Методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Соловьев Денис Сергеевич

• Соловьев Денис Сергеевич
• доктор наук
• 2025

Оглавление диссертации доктор наук Соловьев Денис Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННЫЙ УРОВЕНЬ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И ФОРМИРОВАНИЯ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ СИСТЕМАМИ ПРОИЗВОДСТВА ГАЛЬВАНИЧЕСКИХ ПОКРЫТИЙ

1.1 Анализ функционирования технологических систем производства гальванических покрытий

1.2 Формализация процесса нанесения гальванического покрытия для задачи принятия решений и формирования управления

1.3 Источники неопределенности в принятии решений и формировании управления для технологических систем производства гальванических покрытий

1.4 Анализ систем поддержки принятия решений и интеллектуального управления в производстве гальванических покрытий

1.5 Особенности построения систем поддержки принятия решений

1.6 Структура систем поддержки принятия решений на базе формализованных моделей выбора

1.7 Нормализация данных в матрице решений

1.8 Расчет весовых коэффициентов значимости критериев

1.9 Выбор лучшей альтернативы

1.10 Правила группового голосования

1.11 Компетентность участников группового голосования

1.12 Технологии построения интеллектуальных систем управления

1.13 Особенности функционирования ассоциативной памяти

1.14 Особенности функционирования нечеткого логического вывода

1.15 Постановка задач исследования

Выводы по главе

ГЛАВА 2. МЕТОДОЛОГИЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ИНТЕЛЛЕКТУАЛЬНОМ УПРАВЛЕНИИ ТЕХНОЛОГИЧЕСКИМИ СИСТЕМАМИ ПРОИЗВОДСТВА ГАЛЬВАНИЧЕСКИХ ПОКРЫТИЙ

2.1 Подход к принятию решений и формированию управления для функционирования технологических систем производства гальванических покрытий

2.2 Постановка задач и разработка модели поддержки принятия решений и формирования управления

2.3 Взаимосвязь принципов, методов и алгоритмов, образующих методологию поддержки принятия решений при интеллектуальном управлении

2.4 Структурная схема и алгоритмическое обеспечение проблемно-ориентированной системы поддержки принятия решений

2.5 Выбор нормализации данных

2.6 Агрегация значений весовых коэффициентов значимости критериев

2.7 Расчет коэффициентов компетентности участников группового выбора

2.8 Интеллектуальное управление на базе ассоциативной памяти

2.9 Интеллектуальное управление на базе нечеткого логического вывода

2.10 Выбор типа интеллектуального управления для реализации в условиях неопределенности

2.11 Критерии оценки влияния неопределенности на принятие решений и формирование управления

2.12 Определение экономической целесообразности предлагаемых решений

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА ПОДСИСТЕМЫ ВЫБОРА МЕТОДА НОРМАЛИЗАЦИИ ДАННЫХ

3.1 Структурная схема подсистемы выбора метода нормализации данных

3.2 Математическое обеспечение подсистемы выбора метода нормализации данных

3.3 Алгоритмическое обеспечение подсистемы выбора метода нормализации данных

3.4 Программное обеспечение подсистемы выбора метода нормализации данных

3.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ГЛАВА 4. РАЗРАБОТКА ПОДСИСТЕМЫ АГРЕГАЦИИ ЗНАЧЕНИЙ ВЕСОВЫХ КОЭФФИЦИЕНТОВ ЗНАЧИМОСТИ КРИТЕРИЕВ

4.1 Структурная схема подсистемы агрегации значений весовых коэффициентов значимости критериев

4.2 Математическое обеспечение подсистемы агрегации значений весовых коэффициентов значимости критериев

4.3 Алгоритмическое обеспечение подсистемы агрегации значений весовых коэффициентов значимости критериев

4.4 Программное обеспечение подсистемы агрегации значений весовых коэффициентов значимости критериев

4.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ГЛАВА 5. РАЗРАБОТКА ПОДСИСТЕМЫ ГРУППОВОГО ВЫБОРА С УЧЕТОМ КОМПЕТЕНТНОСТИ УЧАСТНИКОВ

5.1 Структурная схема подсистемы группового выбора с учетом компетентности участников

5.2 Математическое обеспечение подсистемы группового выбора с учетом компетентности участников

5.3 Алгоритмическое обеспечение подсистемы группового выбора с учетом компетентности участников

5.4 Программное обеспечение подсистемы группового выбора с учетом компетентности участников

5.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ГЛАВА 6. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НА БАЗЕ АССОЦИАТИВНОЙ ПАМЯТИ

6.1 Структурная схема интеллектуальной системы управления на базе ассоциативной памяти

6.2 Математическое обеспечение интеллектуальной системы управления на базе

ассоциативной памяти

6.3 Алгоритмическое обеспечение интеллектуальной системы управления на базе ассоциативной памяти

6.4 Программное обеспечение интеллектуальной системы управления на базе ассоциативной памяти

6.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ГЛАВА 7. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НА БАЗЕ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА

7.1 Структурная схема интеллектуальной системы управления на базе нечеткого логического вывода

7.2 Математическое обеспечение интеллектуальной системы управления на базе нечеткого логического вывода

7.3 Алгоритмическое обеспечение интеллектуальной системы управления на базе нечеткого логического вывода

7.4 Программное обеспечение интеллектуальной системы управления на базе нечеткого логического вывода

7.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ГЛАВА 8. РАЗРАБОТКА ПОДСИСТЕМЫ ВЫБОРА ТИПА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ

8.1 Структурная схема подсистемы выбора типа интеллектуальной системы управления

8.2 Математическое обеспечение подсистемы выбора типа интеллектуальной системы управления

8.3 Алгоритмическое обеспечение подсистемы выбора типа интеллектуальной системы управления

8.4 Информационное обеспечение проблемно-ориентированной системы поддержки принятия решений

8.5 Вычислительный эксперимент и анализ полученных результатов

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А (справочное) Результаты интеллектуальной деятельности

(копии)

ПРИЛОЖЕНИЕ Б (справочное) Сведения о внедрении и использовании

результатов диссертационной работы (копии)

ПРИЛОЖЕНИЕ В (справочное) Результаты вычислений по выбору метода

нормализации данных

ПРИЛОЖЕНИЕ Г (справочное) Результаты вычислений по агрегации значений

весовых коэффициентов значимости критериев

ПРИЛОЖЕНИЕ Д (справочное) Результаты вычислений по групповому выбору с

учетом компетентности участников

ПРИЛОЖЕНИЕ Е (справочное) Результаты вычислений по формированию

интеллектуального управления на базе ассоциативной памяти

ПРИЛОЖЕНИЕ Ж (справочное) Результаты вычислений по формированию

интеллектуального управления на базе нечеткого логического вывода

ПРИЛОЖЕНИЕ И (справочное) Результаты вычислений по выбору типа интеллектуальной системы управления

Введение диссертации (часть автореферата) на тему «Методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий»

