучения сети используются алгоритмы: алгоритм обратного распространения ошибки (Back-Propagation) и RPROP (Resilient Propagation). Подробное описание данных алгоритмов было представлено в разделе 3.3.

Четвертый этап (рисунок 3.8) связан с обучением сети, которое может проводиться на основе конструктивного или деструктивного подхода. В соответствии с первым подходом обучение нейронной сети начинается на сети небольшого размера, который постепенно увеличивается до достижения требуемой точности по результатам тестирования. Деструктивный подход базируется на принципе "прореживания дерева", в соответствии с которым из сети с заведомо избыточным объемом постепенно удаляют "лишние" нейроны и примыкающие к ним связи. Этот подход дает возможность исследовать влияние удаленных связей на точность сети. Процесс обучения нейронной сети представляет собой уточнение значений весовых коэффициентов w_ij для отдельных узлов на основе постепенного увеличения объема входной и выходной информации. Началу обучения предшествует процедура выбора функции активации нейронов, учитывающая характер решаемой задачи. Тип передаточной функции нейронов выходного слоя определяется на основе анализа результатов вычислительных экспериментов на сети [18].

На пятом этапе (рисунок 3.8) проводится тестирование полученной модели нейронной сети на независимой выборке примеров [18] или анализ сети, который может быть выполнен по методу "Что-если", который позволяет исследовать, как будет вести себя построенная система обработки при подаче на ее вход тех или иных данных. Проводится эксперимент, в котором, изменяя значения входных полей обучающей или рабочей выборки нейронной сети или дерева решений, пользователь наблюдает за изменением значений на выходе. Возможность анализа по принципу "Что-если", позволяет исследовать правильность работы системы, достоверность полученных результатов, а также ее устойчивость. Под устойчивостью понимается то, насколько снижается достоверность полученных результатов при попадании на вход системы нетипичных данных - выбросов, пропусков данных. Такой анализ позволит определить, какую предварительную обработку данных нужно провести перед подачей на вход системы [32].

.6 Выводы

качество нейронный сеть швейный

1 В ходе выполнения данного раздела произведена постановка задачи прогнозирования качества швейных изделий, в результате которой, были определены основные параметры (влияющие факторами) при прогнозировании качества швейных изделий.

Разработана структура нейронной сети, где представлены основные параметры данной сети.

Далее разработана математическая модель задачи, которая представляет собой описание функционирования нейронной сети с математической точки зрения.

Произведена подготовка исходных данных для прогнозирования, в результате которого определены значимые параметры для обучения сети. Также определены входные данные для построения и обучения нейронной сети (X_n) и выходное значение, которым является комплексный показатель качества Q, величину которого необходимо спрогнозировать.

Разработан алгоритм решения задачи анализа и прогнозирования качества швейного изделия, в результате которого определено пять этапов. На первом этапе осуществляется отбор входных данных для осуществления прогноза качества швейного изделия, затем, на втором этапе, эти данные анализируются, удаляются незначимые, а также выполняется нормализация (преобразование разных по структуре данных к единому виду). На третьем этапе выполняется собственно конструирование нейронной сети, выбирается количество слоев и нейронов в них, а также выбирается подходящая архитектура (структура) нейронной сети. На четвертом этапе осуществляется процесс обучения, а на пятом - тестирование и анализ полученной сети. Если сеть удовлетворяет заданным требованиям, то на этом процесс завершается - нейронная сеть готова в работе. Если результаты не удовлетворяют необходимо проанализировать, почему такие данные и вернуться на тот шаг, где необходимо их изменить.

4. Реализация методики анализа и прогнозирования качества швейных изделий с использованием аппарата нейронных сетей

.1 Выбор нейросетевого пакета для реализации задачи анализа и прогнозирования качества швейных изделий

В настоящее время известно большое количество нейропакетов, выпускаемых рядом фирм и отдельными исследователями, позволяющих конструировать, обучать и использовать нейронные сети для решения практических задач. Сегодня на рынке нейро-эмуляторы представлены в виде:

- готовых нейропакетов, представляющих из себя законченные программные продукты для решения задач диагностики, прогнозирования и статистической обработки данных;

инструментальных средств разработки нейроприложений, предназначенных для создания готовых нейросетевых приложений в различных предметных областях;

нейросетевых продуктов, подготовленных (обученных и оттестированных) для решения конкретных бизнес-задач [22]

Программы, работающие с нейронными сетями дают полный доступ к созданию нейросети и ее обучению, а также исследованию результатов. Они позволяют как обучаться теории работы нейросетей, так и производить расчеты, прогнозы и исследования с помощью нее, а так же осуществлять ряд прикладных задач, сложно осуществимых с помощью стандартных средств. Такие программы называют нейросимуляторами.[23]

Ниже рассмотрены несколько наиболее часто используемых нейропакетов, предназначенных для реализации на персональных компьютерах (все программные средства, как правило, совместимы с Microsoft Windows), с возможностью использования для построения прогнозных значений.,выпущенный на рынок фирмой California Scientific Software - это программный продукт, с которого началась история применения нейронных сетей в России. В этом пакете на профессиональном уровне реализована классическая многослойная нейронная сеть. Это единственная программа, в которой есть возможность настройки всех параметров нейронных сетей и алгоритмов обучения., является универсальной программой, благодаря тому, что она была первой русифицированной нейросетевой программой с удобным интерфейсом, завоевала широкое распространение на российском рынке. [24] Программный продукт NeuroShell 2 - это универсальный пакет, предназначенный для нейросетевого анализа данных. С его помощью можно решать широкий спектр задач. NeuroShell 2 включает в себя: систему для начинающего, систему для профессионала и средства автономного использования. Кроме того, существуют пакеты дополнений к NeuroShell 2, которые позволяют существенно упрощать решение отдельных задач.[25]

Библиотека алгоритмов OWL написана на языке "С" и предназначена для опытных программистов. В OWL собраны 20 различных нейросетевых моделей. Для того, чтобы "развернуть" нужную сеть, пользователю достаточно выбрать модуль и задать параметры, определяющие режим создания и функционирования сети. Функциональные параметры зависят от модели и могут быть изменены в динамике.

Аналогом OWL является динамическая библиотека Neuro Window, предлагаемая компанией Ward Systems Group. NeuroWindows обеспечивает удобное использование библиотечных функций, написанных на языках Visual С⁺⁺, Delphi, Access Basic и других, быстрое обучение нейронных сетей за счет наличия оптимизированного кода для наиболее популярных моделей.

