В статье проанализированы возможные методы определения качества готовой продукции различных биотехнологических систем (на примере колбасного и хлебобулочного производства), применены методы корреляционного и кластерного анализа для разработки экспертной системы определения качества готовой продукции.
Ключевые слова: корреляция, взаимосвязь, кластер, группы качества продукции.
В современных рыночных в пищевой отрасли решение проблемы конкурентоспособности неразрывно связано с обеспечением стабильности производственных процессов, безопасности и гарантированного качества продуктов питания.
Зачастую при анализе технологического процесса получение стабильного по качеству готового продукта вызывает трудности, так как он представляет собой сложный и неоднородный многокомпонентный продукт, что обусловлено частыми колебаниями параметров технологических процессов, нестабильными режимами работы оборудования, неоднородным составом и характеристиками исходного сырья и т. д.
В этих условиях традиционные подходы к исследованию и прогнозированию результатов технологических процессов производства пищевой продукции малоэффективны. В настоящее время необходима методологическая и методическая база, позволяющая получать оптимальные управленческие решения за минимальное время. Ее внедрение приведет к переносу нагрузки со стратегического на тактический, или даже на оперативный уровень системы управления и позволит снизить вероятность возникновения непредвиденных ситуации на всех этапах производства.
Одним из современных подходов, позволяющих автоматизировать и оптимизировать технологические процессы, а также обеспечить высокий уровень безопасности и контроля качества готовой продукции, является внедрение высокоэффективных интеллектуальных информационных систем.
В работе [1] дано понятие качества продукции, что это не только отличные характеристики, но и высокоэффективное использование мощностей и трудовых ресурсов. По мнению автора, для повышения качества продукции необходимо внедрять инновационные технологии по всех отделах производственный деятельности [2, 3].
Авторы [4] придерживаются мнения, что качество продукции — это совокупность характерных свойств, формы, внешнего вида и условий применения, которыми должны быть наделены товары для соответствия своему назначению. Оценка уровня и качества продукции является основой для выработки необходимых управляющих воздействий в системе управления качеством продукции.
В своих работах [5, 6, 7] авторы оценивают качество продукции на основе количественного измерения определяющих ее свойств. Количественное значение показателей качества продукции определяется следующими методами, представленными на рис. 1.
Для анализа качества продукции выбраны методы кластерного и дискриминантного анализа.
Суть кластерного анализа заключается в объединении похожих объектов в группы (кластеры) по каким — либо признакам. Расстояние между объектами измеряется при помощи Евклидовой метрики [1] [3]:
где
Рис. 1. Системный анализ качества продукции
В двухэтапном кластерном анализе количество кластеров либо задается автоматически, либо рассчитываются по критерию Акаике [7]:
где
С помощью (2) и (3) определяется максимальное число кластеров.
Применение дискриминантного анализ позволяет определить, какие критерии позволяют отнести объект к той или иной группе и как они их различают. Результатом является построение дискриминантной функции [5]:
где a — константа,
Для проведения исследовательской работы были выбраны колбасные изделия различных видов. Проведен анализ 150 продуктов, которые оценивались по 37 признакам (бинарным и числовым). Из них 25 органолептических (вкус, цвет фарша на разрезе, запах, консистенция, внешний вид, форма и размер), 6 физико — химических (массовая доля поваренной соли, массовая доля жира, массовая доля белка, массовая доля крахмала, массовая доля нитрита натрия, остаточная активность кислой фосфатазы), 6 микробиологических (КМАФАнМ КОЕ/г, БГКП (колиформы) в 1 г продукта, сульфитдредуцирующие клостридии в 0,01 г продукта, S. aureus в 1 г продукта, патогенные, в том числе сальмонеллы, в 25 г продукта, L. monocytogenes). Признаки и их нормы представлены в табл. 1.
Анализ проводился при помощи программы для статистической обработки данных IBM SPSS Statistics [2].
