Содержание к диссертации
Введение
1 Анализ существующих классов АСУП и АСУПП и разработка путей их совершенствования 14
1.1 Иерархическая структура АСУП 14
1.2 Обзор информационных систем управления предприятием и производственными процессами 16
1.2.1 Системы управления основными фондами предприятия (ЕАМ) 21
1.2.2 Системы управления персоналом (HRM/HRMS) 26
1.2.3 Системы оперативного управления производством/ ремонтами (MES)...30
1.3 Информационная характеристика процессов технического обслуживания, ремонта и модернизации оборудования 33
1.4 Математическое описание человеко-машинной системы управления производственным процессом 40
1.4.1 Четкий и нечеткий канал управления 40
1.4.2 Повышение эффективности и качества управления производственным процессом на основе системы оценки и формирования компетентности сотрудников 44
2 Разработка способов интегрированной информационной поддержки процесса ТОиР и модернизации оборудования металлургического предприятия (на примере ОАО «Амурметалл») 49
2.1 Позиционирование СОФК на семантической сети базовых подсистем и ключевых процессов ОАО «Амурметалл» 49
2.2 Разработка алгоритма процедуры оценки и формирования компетентности сотрудников на основе классовой и объектной моделей компетенций 54
2.3 Исходная система. Синтез образа исходной системы 60
2.4 Проектирование концептов классовой и объектной МК на основе системного анализа производственных подсистем предприятия 68
2.4.1 Функциональная декомпозиция и декомпозиция по подсистемам оборудования основных производственных цехов ОАО «Амурметалл»..68
2.4.2 Объектно-ориентированный анализ и проектирование модулей СОФК.69
2.4.3 Отображение статической структуры и динамических свойств технической системы в классовой и объектной модели компетенций ...73
2.5 Формирование надежностных и технико-экономических показателей, характеризующих основные динамические свойства технических систем. Разработка методов расчета показателе 77
2.5.1 Показатели надежности технических систем 77
2.5.2 Показатели важности технических систем 83
Проектирование и реализация базовых модулей СОФК 86
3.1 Синтез и реализация классовой модели компетенций с использованием аппарата нечеткой логики 86
3.1.1 Структура модели компетенций 86
3.1.2 Математическое описание компетенции 87
3.1.3 Метод синтеза нечеткой модели компетенций 88
3.1.4 Определение семантики лингвистических переменных на основе экспертного анализа 93
3.1.5 Реализация вывода по МК на основе иерархической нечеткой системы инструментами среды MATLAB 95
3.1.6 Пример синтеза нечеткой МК 97
3.2 Автоматизация синтеза нечетких подсистем ЭС 107
3.2.1 Разработка принципа автоматизации процесса построения нечеткой МК 107
3.2.2 Идентификация нелинейной зависимости нечеткой базой знаний Sugeno 109
3.2.2 Идентификация нелинейной зависимости нечеткой базой знаний Mamdani 113
3.2.3 Сравнительная характеристика способов автоматической идентификации базами знаний Mamdani и Sugeno при синтезе МК 115
3.3 Метод синтеза распределенной нечеткой системы с классификацией надежности решения 116
3.4 Автоматизация синтеза распределенной нечеткой системы с классификацией надежности решения 119
3.5 Нечеткий подход к представлению оценок примитивных компетенций и организации вывода без промежуточных операций дефазификации 123
Оценка экономического эффекта от внедрения СОФК 137
4.1 Определение стоимости процедуры оценки компетентности сотрудников...137
4.1.1 Определение стоимости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: тестирование 137
4.1.2 Определение стоимости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: собеседование 140
4.1.3 Определение стоимости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: наблюдение 142
4.1.4 Определение стоиллости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: имитация 143
4.2 Определение стоимости и времени мероприятий по разработке и внедрению СОФК в СПЦ ОАО «Амурметалл» 143
4.3 Анализ инвестиционной привлекательности проекта по разработке и внедрению СОФК в СПЦ ОАО «Амурметалл» 150
4.3.1 Ориентировочный план проведения процедур оценки и формирования компетентности сотрудников СПЦ 150
4.3.2 Прогнозируемый эффект от внедрения СОФК в СПЦ ОАО «Амурметалл» 150
4.3.3 Расчет таблицы Cash-Flow и основных показателей инвестиционной привлекательности проекта 152
Заключение 159
Список литературы 160
Приложение 173
- Информационная характеристика процессов технического обслуживания, ремонта и модернизации оборудования
- Отображение статической структуры и динамических свойств технической системы в классовой и объектной модели компетенций
- Метод синтеза распределенной нечеткой системы с классификацией надежности решения
- Определение стоимости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: тестирование
Введение к работе
Актуальность темы. На современном этапе инновационного развития и модернизации промышленных предприятий ставятся задачи поиска и реализации методов повышения эффективности основных производственных процессов для обеспечения требуемого уровня конкурентоспособности выпускаемой продукции и положительной динамики роста ключевых производственных и экономических показателей предприятия. Эффективность процесса определяется уровнем его автоматизации, достигаемым посредствам разработки и внедрения новых и модернизации имеющихся АСУ.