Statistica - мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICA Neural Networks (сокращенно, ST Neural Networks, нейронно-сетевой пакет фирмы StatSoft), представляющий собой реализацию всего набора нейросетевых методов анализа данных.Neural Networks - это универсальный пакет нейросетевого анализа. Он может работать и как самостоятельное приложение, и в рамках системы STATISTICA или Quick STATISTICA. В программе используются самые современные и мощные алгоритмы обучения сети с возможностью создавать сложные, практически не ограниченные в размерах комбинации из сетей различных архитектур, выборочно обучать фрагменты нейронной сети.[26], разработанная российской компанией BaseGroup Labs (Рязань), является аналитической платформой, т.е. основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов. Deductor предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: корпоративная отчетность, прогнозирование, сегментация, поиск закономерностей - эти и другие задачи, где применяются такие методики анализа, как OLAP, Knowledge Discovery in Databases и Data Mining.[25]

Для реализации методики обеспечения качества швейных изделий на основе нейросетевой технологии была выбрана аналитическая платформа Deductor фирмы BaseGroup (Россия).

.2 Формализация исходных данных для реализации задачи анализа и прогнозирования качества швейных изделий

Для реализации задачи анализа и прогнозирования качества швейных изделий на базе аналитической платформы Deductor необходимо выполнить отбор входных данных (количественно и качественно). Ранее были определены входы и выходы будущей нейросетевой модели (таблица 3.1, 3.2). В соответствии с тем, что для обучения нейронной сети наряду с входами имеются и выходы, таким образом использовать метод обучения "с учителем". Поэтому, началом работы программы является импорт данных в аналитическую платформу Deductor Studio.

Результаты определения параметров столбцов получили характеристики данных, представленные в таблице 4.1.

Таблица 4.1 - Результаты определения параметров столбцов

После определения параметров всех столбцов, осуществляется запуск импорта. Выбирается способ отображения данных - таблица. Получили таблицу, отражающую все данные, используемые для построения нейронной сети.

Для оценки значимости входных данных необходимо произвести корреляционный анализ, который дает возможность установить, ассоциированы ли наборы данных по величине, то есть, большие значения из одного набора данных связаны с большими значениями другого набора (положительная корреляция), или, наоборот, малые значения одного набора связаны с большими значениями другого (отрицательная корреляция), или данные двух диапазонов никак не связаны (нулевая корреляция). Результаты корреляционного анализа представлены в таблице 4.2.

Таблица 4.2 - Результаты корреляционного анализа

В результате проведения корреляционного анализа выявлено, что при пороге значимости равном 0,05 наиболее значимым параметром является фактор Х4, то есть параметр уровня развития технологического оборудования (0,268) и наименее значимым - Х3, то есть параметр устойчивости окраски материала (-0,062), так как он входит в пределы значимости в построении модели, поэтому он тоже будет учтен.

.3 Обучение нейронной сети и анализ полученных результатов

После того, как был произведен импорт данных и оценка их значимости, производится последовательное построение нейросетевой модели. На первом этапе построения модели необходимо произвести настройку назначений исходных данных столбцов, затем преобразовать исходные данные, то есть привести входные данные к некоторому стандартному диапазону, данная процедура называется нормализацией.

Нормализация параметров, имеющих цифровые значения, выполнена линейно и приведена к интервалу [-1;1]. Для дискретных параметров использовался нормализатор битовая маска.

Далее происходит разделение исходного множества на тестовое и обучающее, которое настраивается автоматически, в результате чего, обучающее множество составило 95%, тестовое - 5% .

На следующем этапе определяется активационная функция. В данном случае берется сигмоидальная функция. Крутизна этой функции для упрощения принимается равной 1. Количество скрытых слоев в нейронной сети в соответствии с теоремой Колмогорова может быть равно одному или двум скрытым слоям, большее количество слоев приведет к переобучению модели и не достоверным значениям. Количество нейронов в скрытых слоях определяется из условия, что количество нейронов в скрытом слое принимает значения от N до 3N. Поэтому для правильного определения количества нейронов в скрытом слое обучим сети с 30 нейронами, 60 и 90.

На следующем этапе производится настройка процесса обучения нейронной сети, для этого, выбирается алгоритм и задаются параметры обучения сети. В аналитической платформе Deductor Studio, представлены две архитектуры: с использованием алгоритма обратного распространения ошибки и RPROP, одна из которых подбирается опытным путем, настройки которой устанавливаются автоматически.

Далее задаются условия, при выполнении которых обучение будет прекращено. Здесь в автоматическом режиме задана эпоха, по достижению которой, обучение прекратится, также здесь задается ошибка, при которой пример будет считаться распознанным.

Следующим этапом является собственно обучение сети. Здесь определяются доли случаев неправильной диагностики входных данных нейронной сетью и анализ результатов работы сети. Полученные нейронные сети с различными вариантами некоторых графов и нейронных архитектур представлены на рисунках 4.1 - 4.6.

Одним из первых видов анализа проводимых для определения точности обучения различных нейросетевых алгоритмов, является анализ выходных значений (Q), показанных на диаграммах рассеяния (рисунки 4.2, 4.4, 4.6), представленные программным продуктом. Диаграмма рассеяния служит для наглядной оценки качества обучения модели с помощью результатов сравнения непрерывных значений выходного поля и непрерывных значений того же поля, но рассчитанных моделью.

Рисунок 4.1 - Второй вариант графа нейросетевой модели - 1 скрытый слой, 60 нейронов, обучающий алгоритм RPROP (30х60х1)

Рисунок 4.2 - Второй вариант архитектуры нейросетевой модели - 1 скрытый слой, 60 нейронов, обучающий алгоритм RPROP (30х60х1)

Рисунок 4.3 - Четвертый вариант графа нейросетевой модели - 1 скрытый слой, 30 нейронов, обучающий алгоритм обратного распространения ошибки (30х30х1)2

Рисунок 4.4 - Четвертый вариант архитектуры нейросетевой модели - 1 скрытый слой, 30 нейронов, обучающий алгоритм обратного распространения ошибки (30х30х1)2

Рисунок 4.5 - Девятый вариант графа нейросетевой модели- 2 скрытых слоя: 1слой-30 нейронов, 2 слой-30 нейронов, алгоритм обучения RPROP (30х30х30х1)

Рисунок 4.6 - Девятый вариант нейросетевой архитектуры - 2 скрытых слоя: 1слой-30 нейронов, 2 слой-30 нейронов, алгоритм обучения RPROP (30х30х30х1)

На диаграмме рассеяния отображаются выходные значения для каждого из примеров обучающей выборки, координаты которых по оси Х - это значение выхода на обучающей выборке (эталон), а по оси Y - значение выхода, рассчитанное обученной моделью на том же примере. Прямая диагональная линия представляет собой ориентир (линию идеальных значений). Чем ближе точка к этой линии, тем меньше ошибка модели.

