Delist.ru

Адаптивная автоматизированная система мониторинга раисков в цепях поставок наукоемкой продукции (24.11.2010)

Автор: Некрасова Мария Алексеевна

&на выявленные инциденты при:

• нарушении временного интервала функционального цикла или отдельных его операций;

• невыполнении предусмотренных функциональным циклом процедур;

• нарушении последовательности операций и т.д.;

4. оценка соответствия – блок нормативного регулирования на основе международных стандартов ИСО 28000: 2007.

На рис.5 представлена базовая нейрологистическая модель, разработанная автором, охватывающая весь цикл получения прогноза и выработки управляющего воздействия.

Рис. 5. Модель адаптивной системы мониторинга

В отношении применяемой в работе теории нейросетей выражение (1) приобретает следующий вид, при котором текущее состояние нейрона определяется, как взвешенная сумма его входов:

y=f(S), (3)

где wi - вес синапса (weight), (i=1,2...N); b - значение смещения (bias); S - результат суммирования (sum); xi - компонента входного вектора (входной сигнал или параметры), (i=1,2,...N); y - выходной сигнал нейрона; N - число входов нейрона; f - нелинейное преобразование (функция активации).

Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Для оценки числа нейронов в скрытых слоях однородных нейронных сетей в работе используется формула для оценки необходимого числа синаптических весов Lw в многослойной сети с сигмоидальными передаточными функциями:

где n – размерность входного сигнала; m – размерность выходного сигнала; N– число элементов обучающей выборки.

Оценив необходимое число весов, можно рассчитать число нейронов в скрытых слоях. Например, для двухслойной сети это составит:

Также количество нейронов можно оценить по формуле:

Нейросеть в работе проходит обучение на основании алгоритма обратного распространения (Back Propagation). Он представляет собой распространение сигналов ошибки от выходов нейросети к ее входам в направлении обратном прямому распространению сигналов в обычном режиме работы. Обучение нейронных сетей является задачей оптимизации в тех случаях, когда удается оценить работу сети. Это означает, что можно указать, хорошо или плохо сеть решает поставленные ей задачи, и оценить это «хорошо или плохо» количественно. Для этого выстраивается функция оценки. Она, как правило, явно зависит от выходных сигналов сети и неявно (через функционирование) - от всех ее параметров. Простейший и самый распространенный пример оценки - сумма квадратов расстояний от выходных сигналов сети до их требуемых значений. При этом суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам.

Пусть описание формального нейрона иерархической нейронной сети описывается уравнением:

где Ai - внешние входные сигналы; ?i – сигнал i-ого нейрона в выходном векторе нейросети, ?j - входные сигналы от других блоков; xij - веса межнейронных связей.

Можно получить сколь угодно точное приближение любой непрерывной функции многих переменных, используя операции сложения и умножения на число, суперпозицию функций, линейные функции, а также одну произвольную непрерывную нелинейную функцию одного переменного. Для нейрологистического модуля это означает, что для получения указанного результата от функции активации нейрона требуется только нелинейность. Адаптивные возможности предлагаемых алгоритмов с ускоренным стохастическим поиском позволяют в полной мере реализовать потенциальные возможности нейрологистического модуля.

В процессе адаптации (обучения) нейрологистического модуля происходит подстройка весовых коэффициентов xij до тех пор, пока не будет получен набор xij, удовлетворяющих условию H?µ, где µ максимально допустимая величина ошибки, а H – значение соответствующей целевой функции.

На этапе функционирования описываемый нейрологистический модуль совпадает по быстродействию с нейросетями, обученными по детерминированным алгоритмам. При обучении даже с учетом предложенных усовершенствований случайный поиск остается процессом достаточно медленным. Для его ускорения в работе возможно применение прогнозирования последующего направления поиска с использованием предыдущего опыта адаптации. Набор численных методов, пригодных для прогноза наилучшего изменения величин ?i достаточно широк.

Приведенный в работе подход представляет собой простую самонастраиваемую модель, основанную на вычислении так называемой экспоненциальной средней.

Завершающий нормативный блок в составе механизма оценки нейрологистического модуля осуществляет проверку полученных результатов с позиций международных стандартов серии ISO 28000: 2007. Конечной целью такого внедрения становится совершенствование функционирования цепи поставок предприятия. Менеджмент безопасности охватывает все виды деятельности, которые находятся под управлением организации или ее партнеров в пределах единой цепи, и могут прямо или косвенно оказывать влияние на безопасность. Областью применения ISO 28000: 2007 являются финансирование, производство, информационный менеджмент, оборудование для упаковки, хранения и перевозки товаров между различными видами транспорта и местоположениями. Кроме того, его системную основу составляют стандарты ISO 9001:2000 и ISO 14001:2004, образующих площадку для развития системы управления безопасностью, основанной на управлении рисками.

