Повышение качества системы поддержки принятия решений в технологической подготовке машиностроительного производства путем организации хранилищ данных тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Кахутин, Павел Викторович

• Кахутин, Павел Викторович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Кахутин, Павел Викторович

Наименование раздела Стр.

Список сокращений

Введение

Глава I. Современные системы поддержки принятия решений в технологической подготовке машиностроительного производства и тенденции их развития

1.1. Современные аспекты управления качеством продукции

1.1.1. Основные подходы к управлению качеством машиностроительного производства

1.1.2. Модель обеспечения качества, основанная на стандартах серии ГОСТ Р ИСО 9000:

1.1.3. Информационная поддержка СМК, построенной согласно стандартам серии ISO

1.2. Место САМ-системы в общей структуре системы управления качеством машиностроительного производства

1.2.1. Основные функции САМ-системы и ее взаимосвязь с другими компонентами системы управления качеством

1.2.2. Структура современных САМ-систем

1.2.3. Обзор возможностей, предоставляемых современными САМ-системами для поддержки принятия решений

1.2.4. Недостатки подсистемы СППР и их влияние на качество принимаемых решений

1.3. Современный подход к построению СППР

1.3.1. Способы хранения исходных данных в СППР

1.3.2. Способы обработки исходных данных в СППР

1.3.3. Сферы применения СППР, основанных на использовании хранилищ данных

1.4. Выводы по главе I

Глава II. Анализ хранилищ данных как эффективного средства обеспечения поддержки принятия решений

2.1. Выбор критериев для оценки качества систем поддержки принятия решений в технологической подготовке машиностроительного производства

2.2. Обоснование возможности применения хранилищ данных для улучшения качества СППР при технологической подготовке производства

2.3. Математические модели обеспечения качества систем поддержки принятия решений в ТИП с использованием хранилищ данных

2.3.1. Реляционная модель многомерного представления данных

2.3.2. Применение методов НАД к реляционной многомерной модели данных

2.4. Оценка преимуществ, предоставляемых хранилищами данных в процессе принятия решения, с точки зрения выбранных критериев качества СППР

2.5. Выводы по главе II

Глава III. Хранилища данных как фактор улучшения качества СППР в технологической подготовке производства

3.1. Определение задач, решаемых посредством хранилищ данных, и требований к хранилищам данных, применяемым на этапе ТПП

3.2. Моделирование структуры хранилища данных

3.2.1. Методы моделирования

3.2.2. Средства моделирования

3.3. Организация взаимодействия хранилища данных с ИС машиностроительного предприятия

3.4. Выбор оптимального способа взаимодействия клиентского приложения с хранилищем данных

3.4.1. Выбор оптимальной модели взаимодействия клиентского приложения с хранилищем данных

3.4.2. Выбор оптимального программного способа взаимодействия клиентского приложения с хранилищем данных

3.5. Выбор программно-аппаратных средств для реализации хранилища данных

3.6. Выводы по главе III

Глава IV. Практическое применение хранилищ данных в технологической подготовке опытного производства

4.1. Реализация СППР, использующей хранилища данных 107 4.1.1. Состав программного комплекса СППР 107 4.1.2 Структура ХД

4.1.3. Реализация аналитической обработки данных

4.1.4. Реализация клиентской части СППР

4.1.5. Выбор программно-аппаратной платформы

4.2. Оценка влияния СППР на качество процесса ТПП

4.3. Оценка экономической эффективности внедрения

4.3.1. Частные показатели

4.3.2. Общая экономическая эффективность внедрения СППР

4.4. Выводы по главе IV

Введение диссертации (часть автореферата) на тему «Повышение качества системы поддержки принятия решений в технологической подготовке машиностроительного производства путем организации хранилищ данных»

Актуальность работы. Одним из основополагающих принципов современных систем управления качеством является процессный подход. Он подразумевает, что для улучшения качества того или иного бизнес-процесса предприятия или организации необходимо улучшать качество составляющих его подпроцессов. Процесс технологической подготовки производства является одним из главных бизнес-процессов любого машиностроительного предприятия. Наряду с конструкторской подготовкой производства он напрямую определяет качество выпускаемой продукции и затрачиваемые на это людские и материальные ресурсы, а, следовательно, и себестоимость. Поэтому повышение качества процесса ТПП является одной из актуальных задач современного машиностроительного производства.