В результате анализа выходных значений (Q), представленных на диаграммах рассеяния нейросетевых моделей можно сделать вывод о том, что наиболее точными данными обладают сети, для построения которых использовалась архитектура с использованием алгоритма Resilient Propagation (RPROP). На диаграммах рассеивания видно, что сети, построенные на основе архитектуры Back-Propagation при обучении, имеют некоторые полученные эталонные значения сети, которые не совпадают с рассчитанными сетью, тестовое множество, также имеет большие отклонения. Некоторые архитектуры RPROP также имеют рассчитанные значения, не соответствующие эталонным значениям.

В полученных решениях количество слоев особым образом не повлияло на результат, но немного улучшило его, но и увеличило время обучения сети, таким образом, для решения этой задачи есть возможность применения двух скрытых слоев. Для более точного результата оптимальным количеством нейронов является 30 нейронов в двух скрытых слоях.

Таким образом, для дальнейшего использования и применения, наиболее подходящей является нейронная сеть с двумя скрытыми слоями, с 30 нейронами в каждом слое, и используемая архитектура сети алгоритм - Resilient Propagation (RPROP). Но данный способ является не точным. Для более тщательного анализа необходимо выполнить расчет статистических характеристик, который позволяет наглядно увидеть результаты нейросетевого обучения, не вдаваясь в подробности проектирования нейронных сетей под определенную задачу.

Для анализа полученных нейросетевых архитектур выполнен расчет значений абсолютной и относительной ошибок.

Анализируя эталонные значения показателей качества Q и значения Q_OUT, рассчитанного сетью при построении архитектур, можно сказать о том, что значения рассчитанные сетью имеют небольшие отклонения от эталонных. Построены сравнительные диаграммы абсолютных и относительных ошибок при обучении сети. Данные диаграммы позволяют увидеть, на сколько обученные сети дают точные результаты. Лучшими результатами данного анализа является девятая нейронная архитектура. На рисунках 4.7 и 4.8 представлены сравнительные диаграммы абсолютных и относительных ошибок различных нейросетевых архитектур, используемых для обучения. Для наглядного определения сети обладающей наилучшими показателями выполним расчет сводных статистических характеристик результатов абсолютной ошибки.

Для нахождения среднего арифметического значения используется формула

 (4.1)

где - результаты расчета абсолютных ошибок всех используемых примеров;  - общее число примеров.

Среднее квадратичное отклонение находят по формуле

 (4.2)

Коэффициент вариации, который характеризует отклонение изменения измерений относительно средних значений и находится по формуле

 (4.3)

Служит для сравнения величин рассеяния по отношению к выборочной средней двух вариационных рядов. Доверительный интервал  - это интервал в который попадает истинное значение измеряемой величины с заданной вероятно

Рисунок 4.7 - Сравнение абсолютных ошибок различных нейросетевых архитектур

Рисунок 4.8 - Сравнение относительных ошибок различных нейросетевых архитектур

стью  или с задаваемым уровнем значимости , при этом называют абсолютной ошибкой выборки и вычисляют по формуле

 (4.4)

где - находят либо из таблиц распределения Стьюдента по заданному уровню значимости  и числу степеней свободы , либо по заданной доверительной вероятности и объему выборки  из таблиц для .

 (4.5)

Относительная ошибка выборки величина, показывающая точность полученных результатов и если она меньше либо равна 5% то результаты хорошие, если 5-10% то результаты удовлетворительные, больше 10% - не удовлетворительные.

Грубые отклонения измерений определяем с помощью правила , либо , либо с помощью доверительного интервала по заданной , для этого вычисляют  и :

Расчет статистических показателей выполнен на основе значения абсолютной ошибки, так как именно разница между значением показателя качества Q, используемое для обучения (подаваемое на выход), и значением показателя качества, полученное сетью после обучения, характеризует величину, на которую истинное значение показателя качества отклоняется в ту или иную сторону. В результате статистического анализа различных нейросетевых архитектур получили данные представленные в таблице 4.3

Наиболее низкими значениями статистического анализа обладает девятая нейросетевая архитектура. Коэффициент вариации (374,71424) говорит о том, что девятая нейросетевая архитектура имеет наименьшее рассеяние относительно

Таблица 4.3 - Сводная таблица статистических данных полученных нейросетевых архитектур

средней выборочной. Абсолютная ошибка выборки также имеет наименьшее значение (0,000046). Доверительный интервал девятой нейросетевой архитектуры также имеет более узкие границы, что свидетельствует о небольшом разбросе абсолютной ошибки показателя качества относительно среднего значения. Относительная ошибка девятой нейросетевой архитектуры составила 19,11357, что меньше, чем у других рассматриваемых архитектур, но больше границ предусмотренных в швейной промышленности. Если данный результат удовлетворяет требованиям, то на этом обучение нейросетевой архитектуры может быть законченно, выбрана сеть, обладающая лучшими результатами.

Если данный анализ не удовлетворяет, возможно, продолжить обучение, изменяя сначала "Режим останова обучения", так как возможно сеть не доучена или переучена (об этом говорилось ранее в предыдущих разделах), либо изменяя параметры архитектур нейронных сетей (изменение количества нейронов, количество слоев и т.д.). После чего в "Статусе пакетной обработки" выполняется использование сети на реальных данных, на основе которых и будет осуществляться прогнозирование показателя качества.

.4 Прогнозирование качества швейных изделий с использованием нейронной сети и анализ полученных результатов

Для прогнозирования качества швейных изделий в программе Deductor используется визуализатор "что-если", который позволяет прогонять через построенную модель данные и оценивать влияние различных факторов на результат.

Первым видом анализа является выявление зависимостей влияния полиэфирной и полушерстяной тканей (Х1), при изменении различных факторов, на показатель качества Q. На рисунке 4.9 представлен график зависимости влияния используемых тканей на показатель качества Q при использовании оборудования 1095 кл.

