книги2 / 385

УДК 658.56

СТАТИСТИЧЕСКИЕ МЕТОДЫ В УПРАВЛЕНИИ КАЧЕСТВОМ

Полякова А.А.

Тюменский индустриальный университет, Тюмень anya.polyakova.00@inbox.ru

В данной статье рассмотрено влияние статистических методов на качество продукции Ключевые слова: качество, статистические методы, управление качеством.

Во всех странах мира занимаются проблемой повышения качества продукции, об этом свидетельствуют многочисленные публикации по вопросам теории и практики повышения качества продукции.

Качество продукции – совокупность свойств продукции, обуславливающих её пригодность удовлетворять определённые потребности в соответствии с её назначением.

Управление качеством продукции (услуги) – это целенаправленный процесс воздействия на объекты управления, осуществляемый при создании и использовании продукции (услуги), в целях установления, обеспечения и поддержания необходимого ее уровня качества, удовлетворяющего требованиям потребителей и общества в целом.

Особое место в управлении качеством продукции занимает контроль качества с целью получения данных об объекте управления. Суть контроля заключается в получении информации о состоянии объекта контроля и сопоставлении полученных результатов установленным техническим требованиям, зафиксированных в чертежах, стандартах, технических условиях, договорах на поставку и т.п.

Именно контроль качества продукции как одно из эффективных средств достижения намеченных целей и важнейшая функция управления способствует правильному использованию объективно существующих, а также созданных человеком предпосылок и условий выпуска продукции высокого качества. От степени совершенства контроля качества, его технического оснащения и организации во многом зависит эффективность производства в целом.

Стремление фирм во всем мире повысить качество выпускаемой продукции объясняется наличием различных его уровней. В связи с этим методы и средства, обеспечивающие улучшение качества продукции, приобретают первостепенное значение и играют решающую роль в производственной деятельности. Широкое применение при контроле качества продукции и производственных процессов получили статистические методы.

Основной задачей статистических методов контроля является обеспечение производства пригодной к употреблению продукции и оказание полезных услуг с наименьшими затратами.

Одним из основных принципов контроля качества продукции при помощи статистических методов является стремление повысить качество продукции, осуществляя контроль на различных этапах производственного процесса[2].

Главная задача статистических методов – не просто увеличить качество продукции, а увеличить количество такой продукции, которая была бы пригодной к употреблению. Организация должна устанавливать адекватные статистические методы для подтверждения приемлемости возможностей процесса и характеристик продукции.

Статистические методы являются эффективным инструментом сбора и анализа информации о качестве продукции.

71

Применение этих методов, не требует больших затрат и позволяет с заданной степенью точности и достоверностью судить о состоянии исследуемых объектов в системе качества, прогнозировать и регулировать проблемы на всех этапах жизненного цикла продукции и на основе этого вырабатывать оптимальные управленческие решения.

Статистические методы используют при проектировании продукции, услуг и процессов, при контроле производственных процессов, при анализе данных о дефектах, определении степени риска, определении коренных причин появления несоответствий, установлении предельных характеристик продукции и процессов, при прогнозировании, проверках[1].

Согласно стандартам ИСО серии 9000 правильное применение статистических методов имеет важное значение для проведения управляющих воздействий при анализе рынка, проектировании продукции, прогнозировании долговечности и надежности продукции, определении уровней качества в планах выборочного контроля.

Используя статистические методы контроля качества на производстве, можно своевременно выявлять проблемы, связанные с качеством и получить значительные результаты по следующим показателям:

-повышение качества закупаемого сырья, полуфабрикатов;

-экономия сырья и рабочей силы;

-повышение качества производимой продукции;

-снижение затрат на проведение контроля;

-снижение количества брака;

-улучшение взаимосвязи между производством и потребителем;

-облегчение перехода производства с одного вида продукции на другой.

Список источников

1.Ефимов В.В., Барт Т.В. Статистические методы в управлении качеством продукции: учебное пособие/ В.В. Ефимов, Т.В. Барт. – М.: КНОРУС, 2006. – 136 с.

2.Васильков Ю.В., Иняц Н. Статистические методы в управлении предприятием: доступно всем/ Васильков Ю.В., Иняц Н. – М.: Стандарты и качество, 2008. – 279 с.

72

УДК 658.56

КОНТРОЛЬ КАЧЕСТВА НА ПРОИЗВОДСТВЕ

Полякова А.А.

