Содержание к диссертации
Введение
Глава I. Современные системы поддержки принятия решений в технологической подготовке машиностроительного производства и тенденции их развития 14
1.1. Современные аспекты управления качеством продукции 14
1.1.1. Основные подходы к управлению качеством машиностроительного производства 14
1.1.2. Модель обеспечения качества, основанная на стандартах серии ГОСТ Р ИСО 9000:2001 17
1.1.3. Информационная поддержка СМК, построенной согласно стандартам серии ISO 9000 20
1.2. Место САМ-системы в общей структуре системы управления качеством машиностроительного производства 22
1.2.1. Основные функции САМ-системы и ее взаимосвязь с другими компонентами системы управления качеством 22
1.2.2. Структура современных САМ-систем 26
1.2.3. Обзор возможностей, предоставляемых современными САМ-системами для поддержки принятия решений 26
1.2.4. Недостатки подсистемы СППР и их влияние на качество принимаемых решений 29
1.3. Современный подход к построению СППР 30
1.3.1. Способы хранения исходных данных в СППР 30
1.3.2. Способы обработки исходных данных в СППР 36
1.3.3. Сферы применения СППР, основанных на использовании хранилищ данных 41
1.4. Выводы по главе I 41
Глава II. Анализ хранилищ данных как эффективного средства обеспечения поддержки принятия решений 43
2.1. Выбор критериев для оценки качества систем поддержки принятия решений в технологической подготовке машиностроительного производства 43
2.2. Обоснование возможности применения хранилищ данных для улучшения качества СППР при технологической подготовке производства 45
2.3. Математические модели обеспечения качества систем поддержки принятия решений в ТПП с использованием хранилищ данных 47
2.3.1. Реляционная модель многомерного представления данных 47
2.3.2. Применение методов НАД к реляционной многомерной модели данных 48
2.4. Оценка преимуществ, предоставляемых хранилищами данных в процессе принятия решения, с точки зрения выбранных критериев качества СППР 79
2.5. Выводы по главе II 80
Глава III. Хранилища данных как фактор улучшения качества СППР в технологической подготовке производства 81
3.1. Определение задач, решаемых посредством хранилищ данных, и требований к хранилищам данных, применяемым на этапе ТПП 81
3.2. Моделирование структуры хранилища данных 85
3.2.1. Методы моделирования 85
3.2.2. Средства моделирования 89
3.3. Организация взаимодействия хранилища данных с ИС машиностроительного предприятия 91
3.4. Выбор оптимального способа взаимодействия клиентского приложения с хранилищем данных 97
3.4.1. Выбор оптимальной модели взаимодействия клиентского приложения с хранилищем данных 97
3.4.2. Выбор оптимального программного способа взаимодействия клиентского приложения с хранилищем данных 99
3.5. Выбор программно-аппаратных средств для реализации хранилища данных 103
3.6. Выводы по главе III 106
Глава IV. Практическое применение хранилищ данных в технологической подготовке опытного производства 107
4.1. Реализация СППР, использующей хранилища данных 107
4.1.1. Состав программного комплекса СППР 107
4.1.2 Структура ХД 109
4.1.3. Реализация аналитической обработки данных 116
4.1.4. Реализация клиентской части СППР 119
4.1.5. Выбор программно-аппаратной платформы 132
4.2. Оценка влияния СППР на качество процесса ТПП 136
4.3. Оценка экономической эффективности внедрения СППР
4.3.1. Частные показатели 138
4.3.2. Общая экономическая эффективность внедрения СППР 140
4.4. Выводы по главе IV 151
Основные выводы по диссертационной работе 152
Список использованных источников 153
Приложения 161
- Основные функции САМ-системы и ее взаимосвязь с другими компонентами системы управления качеством
- Применение методов НАД к реляционной многомерной модели данных
- Организация взаимодействия хранилища данных с ИС машиностроительного предприятия
- Выбор программно-аппаратной платформы
Введение к работе
Актуальность работы. Одним из основополагающих принципов современных систем управления качеством является процессный подход. Он подразумевает, что для улучшения качества того или иного бизнес-процесса предприятия или организации необходимо улучшать качество составляющих его подпроцессов. Процесс технологической подготовки производства является одним из главных бизнес-процессов любого машиностроительного предприятия. Наряду с конструкторской подготовкой производства он напрямую определяет качество выпускаемой продукции и затрачиваемые на это людские и материальные ресурсы, а, следовательно, и себестоимость. Поэтому повышение качества процесса ТПП является одной из актуальных задач современного машиностроительного производства.