Рисунок 4.9 - График зависимости влияния тканей (при использовании машины марки 1095) на показатель качества Q

Из показателей качества Q данного графика видна зависимость, при которой возрастание данного показателя происходит постепенно, от использования полушерстяной ткани до полиэфирной. Необходимо определить данную зависимость путем сочетания различных исходных данных (входных значений). Полученные зависимости представлены на диаграмме (рисунок 4.10).

Рисунок 4.10 - Диаграмма зависимости влияния входных значений используемых тканей на показатель качества Q (при использовании машины марки 1095).

Далее представлен анализ зависимостей влияния вида оборудования (Х5), при изменении параметров режимов обработки, на показатель качества Q. На рисунке 4.11 представлены зависимости, при использовании швейного оборудования и таких режимов обработки как вид ниток 33Л, иглы №100, 301 типе стежка с частотой стежка в 1 см - 5. На рисунке 4.12 представлены зависимости, при использовании швейного оборудования и таких режимов обработки как вид ниток 50ЛХ, иглы №100, 301 типе стежка с частотой стежка в 1 см - 4. В результате чего, что при первом виде параметров режимов обработки высокие показатели качества получились при использовании следующего вида оборудования: 1095кл (0,950), 275кл (0,920), 564кл (0,990), в то время как при втором виде режимов обработки данное оборудование имеет сравнительно низкие показатели, более высокие получили: 1183кл (0,990) и 487кл (0,990).

Рисунок 4.11 - График зависимости влияния швейного оборудования (нитки 33Л, иглы №100, 301 тип стежка с частотой стежка в 1 см - 5) на показатель качества Q

Рисунок 4.12 - График зависимости влияния швейного оборудования (нитки 50ЛХ, иглы №100, 301 тип стежка с частотой стежка в 1 см - 4) на показатель качества Q.

Для более точного анализа влияния различных факторов на показатель качества Q в зависимости от технологического оборудования представлена диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества (рисунок 4.13). На данной диаграмме представлены значения двух показателей качества соответствующие двум графикам зависимости влияния швейного оборудования на показатель качества.

Рисунок 4.13 - Диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества

Исходя из показателей данной диаграммы, можно сделать вывод о том, что показатели качества для каждого вида оборудования выражают зависимость, при которой возрастание или убывание данного показателя происходит постепенно. Для выявления данной зависимости необходимо провести тщательный анализ влияния различных параметров режимов обработки для каждого вида оборудования. Данный анализ является длительным и трудоемким процессом, поэтому в этой дипломной работе рассматриваться не будет.

На рисунке 4.14 представлены зависимости, при использовании оборудования для ВТО и таких режимов обработки как температура нагрева гладильной поверхности 110⁰С, вид гладильной поверхности - электропаровая, время воздействия - 35с, давление - 0,02 МПа. На рисунке 4.15 представлены зависимости, при использовании оборудования для ВТО и таких режимов обработки как температура нагрева гладильной поверхности 120⁰С, вид гладильной поверхности - паровая, время воздействия - 35с, давление - 0,03 МПа. В результате чего, что при первом виде параметров режимов обработки высокие показатели качества получились при использовании следующего вида оборудования: 243кл (0,990), 710кл (0,990), в то время как при втором виде режимов обработки данное оборудование имеет более низкие показатели, высокие получены были при использовании оборудования 905кл (0,980) и 218кл (0,980). Сравнительно не высокие показатели, при использовании двух видов режимов обработки получили оборудования 216кл (0,84) и 100кл (0,860).

Рисунок 4.14 - График зависимости влияния оборудования для ВТО (температура нагрева гладильной поверхности 110⁰С, вид гладильной поверхности - электропаровая, время воздействия - 35с, давление - 0,02 МП) на показатель качества Q

Рисунок 4.15 - График зависимости влияния оборудования для ВТО (температура нагрева гладильной поверхности 120⁰С, вид гладильной поверхности - паровая, время воздействия - 35с, давление - 0,03 МПа) на показатель качества Q

Для более точного анализа влияния различных факторов на показатель качества Q в зависимости от оборудования ВТО представлена диаграмма зависимости влияния входных значений (режимов обработки) используемого оборудования на показатель качества (рисунок 4.16). На данной диаграмме представлены значения двух показателей качества соответствующие двум графикам зависимости влияния оборудования ВТО на показатель качества.

Рисунок 4.16 - Диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества

Исходя из показателей данной диаграммы, можно сделать аналогичный (в равнении со швейным оборудованием) вывод о том, что показатели качества для каждого вида оборудования выражают зависимость, при которой возрастание или убывание данного показателя происходит постепенно, но анализ данной зависимости в этой дипломной работе рассматриваться не будет.

Таким образом, при прогнозировании показателя качества в зависимости от различных параметров входных данных, выявляется зависимость, при которой возрастание или убывание данного показателя происходит постепенно. При анализе данной зависимости определяется сочетание различных исходных данных, которые позволяют выявлять точные прогнозные значения.

.5 Выводы

Проанализированы нейросетевые программные продукты. Для реализации поставленных задач выбрана аналитическая платформа Deductor фирмы BaseGroup Labs, являющаяся основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.

Реализована методика прогнозирования качества швейных изделий на стадии их изготовления. Выполнен анализ полученных результатов, в результате которого, для реализации методики обеспечения качества швейных изделий, наиболее точными данными обладают архитектуры с использованием алгоритма RPROP, с двумя скрытыми слоями. При расчете величины относительной ошибки, установлено, параметры полученного значения не соответствуют значением, предусмотренным в швейной промышленности, что говорит о несовершенстве разработанной нейросетевой архитектуры.

Выполнен анализ прогнозирования показателя качества в зависимости от различных параметров входных данных, в результате которого выявилась зависимость, при которой возрастание или убывание показателя происходит постепенно.

4 Составлено руководство пользователя, в котором выполнено подробное описание последовательного построения нейронной сети для реализации методики прогнозирования качества швейных изделий.

5. Расчет экономической эффективности от внедрения методики анализа и прогнозирования качества швейных изделий с использованием экспертных систем

Внедрение предлагаемой в настоящей работе методики даст возможность предприятию предупредить появление дефектов при обработке изделий на всех операциях технологического процесса. Это позволит значительно снизить фактическую стоимость их обработки за счет сокращения затрат времени и издержек на выявление дефектов и переделки, что приведет к снижению фабричной себестоимости и внепроизводственных затрат, связанных с рекламациями и возвратом некачественной продукции.

