Разработка экспертной системы определения возможности повышения качества выпускаемой продукции (на примере ООО «Альфа»)

В условиях стремительно меняющегося мирового рынка и усиления конкуренции, способность предприятий производить продукцию высокого качества становится не просто конкурентным преимуществом, а фундаментальным условием выживания и развития. По данным исследований, до 80% потребителей готовы платить больше за продукцию гарантированного качества, что подчеркивает критическую важность системного подхода к управлению этим аспектом. Однако традиционные методы контроля качества часто ориентированы на выявление дефектов по факту их возникновения, что приводит к значительным издержкам и упущенным возможностям. Именно здесь на авансцену выходят экспертные системы — интеллектуальные инструменты, способные не только диагностировать текущие проблемы, но и проактивно определять скрытые резервы и возможности для повышения качества выпускаемой продукции.

Данная дипломная работа посвящена разработке такого интеллектуального инструмента, способного трансформировать разрозненные данные и экспертные знания в конкретные, действенные рекомендации по улучшению. Объектом исследования является процесс управления качеством продукции на производственных предприятиях, а предметом — теоретические и практические аспекты разработки и внедрения экспертной системы для определения возможностей повышения качества.

Цель работы — разработка детального структурированного плана для написания дипломной работы по теме «Разработка экспертной системы определения возможности повышения качества выпускаемой продукции» с акцентом на теоретические основы, анализ практического кейса (ООО «Альфа») и разработку конкретных мероприятий. Для достижения этой цели были поставлены следующие задачи:

1. Систематизировать теоретические основы управления качеством продукции и принципы функционирования экспертных систем.
2. Исследовать существующие методы и инструменты анализа качества и определить потенциал их автоматизации.
3. Разработать методологию создания экспертной системы, способной определять возможности повышения качества.
4. Применить разработанную методологию на примере ООО «Альфа», проанализировать текущее состояние и сформулировать конкретные рекомендации.
5. Оценить социально-экономическую эффективность внедрения экспертной системы и предложить меры по минимизации рисков.

Теоретическая значимость работы заключается в систематизации и углублении знаний о синергии концепций управления качеством и принципов искусственного интеллекта. Практическая значимость определяется возможностью использования предложенной экспертной системы и методики ее разработки для повышения конкурентоспособности и устойчивости производственных предприятий, а также для оптимизации их операционной деятельности. Особое внимание будет уделено роли экспертных систем как инструмента для проактивного поиска возможностей улучшения качества, что является ключевым отличием от реактивного подхода к устранению дефектов.

Теоретические основы управления качеством продукции и экспертных систем

Сущность и актуальные концепции управления качеством продукции

В динамично развивающемся мире, где требования потребителей постоянно растут, а конкуренция обостряется, понятие «качество» выходит за рамки простого отсутствия дефектов. Сегодня качество продукции определяется как «совокупность характеристик объекта, относящихся к его способности удовлетворять установленные и предполагаемые потребности». Это не статичная категория, а динамичное свойство, требующее постоянного внимания и системного управления. Соответственно, менеджмент качества — это не просто набор разрозненных мероприятий, а целостная деятельность предприятия, включающая комплекс мер и действий, направленных на повышение эффективности его функционирования и конкурентоспособности продукции. Отсюда следует, что без глубокого понимания взаимосвязей между процессами и их влиянием на конечный продукт, невозможно добиться стабильно высоких результатов.

Эволюция подходов к управлению качеством прошла долгий путь — от инспекционного контроля на финальных этапах производства до всеобъемлющих систем, охватывающих каждый аспект деятельности организации. В основе современных концепций лежат такие гиганты мысли, как **Всеобщий менеджмент качества (TQM)**, который не просто является методологией, но скорее философией управления, основанной на вовлечении всего персонала — от высшего руководства до рядовых исполнителей — в процесс непрерывного улучшения. Его целью является максимальное удовлетворение потребностей клиента за счет оптимизации всех процессов.

Параллельно с TQM развивались и получили широкое распространение **стандарты серии ISO 9000**, ставшие своего рода универсальным языком качества. **ISO 9001** определяет конкретные требования к системам менеджмента качества (СМК), в то время как **ISO 9000** служит ориентиром, описывая основные положения и терминологию. Эти стандарты базируются на восьми фундаментальных принципах:

1. Ориентация на потребителя: Понимание текущих и будущих потребностей клиентов.
2. Лидерство руководителя: Создание единства целей и направлений развития организации.
3. Вовлечение работников: Использование способностей всего персонала для достижения целей.
4. Процессный подход: Управление деятельностью и ресурсами как процессами.
5. Системный подход к менеджменту: Выявление, понимание и управление взаимосвязанными процессами как системой.
6. Постоянное улучшение: Непрерывное совершенствование общей деятельности организации.
7. Принятие решений, основанное на фактах: Эффективные решения, базирующиеся на анализе данных и информации.
8. Взаимовыгодные отношения с поставщиками: Оптимизация ценности для организации и ее поставщиков.

Важнейшим аспектом этих принципов является процессный подход, который предполагает непрерывное управление с целью повышения удовлетворенности потребителей путем выполнения их требований. Это означает, что любое действие внутри компании рассматривается как процесс, имеющий входы, выходы и ответственных.

Помимо TQM и ISO, мировая практика активно использует такие мощные концепции, как **»Шесть сигм»** (Six Sigma), направленная на минимизацию дефектов и вариабельности процессов до уровня не более 3,4 дефектов на миллион возможностей, и **Бережливое производство (Lean Management)**, фокусирующееся на устранении всех видов потерь и создании ценности для потребителя. Концепция **Kaizen** (непрерывное улучшение) и **Статистическое управление процессами (СУП)** также играют ключевую роль, предоставляя инструменты для мониторинга и контроля производственных процессов, предотвращая отклонения и обеспечивая стабильность качества.

Принципы функционирования и архитектура экспертных систем

На фоне все более усложняющихся производственных процессов и лавинообразного роста данных, традиционные методы управления качеством сталкиваются с ограничениями. Именно здесь на помощь приходят экспертные системы (ЭС) — интеллектуальные компьютерные программы, разработанные для моделирования человеческого мышления и способности решать сложные задачи, требующие глубоких знаний в специфической предметной области. ЭС способны частично заменить специалиста-эксперта, предоставляя рекомендации, консультации и объяснения, когда алгоритмическое решение проблемы отсутствует или слишком сложно.

Центральным элементом любой ЭС является ее архитектура, которая, как правило, включает следующие ключевые компоненты:

1. Интерфейс пользователя: Позволяет пользователям взаимодействовать с системой, вводить запросы и получать объяснения. Это «лицо» системы, отвечающее за удобство и интуитивность взаимодействия.
2. База знаний (БЗ): Сердце экспертной системы. В отличие от традиционной базы данных, которая хранит лишь разрозненные сведения, БЗ содержит не только факты, но и набор правил, полученных от экспертов, которые связаны между собой и с понятиями внешнего мира. Эти правила, часто представленные в формате «ЕСЛИ <условие>, ТО <действие/вывод>», позволяют системе «рассуждать».
3. Механизм логического вывода (МЛВ): Мозг ЭС. Это компонент, который обрабатывает информацию в базе знаний, применяет правила и делает заключения. Он осуществляет поиск в базе знаний для получения решения, манипулируя информацией и моделируя рассуждения эксперта. МЛВ может использовать прямую (от фактов к выводам) или обратную (от гипотезы к фактам) цепочку рассуждений.
4. Подсистема объяснений: Предоставляет пользователю возможность понять, как система пришла к тому или иному выводу, какие правила были использованы и почему были сделаны те или иные предположения. Это повышает доверие к системе и способствует обучению пользователей.
5. Модуль приобретения знаний: Инструмент для эксперта или инженера по знаниям, позволяющий пополнять, модифицировать и проверять базу знаний.
6. Рабочая (оперативная) память: Используется для хранения текущих данных, промежуточных результатов и гипотез в процессе логического вывода.

Классификация экспертных систем может осуществляться по нескольким критериям:

• По области применения: медицинские (диагностика заболеваний), промышленные (управление производством, контроль качества), финансовые (анализ инвестиций) и т.д.
• По методам обработки знаний:
  • Детерминированные: основаны на точных логических правилах.
  • Стохастические (вероятностные): работают с неопределенными или неполными данными, используя вероятностные модели.
• По типу интеграции:
  • Автономные: функционируют как независимые приложения.
  • Интегрированные: являются частью более крупных информационных систем предприятия, взаимодействуя с базами данных, АСУТП и ERP-системами.

Роль экспертных систем в управлении качеством продукции трудно переоценить. Они способны усиливать интеллектуальные способности эксперта, предоставлять консультации, помогать в анализе различных вариантов решений и, что особенно важно, принимать решения в уникальных ситуациях, для которых заранее не известен алгоритм. ЭС могут работать с неполными или противоречивыми данными, объяснять ход своих рассуждений и, что критически важно, накапливать и обновлять знания в процессе работы, становясь своего рода «корпоративной памятью» в области качества.

Методы анализа качества и потенциал автоматизации для определения возможностей улучшения

Основные методы и инструменты анализа качества продукции

Эффективное управление качеством невозможно без адекватных инструментов для сбора, анализа и интерпретации данных. В арсенале специалистов по качеству существуют как проверенные временем, так и современные статистические методы, позволяющие не только выявлять дефекты, но и прогнозировать их появление, а также идентифицировать потенциал для улучшения.