В настоящее время автоматизация труда инженера-технолога осуществляется с применением различных СЛМ-систем, функционирующих в рамках КИС в тесном взаимодействии со средствами автоматизации других бизнес-процессов на основе использования CALS-технологий. САМ-системы помогают в проведении основных этапов ТПП, предоставляя инженеру-технологу необходимую нормативно-справочную информацию, а также автоматизированные процедуры расчета различных параметров технологического процесса. Помимо этого, в САМ-системах доступны средства визуального моделирования, которые помогают наглядно представить ту или иную операцию ТП, вплоть до отображения траектории режущего инструмента.

Однако, используемые модели представляют обобщенный взгляд на описываемые ими объекты и процессы. Поскольку каждая модель является лишь приближением действительности, то и различные компьютерные модели ТП также являются приближениями, не учитывающими многих факторов, имеющих место в реальных производственных условиях и оказывающих влияние на качество выпускаемой продукции и затраты ресурсов на ее выпуск. Модели, используемые в САМ-системах, не могут учитывать реального состояния оборудования и технологической оснастки, реальных свойств используемых материалов, влияние режима труда и конкретных исполнителей и т.п. Современные САМ-системы, как правило, не содержат средств выявления подобных закономерностей. Следовательно, исследование современных возможностей методов анализа данных является перспективным направлением улучшения качества процесса ТИП и всей системы управления качеством в целом.

Важной составляющей современного подхода к анализу данных является организация специальных источников данных, называемых хранилищами данных. Необходимость их применения обусловлена тем, что в КИС крупных предприятий или организаций существуют, как правило, несколько разнородных информационных подсистем, автоматизирующие различные виды деятельности. Данные в таких источниках могут противоречить друг другу, иметь различные форматы, дублироваться и т.п. В силу этих обстоятельств использование данных, извлеченных из различных источников с целью поддержки принятия решений, может приводить к принятию решений, сильно отличающихся от оптимальных, или даже к полной невозможности применения аналитических методов.

В то же время проводить анализ всей совокупности имеющихся в организации или на предприятии данных необходимо, поскольку анализ помогает выявлять скрытые тенденции и прояснять существующие закономерности в основных бизнес-процессах. Выявление скрытых закономерностей и прояснение существующих позволяет лучше понять природу бизнес-процессов, и, следовательно, предпринять меры по их улучшению и совершенствованию. Это особенно актуально в связи с активным внедрением на производстве технологии управления качеством, основанной на стандартах серии ISO 9000. Таким образом, вопросы организации хранилищ данных являются ключевым моментом, позволяющим эффективно использовать методы поддержки принятия решений в процессе технологической подготовки машиностроительного производства.

Учитывая вышесказанное, актуальными направлениями исследований в области применения хранилищ данных для улучшения качества процесса ТПП, являются вопросы определения задач ТПП, которые могут быть решены аналитическими методами обработки данных и определение структур хранилищ данных, используемых для накопления информации. Помимо этого, необходимо исследование эффективных способов взаимодействия между хранилищами данных и источниками данных КИС с одной стороны, а также способов организации эффективного взаимодействия между СППР и пользователем с другой стороны.

Целью работы является повышение качества принимаемых решений в технологической подготовке машиностроительного производства путем применения современных методов интеллектуального анализа данных на основе их агрегирования в хранилища данных.

Для достижения поставленной цели необходимо решить следующие научные задачи:

1. Анализ математических моделей и методик построения современных СППР с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем поддержки принятия решений в технологической подготовке машиностроительного производства.

2. Разработка математической модели СППР, основанной на использовании хранилищ данных и применении различных методов интеллектуального анализа данных.

3. Определение перечня задач технологической подготовки производства, решаемых с применением СППР на основе хранилища данных.

4. Разработка методики интеграции СППР в корпоративную информационную систему машиностроительного производства.

Объект исследования: Системы поддержки принятия решений в различных областях машиностроительного производства, методы интеллектуального анализа данных, ХД и СУБД, лежащие в их основе.