ВВЕДЕНИЕ

Актуальность исследования. Гальванические покрытия играют важную роль в защите деталей от коррозии, улучшении их механических свойств, а также в придании им декоративных качеств. Согласно сведениям общедоступного индустриального портала Echemestry, посвященного электрохимии, в Российской Федерации количество предприятий, принимающих заказы на нанесение гальванических покрытий, превышает 650, а их общий объем производства оценивается в 25-44 тыс. тонн в год [1]. При средней толщине покрытия в 15 мкм и плотности 8 тонн/м3 для наиболее распространенных материалов (хром, никель, медь, цинк) это обеспечивает обработку поверхности площадью 200-370 млн. м2 в год. Таким образом, значительные объемы производства и количество предприятий, работающих в данной сфере, в сочетании с внешнеэкономическими ограничениями, обуславливают необходимость повышения эффективности технологических систем производства гальванических покрытий, что имеет важное хозяйственное значение для предприятий и способствует обеспечению их конкурентоспособности на рынке. Повышению эффективности технологических систем производства гальванических покрытий посвящено множество исследований, в их числе работы Каданера Л.И., Шлугера М.А., Виноградова С.С., Гамбурга Ю.Д., Литовка Ю.В. и др. В представленных исследованиях повышение эффективности достигается через разработку специализированного оборудования, используемого для оптимизации режимов работы технологических систем. Однако выбор оптимального оборудования и режима работы, требующий от персонала принятия обоснованных решений и формирования эффективного управления гальваническими процессами, существенно усложняется присущей этим процессам неопределенностью. Разнообразие вариантов оборудования ставит лицо, принимающее решение (ЛПР), перед неопределенностью прогнозирования результатов. Кроме того, человеческий фактор является источником поведенческой неопределенности в процессе принятия решений. Это проявляется в субъективности выбора методов принятия решений для

определения конкретного оборудования, включая нормализацию данных, установление весов критериев и определение лучшей альтернативы, а также формирования управления технологической системой с его использованием. Неопределенность исходных данных, связанная с отсутствием на этапе принятия решений точной информации о значениях взаимодействующих нелинейных факторов, таких как длительность процесса, площадь детали, сила тока, температура раствора и др., может привести к отклонениям от запланированных критериев эффективности в процессе управления технологическими системами производства гальванических покрытий. Выбор неверных параметров процесса, обусловленный неопределенностью, приводит к дефектам в конечном продукте, что увеличивает количество возвратов и требует дополнительных затрат на исправление ошибок. Кроме того, применение неэффективных вариантов оборудования способствуют перерасходу сырья и энергии, что негативно сказывается на экономических показателях производства. Для уменьшения дефектов в конечном продукте и перерасхода сырья и энергии, вызванных неверным выбором параметров процесса или применением неэффективного оборудования, применяются: проведение экспериментальных исследований для изучения влияния различных факторов на конечный результат и получения эмпирических данных о гальванических процессах; стандартизация требований к качеству и свойствам покрытий; регламентация технологических параметров для достижения заданных требований; повышение квалификации персонала через теоретическое обучение и практическую подготовку по современным стандартам качества. Тем не менее, совокупного эффекта указанных мер зачастую недостаточно для повышения эффективности технологических систем производства гальванических покрытий из-за сложности достижения значительного уменьшения воздействия неопределенности (прогнозирования, поведенческой, исходных данных) на принимаемые решения и формируемые управления от ЛПР. По этой причине эффективность технологических систем производства гальванических покрытий может оказаться определяемой в большей степени не научными методами, а опытом и квалификацией ЛПР в принятии

решений и формировании управления в условиях неопределенности. Недостаточная эффективность технологических систем при высокой конкуренции на рынке приводит к утрате его доли и снижению прибыли предприятия. Перспективным направлением повышения эффективности технологических систем является применение ЛПР современных информационных технологий, таких как проблемно-ориентированные системы поддержки принятия решений (СППР) и интеллектуальные системы управления (ИСУ). Однако существующие реализации проблемно-ориентированных СППР и ИСУ для производства гальванических покрытий не ориентированы на принятие решений и формирование управления в условиях неопределенности, что препятствует их полноценному использованию для повышения эффективности функционирования технологических систем. Таким образом, актуальной научной проблемой является разработка теоретических основ методологии поддержки принятия решений при интеллектуальном управлении в условиях неопределенности и средств ее реализации, используемых для повышения эффективности функционирования технологических систем производства гальванических покрытий. Полученный результат позволит создать предпосылки для увеличения конкурентоспособности предприятий на динамичном рынке.

Исследования, проведенные в работе, выполнены при поддержке программ «УМНИК» (договоры №°9576р/14219 от 01.08.2011 г., №°10741р/16955 от 01.08.2012 г.) и «СТАРТ» (договор №2726ГС1/43137 от 05.10.2018 г.) Фонда содействия инновациям, а также гранта имени профессора А.И. Булгакова для студентов, аспирантов, молодых преподавателей и научных сотрудников ФГБОУ ВО «Тамбовский государственный университет имени Г.Р. Державина» (договор №БГ2021-02 от 01.03.2021 г.).

Степень разработанности темы исследования. Несмотря на значительное количество исследований, посвященных процессам принятия решений и управления в сложных системах (Куржанский А.Б., Иваненко В.И., Новиков Д.А., Тихонов А.Н., Мейстер Д.Х., Салвенди Г., Алексеев В.В., Большаков А.А. и др.), в существующих работах недостаточно внимания уделяется анализу влияния неопределенности на

указанные процессы. Для оптимизации производства гальванических покрытий используются проблемно-ориентированные СППР, описанные в работах Dobrzanski L.A., Prasad R.V., Немтинова В.А., Михайловой П.Г. и др., а также ИСУ, представленные в работах Jinxiang Z., Leung R.W.K., Jing X. и др., которые не учитывают неопределенность при принятии решений и формировании управления, что уменьшает целесообразность их применения для повышения эффективности функционирования технологических систем. Исследования, посвященные построению ключевых подсистем в СППР, охватывают нормализацию данных (Наумов А.А., Зуга И.М., Brauers W.K., Jahan A., Wang Y.-M., Van Delft A. и др.), расчет весовых коэффициентов значимости критериев (Машунин К.Ю., Lotfi F.H., Wang Y.M., Keshavarz-Ghorabaee M., Krishnan A.R., Li G. и др.) и выбор лучшей альтернативы (Рогов С.Ф., Набатова Д.С., Zavadskas E.K., Badi I., Keshavarz Ghorabaee M., Wu W., Karande P. и др.). Однако до настоящего времени не проведены комплексные исследования, позволяющие обоснованно выбрать методы нормализации данных, расчета весовых коэффициентов значимости критериев для агрегации результатов и получить единственную альтернативу с учетом компетентности участников группового голосования в случае нескольких лучших решений. Важным направлением разработки и совершенствования систем управления является построение ИСУ, активно исследуемое в работах Трофимова В.Б., Романова М.П., Комашинского В.И., Проталинского О.М., Лютова А.Г., Prakapovich R., Constantin J. и др. Особое внимание в них уделяется применению технологий ассоциативной памяти и нечеткого логического вывода для формирования управляющих воздействий. В рамках современных исследований, проведенных такими авторами, как Литвиненко А.М., Макаров И.М., Kohonen T., Gavrilov A.V., Канаева М.М., Осипова В.Ю. и др., отсутствуют методологические подходы к настройке ассоциативной памяти, которые бы обосновывали выбор объема и содержания знаний с учетом допустимых потерь критерия оптимальности, а также не исследуются значимость входных переменных и кластеризация содержимого ассоциативной памяти, что необходимо для снижения длительности и повышения точности поиска управления при помощи извлечения знаний из

структурированных групп данных. Исследования Dubois D., Radzikowska A., Копырина А.С., Ferri E., Gupta M.M., Рыжакова В.В. и др., посвященные технологиям нечеткого логического вывода, также демонстрируют недостаточное внимание к ключевым аспектам настройки параметров конфигурации нечетких систем, связанным с формализацией выбора вида функций принадлежности термов лингвистических переменных, а также вариантов выполнения логических операций и методов дефаззификации. С учетом вышеизложенного, необходимо создание взаимодействующих проблемно-ориентированных СППР и ИСУ, которые обеспечат снижение влияния неопределенности на получаемые решения и сформированные управления, используемые для повышения эффективности функционирования технологических систем производства гальванических покрытий.

