На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
09 Сентября 2024

Информационно-аналитическая система управления производственными проектами машиностроения в условиях неопределенности

Information-analytical system for complex manufacturing machine-building projects management under uncertainty
Дата подачи статьи: 26.05.2015
УДК: 004.94
Статья опубликована в выпуске журнала № 3 за 2015 год. [ на стр. 49-56 ]
Аннотация:В статье рассмотрены методы поддержки принятия решений по управлению сложными производственными проектами машиностроения, основанные на анализе прогнозной результативности проектов. Прогнозная результативность оценивается на основании показателей достижимости целей. Расчет показателей достижимости в условиях неопределенности выполняется в соответствии с предложенными алгоритмами с применением комплексной модели проекта, где в качестве исходных данных используются коэффициенты уверенности экспертов в достижимости исходных целей. Значения показателей достижимости корректируются в процессе реализации проекта на основании фактических значений критериальных показателей целей. Проведен анализ управленческих задач, для решения которых могут использоваться предложенные методы, реализованные в виде специализированного ПО информационно-аналитической системы поддержки принятия решений. Описана методика применения данной системы на машиностроительных предприятиях. Рассмотрен пример практического использования информационно-аналитической системы для поддержки принятия решений по управлению проектом создания комплекта тягового электрооборудования гибридного привода транспортных средств.
Abstract:The article considers the methods of decision-making support in complex manufacturing machine-building projects management based on analysis of the project’s predicted effectiveness. Predicted effectiveness is evaluated on the basis of goal attainability indexes. Calculation of attainability indexes under uncertainty is made in accordance with the proposed algorithms using the integrated project model. Coefficients of experts’ confidence in the attainability of the initial goals are used as source data. The values of attainability indexes are adjusted during project implementation on the basis of actual values of goal criteria indicators. The authors propose a modified algorithm of goal attainability index calculation. It allows estimating the potential impact on the process of external events. Analyzed events can be associated with various types of logical relations. Their impact on the project goals can have a different degree of influence depending on current stage of this project. The algorithm allows calculating measures of belief and disbelief to the possibility of achieving the goal under the influence of events that represent, respectively, the cumulative positive and cumulative negative impact of external factors on the project. The paper presents the analysis of complex manufacturing projects management problems in which the proposed methods can be used. These methods are implemented as special software of the information-analytical system for decision-making support. The article describes the procedure of applying this system in machine-building enterprises. It also considers an example of practical use of information-analytical system for decision-making support (IASDMS) in the project of creating a traction electrical equipment set of hybrid drive vehicles.
Авторы: Дли М.И. (midli@mail.ru) - Филиал Московского энергетического института (технического университета) в г. Смоленске (профессор, зам. директора по научной работе), г. Смоленск, Россия, доктор технических наук, Стоянова О.В. (ovstoyanova@list.ru) - Смоленский филиал Национального исследовательского университета МЭИ, г. Смоленск, Россия, кандидат экономических наук
Ключевые слова: показатель достижимости цели, прогнозная результативность проекта, коэффициенты уверенности, информационная неопределенность, информационно-аналитическая система поддержки принятия решений, сложный производственный проект
Keywords: goal attainability index, predicted effectiveness of the project, coefficients of confidence, information uncertainty, information-analytical system for decision making support, complex industrial project
Количество просмотров: 6569
Версия для печати
Выпуск в формате PDF (8.21Мб)
Скачать обложку в формате PDF (1.09Мб)

Размер шрифта:       Шрифт:

По уровню производства и экспорта наукоемкой промышленной продукции Россия отстает от таких мировых лидеров, как Китай, США, Япония и страны Евросоюза. По данным Организации Объединенных Наций по промышленному развитию (UNIDO), доля наукоемкой промышленной продукции в РФ составляет менее 20 % от суммарного объема промышленной продукции. В решении задачи увеличения выпуска наукоемкой продукции важная роль отводится повышению инновационной активности машиностроения, в том числе в связи с влиянием машиностроительной продукции на формирование технологического уровня других видов промышленного производства.