Тюменский индустриальный университет, Тюмень anya.polyakova.00@inbox.ru

В данной статье рассмотрены контроль и контрольные мероприятия как залог успеха производства.

Ключевые слова: контроль, качество на производстве.

Успех на рынке зависит от высокого уровня качества продукции. Несмотря на то, что на производствах используются современные системы планирования ресурсов предприятия, очень многие показатели выходного контроля рассчитываются вручную. Представлена методология контроля качества и инструментарий для его автоматизации на предприятии на примере производства бумажных детских подгузников.

Одним из важнейших факторов роста эффективности производства является повышение качества выпускаемой продукции, которое непосредственно определяет ее конкурентоспособность. Только конкурентоспособные предприятия могут успешно преодолевать возникающие трудности и проблемы. Обеспечить качество в отсутствие контроля невозможно. Он позволяет вовремя выявить ошибки, чтобы затем оперативно исправлять их с минимальными потерями.

Под контролем качества понимается проверка соответствия характеристик продукции или процесса установленным техническим требованиям, зафиксированным в чертежах, стандартах, технических условиях, договорах на поставку и других документах. Организация контроля качества - система технических и административных мероприятий, направленных на обеспечение производства продукции, полностью соответствующей требованиям нормативных документов. Информация, полученная во время контрольных мероприятий, должна служить основой для разработки различных корректирующих и предупреждающих действий с целью улучшения параметров процесса, а, следовательно, и повышения качества производимой продукции.

Контрольные мероприятия пронизывают все процессы. На этапе конструкторскотехнологической подготовки производства осуществляется контроль проектирования, при логистических операциях - входной контроль материалов и комплектующих изделий. Постоянно проверяется состояние технологического оборудования, ведется операционный контроль и активный мониторинг технологических процессов посредством приборов, встроенных в оборудование, и наконец - выходной контроль готовой продукции.

Как одно из эффективных средств достижения намеченных целей и важнейшая функция управления, контроль способствует правильному использованию объективно существующих, а также созданных человеком предпосылок и условий выпуска продукции высокого качества. От степени его совершенства, технического оснащения и организации во многом зависит эффективность производства в целом[2].

В процессе контроля сопоставляются фактически достигнутые результаты функционирования системы с запланированными. Современные методы управления качеством продукции, позволяющие при минимальных затратах достичь высокой стабильности показателей, приобретают все большее значение.

Актуальность затронутой темы обусловлена и тем, что для устойчивого функционирования предприятия необходимо выполнять не только внутренние заказы с

73

достаточно ограниченной номенклатурой типоразмеров изделий, но и внешние, в том числе и экспортные. Причем номенклатура изделий может существенно расширяться. В этих условиях требуется не только гибко перестраиваемое производственное оборудование, но и соответствующее контрольное, позволяющее выполнить все необходимые проверки и испытания, которые особенно важны при работе на экспорт[1].

Список источников

1.Ребрин Ю.И. Управление качеством: Учебное пособие/ Ю.И. Ребрин - Таганрог: Изд-во ТРТУ, 2004. - 174 с.

2.Ефимов В.В. Основы бережливого производства: Учебное пособие /В.В. Ефимов–Ульяновск: УлГТУ, 2011. - 160 с.

74

УДК 658.56

АВТОМАТИЗАЦИЯ КОНТРОЛЯ НА ПРОИЗВОДСТВЕ

Полякова А.А.

Тюменский индустриальный университет, Тюмень anya.polyakova.00@inbox.ru

В данной статье рассмотрены основные направления автоматизации контроля на производстве Ключевые слова: контроль, автоматизация, управление качеством.

Контрольные операции в машиностроении занимают большой объем работ. Множество контролеров проверяют заготовки, полуфабрикаты, готовые детали и изделия, чтобы не допустить бракованную продукцию на последующие операции или к потребителю изделия. Автоматизация контроля не только уменьшает необходимость в контролерах, но позволяет стабильно выполнять все запрограммированные действия по проведению контроля и более тщательно проверять контролируемые параметры деталей и изделия в целом.

