Помощь в учёбе, очень быстро...
Работаем вместе до победы

Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции

Диссертация: Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработана программная система моделирования и анализа причин несоответствий «Causai Modeler» (на основе предложенных автором методов), позволяющая в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также осуществлять поддержку принятия решений по выбору рациональных корректирующих и предупреждающих действий при производстве сложных технических систем… Читать ещё >

Содержание

  • ГЛАВА 1. АНАЛИЗ ЗАДАЧИ МОДЕЛИРОВАНИЯ ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ
    • 1. 1. Основные положения международных и национальных стандартов по вопросам выявления, анализа и диагностирования несоответствий, дефектов и отказов, их причин и последствий
    • 1. 2. Инструменты и методы выявления и анализа причин несоответствий в современном менеджменте качества
      • 1. 2. 1. Методология анализа корневых причин проблемы
      • 1. 2. 2. Другие методы анализа причинно-следственных связей
    • 1. 3. Инструменты и методы анализа причин и последствий дефектов и отказов в теории надежности и технической диагностике
    • 1. 4. Причинный анализ и исследование влияния факторов в эконометрике и статистике
    • 1. 5. Вероятностная концепция причинности
    • 1. 6. Вероятностные графические модели в статистике и искусственном интеллекте как инструмент анализа и моделирования причин событий
    • 1. 7. Обоснование целесообразности применения Байесовых сетей для анализа и моделирования причин несоответствий в менеджменте качества продукции
    • 1. 8. Выводы по главе 1
    • 1. 9. Постановка цели и задач диссертационного исследования
  • ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ
    • 2. 1. Теоретические основы аппарата Байесовских сетей
      • 2. 1. 1. Байесовский подход к пониманию вероятности
      • 2. 1. 2. Случайные переменные и условная независимость
    • 2. 2. Вероятностный аппарат Байесовых сетей
      • 2. 2. 1. Формальное определение Байесовой сети
      • 2. 2. 2. Основные задачи, решаемые с помощью Байесовых сетей
    • 2. 3. Причинные Байесовы сети
    • 2. 4. Элементы теории и критерии принятия решений в условиях вероятностной неопределенности (риска)
      • 2. 4. 1. Отношения предпочтения
      • 2. 4. 2. Критерий ожидаемой полезности
    • 2. 5. Выводы по главе 2
    • 2. 6. Схема проведения диссертационного исследования
  • ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ АНАЛИЗА ПРИЧИН И УСТРАНЕНИЯ НЕСООТВЕТСТВИЙ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ПРОДУКЦИИ
    • 3. 1. Разработка экспертно-статистического метода моделирования и анализа причин несоответствий в менеджменте качества продукции (МКП) на основе применения Байесовской сети
      • 3. 1. 1. Основные допущения
      • 3. 1. 2. Экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети
    • 3. 2. Основные задачи автоматизированного анализа причин несоответствий, решаемые с помощью Байесовой сетевой модели
    • 3. 3. Разработка методов принятия решений по выбору корректирующих и предупреждающих действий в менеджменте качества продукции
      • 3. 3. 1. Математическая формулировка понятий «коррекция», «корректирующее» и «предупреждающее действие» на основе аппарата причинных
  • Байесовых сетей
    • 3. 3. 2. Постановка задачи принятия решения по выбору коррекций, корректирующих и предупреждающих действий и определение методов ее решения
    • 3. 4. Разработка метода оптимизации корректирующих и предупреждающих действий
  • Выводы по главе 3
    • ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ МОДЕЛИРОВАНИЯ И АНАЛИЗА ПРИЧИН НЕСООТВЕТСТВИЙ
    • 4. 1. Разработка программной системы вероятностного моделирования и анализа причин несоответствий «Causal Modeler»
    • 4. 1. 1. Функциональные требования к программной системе
    • 4. 1. 2. Описание архитектуры программной системы
    • 4. 1. 3. Описание возможностей программной системы «Causal Modeler»
    • 4. 2. Моделирование процесса создания системы менеджмента качества
    • 4. 2. 1. Постановка задачи
    • 4. 2. 2. Схема процесса создания и внедрения системы менеджмента качества
    • 4. 2. 3. Построение модели процесса создания СМК
    • 4. 2. 4. Проверка адекватности модели
    • 4. 2. 5. Оптимизация предупреждающих действий процесса создания СМК
  • Выводы по главе 4
    • ГЛАВА 5. ОПЫТНАЯ ПРОВЕРКА И ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ
    • 5. 1. Вероятностное моделирование и анализ причин дефектов электрических соединителей
    • 5. 1. 1. Описание объекта исследования
    • 5. 1. 2. Сбор и анализ информации о видах дефектов
    • 5. 1. 3. Выявление причин дефектов изоляторов
    • 5. 1. 4. Построение Байесовой сети для анализа причин дефектов изоляторов
    • 5. 1. 5. Проверка адекватности модели
    • 5. 1. 6. Проведение автоматизированной диагностики причин дефекта
    • 5. 1. 7. Выбор наилучшего корректирующего действия с помощью разработанной модели
    • 5. 2. Оценка экономической эффективности от внедрения результатов диссертационного исследования
    • 5. 3. Разработка рекомендаций по улучшению качества продукции
  • Выводы по главе 5