Классические, так называемые «Семь основных инструментов качества», предложенные Каору Исикавой, являются фундаментом для любого анализа:

1. Сводная карта дефектов (контрольный листок): Простой, но мощный инструмент для систематического сбора и регистрации данных о дефектах, ошибках или событиях. Позволяет оперативно выявлять наиболее частые проблемы.
2. Гистограмма: Графическое представление распределения данных по группам. Наглядно показывает структуру и характер распределения полученных данных, помогая понять вариабельность процесса.
3. Контрольная карта: Линейчатый график с верхними и нижними границами допустимых изменений, позволяющий отслеживать динамику показателей процесса во времени. Сигнализирует о выходе за установленные пределы, указывая на необходимость вмешательства.
4. Мозговой штурм: Метод генерации идей, направленный на поиск решений проблем или определение причин.
5. Причинно-следственная диаграмма (диаграмма Исикавы, «рыбья кость»): Используется для структурирования потенциальных причин проблемы, помогая выявить ее корень, классифицируя причины по категориям (люди, методы, материалы, машины, измерения, среда).
6. Диаграмма корреляций (диаграмма рассеяния): Показывает взаимосвязь между двумя переменными, помогая определить, есть ли зависимость между ними и какова ее сила.
7. Диаграмма Парето: Столбчатая диаграмма, которая упорядочивает категории по убыванию частоты или значимости. Основана на принципе Парето (правило 80/20), указывая на «немногочисленные, но важные» причины, влияющие на большинство проблем.

Помимо этих фундаментальных инструментов, активно применяются статистические методы для более глубокого мониторинга и прогнозирования качества. Контрольные карты Шухарта — это продвинутые варианты контрольных карт, позволяющие не только отслеживать состояние процесса, но и определять его статистическую управляемость. Регрессионный анализ используется для моделирования взаимосвязи между переменными, что позволяет прогнозировать будущие значения показателей качества на основе известных факторов. Например, можно спрогнозировать процент брака в зависимости от температуры производственной линии или влажности сырья. Анализ воронки отклонений помогает выявить причины неэффективности процессов, оценивая влияние каждого этапа на конечный результат.

Автоматизация процессов контроля и управления качеством: предпосылки для ЭС

В современном производстве скорость и точность принятия решений играют ключевую роль. Ручной сбор и анализ данных становится неэффективным. Именно поэтому автоматизация контроля и управления качеством продукции в автоматизированных системах (таких как АСУТП, MES, ERP) становится критически важной. Она включает:

• Мониторинг параметров продукции и технологических процессов в реальном времени: С использованием датчиков, средств измерения и автоматизированных систем сбора данных, информация о каждом этапе производства непрерывно поступает для анализа. Это позволяет оперативно реагировать на отклонения.
• Интеграция статистических методов: Контрольные карты Шухарта, индексы пригодности процесса (C_p, C_pk) и другие статистические алгоритмы могут быть встроены в автоматизированные системы. Это позволяет системе самостоятельно обнаруживать нестабильность процессов и сигнализировать о ней в режиме реального времени, прежде чем это приведет к серьезным дефектам.
• Прогнозирование потенциальных дефектов: С использованием регрессионного анализа и, что особенно важно, моделей машинного обучения (МО), автоматизированные системы могут анализировать огромные объемы исторических данных. МО-модели способны выявлять неочевидные закономерности, предсказывать вероятность возникновения дефектов и даже рекомендовать корректирующие действия, основываясь на миллионах предыдущих примеров.
• Корректировка технологических параметров: Автоматизированные системы управления процессами позволяют не только отслеживать, но и активно корректировать технологические параметры (температуру, скорость, давление, концентрацию) в зависимости от полученных данных, поддерживая стабильность качества продукции и предотвращая отклонения.

Эти возможности автоматизации создают идеальные предпосылки для внедрения экспертных систем. Там, где автоматизированные системы собирают данные и выявляют отклонения, экспертная система может взять на себя функцию интеллектуального анализа и выработки рекомендаций для проактивного повышения качества. Недооценивать этот синергетический эффект было бы неразумно.

Анализ «слепых зон» конкурентов в контексте диагностики возможностей повышения качества (УИП)

При изучении существующих подходов к повышению качества и применению экспертных систем, выявлены «слепые зоны», которые становятся нашим уникальным информационным преимуществом. Конкурирующие работы, как правило, фокусируются на:

1. Контроле и устранении текущих отклонений: Основной акцент делается на выявлении уже произошедших дефектов или на улучшении существующих процессов для соответствия стандартам. Это реактивный подход.
2. Общих инструментах СМК: Описываются стандартные методы вроде ISO 9000 или TQM, но без глубокой интеграции их принципов в логику экспертной системы.
3. Поверхностном использовании ЭС: Часто экспертные системы рассматриваются как средство для классификации дефектов или выдачи шаблонных рекомендаций, не выходящих за рамки заранее определенных сценариев.

Наше уникальное информационное преимущество заключается в переходе от реактивного «контроля текущих отклонений» к проактивной диагностике скрытых факторов, влияющих на потенциальное повышение качества. Мы не просто выявляем проблемы, а ищем возможности. Это достигается за счет:

• Интеграции разнородных данных: Экспертная система будет работать не только с параметрами процесса и дефектами, но и с данными о сырье, поставщиках, оборудовании, квалификации персонала, отзывах клиентов и даже внешних факторах.
• Использования сложных правил вывода: База знаний будет содержать не только простые «ЕСЛИ-ТО» правила, но и более сложные модели, учитывающие неочевидные корреляции и причинно-следственные связи. Например, система сможет определить, что неявное снижение квалификации персонала в определенной смене (данные из HR-системы), в сочетании с изменившимися характеристиками партии сырья (данные из системы снабжения), создаёт возможность для повышения качества, если провести дополнительное обучение и изменить параметры настройки оборудования.
• Фокуса на «нереализованном потенциале»: Экспертная система будет целенаправленно искать не только причины ухудшения, но и ситуации, когда качество могло бы быть выше при незначительной корректировке параметров или процессов. Это потребует создания правил вывода, которые будут генерировать гипотезы о том, как можно превзойти текущие показатели.
• Предоставления детализированных, многоуровневых рекомендаций: ЭС будет не просто указывать на проблему, но и предлагать конкретные, измеримые действия для реализации выявленных возможностей, с учетом ресурсов и особенностей предприятия.

Таким образом, мы стремимся создать экспертную систему, которая будет работать как «интеллектуальный скаут», постоянно ищущий новые горизонты для улучшения, а не просто «сторожевой пес», реагирующий на уже возникшие угрозы.

Разработка экспертной системы для определения возможности повышения качества продукции

Этапы разработки экспертной системы

Создание экспертной системы — это нелинейный, итеративный процесс, требующий тесного взаимодействия между экспертами предметной области, инженерами по знаниям и разработчиками. Для задачи определения возможностей повышения качества выпускаемой продукции этот процесс приобретает особую специфику. Основные этапы разработки включают:

1. Идентификация:
   • Определение задач: Четкое формулирование, что именно ЭС должна делать. В нашем случае — не просто выявлять дефекты, а определять возможности для проактивного повышения качества.
   • Цели разработки: Какие результаты ожидаются от внедрения ЭС (например, снижение брака на X%, повышение удовлетворенности клиентов на Y%, оптимизация ресурсов).
   • Выявление экспертов: Определение ключевых специалистов на предприятии, обладающих глубокими знаниями в области качества, производственных процессов, материалов, оборудования. Важно выбрать не только знающих, но и готовых к сотрудничеству экспертов.
   • Определение типов пользователей: Кто будет использовать ЭС (инженеры по качеству, технологи, производственные менеджеры) и какие уровни доступа и функций им потребуются.
2. Концептуализация:
   • Экспликация ключевых понятий: Разработка глоссария, определяющего все термины, используемые в предметной области (например, «вариабельность», «стабильность процесса», «ключевые параметры продукта», «факторы влияния»).
   • Отношения и характеристики: Описание взаимосвязей между понятиями (например, как изменение параметра X влияет на качество Y).
   • Моделирование процесса решения задачи: Как эксперт в настоящее время определяет возможности для повышения качества? Какие данные он использует, какие аналитические шаги предпринимает? На этом этапе создается высокоуровневая модель будущей ЭС.
3. Формализация:
   • Превращение опыта эксперта в структурированную базу знаний: Этот ключевой этап требует перевода неявных знаний эксперта в формализованный вид.
   • Определение способа представления знаний: Будут ли это правила «ЕСЛИ-ТО», фреймы, семантические сети или комбинация? Для нашей задачи, учитывая необходимость выявления возможностей, целесообразно использовать правила, которые формулируются не только как «ЕСЛИ проблема, ТО решение», но и как «ЕСЛИ условия X и Y, ТО ВОЗМОЖНО повышение качества Z путем действия А».
   • Создание правил вывода решений: Разработка логических конструкций, позволяющих системе делать заключения и генерировать рекомендации.
4. Выполнение (прототипирование):
   • Прототипное проектирование: Эффективный подход, заключающийся в постоянном наращивании базы знаний, начиная с логической стадии, и последующей детализации прототипа. Создается рабочая версия ЭС с ограниченным набором знаний и функционалом.
   • Итеративная разработка: Постепенное добавление новых правил и фактов, расширение функционала.
5. Тестирование:
   • Проверка корректности и полноты базы знаний: Тестирование системы на тестовых примерах, как с известными решениями, так и с новыми, неочевидными ситуациями.
   • Верификация механизма логического вывода: Убеждение в том, что система делает правильные выводы и дает адекватные объяснения.
   • Оценка адекватности рекомендаций: Важно, чтобы ЭС не только находила проблемы, но и предлагала реально применимые и эффективные решения для повышения качества.
6. Опытная эксплуатация:
   • Внедрение системы в тестовом режиме: Использование ЭС реальными пользователями для решения реальных задач.
   • Сбор критических замечаний и предложений: Получение обратной связи от пользователей и экспертов.
   • Оценка производительности и удобства: Анализ того, насколько быстро и эффективно система обрабатывает запросы.
7. Модификация и развитие:
   • Внесение изменений и улучшений: Корректировка базы знаний, механизма вывода, интерфейса на основе обратной связи.
   • Постоянное обновление знаний: Поддержание актуальности БЗ в соответствии с изменениями в технологиях, стандартах, сырье и требованиях рынка.