Несмотря на наметившиеся успехи в некоторых видах машиностроительного производства (производство летательных аппаратов, станков, оборудования для химической и нефтехимической отраслей), общий уровень наукоемкости отечественного машиностроения остается невысоким. Сложившаяся ситуация в значительной степени обусловлена длительностью создания новой наукоемкой продукции и неопределенностью информации, необходимой для управления производственной системой машиностроительного предприятия при реализации подобных проектов.

Для многих российских машиностроительных предприятий производство наукоемкой продукции является единичным или мелкосерийным, что вызывает большие временные затраты на сбор информации в процессе разработки и подготовки производства и ее высокую неопределенность, учет которой требует использования методов искусственного интеллекта для решения различных задач поддержки принятия решений. Пример такого метода, используемого на этапе проектирования технологий, рассмотрен в работе [1].

Основой принятия решений в большинстве случаев является прогнозирование результативности того или иного этапа или работы проекта. В наибольшей степени задачам прогнозирования результативности сложных проектов соответствуют методы, реализующие эволюционный подход. В соответствии с ним максимально простое формализованное описание решаемой задачи постепенно усложняется, уточняется и совершенствуется в процессе поступления новых данных. Существующие методы, основанные на данном подходе, в том числе метод группового учета аргументов, методы роевого интеллекта и методы, реализующие генетические алгоритмы, требуют наличия некоторого объема статистических данных, которые для проектов по созданию наукоемкой продукции часто отсутствуют и заменяются экспертными знаниями.

Жесткие требования к срокам создания наукоемкой продукции обусловливают необходимость использования методов моделирования временных параметров, таких как метод критического пути (CPM) и метод оценки и пересмотра планов (PERT), основанных на построении сетевых мо- делей предшествования с фиксированной последовательностью этапов и работ. Вместе с тем рассматриваемые проекты характеризуются переменной структурой и возможностью частичного пересечения этапов во времени. Вариативность структуры процессов позволяет учесть метод графической оценки и анализа (GERT), предусматривающий введение в логико-временную модель точек ветвления, описываемых вероятностными оценками альтернатив. Возможность частичного совмещения этапов процесса во времени позволяет описать темпорально-логические модели, например, с использованием логики Аллена. Анализ возможностей различных временных логик для моделирования сложных проектов приведен в [2].

Одним из перспективных направлений в сфере моделирования сложных процессов и систем является гибридизация различных методов и подходов. Часто для учета информационной неопределенности в традиционные математические модели вводятся элементы искусственного интеллекта. Интересный пример такой гибридизации рассмотрен в работе [3].

Проведенный анализ информационных систем управления проектами [4] показал, что ни один из реализованных в них методов оценки результативности и моделирования временных параметров проектов не позволяет комплексно учесть все особенности отечественных промышленных предприятий и условий информационной неопределенности, в которых принимаются решения, связанные с созданием новой наукоемкой продукции. Сказанное определяет целесообразность разработки новых методов и их алгоритмической реализации в составе информационно-аналитических систем поддержки принятия решений по управлению сложными производственными проектами машиностроения.

Общая характеристика предлагаемых графово-аналитических методов

В соответствии с предлагаемым методом в качестве информационной основы принятия решений по управлению сложными производственными проектами машиностроения используются оценки прогнозной результативности, которые рассчитываются на основе комплексной модели проекта М:

M=,                                      (1)

где S – множество состояний, в которых может находиться производственная система машиностроительного предприятия; Res – множество используемых в проекте ресурсов; X – множество параметров, характеризующих результаты проекта; K – множество показателей деятельности машиностроительного предприятия; E – множество возможных событий проекта; A – множество целей проекта.

Предлагаемый метод построения такой модели основывается на следующих принципах:

–      поэтапное, эволюционное наращивание формализованного описания за счет учета новых элементов и последовательной декомпозиции уже созданных;

–      формирование единой структуры взаимосвязей всех частных модельных описаний;

–      обеспечение возможности получения различных проекций модели для решения отдельных задач управления.