Контроль - это одна из действенных форм борьбы за улучшение качества изделий в соответствии с его основными функциями. Организационно-технический контроль может быть классифицирован [1]:

•по назначению - проверка линейных размеров, формы, шероховатости поверхности, физикомеханических и химических свойств деталей, взаимного расположения и качества соединения деталей в сборочных единицах, выполнения функциональных параметров изделия и т.п.;

•количеству измеряемых изделий - на сплошной и выборочный;

•количеству контрольных операций - на пооперационный и окончательный;

•степени автоматизации - на ручной, механизированный и автоматизированный;

•способу измерения - на прямой, косвенный, комбинированный.

Применение автоматизации контроля, так же как и других операций производственного процесса, должно быть обосновано технически и экономически. Основные соображения, которыми нужно руководствоваться при выборе автоматизации контроля и применяемых измерительных средств:

•рациональная схема контроля, обеспечивающая проверку с заданной точностью

истабильность показаний измерения;

•достижение минимального времени на операцию контроля;

•совмещение контроля нескольких параметров в одном контрольном переходе, т.е. использование устройств для контроля нескольких величин одновременно;

•использование наиболее экономичных приборов и устройств;

•применение надежных и долговечных устройств простых в эксплуатации и ремонте с максимальной продолжительностью работы до повторного ремонта.

При выполнении контрольных операций возникают погрешности измерения, образующиеся в результате неправильного базирования контролируемой детали, ограниченной точности контрольноизмерительных средств, погрешностей отсчета, влияния температурных факторов, нерациональной схемы проведения измерения и др. Погрешности измерения разделяют на грубые, систематические и случайные.

Грубые погрешности - это погрешности, которые по абсолютному значению превышают допустимые и свидетельствуют о явном искажении результатов измерения. Они возникают при неправильно настроенном приборе, сбившейся шкале, плохо закрепленных

75

контрольных приборах, неустойчивых фундаментах и др. Обнаруживаются грубые погрешности измерения проведением контрольных промеров.

Систематические погрешности измерения - это погрешности, которые входят с постоянным значением и знаком в измерения всех деталей. Эти погрешности могут также изменяться по определенному закону и возникать в результате неправильной установки прибора и измеряемой детали, несовершенной конструкции и градуировки прибора, из-за изменения температуры в процессе измерения и других факторов.

Случайные погрешности измерения - это погрешности, которые по значению и знаку могут быть большими или меньшими у каждой из деталей. Они возникают из-за несовершенства конструкции прибора, погрешности отсчета, колебания измерительного усилия, деформации деталей прибора, трения деталей прибора и др.

Все устройства автоматизации контроля состоят из приспособления для установки измеряемой детали, измерительного датчика, промежуточных устройств для усиления сигнала, подаваемого датчиком, иногда реле времени для задержки сигнала и исполнительного устройства для управления сортировочным устройством или станком, на котором обрабатывается и контролируется деталь, а также устройствами для световой или звуковой сигнализации и счета деталей [2].

При автоматизации контроля необходимо предусмотреть возможность наблюдения за работой контрольных устройств, чтобы своевременно производить регулировку и не пользоваться приборами, начинающими давать ошибочные показания измеряемых параметров.

Список источников

1.Макаева, К. И. Автоматизация управленческого контроля / К. И. Макаева, А. М. Джудаков. - Текст: непосредственный // Молодой ученый. -2016. - № 27.2 (131.2). - С. 29-31.

2.Цветаев, С.С., Логачев К.И. Актуальные проблемы автоматизации промышленных предприятий // Вестник Белгородского государственного технологического университета им. В. Г. Шухова. - 2012. - № 1. - С. 87–89.

76

УДК 004.81

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОБЛАСТИ ЗАЩИТЫ ИНФОРМАЦИИ В СОВРЕМЕННОМ МИРЕ

Румянцев Д.А.

Костромской государственный университет, Кострома

В современном информационном обществе защита данных и обеспечение информационной безопасности становятся все более актуальными задачами. С развитием технологий искусственного интеллекта (ИИ) в России, его применение становится все более значимым. Технологии ИИ предоставляют новые возможности для обнаружения угроз, прогнозирования атак, адаптивной защиты и реагирования на киберугрозы. В этой статье, представляется важным рассмотреть актуальные направления применения ИИ в области защиты информации в России и вызовы, с которыми сталкиваются специалисты в данной области.

Ключевые слова: Информационная безопасность, искусственный интеллект, обучение, данные.