Проектирование базы знаний и механизма логического вывода для определения возможностей повышения качества

Особенность нашей экспертной системы заключается в ее проактивном характере — она должна не просто выявлять отклонения, а искать возможности для улучшения. Это накладывает особые требования на проектирование базы знаний (БЗ) и механизма логического вывода (МЛВ).

База знаний будет включать несколько типов информации:

1. Факты о продукте:
   • Технические характеристики (размеры, состав, прочность, цвет и т.д.).
   • Требования стандартов (ГОСТ, ISO) и внутренних нормативов.
   • Исторические данные о качестве (уровень брака, типы дефектов, показатели надежности).
   • Данные обратной связи от потребителей (жалобы, предложения, предпочтения).
2. Факты о производственных процессах:
   • Параметры технологического оборудования (температура, давление, скорость, время цикла).
   • Характеристики используемого сырья и материалов (поставщики, входной контроль, химический состав).
   • Условия окружающей среды (температура, влажность в цехах).
   • Квалификация и опыт персонала, распределение задач.
3. Текущие показатели качества:
   • Данные с контрольных карт.
   • Результаты выборочного и сплошного контроля.
   • Отчеты о несоответствиях.
4. Правила вывода, отражающие причинно-следственные связи и условия для повышения качества:
   • Правила диагностики причин дефектов: ЕСЛИ [параметр процесса А] > [пороговое значение], ИЛИ [параметр сырья В] не соответствует [стандарту], ТО ВОЗМОЖНО возникновение дефекта [тип дефекта].
   • Правила определения скрытых потенциалов: ЕСЛИ [параметр процесса С] находится в верхней части допустимого диапазона, И [квалификация оператора] высокая, И [данные с нового датчика D] показывают стабильность, ТО ВОЗМОЖНО снижение вариабельности продукта за счет небольшой корректировки [параметра С] на X%.
   • Правила генерации рекомендаций: ЕСЛИ выявлена возможность [Улучшение], ТО РЕКОМЕНДУЕТСЯ [Действие 1], [Действие 2], С ОЖИДАЕМЫМ ЭФФЕКТОМ [Эффект].
   • Правила, интегрирующие концепции качества: Например, правила, основанные на принципах «Шесть сигм» (снижение вариабельности), TQM (вовлечение персонала), Lean (устранение потерь).

Механизм логического вывода (МЛВ) будет ориентирован на поиск не только проблем, но и нереализованных потенциалов улучшения. Для этого может быть использована комбинация прямой и обратной цепочек рассуждений:

• Прямая цепочка (от данных к выводам): Анализ текущих производственных данных и показателей качества. ЕСЛИ [температура] = 200°C, [влажность] = 60%, [тип сырья] = "А", ТО (система может вывести) "потенциал повышения прочности на 5% при снижении температуры до 195°C и сохранении влажности".
• Обратная цепочка (от гипотезы к фактам): Система может формировать гипотезы о возможных улучшениях (например, «как можно повысить ресурс продукта на 10%?») и затем искать в базе знаний факты и правила, которые подтверждают или опровергают эти гипотезы, а также предлагают пути их достижения.
• Нечеткая логика: Для работы с неполными или приближенными данными, а также с экспертными оценками, которые часто носят нечеткий характер («достаточно хорошо», «слишком высокая»), может быть использована нечеткая логика, позволяющая ЭС принимать решения в условиях неопределенности.
• Моделирование: МЛВ может включать модули для имитационного моделирования, позволяющие просчитывать последствия предлагаемых изменений до их внедрения в реальное производство.

Выбор программных средств и инструментов для реализации экспертной системы

Выбор платформы и языков программирования для реализации экспертной системы является критически важным для ее гибкости, масштабируемости и интеграции. Учитывая специфику задачи (определение возможностей повышения качества) и необходимость работы с разнородными данными, можно рассмотреть следующие варианты:

1. Языки программирования с развитыми возможностями для ИИ/ML:
   • Python: Является де-факто стандартом для разработки ИИ-систем благодаря богатой экосистеме библиотек (Scikit-learn для ML, Keras/TensorFlow/PyTorch для глубокого обучения, NLTK для обработки естественного языка). Python также отлично подходит для интеграции с базами данных и веб-интерфейсами.
   • Java: Позволяет создавать высокопроизводительные и масштабируемые корпоративные приложения. Имеет библиотеки для ИИ (например, Jena для работы с онтологиями, Drools для правил).
   • Prolog/Lisp: Классические языки для символьных вычислений и разработки ЭС. Отлично подходят для реализации механизмов логического вывода, основанных на правилах. Однако их использование может быть ограничено из-за менее широкого сообщества и сложности интеграции с современными системами.
2. Платформы для разработки экспертных систем (ЭС-оболочки):
   • CLIPS (C Language Integrated Production System): Мощная, но бесплатная ЭС-оболочка, разработанная NASA. Поддерживает продукционные правила, фреймы и объектно-ориентированное программирование. Позволяет быстро создавать прототипы и масштабировать системы.
   • Drools (Java-based Business Rule Management System): Открытая платформа для управления бизнес-правилами. Может использоваться для создания сложных баз знаний и механизмов логического вывода, особенно в контексте корпоративных приложений.
   • AnyLogic/GPSS/Simul8: Системы для имитационного моделирования, которые могут быть интегрированы с ЭС для оценки последствий принимаемых решений.
3. Базы данных и хранилища знаний:
   • Реляционные базы данных (PostgreSQL, MySQL): Для хранения структурированных данных о продуктах, процессах, показателях качества.
   • NoSQL базы данных (MongoDB, Cassandra): Для хранения неструктурированных или полуструктурированных данных (отзывы клиентов, логи с датчиков).
   • Графовые базы данных (Neo4j): Идеальны для представления сложных взаимосвязей между фактами и понятиями в базе знаний, что критически важно для определения неочевидных возможностей.
   • Онтологии (OWL, RDF): Для формального описания понятий, свойств и отношений в предметной области, обеспечивая семантическую согласованность знаний.
4. Инструменты для визуализации и пользовательского интерфейса:
   • Веб-фреймворки (Django, Flask для Python; Spring для Java): Для создания интерактивного пользовательского интерфейса, позволяющего вводить данные, просматривать рекомендации и объяснения.
   • Библиотеки для визуализации данных (Matplotlib, Seaborn, Plotly для Python): Для наглядного представления результатов анализа, контрольных карт, диаграмм Парето.

Ключевые требования к выбору:

• Гибкость: Система должна легко адаптироваться к изменениям в производственных процессах и требованиям к качеству.
• Расширяемость: Возможность добавления новых знаний, правил и функционала без полной переработки системы.
• Интеграция: Способность бесшовно взаимодействовать с существующими информационными системами предприятия (ERP, MES, АСУТП).
• Производительность: Способность обрабатывать большие объемы данных в приемлемые сроки.
• Поддержка: Наличие активного сообщества разработчиков или коммерческой поддержки.

На основе этих критериев, Python с библиотеками для машинного обучения и фреймворками для веб-разработки, в сочетании с CLIPS или Drools для ядра ЭС и графовой базой данных для представления знаний, представляется оптимальным выбором для реализации данной экспертной системы.

Практическая реализация и анализ кейса (ООО «Альфа»)

Организационно-экономическая характеристика ООО «Альфа»

Для демонстрации применимости разработанной экспертной системы, в качестве практического примера выбрано ООО «Альфа» — условное производственное предприятие, специализирующееся на производстве XYZ-продукции. (Здесь в реальной дипломной работе будет представлена подробная информация о предприятии, включающая следующие аспекты):

• Общие сведения:
  • Наименование, юридический адрес, форма собственности.
  • Краткая история предприятия, ключевые этапы развития.
  • Миссия и стратегические цели компании.
• Основные виды деятельности:
  • Специфика выпускаемой продукции (например, электронные компоненты, пищевая продукция, строительные материалы).
  • Ключевые рынки сбыта, основные потребители.
• Производственные процессы:
  • Описание основных технологических операций (например, литье, сборка, термообработка, упаковка).
  • Используемое оборудование, его возраст и степень автоматизации.
  • Организация снабжения сырьем и материалами, контроль качества на входе.
• Структура управления качеством:
  • Наличие отдела контроля качества, его численность и функции.
  • Применяемые стандарты (например, внедрена СМК по ISO 9001 или нет).
  • Существующие методы контроля и регистрации дефектов.
  • Политика в области качества, документированные процедуры.
• Основные финансово-экономические показатели:
  • Выручка, прибыль, рентабельность за последние 3-5 лет.
  • Динамика объемов производства.
  • Данные о затратах на качество (брак, переделки, рекламации).

Анализ текущего состояния системы управления качеством на ООО «Альфа»

Диагностика существующей системы менеджмента качества (СМК) на ООО «Альфа» является критически важным этапом, предшествующим внедрению экспертной системы. Этот анализ позволит выявить не только текущие проблемы, но и те самые «скрытые факторы», которые наша ЭС призвана обнаружить для повышения качества.