Разработка методов анализа причин и устранения несоответствий в менеджменте качества продукции (реферат, курсовая, диплом, контрольная)

Актуальность темы

Предупреждение, поиск и диагностика несоответствий продукции и процессов, их причин и последствий всегда были и остаются одними из актуальных и в то же время достаточно сложных задач, с которыми приходится сталкиваться при производстве продукции. В менеджменте качества продукции для анализа и устранения причин несоответствий в основном применяются экспертные процедуры: причинно-следственные диаграммы (Исикавы), диаграммы связей, методология БМЕА и другие. Совокупность этих методов получила название анализа корневых причин, общая идея которого заключается в систематическом поиске и устранении корневых (системных) причин возникающих проблем и несоответствий. Большинство из них могут быть охарактеризованы как субъективные методы структурирования и наглядного анализа экспертной информации о причинах событий, вследствие чего субъективность суждений и информации является их отличительной чертой. Кроме того, ни один из приведенных инструментов не позволяет в автоматизированном режиме проводить диагностику и прогнозирование несоответствий.

В последнее время в исследованиях в области искусственного интеллекта стали применять новый математический инструмент решения подобных задач — причинные Байесовские сети (БС) — вероятностные графические модели, предназначенные для хранения информации о причинно-следственных связях и проведения вероятностных причинно-следственных рассуждений. Хотя БС применяются достаточно широко (машинное обучение, распознавание естественного языка, медицинская диагностика, эпидемиологические исследования, биоинформатика и др.), они не используются для анализа и моделирования причин несоответствий в менеджменте качества продукции.

В этой связи актуальными являются исследования, направленные на создание методов моделирования и автоматизированного анализа причин несоответствий в менеджменте качества продукции (МКП) на основе построения вероятностных моделей — Байесовских сетей, предназначенных для решения таких задач, как диагностика причин, прогнозирование, выбор и/или генерация корректирующих и предупреждающих действий с применением методов теории принятия решений.

Цель и задачи исследования

Цель работы — улучшение качества продукции на основе разработки и применения научно обоснованных методов анализа причин и устранения несоответствий в менеджменте качества продукции.

Для достижения этой цели необходимо решить следующие задачи:

1. Разработать экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети.

2. Разработать методы принятия решения по выбору рациональных корректирующих и предупреждающих действий в МКП.

3. Разработать метод оптимизации корректирующих и предупреждающих действий.

4. Разработать программное обеспечение для поддержки принятия решений, моделирования и анализа причин несоответствий в МКП.

5. Провести опытную проверку и внедрение результатов диссертационного исследования.

Объект и предмет исследования. Объектом исследований являются несоответствия продукции и процессов в системе менеджмента качества организации, их причины и последствия. Предмет исследований — методы формализации и моделирования причинно-следственных связей между несоответствиями, их причинами и последствиями.

Методы исследования. Методологической базой диссертационного исследования являются элементы теории вероятностей и теории графов, математический аппарат причинных Байесовских сетей, элементы теории принятия решений в условиях неопределённости, инструменты менеджмента качества, методология анализа корневых причин, методы объектно-ориентированного проектирования и программирования.

Научная новизна работы состоит в следующем.

1. Впервые разработан экспертно-статистический метод моделирования и анализа причин несоответствий в МКП на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей, позволяющий проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин.

2. Разработаны методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети (с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств), дающие возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия.

3. Разработан новый метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров (с использованием расширенной метрики для измерения причинно-следственного эффекта), позволяющий путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

Практическая ценность работы состоит в следующем.

1. Разработаны рекомендации по улучшению качества выпускаемой продукции, в частности изоляторов электрических соединителей типа СНП-269 на основе применения Байесовской сети для анализа причин дефектов и несоответствий, возникающих при их изготовлении, позволившие снизить долю брака в 1,68 раза.

2. Разработана программная система моделирования и анализа причин несоответствий «Causai Modeler» (на основе предложенных автором методов), позволяющая в автоматизированном режиме проводить диагностику и прогнозирование несоответствий, а также осуществлять поддержку принятия решений по выбору рациональных корректирующих и предупреждающих действий при производстве сложных технических систем в различных отраслях промышленности.

3. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

4. Результаты исследования были использованы при выполнении научно-исследовательских работ по проекту «Повышение качества и конкурентоспособности продукциисовершенствование систем управления качеством на предприятиях» (Государственный контракт № П770 от 20 мая 2010 г.) в рамках реализации ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 — 2013 годы.

