CC BY
20УДК 658.5.012.7
АНАЛИЗ МЕТОДОВ И СРЕДСТВ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМ ПРЕДПРИЯТИЕМ
АЭРОКОСМИЧЕСКОИ ОТРАСЛИ
Ю. С. Сахалтуева1, В. С. Тынченко2, И. С. Филимонов3
1 3АО «Красноярский машиностроительный завод» Российская Федерация, 660037, г. Красноярск, просп. им. газ. Красноярский рабочий, 29 2Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: sahaltueva@yandex.ru
Проведен анализ средств и методов управления производством. Рассмотрены различные методы, основанные на анализе данных. Сделан вывод о том, какие методы следует применять в ракетно-космической отрасли.
Ключевые слова: ракетно-космическая отрасль, управление предприятием, ERP, OLAP, Data Mining, нейронные сети, принятие решений.
ANALYSING METHODS AND MEANS OF MANUFACTURING ENTERPRISE
MANAGEMENT IN THE AEROSPACE INDUSTRY
Y. S. Sakhaltueva1, V. S. Tynchenko2, I. S. Philimonov3
1 3АО "Krasnoyarsky Ma^ne - building plant" 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
2Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: sahaltueva@yandex.ru
This article analyzes the means and methods of production management. The article reviews various methods based on data analysis. The research studies what methods should be used in the rocket and space industry.
Keywords: enterprise management, ERP, OLAP, Data Mining, neural networks, rocket and space industry.
Промышленное производство направлено на реализацию широкого спектра продуктов по высоким стандартам качества. Для управления таким предприятием требуется построение правильного процесса управления производством, для улучшения которого, нужно использовать интеллектуальный анализ данных [1].
На предприятиях различной направленности от пищевой направления, до ракетно-космической отрасли, процессы изготовления обычно организуются как производственные цеха или цепочки производства. Обычно, на таких предприятиях необходимые данные производственного процесса хранятся либо на самой сборочной машине, либо внутри локальной базы данных. Вследствие этого, поиск и подготовка данных о процессе и качестве, особенно в производстве цехов, занимает большое количество времени, что делает интеллектуальный анализ данных невозможным. Чтобы обеспечить мониторинг процессов на основе методов интеллектуального анализа данных в производстве мастерских, требуется методология для извлечения, преобразования и хранения данных. Для реализации данных подходов применяются различные методы и средства [2].
Виртуальный процесс передачи данных. Виртуальный процесс передачи данных основан на подходе
виртуальной связи и динамической огибающей характеристике.
Чтобы сократить время реакции, персонал информируется о текущих характеристиках, разрешенных отклонениях и аномалиях, которые напоминают вредоносные влияния на качество конечного товара. Подход виртуальной связи и динамическая огибающая характеристика позволяют провести аналитику и визуализацию даже при большом размахе производства. Данный метод находит свое применение на предприятиях, на которых процесс изготовления состоит из большой цепочки. Например, машиностроение, ракетостроение, изготовление металлических изделий.
Достоинства:
- широкий спектр применения;
- понятность полученной информации.
Недостатки:
- хранение информации децентрализованным способом;
- стоимость.
Байесовская сетевая модель. Моделирование байесовских сетей - это графическое представление и метод вывода, используемый для вычисления условных и предельные вероятности случайного события.
Решетневские чтения. 2017
Выбор системы управления предприятием
Метод Сложный технологиче- Большая структура Цепочка Мониторинг в реаль-
ский процесс предприятия производства ном режиме времени
Виртуальный процесс + +
передачи данных
Байесовская сетевая + + + +
модель
Хранилище знаний + - + -
Многоцелевая система
поддержки принятия - + - +
решений
Такой подход может объединять разнородные типы данных в общую структуру. Благодаря преимуществам байесовских сетей этот подход был принят для интеграции между инфраструктурой данных, поддержкой ресурсов и интеграцией с ERP [3].
Последние разработки в области ERP систем основываются на байесовской сетевой модели, которая включает в себя переменные хранилища данных, OLAP и интеллектуальный анализ данных. Данный метод следует применять на предприятиях, имеющих большую организационную структуру и большое количество персонала. Такими предприятиями являются, различны заводы, фабрики, концерны, из различных сфер деятельности [4].
Достоинства:
- быстрый анализ больших массивов информации;
- широкий профиль применения.
Недостатки:
- стоимость;
- сложность интеграции.
Хранилище знаний. Хранилище данных отвечает за предоставление информации, необходимой для поддержки принятия управленческих решений. Хранилище знаний может управлять не только данными и информацией, но и знаниями о предприятии. Данный подход применяется в системе ERP.