Для проведения анализа будут использованы следующие подходы и инструменты:

1. SWOT-анализ СМК:
   • Сильные стороны (Strengths): Например, высокая квалификация части персонала, наличие современного оборудования на отдельных участках, стабильные поставщики некоторых видов сырья.
   • Слабые стороны (Weaknesses): Отсутствие единой информационной системы контроля качества, ручной сбор данных, низкая мотивация к постоянному улучшению у рядовых сотрудников, недостаточная автоматизация контроля на критических этапах.
   • Возможности (Opportunities): Рост спроса на продукцию высокого качества, появление новых технологий контроля, возможность обучения персонала.
   • Угрозы (Threats): Усиление конкуренции, ужесточение требований к качеству со стороны рынка, рост цен на сырье.
2. Применение «Семи инструментов качества«:
   • Диаграммы Парето: Анализ статистики дефектов продукции за последний год. Например, выявлено, что 80% брака приходится на 20% видов дефектов (например, «несоответствие размеров» и «поверхностные царапины»).
   • Причинно-следственные диаграммы Исикавы: Для каждого из выявленных «критических» дефектов будет построена диаграмма, чтобы систематизировать потенциальные причины (оборудование, персонал, материалы, методы, измерения, среда).
   • Контрольные карты: Анализ стабильности ключевых технологических параметров (например, температура обжига, время сушки, давление в прессе) за определенный период. Выявление процессов, выходящих за контрольные границы.
   • Гистограммы: Распределение значений ключевых характеристик продукции (например, толщина, прочность) для оценки их соответствия спецификациям и выявления асимметрии распределения.
   • Сводные карты дефектов: Ежедневная или еженедельная регистрация всех видов дефектов для выявления динамики и наиболее частых проблем.
3. Анализ статистических данных предприятия:
   • Данные о рекламациях и возвратах продукции: Анализ причин, объемов, временных периодов.
   • Данные о затратах на брак и переделки: Оценка финансовых потерь, связанных с низким качеством.
   • Отчеты по аудитам СМК (внутренним и внешним): Выявление несоответствий и рекомендаций.
   • Результаты входного контроля сырья: Статистика отклонений по качеству поступающих материалов.
4. Интервьюирование персонала: Беседы с руководителями отделов, инженерами по качеству, технологами и производственными рабочими для сбора их экспертных мнений о проблемах и потенциальных возможностях улучшения.

По результатам этого анализа будет сформирована комплексная картина текущего состояния СМК на ООО «Альфа», выявлены узкие места, неэффективные процессы и, что самое главное, сформулированы гипотезы о скрытых возможностях повышения качества, которые наша экспертная система затем поможет подтвердить или опровергнуть и конкретизировать. Например, будет обнаружено, что незначительные колебания влажности в цехе (которые до сих пор не контролировались) коррелируют с определенными типами дефектов, или что изменение порядка операций в определенном процессе может не только сократить время, но и повысить стабильность характеристик продукции.

Разработка предложений по повышению качества на основе экспертной системы для ООО «Альфа»

После всестороннего анализа текущего состояния СМК на ООО «Альфа» наступает этап применения разработанной экспертной системы. Наша ЭС, благодаря своей архитектуре и базе знаний, ориентированной на поиск возможностей, а не только проблем, сможет генерировать уникальные и действенные рекомендации.

Процесс применения разработанной ЭС для анализа данных ООО «Альфа» и генерации рекомендаций:

1. Ввод данных: В экспертную систему загружаются агрегированные данные, полученные на этапе анализа текущего состояния:
   • Статистика дефектов (по типам, причинам, местам возникновения).
   • Показатели стабильности технологических процессов (данные с контрольных карт).
   • Характеристики сырья и материалов.
   • Информация об оборудовании и его обслуживании.
   • Данные о квалификации персонала (при необходимости).
   • Жалобы и отзывы потребителей.
   • Информация о внешних условиях (температура/влажность в цехах).
2. Обработка данных механизмом логического вывода: МЛВ начинает «рассуждать», используя загруженные данные и правила, заложенные в базе знаний. Он ищет не только прямое соответствие «дефект — причина», но и сложные, многофакторные корреляции, указывающие на нереализованные возможности.
   • Например, МЛВ может обнаружить, что при использовании сырья от поставщика «В», даже если оно формально соответствует стандартам, и при определенных настройках оборудования, наблюдается скрытый потенциал для повышения прочности готового изделия на 7%, если внести небольшую корректировку в температуру сушки. Эта корреляция может быть неочевидна для человека без глубокого статистического анализа и синтеза данных.
   • Другой пример: система может выявить, что снижение вариабельности одного из параметров на раннем этапе производства, которое сейчас считается «в пределах нормы», позволит существенно сократить количество мелких дефектов на финальной стадии сборки.
3. Генерация рекомендаций: На основе выявленных возможностей ЭС формирует конкретные, детализированные предложения. Подсистема объяснений позволяет пользователю понять, как был сделан тот или иной вывод и какие данные были учтены.

Примеры конкретных мероприятий, полученных с помощью ЭС для ООО «Альфа» (гипотетические):

№	Выявленная возможность (ЭС-вывод)	Конкретное мероприятие
1	Система определила, что незначительное снижение температуры обжига на 5°C в сочетании с увеличением времени выдержки на 10 минут для сырья партии «К» от поставщика «Бета» может увеличить прочность изделия на 8%.	Внести корректировку в технологическую карту для изделий, производимых из сырья партии «К» поставщика «Бета»: снизить температуру обжига до 195°C и увеличить время выдержки на 10 минут. Провести контрольные испытания на прочность.
2	Анализ данных показал, что колебания влажности в сборочном цехе в диапазоне 60-70% приводят к увеличению числа микротрещин на 15% у готовой продукции, даже если влажность формально находится в допустимых пределах.	Установить дополнительные системы климат-контроля для поддержания влажности в сборочном цехе в более узком диапазоне 62-65%. Провести повторный анализ числа микротрещин через 3 месяца после внедрения.
3	ЭС выявила, что при использовании нового типа смазочного материала «Люкс» в оборудовании №3, снижение скорости подачи материала на 2% может сократить количество поверхностных дефектов на 20%, при этом не снижая общую производительность.	Провести эксперимент на оборудовании №3 с использованием смазочного материала «Люкс» и сниженной скоростью подачи материала на 2%. Мониторить количество поверхностных дефектов и общую производительность.

TQM (Total Quality Management) представляет собой философию управления, основанную на участии всех членов организации, начиная с руководства и заканчивая рядовыми исполнителями, с акцентом на непрерывное улучшение процессов и удовлетворение потребностей клиента. Это основополагающий принцип, который будет пронизывать логику нашей экспертной системы, переводя его из абстрактной концепции в конкретные, измеримые рекомендации.

Критерии и методы оценки эффективности экспертной системы

Внедрение любой инновационной системы, особенно такой сложной, как экспертная, требует тщательной оценки ее эффективности. Эта оценка должна быть многогранной, охватывая не только прямые экономические выгоды, но и более широкие социальные, экологические и научно-технические эффекты.

1. Социальные эффекты:
Эти эффекты часто недооцениваются, но имеют долгосрочное стратегическое значение:

• Повышение удовлетворенности сотрудников: Благодаря четким рекомендациям ЭС, сотрудники получают поддержку в принятии решений, что снижает уровень стресса, повышает уверенность в своих действиях и чувство причастности к процессу улучшения.
• Улучшение условий труда: Оптимизация процессов, предлагаемая ЭС, может снизить монотонность, уменьшить количество ручных операций, связанных с контролем качества, и, как следствие, повысить безопасность труда.
• Усиление репутации компании: Производство продукции более высокого качества, выявленное и поддержанное ЭС, напрямую влияет на имидж компании как надежного и инновационного производителя.
• Повышение удовлетворенности клиентов: Более высокое качество продукции ведет к уменьшению рекламаций, повышению лояльности и, как результат, к росту объемов продаж.

2. Экологические эффекты:
В условиях растущего внимания к устойчивому развитию, экологические аспекты приобретают все большую значимость:

• Минимизация использования ресурсов: Оптимизация производственных процессов, предлагаемая ЭС, может привести к снижению расхода сырья, материалов и энергии на единицу продукции.
• Сокращение отходов: Более стабильное и качественное производство минимизирует количество брака, переделок и, соответственно, объем промышленных отходов.
• Соблюдение экологических стандартов: Повышение качества часто сопряжено с более точным соблюдением технологических режимов, что способствует снижению вредных выбросов и соблюдению экологических норм.

3. Научно-технические эффекты:
Внедрение ЭС само по себе является научно-техническим прорывом для предприятия:

• Разработка новых методов и технологий контроля качества: ЭС может выявлять потребности в новых измерительных приборах или методах анализа.
• Оптимизация процессов на основе глубокого анализа: Благодаря способности ЭС обрабатывать большие объемы данных и выявлять неочевидные связи, предприятие получает уникальные знания о своих процессах.
• Накопление и формализация экспертных знаний: ЭС служит хранилищем знаний, которые становятся доступными для всех сотрудников, а не только для отдельных экспертов.

4. Экономическая эффективность:
Это самый измеримый и часто ключевой эффект. Экономическая эффективность от внедрения экспертной системы может быть достигнута за счет:

• Повышения качества внутренней организации деятельности: Оптимизация процессов и минимизация ошибок.
• Обеспечения соответствия стандартам и процедурам СМК: Что может снизить риски штрафов и повысить доверие партнеров.
• Минимизации использования ресурсов и ускорения оборачиваемости капитала: Снижение брака, сокращение переделок, оптимизация запасов.
• Снижение затрат на брак и рекламации: Прямое снижение потерь.