Апробация работы. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь», что позволило получить экономический эффект, составивший около 29 300 руб. в год за счет снижения брака при производстве изоляторов электрических соединителей типа СНП-269.

Программная система «Causal Modelen) официально зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2 012 617 420, прил. А), на данную систему получено также свидетельство о регистрации электронного ресурса в фонде «ОФЭР-НиО» (№ 18 436, прил. Б).

Работа C.B. Ешина «Анализ и моделирование причин дефектов продукции и процессов с помощью Байесовских сетей» заняла I место в конкурсе на лучшую научную работу молодых ученых и аспирантов вузов Брянской области по естественным, техническим и гуманитарным наукам «Современные научные достижения. Брянск-2011» в номинации «Физика. Математика».

Основные положения и научные результаты диссертационной работы докладывались на 9-ти международных, всероссийских и региональных конференциях, в том числе «Менеджмент качества продукции и услуг» (г. Брянск, 2010) — «Актуальные проблемы менеджмента в России. Проблемы развития экономического анализа и бухгалтерского учета в условиях финансового кризиса» (г. Тольятти, 2010) — «Энергетика, информатика, инновации-2011» и «Информационные технологии, энергетика и экономика» (г. Смоленск, 2011) — «Качество и инновации — основы современных технологий» (г. Новосибирск, 2012) и др.

Диссертация в полном объеме обсуждена и одобрена на заседаниях кафедр «Управление качеством, стандартизация и метрология» ФГБОУ ВПО «Брянский государственный технический университет» (г. Брянск, 2012) и «Управление качеством и сертификация» ФГБОУ ВПО «МАТИ — Российский государственный технологический университет им. К.Э. Циолковского» (г. Москва, 2012).

Публикации. По теме диссертационной работы опубликовано 15 научных работ, в том числе 5 — в рецензируемых журналах и изданиях для опубликования основных научных результатов диссертации.

Структура и объем диссертации

Диссертация состоит из введения, пяти глав, основных результатов и выводов, списка использованной литературы, содержащего 132 наименования и 7 приложений. Работа изложена на 153 страницах, содержит 46 рисунков и 14 таблиц.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

1. Разработаны новые методы анализа, моделирования и устранения причин несоответствий продукции на основе применения Байесовских сетей, имеющие существенное значение для развития теории и практики управления качеством на отечественных предприятиях. Применение данных методов при производстве изоляторов электрических соединителей типа СНП-269 позволило снизить долю брака в 1,68 раза.

2. Экспертно-статистический метод моделирования и анализа причин несоответствий в менеджменте качества продукции на основе применения Байесовской сети с использованием типовых шаблонов причинно-следственных связей позволяет проводить автоматизированный анализ, диагностику и прогнозирование несоответствий и их причин при производстве сложных технических систем в различных отраслях промышленности.

3. Методы принятия решений по выбору корректирующих и предупреждающих действий на основе Байесовской сети с использованием критериев ожидаемой полезности и вероятностной гарантии и запросов-вмешательств дают возможность выбрать наилучшие из них, а также оценить их возможное влияние на несоответствия продукции.

4. Метод оптимизации корректирующих и предупреждающих действий на основе критериев ожидаемой полезности и вероятностной гарантии и способа сокращения множества управляемых параметров позволяет путем варьирования значениями управляемых параметров Байесовской сетевой модели сгенерировать оптимальное действие.

5. Разработана Байесовская сетевая модель процесса создания систем менеджмента качества, дающая возможность в автоматизированном режиме проводить анализ, диагностику и прогнозирование причин несоответствий, возникающих при их внедрении.

6. Разработана программная система моделирования и анализа причин несоответствий «Causal Modeler», в которой реализованы предложенные автором методы и которая позволяет в автоматизированном режиме проводить диагностику и про.

140 гнозирование несоответствий, а также обосновывать принятие решений по выбору рациональных корректирующих и предупреждающих действий. Система «Causal Modeler» зарегистрирована в Реестре программ для ЭВМ (свидетельство № 2 012 617 420), на данную систему также получено свидетельство о регистрации электронного ресурса в фонде «ОФЭРНиО» (№ 18 436).

7. Результаты диссертационного исследования были апробированы и внедрены на ОАО «Карачевский завод «Электродеталь». Экономия от снижения брака при производстве изоляторов электрических соединителей типа СНП-269 составила около 29 300 руб. в год. Ожидаемый экономический эффект от внедрения результатов исследований для всех типов продукции составит свыше 500 тыс. руб. в год.