Цель и задачи исследования. Целью работы является повышение эффективности функционирования технологических систем производства гальванических покрытий за счет разработки теоретических основ методологии поддержки принятия решений при интеллектуальном управлении в условиях неопределенности и средств ее реализации. Количественным критерием степени достижения цели является уменьшение отклонений между прогнозируемыми оптимальными показателями эффективности функционирования данных систем (качества покрытий, производительности процесса, затрат ресурсов, стоимости реализации) и фактическими значениями, возникающими в результате воздействия неопределенности.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Выполнить анализ функционирования технологических систем производства гальванических покрытий, выявить источники неопределенности и их влияние на процессы принятия решений и управления в технологических системах, а также рассмотреть особенности построения проблемно-ориентированных СППР и ИСУ для локализации мест воздействия неопределенности. На основе проведенного анализа сформулировать основные направления исследования.

2. Разработать методологию поддержки принятия решений при интеллектуальном управлении технологическими системами производства

гальванических покрытий для повышения эффективности их функционирования при помощи взаимодействующих между собой проблемно-ориентированных СППР и ИСУ, снижающих неопределенность.

3. Предложить критерии оценки снижения неопределенности, обусловленной человеческим фактором, при настройке СППР и ИСУ, основанные на уменьшении вариативности конфигурации их подсистем.

4. Сформулировать задачи автоматизированной настройки параметров конфигурации СППР и ИСУ для получения результатов, минимизирующих участие в ней ЛПР, и разработать методы их решения.

5. Разработать структурную схему, математическое, алгоритмическое, информационное и программное обеспечение проблемно-ориентированных СППР и ИСУ, реализующие снижение влияния неопределенности на принимаемые решения и формируемые управления от ЛПР, используемые для повышения эффективности функционирования технологических систем производства гальванических покрытий и провести эксперименты по их работе.

Объектом исследования являются технологические системы производства гальванических покрытий.

Предметом исследования являются закономерности функционирования и системные связи в технологических системах производства гальванических покрытий, представленные математическими моделями процессов, методы и алгоритмы принятия решений и интеллектуального управления в условиях неопределенности, а также средства для их реализации.

Научная новизна.

1. Разработана методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий, отличающаяся интегрированным подходом к снижению неопределенности прогнозирования и поведенческой неопределенности в решениях от ЛПР, связанных с выбором оборудования, с помощью СППР, а неопределенности исходных данных при формировании управления гальваническим процессом с помощью ИСУ (п. 4 паспорта специальности 2.3.1).

2. Предложены критерии оценки снижения неопределенности, обусловленной человеческим фактором, при настройке проблемно-ориентированных СППР и ИСУ, отличающиеся учетом сокращения числа доступных конфигураций подсистем, что позволяет определить наиболее значимые варианты в ходе решения поставленных задач (п. 3 паспорта специальности 2.3.1).

3. Сформулированы задачи выбора вариантов конфигурации проблемно-ориентированных СППР и ИСУ, отличающиеся автоматизированным подбором оптимальных параметров для их настройки, в которых учтены такие аспекты, как нормализация данных, весовые коэффициенты для критериев, компетентность участников голосования, кластеризованные данные и весовые коэффициенты входных переменных ассоциативной памяти, виды функций принадлежности, нечетких операций и дефаззификации, а также тип интеллектуального управления (п. 2 паспорта специальности 2.3.1). Для решения данных задач разработаны (п. 4 паспорта специальности 2.3.1):

3.1. метод выбора нормализации данных, отличающийся поиском безразмерного представления матрицы решений, которое обеспечивает преобладание наиболее распространенной лучшей альтернативы при всевозможных сочетаниях весовых коэффициентов значимости критериев для заданного метода принятия решений;

3.2. метод агрегации значений весовых коэффициентов значимости критериев, отличающийся обеспечением на основе их ранговых значений заданной согласованности и статистической значимости полученных результатов;

3.3. метод расчета коэффициентов компетентности участников голосования, отличающийся учетом группового выбора лучшей альтернативы при условии получения единственного результата в случае нескольких лучших решений;

3.4. метод формирования знаний в ассоциативной памяти, отличающийся определением ее содержимого по допустимой потере в оптимальности процесса для расстояния между значениями соседних строк и их кластеризацией по критерию, учитывающему общее количество кластеров и их максимальный размер;

3.5. метод расчета весовых коэффициентов значимости входных переменных из ассоциативной памяти, отличающийся учетом вероятности выполнения ограничений на значения ее выходных переменных;

3.6. метод поиска содержимого ассоциативной памяти, отличающийся минимизацией взвешенного расстояния, учитывающего весовые коэффициенты значимости входных переменных, сначала до центров кластеров, затем внутри содержимого ближайшего к значениям входных переменных кластера;

3.7. метод определения параметров функций принадлежности термов лингвистических переменных, отличающийся использованием процесса нечеткого логического вывода для связи отклонений входных переменных со стабилизирующим управлением, результаты которого применяются при минимизации суммы квадратов разности между прогнозируемым и расчетным значением критерия оптимальности;

3.8. метод формирования стабилизирующего управления процессом, отличающийся использованием минимальной разности между относительным отклонением прогнозируемого от расчетного значения критерия оптимальности для выбора параметров функций принадлежности, вариантов выполнения нечетких операций и дефаззификации при настройке нечеткого логического вывода;

3.9. метод выбора типа ИСУ, отличающийся планированием экспериментов с разным количеством уровней для входных переменных и анализом их результатов по статистической проверке гипотез для прогнозирования и оценки результативности формируемого управления при минимизации влияния неопределенности на эффективность функционирования технологической системы производства гальванических покрытий.

4. Разработаны структурные схемы проблемно-ориентированных СППР и ИСУ, отличающиеся наличием в СППР подсистем выбора метода нормализации данных, агрегации значений весовых коэффициентов значимости критериев, группового выбора с учетом коэффициентов компетентности участников и выбора типа системы управления, и в ИСУ подсистем формирования знаний, оценки качества и регулятора с кластеризованной ассоциативной памятью, а

также настройки процесса нечеткого логического вывода (п. 9 паспорта специальности 2.3.1).

5. Разработано алгоритмическое обеспечение проблемно-ориентированных СППР и ИСУ, отличающееся оптимизацией выбора вариантов настроек их подсистем с учетом многокритериальной оценки альтернатив, что позволяет обосновать принятые решения и формируемые управления для повышения эффективности функционирования технологических систем производства гальванических покрытий (п. 5 паспорта специальности 2.3.1).

Теоретическая значимость.

1. Показана возможность снижения влияния неопределенности с помощью методологии поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий, реализованной в проблемно-ориентированных СППР и ИСУ.

2. Предложены критерии оценки снижения неопределенности, обусловленной человеческим фактором, при настройке конфигурации проблемно-ориентированных СППР и ИСУ.

3. Сформулированы задачи выбора параметров конфигурации, позволяющие в результате решения задачи оптимизации выполнить настройки проблемно -ориентированных СППР и ИСУ.

4. Разработаны методы решения задач настройки проблемно-ориентированных СППР и ИСУ, организующих автоматизацию процессов принятия решений и формирования управления.

Практическая значимость.

1. Разработаны структурные схемы, отображающие содержание и взаимосвязи элементов, и алгоритмическое обеспечение, реализующее разработанные методы, проблемно-ориентированных СППР и ИСУ.

2. Разработано информационное обеспечение, представленное реляционной базой данных, для хранения и обработки информации, необходимой для проблемно-ориентированных СППР и ИСУ.

3. Разработано программное обеспечение проблемно-ориентированных СППР

и ИСУ, реализующее алгоритмы поддержки принятия решений и формирования управления в условиях неопределенности.

4. Выбрано оборудование и сформировано управление процессом на основе применения проблемно-ориентированных СППР и ИСУ для технологических систем производства гальванических покрытий.

5. Достигнуто повышение эффективности функционирования технологических систем производства гальванических покрытий (увеличение качества покрытий и производительности процесса, снижение затрат ресурсов и стоимости реализации) с помощью выбранного оборудования и сформированного управления процессом.