В настоящее время автоматизация труда инженера-технолога осуществляется с применением различных САМ-систем, функционирующих в рамках КИС в тесном взаимодействии со средствами автоматизации других бизнес-процессов на основе использования CALS-технологий. САМ-системы помогают в проведении основных этапов ТПП, предоставляя инженеру-технологу необходимую нормативно-справочную информацию, а также автоматизированные процедуры расчета различных параметров технологического процесса. Помимо этого, в САМ-системах доступны средства визуального моделирования, которые помогают наглядно представить ту или иную операцию ТП, вплоть до отображения траектории режущего инструмента.
Однако, используемые модели представляют обобщенный взгляд на описываемые ими объекты и процессы. Поскольку каждая модель является лишь приближением действительности, то и различные компьютерные модели ТП также являются приближениями, не учитывающими многих факторов, имеющих место в реальных производственных условиях и оказывающих влияние на качество выпускаемой продукции и затраты
8 ресурсов на ее выпуск. Модели, используемые в САМ-системах, не могут учитывать реального состояния оборудования и технологической оснастки, реальных свойств используемых материалов, влияние режима труда и конкретных исполнителей и т.п. Современные САМ-системы, как правило, не содержат средств выявления подобных закономерностей. Следовательно, исследование современных возможностей методов анализа данных является перспективным направлением улучшения качества процесса ТПП и всей системы управления качеством в целом.
Важной составляющей современного подхода к анализу данных является организация специальных источников данных, называемых хранилищами данных. Необходимость их применения обусловлена тем, что в КИС крупных предприятий или организаций существуют, как правило, несколько разнородных информационных подсистем, автоматизирующие различные виды деятельности. Данные в таких источниках могут противоречить друг другу, иметь различные форматы, дублироваться и т.п. В силу этих обстоятельств использование данных, извлеченных из различных источников с целью поддержки принятия решений, может приводить к принятию решений, сильно отличающихся от оптимальных, или даже к полной невозможности применения аналитических методов.
В то же время проводить анализ всей совокупности имеющихся в организации или на предприятии данных необходимо, поскольку анализ помогает выявлять скрытые тенденции и прояснять существующие закономерности в основных бизнес-процессах. Выявление скрытых закономерностей и прояснение существующих позволяет лучше понять природу бизнес-процессов, и, следовательно, предпринять меры по их улучшению и совершенствованию. Это особенно актуально в связи с активным внедрением на производстве технологии управления качеством, основанной на стандартах серии ISO 9000. Таким образом, вопросы организации хранилищ данных являются ключевым моментом, позволяющим эффективно использовать методы поддержки принятия
9 решений в процессе технологической подготовки машиностроительного производства.
Учитывая вышесказанное, актуальными направлениями исследований в области применения хранилищ данных для улучшения качества процесса ТПП, являются вопросы определения задач ТПП, которые могут быть решены аналитическими методами обработки данных и определение структур хранилищ данных, используемых для накопления информации. Помимо этого, необходимо исследование эффективных способов взаимодействия между хранилищами данных и источниками данных КИС с одной стороны, а также способов организации эффективного взаимодействия между СППР и пользователем с другой стороны.
Целью работы является повышение качества принимаемых решений в технологической подготовке машиностроительного производства путем применения современных методов интеллектуального анализа данных на основе их агрегирования в хранилища данных.
Для достижения поставленной цели необходимо решить следующие научные задачи:
Анализ математических моделей и методик построения современных СППР с целью определения совокупности методологических, математических и информационных средств, необходимых для решения актуальных проблем поддержки принятия решений в технологической подготовке машиностроительного производства.
Разработка математической модели СППР, основанной на использовании хранилищ данных и применении различных методов интеллектуального анализа данных.