Показать весь текст

Список литературы

  1. , JI.H. Современные методы обеспечения безотказности сложных технических систем: учебник / JI.H. Александровская, А. П. Афанасьев, A.A. Лисов. М.: Логос, 2001. — 208 с.
  2. Антология русского качества / Сост. Б. В. Бойцов, Ю. В. Крянев, М. А. Кузнецов, В. Н. Азаров, Т. П. Павлова, В.Ю. Крянев- под ред. Б. В. Бойцова, Ю.В. Кря-нева. — М.: Стандарты и качество, 2000. — 432 с.
  3. , Е.С. Причина и следствие в теории достижения нормативного качества / Е. С. Аскаров // Методы менеджмента качества. 2010. — № 5. — С.34−38.
  4. , O.A. Семь инструментов контроля качества / O.A. Барабанова, В. А. Васильев, С. А. Одиноков. М.: ИЦ «МАТИ» — РГТУ им. К. Э. Циолковского, 2003.-75 С.
  5. , O.A. Семь инструментов управления качеством. Бенчмаркинг. Развертывание функции качества / O.A. Барабанова, В. А. Васильев, П. В. Москалев. М.: ИЦ «МАТИ» — РГТУ им. К. Э. Циолковского, 2003. — 43 С.
  6. , M.B. 8D и «Шесть сигм» на саратовских предприятиях / М.В. Балу-кова // Методы менеджмента качества. 2006. — № 2. — С.50−52.
  7. , И.А. Техническая диагностика / И. А. Биргер. М.: Машиностроение, 1978.-240 с.
  8. , В.А. Выбор методов принятия оптимальных решений по управлению потенциальными несоответствиями в условиях неопределенности / В. А. Васильев, К. В. Лехт, Е. Б. Бобрышев // Технология легких сплавов. 2010. -№ 3. — С. 95−101.
  9. , В.А. Методика выявления и предупреждения несоотвествий в вали-дируемых процессах литейного производства / В. А. Васильев, Е. Б. Бобрышев // Технология машиностроения. 2010. — № 12. — С. 58−64.
  10. Всеобщее управление качеством: учебник для вузов / О. П. Глудкин, Н. М. Горбунов, А. И. Гуров, Ю. В. Зорин- под ред. О. П. Глудкина. М.: Радио и связь, 1999.-600 с.
  11. , Дж. Системное мышление: как управлять хаосом и сложными процессами: Платформа для моделирования архитектуры бизнеса / Дж. Гараедаги- пер. с англ. Е.И. Недбальской- науч. ред. Е. В. Кузнецова. Минск: Гревцов Букс, 2010.-480 с.
  12. , A.B. Если невозможно установить точную причину несоответствий / A.B. Глазунов // Методы менеджмента качества. 2002. — № 1. — С.41.
  13. , Э. Цель. Процесс непрерывного совершенствования = The Goal: А Process of Ongoing Improvement / Элияху M. Голдрат, Джефф Кокс. Минск: Попурри, 2009. — 496 с.
  14. , Э. Цель. Процесс непрерывного улучшения. Цель-2. Дело не в везенье = It’s Not About Luck / Элия M. Голдратт, Джефф Кокс. — М.: Манн, Иванов и Фербер, 2011. —280 с.
  15. , O.A. Создание систем менеджмента качества в организациях: монография / O.A. Горленко, В. В. Мирошников. М.: Машиностроение-1,2002. — 126 с.
  16. , В.И. Алгебраические байесовские сети новая парадигма экспертных систем / В. И. Городецкий // Юбилейный сборник трудов институтов Отделения информатики, вычислительной техники и автоматизации РАН. — Т. 2.-М.: РАН, 1993.-С. 120−141.
  17. ГОСТ 27.310−95. Надежность в технике. Анализ видов, последствий и критичности отказов. Основные положения.
  18. ГОСТ Р 51 814.2−2001. Системы качества в автомобилестроении. Метод анализа видов и последствий потенциальных дефектов.
  19. , Б.Н. Развитие концепции диагностирования объектов прядильного производства / Б. Н. Гусев // Изв. вузов. Технология текстильной промышленности. 1997. — № 4. — С.33−36.
  20. , Э. Выход из кризиса: Новая парадигма управления людьми, системами и процессами / Э. Деминг- пер. с англ. М.: Альпина Бизнес Букс, 2007. — 370 с.
  21. , У. Теория ограничений Голдратта. Системный подход к непрерывному совершенствованию / У. Детмер. М.: Альпина Паблишер, 2010. — 422 с.
  22. , A.M. Аналитические методы анализа влияния факторов на качество продукции / A.M. Егоров // Методы менеджмента качества. 2008. -№ 12. — С.32−33.
  23. , A.M. Графические методы анализа влияния факторов на качество продукции / A.M. Егоров // Методы менеджмента качества. 2008. -№ 11.- С.42−43.
  24. , К. Японские методы управления качеством / К. Исикава. М.: Экономика, 1988.- 199 с.