Хотя ERP система является мощной, серьезной, но здесь проблемой является использование предыдущего опыта и знаний для поддержки принятия управленческих решений. Большинство современных версий ERP-систем не могут обеспечить удовлетворительные решения. Хранилище данных может извлекать, очищать, интегрировать и хранить огромное количество данных. Данный метод подходит для предприятий, с большим количеством персонала, производящих высокотехнологичные системы. Например, ракетостроение, спутникостроение [5].
Достоинства:
- гибкое управления знаниями;
- доступ ко всем имеющимся знаниям.
Недостатки:
- сложность реализации;
- узкая область применения.
Многоцелевая система поддержки принятия решений. Основная идея предлагаемого подхода -применение набора нейронных сетей, обученных «найти отказ». В режиме реального времени информация о режимах состояния объекта управления пода-
ется на входы всех нейронных сетей и обрабатывается одновременно. Таким образом, в режиме работы модуль нейронной сети, созданный в соответствии с предлагаемым методом, может идентифицировать несколько типов одновременно возникающих сбоев. Данные средства применяются на производствах, на которых нужно отслеживать работу системы в реальном времени, например, газонефтяная отрасль [6].
Достоинства:
- многоцелевое применение;
- высокая скорость обработки данных.
Недостатки:
- высокая вероятность ошибки;
- зависимость от человеческого фактора.
Проанализировав вышесказанное, можно составить систему, позволяющую сопоставить описанные методы с различными характеристиками производства. Системы выбора представлены в таблице.
Систему управления предприятием следует выбирать, исходя из решаемых задач, в случае, если предприятию требуется постоянный контроль производства, то следует выбирать систему, которая будет контролировать производство в реальном режиме времени, такие как, многоцелевая система поддержки принятия решений и виртуальная система передачи данных.
Если предприятие имеет большую структуру и большое количество персонала, то нужно применять ERP системы, которые можно интегрировать с другими методами, такими как, байесовская сетевая модель.
Для предприятий, которые имеют большое количество персонала и производят сложные технические средства, целесообразно применять ERP системы с хранилищем знаний.
Каждый из описанных методов, находит применение в различных видах производства. Но каждый из них целесообразно применять только на крупных предприятиях.
Ракетно-космическая область представляет собой сложную, многоуровневую систему производства. Каждый из перечисленных методов можно применить в данной области.
Рассмотрев некоторые методы, упрощающие процесс управления производством, сделан вывод о том, что, на производстве лучше всего ERP систему, так как данный продукт охватывает разные направления деятельности и имеет возможность интеграции
с различными технологиями, такими как: OLAP, Data Mining, хранилище знаний и многими др.
Библиографические ссылки
1. Вахитов А. Р. Использование KPI, технологий OLAP и Data Mining при обработке данных // Известия Томского политехнического университета. 2009. № 5. 115 с.
2. Северцев Н. А., Мухин А. В., Гущин Ю. Г. Применение информационной технологии для развития производства // Надежность и качество : труды Междунар. симпозиума. 2008. Вып. 1. 97 с.
3. Методы принятия управленческих решений [Электронный ресурс] URL: http://www.up-pro.ru/ encyclopedia/metody-upravlencheskih-reshenij .html (дата обращения: 14.09.2016).
4. Интеграция OLAP и Data Mining [Электронный ресурс] URL: http://cdforex.com.ru/nr2/index-integra-ciya_olap_i_data_mining.html (дата обращения: 14.09.2016).
5. Мизюн В. А. Интеллектуальные методы управления предприятием. М., 2008. 288 с.
6. Звягин Л. С. Системы поддержки принятия управленческих решений на основе байесовских интеллектуальных технологий. М. : Молодой ученый, 2011. № 12. 154 c.
References
1. Vahitov A. R. Ispol'zovanie KPI, tehnologii OLAP i Data Mining pri obrabotke dannih [Using KPI, OLAP-technologies and Data Mining technology in data processing] // News of Tomsk polytechnic university. 2009. 115 p.
2. Severtsev N. A., Muhin A. V., Guschin U. G. Priminenie informatcionnoy tehnologii dlya razvitiya proizvodstva [The use of information technology for the development of production] // International symposium "Reliability and quality". 2008. Vol. 1. 97 р.
3. Methods of management decision-making. Available at: http://www.up-pro.ru/encyclopedia/metody-upravlencheskih-reshenij.html (accessed: 14.09.2016).
4. Integration OLAP and Data Mining technologies. Available at: http://cdforex.com.ru/nr2/index-integraciya_ olap_i_data_mining.html (accessed: 14.09.2016).
5. Miz'un V. A. Intellektual'nye metody upravleniya predpriyatiem [Intellectual methods of company management]. M., 2008. 288 p.
6. Zvyagin L. S. Sistemy podderzhki prinyatiya upravlencheskih resheniy na osnove bayesovskih intellektual'nih tehnologiy [Support systems for making decisions of management based on bayes technologies]. M., 2011. 154 p.
© Сахалтуева Ю. С., Тынченко В. С., Филимонов И. С., 2017
