doi: 10.36724/2409-5419-2024-16-1-31-38
КОНЦЕПЦИЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ЗАДАЧ СОПРОВОЖДЕНИЯ ЖИЗНЕННОГО ЦИКЛА СЛОЖНЫХ
ТЕХНИЧЕСКИХ СИСТЕМ
ГУСЕНИЦА
Ярослав Николаевич1 ДОНЧЕНКО
Анатолий Анатольевич 2 ЛЯСКИН
Антон Сергеевич 3
Сведения об авторах:
1 начальник научно-исследовательского отдела, кандидат технических наук, федеральное государственное автономное учреждение "Военный инновационный технополис "ЭРА", г Анапа, Россия, [email protected]
2 главный научный сотрудник, профессор, доктор технических наук, федеральное государственное унитарное предприятие "Российский федеральный ядерный центр -Всероссийский научно-исследовательский институт экспериментальной физики",
г Саров, Россия, [email protected]
3 кандидат технических наук, доцент, федеральное государственное автономное учреждение "Военный инновационный технополис "ЭРА", г Анапа, Россия, старший научный сотрудник научно-исследовательского отдела, [email protected]
АННОТАЦИЯ
Предметом исследования является процесс сопровождения жизненного цикла сложных технических систем. Целью исследования является внедрение информационных технологий в процесс сопровождения жизненного цикла. В работе изложена концепция и математическая модель поддержки принятия решений задач сопровождения жизненного цикла сложных технических систем. Отмечено, что поддержка принятия решений должна рассматриваться на следующих взаимосвязанных уровнях: системы информационной поддержки жизненного цикла как источника информации о текущем состоянии образца; цифровой модели как источника информации о прогнозируемом состоянии образца; программного обеспечения компьютерного моделирования, выступающего в роли инструментального средства исследования образца с использованием цифровой модели; информационного обеспечения для обобщения, обработки и хранения промежуточных и итоговых данных об образце; функциональных модулей, обеспечивающих интеллектуальную поддержку и автоматизацию; задач сопровождения жизненного цикла, определяющих целевую функцию системы поддержки принятия решений. Результаты: Представлены компоненты системы поддержки принятия решений и приведена их взаимосвязь. Показано, что внедрение системы поддержки принятия решений позволит решить следующие задачи сопровождения жизненного цикла: обоснование необходимости создания сложных технических систем; оценка результатов научно-исследовательских и опытно-конструкторских работ; оценка реализации требований к сложным техническим системам; мониторинг и оценка эксплуатационных характеристик образца системы. Даны рекомендации по дальнейшему развитию систем поддержки принятия решений, касающиеся: внедрения отечественных CALS-систем и их интеграции с программным обеспечением компьютерного моделирования; унификации форматов представления данных и содержания информации о свойствах материалов и веществ для CAE- и CALS-систем; совершенствования нормативной и правовой документации по вопросам проведения цифровых испытаний сложных технических систем; интеграции центров коллективного пользования вычислительных ресурсов и компонентов системы поддержки принятия решений.
КЛЮЧЕВЫЕ СЛОВА: система поддержки принятия решений, система информационной поддержки жизненного цикла, система управления жизненным циклом, база данных, база знаний, сложная техническая система
Для цитирования: Гусеница Я.Н., Донченко А.А., Ляскин А.С. Концепция поддержки принятия решений задач сопровождения жизненного цикла сложных технических систем // Наукоемкие технологии в космических исследованиях Земли. 2024. Т. 16. № 1. С. 31-38. doi: 10.36724/2409-5419-2024-16-1-31-38
Введение
В настоящее время развитие сложных технических систем (СТС) на стадиях жизненного цикла характеризуется высокой степенью неопределенности, которая отражает неполноту информации об образцах, протекающих в них процессах, а также внутренних и внешних воздействий.
Сопровождение жизненного цикла представляет собой скоординированную по целям (задачам), времени и ресурсам совокупность мероприятий, выполняемых на стадиях жизненного цикла образцов СТС, по их анализу, экспертизе, контролю проведения испытаний, а также оценке соответствия получаемых результатов требованиям заказчика.
Достижение целей сопровождения жизненного цикла СТС сопряжено с рядом трудностей, которые обусловлены необходимостью решать плохо структурированные и неструктурированные задачи.
