ВВЕДЕНИЕ 5
ГЛАВА 1 ИССЛЕДОВАНИЕ ПРОГНОЗНЫХ МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ 10
1.1 Краткая история развития прогнозирования 10
1.2 Основные методы и классификации в прогнозировании ТС 13
1.3 Описание настоящей ситуации в области прогнозирования ТС 18
1.4 Анализ проблемной области в процессе прогнозирования 20
1.5 Создание прогнозной модели 22
1.6 Формирование показателей качества процесса 23
1.7 Применение PDPC 26
Вывод по главе 1 28
ГЛАВА 2 АНАЛИЗ ПОТЕНЦИАЛА ТС НА ПРИМЕРЕ АВИАСТРОИТЕЛЬНОЙ ОТРАСЛИ 30
2.1 Практика сбора данных об авиастроительной отрасли 30
2.2 Особенности и факторы воздействующие на развитие ТС 33
2.3 Формирование технической гипотезы о тренде ТС 35
2.4 Структурирование функции качества ТС и динамика развития 38
2.5 Достоинства и недостатки предиктивного аналитики в
прогнозирование развития технического потенциала производственных изделий 40
2.6 Формирование типовых трендов в развитии потенциала технической
системы 41
Вывод по главе 2 45
ГЛАВА 3 ПРЕДИКТИВНОЕ ПРОГНОЗИРОВАНИЕ ПРОГРАММНО - АППАРАТНЫМ СПОСОБОМ 46
3.1 Выбор программного обеспечения для моделирования тренда 46
3.2 Выбор модели технической системы для анализа и применения
методов прогнозирования 47
3.3 Применение модели прогнозирования к технической системе 47
3.4 Разработка рекомендаций для развития параметрического ряда
планируемый технической системы 49
3.5 Разработка рекомендаций по использованию предиктивной аналитики
на производство 53
Вывод по главе 3 54
ЗАКЛЮЧЕНИЕ 56
СПИСОК ЛИТЕРАТУРЫ 57
ПРИЛОЖЕНИЕ
Огромная конкуренция на мировом рынке, разительный прогресс информационных технологий приводит различные отрасли к постижению высокопроизводительного и энергоэффективного производства. Для преодоления множества производственных задач, руководство компаний внедряет «умное производство», что характеризуется применением прогрессивных интеллектуальных систем, активным реагированием и оптимизацией процесса выпуска в режиме реального времени. Главным фактором использования такой цифровой трансформации является анализ больших данных.
Под большими данными подразумевается информация, хранящаяся в архивах и цифровых хранилищах предприятия. Сейчас данный ресурс используется малоэффективно, однако такие данные возможно применять для предиктивного анализа, расчета тенденций, построения шаблонов прогнозирования и нахождения корреляций. Анализ массива данных для поиска информации, способствующей развитию компании - это база аналитики, к которой стремятся современные компании. В случае грамотного использования такой базы данных и корректной работы над ней, могут снизиться издержки, возрасти выручка, увеличится эффективность процессов и повысится конкурентоспособность. Интеллектуальная аналитика требует больших затрат труда. Для предиктивного анализа нужный массив данных добывается путём использования различных инструментов в работе с клиентами, предоставляется менеджерами разных структур, извлекается из хранилища. Каждый инструмент требует свой подход к обработке данных. Для корректной обработки информации требуется преобразовать файлы в нужный для аналитической программы формат. Этап, завершающий анализ данных - вывод, в зависимости от которого вносят различные изменения в процессы компании.
Для обработки такого большого объема разного типа данных требуется специальное программное обеспечение. За последние годы оно значительно
улучшилось, компьютеры сейчас могут анализировать все большие объемы данных, быстрее обрабатывать запросы и выполнять более сложные алгоритмы.
На рис. 1 схематично изображены виды бизнес-аналитики с описанием и вопросами, на которые позволяет ответить проработанный компанией массив данных. Можно выделить четыре вида: описательная аналитика, диагностическая аналитика, предиктивная аналитика и предписывающая аналитика. Из названия первого вида можно сделать вывод, что речь идёт об описании процесса, о том, что произошло. Примитивная визуализация, первичная отчетность помогает наглядно показать деятельность компании за определенный временной диапазон на данном этапе. Второй вид выделен для объяснения базовых причин. Здесь применяются более сложные аналитические инструменты. Третий вид позволяет выяснить, что нужно сделать для достижения желаемого результата. Сейчас возможности машинного обучения не столь велики, поэтому способы реализации существуют, но их не много.
Рассмотренные в данной выпускной квалификационной работе проблемы предиктивного анализа сложных технических систем необходимо принять во внимание для корректного дальнейшего развития производственных систем по отношению к состоянию конкуренции в масштабах всего внешнего рынка.
На данный момент прогнозирование - широкая область научной деятельности, где насчитывается огромное количество методов и подходов в связи с разнообразием и многочисленностью решаемых проблем. Сейчас область прогнозной аналитики проходит начальную стадию развития в мире и чем быстрее будет нарастать опыт, чем большее число предприятий будут активно использовать это направление в своих разработках и дальнейших шагах по развитию в индивидуальном направлении, тем быстрее данный вид аналитики перерастет в нечто большее чем просто предугадывание развития продукта. Ведь масштабы развития у этого направления не имеют видимых границ.
Обозначенные в данной работе проблемы способствуют более глубокому анализу выбранной области, ведь перспективы развития данного направления раскидываются на практически все отрасли современной научно-технической жизни. Тот рост, который сейчас происходит в информационно-программном обеспечении производств и их процессов позволит с каждым разом все дальше и качественнее формировать картину будущего благодаря тем алгоритмам и массиву данных, которые будут использоваться в обновлённой и инновационной технике способной шаблонными методами преобразовать данные ресурсы в на столько нужный для рыночной конкуренции продукт, как прогноз.
Разработанная инновационная модель оценки прогнозов предполагает успешное использование в области прогнозирования сложных технических систем благодаря выделенным показателям, расчётам и разработанной шкале оценки прогноза, поэтапному процессу PDPC.
Процедура развития прогнозирования предполагает дальнейшее развитие в разработке усредненной модели прогнозирования, которая предполагает выдачу корректных числовых данных о прогнозных трендах на все большие промежутки времени в будущем. Предполагаемая модель должна подходить для анализа массива данных различных направлений и отраслей, где на данный момент разрабатываются уникальные подходы только для непосредственной продукции производства.