  25. , М.М. Системы, методы и инструменты менеджмента качества: учебное пособие / М. М. Кане, Б. В. Иванов, В. Н. Корешков, А. Г. Схиртладзе. -СПб. Литер, 2008. 560 с.
  26. , JI.A. Автоматизация методики анализа причин брака / Д. А. Кузнецов,
  27. Н. Дорин // Методы менеджмента качества. 2011. — № 2. — С.46−53.
  28. , JI.A. Анализ невыполнения требований многомерного качества / JI.A. Кузнецов // Методы менеджмента качества. 2008. — № 6. — С.41−49.
  29. , JI.A. Применение методов проверки гипотез для выявления причин снижения качества / J1.A. Кузнецов // Методы менеджмента качества. — 2011.— № 1. С.42−46.
  30. , Л.А. Функции когерентности для выявления причин снижения качества / Л. А. Кузнецов // Методы менеджмента качества. 2011. — № 5. — С. 46−50.
  31. , А.М. Методика Кепнера-Трего / А. М. Кузьмин, Е. А. Высоковская // Методы менеджмента качества. 2011. — № 7. — С. 35.
  32. Математические модели организаций: учебное пособие / А. А. Воронин, М. В. Губко, С. П. Мишин, Д. А. Новиков. М.: ЛЕНАНД, 2008. — 360 с.
  33. Машиностроение. Энциклопедия. Надежность машин. T. IV-3 / В. В. Клюев, В. В. Болотин, Ф. Р. Соснин и др.- под общ. ред. В. В. Клюева. М.: Машиностроение, 2003.-592 с.
  34. , М.Р. Техника поуровневого поиска первопричин проблем качества / М. Р. Михайлова, Н. С. Поздеева // Методы менеджмента качества. 2002. -№ 1. — С.11−13.
  35. , В.М. Управление качеством: учебник для студентов вузов, обучающихся по специальности «Менеджмент организации» (61 100) / В. М. Мишин -2-е изд. перераб. и доп. М.: ЮНИТИ-ДАНА, 2005. — 463 с.
  36. Московское отделение Project Management Institute. Официальный сайт Электронный ресурс. Режим доступа: http://pmi.ru.
  37. , Д. Теория игр и экономическое поведение / Д. Нейман, О. Морген-штерн. М.: Наука, 1970. — 707 с.
  38. , Д.А. Теория управления организационными системами / Д. А. Новиков. М.: МПСИ, 2005. — 584 с.
  39. О’Коннор, Дж. Искусство системного мышления: необходимые знания о системах и творческом подходе к решению проблем / Дж. О’Коннор, И. Макдер-мотт. М.: Альпина Бизнес Букс, 2006. — 256 с.
  40. , Г. В. Научные основы подтверждения соответствия как способа обеспечения безопасности машинотехнической продукции: автореф. дис.. д-ра техн. наук: Спец. 05.02.23 / Панкина Г. В. — «МАТИ» РГТУ им. К. Э. Циолковского. — М., 2002. — 35 с.
  41. , А.Н. Как победить в конкурентной борьбе. Гармоничная система качества — основа эффективного менеджмента / А. Н. Панов. М.: РИА «Стандарты и качество», 2003. — 272 с.
  42. , А.Г. Применение байесовых сетей в задачах анализа и прогнозирования спроса / А. Г. Подвесовский, С. В. Ешин // Вестник Брянского государственного технического университета, 2011. № 1(29). — С. 61−70.
  43. , С. Искусственный интеллект: современный подход (AIMA): пер. с англ. / С. Рассел, П. Норвиг. 2-е изд. — М.: Вильяме, 2005. — 1424 с.
  44. , Г. Направление времени / Г. Рейхенбах- пер. с англ. Изд. 2-е. — М.: Едиториал УРСС, 2003. — 360 с.
  45. , В.В. Математические модели принятия решений в экономике: учебное пособие / В. В. Розен. М.: Книжный дом «Университет», Высшая школа, 2002. — 288 с.
  46. Руководство к своду знаний по управлению проектами (Руководство РМВОК). 4-е изд. — Newtown Square: Project management Institute (PMI), 2008. — 463 c.
  47. , Г. А. Оккам Уильям. / Г. А. Смирнов // Новая философская энциклопедия: в 4 т. / Ин-т философии РАН- Нац. обществ.-науч. фонд- Преде, научно-ред. совета B.C. Степин. М.: Мысль, 2000−2001. — Режим доступа: http://iph.ras.ni/elib/2167.html.
  48. Статистические методы повышения качества: пер. с англ. / Под ред. X. Кумэ. М.: Финансы и статистика, 1990. — 304 с.
  49. В.Н. Статистические методы в управлении качеством: учебное пособие / В. Н. Строителев. М.: РГУИТП, 2007. — 226 с.
  50. , С. Введение в байесовы сети / С. Терехов // Лекции по нейроинформа-тике. -М.: МИФИ, 2003. 4.1. — С. 149−187.
  51. , А.Л. Байесовские сети: логико-вероятностный подход / А. Л. Тулупь-ев, С. И. Николенко, A.B. Сироткин. СПб.: Наука, 2006. — 607 с.