Определение перечня задач технологической подготовки производства, решаемых с применением СППР на основе хранилища данных.
Разработка методики интеграции СППР в корпоративную информационную систему машиностроительного производства.
10 Объект исследования: Системы поддержки принятия решений в различных областях машиностроительного производства, методы интеллектуального анализа данных, ХД и СУБД, лежащие в их основе.
Предмет исследования: Взаимосвязь методов ИАД, способов организации ХД и задач ТП машиностроительного производства, решаемых посредством СППР.
Информационной, теоретической и методологической базой для
разработки математических моделей анализа данных явились основные положения теории множеств, теории графов, реляционной алгебры и методов математической статистики; основой программной реализации послужил аппарат объектно-ориентированного моделирования и программирования.
Научная новизна диссертационной работы заключается в следующих положениях:
Разработана математическая модель системы поддержки принятия решений, основанная на применении хранилищ данных и обеспечивающая повышение качества поддержки принятия решений в технологической подготовке производства.
Разработан метод решения задачи поиска ассоциативных правил, основанный на применении математического аппарата искусственных нейронных сетей.
Разработана методика интеграции системы поддержки принятия решений в существующую корпоративную информационную систему машиностроительного производства.
Разработан метод формирования оптимальной структуры хранилища данных на основе многомерного представления данных, полученных из различных информационных источников.
Практическая ценность работы заключается в повышении эффективности процесса технологической подготовки производства за счет сокращения временных и материальных затрат на формирование технологических процессов, которое достигается благодаря применению средств поддержки принятия решений.
Апробация работы.
Основные положения и результаты диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Основы информатики» МГТУ «СТАНКИН», а также на следующих научных конференциях:
VI всероссийская научно-техническая конференция «Новые информационные технологии», МГАПИ, Москва, 2003 г.
VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», МГТУ «СТАНКИН», Москва, 2003 г.
I научная конференция «Качество. Инновации. Образование.», Судак, 2003 г.
Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», АМИ, Москва, 2003 г.
Публикации. По теме диссертационной работы опубликованы 6 научных работ, включая тезисы докладов, подготовленных для международных и всероссийских научно-технических конференций:
1. Кахутин П.В., Ковшов Е.Е. Хранилища данных, как средство улучшения системы качества в технологической подготовке машиностроительного производства. // VI всероссийская научно-техническая конференция «Новые информационные технологии», Москва, 23-24 апреля 2003 г.: Сборник трудов. В 2-х т.т. Т2. М.: МГАПИ, 2003, с. 223-227.
Кахутин П.В., Ковшов Е.Е. Информационная поддержка в моделировании параметров качества машиностроительного производства. // VI научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН», Москва, 28-29 апреля 2003 г.: Сборник докладов. М.: Изд-во МГТУ «СТАНКИН», 2003, с. 122-125.
Кахутин П.В., Ковшов Е.Е. Хранилища данных, как фактор повышения качества принимаемых решений. // I научная конференция «Качество. Инновации. Образование.», Судак, 23-30 мая 2003 г.: Сборник докладов. Судак, 2003, с. 99-100.
Кахутин П.В., Ковшов Е.Е. Применение хранилищ данных в менеджменте качества машиностроительного производства. // Экономика и финансы, 2003, №8, с. 78-85.
Шемелин В.К., Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Повышение качества информационного взаимодействия в структуре «производитель-потребитель» за счет применения CRM-приложений. // Объединенный научный журнал, 2003, №19, с. 91-94.
Стамировски Е.Т., Ковшов Е.Е., Кахутин П.В., Семенов И.В. Новые информационные технологии управления качеством в производственных системах. // Научно-практическая конференция «Управление качеством в новых информационных технологиях, системах и образовании», Москва, 2003 г.: Сборник докладов и тезисов. М.: АМИ, 2003, с. 53-54.
На защиту выносятся:
Классификация современных методологических, математических и информационных средств построения СППР.
Математическая модель СППР, основанная на использовании многомерного представления данных и применении методов ИАД,
13 служащая для повышения качества принимаемых решений в ТП машиностроительного производства.