В этих условиях актуальным становится задача внедрения информационных технологий процесс сопровождения жизненного цикла СТС.
Концептуальные основы поддержки принятия решений задач сопровождения жизненного цикла СТС
Основной целью внедрения информационных технологий в процессы сопровождения жизненного цикла является автоматизация оценок реализации требований, предъявляемых к сложным техническим системам, эксплуатационных характеристик образцов СТС, научного-технического уровня СТС и новизны результатов научно-исследовательских (НИР) и опытно-конструкторских работ (ОКР) на стадиях жизненного цикла СТС.
Важным условием автоматизации сопровождения жизненного цикла является наличие и использование разнообразных по своему назначению автоматизированных систем (АС), которые представляют собой совокупность персонала и комплекса средств автоматизации его деятельности, реализующую информационную технологию выполнения установленной функции. Одним из высокоуровневых видов таких систем являются системы поддержки принятия решений.
Под системой поддержки принятия решений (CI II IP) (англ. Decision Support Systems, DSS) в дальнейшем будем понимать интерактивную АС [1], целью которой является помощь лицу, принимающему решения в сложных условиях.
СППР могут выполнять довольно сложные функции [2], [3,4], например:
- генерацию возможных решений;
- выявление приоритетов решений;
- оценивание решений;
- выбор наилучшего решения.
Основу СППР составляют разнообразные средства хранения информации, модели принятия решений, развитый человеко-машинный интерфейс, а также информационно-управляющие системы и системы обработки информации. Они, как правило, базируются на использовании следующих технологий:
- технологий представления знаний [5, 6] (онтологии, семантические сети, фреймы, продукции), особенностью
которых является отображение статических и динамических свойств предметной области;
- технологий обработки знаний [7, 8] (аналитическое, имитационное, ситуационное, символьное и логическое моделирование, искусственные нейронные сети, эволюционные и мягкие вычисления, агентно-ориентированные технологии и др.), предполагающие поиск решений.
Для достижения целей сопровождения жизненного цикла организация СППР должна рассматриваться как многоуровневая АС, которая позволяет комплексно обеспечить информационное взаимодействие различных программно-технических средств, задействованных на стадиях жизненного цикла, для формирования предложений в требования, программы и методики испытаний, по модернизации образцов СТС (рис. 1).
Системы информационной поддержки жизненного цикла СТС
Верхний уровень занимает система информационной поддержки жизненного цикла СТС (англ. Continuous Acquisition and Lifecycle Support, CALS). CALS-системы или системы управления жизненным циклом изделия (англ. Product Lifecycle Management, PLM) [9, 10] активно применяются при разработке и производстве сложных наукоемких изделий, которые создаются интегрированными промышленными структурами, включающими в себя научно-исследовательские организации, конструкторские бюро, подрядчиков, субподрядчиков, поставщиков, предприятия технического обслуживания, ремонтаиутилизации [11, 12].
В настоящее время широкое применение на предприятиях промышленности нашли зарубежные CALS-системы: Siemens Teamcenter (Германия) (www.plm.automation.siemens.com/ global/en/products/teamcenter/) и РТС Windchill (США) (www.ptc.com/en/products/windchill). Отечественные системы Лоцман: PLM (разработка АО «Аскон»; ascon.ru/products/ 889/review/) и T-Flex PLM (разработка ЗАО «ТопСистемы»; www.tflex.ru/plm/) пока еще не нашли широкого применения. Еще одна отечественная CALS-система, ЛОГОС: Данные, сейчас разрабатывается ФГУП «РФЯЦ-ВНИИЭФ» в рамках развития многофункционального программного комплекса ЛОГОС.
Указанные выше программные решения за счет унификации форматов данных, описывающих детали, агрегаты и составные части изделий, а также применения электронного документооборота, обеспечивают единообразные способы управления бизнес-процессами всех участников жизненного цикла, что позволяет существенно сократить потребный объем ресурсов на выполнение работ.
В аспекте решения задачи сопровождения жизненного по оценке реализации требований, предъявляемых к СТС, интерес представляют следующие функциональные возможности CALS-систем [13, 14]:
1. равление требованиями.
2. равление соответствием.
3. У равление системными описаниями.