  52. , A.A. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы / A.A. Фефелов // Автоматика, автоматизация, электротехнические комплексы и системы. 2007. — № 2 (20). — С. 87−93.
  53. , Д. Причинный анализ в статистических исследованиях / Д. Хейс. М.: Финансы и статистика, 1981. — 255 с.
  54. , И.В. Использование методов технической диагностики для поиска причин несоответствий / И. В. Червяков // Методы менеджмента качества. -2009.-№ 4.-С. 40−43.
  55. , А.Б. Автоматизированное топологическое проектирование вычислительных сетей на основе байесовских сетей доверия / А. Б. Шамшев // Дис.. канд. техн. наук: 05.13.12. Ульяновск: УГТУ, 2000. — 279 с.
  56. , H.A. Методы разработки, внедрения на предприятии и подготовки ксертификации Системы Менеджмента Качества на основе МС ИСО 9001:2000: учебное пособие / Н.А. Шичков- СПб: Учебно-методический центр «Регистр-Консалтинг», 2004. 68 с.
  57. , Э. Управленческие дилеммы: теория ограничений в действии / Эли Шрагенхайм- пер. с англ. — М.: Альпина Бизнес Букс, 2007. — 288 с.
  58. Электрические соединители: каталог. Карачев: Завод «Электродеталь», 2011.- 182 с. 67. «Семь инструментов качества» в японской экономике. М.: Издательство стандартов, 1990. — 88 с.
  59. Alglib. Кроссплатформенная библиотека для проведения математического и числового анализа и обработки данных // Официальные сайт проекта Alglib. -Режим доступа: http://www.alglib.net.
  60. Andersen, В. Root cause analysis: simplified tools and techniques / B. Andersen, T. Fagerhaug. American Society for Quality, Quality Press, 2006. — 240 p.
  61. Bareinboim, E. Local Characterizations of Causal Bayesian Networks / E. Barein-boim, C. Brito, J. Pearl // Proceedings of the 2nd International IJCAI Workshop on Graph Structures for Knowledge Representation and Reasoning (GKR 2011), 2011.-P.6−11.
  62. Beaver, J. A life cycle software quality model using Bayesian belief networks / J. Beaver. Ph.D. dissertation, Orlando: University of Central Florida. — 2006. — 301 p.
  63. Cartwright, N. Nature’s Capacities and Their Measurements / N. Cartwright. Oxford University Press, 1994. — 280 p.
  64. Cooper, G.F. Computational Complexity of Probabilistic Inference using Bayesian Belief Networks / G.F. Cooper // Artificial Intelligence, 1990. -№ 42(2).-P. 393−405.
  65. Cox, D.R. Causality: Some Statistical Aspects / D.R. Cox // Journal of the Royal Statistical Society. Series A (Statistics in Society), 1992. Vol. 155, № 2. — P. 291−301. — Режим доступа: http://yaroslavvb.com/papers/fisher.pdf.
  66. Darwiche, A. Modeling and Reasoning with Bayesian Networks / A. Darwiche. -Cambridge University Press, 2009. 526 p.
  67. Davis, G. Bayesian reconstruction of traffic accidents / G. Davis // Law, Probability and Risk, 2003. № 2. — P. 69−89.
  68. Dawid, A. Influence diagrams for causal modeling and inference / A. Dawid // International Statistical Review, 2002. № 70. — P. 161−189.
  69. De Campos, Bayesian networks and information retrieval: an introduction to the special issue / L.M. Luis M. de Campos, Juan M. Fernandez-Luna, Juan F. Huete // Information Processing & Management. Elsevier, 2004. — № 40. — P. 727−733.
  70. Diez, F.J. DIA VAL, a Bayesian expert system for echocardiography / F.J. Diez, J. Mira, E. Iturralde, S. Zubillaga Artificial Intelligence in Medicine, Elsevier Science B. V, 1997. -№ 10 (1). P. 59−73.
  71. Eells, E. Probabilistic causality and the question of transitivity / E. Eells, E. Sober // Philosophy of Science. 1983. -№ 50. -P.35−57.
  72. Ericson, C. Fault Tree analysis A History / C. Ericson // Proceedings of the 17th International System Safety Conference, 1999. — P. 1−9.
  73. Failure Modes and Effects Analysis (FMEA) Электронный ресурс. / American Society for Quality. Режим доступа: http://asq.org/learn-about-quality/process-analysis-tools/overview/fmea.html.
  74. Fenton, N. Using Bayesian networks to predict software defects and reliability // N. Fenton, M. Neil, D. Marquez // Proceedings of the Institution of Mechanical Engineers, Risk and Reliability, 2008. Vol. 222. — P. 701−712.
