CC BY
43298
DOI:10.38197/2072-2060-2021-228-2-298-317
АНАЛИЗ
ТЕХНОЛОГИЙ
КОМПЛЕКСНОЙ
ЦИФРОВИЗАЦИИ
ВЫСОКОТЕХНОЛОГИЧНОГО
ПРОМЫШЛЕННОГО
ПРОИЗВОДСТВА
В УСЛОВИЯХ ПАРАДИГМЫ
«ИНДУСТРИЯ 4.0» ANALYSING TECHNOLOGIES FOR THE COMPREHENSIVE DIGITALISATION OF HIGHTECH INDUSTRIAL PRODUCTION IN AN «INDUSTRY 4.0» PARADIGM
АНДРИАНОВ АНТОН МИХАЙЛОВИЧ
Аспирант кафедры «Менеджмент и маркетинг высокотехнологичных отраслей промышленности» ФГБОУ ВО «Московский авиационный институт (национальный исследовательский университет)»
ANTON M. ANDRIANOV
Post-graduate student of the department «Management and Marketing of High Technology Industries» Moscow Aviation Institute (National Research University)
Исследование автора посвящено анализу современных технологий цифровизации высокотехнологичного производства, активно развивающихся в рамках парадигмы «Индустрия 4.0», являющейся основой происходящей в настоящее время Четвертой промышленной революции. В рамках исследования автором рассматриваются понятие, сущность и прикладной потенциал таких технологий, как киберфизические системы, Промышленный интернет вещей, системы управления жизненным циклом изделия, коллаборативные роботы, технологии анализа больших данных, искусственный интеллект и bD-печать. Глубокая взаимосвязь и взаимовлияние этих технологий в рамках реального высокотехнологичного производства отражает системный характер процессов цифровой трансформации промышленных структур, предполагая важность их гармоничного и комплексного применения в соответствии с текущим уровнем автоматизации предприятия. ABSTRACT
The author's research focuses on the analysis of modern technologies of digitalization of high-tech production, actively developing within the paradigm of "Industry 4.0", which is the basis for the ongoing Fourth Industrial Revolution. The study examines the concept, essence and application potential of such technologies as cyber-physical systems,
300
Industrial Internet of Things, product LifecycLe management systems, collaborative robots, Big Data analytics, artificial intelligence and 3D-print-ing. The profound interconnection and interplay of these technologies within real high-tech manufacturing reflects the systemic nature of the digital transformation of industrial structures, suggesting the importance of their harmonious and integrated application in line with the current level of enterprise automation.
КЛЮЧЕВЫЕ СЛОВА
Цифровизация производства, Индустрия 4.0, киберфизические системы, Промышленный интернет вещей, большие данные, искусственный интеллект, интеллектуальная автоматизация производства. KEYWORDS
Digitalisation of production, Industry 4.0, Cyber-Physical Systems, Industrial Internet of Things, Big Data, Artificial Intelligence, Intelligent Factory Automation.
На современном этапе развития высокотехнологичных отраслей промышленности одним из ключевых направлений их развития является комплексная цифровизация за счет применения ряда технологий, объединяемых экспертами и учеными в рамках парадигмы «Индустрия 4.0». Получившая широкую известность во втором десятилетии XXI века, данная парадигма отражает переход мировой промышленности к технологическому укладу Четвертой промышленной революции. Динамичное развитие Индустрии 4.0 обусловлено существенным прогрессом в области вычислительных возможностей современных компьютеров и систем интеллектуальной автоматизации производства, совершенствованию алгоритмов искусственного интеллекта и внедрению механизмов межмашинного
взаимодействия на основе реализации Промышленного интернета вещей и ряда других технологий.
Системность и взаимосвязанность в рамках реальных производственных систем указанных выше технологий позволила достичь комплексной цифровой трансформации существующих высокотехнологичных предприятий, а получаемый благодаря этому радикальный прирост их технологической и экономической эффективности обусловил внедрение данных технологий как одну из важнейших составляющих конкурентного потенциала предприятия. Данное исследование посвящено анализу ключевых технологий цифровизации современного инновационного производства, связанных с его организацией, аппаратной и программной автоматизацией и создания новых механизмов межмашинного взаимодействия с учетом места и функций этих технологий в структуре общего технологического развития предприятия.