М. 16. N0. 1-2024 Н&ЕЭ РЕЭЕАРСН (ЫРОЯМАТЮЗ, СОМРиТБЯ ENGINEERING AND CONTROL
2 о
5 О 1-
Ч Р = « ф 1 2
О 2 г
1
Исследование и обоснование разработки
Система информационной поддержки жизненного цикла
Тз
Производство
Т2
Разработка
Геометрические модели (простые, Мд8 -> подробные, Мдс)
Невалидированные физические модели, М* Валидированные физические модели,
Системные модели, Мву8
Системы автоматизированного проектирования, Р<
Модуль оценки факторов, А
1
2
| Анализ внешних факторов
Модуль формирования решений, В
Выбор метода решен!
Логический вывод
Представление р
Модуль оценки соответствия, С
показателей ^
Анализ результатов
£ §
з
Мониторинг и оценка характеристик СТС
Рис. 1. Структурная схема концепции поддержки принятия решений задач сопровождения жизненного цикла СТС
Первая функциональная возможность позволяет в структурированном виде создавать требования к образцу СТС, а также связывать требования с его системными описаниями, элементами проектного, конструкторского и технологического составов.
Вторая функциональная возможность обеспечивает управление рисками, которые связаны с невыполнением требований, предъявляемых к образцу СТС.
Наконец, третья функциональная возможность позволяет создавать высокоуровневые описания подсистем образца СТС, являющиеся основой для разработки его процессных моделей.
Кроме того, САЬ8-системы могут выступать в качестве источника информации о геометрических характеристиках
образца, свойствах используемых в нем материалов и рабочих сред, внешних воздействиях в ходе эксплуатации и требованиях к образцу СТС. Эта информация используется при построении цифровой модели.
Информационное обеспечение системы поддержки принятия решений задач сопровождения жизненного цикла СТС
Важнейшей составной частью комплекса средств автоматизации СППР является информационное обеспечение, которое в соответствии с ГОСТ 34.003-90 представляет собой совокупность форм документов, классификаторов, норма-
тивной базы и реализованных решений по объемам, размещению и формам существования информации, применяемой в АС при ее функционировании.
В зависимости от уровня иерархии АС информационное обеспечение реализуют с помощью баз данных (БД) [15], хранилищ данных [16, 17] и баз знаний [18] (рис. 2).
Рис. 2. Уровни иерархии информационного обеспечения АС
В интересах решения задач сопровождения жизненного цикла основу информационного обеспечения СППР должны составить:
БД образцов, содержащая информацию I, о характеристиках отечественных и зарубежных СТС;
БД факторов, содержащая информацию / которая описывает условия функционирования СТС.
Указанные выше БД позволят обеспечить экспертизу и сравнительный анализ отечественных образцов СТС и их зарубежных аналогов.
Кроме того, БД образцов и факторов можно объединить в многомерное хранилище данных I/ х I, содержащее не только информацию о характеристиках и условиях функционирования, но и о результатах мониторинга СТС 1т. Основным содержанием хранилищ данных являются факты, представляющие собой информацию, достоверность которой доказана. Факты позволяют описывать характеристики образцов СТС в конкретные моменты времени в условиях внешних и внутренних воздействующих факторов. Они получаются из данных путем их обработки, обобщения и представления в виде, удобном и понятном для пользователей.
Хранилище данных о СТС, формируя единый предметно-ориентированный источник фактов, позволит обеспечить решение следующих подзадач сопровождения жизненного цикла:
- анализ остояния и перспектив развития СТС;
- анализ результатов мониторинга эксплуатационных характеристик образцов СТС;
- обобщение опыта эксплуатации и применения СТС;
- оценка требуемого объема и степени воспроизведения эксплуатационных условий при испытаниях в установленном порядке на предприятиях-изготовителях;
- анализ эксплуатационных характеристик СТС на стадиях жизненного цикла;
- анализ информации о ходе эксплуатации образцов (модернизируемых образцов) СТС по исходным данным эксплуатирующих организаций;
- учет и анализ информации об изменении конструкторской документации и рекламаций на образцы СТС.
В свою очередь, хранилище данных о СТС может заложить основу для формирования базы знаний, которая представляет собой совокупность знаний о предметной области, организованных в соответствии с определенной схемой представления. Главным наполнением базы знаний являются знания, которые отражают причинно-следственные зависимости предметной области, полученные в результате практического опыта.