Реализация и внедрение результатов работы. Предложенный подход, методы и алгоритмы, использованные в созданных проблемно-ориентированных СППР и ИСУ, внедрены на предприятиях АО «ТЗ «Ревтруд», ООО «КС Гальваника», АО «ТЗ «Октябрь», АО «ТАГАТ» им. С.И. Лившица, ООО «НЧХР» и в образовательный процесс ФГБОУ ВО «Тамбовский государственный университет имени Г.Р. Державина».

Методология и методы исследования основаны на системном подходе, теории принятия решений, кластерном анализе данных, математической статистике, комбинаторике, математическом моделировании, интеллектуальном управлении, оптимизации и объектно-ориентированном проектировании.

Положения, выносимые на защиту.

1. Методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий, реализованная в проблемно-ориентированных СППР и ИСУ, способствует снижению неопределенности в деятельности ЛПР, связанной с выбором оборудования и управлением режимом гальванического процесса.

2. Критерии оценки снижения неопределенности, обусловленной человеческим фактором, учитывают сокращение числа доступных вариантов конфигураций для настройки проблемно-ориентированных СППР и ИСУ.

3. Постановка задач выбора вариантов конфигурации проблемно-ориентированных СППР и ИСУ позволяет выполнить подбор параметров для их настройки.

4. Методы решения поставленных задач настройки проблемно-ориентированных СППР и ИСУ обеспечивают получение обоснованных результатов для ЛПР в ходе процессов принятия решений и формирования управления.

5. Применение структурных схем, алгоритмического, информационного и программного обеспечения в проблемно-ориентированных СППР и ИСУ ведет к повышению эффективности функционирования технологических систем производства гальванических покрытий за счет уменьшения неопределенности в процессах принятия решений и формирования управления.

Степень достоверности результатов работы подтверждается корректным применением принципов системного подхода, методов теории принятия решений, кластерного анализа данных, математической статистики, комбинаторики, математического моделирования, интеллектуального управления, оптимизации и объектно-ориентированного проектирования, а также соответствием теоретических положений полученным результатам.

Апробация результатов. Основные результаты работы докладывались и обсуждались на следующих всероссийских и международных конференциях: «Проблемы управления, обработки и передачи информации» (г. Саратов, 2017 г.); «Современные технологии в задачах управления, автоматики и обработки информации» (г. Москва, 2017 г.); «Современные технологии в науке и образовании» (г. Рязань, 2019, 2023 гг.); «Новые технологии в учебном процессе и производстве» (г. Рязань, 2023 г.); молодых ученых, аспирантов и студентов, посвященной памяти первого Президента Республики (Саха) Якутия М.Е. Николаева (г. Нерюнгри, 2023 г.); «Информационные технологии в моделировании и управлении: подходы, методы, решения» (г. Тольятти, 2023 г.); «Прикладная математика и информатика: современные исследования в области естественных и технических наук» (г. Тольятти, 2023 г.); «Минские научные чтения» (г. Минск, 2023 г.); «Научная территория: технологии и инновации» (г. Тюмень, 2023 г.); «Виртуальное моделирование, прототипирование и промышленный дизайн» (г. Тамбов, 2024 г. ).

Публикации. Материалы диссертации опубликованы в 70 работах, из которых: 38 статей - в журналах, рекомендованных ВАК РФ; 9 статей - в научных

изданиях, индексируемых международными реферативными базами Web of Science и Scopus; получен 1 патент и 11 свидетельств о государственной регистрации программы для ЭВМ; 11 - в сборниках трудов конференций, индексируемых в РИНЦ.

Соответствие паспорту научной специальности. Содержание диссертационной работы соответствует п. 2, 3, 4, 5, 9 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика.

Личный вклад автора. Все представленные в диссертации положения, выносимые на защиту, в том числе методы, алгоритмы, проблемно-ориентированные системы, основные научные результаты и выводы, получены лично автором. Предложенные в работе решения основываются на методологии, изложенной в [267], вклад автора в которую состоит в следующем: в [268-270, 291] описан выбор метода нормализации данных; в [271, 272, 293] приведено получение значений весовых коэффициентов значимости критериев; в [9, 273-276, 294, 296, 297] рассмотрены аспекты получения единственного результата в случае нескольких лучших решений; в [277-281, 298, 300, 303, 304] показано применение сформированной ассоциативной памяти для интеллектуального управления; в [282, 283, 307-312] продемонстрирована настройка процесса нечеткого логического вывода для формирования интеллектуального управления. С соавторами в [10-18, 20, 22-29, 31-44, 46-50] сформулированы задачи оптимизации и управления, созданы математические модели, алгоритмы расчета и автоматизированные системы для реализации различных вариантов технологических процессов нанесения гальванического покрытия, используемых при принятии решений.

Структура и объем работы. Диссертация содержит введение, восемь глав, заключение, список сокращений и условных обозначений, список литературы из 314 наименований и восемь приложений. Работа изложена на 497 страницах, содержит 363 формулы и уравнения, 141 рисунок и 68 таблиц.

Во введении показаны актуальность и степень разработанности темы исследования, сформулированы проблема, цель и задачи, объект и предмет, научная новизна, теоретическая и практическая значимость исследования,

приведены реализация и внедрение результатов работы, методология и методы исследования, положения, выносимые на защиту, описаны степень достоверности и апробация результатов, публикации по теме работы, рассмотрено соответствие содержания диссертации паспорту научной специальности и указан личный вклад автора.

Первая глава анализу функционирования технологических систем производства гальванических покрытий, формализации гальванического процесса для задач принятия решений и формирования управления, источников неопределенности в данных задачах, анализу СППР и ИСУ в производстве гальванических покрытий, анализу особенностей построения СППР и их структуре на базе формализованных моделей выбора, подходов к нормализации данных в матрице решений, расчету весовых коэффициентов значимости критериев, выбору лучшей альтернативы, правилам группового голосования, компетентности участников группового голосования, а также технологиям построения ИСУ, особенностям их функционирования на базе ассоциативной памяти и нечеткого логического вывода, а также постановке задач исследования.

Список литературы диссертационного исследования доктор наук Соловьев Денис Сергеевич, 2025 год

Источники питания

PK Ю источника питания INTEGER

Наименован ие VARCHAR(256)

Сила тока REAL

Напряжение REAL

Реверс BIT

Защитные катоды

PK Ю защитного катода INTEGER

Наименование Материал Компьютерный чер теж Площадь VARCHAR(256) VARCHAR(256) VARCHAR(256) REAL

-к

-к

-к

Ванны

PK ID ванны INTEGER

Наименование VARCHAR(256)

Материал VARCHAR(256)

Длина REAL

Ширина REAL

Высота REAL

+о-

-к

£

Гальванические процессы

PK Ю гальванического процесса INTEGER

Наименование VARCHAR(256)

Уровень электролита REAL

Шаг по длине REAL

Шаг по ширине REAL

Шаг по высоте REAL

Шаг по длительн ости REAL

Точность по потенциалу REAL

Точность по плотности тока REAL

Толщина покрытия VARCHAR(256)

Минимальная толщина покрытия REAL

Максимальная толщина покрытия REAL

Длительность процесса REAL

Длительность расчета REAL

Компьютерный чертеж расположения электродов в ванне VARCHAR(256)

Оптимальный режим VARCHAR(256)

Количество деталей INTEGER

Равномерность покрытия REAL

Производительность ванны REAL

Затраты электроэнергии REAL

Стоимость реализации процесса REAL

FK1 Ю электролита INTEGER

FK2 Ю источника питания INTEGER

FK3 Ю ванны INTEGER

FK4 Ю катода INTEGER

FK5 Ю анода INTEGER

FK6 Ю токонепроводящего экрана INTEGER

FK7 Ю би поляр ного электрода INTEGER

FK8 Ю защитного катода INTEGER

УГ

Аноды

PK Ю анода INTEGER

Наименован ие Материал Компьютерный чертеж Площадь VARCHAR(256) VARCHAR(256) VARCHAR(256) REAL

к.

