CC BY
29
УДК 006.83
DOI: 10.24412/2071-6168-2023-7-263-264
СОВРЕМЕННЫЕ МЕТОДЫ АНАЛИЗА И УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОДУКЦИИ В НАУКОЕМКОМ ПРОИЗВОДСТВЕ
Е.В. Ляпунцова
Цель проведения исследования заключается в анализе современных методов управления качеством продукции в наукоемком производстве с учетом применения умных технологий и современных алгоритмов. По результатам исследования представлены основные тенденции методов управления качеством продукции с учетом инновационных подходов решения конкретных задач, в первую очередь за счет повышения уровня цифровизации и применения современных трендов и формирование шаблона-методологии для применения на реальном наукоёмком производстве с учетом особенностей выпускаемой продукции.
Ключевые слова: управление качеством, методы анализа, наукоемкое производство, качество продукции.
Одна из важнейших тем и значимой задачей на любом производстве, в частности в машиностроении, является задача управление качеством продукции, что является в свою очередь сферой профессиональной деятельности определенных отделов и подразделений каждого предприятия, в рамках которой проводится аудит, анализ, контроль за качеством выпускаемой продукции. И в дальнейшем внедряются определенные меры, которые воздействуют на процесс создания и улучшения качественной и востребованной продукции с целью обеспечения наиболее высоких показателей качества. Подобные шаги реализуются за счет внедрения конкретных мероприятий по контролю качества и принятию управленческих решений. Данной тематике по разработке современных методов анализа качества и управления посвящено значительное количество научных и практических работ [1, 2, 3, 4].
Особенно важен данный вопрос на предприятиях наукоемкого производства с учетом внедрения умных технологий, разработки новых методов с возможностью сформировать шаблон или дорожную карту для практического применения в задачах управления процессами [5, 6, 7].
Управление качеством в производственно-технологических системах значимое место отводят планированию, разработке и реализации мер по повышению конкурентоспособности предприятия, что позволяет существенно улучшить технологический процесс.
Важный аспект на предприятии занимает обучение новым умным технологиям сотрудников, внедрение в дальнейшем данных технологий, что помогает адаптироваться компаниям в условиях новых реалий, трендов и тенденций с учетом задач технологического суверенитета и разработки современных российских технологий опережающего развития в экономике. Также необходимо следить за процессом создания и мониторить все этапы жизненного цикла продукции на производстве, чтобы продукция была сертифицирована и соответствовала стандартам качества [8, 9].
Существует достаточно большое количество методов и методик, которые используются в настоящее время на производстве с учетом специфики и специализации конкретных предприятий.
Современные методы анализа качества продукции и продукта применяются на различном этапе. Можно отметить такие как молекулярные формулы и инструментальные методы, которые включают в себя различные механизмы и инструменты, помогают оценивать соответствие продукта заданным стандартам и требованиям. Некоторые из таких методов представлены в табл. 1.
Таблица 1
Методы анализа качества продукта_
№ Наименование метода анализа Описание метода качества продукта
1. Химический Использование химических методов для определения содержания различных веществ в продукте. Анализ содержания питательных веществ, добавок, контамиан-тов.
2. Физический Использование физических методов для оценки физических свойств продукта: размер, форма, текстура, цвет. Применение микроскопии, спектроскопии, реологии,
3. Сенсорный Оценка качества продукции с помощью диагностики человеческими сенсорными органами: зрение, обоняние, вкус, осязание. Проведение органолептических тестов и опросы.
4. Микробиологический Оценка наличия микроорганизмов в продукте и их влияния на его качество и безопасность. Анализ наличия бактерий, микроорганизмов.
5. Молекулярный Использование методов молекулярной биологии и генетики для определения состава и качества продукта. Анализ ДНК., белков, различных молекул.
6. Инструментальный Использование современных различных инструментальных методов: хроматография, спектрометрия, комбинация методов. Определение состава и свойств продукта.
Таблица составлена автором
Анализ качества наукоемкой продукции включает в себя ряд методов, которые позволяют оценить соответствие продукта установленным требованиям и стандартам [10]. Некоторые из таких методов представлены ниже и включают в себя следующие характеристики:
- Методы статистического контроля для анализа данных о качестве продукции: анализ контрольных карт, диаграммы Парето, гистограммы, диаграммы рассеяния.
- Методы экспериментальной оценки, основанные на экспертном мнении специалистов, опыта и экспертизе: метод Delphi, анализ иерархий, экспертные системы.
- Методы анализа рисков для оценки и идентификации потенциальных рисков, которые влияют на качество продукции: анализ дерева решений, анализ ФМЭА (Failure Mode and Effects Analysis).
