ЖУРНАЛ СТА №3/2023

Иными словами, EXPERT BASE реали- зует Универсальную систему гибких глобальных запросов, «Universal Global Flaxible Requests System» – UGFRS. Открытая система решений для управления, планирования и оптимизации производства Поскольку текущее состояние про- изводства прозрачно для системы, то на базе текущих и исторических дан- ных предлагаются готовые решения оптимизации производства на базе мо- дулей оптимального оперативного планирования DATA-PLAN. При этом EXPERT BASE предоставляет инстру- менты для построения собственных оптимизационных модулей. Сочетание DATA-PLAN и EXPERT BASE предоставляет пользователю Открытую систему решений для управления, пла- нирования и оптимизации производ- ства, или, иначе, Интеллектуальную си- стему управления на основе производ- ственных данных, «OS Manufacturing Data Mind» – OS MDM (рис. 5). Заключение ORT MDM модель производственных данных, а также способы их обработки OODTS, UGFRS и OS MDM имеют сле- дующие преимущества. 1. Приём потоковых данных производ- ства проходит объектно-ориентиро- ванную трансформацию, которая описывает объект с учётом его пре- образований и условий, которые его окружают в процессе этих преобра- зований. Результат протоколируется в виде объектов, их параметров и от- ношений (связей) объектов. 2. Процесс обращения к данным сильно упрощён по сравнению с другими ре- шениями путём применения единого универсального интерфейса, который не требует переписывания данных под задачу и преобразования данных из одного формата описания в другой для решения конкретной задачи. 3. Помимо поставляемых модулей для решения задач по планированию и оптимизации производства, предо- ставляется инструментарий, чтобы быстро извлечь и обработать необхо- димую информацию, а в случае не- обходимости построить новый ин- терфейс для смежных модулей. Единый характер данных предостав- ляет возможности простого масштаби- рования, а также применения совре- менных инструментов работы с боль- шими данными и аналитическими ин- струментами в масштабе всего пред- приятия. ● Литература 1. Ford H., Crowther S. My Life and Work. Gar- den City, New York: Garden City Publishing Company, Inc. 1922. 231 p. 2. Deming W. Edwards. Statistical Adjustment of Data. Dover. 1943. 261 p. 3. Taylor F.W. The Principles of Scientific Mana- gement. New York; London: Harper & brot- hers. 1911. 144 p. 4. Gantt H.L. A graphical daily balance in manu- facture // Transactions of the American Socie- ty of Mechanical Engineers. 1903. Vol. 24. P. 1322–1336. 5. Лисовский А.Л. Оптимизация бизнес-про- цессов для перехода к устойчивому разви- тию в условиях четвёртой промышленной революции // Стратегические решения и риск-менджмент. 2018. № 4. С. 10–19. 6. Тарасов И.В., Попов Н.А. Индустрия 4.0: Трансформация производственных фаб- рик // Стратегические решения и риск- менджмент. 2018. № 3. С. 38–53. 7. Roblek V., Mesko M., Krapez A. A Complex Vi- ew of Industry 4.0 // SAGE Open. 2016. 8. Пуха Ю. Индустриальная революция 4.0 // PricewaterhouseCoopers. 2017. URL:https:// www.pwc.ru / ru/assets/pdf/industry-4-0 pwc.pdf. 9. Rojko A. Industry 4.0 concept: background and overview // International Journal of Interacti- ve Mobile Technologies (iJIM). 2017. Vol. 11, № 5. P. 77–90. URL: https://doi.org/10.3991/ijim. v11i5.7072. 10. Dean P.R., Xue D., Tu Y.L. Prediction of manu- facturing resource requirements from custo- mer demands in mass-customisation produc- tion // International Journal of Production Re- search. 2009. Vol. 47. № 5. P. 1245–1268. 11. Сербул А. Нейронки: какому бизнесу ну- жен искусственный интеллект (и лайфха- ки, как его внедрить) // Деловой журнал «Inc.». 2018. URL: https://incrussia.ru/under- stand/nejronki-kakomu-biznesu-nuzhen-iskus- stvennyj-intellekt-i-lajfhaki-kak-ego-vnedrit/. 12. Ding S.H., Kamaruddin S. Maintenance policy optimization – literature review and direc- tions // The International Journal of Advanced Manufacturing Technology. 2015. Vol. 76, №5–8. P. 1263–1283. URL: https://doi.org/10.1007/ s00170.014.6341.2. 13. Tinga T. Maintenance concepts // Principles of loads and failure mechanisms / Ed. H. Pham. London: Springer. 2013. P. 161–186. 14. Vishnu C.R., Regikumar V. Reliability based maintenance strategy selection in process plants: a case study // Procedia Technology. 2016. Vol. 25. P. 1080–1087. 15. Аршанский А. Искусственный интеллект в металлургии // НЛМК. 2018. URL: http:// www.cloudmobility.ru/sites/default/files/ 13.25-13.45_arhavsky_nlmk_new.pdf. 16. Harding J.A., Shahbaz M., Srinivas et al. Data mining in manufacturing: a review // Journal of Manufacturing Science and Engineering. 2006. Vol. 128, № 4. P. 969–976. URL: https:// doi.org/10.1115/1.2194554. 17. Chongwatpol J. Prognostic analysis of defects in manufacturing // Industrial Management & Data Systems. 2015. Vol. 115, № 1. P. 64–87. 18. O’Regan P., Prickett P., Setchi R. et al. Engine- ering aMore SustainableManufacturing Process forMetal Additive LayerManufacturing Using a Productive Process Pyramid // International Con- ference on Sustainable Design and Manufactu- ring. Cham: Springer. 2017. P. 736–745. URL: https:// doi.org/10.1007/ 978.3.319.57078.5_69. СТА 3/2023 48 www.cta.ru НОУ - ХАУ Рис. 5. Система управления на основе производственных данных