Preview

Российский технологический журнал

Расширенный поиск

Технология оценки рисков на этапах жизненного цикла продукции с использованием нечеткой логики

https://doi.org/10.32362/2500-316X-2020-8-6-167-183

Полный текст:

Аннотация

Исследуется проблема оценки рисков на этапах жизненного цикла продукции с использованием как качественных, так и количественных подходов. Предлагается обобщенный алгоритм выбора нечеткой модели оценки рисков при различных исходных данных и требованиях к системе для эффективного применения статистической информации и экспертных оценок. «Риск-ориентированный подход» позволяет сократить затраты на исправление возможных ошибок в будущем и уменьшить неопределенность при выполнении последующих действий. Проанализированы положения современных стандартов по анализу рисков и дана классификация методов анализа риска в соответствии с положениями национального стандарта ГОСТ Р 58771-2019 «Менеджмент риска. Технологии оценки риска». Предложен подход на основе нечеткой логики и гибридной нечеткой нейросетевой модели, который позволяет представить используемые критерии в удобной форме и осуществить логический вывод с помощью простых и наглядных продукционных правил. При этом эффективность и точность разработанной системы оценки рисков, основанной на нечеткой логике, в основном определяется качеством экспертной информации и состоятельностью используемых методов ее получения. Для повышения точности результатов предлагается применение коллективных экспертных оценок с последующим анализом согласованности полученных экспертных оценок с помощью определения коэффициентов вариации, ранговой корреляции, конкордации и пр. Представлен обобщённый алгоритм экспертного оценивания, которого рекомендуется придерживаться при разработке экспертных систем по анализу рисков. Предложен алгоритм построения нечеткой системы анализа рисков на основе эффективного способа получения экспертных оценок и анализе статистической информации. При наличии априорной информации о ранее происшедших событиях, которую можно применить для анализа и прогнозирования рисков, предлагается уточнять нечеткий вывод с использованием широко известных методов математической статистики, алгоритмов оптимизации, к примеру, градиентного спуска, симплекс-метода или генетических алгоритмов.

Об авторах

А. Н. Чесалин
МИРЭА – Российский технологический университет
Россия

Чесалин Александр Николаевич, кандидат технических наук, доцент кафедры компьютерной и информационной безопасности Института кибернетики ФГБОУ ВО «МИРЭА – Российский технологический университет»

119454, Москва, пр-т Вернадского, д. 78

ResearcherID: D-8080-2019



С. Я. Гродзенский
МИРЭА – Российский технологический университет
Россия

Гродзенский Сергей Яковлевич, доктор технических наук, профессор, профессор кафедры информационных технологий в государственном управлении Института инновационных технологий и государственного управления ФГБОУ ВО «МИРЭА – Российский технологический университет»

119454, Москва, пр-т Вернадского, д. 78

ResearcherID: AAA-8359-2019



Фам Ван Ты
МИРЭА – Российский технологический университет
Россия

Фам Ван Ты, аспирант кафедры метрологии и стандартизации Физико-технологического института ФГБОУ ВО «МИРЭА – Российский технологический университет»



М. Ю. Нилов
МИРЭА – Российский технологический университет
Россия

Нилов Михаил Юрьевич, аспирант кафедры метрологии и стандартизации Физико-технологического института ФГБОУ ВО «МИРЭА – Российский технологический университет»

119454, Москва, пр-т Вернадского, д. 78

 



А. Н. Агафонов
МИРЭА – Российский технологический университет
Россия

Агафонов Алексей Николаевич, ассистент кафедры компьютерной и информационной безопасности Института кибернетики ФГБОУ ВО «МИРЭА – Российский технологический университет»

119454, Москва, пр-т Вернадского, д. 78



Список литературы

1. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений: пер. с англ., под ред. Н.Н. Моисеева, С.А. Орловского. М.: Мир; 1976. 166 с.

2. Zadeh L. Fuzzy Sets. Information and Control.1965;8(3):338-353. https://doi.org/10.1016/S0019-9958(65)90241-X

3. Гродзенский С.Я., Чесалин А.Н. Использование аппарата нечеткой логики для оценки надежности автоматизированных систем. Нелинейный мир. 2017;15(4.):17-23.