263
- Методы анализа данных для проверки статистических данных о качестве продукции, анализ дисперсии, регрессионный анализ, множественная регрессия, методы машинного обучения, умные технологии.
- Методы анализа потребительского отзыва для анализа обратной связи и мнения потребителей о продукции: методы оценки качества, метод поиска и выявление проблем и недостатков.
- Методы контроля качества для проверки соответствия продукции установленным стандартам и спецификациям: визуальный контроль, измерения и испытания продукции.
В данной статье представлены лишь некоторые из методов анализа качества наукоемкой продукции. Однако, данная систематизация и классификация позволяет сгруппировать существующие подходы для реализации.
Выбор конкретного метода зависит от целей и требований оценки качества продукции реального процесса или задачи. В представленном исследовании акцент делается на создание методики, которая позволит в дальнейшем применить данный шаблон как классический подход. Далее может быть использован в различных ситуациях для решения с учетом поставленных конкретных задачах. Важно отметить, что все выше отмеченные методы могут быть использованы в режиме комбинации методов для обеспечения высокого уровня качества наукоемкой продукции, создания которой требует значительного участия научных знаний, технологий и интеллектуальных усилий.
Анализ качества наукоемкой продукции является важной задачей для обеспечения ее соответствия требованиям и ожиданиям потребителей. Создание наукоемкой продукции является сложным процессом, в котором задействованы большие научные и производственные коллективы.
К наукоемкой продукции относятся следующие направления:
- новые лекарственные препараты;
- инновационные технологии;
- высокотехнологическое оборудование;
- компьютерные программы.
Стоит остановиться на некоторых из направлений, а именно информационных технологиях и компьютерных программах. Модели состояния и динамики процессов управления качеством включают в себя различные подходы для анализа и улучшения качества продукции с учетом метрик.
Метрики и показатели качества продукции могут быть разнообразные в зависимости от отрасли и типа продукции. Однако, в общем случае, широко используемые и часто применимые метрики и показатели качества продукции включают в себя следующие понятия, которые представлены в табл. 2.
Таблица 2
Основные метрики и показатели продукции._
№№ Наименование метрик Описание метрик и показателей
1. Надежность Важный показатель для продукции при длительной эксплуатации. Вероятность безотказной работы продукции в течение определенного периода времени.
2. Доля брака Отражает качество процесса производства. Процентное соотношение бракованных единиц продукции к общему количеству произведенных единиц.
3. Соответствие стандартам Оценка на соответствие продукции установленным стандартам и требованиям: размер, вес, электрические характеристики и технические параметры.
4. Удовлетворенность пользователей Опросы и отзывы пользователей о продукции, ее качестве и потребности рынка.
5. Цикл производства Показатель времени необходимое для производства единицы продукции от начала до финала процесса, что позволяет установить более эффективный короткий цикл производства с меньшей вероятностью возникновения ошибок.
6. Затраты на гарантийное облужи-вание Данный показатель является не только качество продукции, но и эффективности процесса гарантийного обслуживания. Расходы на ремонт или замена бракованных единиц продукции в рамках гарантийных обязательств.
Таблица составлена автором.
Данная методология включает в себя различные стратегии, инструменты, метрики и показатели качества. Все эти компоненты важны в совокупности и, конечно, значимы.
Для реализации метода анализа качества продукции предполагается использовать один из шаблонов, реализованного на языке Python. На рис. 1 представлен пример кода на Python, который вычисляет среднее значение и стандартное отклонение для набора данных, которые представлены в виде списка. Для конкретного решения задачи необходимо подставить свои данные в переменную "данные" и получить результаты анализа качества продукции.
'г' python
def аналиэ.иочесты.продукцитМданные): среднее ■ &игт»(данные)Лепизнные)
отклонение "ндофх - среднее) " 2 icrx in данные!! /)еп(дэнные) стандарт-ное_рпуц>нение - отклонение " 0.S return среднее, стенде ртное.отклонение
tf Пример кспольаовенин
данные = [10.12.11. 9.10.11.12.10.9.11)
среднее. [гга^ргн&е.йтклйнение = енади5_каче«е5_прсу^ции{денные]
primif'Среднее значение: (среднее}")
pririTtf"Стандартное отклонение: {етандартное„отклонение)">
Рис. 1. Код на Python для метода анализа качество продукции
Метод анализа качества продукции в Python может быть реализован несколькими способами в зависимости от требований и характеристик продукции. Однако, в общем случае, такой метод может включать следующие шаги:
Шаг 1. Сбор данных: Необходимо собрать данные о продукции, которые будут использоваться для анализа качества. Это могут быть данные о размере, весе, текстуре и многие другие.