Для фондоемких предприятий с непрерывным производственным циклом задача обеспечения качества и автоматизации управления процессом технического обслуживания и ремонта (ТОиР) и модернизации оборудования является приоритетной. Большой вклад в развитие эффективных методов ТОиР внесли ученые А.И. Ящура, В .Я. Седуш, Н.А. Афанасьев, М.А. Юсипов и др.
Несмотря на то, что в настоящее время предложены эффективные методики организации процесса ТОиР и модернизации оборудования, на рынке программных продуктов широко представлены готовые решения АСУ ТОиР, реализованные как в виде отдельных специализированных систем класса ЕАМ (Enterprise Asset Management - система управления основными фондами), так и в виде функциональных модулей, интегрированных в ERP (Enterprise Resources Planning - система планирования ресурсов предприятия) систему, автоматизация процесса ТОиР и модернизации оборудования на российских промышленных предприятиях остается на низком уровне.
Сложность внедрения систем обусловлено уникальной спецификой конкретного предприятия. Процедура адаптации АСУ в связи с отсутствием обобщенного формализованного описания процессов ТОиР и модернизации оборудования, большим числом взаимосвязей и значительной долей нечетких данных требует высоких временных и финансовых затрат. Более того, качество процесса ТОиР и модернизации оборудования зависит от компетентности технического персонала, задействованного в этом процессе, и качества функционирования АСУ класса HRM (Human Resources Management - система управления персоналом). Таким образом, проектирование и внедрение системы ЕАМ должно осуществляться интегрированно с системой HRM посредством комплексного системного подхода, обеспечивающего возможность синтеза адекватных моделей процессов управления ТОиР и модернизации оборудования и управления персоналом в частности и повышения качества управления человеко-машинной системой в целом (результаты фундаментальных исследований в области представления знаний в человеко-машинных системах представлены в работах Г.С. Поспелова, Д.А. Поспелова, Л. Заде, В.Ф. Хорошевского и др.). Прямая зависимость качества процесса ТОиР и модернизации оборудования от компетентности технического персонала обусловливает необходимость синтеза в информационных системах классов ЕАМ и HRM дополнительных модулей, решающих задачи оценки и формирования компетентности сотрудников.
Поэтому задачи математического описания, синтеза моделей рассматриваемых производственных процессов, а также проектирования и реализации систем интегрированной информационной поддержки управления данными процессами являются актуальными.
Цель диссертационной работы: разработка в рамках АСУП моделей, методов и средств управления и интегрированной информационной поддержки производственных процессов предприятия металлургической отрасли для повышения эффективности, надежности и оперативности управленческих решений.
В диссертационной работе решаются следующие задачи:
-
Сравнительный анализ существующих АСУП и АСУПП и разработка предложений по повышению эффективности базовых производственных процессов промышленного предприятия, в частности ТОиР и модернизации оборудования и управления персоналом.
-
Разработка метода синтеза нечетких моделей компетенций в составе системы оценки и формирования компетентности (СОФК) технического персонала промышленного предприятия.
-
Разработка и исследование инструментария автоматизированного и автоматического синтеза основных подсистем экспертного модуля в СОФК для уменьшения требуемых временных и финансовых затрат.