Токонепроводящие экраны

PK Ю токонепроводящего экрана INTEGER

Наименован ие VARCHAR(256)

Материал VARCHAR(256)

Компьютерный чертеж VARCHAR(256)

Площадь REAL

Биполярные электроды

PK Ю биполярного электрода INTEGER

Наименование VARCHAR(256)

Материал VARCHAR(256)

Компьютерный чертеж VARCHAR(256)

Пло щадь REAL

Рисунок 8.3 - Схема таблиц база данных альтернатив

База данных альтернатив (вариантов нанесения гальванического покрытия) содержит следующие таблицы:

- «Ванны» (информация о наименовании, материале и размерах ванны;

- «Аноды», «Катоды», Биполярные электроды», «Токонепроводящие экраны», «Защитные катоды» (информация о наименовании, материале, компьютерном чертеже и площади данных электродах»;

- «Источники питания» (наименование, сила тока, напряжение и реверс);

- «Покрытия» (наименование, электрохимический эквивалент и плотность»;

- «Электролиты» (наименование, кислотность, температура, концентрация компонентов, выход по току, электропроводность, анодная и катодная поляризации);

- «Гальванические процессы» (наименование, уровень электролита, шаг по длине, по высоте, по уровню и по длительности, точность по потенциалу и по плотности тока, толщина покрытия, а также ее минимальное и максимальное значение, длительность процесса и его расчета, компьютерный чертеж расположения электродов в ванне, оптимальный режим, количество деталей, равномерность покрытия, производительность ванны, затраты электроэнергии, стоимость реализации процесса).

Таблица «Покрытия» и «Электролиты» связаны в отношении «один со многими» через ключ «ГО покрытия». Таблицы «Ванны», «Аноды», «Катоды», «Токонепроводящие экраны», «Биполярные электроды», «Защитные катоды», «Источники питания», «Электролиты» связаны в отношении «один со многими» через ключи «ГО ванны», «ГО анода», «ГО катода», «ГО токонепроводящего экрана», «ГО биполярного электрода», «ГО защитного катода», «ГО источника питания» и «ГО электролита» с таблицей «Гальванические процессы».

База данных принятых решений и сформированного управления состоит из 4 таблиц, структура и взаимосвязь которых представлена на рисунке 8.4:

- «Матрицы решений» (наименование, содержание);

- «ИСУ на базе ассоциативной памяти» (диапазоны неопределенности, содержание ассоциативной памяти, допустимые потери критерия оптимальности,

аппроксимация содержимого ассоциативной памяти, количество кластеров, центры кластеров, весовые коэффициенты значимости входных переменных);

- «ИСУ на базе нечеткого логического вывода» (диапазоны неопределенности, база знаний, термы и функции принадлежности лингвистических переменных, способы выполнения логических операций, методы дефаззификации);

- «Результаты выбора лучшего решения» (наименование используемые методы нормализации данных, расчета весовых коэффициентов и принятия решений, согласованность, весовые коэффициенты значимости критериев, компетентности участников, результаты голосования, количество экспериментов, результаты выбора типа ИСУ и их значимость).

Матрицы решений

PK ID матрицы решений INTEGER

Наименован ие Содержан ие VARCHAR(256) VARCHAR(256)

Результаты выбора лучшего решения

FK2 FK3

1Р результата выбора лучшего ршения

На именование Ю матрицы решений

Используемые методы нормализации данных Используемые методы расчета весовых коэффициентов Согласованность

Весовые коэффициенты значимости критериев

Используемые участники (методы принятия решений)

Компетентности участников

Результаты голосования

Ю ИСУ нечеткого логического вывода

Ю ИСУ ассоциативной памяти

Количество экспериментов

Значимость результатов

Результаты выбора типа ИСУ

INTEGER

ИСУ на базе нечеткого логического вывода

PK !Э ИСУ нечеткого логического вывода INTEGER

Диапазоны неопределенности База знаний Термы и функции принадлежности лингвистических переменны. Способы выполнения логических операций Методы дефаззификации VARCHAR(256) VARCHAR(256) VARCHAR(256) VARCHAR(256) VARCHAR(256)

н-

VARCHAR(256)

INTEGER

VARCHAR(256)

VARCHAR(256)

REAL

VARCHAR(256)

VARCHAR(256)

VARCHAR(256)

VARCHAR(256)

INTEGER

INTEGER

INTEGER

REAL

VARCHAR(256)

H--CH

ИСУ на базе ассоциативной памяти

PK Ю ИСУ ассоциативной памяти INTEGER

Диапазоны неопределенности Содержание ассоциативной памяти Допустимые потери критерия оптимальности Аппроксимация содержимого ассоциативной памяти Количество кластеров Центры кластеров Весовые коэффициенты значимости входных переменных VARCHAR(256) VARCHAR(256) REAL VARCHAR(256) INTEGER VARCHAR(256) VARCHAR(256)

PK

Рисунок 8.4 - Схема таблиц базы данных принятых решений и сформированного

управления

Таблицы «Матрицы решений», «ИСУ на базе ассоциативной памяти», «ИСУ на базе нечеткого логического вывода» связаны в отношении «один со многими» через ключи «ГО матрицы решений», «ГО ИСУ на базе ассоциативной памяти», «ГО ИСУ на базе нечеткого логического вывода» с таблицей «Результаты выбора лучшего решения».

Следующий раздел описывает вычислительный эксперимент и анализ полученных результатов работы подсистемы выбора типа ИСУ.

8.5 Вычислительный эксперимент и анализ полученных результатов

Для демонстрации работы предлагаемой подсистемы выбора типа ИСУ рассмотрим следующий пример. Имеется технологический процесс нанесения гальванического покрытия на поверхность металлической детали, для которого определены входные переменные:

X = (( X :х¥а1), ( Х2 :хГа12), (Х3 :х¥а13), ( Х4 :хГа14)), (8.8)

где Х1 - длительность нанесения покрытия, с; Х2 - площадь поверхности детали, дм2; Х3 - температура электролита, 0С; Х4 - кислотность электролита; х¥а!1, хУа12, х¥а13, х¥а!4 - значения, которые принимают переменные Х1, Х2, Х3, Х4. Выходной переменной является:

У = (( У :уУа1х) ), (8.9)

которая оценивается по следующим Р = 4 критериям:

К = (( К :тах),( К2 К3 Кр=4.шт)), (8.10)

где 71 - толщина гальванического покрытия, мкм; у¥а!1 - значение, которое принимает переменная 71; К1 - равномерность распределения толщины гальванического покрытия на поверхности детали; К2 - производительность гальванической ванны, г/ч; К3 - электроэнергия, затрачиваемая на нанесение гальванического покрытия, Вт ч; К4 - стоимость реализации гальванического процесса, руб.

В качестве управляющего воздействия выступает:

и = ((и:ы¥а1),(и2:ы¥а12)), (8.11)

которое определяет наилучшую альтернативу:

А = {^7}, (8.12)

где и1 - сила тока, А; и2 - площадь поверхности анода, дм2; ыУа!1, иУа12 -значение, которое принимает воздействие и1 и и2; А7 - технологический процесс нанесения гальванического покрытия в ванне с фигурным анодом.

В разделах 6.5 и 7.5 для конкретных значений из диапазонов допустимой неопределенности входных переменных (8.8) для альтернативы А7 найдены

управляющие воздействия с использованием интеллектуальном системы, сравнение которых приводится на рисунке 8.5.

64 62 60 58 С 56

=54=Н№ !!.г-||!1

52 50 48 46

и •_;

_. I

1У1- '1-

J I— J I__-1

. J

• Ь" (И:-

"П;г Р-П | П!