Согласно данным предприятия за 2008 год издержки на брак в потоке по изготовлению мужских пиджаков составили 788340 рублей, в том числе по причине внутрипроизводственных дефектов обработки изделий 25%, то есть 197085 рублей (текстильные дефекты в последнюю сумму не включены).

Внедрение программного продукта Deductor Studio, основанного на нейросетевой технологии, позволит полностью предотвратить появление дефектной продукции. Поэтому, указанные выше издержки можно считать экономией за счет повышения качества работы (Э_к

Стоимость программного продукта, S, руб., рассчитывается по формуле:

,

где Z - средняя заработная плата работника (аналитика - программиста), руб;

k₁ - коэффициент отчислений от заработной платы (k₁ = 1,26);

m - количество рабочих дней в месяце, дн.;

t - время, затраченное на подготовку к написанию базы данных, чел-дн;

t₀ - время на формирование программы и ее отладку, чел-дн;

k₂ - коэффициент, учитывающий накладные расходы (k₂ = 0,5);

С - стоимость одного часа эксплуатации машинного времени, руб/час.

Расчет стоимости пакетов программ Deductor Studio (фирмы BaseGroup Labs) представлен в таблице 5.2.

Таблица 5.2 - Стоимость пакета программ Deductor Studio

Капитальные затраты на покупку оборудования, программного продукта, пакета программ экспертной системы представлены в таблицах 5.3 и 5.4.

Таблица 5.3 - Капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Professional (КЗ_DP).

Таблица 5.4. - Капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Enterprise (КЗ_DE).

Условно, годовая экономическая эффективность от внедрения программного продукта может быть определена:

Э_уг=Э_к-Е·КЗ, (5.1)

где Е - нормативный коэффициент эффективности капитальных вложений (Е=0,15);

Э_к - экономия за счет повышения качества изделий;

КЗ - капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Studio

В зависимости от выбора предлагаемых пакетов программ условная годовая экономическая эффективность составит:

Э_уг^DP =197085- 0,15·150820=174462руб;

Э_уг^DE =197085- 0,15·1179820=170112руб

Капитальные затраты на внедрение предлагаемой методики могут окупаться в течение года:

Т_ок=КЗ/Э_уг, (5.2)

где Т_ок - коэффициент окупаемости;

Э_к - экономия за счет повышения качества изделий;

КЗ - капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Studio

Т_ок^DP = 150820/174462=0,9 года;

Т_ок^DE = 179820/170112 = 1,1 года

В качестве примера в таблице 5.5 приведены данные по снижению стоимости и трудоемкости обработки и по росту производительности труда в зависимости от наличия 2-х дефектов только на одном изделии. В качестве исходных данных для расчета затрат на изделие, представленных в таблице 5.5, используется организационно-технологическая схема потока

Т_обр=Н_вр^устр-Н_вр, (5.3)

где Т_обр - снижение трудоемкости обработки, с;

Н_вр^устр - время на устранение дефекта, с.

Т_обр=7794-7717=77 с.

Таблица 5.5 -Характеристика затрат на изделие, имеющего дефекты и бездефектного изделия

ΔС_обр =  , (5.4)

где ΔС_обр - снижение стоимости обработки, %;

С_устр - стоимость устранения дефекта, руб;

СО_{с деф.} - стоимость обработки с устранением дефекта, руб;

ΔС_обр =

РПТ= , (5.5)

где РПТ - рост производительности труда.

РПТ=

Согласно таблице 5.5, ликвидация двух дефектов на одном изделии приведет к снижению фактической трудоемкости на 77 секунд, снижению стоимости обработки на 2,00 % и росту производительности труда на 2,04%.

6. Безопасность жизнедеятельности

.1 Анализ опасных и вредных факторов рабочего места швеи

Рабочее место - это место непосредственного выполнения технологической операции. Оно должно быть организовано таким образом, чтобы обеспечивался максимум комфорта и безопасной работы исполнителя. Рабочее место включает в себя стол с установленным на нем оборудованием, инструментами и приспособлениями, стул, зону хранения полуфабриката до и после операции [30].

Основными неблагоприятными физиологическими факторами на предприятиях легкой промышленности являются, высокая интенсивность использования рабочего времени, значительный темп работы, монотонность, связанная с разделением труда и конвейеризацией производства, неудобство рабочей позы при обслуживании многих видов технологического оборудования.

Неблагоприятные физиологические условия труда способствуют развитию стойких изменений в состоянии здоровья работающих (например, деформация стоп, позвоночника, развитие близорукости, узелковых расширений вен нижних конечностей, заболевания нервно-мышечного аппарата рук, периферической нервной системы и нервных сплетений).

В результате переутомления нарушается способность работающих критически относиться к объективной опасности, притупляется бдительность и ослабевает реакция в опасных ситуациях, отсюда возрастает вероятность учащения травм. Снижение работоспособности приводит к ухудшению качественных и количественных показателей труда. При этом упрощение выполняемых работницами операций имеет своим следствием монотонность труда, снижает привлекательность работы. Различают несколько степеней монотонности. Работа швей оценивается третьей степенью монотонности, поскольку основные операции состоят из 4-5 приемов. Работа данной профессии сопряжена со значительной концентрацией функции внимания, напряжением органов зрения, высокой плотностью рабочего дня, составляющей 80-90%. Продолжительность отдельных приемов технологических операций колеблется в пределах 25-110 с, мощность физической работы - 0,25-0,5 Вт, а энергозатраты несколько превышают 107,5 ккал/ч [31].

Кроме неблагоприятных физиологических факторов, на динамику работоспособности рабочих оказывают влияние и санитарно-гигиенические параметры производственной среды. Труд швей относится к категории эмоционально напряженных видов труда.

С увеличением скоростей работы швейных машин возрастают производственный шум и вибрация. Производственный шум различной интенсивности и частоты, длительно воздействуя на работников, может привести к понижению остроты слуха, а иногда и к развитию профессиональной глухоты. Также шум является внешним раздражителем. Уровни звукового давления на рабочих местах в швейных цехах достигают 80-97 дБА. Превышение гигиенических норм уровня звукового давления на частотах свыше 250 Гц достигает 10 дБ. Основным источником шума швейного оборудования являются электродвигатели.