К числу технологий Индустрии 4.0, связанных с организацией производства, относятся Промышленный интернет вещей, киберфизические системы и системы управления жизненным циклом изделий. В первую очередь следует рассмотреть сущность и роль в современном цифровом производстве Промышленного интернета вещей (Industrial Internet of Things-IIoT). В рамках организации цифрового производства Промышленный интернет вещей выполняет одну из важнейших функций, формируя постоянно действующие связи между сотнями и тысячами единиц оборудования и устройств на предприятии в рамках общей цифровой среды. Это позволяет обеспечить создание устойчивых механизмов межмашинного взаимодействия, повысив эффективность использования оборудования и снизив при этом
302
общее время его простоя. Благодаря использованию технологии ^^ специалистами предприятия максимально точно синхронизируются циклы работы отдельного оборудования, вследствие чего оптимизируется график производства и снижается избыточное энергопотребление. Кроме того, межмашинное взаимодействие повышает уровень самоорганизации оборудования в составе производственных линий в процессе совместного выполнения серии последовательных автоматизированных операций над деталями и заготовками, исключая необходимость постоянного контроля за ее прохождением со стороны работников предприятия.
Прикладная реализация IIoT происходит на основе оснащения оборудования предприятия исполнительными механизмами, датчиками и сенсорами, отслеживающими параметры его работы и технического состояния, информация о которых передается в Центр обработки данных предприятия посредством оптоволоконной или беспроводной связи. Использование технологии цифрового двойника позволяет сформировать на основе этих данных виртуальную модель отдельного подразделения или всего предприятия, динамически отражающую работу действующего на нем оборудования в режиме реального времени.
Инфраструктура Промышленного интернета вещей является необходимым технологическим фундаментом для построения киберфизических систем. В наиболее упрощенной трактовке под термином «киберфизическая система» понимается совокупность промышленного оборудования, объединяемая в рамках инфраструктуры IIoT, во взаимосвязанную экосистему, обладающую возможностями самоконтроля и саморегулирования. Киберфизическая система представляет собой следующий этап комплексной авто-
матизации производства, в котором баланс в управлении производственными процессами смещается с человеко-машинного на межмашинное взаимодействие, благодаря чему в значительной степени возрастает эффективность самого производства, минимизируются вызываемые «человеческим фактором» задержки и сбои. В значительной степени такая автономность киберфизических систем связана с применением в их структуре алгоритмов искусственного интеллекта, обучаемых разработчиками для решения задач организации и управления производственными процессами. Человек в подобной системе постепенно приближается к роли наблюдателя, в то время как высокоавтоматизированное оборудование приобретает все большие возможности для межмашинной кооперации.
Оснащение производственного оборудования в рамках киберфизической системы приводами и исполнительными механизмами позволяет персоналу удаленно как контролировать реализацию производственных процессов, так и управлять ими дистанционно при помощи компьютера или рабочего графического планшета. Фактически кибер-физическая система представляет собой серьезный шаг к воплощению идеи «безлюдного» производства, в котором машины впервые обретают способности и функциональные возможности для самостоятельной реализации технологических циклов различной степени сложности.
В качестве комплексных систем управления как киберфизи-ческими системами,так и прочими подсистемами предприятия в рамках Индустрии 4.0 внедряются системы управления жизненным циклом изделия (Product Lifecycle Management — PLM). Развивающаяся технически и методологически еще с конца прошлого столетия, технология PLM стала важным компонен-
304
том общего комплекса технологий Четвертой промышленной революции, так как сама их философия оказалась созвучна базовым идеям цифровой трансформации производства. В отличие от более консервативных подходов к управлению предприятием, в которых в фокусе внимания руководства находится само производство, управление жизненным циклом изделия концентрируется на сборе, обработке, систематизации и исследовании информации о производимом продукте и сопутствующих его созданию процессах. Анализ собираемой таким образом информации позволяет выявить избыточные издержки, неэффективные технологические процессы, проблемы в области взаимодействия отдельных подразделений предприятия при производстве продукции и т.д. В условиях Индустрии 4.0 PLM-система представляет собой развитую программную систему, охватывающую различные автоматизированные подсистемы предприятия на всех этапах разработки, проектирования, производства и сервисного обслуживания продукта и способствующая более их эффективной взаимоувязке, выявлению и решению технических и организационных проблем по всему жизненному циклу изделия.