Методики расчета экономической эффективности:
Общая формула для оценки эффективности СМК часто представляется как PСМК = Результаты / Затраты. Однако для ЭС требуется более детализированный подход.

1. Калькуляция затрат и потерь:

• Внутренние затраты на качество: Затраты на профилактику (обучение, планирование качества), затраты на оценку (контроль, тестирование), затраты на внутренний брак (переделки, утилизация).
• Внешние затраты на качество: Затраты на внешние рекламации, гарантийный ремонт, потери от снижения репутации.
• Прямые и косвенные потери вследствие низкого качества: Например, потеря доли рынка, упущенная выгода от незаключенных контрактов.

2. Формирование системы ключевых показателей эффективности (KPI):

• KPI до внедрения ЭС: Процент брака, количество рекламаций на 1000 единиц продукции, среднее время устранения дефектов, затраты на качество в % от выручки.
• KPI после внедрения ЭС: Изменение этих показателей.
• Индекс пригодности процесса (C_pk): Показатель, характеризующий способность процесса производить продукцию в пределах заданных допусков. Рост Cpk после внедрения ЭС будет прямым индикатором улучшения.

3. Расчет экономической эффективности (пошаговый пример):

• Единовременные капитальные вложения (К): Стоимость разработки ЭС, приобретение оборудования, обучение персонала.
• Текущие расходы (И_год): Эксплуатация, поддержка, обновление базы знаний.
• Годовой экономический эффект (Э_год):
  • Снижение затрат на брак: ΔЗбрак = (Уровень бракадо - Уровень бракапосле) × Объем производства × Себестоимость брака.
  • Снижение затрат на рекламации: ΔЗрекламации.
  • Рост прибыли за счет повышения качества и конкурентоспособности: ΔП = (Ценапосле - Ценадо) × Объем продаж + Увеличение объема продаж × Ценапосле.
  • Экономия ресурсов: ΔЭресурсы.
• Формула для расчета срока окупаемости (Т_ок): Ток = К / (Эгод - Игод).
• Формула для расчета рентабельности инвестиций (ROI): ROI = (Эгод - Игод) / К × 100%.

Методы измерения процессов и оценки результативности СМК:
Для подтверждения эффекта от внедрения ЭС используются различные методы:

• Статистические методы:
  • Контрольные карты (например, карты Шухарта): Для мониторинга изменений в стабильности процесса.
  • Диаграммы Парето и гистограммы: Для анализа распределения дефектов до и после.
  • Регрессионный анализ и анализ трендов: Для выявления долгосрочных изменений в показателях качества.
• Социологические методы: Опросы сотрудников и клиентов для оценки изменения удовлетворенности.
• Экспертные методы: Повторные оценки ключевыми экспертами после внедрения ЭС.
• Сравнительные методы: Бенчмаркинг с аналогичными предприятиями.

Анализ и минимизация рисков при внедрении экспертных систем

Внедрение экспертной системы, как и любая инновация, сопряжено с определенными рисками, которые необходимо идентифицировать и разработать стратегии их минимизации.

Потенциальные риски при внедрении экспертных систем:

1. Риски, связанные с человеческим фактором (эксперт):
   • Некомпетентность или субъективность эксперта: Если знания, заложенные в ЭС, основаны на ошибочных или предвзятых суждениях эксперта, вся система будет некорректной.
   • Неполнота или противоречивость знаний: Эксперт может не обладать всей полнотой информации или его знания могут быть внутренне противоречивы.
   • Невнимательное или халатное отношение эксперта/инженера по знаниям: Недостаточная тщательность при извлечении и формализации знаний.
   • Сопротивление экспертов: Эксперты могут бояться потери своего статуса или работы и не желать делиться знаниями.
2. Риски, связанные с данными:
   • Неверный выбор измерительной шкалы: Неправильное представление или квантование данных может привести к некорректным выводам.
   • Низкое качество исходных данных: Неточные, неполные или устаревшие данные из производственных систем.
   • Отсутствие необходимых данных: Невозможность собрать все требуемые для анализа параметры.
3. Технологические риски:
   • Сложность интеграции с существующими системами: Проблемы совместимости с ERP, MES, АСУТП.
   • Ошибки в механизме логического вывода или программном коде: Некорректная работа алгоритмов.
   • Недостаточная производительность системы: Медленная обработка больших объемов данных.
   • Проблемы с безопасностью данных: Угрозы несанкционированного доступа или потери информации.
4. Организационные риски:
   • Недостаточное финансирование или отсутствие поддержки руководства: Проект может быть остановлен или не доведен до конца.
   • Сопротивление персонала изменениям: Отказ пользователей работать с новой системой.
   • Неадекватное обучение пользователей: Неспособность персонала эффективно использовать ЭС.

Стратегии минимизации рисков:

1. Для рисков, связанных с человеческим фактором:
   • Процедуры проверки экспертных оценок: Использование нескольких независимых экспертов для валидации знаний. Применение метода «Дельфи» для достижения консенсуса.
   • Проверка на сообразность и непротиворечивость: Разработка алгоритмов для автоматической проверки базы знаний на логическую целостность.
   • Организация процесса коммуникации экспертов: Создание открытой и доверительной среды для обмена знаниями.
   • Мотивация экспертов: Признание их вклада, возможное финансовое поощрение.
   • Формализация процесса извлечения знаний: Применение структурированных методик (например, построение концептуальных карт, протоколов «думай вслух»).
2. Для рисков, связанных с данными:
   • Стандартизация и унификация данных: Разработка единых стандартов сбора и хранения информации.
   • Системы очистки и валидации данных: Внедрение автоматизированных процедур для обеспечения качества входных данных.
   • Выбор адекватной измерительной шкалы: Тщательный анализ требований к точности и полноте данных.
3. Для технологических рисков:
   • Тщательное планирование архитектуры и интеграции: Использование стандартных интерфейсов (API) и проверенных технологий.
   • Итеративное прототипирование и тестирование: Постоянная проверка функциональности на каждом этапе разработки.
   • Выбор масштабируемых платформ: Использование решений, способных выдерживать растущие нагрузки.
   • Внедрение систем информационной безопасности: Защита данных и доступа к системе.
4. Для организационных рисков:
   • Вовлеч��ние высшего руководства: Получение явной и постоянной поддержки проекта.
   • Планирование управления изменениями: Программы обучения, коммуникации, демонстрации преимуществ ЭС для персонала.
   • Пилотные проекты: Внедрение ЭС на ограниченном участке для демонстрации ее эффективности и снижения первоначального сопротивления.

Интеграция управления рисками в общую стратегию компании способствует повышению ее устойчивости, минимизации потенциальных убытков и укреплению конкурентных преимуществ. Экспертная система не должна быть изолированным инструментом, а частью общей системы принятия решений, что требует проактивного управления всеми сопутствующими рисками. Насколько же успешно можно обойти все эти подводные камни, чтобы проект принес максимальную пользу?

Заключение

В рамках данной дипломной работы был разработан детальный и структурированный план исследования, направленного на создание экспертной системы для определения возможностей повышения качества выпускаемой продукции. Мы обосновали актуальность темы, подчеркнув переход от реактивного контроля к проактивному поиску путей улучшения, что является ключевым требованием современного конкурентного рынка.

В теоретической части мы углубились в сущность качества и эволюцию систем его управления, от TQM до стандартов ISO 9000, акцентируя внимание на процессном подходе и постоянном улучшении. Детально рассмотрели принципы функционирования, архитектуру и классификацию экспертных систем, выделив их роль как передового инструмента поддержки принятия решений. Была подчеркнута разница между базой знаний и базой данных, особенно в контексте формализации экспертных правил для выявления возможностей.

Аналитический раздел был посвящен методам и инструментам контроля качества, от классических «Семи инструментов» Исикавы до современных статистических и машинного обучения, показав, как их можно интегрировать в автоматизированные системы. Мы выявили «слепые зоны» конкурентов, которые преимущественно фокусируются на контроле и устранении уже возникших отклонений, тогда как наша уникальная концепция направлена на проактивную диагностику скрытых факторов и нереализованного потенциала для повышения качества.

Центральным элементом работы стала методология разработки специализированной экспертной системы, включающая этапы идентификации, концептуализации, формализации, выполнения, тестирования, опытной эксплуатации и модификации. Особое внимание было уделено проектированию базы знаний и механизма логического вывода, способного искать не только проблемы, но и скрытые резервы улучшения, используя сложные правила и, при необходимости, нечеткую логику. Обзор программных средств и инструментов для реализации ЭС показал оптимальные пути для ее создания.

Практическая часть, основанная на гипотетическом примере ООО «Альфа», продемонстрировала применение разработанной методологии. Был предложен план организационно-экономической характеристики предприятия и детальный анализ текущего состояния его системы управления качеством с использованием различных инструментов. На основе этого анализа и принципов работы ЭС были сформулированы примеры конкретных мероприятий, направленных на повышение качества продукции, а не только на устранение дефектов.

Завершающий раздел был посвящен оценке социально-экономической эффективности внедрения экспертной системы, учитывая как прямые экономические выгоды (снижение брака, рост прибыли), так и косвенные эффекты (повышение удовлетворенности персонала, улучшение репутации, экологические выгоды). Были предложены методики расчета эффективности, включая KPI и формулы окупаемости. Также были идентифицированы потенциальные риски, связанные с человеческим фактором, данными, технологиями и организацией, и разработаны стратегии их минимизации, подчеркивая важность интеграции управления рисками в общую стратегию компании.