Развитие технологий идет очень быстро. Современный мир стал зависим от информационных технологий, создают и развивают искусственный интеллект, который будет занимать, в недалеком будущем, большую часть нашей жизни. Искусственный интеллект— это не инструмент или программа, а отдельное направление компьютерных наук. Специалисты по ИИ разрабатывают системы, которые анализируют информацию и решают задачи аналогично тому, как это делает человек. Для того, чтобы ИИ работал правильно, нужно прописать для него поведение, самообучение, автоматизированную работу над данными. Также это будет влиять на безопасность в сети.

1.Анализ поведения

На данный момент в России технологии искусственного интеллекта активно применяются в области защиты информации. Анализ поведения ИИ используется для обнаружения и предотвращения кибератак, а также для обеспечения безопасности данных и информационных систем. Одним из основных направлений применения анализа поведения ИИ является создание систем мониторинга и обнаружения аномалий в сетевом трафике. ИИ анализирует большие объемы данных и выявляет аномалии, которые могут свидетельствовать о потенциальных угрозах. Это позволяет оперативно реагировать на возможные атаки и предотвращать утечку или повреждение данных. В дополнение анализ поведения ИИ используется для создания персонализированных систем безопасности, которые могут адаптироваться к конкретным потребностям и поведению пользователей. Это позволяет более точно и эффективно управлять доступом к информации и защищать данные от угроз как внутренних, так и внешних. В России активно внедряются инновационные подходы с использованием ИИ, такие как системы машинного обучения для построения прогностических моделей безопасности. Это помогает обеспечить более высокий уровень защиты данных.

2.Машинное обучение

Машинное обучение используется для обнаружения угроз, анализа кибератак, прогнозирования поведения злоумышленников и построения более эффективных систем защиты данных. Разрабатываются и внедряются инновационные методы для обнаружения аномалий в сетевом трафике с помощью машинного обучения. Алгоритмы машинного обучения позволяют автоматически выявлять необычные или подозрительные действия в

77

сетевом трафике, что повышает эффективность обнаружения киберугроз. Кроме того, машинное обучение применяется для создания систем предсказания угроз и анализа потенциальных уязвимостей в информационных системах. Алгоритмы машинного обучения могут анализировать крупные объемы данных и выявлять уязвимые места, а также предсказывать вероятность успешной атаки, что позволяет заранее принимать меры по укреплению защиты. В России происходит активное развитие методов машинного обучения для создания персонализированных систем, учитывающих индивидуальное поведение пользователей и адаптирующихся к изменяющимся угрозам. Это позволяет предлагать более эффективные меры защиты, соответствующие конкретным потребностям и реагировать на новые угрозы в режиме реального времени.

3.Автоматизированное обнаружение и реагирование

Еще одним из направлений является использование ИИ для анализа крупных объемов данных с целью обнаружения аномальных или подозрительных активностей в информационных системах. Алгоритмы машинного обучения позволяют автоматически анализировать большие массивы сетевого трафика, а также поведение пользователей, выявлять потенциально опасные ситуации и реагировать на них. В России разрабатываются и внедряются системы автоматизированного реагирования. Такие системы могут автоматически реагировать на обнаруженные угрозы, выполняя предопределенные действия для блокировки или изоляции атакующего устройства или пользователя, или же для восстановления безопасного состояния информационной системы. Кроме того, активно работают над созданием автоматизированных систем реагирования с использованием технологий ИИ, способных адаптироваться к новым видам атак и угроз, а также обучаться на новых данных. Это позволяет эффективно противостоять современным и будущим угрозам и обеспечивать высокий уровень защиты информации.

4.Анализ больших данных

Анализ больших данных с использованием искусственного интеллекта является одним из ключевых направлений в области защиты информации. Технологии анализа больших данных позволяют обнаруживать угрозы, идентифицировать аномалии и создавать более эффективные системы защиты. Одним из основных применений анализа больших данных является обнаружение аномального поведения в сетевом трафике. С использованием методов машинного обучения и анализа данных, специализированные системы могут выявлять необычные действия, сигнализируя о возможных атаках или утечках данных. анализ больших данных с применением ИИ используется для создания систем прогнозирования угроз. Путем анализа обширных данных об атаках и сетевой активности, системы могут предсказывать потенциальные угрозы и слабые места в защите, что позволяет заранее принимать меры по укреплению безопасности. Также активно развиваются системы анализа больших данных для создания персонализированных систем защиты информации. Путем анализа поведения пользователей и их активности в информационных системах можно создавать более точные модели безопасности, учитывающие индивидуальные особенности и предпочтения каждого пользователя, что позволяет более надежно защитить данные.