Метод решения задачи поиска ассоциативных правил с применением математического аппарата искусственных нейронных сетей.
Методика интеграции СППР в существующую корпоративную информационную систему машиностроительного производства.
Результаты практического применения СППР, как средства повышения качества процесса ТП опытного производства.
Основные функции САМ-системы и ее взаимосвязь с другими компонентами системы управления качеством
Одним из важнейших бизнес-процессов любого машиностроительного предприятия является процесс технологической подготовки производства (ТПП). От качества этого процесса во многом зависит качество выпускаемой продукции, затраты на производство, а следовательно, степень удовлетворенности потребителей выпускаемой продукцией и получаемая предприятием прибыль [33]. Таким образом, повышение качества ТПП является одной из актуальных задач в рамках создания и функционирования СМК любого машиностроительного предприятия.
В настоящее время одним из основных способов повышения качества ТПП является применение автоматизированных систем ТПП (АСТПП, САМ). Подобные системы предоставляют следующие возможности [1]: проектирование операционной технологии; расчет технологических размеров с учетом припусков на обработку; расчет режимов обработки деталей; нормирование труда; выбор инструмента и технологической оснастки для выполнения операций; формирование технологической документации; формирование библиотек технологических процессов и использование их в дальнейшем в качестве шаблонов проектирования; формирование управляющих программ для станков с ЧПУ.
Как правило, САМ-системы работают в тесной взаимосвязи с системами CAD, САЕ, ERP и системами PDM [20]. Последние являются основой взаимодействия перечисленных, а также ряда других систем, составляющих вместе КИС предприятия. Системы PDM представляют собой важную часть так называемых CALS-технологий, призванных создать на предприятии интегрированную информационную среду для управления информацией обо всех этапах жизненного цикла выпускаемой продукции, управления проектами, принятия управленческих решений, управления качеством и ряда других важных производственных задач [44, 21]. Интеграция всех этих процессов обеспечивается за счет единой БД, содержащей информационные объекты, отображающие в информационной среде сущности производственной деятельности: материалы, изделия, процессы, технологии, документы, финансовые ресурсы, персонал, оборудование и т.д. Каждая информационная подсистема обращается к единой БД, извлекает из нее необходимые информационные объекты, работает с ними в соответствии с собственной моделью данных и помещает результаты работы обратно в общую БД [29]. На рис. 2 показано взаимодействие различных информационных подсистем на основе единой БД с общими информационными объектами.
Особенно существенно взаимодействие систем САМ и CAD, поскольку ТПП является следующим этапом подготовки производства после конструирования. Данные об изделии, полученные на этапе конструкторской подготовки производства являются исходными для процесса ТПП и передаются через общую БД. Обратной передачи информации, как правило, не происходит, и это в значительной мере снимает проблему того, что по степени развития САМ-системы значительно отстают от систем CAD [6]. Данная проблема объясняется в первую очередь универсальностью CAD-систем, которые могут без значительных изменений использоваться при проектировании практически любого вида машиностроительной продукции. Для САМ-систем характерна более узкая специализация, что обусловлено характером производства, видом выпускаемой продукцией, серийностью и другими факторами.
Среди САМ-систем наиболее развиты системы проектирования технологических процессов сборки и обработки резанием [10], поскольку эти процессы лучше всего описываются различными математическими моделями, а их основные операции хорошо формализованы. Вследствие этого данные системы могут быть успешно интегрированы с соответствующими системами CAD. Формализация технологических процессов других видов производства: литейного, сварочного и т.п., - более специфична и затрудняется необходимостью учитывать физические особенности указанных процессов, существенно влияющие на качество выпускаемой продукции [6]. В этих ситуациях используются узкоспециализированные САМ-системы или ПО, автоматизирующее технологическую подготовку отдельных технологических операций.
Современные САМ-системы - это сложные программные комплексы с обширной функциональностью. Это обусловливает их модульную структуру, в которой модули соответствуют выполняемым функциям. На рис. 3 представлена структурная схема САМ-системы в соответствии с функциональностью, описанной в [63].