Шаг 2. Предварительная обработка данных: Возможно, данные требуется предварительно обработать, чтобы привести их к единому формату или устранить некоторые аномалии. Или провести нормализацию данных или удалит выбросы.
Шаг 3. Определение критериев качества: Необходимо определить критерии, по которым будет производиться оценка качества продукции. Это может быть, например, соответствие определенным стандартам или пороговым значениям.
Шаг 4. Разработка алгоритма анализа: На основе собранных данных и определенных критериев качества, необходимо разработать алгоритм, который будет оценивать качество продукции. Это может быть, например, алгоритм классификации, регрессии или кластеризации.
Шаг 5. Реализация кода: На основе разработанного алгоритма необходимо написать, например, код на Python, который будет выполнять анализ качества продукции. Это может включать в себя чтение данных, их обработку, применение алгоритма и вывод результатов.
Шаг 6: Тестирование и оптимизация: После написания кода необходимо протестировать его на различных данных и проверить его эффективность. Если необходимо, то можно провести оптимизацию кода для улучшения производительности.
На рис. 2 представлен фрагмент кода на языке Python, который демонстрирует анализ продукции с использованием алгоритма классификации, а именно алгоритм «случайного леса» (Random Forest).
'' р.: "oí
from skleam.ensemble import RandomForestClaMifiec from skleam.modeLseleítion import train_test_spfit from sklearrt.metrics import accuracyjcore
it Загрузка данных data - load_datall
# Предварительная обработка данных prepracessed_data = preproces5_data(dlala]
$ Разделение данных на обучающую и тестовую выборки
trair_data, tesLdata, train Jabels, tesUabels - trair_test_íp]it{preprocessed_data. labels, test
M Создание и обучение модели model = RandorriForestOas&inerQ model .Gtdrain.data, train Jabets)
& Предсказание меток для тестовых данных predictions ■ rTHHfel.predict(test_data)
- Оценка качества модели
accuracy = accuracy_5core(testjaheä5. predictions)
prirrtCAccuracy:", accuracy)
Рис. 2. Фрагмент кода алгоритма анализа качество продукции
Данный пример представлен как шаблон реализации концепции анализа качества продукции. В каждом реальном случае необходимо учитывать зависимости от конкретной задачи и списка требований.
Использование готовых библиотек языка программирования Python, позволяет реализовать достаточно большое количество алгоритмов анализа качества продукции с применением умных технологий. Одним из значимых методов являются алгоритмы машинного обучения, которые часто используются именно в задачах классификации или поиска оптимального решения.
Машинное обучение - это подраздел искусственного интеллекта, который изучает и разрабатывает алгоритмы и модели, позволяющие системам обучаться и выполнять задачи без явного программирования. Алгоритм предоставляет данные и имеет возможность самостоятельно извлекать закономерности и делать предсказания на основе этих данных. Машинное обучение часто применяется в рекомендательных системах.
В машинном обучении используются следующие методы и алгоритмы: классификация регрессия, кластеризация и многие другие с учетом специфики реальной задачи или процесса. Данные методы позволяют анализировать данные, находить общие закономерности, использовать их для прогнозирования, классификации и принятия решения.
Одним из популярных подходов является обучение с учителем, где модель обучается на основе размещения данных, где каждый пример имеет соответствующую метку. Другим подходом является обучение без учителя, где модель самостоятельно выявляет структуру в данных без предварительных меток.
Также часто применяется алгоритм «случайный лес» (Random Forest) на Python. Кроме представленного фрагмента кода на рис. 2, важно описать и принцип работы модели. Данный алгоритм составлен из множества деревьев решений, поэтому сначала необходимо уточнить, как одно такое дерево решает проблему классификации.
Рассмотрим методологию и основные шаги реализации алгоритма классификации случайного леса, которые включат следующее этапы:
1.Загрузка данных: Данные, которые необходимо использовать для классификации. Важно, чтобы данные содержали метки классов.
2.Подготовка обучающего и тестового набора: Разделение данных на обучающий и тестовый наборы. Чаще всего используется пропорция 70:30 или 80:20. Обучающий набор предназначен для обучения модели, а тестовый набор - для оценки ее производительности.
3.Создание случайного леса: Создается случайный лес, который буде состоять из нескольких деревьев решений. Количество деревьев и другие параметры настраиваются в зависимости от конкретной задачи и проекта.
4.Необходимо обучить каждое дерево в случайном лесу, используя обучающий набор данных. Каждое дерево обучается на случайной подвыборке данных с заменой.