Технологический прогресс в сфере производства, ставший объективной реальностью в условиях Четвертой промышленной революции, затронул и технологии его аппаратной автоматизации, приведя к широкому распространению кол-лаборативных роботов. Активное использование промышленных роботов в производстве берет начало в 60-х годах прошлого столетия. Первые прототипы промышленых роботов были созданы и применены в производстве в США в 1961 году инженерами Д. Деволом и Д. Энгельбергом. В год получения ими патента на свое изобретение им заинтересовалось руководство автомобильного предприятия General
Motors, заказавшее для своего производства первую партию роботов Unimate. Роботизация производства на тот момент представлялась весьма перспективным направлением как ученым того времени, так и владельцам предприятий, поскольку позволяла автоматизировать выполнение сложных и трудоемких операций, а также операций с заготовками, выполняющихся в опасных для человека условиях (к примеру, в условиях крайне высоких температур). В последующие десятилетия идея создания собственных промышленных роботов привлекла многие крупные высокотехнологичные компании: KUKA, ABB, FANUC, Panasonic и других, а сама промышленная робототехника стала неотъемлемой составляющей технологического ландшафта автоматизированного предприятия.
Стремительное развитие технологий производства, сопровождавшее в последние годы распространение Четвертой промышленной революции, отразилось и на развитии промышленной робототехники, в результате чего в рамках концепции Cobotics (Collaborative Robotics) были созданы первые коллаборативные роботы. С точки зрения науки создание коллаборативных роботов является результатом активизации прикладных исследований на пересечении таких областей, как робототехника, мехатроника, эргономика, бионика и искусственный интеллект. Ключевым отличием данного типа роботов является то, что они способны эффективно и безопасно взаимодействовать с человеком в процессе работы и могут выполнять совместные с людьми физические действия и операции. При этом возрастает эффективность выполнения таких операций, в которых коллаборативный робот берет на себя наиболее трудоемкие функции, а специалист имеет возможность сосредоточиться на интеллектуальных и более сложных с пространственной точки зрения операциях.
30
Промышленные роботы предыдущих поколений, несмотря на наличие у них базовых сенсоров, признавались технически опасным оборудованием, а зона их функционирования всегда была изолирована от человеческого персонала во избежание получения людьми травм и повреждений. Коллаборативные роботы изначально проектировались как безопасные для человека устройства, оснащенные значительным числом сенсоров и датчиков, в том числе фиксирующих соприкосновение с человеком, а также развитой системой распознавания образов и развитым искусственным интеллектом. Кроме того, современные коллаборативные роботы обладают меньшими массогабаритными размерами и скоростью движения манипуляторов, чем традиционные промышленные роботы, что также минимизирует потенциальные риски травм и повреждений для взаимодействующего с ними персонала.
Одно из важнейших мест среди всех направлений развития Четвертой промышленной революции занимают интеллектуальные технологии и системы управления производством, в число которых входят технологии анализа больших данных и искусственный интеллект. Информация о предприятии и отдельных его производственных процессов в условиях Индустрии 4.0 превращается в важный ресурс, используемый для системного и непрерывного повышения его эффективности, стратегического планирования его развития, максимально эффективного тактического и оперативного управления реализуемыми на нем проектами.
В этой связи все более актуальным для научного и профессионального сообщества становится афоризм, высказанный в 2006 году британским математиком Клайвом Хамби: «Данные — это новая нефть» [7]. При этом в систе-
ме цифрового производства важными являются не столько сами данные, сколько технологии и инструменты их автоматизированного сбора, обработки и использования для достижения стратегических целей предприятия, поскольку данные о различных показателях и процессах предприятий собирались и анализировались и в прежние десятилетия, до наступления Четвертой промышленной революции. Ключевым отличием подходов к работе с данными, декларируемых в рамках Индустрии 4.0, выступает именно существенный прирост количественных и качественных показателей эффективности работы с этими данными, достигаемый на основе применения совершенно новых технологий и алгоритмов, связанных с анализом больших данных.