Повышенный уровень вибрации на рабочем месте может привести к развитию у работников вибрационной болезни. Вибрация крышки стола швейной машины 22 кл. на различных частотах октавных полос создает уровень звукового давления, равный 105-136 дБ (при допустимых 99-117 дБ). Амплитуда вертикальных колебаний составляет 0,05-0,06 мм при частоте 44-45 Гц.

Одним из важных санитарно-гигиенических параметров является микроклимат, в частности воздух цехов. Особенно сильно загрязняется воздух при пошиве изделий из синтетических материалов или тканей с синтетическими добавками. Воздух производственных помещений швейных цехов загрязняется токсическими примесями, пылью и микроорганизмами. Содержание угарного газа при выполнении влажно-тепловых операций составляет 5-15 мг/м³, достигая 22,4 мг/м³ при допустимой величине 20 мг/м³.

При недостаточной освещенности снижается активность работника, появляется вялость и повышается нагрузка на зрение, вызывающая переутомление.

Швейные цехи вследствие поступления в воздух значительных теплоизбытков следует отнести к теплонапряженным производственным помещениям. Удельное количество теплоизбытков может достигать 120 кДж/(ч-м³). Температура воздуха в швейных цехах в летнее время достигает 24-28° С, а относительная влажность - 69-83%. Такие параметры воздуха при малой скорости его движения приводят к нарушению процессов терморегуляции. Одновременно снижается физиологическая граница разности температур кожи груди и кисти до 0,6-0,7° С. [30].

.2 Рекомендации по обеспечению безопасности и удобства работы швей

Исходя из условий создания оптимальной системы человек - машина, эргономика формирует требования к проектированию рабочих мест, определяет зоны основных и вспомогательных рабочих движений и соответственно компоновку оборудования, обобщает антропометрические данные, необходимые для выявления оптимальных рабочих положений, разрабатывает рекомендации по конструированию производственной мебели, инструментов и инвентаря, в зависимости от характера работы, рабочих движений и позы работающего.[32]

Для оптимальной рабочей позы сидя требуется: строго соблюдать соответствие высоты стола и стула антропометрическим данным работающего; обеспечить необходимое расстояние между рабочей поверхностью стола и сиденьем. Для уменьшения напряжения мышц нижних конечностей швей рекомендуется использовать подставку для ног (рисунок 6.1,а). Передний край педали швейной машины должен находиться на высоте 220 мм от пола, угол наклона педали 20° (рисунок 6.1,б). Расстояние между машинами равно 1 м, площадь на человека - 6м². Для создания удобной рабочей позы большое значение имеет правильный выбор стула, который должен регулироваться по высоте, обеспечивать устойчивость при любом положении корпуса, не давить, иметь закругленный край сиденья (рисунок 6.1,в).

Для экономии движений и снижения мышечного напряжения детали кроя полуфабрикаты и готовые изделия располагаются в зонах оптимальной досягаемости моторного поля. Размеры зон досягаемости моторного поля в вертикальной и горизонтальной плоскости при работе сидя и стоя (рисунок 6.2) для среднего роста 159см (в скобках данные для мужчин ростом 168см).

Для предотвращения утомления органов зрения детали кроя, готовые изделия и инструменты следует располагать в предельной зоне обзора, а часто применяемые элементы оборудования и инструмент - на одинаковом расстоянии от глаз рабочего.

Опасные и вредные факторы, влияющие на организм работников и меры по их устранению представлены в таблице 6.1 [30]. Изготовление и ремонт швейных изделий сопровождается образованием волокнистой горючей пыли, поэтому эти помещения характеризуются как пожарные и относятся к категории В по CНиП 21-01-97 [33]. Такие помещения предусматривают устройство наружного пожарного водопровода с расположением гидрантов на расстоянии не более 150 м и не менее 5 м от стен здания, а также внутреннего пожарного водопровода с расположением пожарных кранов на высоте 1,35 м от уровня пола в заметных и в то же время доступных местах. На складах могут применяться автоматические системы пенного или газового тушения.

Из первичных средств пожаротушения применяются огнетушители углекислотные (для тушения электрических установок, находящихся под напряжением до 1000 В) и пенные типа ОВП-10. Согласно СНиП 21-01-97* расстояние от рабочего места до выхода или лестницы принимается в зависимости от категории взрывопожарности производства, степени огнестойкости здания. Для эвакуации людей из зданий высотой более 10 м и более проектируют наружные стальные лестницы. Расстояние между лестницами по периметру здания - не более 200 м. Для указания места нахождения эвакуационного выхода применяются указательные знаки.

Количество эвакуационных выходов в здании швейного предприятия должны быть расположены рассредоточено. Ширина коридора в здании - 1,5 м. Двери открываются по направлению выхода из здания. Вдоль эвакуационного выхода не должно быть шкафов и других посторонних предметов, которые будут мешать при эвакуации. Отделка коридора, приемного зала из несгораемых материалов.

Эвакуационные выходы должны обеспечивать эвакуацию всех людей, находящихся в помещении в течение необходимого времени.

Соблюдение норм безопасности и удобства рабочих позволяет повысить эффективность работы предприятия, работоспособность рабочих и снизить производственный травматизм [50, 51, 52].

Таблица 6.1 - Опасные и вредные факторы, влияющие на исполнителя на рабочем месте швеи

Выводы

Целью данной работы была разработка методики обеспечения качества швейных изделий на стадии их изготовления. На основании выполненной работы можно отметить, что цель достигнута. Нейросетевое программирование является актуальным, так как позволяет осуществлять прогнозирование в условиях неопределенности, а также влияния большого количества факторов, как системных, так и случайных.

На первом этапе выявлены основные понятия, относящиеся к качеству продукции, на основании которых проведен анализ нормативной базы обеспечения качества продукции, в результате которого установлено, что на сегодняшний день, управление качеством продукции сконцентрировано на пакете международных стандартов по обеспечению качества ("семейство" стандартов ИСО серии 9000). Также установлено, что наряду с системами стандартов качества, обеспечение высоких показателей получают при использовании методов прогнозирования, основу которых составляют математические методы статистических задач. Прогнозирование качества продукции относится к классу недетерминированных, так как протекает в условиях влияния случайных факторов, высокой степени неопределенности, динамики и сложности. Поэтому, для реализации методики прогнозирования качества швейных изделий предлагается использовать интеллектуальные системы, в частности нейронные сети, так как они способны решать слабо структурированные и плохо формализованные задачи.

