CC BY
74Оптимизация стратегии технического обслуживания и ремонтов с применением интеллектуальных методов
Рассомагин Александр Сергеевич,
аспирант, ассистент кафедры предпринимательства и внешнеэкономической деятельности, ФБГОУ ВО МГТУ им. Н.Э. Баумана, [email protected]
В эпоху цифровой трансформации реальный сектор экономики нуждается в решениях, которые способны помочь соответствовать вызовам цифровизации, сократить издержки при производстве конечной продукции, вывести предприятия на новый уровень развития. В статье рассмотрены подходы к оптимизации стратегии ремонтных компаний производственных предприятий на основе интеллектуальных методов обработки информации, которые позволяют значительно изменить структуру расходов предприятия и там самым снизить уровень себестоимости выпускаемой продукции. Произведена оценка текущих подходов к планированию ремонтных компаний, а также потенциала существующих массивов производственных данных для повышения конкурентоспособности предприятий. Предложен механизм оптимизации планирования ремонтных компаний производственных предприятий на основе много-агентной системы. Предложенный механизм управления производственной операционной деятельностью позволит производственным предприятиям конкурировать на цифровой арене.
Ключевые слова. Промышленность, планирование, стратегия, конкурентоспособность, интеллектуальные методы, эффективность ТОиР.
о
о
см
О!
^
I-О ш т х
<
т о х
X
В последнее время тема «Четвертой промышленной революции» или «Индустрии 4.0» является одной из самых обсуждаемых. И это не удивительно, так как данная тематика затрагивает не одну область деятельности и не один сектор экономики, предусматривает сквозную цифровиза-цию множества физических активов и их интеграцию в цифровую экосистему. А также является стратегически важным направлением развития промышленных предприятий Российской Феде-рации.[1-3]
В данной статье мы будем опираться на понятие цифровизации, как на возможность использования инновационных цифровых технологий всеми участниками экономической системы, будь то отдельно взятый человек, крупная корпорация или государство, для сохранения конкурентоспособности. На уровне государства «Индустрия 4.0» позволит переориентировать экономику, обеспечив ей долгосрочную устойчивость.
Если говорить о Российской Федерации, то по данным консалтинговой компании БОС и ее отчета за 2016 год, доля цифровой экономики составляет 2,1% - это в 1,3 раза больше, чем 5 лет назад, но в 3-4 раза меньше, чем у мировых лидеров цифровизации.[4] Но стоит заметить, что даже данные экономические результаты получены за счет покрытия 90% территории России широкополосным интернетом, а также увеличением уровня зрелости и территориальной распространенности электронной коммерции.
Тренд цифровизации в Российской Федерации не может дальше находиться на том же самом уровне только за счет территориального увеличения присутствия операторов связи.
Помимо обеспечения доступа к сетям связи, «Индустрия 4.0» подразумевает под собой данные и аналитику, как ключевые компетенции. В связи с этим именно анализ больших массивов данных и продвинутые (интеллектуальные) алгоритмы их обработки заслуживают отдельного внимания и являются объектом исследований. Большие данные и продвинутая аналитика позволяют принимать более точные решения - от производственных превентивных решений до предотвращения мошеннических действий.
С учетом того, что промышленный комплекс России, в частности военно-промышленный ком-
плекс, занимает приоритетное место в развитии государства, как со стратегической так и с экономической точки зрения, не столь важно какую именно модель развития цифровизации выберет Россия: венесуэльскую, ближневосточную или азиатскую. Намного важнее обратить внимание на обработку данных производственного комплекса и оптимизировать его работу.