• П]

— • I

I-

0 240 480 720 960 1200 1440 1680 1920 2160 2400 2640 2880 3120 3360 3600 3840

Рисунок 8.5 - Сравнение управляющих воздействий, найденных для: 1 - исходных данных; ассоциативной памяти (2, 3) и нечеткого логического вывода (4, 5), настроенных без (2, 4) и после (3, 5) снижения неопределенности

*1, с

1

2

3

4

5

Рост и срез распределения толщины покрытия на поверхности детали, найденные в результате функционирования ИСУ, которые настроены без и после снижения поведенческой неопределенности, на базе ассоциативной памяти и нечеткого логического вывода, а также без использования ИСУ в сравнении со случаем, когда неопределенность у входных переменных отсутствует, показана на рисунке 8.6.

Критерии оптимальности альтернативы с использованием только программного управления (без ИСУ) в условиях неопределенности составляют: 1) равномерность распределения толщины гальванического покрытия на поверхности детали - 0,596; 2) производительность гальванической ванны - 66,8 г/ч; 3) электроэнергия, затрачиваемая на нанесение гальванического покрытия - 232 116 Втч; 4) стоимость реализации гальванического процесса - 88 622,81 руб. Так максимальные взвешенные (й = (0,112;0,248;0,342;0,298)) относительные отклонения между критериями и их значениями в условиях неопределенности при использовании ИСУ на базе ассоциативной памяти и на базе нечеткого логического вывода, настроенные после снижения неопределенности, составляют = 0,081 и = 0,094, что обеспечивает повышение эффективности функционирования технологической

системы производства гальванических покрытий на 46 % и 35 % соответственно по сравнению с использованием только программного управления (без ИСУ).

1 -----2--3 - • - 4---5 .......6

а)

-1 -----2--3 ---4---5 .......6

б)

Рисунок 8.6 - Рост (а) и срез (б) распределения толщины покрытия на поверхности детали для случая: 1 - исходные данные; 2 - без ИСУ; ИСУ на базе ассоциативной памяти (3, 4) и нечеткого логического вывода (5, 6), настроенные без (3, 5) и после (4, 6) снижения неопределенности

Полученные результаты свидетельствует о целесообразности выбора для повышения эффективности функционирования технологической системы

производства гальванических покрытий ИСУ на базе ассоциативной памяти. Для подтверждения данного выбора выполним серию из N = 20 экспериментов. Данное количество является достаточным для использования критерия Пирсона (8.4), поскольку ожидаемая частота для каждой категории Е1 и Е2 составляет 10 и превышает минимально допустимое значение 5. При вычисленной ранее в разделе 6.5 значимости входных переменных а = (0,5; 0,292; 0,127; 0,081) количество уровней из допустимого диапазона неопределенности для входных переменных составляет 10, 6, 2 и 2. Сформированный план вычислительного эксперимента так, чтобы каждый из выбранных уровней входной переменной встречался в нем как минимум один раз, представлен в таблице И. 1. Следует отметить, что полный факторный план в данном случае составляет 240 экспериментов. На рисунке 8.7 приведены результаты имитационного моделирования процессов управления согласно сформированному плану экспериментов для ассоциативной памяти (АП) и нечеткого логического вывода (НЛВ) без и после снижения поведенческой неопределенности (СПН) в их настройке, а также без ИСУ по критериям оптимальности: а) К1; б) К2; в) К3; г) К4. Максимальные взвешенные отклонения с соответствующими критериями оптимальности и их встречаемость для ИСУ на базе ассоциативной памяти и ИСУ на базе нечеткого логического вывода, настроенных после и без снижения поведенческой неопределенности, а также при использовании только программного управления в условиях неопределенности исходных данных для функционирования технологической системы производства гальванических покрытий показаны на рисунках 8.8-8.12 и в таблицах И.2-И.4. Так для ИСУ, настроенных после снижения неопределенности по предлагаемым методам, наиболее часто (в 65 % случаев) максимальное взвешенное отклонение обеспечивает критерий К3 (электроэнергия, затрачиваемая на нанесение гальванического покрытия). При настройке ИСУ без снижения поведенческой неопределенности наиболее часто максимальное взвешенное отклонение обеспечивает критерий К2 (производительность гальванической ванны) для АП (в 65 % случаев) и критерий К3 для НЛВ (в 50 % случаев). Использование только программного управления наиболее часто (в 75 % случаев) максимальное взвешенное отклонение обеспечивает критерий К2.

0,8 ^ 0,7 0,6

I-

о. 0,5 0,4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Номер эксперимента

■ АП после СПН ИНЛВ после СПН ИАП без СПН ИНЛВ без СПН ■ Без ИСУ

а)

1,5

о 1,1

0,7

р е

0,3

||| IIII

||||||||.,|||||||||||| П||1м II

р

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Номер эксперимента

■ АП после СПН ИНЛВ после СПН ИАП без СПН ИНЛВ без СПН ■ Без ИСУ

б)

300000

3200000

р100000 е

р

I

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Номер эксперимента

■ АП после СПН ИНЛВ после СПН ИАП без СПН ИНЛВ без СПН ■ Без ИСУ

в)

ю >

р

150000,00

, 100000,00

а 50000,00 е

£ 0,00

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Номер эксперимента

■ АП после СПН ИНЛВ после СПН ИАП без СПН ИНЛВ без СПН «Без ИСУ

г)

Рисунок 8.7 - Результаты имитационного моделирования процессов управления

по критериям: а) К; б) К2; в) К3; г) К4

0

0787714333333

0,140 0,120 0,100

^ 0,080

а

о

£ 0,060 £

0,040 0,020 0,000

1234567891011121314151617181920 Номер эксперимента

¡Значение отклонения

Индекс критерия

К1 ■ К2 ■ К3 ■ К4

а) б)

Рисунок 8.8 - Максимальные взвешенные отклонения с соответствующими критериями оптимальности (а) и их встречаемость (б) для ИСУ на базе ассоциативной памяти, настроенной после снижения неопределенности

5

4

3

2

1

0

0,000

1234567891011121314151617181920 Номер эксперимента

¡Значение отклонения

Индекс критерия

К1 ■ К2 ■ К3 ■ К4

а) б)

Рисунок 8.9 - Максимальные взвешенные отклонения с соответствующими критериями оптимальности (а) и их встречаемость (б) для ИСУ на базе нечеткого логического вывода, настроенной после снижения неопределенности

5

4

3

2

1

0

0,200

0,180

0,160

0,140

0,120

ю

О 0,100

X

та Е 0,080

0,060

0,040

0,020

0,000

VI

п

лЕ.

г

123456789 1011121314151617181920 Номер эксперимента

I Значение отклонения

•Индекс критерия

К1 ■ К2 «КЗ ■ К4

а) б)

Рисунок 8.10 - Максимальные взвешенные отклонения с соответствующими критериями оптимальности (а) и их встречаемость (б) для ИСУ на базе ассоциативной памяти, настроенной без снижения неопределенности

0,250

0,200

0,050

0,000

1234567891011121314151617181920 Номер эксперимента

¡Значение отклонения

Индекс критерия

К1 ■ К2 ■ К3 ■ К4

а) б)

Рисунок 8.11 - Максимальные взвешенные отклонения с соответствующими критериями оптимальности (а) и их встречаемость (б) для ИСУ на базе нечеткого логического вывода, настроенной без снижения неопределенности

5

4

3

2

1

0

5

4

3

2

1

0

0,350

0,300

0,250

ю 0,200

X (И 0,150

Е

0,100

0,050

0,000

1234567891011121314151617181920 Номер эксперимента

¡Значение отклонения

Индекс критерия

к \

К1 ■ К2 «КЗ ■ К4

а) б)

Рисунок 8.12 - Максимальные взвешенные отклонения с соответствующими критериями оптимальности (а) и их встречаемость (б) для использования только

программного управления

На рисунке 8.13 и в таблице И.5 приведены результаты выбора типа ИСУ, настроенных после и без снижения неопределенности, по экспериментам и в итоге.