Базы знаний необходимы не только для хранения уже имеющихся знаний о предметной области, но и извлечения новых знаний, необходимых для принятия обоснованных решений. Поэтому база знаний о СТС должна содержать не только факты, но и функции представления и обработки знаний.
Указанная база знаний позволит обеспечить решение следующих подзадач сопровождения жизненного цикла:
- разработка проектов технических требований к перспективным и модернизируемым образцам СТС, технических заданий на НИР и ОКР;
- разработка проектов программ и методик испытаний, апробации СТС (подконтрольной эксплуатации);
- разработка предложений по оценке и повышению эффективности применения существующих образцов СТС и их дальнейшей модернизации;
- разработка предложений по совершенствованию конструкции образцов СТС, их системы технической эксплуатации или эксплуатационно-ремонтной документации.
Цифровая модель образца СТС
Цифровая модель [19] представляет собой систему математических и компьютерных моделей, а также электронных документов, описывающую структуру, функциональность и поведение вновь разрабатываемого или эксплуатируемого образца СТС на различных стадиях жизненного цикла.
В зависимости от исследуемых свойств и стадии жизненного цикла образцов СТС могут использоваться геометрические (Ы^, Ы^), физические (, Ы/) и системные компьютерные модели Ы^.
Геометрическая модель содержит необходимые сведения о форме, размерах и свойствах образца СТС, зависящих от его формы и размеров. Степень детализации геометрической модели зависит, в первую очередь, от стадии жизненного цикла образца СТС, а также от ее предназначения:
= Рслю (Рсльз (); Ыёа = Рслю (рсл!^ (Л )Д2) ■
Физические модели описывают физические свойства образца СТС и его взаимодействие с внешней средой (статика, кинематика, динамика твердого тела, гидро- и газодинамика, деформации, теплопроводность, электромагнитное взаимодействие и др.). Физические модели создаются на основе геометрических:
Ы /V = РсЛЕ (Ы
, Рс
(1/
g'гсЛЬ8V1/
I, ).т2);
Ы/у = РсЛЕ (Ыg , РсЛЬБ (1 / х 1, ) х 1т
О-
Системные модели могут быть функциональными или процессными. При этом функциональные модели формализовано описывают функции отдельных подсистем и составных частей образца СТС, а процессные - технологический процесс его изготовления или технический процесс его эксплуатации:
Msys = Fsys (Mf, Jm )■
Результаты моделирования являются одним из важнейших источников информации для принятия решений в задачах сопровождения жизненного цикла образцов СТС. Например, результаты системного моделирования могут использоваться для обоснования технических требований к образцу СТС. Результаты физического моделирования (цифровых испытаний) могут применяться для разработки предложений в программы и методики испытаний, а также предложений по модернизации образца СТС.
Программное обеспечение компьютерного моделирования образцов СТС
Для разработки и исследования образцов СТС с использованием компьютерных моделей требуется специальное программное обеспечение.
Создание геометрических моделей возможно с помощью отечественных систем автоматизированного проектирования (англ. Computer-Aided Design, CAD):
Компас 3D (разработка ООО «Аскон»; kompas.ru/kompas-3d/about/);
T-Flex CAD (разработка ЗАО «ТопСистемы»; www.tflexcad.ru);
nanoCAD 3D (разработка ООО «Нанософт разработка»; www.nanocad.ru/products/platform/).
Для создания физических моделей применяются системы инженерного анализа (англ. Computer-Aided Engineering, CAE), позволяющие решать с помощью различных численных методов системы основных дифференциальных уравнений в конкретных областях физики. Как правило, CAE классифицируют по следующим областям:
- проч ость (механика деформируемого твердого тела);
- динамика и кинематика;
- эрогидродинамика (механика жидкости и газа);
-т рмодинамика;
- эле тромагнетизм.
Кроме того, в последнее время все большую значимость приобретает многодисциплинарное моделирование, учитывающее взаимосвязанные явления из разных областей физики. Примерами таких задач могут служить задачи аэроупругости (аэродинамика + прочность, например, деформация конструкции под действием аэродинамических сил и влияние этой деформации на обтекание конструкции потоком газа) и магнитогидродинамики (аэрогидродинамика + электромагнетизм, например, возникновение электромагнитного поля за счет конвективного переноса носителей заряда потоком жидкости, газа или плазмы и влияние этого электромагнитного поля на поток жидкости). Для решения такого рода задач могут применяться два подхода:
1) создание специальных систем многодисциплинарного моделирования, в которых в основе математической модели лежит сопряженная система уравнений из разных областей физики;
2) использование вспомогательного программного обеспечения для организации обмена данными между системами компьютерного моделирования из разных областей физики.