Обзор возможностей, предоставляемых современными САМ-системами для поддержки принятия решений Как видно из рис. 3, САМ-система не содержит в себе модуль системы поддержки принятия решений (СППР), но косвенно поддерживает некоторые этапы принятия решений. Согласно [42], под СППР понимается система, позволяющая руководителю использовать свои знания, опыт и интересы, объективные и субъективные модели, оценки и данные для реализации компьютерных методов выработки решений и выполняющую следующие функции: анализ обстановки (ситуаций); генерация возможных управленческих решения (сценарии действий); осуществление оценки сгенерированных сценариев (действий, решений) и выбор лучшего; обеспечение постоянного обмена информацией о принимаемых решениях и помощь в согласовании групповых решений; моделирование принимаемых решений (в тех случаях, когда это возможно); , осуществление компьютерного анализа возможных последствий принимаемых решений; сбор данных о результатах реализации принятых решений и оценка результатов.
Применение методов НАД к реляционной многомерной модели данных
Для обоснования возможности и целесообразности применения ХД в ТП машиностроительного производства сформулируем основные задачи, решаемые методами НАД и OLAP-анализа, применительно к сфере ТПП.
Задача кластеризации может иметь смысл для анализа причин выпуска некачественной продукции. Если рассматривать каждый случай выпуска детали, не удовлетворяющей техническим требованиям, в качестве объекта кластеризации, то на основании атрибутов детали (последовательность операции по ее изготовлению, режимы обработки, используемое оборудование и т.д.) можно попытаться сгруппировать данные случаи для выявления закономерностей, приводящих к выпуску некачественной продукции. Полученное разбиение на группы (таксономия) может впоследствии быть использовано для внесения корректив как в уже существующие ТП, так и в те, которые находятся на стадии разработки.
Задача классификации может служить логическим продолжением задачи кластеризации. Например, технолог, закончивший проектирование ТП, может проверить его на принадлежность к какому-либо классу ТП из числа тех, что были выделены на этапе кластеризации. Если принадлежность созданного ТП одному из ранее определенных классов процессов, приводящих к выпуску некачественной продукции, установлена, то технолог будет иметь возможность вовремя внести соответствующие коррективы.
Выявление ассоциаций может быть полезно в ситуации, когда необходимо выяснить связь между отдельными параметрами ТП и последующими отклонениями в качестве продукции. Например, если рассмотреть какой-либо вид отклонений выпускаемых деталей (отклонение от цилиндричности, от соосности и т.п.), то, очевидно, что методы выявления ассоциаций могут быть применены с целью обнаружения параметров ТП, ассоциированных с фактами появления рассматриваемых отклонений. Выявленная ассоциация поможет устранить причину появления отклонений.
Выявление последовательностей может быть полезно на этапе определения последовательности операций и переходов, необходимых для изготовления деталей. Анализ уже существующих ТП помогает выявить последовательности (шаблоны) операций и переходов, приводящие к выпуску некачественной продукции.
Задача прогнозирования может решаться на этапе нормирования труда. На основании исторических сведений о производительности труда в прошлые периоды времени возможно установление реальных временных нормативов выполнения различных операций. Несмотря на высокую степень формализации процесса нормирования труда, здесь также остается место для улучшения, поскольку используемые на практике нормативы имеют усредненный характер, а данные, полученные на основе исторических сведений, больше соответствуют конкретным производственным условиям. Также решение задачи прогнозирования может иметь смысл для предсказания возможных отклонений тех или иных нормируемых параметров изготавливаемой детали в зависимости от параметров ТП ее изготовления.
Еще одной аналитической задачей, которая также может решаться в рамках ТПП, является построение технологом иерегламентированных запросов, направленных на получение данных, проясняющих уже известные зависимости между параметрами ТП, статистический контроль и регулирование ТП.