5.Принятие решений: Если случайный лес обучен, то используется для классификации новых данных. Каждое дерево в случайном лесу голосует за классификацию, и класс с наибольшим количеством голосов становится предсказанным классом.
б.Оценка производительности: Используется тестовый набор данных, происходит оценка производительности случайного леса с помощью метрик точности, полноты и Fl-меры.
Важно отметить, что для реализации, например, на языке Python, используется такая библиотека как scikit-leam, для формирования, создания и обучения «случайного леса» [6].
В заключении стоит отметить тот факт, что цель исследований - поиск решения задачи и анализа существующих современных методов и подходов управления качеством продукции на предприятии и наукоемком производстве с учетом применения умных технологий и современных алгоритмов[11].
По результатам исследования представлена классификация основных алгоритмов и тенденция развития методологии управления качеством продукции с учетом инновационных подходов решения в виде шаблона.
Однако, для построения уже в дальнейшем модели конкретных задач за счет повышения уровня цифрови-зации и применения современных трендов нужны конкретные данные и метрики.
Важно отметить, что использование шаблона в качестве методологии, который предназначен для реального наукоёмкого производства с учетом особенностей выпускаемой продукции, послужит инструментом решения конкретной задачи с реальными данными о производственном процессе. В статье намечены пути решения и развития данного направления и в дальнейшем планируется стать предметом экспериментов и реализации.
Список литературы
1. Логинова О.Н., Манакова И.А. Контроль качества, как инструмент повышения конкурентоспособности услуг// В сборнике: Ресурсосберегающие технологии в контроле, управлении качеством и безопасности. Сборник научных трудов X Международной конференции школьников, студентов, аспирантов, молодых ученых. Томск, 2022. С. 140-143.
2. Айдаркина, Е. Е. Теория и практика управления: учебное пособие / Е. Е. Айдаркина ; Южный федеральный университет. Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2020. 164 с.
3. Анопченко Т.Ю. Менеджмент: кейсы, тренинги, деловые игры. Практикум / Т.Ю. Анопченко, А.М. Григан, А. А. Лысоченко [и др.]. 4-е изд., стер. М.: Дашков и К, 2019. 282 с.
4. Барышев А.В. Основы разработки управленческого решения: учебное пособие. М.: ФОРУМ: ИНФРА-М, 2021. 164 с.
5. Абакумова Ж.В., Трошкова Е.В. Экономические аспекты обеспечения качества, безопасности и бережливости на предприятии // Финансовая экономика. № 2. С. 133— 0,38.
6. Бенгфорт Б. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. СПб.: Питер, 2019. 368 с.
7. Антонова И.И., Смирнов В.А., Антонов С.А. Всеобщее управление качеством. Основоположники всеобщего менеджмента качества: учебное пособие. М.: РУСАИНС, 2020. 132 с.
8. Белобрагин В., Салимова Т. Наука об управлении качеством: новые тенденции или возврат к истокам? Ч. 1 // Стандарты и качество. 2020. №9. С. 56-59.
9. Методика присвоения рейтингов качества управления. [Электронный ресурс] URL: https://raexpert.ru/docbank/Z166/053/8eb/ b2fe07398febc109badf4a4.pdf (дата обращения: 28.06.2023).
10. Методика самооценки качества корпоративного управления в компаниях с государственным участием [Электронный ресурс] URL: https://rosim.gov.ru/documents/231515?ysclid=li8mw4rhz6855661027 (дата обращения: 20.05.2023).
11. Попкова Е.Г., Соловьев А.А., Сметанин А.С. ESG-менеджмент качества в цифровом бизнесе России с опорой на ответственные инновации и институты информационного общества// На страже экономики. 2023. № 1 (24). С. 82-89.
Ляпунцова Елена Вячеславовна, д-р техн. наук, профессор, lev86@bmstu.ru, Россия, Москва, Московский государственный технический университет им. Н. Э. Баумана (Национальный исследовательский университет)
MODERN METHODS OF PRODUCT QUALITY ANALYSIS AND MANAGEMENT IN HIGH-TECH PRODUCTION
E.V. Lyapuntsova
The purpose of the study is to analyze modern methods of product quality management in high-tech production, taking into account the use of smart technologies and modern algorithms. According to the results of the study, the main trends of product quality management methods are presented, taking into account innovative approaches to solving specific tasks, primarily by increasing the level of digitalization and the use of modern trends and the formation of a template methodology for use in real high-tech production, taking into account the characteristics of the products.
Key words: quality management, analysis methods, knowledge-intensive production, product quality.
Lyapuntsova Elena Vyacheslavovna, doctor of technical sciences, professor, lev86@bmstu.ru, Russia, Moscow, Bauman Moscow State Technical University (National Research University)