  75. Friedman, N. Using Bayesian Networks to Analyze Expression Data / N. Friedman, M. Linial, I. Nachman, D. Pe’er // Journal of Computational Biology. -NY: Mary Ann Liebert, Inc., 2000. № 7 (¾). — P. 601−620.
  76. Good, I.J. A causal calculus (II) / I.J. Good // British Journal for the Philosophy of Science. 1961.-№ 11.-P.305−318.
  77. Good, I.J. The amalgamation and geometry of two-by-two contingency tables / I.J. Good, Y. Mittal // Ann. of St, 1987. Vol. 15, № 2. — P. 697−711.
  78. Heckerman, D. A Tutorial on Learning With Bayesian Networks. Technical Report MSR-TR-95−06 / D. Heckerman. Redmond, WA: Microsoft Research, Advanced Technology Division, Microsoft Corporation, 1995. — 58 P.
  79. Heckerman, D. Decision-theoretic foundations for causal reasoning / D. Heckerman, R. Shachter // Journal of Artificial Intelligence Research, 1995. № 3. — P. 405−430.
  80. Hitchcock, C. Probabilistic Causation / C. Hitchcock // The Stanford Encyclopedia of Philosophy, Edward N. Zalta (ed.). 2010. — Режим доступа: http://plato.stanford.edu/archives/fall2010/entries/causation-probabilistic.
  81. ITIL. Service Operation. London: TSO, 2007. — 250 p.
  82. Juran, J.M. Juran’s quality handbook / J.M. Juran, A. Blanton Godfrey. 5th Ed. -McGraw-Hill, New York, 1998. — 1730 p.
  83. Kepner, C. The New Rational Manager / C. Kepner, B. Tregoe. New Jersey: Princeton Research Press, 1981. — 254 p.
  84. Kim, D. Bayesian Belief Network-based Advisory System Development for Steam Generator Replacement Project Management / D. Kim. Ph. D. dissertation, Massachusetts: MIT. — 2002. — 194 p.
  85. Kjaerulff, U. Bayesian Networks and Influence Diagrams. A Guide to Construction and Analysis / Uffe B. Kjaerulff, Anders L. Madsen. New York: Springer, 2008. — 303 p.
  86. Koller, D. Probabilistic Graphical Models: Principles and Techniques / D. Koller, N. Friedman. Cambridge, London: MIT Press, 2009. — 1207 p.
  87. Launch Control Safety Study / H.A. Watson // Section VII Vol 1. Bell Labs, NJ, Murray Hill, 1961.
  88. Lauritzen, S. Graphical models for causal inference. / S. Lauritzen, D. Cox, O. Barndorff-Nielsen, C. Kluppelberg // Complex Stochastic Systems. London/Boca Raton: Chapman and Hall, CRC Press, 2000. — P. 67−112.
  89. Long, A. Beauty and the Beast -Use and Abuse of Fault Tree as a Tool Электронный ресурс. / A. Long. 10 p. — Режим доступа: http://www.fault-tree.net/papers/long-beauty-and-beast.pdf.
  90. Meek, C. Causal inference and causal explanation with background knowledge / C. Meek // Proceedings of the 11th Annual Conference on Uncertainty in Artificial Intelligence (UAI-95). San Francisco: Morgan Kaufmann, 1995. — P. 403−441.
  91. Mellor, D.H. The Facts of Causation / D.H. Mellor. Routledge, 1995.-251 p.
  92. Murphy, К. Software Packages for Graphical Models. Bayesian Networks Электронный ресурс. / К. Murphy. University of British Columbia. — Режим доступа: http://www.cs.ubc.ca/~murphyk/Bayes/bnsoft.html.
  93. Neil, M. Building large-scale Bayesian networks / M. Neil, N. Fenton, L. Nielson // Journal The Knowledge Engineering Review. 2000. — Volume 15 Issue 3. -P. 257−284.
  94. Neil, M. Predicting software quality using Bayesian belief networks / M. Neil, N.E. Fenton // Proceedings of the 21st Annual Software Eng. Workshop. NASA God-dard Space Flight Centre, 1996. — P. 217−230.
  95. Ohno, T. Toyota production system: beyond larger-scale production / T. Ohno, foreword: N. Bodek. Portland, OR: Productivity Press, 1988. — 152 p.
  96. Pearl, J. A Probabilistic Calculus of Actions / J. Pearl // Proceedings of the 10th Conference on Uncertainty in Artificial Intelligence (UAI-94). Morgan Kaufman, San Mateo, CA, 1994 — P. 454162.
  97. Pearl, J. Causal inference in statistics: An overview / J. Pearl // Statistics Surveys, 2009.-Vol.3.-P. 96−146.
  98. Pearl, J. Comments on Seeing and Doing / J. Pearl // International Statistical Review, 2001. 70(2). — P. 207−209. Режим доступа: http://ftp.cs.ucla.edu/pub/ statser/r283a.pdf.