Таким образом, традиционные аналитические задачи, решаемые в СППР, не связанных с машиностроительной проблематикой, могут быть сформулированы и для ТПП. Это обстоятельство позволяет предположить, что ХД, являющиеся основой СППР в самых различных отраслях человеческой деятельности, могут быть применены и для поддержки принятия решений в ТПП в качестве универсального источника данных, которые могут использоваться различными аналитических методов. Информация в СППР хранится в гиперкубах, каждый из которых состоит из следующих частей: D = {(Д :dom,)\і = ІД,} - множество измерений, каждое из которых имеет свое имя Д и определено на домене dome, элементы, определенные как отображение Е(С) из множества domj x...xdomk в л-элементный кортеж, 0 или 1. Таким образом, запись Е(С)(dj,...,di) обозначает элемент с координатами (dj,...,df) в гиперкубе С; метаданные, описывающие название и назначение каждой составляющей в n-элементных кортежах, которые могут являться элементами гиперкуба. Элементами гиперкуба могут быть n-элементный кортеж Xi,..., Хп , О или 1. Если элемент E(C)(di,...,di) равен 0, это означает, что указанная комбинация значений по соответствующим измерениям отсутствует в БД. Значение 1, напротив, показывает наличие такой комбинации значений измерений. Наконец, если элемент гиперкуба представляет собой п-элементный кортеж, то в БД имеется еще и дополнительная информация, соответствующая указанной комбинации. Если все элементы куба равны 1, то ни один из элементов не может являться n-элементным кортежем и наоборот. В гиперкубе представляются только те значения измерений, для которых по крайней мере один из элементов гиперкуба не равен О.Если все элементы гиперкуба равны 0, то он считается пустым. В приведенной модели гиперкуба не делается различий между измерениями и мерами, которые обычно и являются элементами в традиционном представлении гиперкуба. В данной модели меры выступают в качестве равноправных измерений. Это связано с тем, что приведенное представление гиперкуба является логическим и никак не связано со способами размещения данных в структурах СУБД, физически обеспечивающей хранение и доступ к данным.
Организация взаимодействия хранилища данных с ИС машиностроительного предприятия
В настоящее время поддержка принятия решений, как было показано ранее, осуществляется с применением методов ИАД и OLAP-анализа данных. Учитывая основные этапы процесса ТПП, сформулируем основные задачи ИАД и OLAP-анализа для ТПП.
На этапе выбора заготовки вид заготовки (прокат, отливка, поковка и т.п.), как правило, определяется конструкцией детали и не требует какой-либо дополнительной поддержки со стороны СППР. Однако, при выборе материала заготовки становятся возможными различные варианты и, следовательно, появляется необходимость в поддержке принятия решения для выбора наилучшего из них. В этой ситуации для выбора конкретного варианта можно применить OLAP-анализ. Для этого из ХД можно выбрать информацию о контроле качества конструктивно сходных деталей, изготавливавшихся из тех же материалов, среди которых и нужно выбрать один. На основании полученных данных можно построить гиперкуб, в котором отражается зависимость между количеством случаев отклонения нормируемых параметров, самими нормируемыми параметрами (отклонение от параллельности, соосности, линейных размеров и т.п.) и применяемыми материалами. Полученная зависимость вместе со сведениями о наличии того или иного материала на предприятии, о себестоимости детали в зависимости от выбранного варианта решения, а также другой доступной информацией, будет служить основой для выбора конкретного материала из нескольких возможных.
При разработке последовательности операций и переходов учитываются конструктивные особенности изготавливаемой детали и пооперационные технологии конструктивно сходных деталей. Как правило, это становится возможным благодаря тому, что современные САМ-системы поддерживают библиотеки технологических процессов, которые можно использовать при проектировании новых технологических процессов. Поэтому на данном этапе поддержка технолога методами ИАД и OLAP-анализа не представляется необходимой. Все вышесказанное относится и к процессу выбора инструмента и технологической оснастки.