Таким образом, поставленные цель и задачи были полностью достигнуты. Разработанный план дипломной работы представляет собой исчерпывающее руководство для создания экспертной системы, способной вывести управление качеством на новый, проактивный уровень.

Основные выводы:

• Экспертные системы являются мощным инструментом для трансформации управления качеством, позволяя предприятиям не только реагировать на проблемы, но и активно искать возможности для улучшения.
• Ключевым отличием предложенной ЭС является ориентация на проактивное определение потенциала повышения качества за счет глубокого анализа разнородных данных и сложных правил вывода.
• Эффективность внедрения ЭС должна оцениваться комплексно, включая социальные, экологические, научно-технические и экономические аспекты.
• Тщательный анализ рисков и разработка стратегий их минимизации критически важны для успешной реализации проекта.

Перспективы дальнейших исследований в данной области включают разработку модулей самообучения для экспертной системы на основе машинного обучения, расширение базы знаний для охвата более широкого спектра отраслей, а также создание интуитивно понятных интерфейсов для нетехнических пользователей и интеграцию с технологиями Интернета вещей (IoT) для получения данных в реальном времени.

Список использованной литературы

1. Российская Федерация. Конституция (1993). Конституция Российской Федерации: офиц. текст. М.: Маркетинг, 2001. 39 с.
2. Гражданский процессуальный кодекс Российской Федерации от 14.11.2002 N 138-ФЗ (ред. от 23.04.2012) // Собрание законодательства РФ. 2002. N 46. ст. 4532.
3. Гражданский кодекс Российской Федерации (часть первая) от 30.11.1994 N 51-ФЗ (ред. от 02.11.2013) // Собрание законодательства РФ. 1994. N 32. ст. 3301.
4. Российская Федерация. Законы. Налоговый Кодекс в ред. Федерального закона от 31 сентября 1998 № 146-ФЗ с изменениями и дополнениями, посл. доп. 26 ноября 2009 год; 224-ФЗ. М., 2010. 165 с.
5. Российская Федерация. Законы. О предприятиях и предпринимательской деятельности: в ред. Федерального закона от 21 марта 2002 года N 31-ФЗ. М., 1994. 86 с.
6. Российская Федерация. Постановление Совета Министров. О порядке формирования финансовых результатов, учитываемых при налогообложении прибыли / изм. и доп. От 21.03.1996 №229.
7. СП 2.3.6.1.66-01 «Санитарно-эпидемиалогические требования к организациям торговли и обороту в них продовольственного сырья и пищевых продуктов» // СПС «Консультантплюс».
8. ISO 9001. Системы менеджмента качества.
9. ISO 14001:96. Системы экологического менеджмента.
10. ISO 19011:2011. Руководящие указания по аудиту систем менеджмента.
11. OHSAS 18000. Системы менеджмента промышленной безопасности и охраны труда.
12. Государственный стандарт РФ ГОСТ Р 51303-99.
13. ГОСТ Р 51305-99. Розничная торговля. Требования к обслуживающему персоналу.
14. Автоматизированный анализ деятельности предприятия с использованием семантических сетей. Монография / Каширин И.Ю., Крошилин А.В., Крошилина С.В. Москва, 2011.
15. Актуальные вопросы повышения эффективности управления муниципальными учреждениями здравоохранения с использованием информационных технологий / Репина Г.Д., Топоровская Е.Л., Капитоненко Н.А., Булдакова Т.И. // Социальные аспекты здоровья населения. 2009. Т. 10. № 2. С. 5.
16. Алгоритм обработки измерений и адаптации математического обеспечения информационно-измерительной системы в условиях изменения модели информационного процесса / Елисеев А.В., Калашников Р.М., Тюрин Д.А. // Успехи современной радиоэлектроники. Зарубежная радиоэлектроника. 2013. № 8. С. 009-017.
17. Андреева Е.И., Нестеров А.В. Об экспертизе товаров в таможенных целях // Коммерческое право. Научно-практический журнал. 2010. № 1 (6). С. 89-92.
18. Андреева Т.В. Экспертное оценивание качества научно-исследовательских работ и инновационных проектов студентов // XXI век: итоги прошлого и проблемы настоящего плюс. 2013. № 10 (14). С. 76-82.
19. Багаева Т.А. Автоматизация процесса реконфигурации сложной технической системы // Автоматизация в промышленности. 2009. № 10. С. 11-14.
20. Бакаева О.Ю. Правовые вопросы таможенной экспертизы в условиях становления таможенного союза // Евразийский юридический журнал. 2011. № 34. С. 13-16.
21. Бакуев М.О. Анализ системы технического регулирования в нефтяном комплексе // Менеджмент и право. 2010. № 1. С. 22-24.
22. Банушкина Н.А. Особенности разработки экспертных систем в зависимости от класса объектов // Известия Алтайского государственного университета. 2011. № 1-2. С. 75-78.
23. Бобов А.В. Экспертная система поддержки принятия решений по определению очередности автоматизации этапов подготовки производства // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2011. Т. 9. № 4. С. 39-49.
24. Боровских О.Н., Козлова Е.В. Отраслевые особенности построения системы стратегического управления предприятием в строительстве // Вестник экономики, права и социологии. 2011. № 3. С. 15-17.
25. Васильев В.И., Попов Д.И. Модель представления экспертных знаний в системах автоматизации управления полиграфическим предприятием // Известия высших учебных заведений. Проблемы полиграфии и издательского дела. 2004. № 1. С. 44-56.
26. Васильева Т.Ю. Экспертный модуль проведения испытаний РЭС для программного обеспечения производственной исполнительной системы // Информационно-измерительные и управляющие системы. 2009. Т. 7. № 8. С. 67-72.
27. Волков О.И. Экономика предприятия: учебник / под ред. проф. О.И. Волкова. Изд. 2-е, перераб. и доп. М.: ИНФРА-М, 2000. 520 с.
28. Воробьев В.М. Автоматизация проектирования диагностического обеспечения цифровых программно-управляемых устройств с применением технологии экспертных систем: диссертация на соискание ученой степени кандидата технических наук. Владивосток, 1994.
29. Гагарина Л.Г., Батура Е.В. Реализация интерфейса пользователя системы автоматизации учета документооборота капитальных вложений предприятия // Оборонный комплекс — научно-техническому прогрессу России. 2004. № 1. С. 21-25.
30. Галицкая С.В. Финансовый менеджмент. Финансовый анализ. Финансы предприятий: Учебное пособие. М.: Эксмо, 2010. 595 с.
31. Гафиуллина Л.Ф. Организационные механизмы модернизации деятельности образовательных учреждений в региональный федеральный университет // Вестник Казанского государственного университета культуры и искусств. 2009. № 3. С. 130-138.
32. Гиссин В.И. Управление качеством продукции: учеб. пособие для вузов. Ростов н/Д: Феникс, 2000. 256 с.
33. Горькавый М.А., Соловьев В.А. Автоматизация синтеза нечетких подсистем экспертной системы промышленного предприятия // Ученые записки Комсомольского-на-Амуре государственного технического университета. 2010. Т. 1. № 1. С. 27-35.
34. Граб В.П. Особенности применения экспертных методов при оценивании качества прикладных программных средств и систем автоматизации информационно-методического обеспечения образовательного процесса и управления образовательным учреждением // Информатизация образования и науки. 2010. № 6. С. 167-176.
35. Граб В.П. Особенности применения экспертных методов при оценивании качества прикладных программных средств и систем автоматизации информационно-методического обеспечения образовательного процесса и управления образовательным учреждением // Ученые записки ИИО РАО. 2009. № 29-II. С. 155-170.
36. Граб В.П. Применение экспертных методов при оценивании качества прикладных программных средств и систем автоматизации информационно-методического обеспечения образовательного процесса и управления образовательным учреждением // Электронное периодическое издание Информационная среда образования и науки. 2011. № 3. С. 27-41.
37. Дементьев А., Кабич К. Оперативно-советующая экспертная система для автоматизации помещений // Известия Российской академии наук. Теория и системы управления. 2004. № 5. С. 127-134.
38. Донецкая Ю.В. Автоматизация формирования баз данных с применением экспертных систем // Гироскопия и навигация. 2006. № 2. С. 111.
39. Дроздов А.В., Дранишников С.В. Опыт создания интегрированной системы менеджмента в тоннелестроительной компании // Сертификация. 2011. № 3. С. 33-38.
40. Егоров И.В. Курс лекций Коммерческое товароведение и спрос товаров. Московский университет потребительской кооперации, 2009.
41. Жикеев А.А. Основные аспекты совместного использования продукционных экспертных систем и искусственных нейронных сетей в процессе автоматизации производства // Сборник научных трудов Sworld. 2009. Т. 3. № 1. С. 28-29.
42. Защита прав потребителей. Министерство экономического развития Челябинской области. Методическое пособие, 2012.
43. Зорин А.В., Шакула А.В. Обзор медицинских информационных систем для управления лечебно-профилактическим учреждением (санаторием) // Вестник восстановительной медицины. 2007. № 2. С. 11-19.
