Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
1 Применение нейронных сетей при многофакторном анализе специальных
Содержание
- 1. 1 Применение нейронных сетей при многофакторном анализе специальных
- 2. Определение основных (ключевых) факторов, влияющих на
- 3. Смысл нейронных сетей заключается в математическом описании
- 4. Архитектура нейронной сети
- 5. Этапы построения математической модели хода ТПСбор информации
- 6. Задание При производстве на
- 7. Иллюстрация выбранной нейронной сети
- 8. Сохраняем полученную модель для предсказания качественных показателей
- 9. Слайд 9
- 10. Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:
- 11. Иллюстрация выбранной нейронной сети
- 12. Подставляя текущие значение в полученную ранее математическую модель :
- 13. Подставляя текущие значение в полученную ранее математическую модель можно сделать вывод:
- 14. Задание Имеются данные за
- 15. Иллюстрация выбранной нейронной сети
- 16. Прогноз на следующий месяц
- 17. Прогноз на следующий месяц Прогнозное значение уровня
- 18. Предлагаемый механизм внедрения SPC-методов с применением многофакторного
- 19. Применение статистических методов при оценке результативности процессов СМК
- 20. ВНИМАНИЕ! Приведенные данные являются информационными, а не фактическими
- 21. Измерение процессов СМК в соответствии с фактическими
- 22. Слайд 22
- 23. Слайд 23
- 24. прогнозное значение результативностиХсрХср100%100%неиспользованный резерв-σ+σ-σ+σ
- 25. Результативность процессов жизненного цикла СМК составила 84,46%.
- 26. Спасибо за внимание!
- 27. Скачать презентанцию
Определение основных (ключевых) факторов, влияющих на технологический процесс с помощью статистических методов (регрессионного анализа, нейронных сетей и т.д.) Результативное внедрение статистических методов для принятия управленческих решений как постоянного
Слайды и текст этой презентации
Слайд 1
Применение нейронных сетей при многофакторном анализе специальных технологических процессов
на ОАО
«ЧАЗ»
Слайд 2Определение основных (ключевых) факторов, влияющих на технологический процесс с
помощью статистических методов (регрессионного анализа, нейронных сетей и т.д.)
Результативное
внедрение статистических методов для принятия управленческих решений как постоянного процессаСоздание системы многофакторного анализа при прогно-зировании рынка продаж и цен на закупаемые материалы, планировании производства, прогнозировании качествен-ных показателей и влияющих на них факторов в метал-лургическом производстве и т.д.
Задачи:
Слайд 3Смысл нейронных сетей заключается в математическом описании взаимодействия входных и
выходных данных и определении их прогнозных значений
Слайд 5Этапы построения математической модели
хода ТП
Сбор информации в ходе ТП
за определенный период
Построение модели хода ТП (обучение нейронных сетей)
Выбор наилучшей
модели (сети) хода ТП Выполнение предсказания с помощью обученной нейронной сети
Слайд 6 Задание
При производстве на автолинии (АФЛ) и
конвейере (К)
отливки «Секция радиатора ЧМ2-100-500» выявляются
несоответствия: «газовые раковины»
и «течь». Требуется определить прогнозное значение качествен-
ных показателей (% НП «газовых раковин» и «течи») на
основе новых наблюдений влияющих факторов
Пример построения модели хода ТП
и определение прогнозного значения
качественного показателя
Слайд 8Сохраняем полученную модель для предсказания качественных показателей (газ. раковин, течи)
на основе новых наблюдений
Запускаем полученную ранее модель для выполнения
предсказаний на основе новых данныхВводим новые пользовательские значения факторов (влажность, прочность и т.д.), влияющих на качественные показатели
(газ. раковин, течи)
Слайд 14 Задание
Имеются данные за определенный период по
среднесписочной численности и болезням персонала.
Требуется определить прогнозное значение уровня заболеваний персонала за последующий период.
Пример построения модели для
определения прогнозного значения
уровня заболеваний персонала
Слайд 17Прогноз на следующий месяц
Прогнозное значение уровня заболеваемости составил 1,32
фактически
– 1,33. Следовательно, данная методика позволяет
прогнозировать с достаточной точностью.
Слайд 18Предлагаемый механизм внедрения SPC-методов с применением многофакторного анализа «Нейронные сети»
позволяет решать задачи прогнозирования, классификации и управления:
В короткие сроки
позволяет решать как прямые (прогнози-ровать уровень дефектности при наличии исходных данных), так и обратные (определить требования ТП в зависимости от желаемого уровня дефектности) задачи в литейном, кузнеч-ном и термическом производствах для оперативного приня-тия решений;Результативно применять в различных областях деятельности ОАО «ЧАЗ»:
- при прогнозировании рынка продаж;
- при прогнозировании цен на закупаемые материалы;
- при планировании производства;
и т.д.
Осуществлять анализ по персонифицированным данным (кадры, нарушения трудового режима, больничные листы с классификацией по полу, возрасту, должностям и т.д.)
Слайд 21Измерение процессов СМК в соответствии с
фактическими выходными данными при
реализации процессов жизненного цикла с применением статистического анализа
Слайд 25Результативность процессов жизненного цикла СМК составила 84,46%.
При существующем состоянии
СМК возможная результативность СМК может снизиться до 65,25%.