Поддержка со стороны СППР может быть полезной при выборе припусков на обработку и определении режимов резания. Выбор оптимального припуска имеет очень важное значение, поскольку слишком большие припуски вызывают чрезмерный расход материала, увеличение себестоимости детали и трудоемкости по ее изготовлению, а слишком малые припуски не позволяют получить нужной точности и качества обработки. В дополнение к этому зависимости для определения припусков определяются, обычно, эмпирическим путем. Поэтому реализация поддержки процесса выбора припусков в СППР является особенно актуальной задачей. В [40] показано, что на величину припуска влияют: материал заготовки, размеры заготовки, вид и способы ее получения, сложность конфигурации заготовки, требования к точности и качеству поверхностей детали. В этой ситуации необходимо найти решение, одновременно минимизирующее расход материала и позволяющее сохранить требуемые значения нормируемых параметров. Для этого из ХД можно выбрать информацию о контроле качества конструктивно сходных деталей, содержащую все атрибуты, перечисленные выше и определяющие припуск, а также размер припуска по интересующей поверхности для каждой детали. На основании полученных данных можно построить гиперкуб, в котором отражается зависимость между количеством случаев брака и величиной припуска.
После расчета режимов резания становится возможным решение задачи поиска ассоциаций. Под ассоциациями в данном случае могут пониматься сочетания самых разных параметров ТП, приводящие с большой вероятностью к выпуску некачественной продукции. С этой целью также может быть использован гиперкуб, содержащий сведения о контроле интересующих параметров у конструктивно сходных деталей. После небольшого преобразования к этим данным возможно применение алгоритмов, определяющих правила вида X- Y, где X - какая-то комбинация значений параметров ТП, a Y - факт отклонения значения нормируемого параметра от заданного.
После определения всех параметров ТП представляется полезным совместное решение задач кластеризации и классификации. Исходными данными для решения задачи кластеризации может служить тот же гиперкуб, который использовался в процессе поиска ассоциативных правил. Из него извлекаются сведения о фактах выпуска некачественных деталей, для которых строится таксономия отклонений, в которой все факты отклонений соотносятся с тем или иным классом в зависимости от значений параметров ТП. Полученная таксономия может быть использована для решения задачи классификации, когда вновь спроектированный ТП изготовления детали на основании значений своих параметров может быть отнесен к какому-либо ранее определенному классу. Если каждый класс таксономии связан с определенным типом отклонений, то классификация нового ТП позволит технологу сконцентрировать внимание на конкретных параметрах ТП и внести необходимые коррективы.
Этапы нормирования труда и подготовки технологической документации, как правило, хорошо формализованы и определены, поэтому не требуют дополнительной поддержки со стороны СППР.
Для решения перечисленных выше задач и в соответствии с определением, сформулированным в [71], ХД должно отвечать следующим требованиям: предметная ориентация. Данные, содержащиеся в ХД, служат для решения конкретных аналитических задач, поэтому должны содержать именно сведения, необходимые для решения задач, в необходимом и достаточном объеме. При этом, структуры, содержащие данные, должны быть оптимизированы для скорейшего доступа к данным со стороны приложений, выполняющих аналитическую обработку данных; интегрированность данных. В информационных подсистемах КИС, процессы и явления описываются, как правило, с точки зрения специалистов соответствующей предметной области. Выявление скрытых закономерностей в данных возможно, напротив, за счет всестороннего рассмотрения какого-либо объекта, выходящего за рамки одной предметной области. Поэтому данные должны поступать в ХД из различных источников. Важной особенностью процесса интеграции является необходимость предварительной «очистки» данных перед помещением их в ХД. «Очистка» данных необходима, поскольку одни и те же атрибуты, описывающие исследуемый объекте разных информационных подсистемах, могут отличаться по способу кодирования, в силу ошибок ввода, сбоев в работе системы и т.д.;
Выбор программно-аппаратной платформы
Однако это не значит, что возможность OLAP-анализа при прямом доступе к данным оказывается потерянной. Если структура ХД проектировалась с расчетом на применение методов OLAP-анализа к данным, то аналитическое приложение может воспользоваться преимуществами специальных структур, типа «звезда», упоминавшихся ранее, и самостоятельно реализовать построение виртуальных гиперкубов, а также основные операции над ними. Это может быть полезно в ситуации, когда возможности работы с многомерными данными, предоставляемые OLAP-серверами оказываются недостаточными в отношении скорости работы, максимального размера гиперкуба, реализованных базовых операций над гиперкубами и т.п. При организации прямого доступа к ХД выбор конкретного метода доступа осуществляется с учетом решаемых задач, поддержки перечисленных методов используемыми средствами разработки и применяемой СУБД, а также с учетом особенностей выбираемого метода.