Под большими данными в контексте этого исследования понимается значительный объем неструктурированных или слабо структурированных данных о различных направлениях деятельности предприятия, функционировании его подсистем, которые, в силу объема и внутренней разрозненности, превышают потенциал современных реляционных баз данных и не могут быть проанализированы при помощи традиционных статистических подходов и ограниченных вычислительных ресурсов. Использовавшиеся в предшествующие Четвертой промышленной революции десятилетия методы и технологии анализа данных, как правило, были сильно ограничены интеллектуальными возможностями проводившего их специалиста, а также доступных ему программных продуктов. Это приводило к высокой избирательности в составлении выборок, которые, как правило, отражали лишь динамику отдельных ключевых показателей, а их объем соответствовал доступной такому специалисту вычислительной техники. Значительный прогресс
308
в развитии компьютеров в первом десятилетии XXI века позволил проводить анализ более масштабных выборок, но с сохранением условиях их структурированности, которое соответствовало принципам работы человеческой логики. В то же время объемы данных, целостно описывающих комплексное функционирование всего предприятия — большие данные, — оставались недоступны для простого человеческого анализа. Это обусловило необходимость разработки интеллектуальных алгоритмов анализа больших данных, которые были способны преодолеть ограничения человеческого восприятия, осмысления и интерпретации информации, ставших одним из драйверов развития Индустрии 4.0.
В число активно развивающихся технологий анализа больших данных входят технологии MapReduce, Hadoop, Data Mining, машинное обучение, прогнозная аналитика, генетические алгоритмы, распознавание образов, пространственный анализ, многомерный анализ данных (OLAP) и др. Каждая из указанных технологий обладает своими особенностями и требует серьезной подготовки соответствующих специалистов предприятия. Для упрощения задачи организации анализа больших данных многие крупные производители программного и аппаратного обеспечения для автоматизации производства предлагают свои готовые решения. В числе таких решений можно назвать совместную платформу IBM Cognos Analytics, Oracle Big Data, BigOuery от Google, SAP HANA, Micro Focus Vertica Analytics Platform и т.д. Некоторые компании предоставляют заказчику для проведения вычислений собственную облачную среду в рамках модели «Программное обеспечение как услуга» (SaaS — Software as a Service), избавляя его, таким образом, от необходимости закупки и установки дорогостоящего серверного оборудования.
Одной из опорных технологий Четвертой промышленной революции выступает искусственный интеллект (ИИ), играющий важную роль во многих направлениях цифровизации предприятия. Различные алгоритмы ИИ используются при обучении коллаборативных роботов, анализе больших данных, организации киберфизических систем и PLM-систем и т.д. В настоящее время в научной и прикладной сферах активно развиваются различные технологии искусственного интеллекта: нейронные сети, нечеткие системы, эволюционные алгоритмы, рекуррентные сети, системы на основе мягких вычислений и др. Большинство из имеющихся технологий подразумевают необходимость специального обучения алгоритмов искусственного интеллекта для решения прикладных задач и выполнения определенных функций в рамках производства. С точки зрения практической реализации систем ИИ у предприятия существует выбор: при наличии в штате предприятия сильных специалистов в области искусственного интеллекта они могут попытаться спроектировать и обучить подобную систему самостоятельно, либо руководство предприятия может прибегнуть к закупке готового решения. Такие готовые решения сегодня предлагают многие крупные компании, специализирующиеся на создании программно-аппаратных комплексов для цифровой трансформации предприятия, включая IBM, HP, Microsoft, Oracle, Cisco, SAP и др.
Одним из первоначальных этапов развития современной науки об искусственном интеллекте считается Дартмутский семинар, проходивший в течение двух месяцев в 1956 году в Дартмутском колледже в США. Организаторами этого мероприятия стали ведущие ученые того времени в области теории информации, кибернетики и математики — Марвин
310
Мински, Клод Шеннон, Джон Маккарти и Натаниэль Роче-стер. В качестве основной темы семинара было обсуждение вопросов, связанных с возможностями технологий того времени для создания математических и программных моделей человеческого разума. Сам термин «искусственный интеллект» был впервые введен в рамках Дартмутского семинара Д. Маккарти. Хотя сам семинар не принес его участникам и слушателям моментальных научных открытий, он создал важный социальный импульс, вызвав интерес к теме искусственного интеллекта у достаточно большого числа ученых.