-
Разработка нечеткого подхода к представлению оценок примитивных компетенций (ПК) и организации вывода в экспертной системе без промежуточных операций дефазификации, обеспечивающего значительное увеличение информационной емкости экспертной оценки и повышение качества и объективности экспертного заключения.
Методы исследования. Основные теоретические и прикладные результаты исследования базируются на методах системного анализа, функционального и информационного моделирования, теории нечетких множеств, теории автоматического управления, методах анализа и синтеза сложных систем, методах объектно-ориентированного проектирования. Реализация решений осуществлялась в среде MATLAB.
Основные положения, выносимые на защиту:
-
Алгоритм оценки и формирования компетентности технического персонала, обеспечивающий интегрированную информационную поддержку процесса ТОиР и модернизации оборудования.
-
Метод синтеза нечетких моделей компетенций.
-
Средства автоматизированного и автоматического синтеза нечетких подсистем, их реализация.
-
Нечеткий подход к представлению оценок примитивных компетенций и организации вывода в экспертной системе без промежуточных операций дефазификации.
Научная новизна:
-
Предложена интегрированная информационная система оценки и формирования компетентности технического персонала, которая позволила значительно повысить качество и управляемость процесса ТОиР и модернизации оборудования путем обеспечения максимальной эффективности ассоциации «сотрудник - техническая система».
-
Разработан метод синтеза моделей компетенций (МК) на основе математического аппарата нечетких множеств, позволяющий обобщить и формализовать (в понятном для пользователя виде) разнородный опыт отдельных экспертов - специалистов в своей области, и организовать процедуру вывода по МК, исключающую негативные факторы субъективизма и предвзятости. Нали-
чиє альтернатив реализации дает возможность синтезировать специализированные для каждого класса сотрудников МК.
-
Разработаны средства автоматизированного синтеза нечетких подсистем, в частности идентификаторы нелинейных зависимостей нечеткими базами знаний Sugeno и Mamdani, а также автоматические конструкторы распределенных систем и дискретных классификаторов надежности решения, образующие полный комплекс инструментария для реализации классовых и объектных МК.
-
Предложен и реализован принципиально новый подход (основанный на теории мягких вычислений) к оценке ПК и организации вывода по МК на всех этапах оценки и разработки решения, исключающий операции с четкими значениями.
Степень обоснованности и достоверности полученных научных результатов. Обоснованность и достоверность научных результатов диссертационной работы вытекает из применения ранее разработанных методов исследования, доказанных и не вызывающих сомнения, правомерности исходных теоретических положений; подтверждается результатами тестирования элементов системы, построенных на основе полученных в ходе исследования выводах.
Практическая значимость:
-
Разработанные алгоритмы оценки и формирования компетентности технического персонала позволяют значительно повысить оперативность отклика и объективность системы аттестации персонала, что, в свою очередь, обеспечит рост эффективности производственного процесса, в котором задействован аттестуемый персонал.
-
Предложенные решения отображения требований к компетентности сотрудников в виде нечетких классовых и объектных МК и метода синтеза моделей позволяют автоматизировать сложные процессы системы аттестации персонала и определения «совместимости» сотрудника и технической системы.
-
Разработанный инструментарий синтеза нечетких систем позволяет значительно сократить временные и трудовые затраты на построение классовых и объектных МК.
-
Формирование экспертных оценок аттестуемого в виде нечетких термов на универсальном множестве лингвистической переменной повышает информационную емкость оценок и объективность экспертного заключения.
Реализация и внедрение результатов исследования. Результаты исследования внедрены в АСУП ОАО «Амурметалл» и в учебный процесс ГОУВПО «КнАГТУ», о чем имеются соответствующие акты внедрения. Практическая реализация результатов подтверждается двумя свидетельствами о государственной регистрации программ для ЭВМ.
Апробация работы. Основные положения и результаты диссертационной работы обсуждались и получили положительную оценку на следующих конференциях:
-
XVII Международная научно-методическая конференция «Высокие интеллектуальные технологии и инновации в образовании и науке», Санкт-Петербург, февраль 2010 г.
-
XIV Международная научно-практическая конференция «Системный анализ в проектировании и управлении», Санкт-Петербург, июнь 2010 г.
-
I, II Международные научно-практические конференции «Объектные системы - 2010», Ростов-на-Дону, 2010 г.