> и

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Номер эксперимента

■ После СПН ■ Без СПН

18

т

а р 16

мо14

тип 12

м и10

8

>

а р

о

ю л т

о

т

о

Ассоциативная память

Нечеткий логический вывод

I После СПН ■ Без СПН

а) б)

Рисунок 8.13 - Результаты выбора типа ИСУ, настроенных после и без снижения неопределенности, по экспериментам (а) и в итоге (б)

5

4

3

2

1

0

2

1

0

Участие ЛПР в настройке параметров ИСУ в условиях неопределенности исходных данных подразумевает отсутствие использования методов снижения поведенческой неопределенности в выборе ее конфигурации (в зависимости от типа системы отсутствие учета значимости весов входных переменных для ассоциативной памяти и применение параметров функций принадлежности, вариантов выполнения операций и методов дефаззификации для нечеткого логического вывода).

Так результаты выбора типа ИСУ отличаются в 45 % случаев и распределены следующим образом: 17 раз ассоциативная память и 3 раза нечеткий логический вывод (после снижения поведенческой неопределенности); 12 раз ассоциативная память и 8 раз нечеткий логический вывод (без снижения поведенческой неопределенности).

Для выбора типа ИСУ, настроенных после снижения неопределенности, расчетное значение критерия Пирсона составляет х2расч = 9,8, а для ИСУ, настроенных без снижения неопределенности - %2расч = 0,8. При уровне значимости азад = 0,05 и степени свободы с1/ = 1 критическое значение х2табл = 3,84. Таким образом, выбор ИСУ на базе ассоциативной памяти, настроенной после снижения поведенческой неопределенности, является статистически значимым по сравнению с ИСУ на базе нечеткого логического вывода, а статистически значимой разницы между выбором конкретного типа ИСУ из настроенных без снижения поведенческой неопределенности нет. Среднее из максимальных взвешенных отклонений критериев при использовании в условиях неопределенности исходных данных программного управления (без ИСУ) для функционирования технологической системы производства гальванических покрытий составляет 0,130, а для ИСУ на базе ассоциативной памяти - 0,066 и 0,092 (после и без снижения поведенческой неопределенности в настройке), на базе нечеткого логического вывода - 0,070 и 0,099 (после и без снижения поведенческой неопределенности в настройке). Таким образом, использование в условиях неопределенности исходных данных ИСУ, настроенных без снижения поведенческой неопределенности, обеспечивает повышение эффективности производства гальванических покрытий в среднем на 29,5 % и 24 % при использовании ассоциативной памяти и нечеткого логического вывода, а при ИСУ, настроенных после

снижения поведенческой неопределенности - в среднем до 49 % и 46 % соответственно. Следовательно, снижение влияния поведенческой неопределенности на процесс настройки ИСУ позволяет дополнительно повысить эффективность функционирования технологической системы в среднем на 19,5 % и 22 % для использования ассоциативной памяти и нечеткого логического вывода.

Выполним оценку экономической целесообразности формирования исходных данных для матрицы решений, используемых проблемно-ориентированной СППР для повышения эффективности функционирования рассматриваемой технологической системы производства гальванических покрытий. При средней толщине покрытия 16,1 мкм на детали площадью 44,2 дм2 и использовании альтернативы А7 количество осаждаемого гальванического никеля 63,3 г, что приводит к стоимости реализации одного эксперимента в размере 80,88 руб. Длительность одного расчета уравнений математической модели для альтернативы А7 составляет 0,016 ч, что соответствует затратам на использование ЭВМ в размере 0,16 руб. В результате выгода от проведения одного вычислительного эксперимента составляет 80,72 руб. Полученное значение превышает ноль, что свидетельствует об экономической целесообразности применения оптимизации с использованием математических моделей на ЭВМ по сравнению с проведением экспериментальных исследований, что является более чем на 99,8 % выгодным при формировании исходных данных для матрицы решений в рамках проблемно-ориентированной СППР.

Выполним оценку экономической целесообразности обучения ИСУ, используемой для повышения эффективности функционирования рассматриваемой технологической системы производства гальванических покрытий для альтернативы А7. В соответствии с разработанным планом, состоящим из 20 экспериментов, учитывающих неопределенность значений входных переменных (см. таблицу И.1), средняя выгода от применения ИСУ, настроенных после снижения поведенческой неопределенности, составляет:

а) 16 697,99 руб. для 1 = 1 (на базе ассоциативной памяти);

б) 15 793,81 руб. для Г = 2 (на базе нечеткого логического вывода).

Длительность обучения для I = 1 занимает 1,85 рабочего дня (по 8 ч) и включает следующие этапы: формирование 81 строки первоначального содержимого ассоциативной памяти за 13,275 ч для поиска управляющих воздействий по уравнениям математической модели; аппроксимация многомерной функции их значений за 0,003 ч; уточнение содержимого ассоциативной памяти за 1,091 ч и оптимизация количества кластеров за 0,429 ч. Затраты на обучение ИСУ на базе ассоциативной памяти составляют 143,53 руб. В результате средняя выгода от использования ИСУ на базе ассоциативной памяти, настроенной после снижения поведенческой неопределенности, превышает затраты на ее обучение (16 697,99 > 143,53). Это свидетельствует о более высокой экономической целесообразности применения ИСУ данного типа в технологической системе по сравнению с отсутствием таковой при производстве гальванических покрытий, что составляет в среднем 17,93 %.

Длительность обучения для \ = 2 включает следующие этапы: формирование 81 сочетания значений входных переменных за 13,275 ч для поиска управляющих воздействий по уравнениям математической модели; оптимизацию 64 параметров у 17 функций принадлежности термов лингвистических переменных для 5 вариантов выполнения нечетких операций и 5 методов дефаззификации за 1,607 ч. Затраты на обучение ИСУ на базе нечеткого логического вывода составляют 144,35 руб. В этом случае средняя выгода от использования ИСУ на базе нечеткого логического вывода, настроенной после снижения поведенческой неопределенности, также превышает затраты на ее обучение (15 793,81 > 144,35). Несмотря на то что применение ИСУ данного типа в технологической системе также является более экономически целесообразным по сравнению с отсутствием таковой при производстве гальванических покрытий, средняя выгода от нее без учета затрат на обучение на 5,47 % меньше по сравнению с ИСУ на базе ассоциативной памяти. Данное обстоятельство подтверждает обоснованность выбора последней в качестве предпочтительной ИСУ для применения в рассматриваемой технологической системе.

Следующий раздел посвящен выводам по главе 8.

В следующей главе приводятся основные результаты и выводы диссертационной работы.

Выводы по главе 8

1. Разработана структурная схема подсистемы выбора типа ИСУ, состоящая из блоков формирования плана экспериментов, имитационного моделирования процессов управления и выбора лучшего статистически значимого типа среди ассоциативной памяти и нечеткого логического вывода.

2. Предложено математическое обеспечение подсистемы выбора типа ИСУ, состоящее из непараметрического статистического теста по критерию согласия Пирсона (хи-квадрат) и оценки взвешенных относительных отклонений между критериями оптимальности и их значениями в условиях неопределенности.

3. Составлено алгоритмическое обеспечение подсистемы выбора типа ИСУ, которое сравнивает эффективность двух типов систем управления для нанесения гальванического покрытия путем имитационного моделирования по сформированному плану учета неопределенности значений входных переменных и выбирает оптимальный тип с помощью критерия Пирсона для заданного уровня значимости.