4. Glushenko S.A. An adaptive neuro-fuzzy inference system for assessment of risks to an organization's information security. Business Informatics. 2017;1(39):68-77. http://doi.org/10.17323/1998-0663.2017.1.68.77

5. Чесалин А.Н., Гродзенский С.Я, Нилов М.Ю. Метод самооценки качества принятия управленческих решений. Фундаментальные проблемы радиоэлектронного приборостроения «INTERMATIC–2018» Материалы Международной научно-технической конференции. 2018;5:1149-1152.

6. Hajer M., Ketata R., Taieb B., Samir.A. Comparative study of Fuzzy Hierarchical Hybrid approaches for control of Quality Management System. In: International Conference on Industrial Engineering and Systems Management (IESM-2015). 2015. Р. 1034-1040. https://doi.org/10.1109/IESM.2015.7380282

7. Ying B., Hanyou W, Longkang W., Kangkang T. Study and analysis on fuzzy quality control for the high- end manufacturing process based on Taguchi quality loss function. J. Comput. Methods Sci. Eng. 2019;19(1):121-136. https://doi.org/10.3233/JCM-180857

8. Гродзенский С.Я., Гродзенский Я.С., Чесалин А.Н. Средства и методы управления качеством: учебное пособие. М.: Проспект; 2019. 128 с. ISBN: 978-5-392-28446-7

9. Гродзенский С.Я. Управление качеством: учебник. 2-е изд., перераб. и доп. М.: Проспект, 2018. 320 с. ISBN: 978-5-392-28172-5

10. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия – Телеком; 2007. 288 c.

11. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: The MIT Press; 2016. 800 p. ISBN: 0262035618.

12. Лохин В.М., Романов М.П., Казачек Н.А. Исследование периодических колебаний в робототехнических системах управления с нечеткими регуляторами. Вестник МГТУ МИРЭА. 2015;3-1(8):138-155.

13. Мызникова В.А., Устименко В.В., Чубарь А.В. Построение нечётких регуляторов для систем управления автономных объектов в среде SimInTech. Космические аппараты и технологии. 2019;3(1):22-27. https://doi.org/10.26732/2618-7957-2019-1-22-27

14. Карташов Б.А., Козлов О.С., Шабаев Е.А., Щекатуров А.М. Среда динамического моделирования технических систем SimInTech. М.: ДМК Пресс; 2017. 424 с. ISBN: 978-5-97060-482-3


Дополнительные файлы

1. Нечеткий логический вывод Мамдани
Тема
Тип Исследовательские инструменты
Посмотреть (44KB)    
Метаданные

Исследуется проблема оценки рисков на этапах жизненного цикла продукции с использованием как качественных, так и количественных подходов. Предложен подход на основе нечеткой логики и гибридной нечеткой нейросетевой модели. Представлен обобщённый алгоритм экспертного оценивания, которого рекомендуется придерживаться при разработке экспертных систем по анализу рисков. Предложен алгоритм построения нечеткой системы анализа рисков на основе эффективного способа получения экспертных оценок и анализе статистической информации. При наличии априорной информации о ранее происшедших событиях, которую можно применить для анализа и прогнозирования рисков, предлагается уточнять нечеткий вывод с использованием широко известных методов математической статистики, алгоритмов оптимизации, к примеру, градиентного спуска, симплекс-метода или генетических алгоритмов.

Для цитирования:


Чесалин А.Н., Гродзенский С.Я., Ван Ты Ф., Нилов М.Ю., Агафонов А.Н. Технология оценки рисков на этапах жизненного цикла продукции с использованием нечеткой логики. Российский технологический журнал. 2020;8(6):167-183. https://doi.org/10.32362/2500-316X-2020-8-6-167-183

For citation:


Chesalin A.N., Grodzenskiy S.Ya., Van Tu P., Nilov M.Yu., Agafonov A.N. Technology for risk assessment at product lifecycle stages using fuzzy logic. Russian Technological Journal. 2020;8(6):167-183. (In Russ.) https://doi.org/10.32362/2500-316X-2020-8-6-167-183

Просмотров: 284


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-316X (Online)