Таблица 1
Фрагмент таблицы признаков качества колбасных изделий
|
Признак |
Норма признака |
Значение |
|
|
Органолептические |
|||
|
Вкус Свойственный Неприятный |
X1 X2 |
Норма Отклонение |
2 4 |
|
Цвет фарша на разрезе Розовый Зеленоватый |
X3 X4 |
Норма Отклонение |
2 4 |
|
Консистенция Упругая Крошливая Наличие инородных тел |
X10 X11 X12 |
Норма Отклонение Отклонение |
2 4 6 |
|
Физико-химические |
|||
|
Массовая доля поваренной соли, % не более |
X26 |
2,1–2,5 |
2,3 |
|
Массовая доля жира, %, не более |
X27 |
15,0–32,0 |
24 |
|
Массовая доля белка, %, не менее |
X28 |
8,0–13,0 |
10,5 |
|
Массовая доля крахмала, %, не более |
X29 |
2,0–5,0 |
2,5 |
Взаимосвязь между признаками устанавливается при применении коэффициента корреляции Пирсона [4]:
где
В результате проведения корреляционного анализа было выявлено, что сильной (больше 0,75) корреляцией обладают следующие показатели: вкус свойственный (X1), вкус неприятный (X2), цвет розовый (X3), цвет зеленоватый (X4), запах свойственный (X6), запах гнилостный (X7), консистенция упругая (X10), консистенция крошливая (X11).
При этом средней корреляцией (0,5 до 0,75) обладают: запах с ароматом специй (X5), запах затхлый (X8), консистенция с наличием инородных тел (X12), внешний вид сухая (X13), внешний вид крепкая (X14), внешний вид эластичная (X15), внешний вид наличие плесени (X16), внешний вид липкость, слизь (X17), внешний вид серый пятна (X18).
Применив метод двухэтапного кластерного анализа, было выполнено разделение объектов на два кластера, отражающие качество продукции (хорошее и плохое), при этом выявлено 4 ошибочных наблюдения.
Результаты приведены в таблице 2. График представлен на рис 2.
Таблица 2
Результаты двухэтапного кластерного анализа
Рис. 2. График кластеров
Согласно собственным вычислениям, хорошим качеством обладают 72 наблюдения (48 %), плохим — 78 (52 %). Ошибочных выявлено не было.
Результаты выполнения дискриминантного анализа представлены в рис. 3, 4, а также была построена дискриминантная функция:
f(x)= 6,237 + 0,268x 1 + 0,156x 3– 0,134x 5 + 0,492x 6– 0,03x 7– 0,093x 8 + 0,53x 10 + 0,025x 12– 0,055x 13 + 0,031x 14– 0,113x 15– 0,071x 16 + 0,05x 17 + 0,103x 18 (6)
Рис. 3. График функции
Рис. 4. График функции
В результате выполнения данной работы были проведены двухэтапный кластерный анализ и дискриминантный анализ. Наблюдения разделены на два кластера, выявлен процент ошибок, построена дискриминантная функция.
Литература:
- Саввина, Е. А. Влияние типа данных на результаты классификации объектов / Е. А. Саввина // Вестник Воронежского государственного университета инженерных технологий. — 2013. — № 1 (55). — С. 68–72.
- Бююль, А. SPSS: искусство обработки информации, анализ статистических данных и восстановление скрытых закономерностей / А. Бююль, П. Цёфель. // СПб.: ООО «ДиаСофтЮП» — 2002. — 608с.
- Балашова, Е. А. Сравнительный анализ методов классификации при прогнозировании качества хлеба / Е. А. Балашова, В. К. Битюков, Е. А. Саввина // Вестник Воронежского государственного университета инженерных технологий. — 2013. — № 1 (55). — С. 57–62.
- Ефимов В. В. Статистические методы в управлении качеством продукции. / В. В. Ефимов, Т. В. Барт. // М.: КноРус. — 2012. — 240 с.
- Ниворожкина, Л. И. Статистические методы анализа данных: Учебник / Л. И. Ниворожкина, С. В. Арженовский, А. А. Рудяга. // М.: Риор, 2018. — 320 c.
- Дунченко, Н. И. Управление качеством продукции. Пищевая промышленность. Для магистров: Учебник / Н. И. Дунченко, М. П. Щетинин, В. С. Янковская. // СПб.: Лань. — 2018. — 244 c.
- Зубков, А. Ф. Дискриминантный анализ и кластерные технологии в исследовании экономической деятельности малых предприятий / А. Ф. Зубков, В. Н. Деркаченко, Р. В. Рыжов // Инновационная экономика и промышленная политика региона (Экопром — 2008): Труды Всероссийской научно-практической конференции / Под ред. д-ра экон. наук, проф. В. В. Глухова, д-ра экон. наук, проф. A. B. Бабкина — СПб.: Изд-во Политехн, ун-та. — 2008. — С. 582–589.