На втором этапе построена функциональная модель процесса производства швейного изделия (на примере ОАО "Синар") показывающая основные этапы осуществляемого контроля на каждой из стадии изготовления изделия в швейном цехе. Также на основании установленных мер соответствия фактических значений параметров и показателей качества продукции нормативно-технической документации разработана классификация дефектов, которые могут возникнуть на стадии изготовления швейного изделия. Проведен анализ для установления причин факторов, в результате которого выделены соответствующие группы дефектов, которые могут возникнуть в процессе производства швейного изделия.

В ходе выполнения третьего раздела разработан алгоритм решения задачи анализа и прогнозирования качества швейного изделия с помощью нейронных сетей, в результате которого определено пять этапов. На первом этапе осуществляется отбор входных данных для осуществления прогноза качества швейного изделия, затем, на втором этапе, эти данные анализируются, удаляются незначимые, а также выполняется нормализация (преобразование разных по структуре данных к единому виду). На третьем этапе выполняется собственно конструирование нейронной сети, выбирается количество слоев и нейронов в них, а также выбирается подходящая архитектура (структура) нейронной сети. На четвертом этапе осуществляется процесс обучения, а на пятом - тестирование и анализ полученной сети. Если сеть удовлетворяет заданным требованиям, то на этом процесс завершается - нейронная сеть готова в работе. Если результаты не удовлетворяют необходимо проанализировать, почему такие данные и вернуться на тот шаг, где необходимо их изменить.

В четвертом разделе, для реализации поставленных задач выбрана аналитическая платформа Deductor фирмы BaseGroup Labs. Также реализована методика прогнозирования качества швейных изделий на стадии их изготовления, после чего выполнен анализ полученных результатов, в результате которого, для реализации методики обеспечения качества швейных изделий, наиболее точными данными обладают архитектуры с использованием алгоритма RPROP, с двумя скрытыми слоями, с 30 нейронами в каждом слое. При расчете величины относительной ошибки, установлено, параметры полученного значения не соответствуют значением, предусмотренным в швейной промышленности, что говорит о несовершенстве разработанной нейросетевой архитектуры. Выполнен анализ прогнозирования показателя качества, в результате которого выявилась зависимость, при которой возрастание или убывание показателя происходит постепенно. В руководстве пользователя выполнено подробное описание последовательного построения нейронной сети для реализации методики обеспечения качества швейных изделий.

В результате расчета экономической эффективности установлено, что условно, годовая экономическая эффективность от внедрения программного продукта Deductor Professional составила 174462руб, Deductor Enterprise - 170112руб, при этом, капитальные затраты на внедрение предлагаемой методики, при первом варианте, могут окупаться в течение 0,9 года, при втором в течение 1,1 года.

В разделе безопасность жизнедеятельности рассмотрено рабочее место швеи, установлены основные неблагоприятные факторы, влияющие на трудоспособность. Предложены меры по устранению таких факторов, которые позволяют избежать снизить утомляемость работниц, способствуют улучшению условий и росту производительности труда.

Список использованных источников

. А.Н. Чекмарев, Б.А. Барвинок, В.В. Шалавин. Статистические методы управления качеством. - М.: Машиностроение, 1990. - 320с.

. Материалы сайта: http://neuroschool.narod.ru/ Короткий С. Нейронные сети: основные положения.

. Бузов Б.А. Управление качеством продукции. Технический регламент, стандартизация и сертификация: учеб. пособие для вузов/ Б.А. Бузов. - М.: Издательский центр "Академия", 2006. - 176 с.

. Стандартизация и управление качеством продукции в легкой промышленности: Учебник для вузов/ М.И. Круглов, Н.Ю. Круглова, А.М. Галаева, Г.Н. Лебедева - М.: Легпромиздат, 1991. - 256 с.

. Журнал № 1/2006 Стандарты и качество: "Модель качества"

. Журнал №11/2008 Управление качеством: "ISO - Международная организация качества"

. Крылова Г.Д. Основы стандартизации, сертификации, метрологии: Учебник для вузов. - 2-е изд., перераб. и доп. - М.: ЮНИТИ - ДАНА, 1999. - 711с.

. Сажин Ю.В. Статистические методы анализа и контроля качества продукции: учебник. - Саранск: Изд-во Мордов. ун-та, 2006. - 212 с.

. Стандарты и качество 6 - 2006

. Материалы сайта: http://www.guality.eup.ru/

. Материалы сайта: http://www.prognoz.org/

. Золотогоров В.Г. Организация и планирование производства: Практ. пособие. - Мн.: ФУАинформ, 2001. - 528 с.

. Эвристические методы в календарном планировании. Плиман А. Д., Рубинштейн М. И. // Итоги науки и техники. Техническая кибернетика, 1990, том 29, с. 79-127.

. Бездудный Ф. Ф., Павлов А. П. Математические методы и модели в планировании текстильной и легкой промышленности. - М.: Легкая индустрия, 1979, 440 с.

. Александрова В. Ф., Уразов В.А. Моделирование оптимальной системы управления предприятием в легкой промышленности. - М.: Легпромбытиздат, 1989, 192 с.

. Ларионов А. И., Юрченко Т. И. Экономико-математические методы в планировании. - М.: Высшая школа, 1984, 224 с.

. Фролов Ю. В. Интеллектуальные системы и управленческие решения. - М.: МГПУ, 2000. - 294 с.

. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. - М.: Финансы и статистика, 2004. - 424 с.

. Материалы сайта: http://www.keldysh.ru/

. Маклаков С.В. Моделирование бизнес - процессов с AIIFusion Process Modeler (BPwin 4.1). - М.: ДИАЛОГ - МИФИ, 2003 - 240 с.

. Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования: Рекомендации по стандартизации. - Введ. 01.07.2002. - М.:ИПК Изд-во стандартов, 2001- 49 с.

. Международные стандарты. Управление качеством продукции. ИСО 9000, ИСО 9004, ИСО 8402. - М.: Изд-во стандартов, 1988

. Материалы сайта: http://www.market-pages.ru/

. Кокеткин П.П. Одежда: технология-техника, процессы - качество. М.: Издательство МГУДТ, 2001. - 260 с.

. Коблякова Е.Б. Конструирование одежды с элементами САПР: Учебник для вузов по специальности "Технология и конструирование швейных изделий"/ Е .Б. Коблякова, Г.С. Ивлева, В.Е. Романов и др. - 4-е изд., перераб. и доп. - М.: Легпромбытиздат, 1988. - 464 с.