  99. Pearl, J. Do-Calculus Revisited Электронный ресурс. / J. Pearl // UCLA Cognitive Systems Laboratory, Technical Report (R-402), 2012. Режим доступа: http://flp.cs.ucla.edu/pub/statser/r402.pdf.
  100. Pearl, J. Fusion, Propagation and Structuring in Belief Networks / J. Pearl. Artificial Intelligence, 1986. — Vol. 29, № 3. — P. 241−288.
  101. Pearl, J. Graphs, Causality, and Structural Equation Models / J. Pearl // Sociological Methods & Research. Sage Publication, 1998. — Vol. 25, № 2. — P. 226−284.
  102. Pearl, J. Probabilistic Reasoning in Intelligent Systems / J. Pearl. San Francisco: Morgan Kaufmann, 1988. — 520 p.
  103. Pearl, J. Reasoning with cause and effect / J. Pearl // AI Magazine. American Association for Artificial Intelligence (AAAI), 2002. — Volume 23, Number 1. — P. 95−111.
  104. Pearl, J. The Mathematics of Causal Inference in Statistics / J. Pearl // JSM Proceedings of the American Statistical Association. American Statistical Association (ASA), 2007.-P. 19−26.
  105. Pearl, J. Causality: Models, Reasoning and Inference / J. Pearl. Cambridge University Press. — 2-nd edition, 2009. — 464 p.
  106. , L. 8D Structured Problem Solving: A Guide to Creating High Quality 8D Reports / L. Rambaud. PHRED Solutions, 2006. — 148 p.
  107. Reliability Engineer Certification Body of Knowledge Brochure / American Society for Quality. Режим доступа: http://asq.org/pdf/certification/inserts/cre-insert-2009.pdf.
  108. Selection and use of the ISO 9000 family of standards Электронный ресурс. -Режим доступа: http://www.iso.org/iso/iso9000selectionanduse-2009.pdf.
  109. Shoham, Y. Reasoning About Change: Time and Causation from the Standpoint of Artificial Intelligence / Y. Shoham. The MIT Press, 1987. — 200 p.
  110. Skyrms, B. Causal Necessity: Pragmatic Investigation of the Necessity of Laws / B. Skyrms. Yale University Press, 1980. -176 p.
  111. SMILE reasoning engine for graphical probabilistic model // Decision Systems Laboratory (DSL), University of Pittsburgh. Режим доступа: http://genie.sis.pitt.edu.
  112. Smith, G.F. Quality Problem Solving / G.F. Smith. American Society for Quality, Quality Press, 1998. — 325 p.
  113. Sperber, W.H. Happy 50th Birthday to HACCP: Retrospective and Prospective / W.H. Sperber, R.F. Stier //FoodSafety magazine. 2009. — Dec.2009- Jan.2010. -P.42, 44−46.
  114. Spirtes, P. Causation, Prediction, and Search / P. Spirtes, C. Glymour, R. Scheines. -New York: Springer-Verlag, 1993. 565 p.
  115. Suppes, P. A Probabilistic Theory of Causality / P. Suppes. Amsterdam: North Holland Pub. Co, 1970.- 130 p.
  116. Tague, N.R. Quality Toolbox / N.R. Tague. 2nd Ed. — American Society for Quality, Quality Press, 2005. — 558 p.
  117. The DMAIC Methodology Электронный ресурс. / American Society for Quality.
  118. Режим доступа: http://asq.org/learn-about-quality/six-sigma/overview/dmaic.html.
  119. Tian, J. A New Characterization of the Experimental Implications of Causal Bayesian Networks / J. Tian, J. Pearl // Proceedings of the 8th National Conference on Artificial Intelligence. AAAI Press, The MIT Press: CA, Menlo Park, 2002. — P. 574−579.
  120. Tversky, A. Causal schemas in judgments under uncertainty / A. Tversky, D. Kahneman // Progress in Social Psychology. Hillsdale, NJ, 1980. — P. 49−72.
  121. Verma, T. Equivalence and synthesis of causal models / T. Verma, J. Pearl // Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence. Cambridge, MA, 1990. — P. 220−227.
  122. Wang, H. Software project level estimation model framework based on Bayesian belief networks / H. Wang, F. Peng, C. Zhang, A. Pietschker // 6th International Conference on Quality Software (QSIC'06). Beijing, 2006. — P. 209−218.
  123. Wingraphviz. Страница проекта визуализации графов на sourceforge.net // Sourceforge.net. Режим доступа: http://wingraphviz.sourceforge.net/wingraphviz.
  124. Wright, S. Correlation and causation / S. Wright // Journal of Agricultural Research. 1921. — № 20. — PP. 557−585.
Заполнить форму текущей работой

Пора сдавать?