Построенная комплексная модель М представляет собой взаимосвязанное описание элементов проекта по созданию новой продукции, где связь осуществляется с помощью временных параметров и критериальных показателей. Модель имеет проекции в виде графов состояний – Gs, событий – GE и целей – GA.

Под прогнозной результативностью понимается возможность достижения поставленных целей, идентифицируемых с помощью критериальных показателей отдельных этапов и работ проекта, в заданные сроки в условиях его параметрической вариативности и структурной изменчивости. Комплексный показатель прогнозной результативности включает временные параметры и степень достижимости целей, которая определяется как оценка возможности достижения заданных значений критериальных показателей.

Метод оценки показателей достижимости целей Ai–Vi=V(Ai) предусматривает учет степени неопределенности исходных данных, используемых при реализации расчетных процедур на графе GA.

К основным критериям, обусловливающим использование той или иной меры неопределенности в задачах управления сложными производственными проектами, относятся удобство использования и учет природы оцениваемых параметров.

Поскольку создание новой машиностроительной продукции является сложным процессом, сроки которого при этом ограничены, при выборе инструментов учета неопределенности необходимо стремиться к обеспечению максимальной простоты их использования.

В качестве оцениваемых параметров выступают показатели достижимости целей. Оценки данных показателей должны быть основаны как на знаниях эксперта, позволяющих делать заключения о возможности получения запланированных результатов в заданный срок, так и на отсутствии некоторых знаний, снижающих степень уверенности. Таким образом, необходимо использование подходов, обеспечивающих возможность получения интервальных оценок.

Среди множества подходов к снижению информационной неопределенности (классические и байесовские вероятности, теории Демпстера–Ше­фера, Дюбуа–Прада и др. [5]) сформулированным требованиям в наибольшей степени соответствует подход, основанный на применении факторов уверенности (Buchanan, Shortliffe [6]).

Первоначально от экспертов требуется указать только одно легко интерпретируемое значение в виде фактора уверенности CF(Ai)=Vi (CF⊂[–1, 1]) в достижении целей Ai, таких что ID(Ai)=0, где ID(Ai) – степень входа вершины Ai (число ребер графа GA, инцидентных вершине Ai). Значение CF=1 свидетельствует об абсолютной уверенности эксперта в том, что в существующих условиях цель будет достигнута в заданные сроки. Значение CF=–1 говорит о полной уверенности в обратном. Промежуточные положительные значения указывают на степень уверенности в возможности достижения цели, а отрицательные значения – ее недостижения. CF=0 говорит о невозможности дать положительное или отрицательное заключение о перспективах достижения цели.

При 0

ID(Ai)=2,                                                                        (2)

где Vj – оценки узлов Aj, смежных с Ai по входу, j=1, …, ID(Ai); Vi |Aj – уверенность эксперта в достижимости цели Ai при условии достижения Aj.При ID(Ai)=3 оценка достижимости цели определяется выражением .                    (3)

При ID(Ai)>3 процедура расчета показателя достижимости предусматривает проведение итерационных вычислений в соответствии с выражением (2).

Полученные оценки достижимости целей используются для анализа влияния текущего проекта по созданию новой продукции на деятельность машиностроительного предприятия в целом, при этом учитывается взаимосвязь критериальных показателей проекта и показателей деятельности предприятия. Оценочное выражение для процедуры учета данных взаимосвязей имеет вид

                                 (4)

где С – стратегические цели предприятия; nr – число целей Сr (r=1, ..., nr), сопряженных с целями Ar, {Ar}⊂А, таких что ID(Сr)=1; nrc – число элементов множества KCr∩Kr; KCr – множество критериальных показателей цели Сr; Kr – множество критериальных показателей цели Ar; nCr – число элементов множества KCr; np – число целей Сp (p=1, ..., nr), сопряженных с целями Ap, {Ap}⊂А, таких что ID(Сp)≠1; nwc – число элементов множества KCp∩Kw, KCp – множество критериальных показателей цели Сp, Kw – множество критериальных показателей цели Aw; nCp – число элементов множества KCp.

