CC BY
34
Основным показателем, демонстрирующим результативность СМК, является оценка удовлетворенности потребителей, связанная с оценкой результативности процессов.
При проведении оценки СМК применяется система балльной оценки, которая позволяет:
- наглядно определить "узкие места" и проблемные области СМК;
- определить причины, послужившие основанием для получения низкой оценки;
- оценить количественные показатели качества процессов;
- определить конкретные функциональные сферы деятельности, нуждающиеся в улучшении[5]. Таким образом, проведение анализа и оценки СМК позволяет обеспечить уверенность руководства в
том, что система находится в рабочем состоянии и является результативной в удовлетворении требований стандартов ИСО серии 9000, потребителей, а также в достижении задач, установленных политикой в области качества.
Список использованной литературы:
1. Искандерова Р. Р. Методика оценки результативности СМК предприятия // Молодой ученый. - 2015. -№ 5. - С. 278-280.
2. Гладцын А.Ю. Факторы, влияющие на эффективность сферы услуг предприятий технического сервиса / А.Ю. Гладцын // Макроэкономические проблемы современного общества: материалы VII Всероссийской науч.-практ. конф. - Пенза: ПГСХА, 2008. - С. 114-119
3. Карпузов В.В. Управление качеством в АПК - М.: Издательский центр ФГОУ ВПО МГАУ, 2007. - 302 с.
4. Карпузов В.В., Самордин А.Н. Методические рекомендации по созданию системы менеджмента качества на предприятиях. Практическое руководство : Учебное пособие. - М.: КДУ, 2008.-148 С.
5. Степанов, А.А. Оценка результативности СМК: методический аспект // стандарты и качество. - №1. -2009. - С.70 - 75.
©Кардаш Е. Д., 2018
УДК 331.452
Майструк А.В.
д-р техн. наук, профессор, профессор МГПУ,
г. Москва, РФ E-mail: maisav2981958@mail.ru Клепиков Т.Х. магистрант МГПУ, г. Москва, РФ E-mail: Miasonic@bk.ru
АНАЛИЗ ПРОФЕССИОНАЛЬНЫХ РИСКОВ В УСЛОВИЯХ НЕЧЕТКИХ ДАННЫХ О
ПРОИЗВОДСТВЕННЫХ ОПАСНОСТЯХ
Аннотация
В статье, на основе статистических данных производственного травматизма в городе Москве, показана актуальность анализа профессиональных рисков с использованием аппарата теории нечетких множеств. Указаны основные причины и особенности, обуславливающие необходимость его применения при описании сложных систем и процессов принятия решений в случаях нечеткой информации о производственных опасностях.
Ключевые слова
Несчастные случаи, риск, охрана труда, нечеткие данные.
Актуальность проблемы анализа и предупреждения профессиональных рисков ежегодно подтверждается статистическими данными производственного травматизма и несчастных случаев, представленными в табл. 1 и на рис. 1 - 3 [1].
Таблица 1
Учет несчастных случаев на производстве в 2009-2016 годах
Отчетный период Численность пострадавших от несчастного случая, чел Численность пострадавших от несчастного случая со смертельным исходом, чел
2009 1359 52
2010 1364 46
2011 1261 66
2012 1256 67
2013 1127 33
2014 1084 50
2015 1020 54
2016 1042 58
Рисунок 1 - Численность пострадавших при несчастных случаях (2009-2016 г.)
Численность пострадавших при несчастных
во
60
ад
20
201бг.)
....... ........ ........ —- * ..... •
У=0, 0208х4 н 0Д7С5х3 - 4,9678х2 + 21,716х + 31,75
2009 2020 2011 2012 2013 2014 2015 2016
Рисунок 2 - Численность пострадавших от несчастного случая со смертельным исходом
В целом в 2016 году в г. Москве произошло снижение общего количества тяжелых, групповых несчастных случаев на производстве и несчастных случаев со смертельным исходом на 13%, однако доля рабочих мест (РМ), на которых уровни воздействия вредных факторов рабочей среды и трудового процесса превышают гигиенические нормативы осталась на уровне 2015 и 2014 годов. При этом значительное количество работников заняты на объектах, состояние условий труда в которых не соответствует действующим санитарным правилам, нормам и гигиеническим нормативам. Более чем на каждом десятом
предприятии работники осуществляют трудовую деятельность в условиях воздействия повышенных уровней вредных производственных факторов и/или концентраций химических веществ, что подтверждается результатами лабораторных и инструментальных исследований.