В последующие десятилетия развитие искусственного интеллекта периодически сталкивалось со сложностями, часть из которых лежала в методологической плоскости, а часть — в плоскости технических ограничений, связанных с недостаточностью быстродействия и вычислительной мощности компьютерной техники того времени. В истории развития ИИ периоды угасания интереса научного сообщества к данной теме и снижения его исследовательской активности получили название «зимы искусственного интеллекта». Наиболее продолжительные «зимы» были зафиксированы в периоды с 1974 по 1980 годы и с 1987 по 1993 годы и были связаны с возросшим в тот период скептицизмом научного мира по отношению к ИИ и неудачами отдельных проектов по его реализации. Вплоть до первого десятилетия XXI века искусственный интеллект развивался преимущественно в качестве области, обособленной от реальной промышленности.
Рост интереса к его применению в промышленном производстве был вызван сразу несколькими факторами: стремительное развитие компьютерной техники, создание перспективных моделей искусственного интеллекта, включая
многослойные нейронные сети, потребность предприятий в повышении интеллектуального потенциала автоматизированных систем и общее развитие их цифровой инфраструктуры. При этом наибольший прогресс в развитии и внедрении ИИ на производстве был связан с началом Четвертой промышленной революции, в рамках которой он приобрел статус связующей силы, способной объединить сотни устройств и машин благодаря инфраструктуре Промышленного интернета вещей, создав из них гибкую и управляемую систему, в которой человеческий и машинный интеллект дополняют друг друга в стремлении к общей цели — повышению эффективности предприятия. Развитие искусственного интеллекта легло в основу нового поколения технологий комплексной автоматизации производства — интеллектуальной автоматизации, в которой ИИ обеспечивает выполнение ряда ранее недоступных машинам функций: анализа, контроля, регулирования режимов работы производственного оборудования, образуя тем самым дополнительный контур управления производственными процессами предприятия.
В заключительную категорию классификации технологий цифровой трансформации инновационной промышленности входят технологии аддитивного производства: 3D-печать с применением пластиков и композитов, технологии селективного лазерного спекания на основе металлических порошков и технологии электронно-лучевой плавки. Само понятие аддитивности предполагает отличный от традиционного способ получения детали — вместо различных операций по удалению лишних слоев материала путем механической обработки заготовки в случае аддитивного производства происходит послойное воссоздание детали на основе наплавляемых или спекаемых слоев определенного материала (термопластики,
312
гипсы, жидкие фотополимеры, композиты, металлические порошки) в соответствии с заранее подготовленной при помощи систем автоматизированного проектирования эталонной SD-моделью. Рост востребованности технологий аддитивного производства в условиях Четвертой промышленной революции связан, прежде всего, с возможностями существенного упрощения и сокращения числа технологических процессов производства отдельных деталей и узлов продукции при сохранении и, в некоторых случаях, повышении уровня качества и надежности получаемых результатов. Кроме того, внедрение подобных технологий позволяет достичь кастоми-зированного производства, также активно развивающегося в рамках Индустрии 4.0, предполагающего возможность заказчика самостоятельно определять внешний вид и отдельные параметры продукта до начала его изготовления. Это способствует увеличению ценности пользовательского опыта, когда человек имеет возможность индивидуализировать приобретаемый продукт, придав ему уникальные черты и, в определенных случаях, сделав неповторимым.
Наиболее известной из технологий аддитивного производства, используемой как на крупных предприятиях, так и небольшими компаниями и отдельными энтузиастами, является SD-печать методом наплавления с применением пластиков и композитов (Fused Deposition Modeling — FDM). Подобная технология позволяет изготавливать путем на-плавления подаваемой в принтер пластиковой нити (в ряде устройств — с возможностью армирования создаваемой конструкции параллельно подаваемой композитной нитью) изделий со сложной геометрией, изготовление которых традиционными методами потребовало бы проведения гораздо большего числа операций. В то же время сама прочность по-
лучаемых изделий гораздо ниже, чем их металлических аналогов, что сужает область применения технологии FDM до производства элементов продукции предприятия, не предполагающих применение к ним серьезных нагрузок. Как правило, технология FDM в современных условиях используется для создания опытных прототипов деталей и узлов, а также при изготовлении мелкосерийных партий продукции на небольших производствах. Ее преимуществом в этом контексте выступает сравнительно невысокая цена на оборудование для SD-печати, что позволяет приобретать его даже отдельным любителям, впервые осваивающим технологии аддитивного производства.