. Материалы сайта: http://www.statsoft.ru/

. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.

. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. - М.: Горячая линия - Телеком, 2001. - 182 с.

. Городецкий А. Е., Тарасова И. Л. Управление и нейронные сети. СПб.: Изд-во Политех. ун-та, 2005. - 312 с.

. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104 с.

. Дулесов А. С. Нейронные сети и нейрокомпьютеры в интеллектуальных информационных системах: учебное пособие / А. С. Дулесов. - Абакан: Издательство Хакасского государственного университета им. Н. Ф. Катанова, 2005. - 116 с.

. Материалы сайта: http://www.basegroup.ru

. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применение в экономике. М. - 1998. - 222 с.

. ГОСТ 24103-80 "Изделия швейные. Термины и определения дефектов" М.: Издательство стандартов, 1983.

. Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для вузов/В.Е. Гмурман.-10-е изд., стер. - М.:Высш. шк.,2004.- 479с.

.Франц В. Я. Охрана труда на швейных предприятиях: Справочное пособие. - М.: Легпромбытиздат, 1987. - 184 с.

.Красильщиков М. И., Филатов И. П., Щупакас Д. Е. Гигиена труда в легкой промышленности: Справ. пособие. - М.: Легкая индустрия, 1980. - 184 с.

. Ермолаев В.А. и др. Охрана труда в легкой промышленности/Ермолаев В.А., Кравец В.А., Свищев Г.А..: Учебник для вузов. - М.: Легпромиздат, 1985.-184 с.

. СНиП 21-01-97 Пожарная безопасность зданий и сооружений/Госстрой России. - М.: ГУП ЦПП, 1999. - 30 с.

. СН 2.2.4/2.1.8.562-96 Шум на рабочих местах, в помещениях жилых, общественных зданий и на территории жилой застройки. Санитарные нормы. - М.: Информационно-издательский центр Минздрава России, 1997. - 20 с.

. СНиП 11-12-77 Защита от шума/Госстрой России. - М.:ГУП ЦПП, 2001. - 52 с.

. СНиП 23-03-2003 Защита от шума / Госстрой России. - М.:ГУП ЦПП, 2003. - 30 с.

. ГОСТ 12.1.003-91 ССБТ. Шум. Общие требования безопасности. - М.: Изд-во стандартов, 1991. - 10 с.

. ГОСТ 27409-97 Шум. Нормирование шумовых характеристик стационарного оборудования. Основные положения. - М.: Изд-во стандартов, 1997. - 6 с.

. СН 2.2.4/2.1.8.566-96 Производственная вибрация, вибрация в помещениях жилых и общественных зданий: Санитарные нормы. - М.: Информационно-издательский центр Минздрава России, 1997. - 30 с.

. ГОСТ 12.1.012-90 ССБТ. Вибрационная безопасность. Общие требования. - М.: Изд-во стандартов, 2001. - 29 с.

. ГОСТ 26568-85 Вибрация. Методы и средства защиты. Классификация. - М.: Изд-во стандартов, 1997. - 12 с.

. СНиП 23-05-95 Естественное и искусственное освещение. - М.: Министерство строительства РФ, 1995. - 35 с.

. СанПиН 2.2.4.548-96 Гигиенические требования к микроклимату производственных помещений: Санитарные правила и нормы.-М.: Информационноиздательский центр Госкомсанэпидемнадзора России, 1996. - 21 с.

. СНиП 2.04.05-91 Отопление, вентиляция и кондиционирование / Госстрой России. - М.: ГУП ЦПП, 2002. - 30 с.

. ГОСТ 12.1.005-88 ССБТ. Общие санитарно-гигиенические требования к воздуху рабочей зоны. - М.: Изд-во стандартов, 1988. - 75 с.

. ГН 2.2.5.1313-03 Предельно допустимые концентрации (ПДК) вредных веществ в воздухе рабочей зоны. Гигиенические нормативы.

. ГОСТ 12.4.124-83 ССБТ. Средства защиты от статического электричества. Общие технические требования. - М.: Изд-во стандартов, 1983. - 12 с.

. ГОСТ 12.1.019-79 ССБТ. Электробезопасность. Общие требования. - М.: Изд-во стандартов, 1990. - 15 с.

. ГОСТ 12.1.038-83 ССБТ. Электробезопасность. Предельно допустимые уровни напряжений прикосновения токов. - М.: Изд-во стандартов, 1983.- 6с.

. НПБ 88-2001 Установки пожаротушения и сигнализации. Нормы и правила проектирования. - М.: ГУП ЦПП, 2002.

. ППБ 01-03 Правила пожарной безопасности в РФ. - М.: ГУГПС и ВНИИПО МВД России, 1999. - 30 с.

. СНиП 21-01-97 Пожарная безопасность зданий и сооружений/Госстрой России. - М.: ГУП ЦПП, 1999. - 30 с.

. Безопасность жизнедеятельности: Учебник / Под ред. проф. Э. А. Арустамова. - 2-е изд., перераб. И доп. - М.: Издательский дом "Дашков и К◦", 2000.- 678 с.

. ГОСТ 12.1.005-88 Общие санитарно-гигиенические требования к воздуху рабочей зоны. - М.: Изд-во стандартов, 1988.- 12с.

. Безопасность жизнедеятельности в легкой промышленности: Учебник для студ. высш. уч. заведений/ В.А.Кравец, Г.А.Свищев и др. - М.: Изд. центр "Академия", 2006. - 432 с.

Annotation

subject of the given graduation work is the development of methods for maintaining the quality of sewing goods at the stage of their manufacture using the apparatus of neuronets.purpose of the work is to study the abilities of neuronet programming to determine the complex quality index of sewing goods by means neuronet and to appreciate the possibility of applying the received data to production.graduation thesis consists of the following parts:

1. State of art.

2.      Development of methods of prediction of sewing goods quality.

.        Economic effectiveness

.        Industrial safety.a result of the done work there have been revealed that though a lot of methods of assessment of sewing goods quality are used at the enterprises, they are not good enough for the present situations. The main feature of them must be ability of predicting which allows achieving high quality production, escaping production losses and maintaining efficient work of an enterprise.solve the considered problems it has been offered to use new intelligence technologies which the neuronets belong to. Applying of the offered methods allow predicting accurate indices of sewing goods quality and eliminating economic loses relating to non-standard products.