Рисунок 3 - Динамика удельного веса работников, занятых на работах с вредными и(или) опасными условиями
Анализ производственного травматизма, позволяет сделать вывод о том, что по-прежнему, основными причинами несчастных случаев и профзаболеваний на производстве являются нарушения работником требований безопасности, работа в условиях, не отвечающих санитарно-гигиеническим нормам, аварии и другие виды опасных факторов технологических процессов. Поэтому основным направлением государственной политики в области охраны труда является разработка и реализация предупредительных и профилактических мероприятий, направленных на улучшение условий труда и санитарно-бытового обслуживания работников, снижение профессиональных рисков, производственного травматизма и профессиональной заболеваемости.
Одним из важных инструментов идентификации опасностей и оценки риска на рабочем месте является специальная оценка условий труда (СОУТ), главными задачами которой являются: осуществления контроля за состоянием условий труда на РМ и оценка уровней профессиональных рисков; разработка и реализация мероприятий, направленных на улучшение условий труда работников [2].
В настоящее время при оценке уровней профессиональных рисков, как правило, используются математические методы вероятностного анализа опасностей, которые при моделировании базируются на аппарате алгебры логики (например, дерево отказов, событий, опасных состояний), а также теории вероятностей и математической статистики.
В процессе логико-вероятностного анализа риска [3], проводится моделирование всех технологически возможных сценариев реализации опасностей, путем логической комбинации событий и условий, которые являются исходными или инициирующими предпосылками происшествий (например, отказы оборудования, ошибочные действия персонала, нарушения условий эксплуатации, внешние воздействия, отклонения параметров и т.п.). Инициирующие события и условия формируют причинно-следственные цепи (наборы) предпосылок (условий), непосредственно приводящих к происшествиям. При моделировании однозначно указывается принадлежит ли данное событие (элемент, значение параметра) области опасных значений или не принадлежит, путем присваивания булевой переменной (индикаторной функции) значения: «да» - 1, «нет» - 0. Сами исходы являются случайными событиями. Соответственно, и предпосылки к происшествиям (ПП), являются случайными событиями. Однако при наличии статистических данных, можно с заданной точностью определить их вероятностные характеристики -законы распределения, математические ожидания, дисперсии, коэффициенты вариации и т.п. Классическая теория множеств предоставляет набор операций для комбинирования и манипулирования исходными данными, в том числе операции объединения, пересечения, разности множеств и отрицания.
Однако, с точки зрения классической теории множеств элемент данных либо «присутствует» в наборе, либо «отсутствует» в нем — без каких-либо двусмысленностей, вариантов интерпретации и полутонов, что в некоторой степени сужает область практического применения методов ВАБ.
Математическая модель должна отражать все важнейшие черты явления, системы (объекта исследования) и другие существенные факторы, от которых зависит точность оценок, прогноза и эффективность принимаемых решений. Поэтому приходится одновременно учитывать разнородную информацию:
• точечные замеры и значения отдельных параметров;
• допустимые диапазоны и интервалы их изменения;
• статистические законы распределения и их числовые характеристики как для отдельных величин, так и при композиции различных законов распределения;
• лингвистические оценки, критерии и ограничения, полученные от специалистов-экспертов и т.д.
На практике часто возникают ситуации, когда бывает трудно или невозможно категорично, или
однозначно указать принадлежность элемента заданному множеству. Вследствие этого при анализе риска часто пользуются величинами, значения которых не определены точно, а базируются лишь на субъективной оценке экспертов, которые могут оценивать события чаще всего не с количественной, а с качественной стороны, то есть с помощью лингвистического описания ситуации или события. Например, умения и навыки действий оператора в аварийных ситуациях могут оцениваться, как «слабые», «средние», «твердые», а состояние дороги как «плохое», «среднее», «хорошее», «отличное». Кроме того, вероятность сложного события может быть выражена в таких терминах как «более или менее возможно», «практически невозможно», «вероятнее всего» и т.п.