Предмет исследования: Взаимосвязь методов НАД, способов организации ХД и задач ТП машиностроительного производства, решаемых посредством СППР.

Информационной, теоретической и методологической базой для разработки математических моделей анализа данных явились основные положения теории множеств, теории графов, реляционной алгебры и методов математической статистики; основой программной реализации послужил аппарат объектно-ориентированного моделирования и программирования.

Научная новизна диссертационной работы заключается в следующих положениях:

1. Разработана математическая модель системы поддержки принятия решений, основанная на применении хранилищ данных и обеспечивающая повышение качества поддержки принятия решений в технологической подготовке производства.

2. Разработан метод решения задачи поиска ассоциативных правил, основанный на применении математического аппарата искусственных нейронных сетей.

3. Разработана методика интеграции системы поддержки принятия решений в существующую корпоративную информационную систему машиностроительного производства.

4. Разработан метод формирования оптимальной структуры хранилища данных на основе многомерного представления данных, полученных из различных информационных источников.

Практическая ценность работы заключается в повышении эффективности процесса технологической подготовки производства за счет сокращения временных и материальных затрат на формирование технологических процессов, которое достигается благодаря применению средств поддержки принятия решений.

Апробация работы.

Основные положения и результаты диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Основы информатики» МГТУ «СТАНКИН», а также на следующих научных конференциях:

1. VI всероссийская научно-техническая конференция «Новые информационные технологии», МГАПИ, Москва, 2003 г.

2. VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», МГТУ «СТАНКИН», Москва, 2003 г.

3. I научная конференция «Качество. Инновации. Образование.», Судак, 2003 г.

4. Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», АМИ, Москва, 2003 г.

Публикации. По теме диссертационной работы опубликованы 6 научных работ, включая тезисы докладов, подготовленных для международных и всероссийских научно-технических конференций:

1. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как средство улучшения системы качества в технологической подготовке машиностроительного производства. // VI всероссийская научно-техническая конференция «Новые информационные технологии», Москва, 23-24 апреля 2003 г.: Сборник трудов. В 2-х т.т. Т2. М.: МГАПИ, 2003, с. 223-227.

2. Кахутин П.В., Ковшов Е.Е. Информационная поддержка в моделировании параметров качества машиностроительного производства. // VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», Москва, 28-29 апреля 2003 г.: Сборник докладов. М.: Изд-во МГТУ «СТАНКИН», 2003, с. 122-125.

3. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как фактор повышения качества принимаемых решений. // I научная конференция «Качество. Инновации. Образование.», Судак, 23-30 мая 2003 г.: Сборник докладов. Судак, 2003, с. 99-100.

4. Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.

5. Шемелин В.К., Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Повышение качества информационного взаимодействия в структуре «производитель-потребитель» за счет применения CRM-приложений. // Объединенный научный журнал, 2003, №19, с. 91-94.

6. Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Новые информационные технологии управления качеством в производственных системах. // Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», Москва, 2003 г.: Сборник докладов и тезисов. М.: АМИ, 2003, с. 53-54.

На защиту выносятся:

1. Классификация современных методологических, математических и информационных средств построения СППР.

2. Математическая модель СППР, основанная на использовании многомерного представления данных и применении методов ИАД, служащая для повышения качества принимаемых решений в ТП машиностроительного производства.

3. Метод решения задачи поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Методика интеграции СППР в существующую корпоративную информационную систему машиностроительного производства.

5. Результаты практического применения СППР, как средства повышения качества процесса ТП опытного производства.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Кахутин, Павел Викторович

Основные выводы по диссертационной работе

1. Решена актуальная научная задача, имеющая существенное значение для машиностроительного производства и заключающаяся в повышении качества решений, принимаемых инженером-технологом, путем применения современных методов интеллектуального анализа данных, агрегированных в хранилища данных.

2. Определены методологические, математические и информационные средства, служащие основой решения актуальных проблем СППР в технологической подготовке машиностроительного производства.

3. Разработана математическая модель СППР, основанная на совместном использовании реляционного многомерного представления данных и современных методов интеллектуального анализа данных, что позволило решить задачу поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.