В данной статье рассматривается вопрос оптимизации ремонтной компании производственного парка оборудования. С точки зрения математики оптимально спланированная ремонтная компания является функцией нахождения условий, при котором мы получаем максимальное значение выручки (от производства электроэнергии или продукции) и минимальное значение затрат на поддержание производственного оборудования в полностью работоспособном состоянии. Очевидно, что оптимизация ремонтных компаний может существенно сократить текущие затраты и повысить операционную эффективность предприятия. Например, исследования компании PWC говорят о потенциальной возможности одновременного прироста годовой выручки на 2,9% и сокращения затрат в среднем на 3,6% в год за счет применения интеллектуальных алгоритмов для оптимизации ремонтной компании производственных предприятий.[5]
Использование современных аналитических инструментов, в частности машинного обучения, может быть полезно как при проведении плановых ремонтных компаний, так и при ремонтах оборудования «по состоянию».[6]
Даже при использовании стандартных подходов к планированию ремонтных и сервисных работ невозможно избежать анализа и обработки больших массивов данных, связанных с различными характеристиками оборудования. Количество параметров, которое необходимо учитывать, просто огромно: регламентные работы, предписанные производителями оборудования или его компонент, профилактические ремонты, связанные с требованиями регулирующих и надзорных органов, данные по использованию оборудования, в том числе срок службы, нагрузки, данные по поломкам узлов и связанных с ним компонент, данные по сбоям и отказам (а хотелось бы еще сравнить с данными тех, кто использует аналогичное оборудование), факторы влияния внешней среды. При этом необходимо не только учесть эту информацию, но и взаимоувязать ее с данными о конструктивных особенностях агрегата, узла или производственного объекта в целом, взятых из PLM систем.[3]
Этот объем данных необходимо сопоставить с работами на планируемый период (например, год) таким образом, чтобы не оказать негативного влияния на производственный план, оптимизировать время простоев оборудования, а также снизить расходы на ремонты.
Подходы к автоматизации функции ТОиР
Системы поддержки принятия решений в организации процессов ремонта и сервисного сопровождения еще до недавнего времени оставались за рамками процессов автоматизации предприятий.
В условиях необходимости работы с большим объемом данных для эффективной организации планирования ремонтных компаний и сервисных политик на крупных промышленных предприятиях, невозможно представить данную деятельность без автоматизированных систем. Даже те предприятия, которые не используют прямую автоматизацию в процессе планирования и анализа ремонтной и сервисной деятельности, как минимум используют косвенную автоматизацию предприятия. В первую очередь здесь идет речь о системах критического оборудования, на основании данных которого уже строятся планы. К сожалению, зачастую данные систем мониторинга используются исключительно для непосредственного обнаружения аварийного состояния оборудования или его узлов. Вместе с тем, именно использование данных оперативного мониторинга, в том числе для построения прогнозных моделей, позволяет значительно повысить эффективность парка оборудования за счет обнаружения преда-варийных состояний, ликвидация которых наносит, как правило, меньший материальный ущерб.
Концепция организации ремонтов и сервисного обслуживания по фактическому состоянию стремительно набирает популярность в некоторых промышленных областях. Наиболее известный пример использования данного подхода можно найти в области гражданского авиастроения.
Для создания полноценной информационной системы-ассистента для принятия решений в рамках ремонтной и сервисной деятельности на предприятии необходимо четко определить условия функционирования и виды данных (минимально необходимый набор), без которых невозможно составление качественной основы для аналитики.[7-8]
В целом стоит отметить, что проблема качества и видов данных, на основании которых строятся прогнозные модели и принимаются решения, определяющие в значительной степени эффективность работы промышленных предприятий, имеет огромное значение.
Так, например, при использовании чисто статистических методов анализа данных любая случайная ошибка, такая как временное пропадание сигнала с датчика или возникновение помех, обусловленное факторами внешней среды, имеет значительный шанс быть истолкованной как значительное нарушение (безусловно, лучше лишний раз уделить больше внимания, чем пропускать действительно серьезный сбой).
Многие предприятия предпринимали попытки создания огромных репозиториев технологиче-
X X
о
го А с.
X
го т
о
ю 7
М О
а>
о
сч
I-«. OI
О Ш
m
X
<
m о х
X
ских данных, но фактически пригодными и полезными для анализа являлась лишь их незначительная часть.
Для определения задачи и подходов работы с данными, прежде всего, необходимо четко группировать сами данные и классифицировать их. Данная процедура имеет огромное значение для построения модели, так как на основании классификатора различным видам данных присваиваются различные веса и оценки степени влияния.
Итак, для получения качественной модели необходим совместный анализ:
• Данных оперативного мониторинга
• Исторических данных по ремонтам
• Мета-данных объекта ремонта
• Финансовых характеристик.