В общем случае фактор уверенности в достижимости цели Ai не является независимой величиной и может изменяться под воздействием событий {Eig} (g=1, ..., ng), возможных на временном интервале (0, Ti). Учет влияния внешних факторов производится путем расчета мер доверия MB(Ai, {Eig}) и недоверия MD(Ai, {Eig}) к гипотезе о достижимости цели Ai при условии свершения событий {Eig}.

При ng=1 мера доверия определяется выражением

      (5)

мера недоверия – выражением

                  (6)

где Vi |Ei1 – заданное экспертом значение фактора уверенности (CF-фактора) в том, что цель Ai будет достигнута, если произошло событие Ei1.

При ng¹1, когда на достижение цели Ai могут повлиять несколько событий, расчетные формулы преобразуются с учетом типа логической взаимосвязи событий. Выражения для случая воздействия трех событий, связанных логикой И (˄) и ИЛИ (˅) (если Vi ¹1 и Vi¹0):

 (7)

(8)

Итоговое значение степени достижимости цели Ai с учетом событий:

               (9)

где MB(Ai, {Eig}) и MD(Ai,{Eig}) – итоговые рассчитанные значения мер доверия и недоверия на множестве всех событий {Eg}.

Переоцененные значения показателей достижимости целей используются для анализа чувствительности проекта к воздействию внешних событий и поиска критических целей. Критическими считаются цели, для которых влияние внешних воздействий приводит к наибольшему увеличению меры недоверия. Такие цели требуют более тщательного планирования, поэтому рекомендуется дальнейшая детализация фрагментов модели, связанных с данными целями.

Модификация рассмотренного метода для случая коллективной экспертизы заключается в следующем. Для целей Ai каждым экспертом Эu дается оценка достижимости в виде , где PuB – множество факторов доверия; PuD – множество факторов недоверия. Интегральная оценка достижимости цели Ai определяется следующим образом:

                  (10)

где Viu – оценка V(Ai) экспертом Эu; u=1, …, nu, nu – число участников экспертизы. Если Ai близко к нулю (с заданной мерой близости), проводится процедура проверки согласованности мнений экспертов.

Проведенные вычислительные эксперименты свидетельствуют об устойчивости результатов моделирования к изменению параметров модели и чувствительности предложенных моделей к изменениям исходных данных. Для обеспечения максимальной устойчивости результатов необходимо учитывать рекомендации, полученные в ходе экспериментов: ID(Ai)≥3 (эмпирическое значение критерия Фишера для гипотезы о равенстве дисперсий DA для ID(Ai)=3 и ID(Ai)=4: Fэмп=3,73 < < F=4,28 для уровня доверия а=0,05 и степени свободы b=6), n=16–20.

В процессе реализации проекта значения достижимости целей изменяются в соответствии с фактически полученными результатами, измеряемыми с помощью критериальных показателей. Выражение для скорректированной оценки показателя достижимости в момент времени tx имеет вид:  

                      (11)

где  – фактическое значение η-го точечного количественного показателя в момент tx;  – фактическое значение λ-го интервального показателя в момент tx;  – фактическое значение ω-го качественного показателя в момент tx; nqn – взвешенное число точечных количественных показателей; nint – взвешенное число интервальных показателей; nqv – взвешенное число качественных показателей. Взвешенное число показателей определяется как произведение числа показателей на весовой коэффициент (уровень значимости), задаваемый экспертно.

Для выполнения свертки Ä качественных показателей последние целесообразно представить в виде нечетких переменных. В этом случае можно использовать процедуры нечеткого логического вывода в соответствии с одним из известных алгоритмов [7], предусмотрев необходимость преобразования конечного результата к шкале от –1 до 1 на этапе приведения к четкости.

Задачи управления сложными производственными проектами

Информационно-аналитическая система поддержки принятия решений (ИАСППР), реализующая рассмотренные методы, может использоваться как компонента АСУ производствами и предприятиями для решения множества задач управления проектами создания наукоемкой машиностроительной продукции в условиях неопределенности.

Представим управленческие задачи для различных стадий производственного проекта, результаты их решения с помощью разработанных программных средств, а также используемые исходные данные.