44. Инженерные кадры России // Профессиональное образование. Столица. 2010. № 9. С. 2-13.
45. Информационная система поддержки научных исследований при разработке методик рентгенофлуоресцентного анализа вещества / Черкашин Е.А., Воробьева О.П., Парамонов В.В., Черкашина Т.Ю., Пашкова Г.В. // Дистанционное и виртуальное обучение. 2012. № 8. С. 75-89.
46. Информационно-экспертная система для исследования структурных и механических свойств материалов / Васенин В.А., Васин Р.А., Козицын А.С., Шундеев А.С. // Автоматика и телемеханика. 2005. № 7. С. 171-179.
47. Использование базы знаний в учебном курсе «корпоративные информационные системы» / Дзенгелевский А.Е., Низаметдинов Ш.У., Румянцев В.П. // Информатизация образования и науки. 2012. № 15. С. 95-105.
48. Киселёв В. Формирование ассортимента в сфере торговли // Маркетинг. 2013. № 2.
49. Клячкин В.Н. Статистические методы в управлении качеством: компьютерные технологии: учеб. пособие для вузов. М.: Финансы и статистика, 2007. 304 с.
50. Ковалева А.М. Финансы фирмы: учебник / А.М. Ковалева, М.Г. Лапуста, Л.Г. Скамай; Изд. 2-е, перераб. и доп. М.: ИНФРА, 2005. 416 с.
51. Комплексный экономический анализ хозяйственной деятельности: учебное пособие / под ред. проф. М.А. Вахрушиной. М.: Вузовский учебник, 2010. 463 с.
52. Компьютерная технология генерации правил для гибридных продукционно-фреймовых экспертных систем / Зайцева Т.В., Игрунова С.В., Путивцева Н.П., Пусная О.П., Манзуланич М.Ю. // Вопросы радиоэлектроники. 2011. № 1. С. 105-114.
53. Кондратенко М.В., Хижняк А.В. Система автоматизация работы отдела технической поддержки пользователей // Вестник Черниговского государственного технологического университета. Серия: Технические науки. 2011. № 2 (49). С. 191-197.
54. Крупный и малый бизнес в сельском хозяйстве: тенденции развития, проблемы, перспективы // Никоновские чтения. 2007. № 12. С. 575-638.
55. Кузнецов И.А., Остроух А.В. Особенности реализации автоматизированной информационно-аналитической системы центра планирования перевозок строительных грузов // Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). 2008. № 1. С. 92-96.
56. Куприков М.Ю., Мартынова С.В. Экспертная система автоматизированного проектирования формообразующей оснастки formos // Вестник Московского авиационного института. 2012. Т. 19. № 5. С. 187-191.
57. Лифиц И.М. Стандартизация, метрология и сертификация: Учебник. 5-е изд., перераб. и доп. М.: Юрайт-Издат, 2011. 345 с.
58. Лукашов С.В., Шинкаренко А.В. Анализ методов поиска решения в экспертной системе поддержки принятия решений // Автоматизация процессов управления. 2008. № 4. С. 5-8.
59. Лябах Н.Н., Умрихин Н.Г. Автоматизация процесса классификации интеллектуальных транспортных комплексов на основе экспертных систем // Вестник Ростовского государственного университета путей сообщения. 2013. № 2 (50). С. 98-103.
60. Марков В.Н. ЭКСПЕРТНАЯ СИСТЕМА ДЛЯ ОПТИМАЛЬНОГО РАСКРОЯ ПЛОСКИХ МАТЕРИАЛОВ // Автоматизация и современные технологии. 2008. № 5. С. 9-13.
61. Меркулов Д.В. Автоматизация радиоволнового неразрушающего контроля качества строительных материалов и изделий средствами экспертной системы: диссертация на соискание ученой степени кандидата технических наук.
62. Методологические основы поддержки принятия решения при анализе информационной безопасности в процессе эксплуатации информационных систем / Максимович Е.П., Степанян А.Б., Фисенко В.К. // Искусственный интеллект. 2012. № 3. С. 458-469.
63. Моделирование кредитного рейтинга заемщиков на основе теории нечетких множеств / Михайлов В.О., Малихов Н.С., Коньшин Б.Ф., Гончаренко С.Н. // Научный вестник Московского государственного горного университета. 2012. № 5. С. 59-65.
64. Морозова О.П. Эволюция организационной структуры компании ООО «РР — морские нефтегазовые проекты» // Вестник Астраханского государственного технического университета. 2008. № 4. С. 95-100.
65. Ненадович Д.М. Интелектуальная поддержка формирования экспертных оценок качества технических решений, принимаемых при разработке телекоммуникационных систем // T-Comm: Телекоммуникации и транспорт. 2010. № 10. С. 111-113.
66. Нигматова Ф.У., Алимова Х.А. Формирование промышленного ассортимента одежды на базе экспертной системы // Швейная промышленность. 2009. № 2. С. 27-28.
67. Никитин В.А. Управление качеством на базе стандартов ИСО 9000: 2000: Политика. Оценка. Формирование. Ресурсы. СПб.: Питер, 2002. 272 с.
68. Никул Е.С. Метод экспертного оценивания выбора ИС в условиях недостатка информации // Известия Южного федерального университета. Технические науки. 2008. Т. 84. № 7. С. 111-115.
69. Опыт работы многопрофильной больницы по автоматизации экспертной деятельности в системе управления качеством оказания медицинской помощи / Аршинова Н.А., Одноволов О.Т., Малюкова В.А. // Вестник МУЗ ГБ № 2. 2012. № 3 (21). С. 096-107.
70. От министерства к холдинговой компании: трансформация системы управления ОАО «Газпром» / Бучнев О.А., Калинин В.В., Маслова О.И. // Нефть, газ и бизнес. 2007. № 11. С. 5-22.
71. Памбухчиянц В.К. Организация, технология и проектирование торговых предприятий: Учебник для студентов высших и средних специальных учебных заведений. 2-е изд. М.: ИВЦ «Маркетинг», 2012. 320 с.
72. Панкратов Ф.Г., Серегина Т.К. Коммерческая деятельность: Учебник для высш. и средн. спец. учеб. заведений. М.: Информационно-внедренческий центр «Маркетинг», 2011. 328 с.
73. Паршин Д.А. Автоматизация системы экспертного оценивания качества технологических процессов в непрерывном производственном цикле промышленных предприятий: диссертация на соискание ученой степени кандидата технических наук. Москва, 2008.
74. Практика численной оценки интеллекта зданий / Волков А.А., Челышков П.Д., Седов А.В. // Вестник МГСУ. 2012. № 11. С. 264-270.
75. Применение интеллектуальных средств для автоматизации процедур мультиязыковой трансляции с языков моделирования / Чернухин Ю.В., Гузик В.Ф., Поленов М.Ю., Герасимов А.А. // Известия Южного федерального университета. Технические науки. 2011. Т. 120. № 7. С. 204-210.
76. Применение нейросетевых технологий для прогнозирования чрезвычайных ситуаций / Шаптала В.Г., Радоуцкий В.Ю., Шаптала В.В. // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2011. № 2. С. 152-154.
77. Розова Н.К. Управление качеством: учеб. пособие. СПб.: Питер, 2002. 224 с.
78. Российская Федерация. Законы. О качестве и безопасности пищевых продуктов: Федер. Закон: принят Гос. Думой 1 декабря 1999 г.: одобр. Советом Федерации 23 декабря 1999 г., № 29 ФЗ от 2 января 2000 г. М.: ПРИОР, 2000. 28 с.
79. Рыжков Н. Управление качеством продукции в новых условиях хозяйствования. М.: Изд-во стандартов, 1992. 167 с.
80. Савицкая Г.В. Анализ хозяйственной деятельности предприятия: учебное пособие. Изд. 4-е, испр. и доп. М.: ИНФРА-М, 2010. 288 с.
81. Селезнева Н.Н. Анализ финансовой отчетности организации: учебное пособие / Н.Н. Селезнева, А.В. Ионова. Изд. 3-е, перераб. и доп. М.: ЮНИТИ-ДАНА, 2007. 584 с.
82. Сидорова М.И. Современные информационные технологии как инструмент автоматизации бухгалтерского учета // Международный бухгалтерский учет. 2011. № 28. С. 19-24.
83. Сисюков А.Н., Н Филиппов А. Концепция построения экспертной системы технологического назначения с применением методов виртуального строкового пространства // Научно-технический вестник информационных технологий, механики и оптики. 2006. № 33. С. 191-195.
84. Славин Б.Б. Ноосорсинг — путь к «науке 3.0» // Совет ректоров. 2012. № 10. С. 74-85.
85. Создание интеллектуальных систем автоматизации и управления на основе современных информационных технологий / Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. // Мехатроника, автоматизация, управление. 2007. № 4. С. 13-20.
86. Сосенушкин Е.Н. Прогрессивные процессы объемной штамповки. Москва, 2011.
87. Среднее образование: управление, методика, инновации: образовательный журнал / учредитель: ИД «Наука образования». М.
88. Структура экспертной системы для технологического и технического обслуживания зернокомбайнов / Димитров В.П., Борисова Л.В. // Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве / Всерос. науч.-исслед. ин-т механизации сел. хоз-ва. Москва, 2010. Ч. 2. С. 100-109.
89. Сунь Г. Анализ возможностей диагностических экспертных систем. В сборнике: Информационные технологии XXI века материалы международной научной конференции, Хабаровск, 20–24 мая 2013 г. Хабаровск, 2013. С. 177-181.
90. Теплов В.И. Коммерческое товароведение. М.: Издательский дом «Дашков и компания», 2010.
91. Туманов А.Ю. Автоматизированная система количественной оценки риска и безопасности объектов энергетики для прогнозирования и предотвращения развития аварий // Научно-технические ведомости СПбГПУ. 2012. № 154. С. 240-249.