4. Определен перечень задач технологической подготовки машиностроительного производства, которые могут быть решены с использованием СППР на основе хранилищ данных.

5. Разработана и практически реализована методика интеграции СППР в корпоративную информационную систему машиностроительного производства.

Список литературы диссертационного исследования кандидат технических наук Кахутин, Павел Викторович, 2004 год

1. Автоматизация машиностроения: Учебник для втузов. / Н.М. Капустин, Н.П. Дьяконова, П.М. Кузнецов; Под ред. Н.М. Капустина. М.: Высш. шк., 2002, 223 е.: ил.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики Учеб. для студентов экон. специальностей вузов. М.: Изд. об-ние «ЮНИТИ», 1998, 1022 е.: ил.

3. Александровский А. Д. Delphi 5.0. Разработка корпоративных приложений. М.: ДМК 2000, 508 е.: ил.

4. Антонов Г.А. Основы стандартизации и управление качеством продукции: Учебник в 3 частях. СПб.: СПбУЭФ, 1995, 111 е.: ил.

5. Архитектуры систем поддержки принятия решений. // http://lissianski.narod.ru/dwarch/dwarch.html.

6. Бирюков А. Системы принятия решений и хранилища данных. // СУБД, 1997, №4, с. 37-41.

7. Вольдер Б.С. Планирование на предприятии. М.: Изд-во МГТУ «СТАНКИН», 1999, 172с.

8. Выбор инструмента для моделирования хранилищ и витрин данных. // http://lissianski.narod.ru/modelingtoolselection.html.

9. Галкин В.И. Современное состояние вопроса о разработке и внедрении систем автоматизированного проектирования конструкторских и технологических работ. // Цветные металлы, 1998, № 10-11, с. 47-52.

10. Гареев А., Корнеев В., Райх В., Васютин С. Базы данных.

11. Интеллектуальная обработка информации (2-е издание). М.:Нолидж, 2003, 400 е.: ил.

12. ГОСТ 15467-79. Управление качеством продукции. Основные понятия. Термины и определения. М.: Изд-во стандартов, 1979, 16 с.

13. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: Изд-во стандартов, 2001, 37 с.

14. ГОСТ Р ИСО 9001-2001. Системы менеджмента качества. Требования. М.: Изд-во стандартов, 2001, 31 с.

15. ГОСТ Р ИСО 9004-2001. Системы менеджмента качества. Рекомендации по улучшению деятельности. М.: Изд-во стандартов, 2001,56 с.

16. Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ, 1993, № 5, с. 174-178.

17. Дубовиков Б.А. Основы научной организации управления качеством. М.: Экономика, 1966, 319 с.

18. Евгеньев Г., Кузьмин Б., Лебедев С., Тагиев Д. САПР XXI века: интеллектуальная автоматизация проектирования технологических процессов. // САПР и графика, 2000, № 4, с. 71-73.

19. Зейдель Б. Хранилища данных — дело серьезное. // Computerworld, 2000, № 27-28, с. 40;

20. Зильбербург Л.И., Молочник В.И., Яблочников Е.И. Реинжиниринг и автоматизация технологической подготовки производства в машиностроении. СПб.: "Компьютербург", 2003, 152 е.: ил.

21. Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.

22. Кириллов П., Шабаев И. Загрузка и согласование данных при построении хранилищ данных. // Открытые системы, 2000, № 11, р.

23. Костяков С. Стратегия информационной поддержки систем качества. // PC Week/RE, № 22-23, 1999. // http://www.pcweek.ru/year1999/N22/CP125 l/CorporationSystems/chapt2.htm

24. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Наука, 1996, 207 с.

25. Мамаев Е., Шкарина JI. Microsoft SQL Server для профессионалов. СПб., Питер, 2001, 1088 е.: ил.

26. Нестеров Ю.Е. Эффективные методы в нелинейном программировании. М.: Радио и связь, 1989, 301 с.

27. Норенков И.П., Кузьмик П.К. Информационная поддержка наукоемких изделий. CALS-технологии. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002, 320 е.: ил.

28. Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002,344 е.: ил.