Вторая активно развивающаяся технология аддитивного производства — технология селективного лазерного спекания (Selective Laser Melting — SLM), в качестве рабочего материала использующая металлические порошки. Данная технология, в отличие от предыдущей, высоко востребована крупными высокотехнологичными предприятиями в качестве полноценной альтернативы изготовлению металлических деталей и узлов традиционными методами обработки. Высокий потенциал SLM-технология демонстрирует в аэрокосмической, автомобилестроительной, энергетической промышленности и в ряде других высокотехнологичных отраслей. Прежде всего, это связано с высокой точностью изготовления деталей, их прочностью и значительным сокращением времени на их создание. Вместе с тем применение технологии селективного лазерного спекания позволяет получить значимый экономический эффект, поскольку один SLM-принтер способен заменить сразу несколько станков с ЧПУ и обрабатывающих центров, использование которых требовалось для проведения последовательности операций по обработке заготовки,
314
которую он один в состоянии напечатать в течение нескольких часов. Технология селективного лазерного спекания уже в настоящее время находится в фокусе внимания крупнейших высокотехнологичных компаний, в число которых входят General Electric, Boeing, Rolls-Royce, BMW, Airbus и др.
В отличие от рассмотренных выше, технология лазерной стереолитографии (Stereolithography Apparatus — SLA) в качестве сырья использует не твердые материалы, а жидкую фотополимерную смолу, отверждение отливок из которой происходит под воздействием лазерного луча, целенаправленно освещающего те участки налитой в специальную ванну смолы, которые соответствуют отдельным блокам исходной SD-модели. Данная технология широко используется для создания прототипов и трехмерных моделей будущих изделий, а также применяется в архитектуре и медицинской сфере. Ее преимуществом является то, что сам процесс изготовления прототипа занимает в среднем меньше времени, чем с использованием других технологий аддитивного производства при сохранении аналогичной точности, а само оборудование является более компактным и дешевым, чем те же SLM-принтеры. Основной недостаток технологии SLA заключается в меньших прочностных характеристиках изготавливаемой модели, что осложняет ее использование для печати деталей и узлов, подвергающихся систематической механической нагрузке и износу. Соответственно, в большинстве случаев технология SLA применяется для создания демонстрационных прототипов будущих изделий.
Как было отмечено ранее, одним из ключевых свойств экономики в эпоху Четвертой промышленной революции является развитие экосистемного взаимодействия между различными участниками инновационно-инвестиционной
деятельности при разработке и производстве инноваций. К наиболее перспективным формам подобной кооперации в современной инновационной экономики относятся, прежде всего, кластерные структуры, являющиеся опорными точками в контексте Национальной инновационной системы России и базирующиеся на принципах экосистемного взаимодействия между их участниками.
Библиографический список
1. Голов Р.С., Мыльник А.В. Теоретические основы формирования инновационно-синергетических промышленных кластеров // Журнал «Экономика и управление в машиностроении», 2012, № 3. С. 26-29.
2. Голов Р.С. Концептуальные основы технологического и экономического развития инновационно-инвестиционных кластеров // Журнал «Экономика и управление в машиностроении», 2012, № 4, С.31-35.
3. Голов Р.С., Агарков А.П. Проектирование и формирование инновационных промышленных кластеров. Монография. — М.: ООО «ИТК «Дашков и К», 2016. 288 с.
4. Голов Р.С., Мыльник А.В. Системная реиндустриализация экономики: существующие предпосылки и оптимальные пути ее реализации // Журнал «Экономика и управление в машиностроении», 2017, № 1. С. 59-64.
5. Куликов О.А. Концепция «Индустрия 4.0» как основа реиндустри-ализации промышленного сектора // Ж-л «Известия Саратовского университета. Новая серия. Серия Экономика. Управление. Право», том 20, вып. 1, 2020. С. 22-28.
6. Никитин А.А., Левин Ю.А. «Индустрия-4.0»: концептуальные вопросы цифровизации в легкой промышленности // Ж-л «Инновации и инвестиции», 2019, № 1. С. 3-5.