Глава 3. Разработка алгоритмов и методов автоматизированной системы мониторинга в задачах управления рисками

В третьей главе определена классификация метрик и вычислены их пороговые значения для формирования обучающей выборки, на основании построенных моделей созданы методы и алгоритмы работы нейрологистического модуля и смежных систем для исследуемого объекта.

Рассмотрение стабильной работы цепи поставок в качестве фактора повышения конкурентоспособности предполагает, что последствия принимаемых решений в данной области должны поддаваться измерению в плане их воздействия на функциональные затраты и доходы предприятия. В связи с этим становится актуальной задача нахождения способа контроля издержек и показателей, наиболее корректно отражающих соотношение критериев системы мониторинга с основными экономическими и финансовыми индикаторами деятельности компании. Управление рисками в цепи поставок представляет собой определенную бизнес-концепцию, позволяющую оптимизировать ресурсы предприятия, которые связаны с управлением материальными и сопутствующими потоками. Определить количественные параметры последствий принятия решений в данной области весьма сложно.

Применение методов интегрированного логистического управления в практике компании позволяет значительно сократить товарно-материальные запасы, ускорить оборачиваемость оборотного капитала, снизить логистические издержки, обеспечить наиболее полное удовлетворение потребителей в качестве товаров и сопутствующего сервиса.

Внедрение системы мониторинга как ряда строго определенных и тесно взаимосвязанных процессов позволяет, с точки зрения автора, сформировать целостный подход, охватывающий все множество направлений деятельности предприятия. В качестве параметров могут быть использованы метрики, представляющие собой «веса» измерений. Создание таких критериев является одной из задач программы непрерывного улучшения качества обслуживания.

При внедрении метрик как составной части функционирования нейрологистического модуля особое значение приобретает коммуникация. Если заинтересованные стороны получают своевременную и точную информацию о показателях риска в цепи поставок предприятия, они могут внести общий вклад в достижение глобальных долгосрочных целей, поддерживая открытость и прозрачность и отмечая происходящие улучшения.

В общем случае методика применима к анализу цепочек поставок как локального, так и транснационального масштаба при производстве, сервисе, хранении или транспортировке.

Методика предполагает прохождение семи этапов алгоритма мониторинга, замыкаясь с помощью обратной связи (рис.6.). Он стартует с формирования базы метрик (этапы 1-2), по которой будет производится регистрация событий, далее осуществляется передача полученных данных в нейрологистический модуль. Система мониторинга производит их обработку с помощью выбранного нейропакета (этапы 3-6) и выдает пользователю прогноз в отношении управляющего воздействия на цепь поставок (этап 7).

Рис. 6. Алгоритм этапов мониторинга

Результат работы нейрологистического модуля можно представить в виде «светофора». Если риски по оценке системы мониторинга превысили допустимое значение – во внешнее программное обеспечение передается предупреждающий (красный) сигнал, если риски находятся на допустимом уровне – разрешающий (зеленый) сигнал. Если с течением времени происходят внутренние и внешние изменения предприятия с помощью обратной связи производится корректировка выбранных метрик и загрузка их в соответствующее программное обеспечение.

Разработанная автором методология нейрологистического модуля прошла внедрение на одном из предприятий по производству запасных частей для АЗС, готовых колонок, оборудования для нефтебаз и газораздаточного оборудования ЗАО «Нара». При внедрении применялись научно-методические разработки ООО «Силтэк», занимающейся технологиями сохранности в цепях поставок.

Для системы мониторинга рассматриваемого объекта автором предлагается использовать 12 подробно описанных в работе категорий метрик или критериев (рис.7.).

Каждая метрика представляет собой категорию риска цепи поставок, характерного для данного производственного предприятия. В случае присвоения ей значения «1» данный риск считается реализовавшимся, «0»- нереализовавшимся. С помощью обработки полученных данных в нейрологистическом модуле авторизованные пользователи получают предупреждающий сигнал с указанием наиболее значимых метрик для управляющего воздействия на выделенные области.

Рис. 7. Виды метрик (критериев) системы мониторинга

Структурно работу системы мониторинга можно представить как взаимодействие четырех блоков (подсистем).

Для интеграции полученных значений метрик и передачи их в нейрологистический модуль необходимо специальное программное обеспечение Блока 1 (рис.8.), взаимоувязанное с остальными блоками. Блок 2 представляет из себя программу, отвечающую за нейроалгоритмическую обработку поступающих данных (нейрологистический модуль).

В Блок 3 входят учетная и бухгалтерская система, установленная на предприятии. Блок 4 непосредственно работает с пользователями с различными правами доступа и в человекочитаемой форме выдает запрещающий или разрешающий сигнал.

загрузка...