4. Предложено информационное обеспечение проблемно-ориентированной СППР, предназначенное для хранения сведений об альтернативах в виде 10 таблиц из базы данных, а также результатах принятия решений и формирования управления по ним в виде 4 таблиц из базы данных, для которых приведены структура и взаимосвязь.

5. Выполнена серия вычислительных экспериментов, и проведен анализ полученных результатов, в котором при наличии неопределенности исходных данных показана статистическая значимость выбора типа ИСУ, настроенного со снижением поведенческой неопределенности, и ее отсутствие при выборе среди ИСУ, настроенной без снижения поведенческой неопределенности, оценена степень влияния неопределенности на результативность применения ИСУ для повышения эффективности функционирования технологической системы производства гальванических покрытий, а также выполнено сравнение затрат на формирование исходных данных, обучение и использование проблемно-ориентированных СППР и ИСУ с получаемой выгодой.

ЗАКЛЮЧЕНИЕ

В диссертации решена актуальная научная проблема, имеющая важное хозяйственное значение - разработка теоретических основ методологии поддержки принятия решений при интеллектуальном управлении в условиях неопределенности и средств ее реализации, используемых для повышения эффективности функционирования технологических систем производства гальванических покрытий. При решении проблемы получены следующие результаты.

1. На основе проведенного анализа функционирования технологических систем производства гальванических покрытий, влияния неопределенности на процессы принятия решений и управления, а также особенностей построения проблемно-ориентированных СППР и ИСУ разработана методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий. Методология включает в себя формализованные методы и алгоритмы, предназначенные для интегрирования в проблемно-ориентированные СППР и ИСУ.

2. Предложены критерии оценки снижения неопределенности, обусловленной человеческим фактором, при настройке проблемно-ориентированных СППР и ИСУ. Критерии учитывают сокращение числа доступных конфигураций (методов нормализации данных, расчета весовых коэффициентов и принятия решений, кластеризации содержимого ассоциативной памяти и реализации процесса нечеткого логического вывода), что позволяет установить наиболее значимые варианты в ходе решения поставленных задач.

3. Сформулированы постановки задач выбора вариантов конфигурации проблемно-ориентированных СППР и ИСУ. Применение автоматизированного подхода обеспечивает оптимальный подбор параметров для их настройки с учетом поставленных целей и ограничений.

4. Разработаны методы решения поставленных задач, позволяющие обосновать: выбор метода нормализации данных, агрегацию весовых коэффициентов значимости критериев, результаты группового голосования с

учетом компетентности его участников и определение типа ИСУ для СППР; формирование знаний, их оценку и поиск в ассоциативной памяти, а также настройку процесса нечеткого логического вывода в ИСУ.

5. Разработаны структурные схемы проблемно-ориентированных СППР и ИСУ, демонстрирующие процессы обмена информацией между ними и отличающиеся наличием подсистем, которые отвечают за снижение неопределенности в процессах принятия решений и формирования управления.

6. Предложено математическое обеспечение и разработано алгоритмическое обеспечение проблемно-ориентированных СППР и ИСУ, позволяющие реализовать выбор вариантов настройки для их подсистем, что дает возможность ЛПР осуществлять обработку исходных данных и анализ полученных результатов на основе заданных параметров.

7. Для хранения сведений об альтернативах, а также результатах принятия решений и формирования управления по ним реализована база данных из 14 таблиц информационного обеспечения СППР. На языке Python 3 разработано программное обеспечение для проблемно-ориентированных СППР и ИСУ, которое предоставляет ЛПР средства для обоснованного принятия решений и формирования управления с целью повышения эффективности функционирования технологических систем производства гальванических покрытий.

8. В рамках проведенной серии экспериментов было установлено, что применение проблемно-ориентированной СППР приводит к более чем 17-кратному сокращению времени, необходимого для принятия решений, по сравнению с традиционными методами экспертной оценки. Кроме того, использование ИСУ, основанных на кластеризованной ассоциативной памяти, снижает длительность формирования управления в 39 раз по сравнению с его линейным поиском. Настройка проблемно-ориентированных СППР и ИСУ в соответствии с предложенными методами и алгоритмами обеспечивает снижение неопределенности в процессах принятия решений (от 88 % до 99 %) и формирования управления (от 52 % до 99 %). Данные результаты способствуют дополнительному увеличению эффективности функционирования технологических систем производства гальванических покрытий в среднем на 19,5 %. Достигнутый положительный эффект от снижения

неопределенности в процессах принятия решений и формирования управления обеспечивает высвобождение дополнительных технико-экономических ресурсов производства (в среднем на 17,9 %), что компенсирует временные затраты (1,85 рабочего дня) для расчетов на ЭВМ при подготовке к использованию систем.

9. Результаты работы использованы в практической деятельности:

- АО «ТЗ «Ревтруд» (г. Тамбов) при принятии решений по модернизации гальванического производства предприятия для повышения качества обрабатываемых изделий, что дало снижение производственного брака на 9-11 % и экономический эффект 0,8 млн. руб. в год;

- ООО «КС Гальваника» (г. Тамбов) при создании интеллектуальных систем управления на базе ассоциативной памяти и нечеткого логического вывода;

- АО «ТЗ «Октябрь» (г. Тамбов) при улучшении технологических процессов никелирования (получаемое распределение толщины покрытия улучшилось до 17,5 % и снизился запланированный расход металла на 24,6 тыс. руб. с партии деталей);

- АО «ТАГАТ» им. С.И. Лившица (г. Тамбов) при выборе оптимальных вариантов оборудования для реконструкции машиностроительных и приборостроительных заводов;

- ФГБОУ ВО «Тамбовский государственный университет имени Державина» (г. Тамбов) при подготовке обучающихся бакалавриата и магистратуры по направлениям подготовки 01.03.02, 01.04.02 «Прикладная математика и информатика» и 09.03.03, 09.04.03 «Прикладная информатика»;

- ООО «НЧХР» (г. Тамбов) при разработке программного обеспечения, позволившего сократить временные затраты до 50 % на принятие решений.

Рекомендации и перспективы исследования. При выполнении настройки созданных систем целесообразно задействовать максимальное количество доступных вариантов конфигурации, что позволит учесть всевозможные сценарии их использования. Дальнейшими перспективами развития систем является расширение числа альтернатив для повышения разнообразия предлагаемых решений и улучшения качества выбора, включение большего количества критериев для более точной оценки влияния каждого варианта на результаты, внедрение новых методов принятия решений и формирования управления для повышения точности и скорости анализа данных.

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ARAS - Additive Ratio ASsessment (оценки аддитивного коэффициента)

CODAS - Combinative Distance-based ASsessmen (комбинативная оценка расстояния)

COPRAS - Complex Proportional Assessment (комплексная пропорциональная оценка)

DBSCAN - Density-Based Spatial Clustering of Applications with Noise (основанная на

плотности пространственная кластеризация для приложений с шумами)

EDAS - Evaluation based on Distance from Average Solution (оценка расстояния от

среднего решения)

GRA - Grey Relational Analysis (серый реляционный анализ) LOM- Largest Of Maximum (наибольший из максимумов) MDL - Minimum Description Length (минимальная длина описания) MOM - Middle Of Maximum (центр максимумов)

MOORA - Multi-Objective Optimization by Ratio Analysis (многокритериальная оптимизация на основе анализа отношений)

MOOSRA - Multi-Objective Optimization on the basis of Simple Ratio Analysis (многокритериальная оптимизация на основе простого анализа отношений) SAW - Simple Additive Weighting (простое аддитивное взвешивание) SOM- Smallest Of Maximum (наименьший из максимумов)

TOPSIS - Technique for Order Preference by Similarity to Ideal Solution (техника

предпочтения порядка посредством подобия идеальному решению)

WASPAS - Weighted Aggregated Sum Product Assessment (взвешенная агрегация