На сегодняшний день существуют следующие коммерческие отечественные системы физического моделирования, зарегистрированные в реестре российского программного обеспечения:
ЛОГОС (разработка ФГУП «РФЯЦ-ВНИИЭФ»; logos. vniief.ru);
АПМ Multiphysics (разработка НТЦ «Автоматизированное Проектирование Машин»; apm.ru/apm-multiphysic);
Fidesys (разработка ООО «Фидесис»; cae-fidesys.com/ products/desktop/);
Euler (разработка ООО «Автомеханика»; www.euler.ru);
Universal Mechanism (разработка ООО «Вычислительная механика»; www.umlab.ru);
FlowVision (разработка ООО «ТЕСИС»; flowvision.ru/ru/flowvision-technologies/description).
Для создания системных функциональных моделей может применяться система ID-моделирования SimlnTech (разработка ООО «ЗВ Сервис»; simintech.ru/).
Для разработки системных моделей процесса функционирования образца СТС может применяться отечественная система разработки цифровых двойников CML-Bench (разработка Санкт-Петербургского политехнического университета; cml-bench.ru).
Функциональные модули системы поддержки принятия решений задач сопровождения жизненного цикла СТС
Функционирование СППР представляет собой процесс, который является аналогом мыслительной деятельности человека и заключается в формировании решения в условиях динамически изменяющихся значений параметров окружающей среды.
Данный процесс затрагивает этапы «наблюдение», «ориентация» и «решение» в цикле Бойда [20], каждый из которых реализуется соответствующими функциональными модулями СППР.
В аспекте решения задач сопровождения жизненного цикла СТС в состав СППР должны входить следующие функциональные модули:
- модуль оценки факторов,_Л;
- модуль оценки соответствия, Б;
- модуль формирования решения, C.
Модуль оценки факторов реализует этап «наблюдение» и выполняет анализ условий функционирования СТС, включая внешние и внутренние воздействующие факторы, и определение среди них наиболее влияющих:
Модуль оценки соответствия реализует этап «ориентация» и выполняет верификацию процесса функционирова-
ния, оценивание показателей возможностей и управления СТС, а также анализ результатов. Данный функциональный модуль СППР позволяет осуществлять проверку соответствия СТС и ее цифровой модели предъявляемым требованиям:
^ Wreq ^ W
C: Wj = \ф(щ,vt,r)dr' Q
где st - вариант СТС, Wreq - требования к эффективности, Wi - интегральный показатель эффективности для i-ro варианта, Ф - модель процесса функционирования СТС, u - вектор показателей управления, v - вектор показателей возможностей, r G Q — вектор условий функционирования, Q - область допустимых условий функционирования.
Модуль формирования решения реализует этап «решение» и осуществляет выбор методов решения задач сопровождения жизненного цикла, логический вывод, представление решения пользователю и доказательство заключения:
B: Sj = arg max (Wt).
При этом для обеспечения выбора методов решения, логического вывода и доказательства заключений могут применяться компьютерные модели образца СТС, искусственные нейронные сети, эволюционные и мягкие вычисления, агентно-ориентированные технологии и др. [21], [22]. В свою очередь, для представления решения пользователю могут использоваться онтологии, семантические сети, фреймы и продукции.
Указанные функциональные модули обеспечивают условия реализации процесса функционирования СППР при конкретных значениях параметров окружающей среды для решения следующих задач сопровождения жизненного цикла СТС:
- обоснование необходимости создания СТС;
- оценка результатов НИР и ОКР;
- оценка реализации требований к образцу СТС;
- мониторинг и оценка эксплуатационных характеристик образца СТС.