1. Начальный этап. Инициализация проекта по созданию новой наукоемкой продукции машиностроения.

Задачи, решаемые на данном этапе:

–      целеполагание, в том числе выбор целевых показателей результативности производственного проекта;

–      начальное планирование процесса разработки и подготовки производства машиностроительной продукции;

–      принятие решения D0 о целесообразности реализации проекта по созданию наукоемкой машиностроительной продукции с точки зрения целевых показателей результативности.

Результаты работы ИАСППР:

–      начальная комплексная модель процесса разработки и подготовки производства, включающая логико-временную модель целей текущего проекта по созданию наукоемкой продукции, идентифицируемую с помощью целевых показателей {Kj} и взаимосвязанную с иерархической системой целей всего машиностроительного предприятия;

–      базовый сценарий процесса разработки и подготовки производства наукоемкой машиностроительной продукции в виде декомпозиции начальной комплексной модели до уровня, позволяющего получить экспертные оценки уверенности {CF} в возможности получения показателей результативности целей-инициаторов (начальных целей);

–      оценки показателей прогнозной результативности {Vi|t=0} проекта по созданию наукоемкой машиностроительной продукции, расчет которых проведен на комплексной модели проекта с использованием предложенного экспертно-анали­тического метода при заданных факторах уверенности в достижимости целей-инициаторов.

Исходные данные. На рассматриваемом этапе источником исходных данных может быть внешний заказ на создание наукоемкой машиностроительной продукции либо внутренние планы раз- вития предприятия. В качестве таких данных выступают требования технического задания к техническим, эксплуатационным и прочим характеристикам новой продукции чаще всего в виде граничных количественных или качественных оценок, а также приблизительные сроки создания данной продукции.

Работа ИСАППР на данном этапе иллюстрируется рисунком 1.

2. Этап реализации работ по созданию образцов новой машиностроительной продукции.

Решаемые задачи:

–      выбор концептуального решения новой продукции на множестве альтернативных вариантов {DНИР};

–      выбор конструкторских {DКП} и технологических решений {DТхП} в соответствии с текущими условиями и учетом влияния на последующие стадии проекта;

–      планирование последовательности работ и распределения ресурсов {DПП} в условиях изменений внутренней и внешней среды машиностроительного предприятия.

Результаты работы ИАСППР на данном этапе:

–      оценки прогнозной результативности проекта по созданию наукоемкой машиностроительной продукции для альтернативных вариантов концептуальных решений {Vi|Dнир}, характеризующихся различными значениями факторов уверенности в достижимости целей-инициаторов;

–      оценки прогнозной результативности проекта по созданию наукоемкой машиностроительной продукции {Vi|t=T}, полученные с использованием предложенного экспертно-аналитического метода и с учетом фактических значений целевых показателей в рассматриваемый момент времени {Kj|t=T};

–      оценки прогнозной результативности проекта по созданию наукоемкой машинострои- тельной продукции для различных сценариев изменения внешней и внутренней среды {Vi|E*}, рассчитанные с помощью разработанного метода прогнозирования последствий возможных событий {E*}.

Исходные данные. В рассматриваемом случае исходными данными являются результаты мониторинга процесса создания новой продукции, прогнозы изменений внутренней и внешней среды машиностроительного предприятия, а также данные, полученные с помощью ИАСППР на этапе инициализации проекта по созданию наукоемкой продукции или в предшествующие моменты его реализации.

Работа ИАСППР в рассматриваемом случае схематически показана на рисунке 2.

Методика использования ИАСППР

Далее рассматриваются основные этапы методики использования ИАСППР. Их порядок и содержание могут варьироваться в зависимости от стадии проекта и решаемой управленческой задачи.

1. Формирование набора целевых показателей проекта по созданию новой продукции.

На данном этапе предлагается провести классификацию показателей для выбранных задач управления на этапах процесса создания наукоемкой продукции машиностроения.

2. Определение источников информации, которая может содержать данные о показателе или использоваться для его расчета.