-
Международная научно-практическая конференция «Электротехнические системы и комплексы», Комсомольск-на-Амуре, октябрь 2010 г.
-
II Всероссийская научно-практическая конференция «Управление инновациями: теория, инструменты, кадры», Санкт-Петербург, июнь 2009 г.
-
XIV Всероссийская конференция «Фундаментальные исследования и инновации в национальных исследовательских университетах», Санкт-Петербург, май 2010 г.
-
Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2010», Томск, май 2010 г.
-
38-я, 39-я, 40-я научно-технические конференции студентов и аспирантов КнАГТУ, Комсомольск-на-Амуре, 2008 - 2010 гг.
Публикации. Основные теоретические и практические результаты диссертации отражены в 18 публикациях, в том числе в 4-х статьях, среди которых 2 опубликованы в рецензируемых изданиях, входящих в действующий перечень ВАК, в 2-х свидетельствах о государственной регистрации программ для ЭВМ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, изложенных на 158 страницах машинописного текста, иллюстрированных 41 рисунком и 23 таблицами, списка литературы из 139 наименований и приложений.
Информационная характеристика процессов технического обслуживания, ремонта и модернизации оборудования
Открытое акционерное общество «Амурметалл» наравне с другими предприятиями металлургической отрасли имеет большой объем основных производственных фондов. Согласно годовому отчету ОАО «Амурметалл» на 01.01.2010 они составляли 17,608 млрд. рублей [34], значительная часть приходится на технологическое оборудование. По данным руководства ОАО «Амурметалл», на предприятии насчитывается более 1 млн единиц разнообразного оборудования, со своими техническими характеристиками со своим жизненным циклом, со своим регламентом эксплуатации, обслуживания и ремонта. Так как масштаб предприятия, в частности количество участников (сотрудников, специалистов и руководителей) процессов ТОиР оборудования и объем эксплуатируемого оборудования взаимосвязаны со сложностью самих процессов ТОиР, то управление процессами ТОиР, а также управление персоналом, вовлеченным в эти процессы, - чрезвычайно сложная задача.
Высокая изношенность производственного оборудования ОАО «Амур-металл» (износ оборудования, согласно годовым и ежеквартальным отчетам ОАО «Амурметалл», составляет 40 - 70 %), удаленность от центра России, недостаток компетентных специалистов, а также суровые климатические условия Дальнего Востока, способствует значительному числу аварий (связанных с тяжелыми экономическим последствиями и причинением вреда здоровью сотрудников, в том числе смертельными случаями), внеплановых остановок и простоев. Высокие издержки на ремонты и производственные потери, в свою очередь, увеличивают себестоимость выпускаемой продукции, что приводит к снижению конкурентоспособности предприятия. Необходимо отметить, что наравне с аварийными остановками и простоями, негативное влияние на формирование себестоимости продукции оказывают многочисленные и длительные по времени планово-предупредительные ремонты (ППР). Основные проблемы ППР и пути их решения посредством перехода к гибким методикам обслуживания и ремонта оборудования по фактическому состоянию представлены в работе [57, 86]. Согласно внутреннему регламенту ОАО «Амурметалл», например в сортопрокатном цехе (СПЦ) продолжительность ППР составляет 13 % от рабочего времени в сутки, или приблизительно 3 часа. Продолжительность периода ППР является значительной в рамках технологического процесса, и чаще всего не обоснованной.