Заключение
Таким образом, вопрос организации СППР задач сопровождения жизненного цикла СТС является весьма актуальным. Реализация СППР должна рассматриваться на следующих взаимосвязанных уровнях:
- системы информационной поддержки жизненного цикла как источника информации о текущем состоянии СТС на всех этапах работ;
- цифровой модели как источника информации о прогнозируемом состоянии СТС;
- программного обеспечения компьютерного моделирования, выступающего в роли инструментального средства исследования СТС с использованием цифровой модели;
- информационного обеспечения для обобщения, обработки и хранения промежуточных и итоговых данных о СТС;
- функциональных модулей, обеспечивающих интеллектуальную поддержку решения и автоматизацию выполнения задач сопровождения жизненного цикла;
- задач сопровождения жизненного цикла СТС, определяющих целевую функцию СППР.
Дальнейшими направлениями развития СППР задач сопровождения жизненного цикла СТС могут стать:
1. Широкое внедрение отечественных CALS-систем и их интеграция с программным обеспечением компьютерного моделирования.
2. Унификация форматов представления данных и содержания информации о свойствах материалов и веществ для CAE и CALS-систем.
3. овершенствование нормативной и правовой документации по вопросам использования невалидированных компьютерных моделей и проведения цифровых испытаний образцов СТС.
4. Интеграция центров коллективного пользования вычислительных ресурсов организаций изготовителей и экс-плуатантов и компонентов СППР задач сопровождения жизненного цикла СТС.
Литература
1. Балашова И.В., Терещенко Т.А. Системы поддержки принятия решений II The scientific heritage, No 79, 2021. С. 3-7.
2. Кондратов Ю.Н. Использование аналитические технологии в системах поддержки принятия решений на этапах жизненного цикла аэрокосмических изделий II Научно-технический вестник По-волжья,№5,2019. С. 37-40.
3. Cantini A., Peron M., De Carlo F., Sgarbossa F. A decision support system for configuring spare parts supply chains considering different manufacturing technologies II International Journal of Production Research (Online), 2022. 21 p. URL: https://doi.org/10.1080/00207543.2022.2041757
4. Wallinga E., Vaneeckhautea C. Developing Successful Environmental Decision Support Systems: Challenges and Best Practices II Journal of Environmental Management (Online). Vol. 264, 2020, 110513. 42 p. URL: https://doi.Org/10.1016/j.jenvman.2020.110513
5. Жихарев А.Г. О новой технологии представления знаний для систем поддержки принятия решений II Научные ведомости Белгородского государственного национального исследовательского университета. Серия «История. Политология. Экономика. Информатика». 2011. №19 (114). Выпуск 20/1. С. 158-162.
6. Chen X., Jia S., Xiang Y. A review: Knowledge reasoning over knowledge graph II Expert Systems with Applications (Online). Vol. 141, 2020,112948. 21 p. URL: https://doi.Org/10.1016/j.eswa.2019.112948
7. Di Vaio A., Palladino R., Pezzi A., Kalisz D.E. The role of digital innovation in knowledge management systems: A systematic literature review II Journal ofBusiness Research, 123, 2021, pp. 220-231.
8. Черняховская Л.Р., Никулина H.O., Бармина O.B. Применение онтологического анализа и обработки знаний для принятия решений в проблемных ситуациях II Материалы XV международной научной конференции «Управление экономикой: методы, модели, технологии». В 2х томах. Том 2. Уфа: Уфимский государственный авиационныйтехническийуниверситет,2015. С. 181-186.
9. Яблочников Е.И., Фомина Ю.Н., Саломатина А.А. Компьютерные технологии в жизненном цикле изделия. СПб: ИТМО,2010. 188 с.
10. Liu G., Man R., Wang Y. A Data Management Approach Based on Product Morphology in Product Lifecycle Management II Processes (Online). Vol. 9, 2021, 1235. 22 p. URL: https://doi.org/10.3390/pr9071235
11. NATO CALS Handbook ATO CALS Office, 2000. 329 p.
12. Stark J. Product Lifecycle Management (Volume 2): The Devil is in the Details. Springer, 2015. 634 p.
13. ЕсенжолА.М., Куровский A.A., Малахов И.И. Анализ CALS-технологий при проектировании II Материалы VI международной конференции «Техника и технологии машиностроения». Омск: Омский государственный технический университет, 2017. С. 77-81.
14. Morshedzadeh I., Ng A.H.C., JeusfeldM. Managing manufacturing data and information in product lifecycle management systems considering changes and revisions II International Journal of Product Lifecycle Management. Vol. 13. No. 3,2021, pp. 244-264.