Можно выделить следующие критерии классификации информации, необходимой для расчета показателей:

–      источники информации (на предприятии, вне предприятия);

–      носители (электронные или бумажные);

–      периодичность использования (переменная и постоянная (условно));

–      функциональное назначение (статистическая, прогнозная, дескриптивная);

–      степень формализации (качественная или количественная).

К источникам информации внутри предприятия могут быть отнесены документы, хранимые в БД предприятия, например, учет производственных операций, контракты с заказчиками, отчеты по ранее проводимым исследованиям и т.д.

Внутренние источники, как правило, дают более точную и полную информацию, нежели внешние, которым при выполнении классификации надо уделить особое внимание.

Источники вне предприятия отличаются большим разнообразием, тесно связаны с задачей, которую необходимо решить на этапе подготовки производства, и с набором показателей. Среди них можно выделить следующие: средства массовой информации, справочники продукции, статистические сборники и каталоги продукции, отраслевые журналы и т.д.

Внешняя информация зачастую неточна и противоречива, в некоторых случаях требует специфичной экспертной обработки перед использованием. По мере определения и классификации источников на данном этапе собирается информация о дате ее отображения и о наличии повторяющейся информации в разных группах источников.

3. Получение численных значений показателей и оценка их достоверности.

Численные значения нужных показателей могут быть найдены непосредственно в источнике, рассчитаны через составляющие их компоненты, а могут быть получены через другие показатели. Во втором и третьем случаях необходимо построить модель информационного канала передачи и обработки данных для данного показателя и оценить погрешности, вносимые этим каналом в значение показателя. В случае наличия источников значительных погрешностей принимается решение о корректировке информационного канала или об исключении показателя из рассмотрения.

4. Построение начального варианта комплексной модели производственного проекта.

5. Идентификация целей (в проекции целей комплексной модели) с использованием выделенных показателей.

6. Проведение расчетов прогнозной результативности проекта по созданию новой продукции.

7. Принятие решений по различным аспектам на основании рассчитанных оценок прогнозной результативности проекта создания наукоемкой машиностроительной продукции.

В процессе принятия решений используется шкала оценок достижимости целей, характеризующих завершение отдельных стадий или работ проекта, представленная в таблице.

Шкала оценок достижимости целей

A rate scale of goal attainability

Лингвистическая оценка достижимости

Vi

Цель, скорее всего, не будет достигнута

[–1, ..., –0,6]

Цель, возможно, не будет достигнута

(–0,6, ..., –0,2)

Достижимость цели не определена

[–0,2, ..., +0,2]

Цель, возможно, будет достигнута

(+0,2, …, +0,6)

Цель, скорее всего, будет достигнута

[+0,6, …, +1]

Вариант «Достижимость цели не определена» может быть получен как в результате сбалансированного воздействия на цель положительных и отрицательных факторов, так и в случае невозможности экспертов вынести суждения относительно возможности достижения большинства целей-инициаторов.

8. Изменение модели проекта по созданию наукоемкой продукции для обеспечения ее адаптации к изменениям производственных процессов и внешней среды машиностроительного предприятия.

Пример практического использования разработанной системы

Описанные в статье методы были алгоритмически реализованы в виде комплекса специализированных программных средств ИАСППР и использованы в проекте по созданию комплекта тягового электрооборудования (КТЭО) гибридного привода транспортных средств (ТС) предприятий концерна «РУСЭЛПРОМ». Построена комплексная графовая модель проекта (рис. 3) и проведена оценка показателей прогнозной результативности.

Проведенные расчеты показали, что цели А2 – проектирование новой продукции с учетом ее планируемой конкурентной позиции по техническим (мощность, максимальный крутящий момент, массо-габаритные показатели), эксплуатационным (потребление углеводородного топлива двигателем внутреннего сгорания, потребление электроэнергии электродвигателем и др. компонентами КТЭО, объем выбросов двигателя внутреннего сгорания, время работы на отказ и др.) и экономическим характеристикам (производственная себестоимость, стоимость технического обслуживания и ремонтов) и А5 – выбор концепции разработки, позволяющей обеспечить требуемые характеристики, имеют низкие значения показателей достижимости в планируемые сроки при выделенных ресурсах (первые значения над узлами целей на рисунке 3).