Планово-предупредительные ремонты с экономической точки зрения в большинстве случаев оказываются неэффективными. Это объясняется тем, что зачастую при ППР, меняются исправные узлы и детали, которые обеспечивают выпуск продукции и не имеют признаков зарождающихся дефектов. На их замену тратится время и отвлекается персонал предприятия либо тратятся финансовые средства на оплату труда специалистов сторонней организации. Этим обосновывается стремление руководства предприятия искать и внедрять гибкие и эффективные методики диагностирования, прогнозирования и планирования ТОиР и модернизации оборудования (эффективные методики рассмотрены в работах [68, 107]), а также разрабатывать новые критерии эффективности и разрабатывать современные оптимальные стратегии управления процессами ТОиР и модернизации оборудования, а также вовлеченного в эти процессы персонала. Однако у руководителей и специалистов, привыкших к устоявшейся схеме обслуживания оборудования, возникают опасения относительно производственной безопасности и рисков, а также формирования повышенных затрат на аварийные и внеплановые работы, связанные с внедрение новых методик управления процессами ТОиР. Действительно, с точки зрения обеспечения надежности работы оборудования, например, повышенные затраты на ГПТР намного легче объяснить, чем гораздо меньшие затраты на внеплановые работы вследствие отсутствия на предприятиях методик определения эффективности процессов ТОиР по фактическому состоянию. Опять же система бюджетирования ОАО «Амурметалл», как впрочем и других крупных промышленных предприятий, устроены таким образом, что легче запланировать крупные затраты, чем сделать меньшие, но неожиданно. В результате возникают, противодействия инновационным изменениям в сфере совершенствования системы управления процессами ТОиР и модернизацией оборудования. Методики преодоления противодействия инновационным изменениям представлены в работах [52, 18].
Для устранения недостатков консервативных схем ТОиР на сегодняшний день разработаны современные эффективные практики ТОиР, например RCM (Reliability Centered Maitenance — обслуживание, ориентированное на надежность) [57, 107]. Основная идея RCM состоит в том, что «здравый смысл важнее всего». Если на предприятии есть оборудование, остановка которого не приводит к негативным последствиям, пусть оно работает до отказа. А если есть оборудование, для которого свойственны зарождающиеся отказы, возникновение которых можно контролировать с помощью инструмен тальных методов (системы элементарных и комплексных показателей надежности оборудования и методики их расчета наиболее полно представлены в работах [51, 90, 107, 14]), целесообразно планировать его ТОиР по техническому состоянию. Оборудование, периодичность ремонтов которого предписано регулирующими органами или производителем, ремонтируется по календарному плану. Методика предполагает гибкий подход к планированию сроков ТОиР и затрат на него. При ограниченности ресурсов она ориентирует руководителя на оптимальное их распределение, выявление наиболее узких мест, ранжирование оборудования по важности для обеспечения итоговой производительности и минимизации рисков.
Отображение статической структуры и динамических свойств технической системы в классовой и объектной модели компетенций
На основании результатов объектно-ориентированного анализа разработана (и представлена в работе [45]) концептуальная схема отношения двух абстрактных классов «Сотрудник» и «Техническая система» (рисунок 2.7). Эффективность отношения между объектами данных классов (в рамках исследуемой проблематики) определяется значением интегрально-динамического свойства «Компетентность» и значениями динамических свойств объекта класса «Техническая система».
Как отмечалось в подразделе 2.2, основным инструментом в процессе повышения эффективности отношения «Техническая система — Сотрудник» путем формирования требуемой компетентности технического персонала являются классовая и объектная МК. либо образом из шести типов ассоциированных с технической системой)
Исходными данными для формирования МК конкретного класса (наследника абстрактного класса «Сотрудник») служит образ технической системы, объединяющий в себе знания о статической структуре, поведении и значений статических свойств конкретного класса — наследника абстрактного класса «Техническая система» с учетом ограничений, накладываемых типом (типами) ассоциаций, между классами и должностными функциями сотрудника. Например, если конкретным классом технической системы является «Электропривод валков клети черновой группы», тип ассоциации «Ремонт», должность сотрудника «Наладчик группы приводов», то образ технической системы (для формирования МК класса) будет учитывать глубокую детализацию абстракций верхнего уровня внутренней структуры электропривода, «электрическая часть», «механическая часть», а также поверхностную детализацию «Контура управления». Если же должность сотрудника «Наладчик группы АСУ» при том же типе ассоциаций и классе технической системы, то ключевым элементом для формирования образа будет «Контур управления привода».
Таким образом, классовая МК объединяет в себе все требования, которым должен удовлетворять сотрудник (т.е. его компетентность должна соответствовать МК) для установления и поддержания высокой степени эффективности отношения между ним и ассоциированной с ним классом технической системой.
Необходимость ввода объектной МК вызвано тем, что классовая МК, формируемая только на основе знаний о статической структуре, поведении и значениях статических свойств, не учитывает специфические особенности конкретного объекта. Эти особенности оказывают значительное влияние на эффективность отношения «Сотрудник - Техническая система» и представляют собой массив разнородной информации высокой размерности, который невозможно учесть при формировании классовой МК.