15. Новиков Б.А., Горшкова E.А., Графеева Н.Г. Основы технологий баз данных. М.: ДМК Пресс, 2020. 582 с.
16. Кондратов Ю.Н. Развитие хранилищ данных для работы с Big Data в системах поддержки принятия решений II Научно-технический вестник Поволжья, №9, 2019. С. 30-32.
17. Львович Я.Е., Преображенский А.П. Характеристики хранилища данных в корпоративных системах II Вестник Воронежского института высоких технологий, 2020, №1.С. 31-33.
18. Serrano S.A., Santiago E., Martinez-Carranza J. et al. Knowledge-Based Hierarchical POMDPs for Task Planning II Journal oflntelligent & Robotic Systems (Online), 2021, 101:82. 30 p.
19. VanDerHorn E., Mahadevan S. Digital Twin: Generalization, characterization and implementation II Decision Support Systems (Online). Vol. 145, 2021, 113524. 11 p. URL: https://doi.Org/10.1016/j.dss.2021.113524
20. Ивлев A.A. Основы теории Бойда. Направления развития, применения и реализации. - М.: Знание, 2008. 64 с.
21. Dudnyk V., Sinenko Yu., Matsyk M. et al. Development of a method for training artificial neural networks for intelligent decision support systems II Eastern-European Journal of Enterprise Technologies, Vol. 105, No. 3/2, 2020, pp. 37-47.
22. Merkert J., Mueller M.,Hubl M. A Survey of the Application of Machine Learning in Decision Support Systems II Proceedings of 23rd European conference on information systems. University of Hoffenhaim, 2015. 15 p.
DECISION SUPPORT CONCEPT FOR LIFECYCLE SUPPORT PROBLEMS OF COMPLEX TECHNICAL SYSTEMS
YAROSLAV N. GUSENITZA,
Anapa, Russia, [email protected]
ANATOLIY A. DONCHENKO,
Sarov, Russia, [email protected]
KEYWORDS: lifecycle support, decision support system, continuous ANTON S. LYASKIN, acquisition and lifecycle support system, product lifecycle
Anapa, Russia management system, database, knowledge base.
ABSTRACT
Introduction: The object of the present study is the process of life-cycle support of complex technical systems. The purpose of the present study is application of modern information technologies to this process. We present a concept and mathematical model of decision support for lifecycle support problems. Methods: We note that decision support concept must be considered at several interconnected levels: lifecycle information support systems providing data on actual status complex technical system; digital models providing data on expected status of complex technical system; simulation and modeling software as an instrument used for studying complex technical system with the help of its digital model; data processing software used for summary, analysis and storage of intermediate and final data on complex technical system; functional modules providing intellectual support for solution and automation of lifecycle support problems; lifecy-
cle support problems themselves as they decide the goal function of decision support system. We propose components of decision support system and show their interaction. Results: We demonstrate that realization of proposed decision support system will allow solving of following lifecycle support problems: justification of necessity for development of a new complex technical system; evaluation of research and development results; evaluation of requirements fulfillment; monitoring and evaluation of system performance. We recommend some steps for further development of decision support system: adoption of domestic CALS systems and their integration with simulation and modeling software; unification of data formats, including data on material properties, between CAE and CALS software; improvement of standards and laws governing digital testing of complex technical systems; integration of decision support system components with industrial computing resources and data centers.
REFERENCES
1. Balashova I.V., Tereschenko T.A. Decision support systems. The scientific heritage. No. 79, 2021, pp. 3-7.
2. Kondrashov Yu.N. Usage of analytical technologies in decision support systems at lifecycle stages of aerospace products. Volga region scientific and technical herald. No.5, 2019, pp. 37-40.
3. Cantini A., Peron M., De Carlo F., Sgarbossa F. A decision support system for configuring spare parts supply chains considering different manufacturing technologies. International Journal of Production Research (Online), 2022. 21 p. URL: https://doi.org/10.1080/ 00207543.2022.2041757
4. Wallinga E., Vaneeckhautea C. Developing Successful Environmental Decision Support Systems: Challenges and Best Practices. Journal of Environmental Management(Online). Vol. 264, 2020, 110513. 42 p. URL: https://doi.org/10.1016/j.jenvman.2020.110513
5. Zhiharev A.G. On a novel technology of knowledge representation for decision support system. Scientific reports of Belgorod state national research university. Series "History. Political Science. Economics. Informational Science". 2011. No.19 (114). Vol. 20/1, pp. 158-162.