31
7. Arthur C. Tech giants may be huge, but nothing matches big data // The Guardian, 23 August 2013 [электронный ресурс]. URL: https:// www.theguardian.com/technology/2013/aug/23/tech-giants-data
8. Bresnahan, T. F., Gambardella, A., & Saxenian, A. Old Economy Inputs for New Economy Outcomes: Cluster Formation in the New Silicon Valleys // Industrial and Corporate Change, 10(4), 2001. Pp. 835-860.
9. Grieves M. Product Lifecycle Management: the new paradigm for enterprises. Int. J. Product Development 2 (Nos. 1/2). 2005. Pp. 71-84.
10. Mann S. Eye Am a Camera: Surveillance and Sousveillance in the Glassage //Time, 5 March 2013. URL: https://techland.time.com/2012/11/02/ eye-am-a-camera-surveillance-and-sousveillance-in-the-glassage/
11. Rosenberg, L. B. Virtual fixtures: Perceptual tools for telerobotic manipulation, Proc. IEEE Virtual Reality International Symposium (VRAIS'93), 1993. Pp. 76-82.
References
1. Golov R.S., Myl>nik A.V. Teoreticheskie osnovy formirovaniya innova-cionno-sinergeticheskih promyshlennyh klasterov // ZHurnal «Ekono-mika i upravlenie v mashinostroenii», № 3, 2012. S. 26-29
2. Golov R.S. Konceptual'nye osnovy tekhnologicheskogo i ekonomich-eskogo razvitiya innovacionno-investicionnyh klasterov // ZHurnal «Ekonomika i upravlenie v mashinostroenii», № 4, 2012. S. 31-35.
3. Golov R.S., Agarkov A.P. Proektirovanie i formirovanie innovacionnyh promyshlennyh klasterov. Monografiya. M.: OOO «ITK «Dashkov i K», 2016. 288 s.
4. Golov R.S., Myl'nik A.V. Sistemnaya reindustrializaciya ekonomiki: su-shchestvuyushchie predposylki i optimal'nye puti ee realizacii // ZHurnal «Ekonomika i upravlenie v mashinostroenii», № 1, 2017. S. 59-64.
5. Kulikov O.A. Koncepciya «Industriya 4.0» kak osnova reindustrializacii promyshlennogo sektora // ZH-l «Izvestiya Saratovskogo universiteta.
Novaya seriya. Seriya Ekonomika. Upravlenie. Pravo», tom 20, vyp. 1, 2020. S. 22-28.
6. Nikitin A.A., Levin YU.A. «Industriya-4.0»: konceptual'nye voprosy cifrovizacii v legkoj promyshlennosti // ZH-l «Innovacii i investicii», № 1, 2019. S. 3-5.
7. Arthur C. Tech giants may be huge, but nothing matches big data // The Guardian, 23 August 2013 [elektronnyj resurs]. URL: https://www. theguardian.com/technology/2013/aug/23/tech-giants-data
8. Bresnahan, T. F., Gambardella, A., & Saxenian, A. Old Economy Inputs for New Economy Outcomes: Cluster Formation in the New Silicon Valleys // Industrial and Corporate Change, 10(4), 2001. Pp. 835-860.
9. Grieves M. Product Lifecycle Management: the new paradigm for enterprises. Int. J. Product Development 2 (Nos. 1/2). 2005. Pp. 71-84.
10. Mann S. Eye Am a Camera: Surveillance and Sousveillance in the Glassage //Time, 5 March 2013. URL: https://techland.time.com/2012/11/02/ eye-am-a-camera-surveillance-and-sousveillance-in-the-glassage/
11. Rosenberg, L. B. Virtual fixtures: Perceptual tools for telerobotic manipulation, Proc. IEEE Virtual Reality International Symposium (VRAIS'93), 1993. Pp. 76-82.
Контактная информация / Contact information
ФГБОУ ВО «Московский авиационный институт (национальный исследовательский университет)»
125993, г. Москва, Волоколамское шоссе, д. 4, корпус 5.
Moscow Aviation Institute (National Research University)
4, Volokolamskoe highway, building 5, 125993, Moscow, Russia.
Андрианов Антон Михайлович / Anton M. Andrianov
+7 (499) 158-42-69, kaf501@mai.ru