Для учета особенностей конкретного технического объекта при оценке и формировании компетентности ассоциированного с ним сотрудника предлагается использовать объектную МК, формируемую на основе классовой МК и с учетом значений динамических свойств конкретного объекта в пределах класса. Диаграмма классов и объектов моделей компетенций представлена на рисунке 2.8.
Необходимо отметить, что методы определения значений динамических свойств объекта и структура свойств содержатся в классе объекта. При наследовании классов структура динамических свойств и методы могут пе- реопределяться в зависимости от значении ограничения на размерность системы и глубины декомпозиции. Так, например, динамические свойства технической системы «Электропривод роликов рольганга» могут отображаться с помощью; следующихпоказателей: наработкиша отказ, коэффициента готов- -ностщ параметра потока отказов, коэффициента последовательности и; т.д;, Значения этих; свойств, в определенный момент времени будут определять дополнительные требования (помимо требований в классовой МК) к компетентности сотрудника ассоциированного с данным техническим объектом.
Диаграмма классов и объектов моделей компетенций Основные показатели, характеризующие динамические свойства технических систем, и методы их расчета рассмотрены в следующем подразделе.
Последовательное использование классовой и объектной МК в процессе оценки и формирования компетентности технического персонала позволит оптимальным образом распределить рабочие места и обеспечить максимальную эффективность отношения «Сотрудник — Техническая система».
Метод синтеза распределенной нечеткой системы с классификацией надежности решения
Информация об объекте с блоков Т, PQ, и FL подается на блок AIFB, который, в свою очередь, состоит из трех блоков PMD, I и М. Блок PMD определяет первоначальное представление о должности или объема работ, для которых синтезируется модель компетенций. В блоке I производится функциональная декомпозиция объекта (FD) и декомпозиция по подсистемам объекта (SSD), до уровня, определяемого PMD и выделяется ограниченное число свойств достаточных для описания должности либо объема работ согласно представлению, сформированному в PMD. Таким образом создается редуцированный образ объекта [41]. Под контролем PMD на основе проведенной декомпозиции в блоке I определяется информация о цели должности, задачах, функциях и инструментарии. В отличие от информации о целях, задачах и функциях, которая может быть получена только с помощью одной функциональной декомпозиции, достоверная информация об инструментарии определяется только на основе выводов, полученных из анализа функциональной декомпозиции и декомпозиции по подсистемам вместе.
Блок AL используется в том случае, если модель компетенций синтезируется для уже имеющейся на предприятии должности и есть должностные инструкции, которые могут быть полезны для формирования редуцированного образа объекта. После выработки задач (t), целей (а), функций (f) и инструментариев (і) блоком I формируется маска (М) таким образом, что из всех свойств подсистем объекта PQ, Т, FL выделяются только те, которые необходимы для синтеза нечеткой модели, согласно созданному образу объекта в блоке I. Далее ограниченный набор свойств объекта подается в блок LVNL, где происходит формирование списка имен лингвистических переменных, которые будут являться входными в нечеткой модели компетенций. Другими словами, из набора (X, Т(Х), U, G, М) , который характеризует лингвистическую переменную, формируется только ее имя X. Список имен лингвистических переменных представляет собой некластеризованный список названий компетенций, на основании которых синтезируется нечеткая модель.
Сформированные векторы имен лингвистических переменных поступают в блок ЕС. Далее возможно два варианта развития событий, обозначенные на схеме (см. рисунок 3.3) цифрами 1 и 2 соответственно. Отличие вариантов заключается в степени автоматизации процесса синтеза нечеткой МК.
В первом варианте экспертная команда (ЕС), получив исходную информацию - список имен лингвистических переменных (названий компетенций), проводит ее кластеризацию, вводит новые имена лингвистических переменных, соответствующих названиям полученных кластеров, определяет универсальные множества для каждой лингвистической переменной, множества названий лингвистических значений переменных (терм-множества), синтаксис и семантику лингвистических переменных; т.е. формируется множество входных лингвистических переменных. Таким же образом ЕС синтезирует выходную лингвистическую переменную, такую, что значение выходной лингвистической переменной характеризовало бы степень соответствия компетентности сотрудника нечеткой модели компетенций.