5.Распознавание и аутентификация

Еще одним из направлений внедрения искусственного интеллекта является использование биометрических технологий, таких как распознавание лица, отпечатков пальцев, распознавание голоса, походки и т.д. Активно разрабатываются и внедряются системы распознавания аномалий, которые позволяют автоматически выявлять необычные ситуации, например, попытки несанкционированного доступа или использование учетных

78

данных в ненормативной среде, и инициировать соответствующие меры безопасности. Кроме того, системы распознавания и аутентификации с применением искусственного интеллекта используются для создания более надежных и безопасных методов аутентификации, таких как двухфакторная аутентификация с использованием биометрических данных в сочетании с другими методами идентификации.

Подводя итоги, можно сказать, что искусственный интеллект играет все более значимую роль в области защиты информации. Применение технологий ИИ, таких как анализ поведения, машинное обучение и автоматизированное обнаружение и реагирование на киберугрозы, позволяет эффективно защищать данные и информационные системы. В России активно разрабатываются и внедряются инновационные подходы с использованием ИИ, что способствует повышению уровня безопасности и снижению угроз.

Список источников

1.Бородоская Е.В., Давыдова Н.А. Основы искусственного интеллекта.- электрон. М. : Лаборатория знаний, 2020. - 130 с.

2.Деза Е.И.,. Котова Л.В. Введение в криптографию: Теоретико-числовые основы защиты информации. -М.:Ленад.2022. - 376с.

3.Методический документ. Методика оценки угроз безопасности информации. - ФСТЭК России.-2021.- 84с.

©Румянцев Д.А.,2024

79

АНАЛИЗ МИКРОТВЕРДОСТИ, ФАЗОВОГО И ЭЛЕМЕНТНОГО СОСТАВА КОМПОЗИТНЫХ ПОКРЫТИЙ НА ОСНОВЕ СИСТЕМЫ W–B–N-C

Полигенько А.В., Осипов К.М.

Университет науки и технологий МИСИС, Москва

В работе исследованы механические характеристики, фазовый и элементный состав покрытий на основе тройной системы W–B–N, полученных с помощью метода химического осаждения из газовой фазы (ХОГФ). Доклад содержит: результаты анализа образцов различными методиками (сканирующей электронной микроскопии (СЭМ), энергодисперсионной рентгеновской спектрсокопии (ЭДС); рентгеновской дифрактометрии; измерения микротвердости контрольных образцов по Виккерсу (HV)), а также – интерпретацию и обсуждение полученных результатов Ключевые слова: вольфрам, бор, азот, рентгенофазовый анализ, электронная микроскопия, микротвердость

Метод химического осаждения из газовой фазы (ХОГФ) является перспективной технологией получения покрытий различного назначения, который обладает рядом преимуществ. Помимо осаждения на криволинейных поверхностях и широкого спектра материалов для синтеза, одной из ключевых особенностей метода ХОГФ является возможность получения композиций тугоплавких материалов, при температурах, не превышающих температуры плавления основных компонентов синтеза, что достигается за счет использования газообразных прекурсоров и соответствующего снижения энергии активации, необходимой для начала химического взаимодействия [1–2].

Исследуемые образцы системы W–B–N-C были получены с помощью метода ХОГФ по четырём различным режимам (таблица 1). В качестве газов-прекурсоров использовались гексафторид вольфрама (WF6) и триметиламинборан ((CH3)3N:BH3, здесь и далее – ТМАБ), в качестве транспортных газов использовались водород (H2) и аргон (Ar).

Режимы, представленные в таблице 1, отличались массовой долей ТМАБ в смеси, подаваемой в реакционную зону.

Таблица 1. Режимы осаждения покрытий.

Где: Q(WF6) – расход гексафторида вольфрама, н.л./ч; Q(H2) – расход водорода, н.л./ч; Q(Ar) – расход газа-носителя (аргона), н.л./ч; мбар; Q(ТМАБ) – расход ТМАБ, н.л./ч; Т – температура реактора, °С; τ – время осаждения, мин.

В результате проведения четырех опытов, были получены покрытия различных толщин, величины которых представлена в таблице 2.

Таблица 2. Толщины покрытий, полученных при синтезе.

80