92. Управление обеспечением качества и конкурентоспособности продукции: учеб. для вузов / Н.Л. Маренков, В.П. Мельников, В.П. Смоленцев [и др.]. М.: Нац. ин-т бизнеса, 2004. 512 с.
93. Управление организацией: учебник / под ред. А.Г. Поршнева, З.П. Румянцевой, Н.А. Саломатина. Изд. 2-е, перераб. и доп. М.: Инфра-М, 2000. 338 с.
94. Фатхутдинов Р.А. Производственный менеджмент: учебник. Изд. 6-е. Спб: ПИТЕР, 2009. 494 с.
95. Хаксвер К. Управление и организация в сфере услуг / Пер. с англ. под ред. В.В. Кулибановой. 2-е изд. СПб.: Питер, 2009. С. 56.
96. Хоменко Т.В. Применение методики представления экспертной информации в виде нечёткой переменной // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки. 2013. № 3 (172). С. 10-13.
97. Чепурной И.П. Товароведение и экспертиза кондитерских товаров. М: Дашков и Ко, 2008.
98. Черных О.О. Автоматизация и формализация процесса принятия решений: метаграфы в проектировании экспертных систем и моделировании процессов выбора оптимальной стратегии // Информационные технологии. Радиоэлектроника. Телекоммуникации. 2012. Т. 3. № 2. С. 353-357.
99. Шамкуть О.В. Профессия кондитер. М.: Современная школа, 2011.
100. Шепелев А.Ф. Товароведение и экспертиза кондитерских и вкусовых товаров. Учебное пособие для торговых вузов. 2-е изд., переработ. М.: Экономика, 2012.
101. Шепелев А.Ф., Печенежская И.А. Товароведение и экспертиза кондитерских товаров. М.: ИКЦ «МарТ», 2010.
102. Щекотилов В.Г. Метод автоматизации оценки и исследования эргофункциональности компьютерных систем на основе объективного контроля действий операторов и технологии экспертных систем // Человеческий фактор: проблемы психологии и эргономики. 2007. Т. 2. № 3. С. 104-105.
103. Экономика фирмы: учебник / Под общей ред. Проф. Н.П. Иващенко. М.: ИНФРА-М, 2007. 527 с.
104. Экономический механизм организации производства авиационной техники с использованием информационных систем / Калачанов В.Д., Джамай Е.В., Актов В.В. // Организатор производства. 2009. № 1. С. 59-63.
105. Экспертная система для диагностики водной среды / Крапивин В.Ф., Солдатов В.Ю., Потапов И.И. // Экологическая экспертиза. 2013. № 6. С. 2-15.
106. Экспертная система для идентификации загрязнителей водной среды / Каевицер В.И., Крапивин В.Ф., Мкртчян Ф.А., Климов В.В. // Известия Южного федерального университета. Технические науки. 2013. № 9 (146). С. 75-81.
107. Электронная техника. Управление качеством, стандартизация, метрология, испытания: науч.-техн. сб. / ЦНИИ «Электроника». М.
108. Юрин А.М., Денисов М.П. Инструментальная экспертная система EXPRO в образовательной деятельности // Ученые записки ИСГЗ. 2013. № 1-II. С. 198-203.
109. Boychenko O. Application of consulting models is for automation of acceptance of administrative decisions // Вестник Черниговского государственного технологического университета. Серия: Технические науки. 2011. № 3 (51). С. 196-200.
110. Модели менеджмента качества | ISO 9000.
111. Современные концепции и модели управления качеством | КиберЛенинка.
112. Управление качеством предприятий: анализ и модели управления качества | КиберЛенинка.
113. Экспертные системы: принципы работы и разработки | Work5. URL: https://work5.ru/spravochnik/informatika/ekspertnye-sistemy-principy-raboty-i-razrabotki
114. Экспертная система | Википедия.
115. Методологические принципы построения системы менеджмента качества | Научное обозрение. Экономические науки. URL: https://science-economy.ru/2017/No1/6-metodologicheskie-principy-postroeniya-sistemy-menedzhmenta-kachestva.htm
116. Этапы разработки экспертных систем. URL: https://studfile.net/preview/5323871/page:4/
117. Менеджмент качества | kpms.ru. URL: https://kpms.ru/management_quality/
118. Отечественный и зарубежный опыт в управлении качеством. URL: https://otherreferats.allbest.ru/management/00645607_0.html
119. Основы информационных технологий. Лекция 12: Аналитические приложения | Интуит. URL: https://www.intuit.ru/studies/courses/2301/409/lecture/9972?page=10
120. Основные инструменты качества: что это и какие типы существуют? URL: https://quality.eup.ru/materialy/osnovnye-instrumenty-kachestva-chto-eto-i-kakie-tipy-sushchestvuyut
121. Экспертная система: что такое, принцип работы, примеры использования | Skyeng. URL: https://skyeng.ru/articles/ekspertnaya-sistema-chto-takoe-princip-raboty-primery-ispolzovaniya/
122. Семь принципов управления качеством | DQS. URL: https://www.dqs.de/ru/blogs/sem-principov-upravleniya-kachestvom/
123. Этапы разработки экспертных систем на занятиях по дисциплине. URL: https://www.elibrary.ru/download/elibrary_23403569_14848529.pdf
124. Технология разработки экспертных систем. URL: https://studfile.net/preview/4215234/page:4/
125. Современные подходы к управлению качеством | КиберЛенинка.
126. Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс. URL: https://studfile.net/preview/8328003/page:2/
127. Экспертные системы. URL: https://studfile.net/preview/5323871/page:3/
128. Подходы к снижению операционных рисков в производственных компаниях | АПНИ. URL: https://apni.ru/article/2607-podkhody-k-snizheniyu-operatsionnykh-risk
129. Теоретические основы и методы управления качеством продукции | Elibrary. URL: https://elibrary.ru/download/elibrary_42797437_73359676.pdf
130. Современные подходы к управлению качеством продукции | Elibrary. URL: https://elibrary.ru/download/elibrary_37169145_78170889.pdf
131. Российский и международный опыт управления качеством. URL: https://studfile.net/preview/5323871/page:14/
132. Зарубежный опыт управления качеством продукции | studwood.net. URL: https://studwood.net/1281804/menedzhment/zarubezhnyy_opyt_upravleniya_kachestvom_produktsii
133. Методологические аспекты оценки экономической эффективности системы менеджмента качества субъектов хозяйствования | Вестник Воронежского государственного университета инженерных технологий.
134. Управление качеством в России: опыт стран Европейского союза в стандартах. URL: https://elibrary.ru/download/elibrary_35275815_34907968.pdf
135. Методы контроля качества — Управление Производством. URL: https://up-pro.ru/encyclopedia/metody-kontrolya-kachestva-na-predpriyatii.html
136. Современные методы управления качеством продукции | Вестник Алтайской академии экономики и права.
137. Отечественный опыт управления качеством. URL: https://studfile.net/preview/4215234/page:7/
138. Основные инструменты системы управления качеством | Profiz.ru. URL: https://www.profiz.ru/se/5_2017/instrumenty_sistemy_kachestva/
139. Методы контроля и управления качеством продукции в автоматизированных системах. URL: https://yagpu.com/userfiles/file/fmf/kit/Metody-kontrolya-i-upravleniya-kachestvom-produktsii-v-avtomatizirovannykh-sistemakh.pdf
140. Разработка экспертной системы определения возможности повышения качества выпускаемой продукции | Studgen. URL: https://studgen.ru/razrabotka-ekspertnoj-sistemy-opredeleniya-vozmozhnosti-povysheniya-kachestva-vypuskaemoj-produkcii/
141. Методы оценки эффективности система качества. Экономическая эффективность управления качеством. URL: https://www.polymetal.ru/wiki/metody-ocenki-effektivnosti-sistema-kachestva-ekonomicheskaya-effektivnost-upravleniya-kachestvom/
142. Средства и методы управления качеством. URL: https://mgri.ru/upload/iblock/c32/c32bf17c76899b218ee3b97b10217031.pdf
143. Современные методы анализа и оценки социально-экономических систем | КиберЛенинка.
144. Риски внедрения цифровых платформ как отраслевой аспект стратегирования | Стратегирование: теория и практика. URL: https://cyberleninka.ru/article/n/riski-vnedreniya-tsifrovyh-platform-kak-otraslevoy-aspekt-strategirov
145. Применение экспертных методов в управлении качеством | Научное обозрение. Экономические науки.
146. Стратегии минимизации производственных рисков | КиберЛенинка.
147. Методологические аспекты оценки экономической эффективности систем | ResearchGate. URL: https://www.researchgate.net/publication/322405623_Metodologiceskie_aspekty_ocenki_ekonomiceskoj_effektivnosti_sistem_menedzmenta_kacestva_subektov_hozajstvovania
148. Новости СНГ — Генеральный секретарь СНГ С. Лебедев: «Республика Таджикистан неизменно эффективно председательствует в органах СНГ» | Интернет-портал СНГ.
149. E-retail week 2025. URL: https://e-retail.ru/news/
150. Методы определение качества товаров. URL: http://www.znaytovar.ru/s/Metody-opredeleniya-kachestva-to.html
151. ОАО «Красцветмет». URL: www.krastsvetmet.ru/
152. Плацдармы «Красцветмета». URL: http://expert.ru/expert/2007/44/tihov/
153. Эффективность качества продукции. URL: http://www.hanadeeva.ru/biblioteka/knigi_economika/Cergeev/effect_kachestva/index.html
154. Jetcom. Официальный сайт. Электронный ресурс. URL: http://www.bindmarket.ru/technologies/.
155. http://renessans2000.ru/index.php?page=tech_brak