Далее на основании экспертных заключений происходит идентификация нелинейных зависимостей переменных нечеткими базами знаний (наиболее распространенные алгоритмы вывода Мамдани и Сугено представлены в работах [64, 136]). Полученная нечеткая модель обучается и тестируется, и при достижении удовлетворительных результатов запускается в процесс оценки компетентности персонала. Если результаты модели оказываются неудовлетворительными, ЕС выполняет описанный процесс заново либо вносит коррективы. Если эти действия также не приводят к положительному результату, то ЕС совместно с PMD может изменить образ объекта в I (расширить, сузить, сдвинуть и т.д.), и, тем самым, изменить список имен лингвистических переменных на входе в ЕС. В результате образуется циклический процесс, который на определенной итерации приведет к построению адекватной нечеткой модели: где К - база знаний; FL, PQ, Т — множества входных нечетких переменных; Y— множество выходных нечетких переменных (в работе рассматривается синтез модели с одной нечеткой выходной переменной),
Второй вариант решения заключается в автоматизированном синтезе нечеткой модели компетенции средствами и расширениями пакетов Fuzzy Logic Toolbox, Optimization Toolbox среды Matlab в блоке АМСВ на основе проведения нечеткой кластеризации статистической экспертной информации SI, полученной от ЕС. Синтезированная нечеткая модель компетенций сохраняется в блоке MS для последующего использования.
Оценка компетентности персонала (уже работающего на предприятии IP) и претендующего на вакантные места (ОР)), производится следующим образом (см. рисунок 3.3). Лицо, принимающее решение (PMD) формирует представление о должности или объеме работ (для вновь создаваемых) либо определяет четкую формулировку должности или объеме работ (для уже существующих), для который необходимо получить нечеткую модель компетенций для оценки компетентности определенного сотрудника или определенной группы сотрудников из множеств IP или ОР. Затем PMD передает исходную информацию в ЕС, в свою очередь, ЕС анализирует модели из MS на предмет соответствия исходной информации. Если найдена такая модель, то она загружается и используется для оценки компетентности сотрудника или группы сотрудников. Если подходящей модели в MS не найдено, то происходит синтез новой модели компетенций, как было описано ранее. Далее согласно выбранной для оценки модели ЕС осуществляет настройку ТВ для «измерения» характеристик сотрудника из множеств IP и ОР (оценка компетентности которого осуществляется). То есть определяются методы, способы, инструменты и т.д., позволяющие получить исходную информацию для проведения оценки (решение данных вопросов подробно рассмотрено в работе [129]). Полученная информация подается на вход нечеткой модели, которая определяет степень соответствия компетентности сотрудника. Результат передается в ЕС и PMD, которые принимают окончательное решение.
Определение стоимости классической процедуры оценки компетентности сотрудников и процедуры оценки компетентности с использованием СОФК: тестирование
Первый вариант метода, подробно изложенный и проиллюстрированный примером (см. подраздел 3.1), включает в себя формирование нечеткой МК на основе определения экспертной комиссией списка имен лингвистических переменных (названий компетенций), содержания лингвистических переменных (универсального множества, количества и семантики лингвистических термов и т.д.), типа лингвистических переменных (входной или выходной), идентификации нелинейных зависимостей нечеткими базами знаний, а также, обучения и тестирования полученных нечетких систем. Трудоемкость первого варианта метода высока, так как большое количество операций по синтезу нечеткой системы необходимо выполнять человеку.
Второй вариант метода (см. подраздел 3.1.3) предполагает автоматизированное построение нечеткой МК на основе исходной статистической экспертной информации. Все операции, выполняемые по первому варианту метода, выполняются также и по второму варианту, но в автоматизированном или автоматическом режиме. Синтез МК по второму варианту (автоматизированный синтез) рассматривается в работе [38].
Для автоматизации синтеза МК по второму варианту используется среда MATLAB, встроенные пакеты Fuzzy Logic Toolbox и Optimization Toolbox, а также авторские разработки, расширяющие стандартные пакеты. Исходной информацией для синтеза нечеткой подсистемы в автоматизированном режиме служит таблица размерности (и + 1) х т, содержащая экспертную информацию (таблица 3.6). Необходимо отметить, что чем больше объем экспертной информации, тем имеется более полное представление для синтеза нечеткой подсистемы.