Таким образом, существуют факторы или явления, которые плохо согласуются с булевой логикой принадлежности: «да» - «нет», а использование таких суждений приводит к неопределенности, суть которой заключается не в случайности событий, а нечеткости исходных данных.
Основное достоинство теории нечетких множеств заключается в возможности использовать лингвистические переменные вместо количественных, а нечеткую логику вместо бинарной логики для формализованного представления неточных категорий [4, 5, 6]. При этом понятие нечеткого множества обеспечивает возможность математического представления качественных оценок опасностей, выражаемых исследователем в форме лингвистических значений и нечетких чисел (данных).
Подход на основе теории нечетких множеств является, по сути дела, альтернативой общепринятым количественным методам анализа риска, который имеет три отличительных черты:
• вместо или в дополнение к числовым переменным используются нечеткие величины и так называемые «лингвистические переменные»;
• простые отношения между переменными описываются с помощью нечетких высказываний;
• сложные отношения описываются нечеткими алгоритмами.
Такой подход дает приближенные, но в тоже время эффективные способы описания поведения систем, настолько сложных и плохо определенных, что они не поддаются точному математическому анализу.
Основными факторами, обуславливающими необходимость комплексного применения традиционных логико-вероятностных методов анализа надежности и безопасности сложных систем и теории нечетких множеств при анализе профессиональных рисков, являются:
• сложность явлений и связей, с которыми приходится иметь дело при решении задач, которые по своей природе могут быть нечеткими;
• нечеткость (расплывчатость) исходной информации, т.е. необходимые для решения задачи исходные данные, критерии, ограничения являются по своей сути нечеткими;
• эвристические алгоритмы, которые могут применяться даже в тех ситуациях, когда сама проблема может быть в принципе сформулирована достаточно четко, но ее решение точными методами может быть очень сложным или дорогостоящим, что и определяет необходимость использования эвристических или
нечетких алгоритмов решения.
Таким образом, факторы неопределенности (нечеткости) исходных данных, присутствующие при анализе профессиональных рисков, могут быть учтены и адекватно формализованы в процессе построения математических моделей в рамках нового направления системного моделирования - нечеткого моделирования. Практика показывает, что применять нечеткую логику целесообразнее всего там, где остальные подходы не работают, и следовать традиционным методам, если приемлемые результаты могут быть получены на их основе.
Список использованной литературы:
1. Доклад о состоянии условий и охраны труда в городе Москве за 2016 год. - М.: Департамент труда и социальной защиты населения, 2017 - 120 с.
2. О специальной оценке условий труда: Федер. закон от 23.12.2013 №426-ФЗ [Принят Гос. Думой 23.12.2013] // Сборник законов РФ. М.: 2016.
3. Майструк А.В. Системный анализ и военное прогнозирование: учеб. пособ. - Балашиха: ВА РВСН имени Петра Великого, 2017. - 109 с.
4. Пегат А. Нечеткое моделирование и управление / А. Пегат; пер. с англ. - 2-е изд. - М.: БИНОМ. Лаборатория знаний, 2013. - 798 с.: ил.
5. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова: издание 2-ое, стереотипное. М.: Изд-во МГТУ им. Баумана, 2002. - 744 с., ил.
6. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. - СПб.: БХВ-Петербург, 2003. - 736 с.: ил.
© Майструк А.В., Клепиков Т.Х., 2018
УДК 004
А.М. Муковозов
магистрант, ФГБОУ ВПО «Московский автомобильно-дорожный государственный технический университет (МАДИ)»,
г. Москва, Россия. Email: graalogosh@gmail.com А.Ю. Якушин
магистрант, ФГБОУ ВПО «Московский автомобильно-дорожный государственный технический университет (МАДИ)»,
г. Москва, Россия. Email: yakun1774@yandex.ru
РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ ПО АНАЛИЗУ СИСТЕМ ДОМАШНЕЙ
АВТОМАТИЗАЦИИ
Аннотация
В данной статье предложена методика разработки экспертной системы по анализу комплексов домашней автоматизации на основе функционально-стоимостного анализа. Приведены исходные данные, пример использования предложенной методики. Представлена модель экспертной системы.
Ключевые слова: Системы домашней автоматизации, Умный дом, экспертная система, функционально-стоимостной анализ (ФСА).