Доступ к ХД с применением ODBC (рис. 24а) [38] является хорошо отлаженным механизмом доступа к данным, который уже длительное время поддерживается большинством широко распространенных СУБД. Суть этого метода заключается в том, что каждый производитель СУБД поставляет вместе с ней так называемый ODBC-драйвер, посредством которого клиентское приложение передает СУБД текст SQL-запроса к интересующей БД и получает от СУБД результаты выполнения этого запроса. Важной особенностью ODBC-соединения с БД является минимальное количество посредников между клиентским приложением и БД, что существенно ускоряет скорость доступа к данным.
Стандарт OLE DB [47] (рис. 246) для доступа к данным является следующей ступенью в развитии методов доступа к различным источникам данных. Он базируется на применении СОМ-технологии для унифицированного доступа к источникам данных различной природы (реляционные данные, массивы текстовых документов, электронные таблицы, почтовые сообщения и т.п.). Источник предоставляет свои данные посредством специальных СОМ-объектов, называемых поставщиками данных. Сами предоставляемые данные выглядят, в свою очередь, также как СОМ-объекты, находящиеся в адресном пространстве клиентского приложения. При использовании OLE DB между клиентским приложением и СУБД образуется больше программных слоев, чем при использовании ODBC. Это уменьшает скорость обмена информацией с БД, поэтому использование механизма OLE DB для доступа к хранилищу данных не представляется целесообразным, т.к. в данные в ХД находятся только в форме реляционных таблиц. Использование OLE DB может быть оправдано при использовании третьего способа доступа к ХД.
Третий механизм доступа к данным в ХД - это ADO [47] (рис. 246). Эта технология также основана на использовании СОМ-объектов с четко регламентированными интерфейсами, предназначенными для ускорения разработки прикладных информационных систем, взаимодействующих с СУБД по интерфейсу OLE DB. Использование этого интерфейса доступа к данным также имеет смысл в ситуации, когда время разработки СППР является критическим фактором. Объекты ADO инкапсулируют в себе возможности технологии OLE DB, одновременно упрощая работу с ней, что ведет к уменьшению времени, затрачиваемого на разработку. Однако, использование ADO делает цепочку объектов-посредников между приложением и СУБД еще более длинной, и следовательно, скорость выполнения обращений к ХД еще более уменьшается [51].
OLAP-сервер Альтернативой прямому доступу к ХД с использованием одного из трех вышеупомянутых интерфейсов является доступ через OLAP-сервер [46]. Как правило, этот способ доступа можно использовать, если главной задачей СППР является OLAP-анализ данных. В этом случае OLAP-сервер выполняет всю необходимую работу по построению гиперкубов на основе данных из реляционных структур ХД, а также реализует основные операции над гиперкубами. OLAP-серверы характеризуются высокой скоростью выполнения базовых операций над гиперкубами. Взаимодействие приложения с OLAP-сервером осуществляется через программный интерфейс, разрабатываемый разработчиком сервера. В настоящее время одним из широко распространенных интерфейсов доступа к OLAP-серверам является OLE DB for OLAP, поддерживаемый большим количеством производителей ПО подобного рода. Для упрощения использования этого интерфейса возможно использование интерфейса ADO MD, который соотносится с OLE DB for OLAP точно так же, как интерфейс ADO с технологией OLE DB.
Выбор одного из двух подходов зависит от типа задач, решаемых СППР и выбранной СУБД, на базе которой организуется ХД. Если необходимо проводить OLAP-анализ данных и доступен поставляемый с СУБД OLAP-сервер, удовлетворяющий требованиям, то доступ к ХД через OLAP-сервер может считаться обоснованным. Если возможность использования OLAP-сервера отсутствует или нет необходимости в поддержке OLAP-анализа со стороны СППР, то для доступа к ХД может быть использован интерфейс ODBC. В случае, если СППР должна поддерживать как методы НАД, так и методы OLAP-анализа, возможно использование обоих способов взаимодействия клиентского приложения с ХД.