В таблице 3.6 содержится исчерпывающая информация, необходимая для синтеза подсистемы. Действительно, имеются имена входных и выходной лингвистических переменных, известно универсальное множество для каждой входной переменной, определяемое как Содержание лингвистических переменных, а именно количество термов и их семантику, предлагается определять одним из двух способов: 1) эксперт указывает количество термов для каждой лингвистической переменной, а также указывает их семантику путем задания типа функций принадлежностей, которые, на его взгляд, лучше всего отражают содержание соответствующих лингвистических переменных; 2) количество термов и соответствующие им функции принадлежности определяются на основе проведения кластеризации исходных данных, например, алгоритмом горной кластеризации или нечетких с-средних (подробно указанные алгоритмы рассмотрены в работе [136]). Необходимо отметить, что второй способ целесообразнее использовать для построения классификаторов. При реализации второго способа для синтеза «классических» нечетких систем, в которых наименьшему и наибольшему значению из универсального множества соответствуют точки максимума функций принадлежности крайних термов, теряется смысловая нагрузка термов лингвистических переменных, т.е. прозрачность системы. После того, как подготовлена исходная информация и определено содержание лингвистических переменных, необходимо провести идентификацию нелинейных зависимостей нечеткими базами знаний. Идентификацию предлагается осуществлять системами нечеткого логического вывода Mamdani и Sugeno. Идентифицировать нелинейную зависимость в автоматическом режиме базой знаний типа Sugeno предлагается с использованием Anfis-редактора. В основе технологии работы Anfis-редактора лежит идея представления нечеткой системы в виде нейро-нечеткой сети - нейронной сети прямого распространения сигнала особого типа [136]. Архитектура нейро-нечеткой сети изоморфна нечеткой базе знаний. Использование в нейро-нечетких сетях дифференцируемых реализаций треугольных норм, а также гладких функций принадлежности позволяет применять для настройки нейро-нечетких сетей быстрые алгоритмы обучения, основанные на методе обратного распространения ошибки. Алгоритм работы Anfis-редактора следующий. На начальном этапе на основе таблицы исходной экспертной информации и в зависимости от способа определения содержания лингвистических переменных редактор вызовом функций genfisl или genfis2 генерирует из данных исходную нечеткую систему типа Sugeno без использования кластеризации или с использованием субтрактивной кластеризации соответственно. Способы импликации, дефазификации, агрегации и т.д. устанавливаются по умолчанию. Подробно синтаксис функций изложен в работе [4]. После того, как сформирована исходная система и структура нейро-нечеткой сети, редактор производит обучение системы, результатом которого является нахождение оптимальных значений параметров нечеткой системы согласно критерию оптимизации - минимизации невязки на обучающей выборке (RMSE - Root Mean Square Error): Где (Xr, yr), r = 1,M - обучающая выборка из M пар экспериментальных данных, связывающих входы Хг = (хг1,хГі2, ...,хгп) с выходом у в r-ой паре обучающей выборки; F(P, W,X) — результат вывода по нечеткой базе знаний с параметрами (Р, W) при значении входов Xr; Р — вектор параметров функций принадлежности термов входных и выходной переменных; W — вектор весовых коэффициентов правил базы знаний. Обучение системы осуществляется посредством вызова функции an/is (подробное описание функции, а также список входных и выходных аргументов представлен в [4]). В функции anfis предусмотрено два варианта оптимизации параметров исходной нечеткой системы: алгоритм обратного распространения ошибки и гибридный алгоритм. Выбор того или иного алгоритма оптимизации зависит от степени адекватности его использования в конкретной ситуации. Результатом работы функции anfis является обученная нечеткая система (система с установленными оптимальными параметрами). В редакторе предусмотрено тестирование обученной нечеткой системы на тестовой выборке. Тестирование необходимо для проверки адекватности результатов нечеткой системы на значениях входных лингвистических переменных из универсальных множеств, не попавших в обучающую выборку, а также для исключения процесса «переобучения» системы.