29. РД 50-135-78. Методические указания. Состав и содержание проекта КС УКП. М.: Изд-во стандартов, 1978, 14 с.

30. Роджерсон Д. Основы СОМ / Пер. Д.Г. Новоселов. 2-е изд., испр. и доп. М.: Русская редакция, 2000, 375 е.: ил.

31. Родионов Б.Н., Саломатин Н.А. Организация, планирование и управление машиностроительным производством. М.: Машиностроение, 1989, 36 с.

32. Саймон А. Репозитории и управление метаданными. // СУБД, 1996, № 5-6, с. 154-162.

33. Сахаров А. А. Концепции построения и реализации информационных систем, ориентированных на анализ данных. // СУБД, 1996, № 4, с. 5570.

34. Сахаров А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server). // СУБД, 1996, №3, с. 44-59.

35. Сейфи Т.Ф., Ярошенко А.И., Бакаев В.И. Система КАНАРСПИ — гарантия высокого качества. — М.: Изд-во стандартов, 1968, 147 е.: ил.

36. Сигнор Р. Использование ODBC для доступа к базам данных. М.: Бином-П, 1995, 45 с.

37. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1. / Пер. с. Англ. М.: Издательский дом «Вильяме», 2001, 400с.: ил.

38. Справочник технолога-машиностроителя. В 2 т. 5-е изд., перераб. и доп. Т1. / Под ред. А.М Дальского и др. М.: Машиностроение, 2001, 910 с.: ил., табл.

39. Субъективность в компьютерной поддержке управленческих решений. / Э.А. Трахтенгерц; Рос. акад. наук. Ин-т проблем упр. им. В.А. Трапезникова. М., СИНТЕГ, 2002, 250 е.: ил., портр., табл.

40. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998,376 е.: ил.

41. Уоссермен. Ф. Нейрокомпьютерная техника: теория и практика. / Пер. с англ. М.: Мир, 1992, 240 е.: ил.

42. Управление жизненным циклом продукции. / А.Ф. Колчин, А.Ф. Стрекалов, С.В. Сумароков. М.: Анахарсис, 2002, 303 е.: ил., табл.

43. Федоров А., Елманова Н. Введение в OLAP. Часть 1. Основы OLAP. // КомпьютерПресс, 2001, № 4, с. 145-148.

44. Федоров А., Елманова Н. Введение в OLAP. Часть 3. Архитектура

45. Microsoft Analysis Services.//КомпьютерПресс, 2001, №6, с. 151-157.

46. Федоров А., Елманова H. Введение в базы данных. // КомпьютерПресс, 2000, №8, с. 163-165.

47. Холпин Дж. Бездефектность. Новый подход к проблеме обеспечения качества. М.: Мир, 1968,336 с.

48. Шумаков П.В., Фаронов В.В. Delphi 5. Руководство разработчика баз данных. М.: Нолидж, 2002, 635 е.: ил., табл.

49. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах. // ComputerWeek/Moscow, 1996, № 16, с. 32-35.

50. Эспозито Д. OLE DB или ODBC? // Windows & .NET Magazine/RE, 2000, № 1, с. 63-66.

51. Agrawal R., Imielinski Т., Swami A. Mining Associations Between Sets of Items in Massive Databases. // Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 26-28 of May 1993, Washington, USA, p. 207-216.

52. R. Agrawal, A. Gupta, and S. Sarawagi. Modeling Multidimensional Databases. // Proceedings of the 13th International Conference on Data Engineering, 7-11 of April 1997, Birmingham, UK, p. 232-243.

53. Agrawal R., Srikant R. Fast Discovery of Association Rules. // Proceedings of the 20th International Conference on VLDB, September 1994, Santiago, Chile, p. 487-499.

54. Bhattacharjee В., Cranston L., Malkemus Т., Padmanabhan S. Boosting Query Performance: Multidimensional Clustering. // DB2 Magazine, 2003, Vol. 7, № 2, p. 38-43.

55. Codd E.F., Codd S.B., Salley C.T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. San Jose: Codd & Date, Inc., 1993,31 p.

56. Cohen W.W., Singer Y. Context-sensitive learning metods for text categorization // Proceedings of the 19th Annual International ACM SIGIR58