6. Chen X., Jia S., Xiang Y. A review: Knowledge reasoning over knowledge graph. Expert Systems with Applications (Online). Vol. 141, 2020, 112948. 21 p. URL: https://doi.org/10.1016Zj.eswa.2019.112948
7. Di Vaio A., Palladino R., Pezzi A., Kalisz D.E. The role of digital innovation in knowledge management systems: A systematic literature review. Journal of Business Research, 123, 2021, pp. 220-231.
8. Chernyahovskaya L.R., Nikulina N.O., Barmina O.V. Usage of ontological analysis and knowledge processing for decision making in problematic situations. Proceeding of the XV international scientific conference "Economics control: methods, models, technologies". Vol. 2 of 2. Ufa: Ufa State Aviation Technical University, 2015, pp. 181-186.
9. Yablochnikov E.I., Fomina Yu.N., Salomatina A.A. Computer technologies in product lifecycle. Saint-Petersburg: ITMO, 2010. 188 p.
10. Liu G., Man R., Wang Y. A Data Management Approach Based on Product Morphology in Product Lifecycle Management. Processes (Online). Vol. 9, 2021, 1235. 22 p. URL: https://doi.org/10.3390/pr9071235
11. NATO CALS Handbook. NATO CALS Office, 2000. 329 p.
12. Stark J. Product Lifecycle Management (Volume 2): The Devil is in the Details. Springer, 2015. 634 p.
13. Esenzhol A.M., Kurovskij A.A., Malakhov I.I. Analysis of CALS-technologies in design. Proceedings of the VI international conference "Technic and technologies in engineering". Omsk: Omsk State Technical University, 2017, pp. 77-81.
14. Morshedzadeh I., Ng A.H.C., Jeusfeld M. Managing manufacturing data and information in product lifecycle management systems considering changes and revisions. International Journal of Product Lifecycle Management, Vol. 13 No. 3, 2021, pp. 244-264.
15. Novikov B.A., Gorshkova E.A., Grafeeva N.G. Basics of database technologies. Moscow: DMK Press, 2020. 582 p.
16. Kondrashov Yu.N. Development of data storages for Big Data processing in decision support systems. Volga region scientific and technical herald. No.9, 2019, pp. 30-32.
17. Lvovich Ya.E., Preobrazhenskij A.P. Data storage characteristics in corporate systems. Herald of Voronezh Institute of High Technologies, 2020. No. 1, pp. 31-33.
18. Serrano S.A., Santiago E., Martinez-Carranza J. et al. Knowledge-Based Hierarchical POMDPs for Task Planning. Journal of Intelligent & Robotic Systems (Online), 2021, 101:82. 30 p.
19. VanDerHorn E., Mahadevan S. Digital Twin: Generalization, characterization and implementation. Decision Support Systems (Online). Vol. 145, 2021, 113524. 11 p. URL: https://doi.org/10.1016/j.dss.2021.113524
20. Ivlev A. A. Foundations of Boyd theory. Ways of development, application and realization. Moscow: Znanie, 2008. 64 p.
21. Dudnyk V., Sinenko Yu., Matsyk M. et al. Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies. Vol. 105, No. 3/2, 2020, pp. 37-47.
22. Merkert J., Mueller M., Hubl M. A Survey of the Application of Machine Learning in Decision Support Systems. Proceedings of 23rd European conference on information systems. University of Hoffenhaim, 2015. 15 p.
INFORMATION ABOUT AUTHORS:
Yaroslav N. Gusenitza, head of scientific research department, Military innovative technopolis "ERA", Anapa, Russia
Anatoliy A. Donchenko, Professor, Russian federal nuclear center - All-Russian research institute of experimental physics, Sarov, Russia
Anton S. Lyaskin, Associate Professor, senior researcher, Military innovative technopolis "ERA", Anapa, Russia
For citation: Gusenitza Ya.N., Donchenko A.A., Lyaskin A.S. Decision support concept for lifecycle support problems of complex technical systems. H&ES Reserch. 2024. Vol. 16. No 1. P. 31-38. doi: 10.36724/2409-5419-2024-16-1-31-38 (In Rus)