Прогноз последствий внешних событий показал сильное отрицательное влияние большинства из них, приведшее к получению отрицательных оценок показателей достижимости (вторые значения над узлами целей на рисунке 3). Для повышения прогнозной результативности проекта были предложены корректирующие мероприятия Di: мероприятия по повышению точности планирования; применение формализованных процедур проведения экспертизы и обработки экспертных оценок; введение дополнительных процедур контроля качества проектной документации; внедрение АСУ версиями для конструкторской и технологической документации; организация в АСУ предприятием оперативного учета качества ранее выпущенной продукции.

Расчеты показали увеличение показателей достижимости целей предприятия с уровня «Цель, возможно, будет достигнута» (интервал (+0,2; +0,6)) до уровня «Цель, скорее всего, будет достигнута» ([+0,6; +1]). По результатам оценки анализа чувствительности модели проекта к предлагаемым изменениям и дополнительных затрат, связанных с ним, было принято решение о реализации мероприятий по внедрению АСУ версиями конструкторской и технологической документации.

В заключение отметим, что опыт использования предложенных методов и инструментов на машиностроительных предприятиях различного профиля показал, что в случае высокой информационной неопределенности их применение является экономически оправданным, поскольку позволяет сократить сроки проектов и затраты на их реализацию за счет уменьшения количества итераций в циклах конструкторско-технологической подготовки производства наукоемкой продукции.

Авторы выражают большую признательность преподавателям и сотрудникам кафедры информационных систем Тверского государственного технического университета и лично заведующему кафедрой профессору Б.В. Палюху за помощь докторантам и аспирантам филиала НИУ «МЭИ» в г. Смоленске в их научных исследованиях.

Литература

1.     Половинкин В.Н., Фомичев А.Б. Модернизация машиностроения. Цифры. Тенденции. Вызовы // Экспертный союз. 2012. № 1. С. 6–13.

2.     Гришина Т.Г. Моделирование и оптимизация циклов выработки решений при управлении автоматизированным производством // Инженерный вестник Дона. 2012. № 3 (21). С. 390–394.

3.     Палюх Б.В., Бурдо Г.Б. Метод интеллектуальной оценки решений при проектировании технологии в многономенклатурных производствах // Вестн. Тамбовского гос. тех. ун-та. 2011. Т. 17. № 2. С. 342–350.

4.     Poznyak A.S. Advanced mathematical tools for automatic control engineers: stochastic systems. Amsterdam, Elsevier, 2009, vol. 2, 544 p.

5.     Стоянова О.В., Дли М.И., Васицына А.И. Возмож- ности использования временных логик для управления сложными проектами // Нейрокомпьютеры: разработка и применение. 2011. № 8. С. 48–53.

6.     Борисов В.В., Бояринов Ю.Г., Мищенко В.И. Методы анализа сложных систем на основе нечетких полумарковских моделей // Нейрокомпьютеры: разработка и применение. 2011. № 8. С. 33–41.

7.     Стоянова О.В. Оценка соответствия существующих информационных систем управления проектами особенностям проектного управления в наноиндустрии // Программные продукты и системы. 2013. № 6. С. 193–199.

8.     Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логико-вероятностный подход. СПб: Наука, 2006. 607 с.

9.     Rule-based expert systems: the MYCIN experiments of the stanford heuristic programming project. Buchanan B.G. and Shortliffe E.H. (Eds.). Massachusetts: Addison-Wesley Publ., 1984, 754 p.

10.  Борисов В.В., Зернов М.М. Определение совокупности нечетких моделей для решения комплексной задачи поддержки принятия решений // Вестн. МЭИ. 2011. № 1. С. 74–85.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=4027&lang=
Версия для печати
Выпуск в формате PDF (8.21Мб)
Скачать обложку в формате PDF (1.09Мб)
Статья опубликована в выпуске журнала № 3 за 2015 год. [ на стр. 49-56 ]

Назад, к списку статей