То есть для эффективной модели необходимо совместное рассмотрение данных, получаемых из систем технологического и корпоративного уровня. Именно объединение данных различного происхождения позволит эффективно использовать средства бизнес анализа, а также ввести использование прогрессивных инструментов, типа data mining, где весь объем данных может быть скомбинирован нетрадиционными способами для выявления новых закономерностей и получение соответствующих выводов.[9]
В качестве одного из подходов к интеллектуальному планированию ремонтной компании на предприятии необходимо выделить применение информационных систем для принятия стратегических решений, имеющих в своей основе много-агентные системы, и использующие эвристические методы. Такой подход потенциально может иметь высокий уровень эффективности.
В рамках данной статьи мы рассмотрим процесс «ремонта по состоянию» (далее - РпС) парка единиц оборудования (далее - ЕО), которые имеют в своем составе n-ое количество заменяемых частей (далее - ЗЧ), основываясь на нескольких предельных значениях состояния параметров ЕО. Процесс РпС ЕО будет преобразован в 2-х уровневую многоагентную модель, к которой будут применены эвристические правила в рамках ремонтной компании предприятия как на глобальном, так и на локальном уровнях. Под локальным уровнем мы будем понимать ремонты, производимые в рамках одной ЕО, а под глобальным - ремонты, производимые в рамках предприятия, цеха и т.д.
На практике, на текущий момент стратегия ремонтной компании сводится к совокупности «ремонт по факту поломки» и «плановое обслуживание». При этом «ремонт по факту поломки» не может предотвратить отказ оборудования в рамках рабочего цикла, что приводит к снижению целевых показателей эффективности предприятия, а «плановый ремонт» обычно влечет за собой
избыточность действий (затраченного времени) для проверки работоспособности ЕО, игнорируя при этом пороговые значения показателей в рамках рабочего цикла ЕО. Такой подход ведет к снижению эффективности ремонтной компании в целом.
Для решения текущих проблем в рамках данной статьи предлагается рассмотреть подход «ремонт по состоянию» (РпС), основанный на данных о текущем состоянии, полученных с датчиков мониторинга ЕО. С помощью интеллектуальных методов прогнозного анализа можно предсказать остаточное «время жизни» (далее -ОВЖ) ЕО или ее составных частей, а также организовать поиск аномалий в поведении ЕО или ее составных частей.[10]
Традиционные методы подхода «ремонт по состоянию» обычно ограничиваются применением к одной ЕО. Но ремонтная компания предприятия в целом, основанная на принципах «ремонт по состоянию», должна учитывать множество смежных факторов, такие как: общие целевые производственные показатели, информации о рабочих бригадах, участвующих в процессе ремонта, их навыках и компетенциях, информации о состоянии парка ЕО в целом, информации о складских запасах запасных частей и т.д.
В идеале процесс организации ремонтной компании должен выглядеть следующим образом: 1) ЕО накапливает/собирает данные о своем состоянии 2) данные передаются для анализа (с учетом всего парка ЕО), сравниваются с данными о текущих ресурсах 3) на основе данных, полученных после анализа, формируются оперативные задания на ремонт, а также корректируется долгосрочная ремонтная компания 4) данные об оперативных заданиях на ремонт передаются дежурной смене 5) производится ремонт/обслуживание ЕО.
Тем самым глобальная ремонтная компания предприятия является комбинацией ремонтных работ каждой ЕО, для которой необходимо найти оптимальную функцию для выполнения ремонта с точки зрения временных и финансовых характеристик, оптимальной загрузки ремонтных бригад.
Основа подхода
Для упрощения понимания процесса и подходов примем за данность следующую информацию:
• Предприятие содержит т ЕО и п ремонтных бригад (п<т).
• Для достижения целевых показателей предприятию необходимо задействовать I ЕО (I - динамически изменяется и зависит от уровня показателей, которых должно достигнуть предприятие 1<т).
• Каждая ЕО состоит из р узлов (могут быть заменены). Оставшееся «время жизни» (ОВЖ) узла известно.
• Все ремонтные бригады имеют одинаковую квалификацию.
• Одинаковые узлы имеют одинаковое время замены (далее - ВЗ).
• Различные узлы имеют различное ВЗ.
Также сделаем следующие допущения:
• При замене узла в ЕО его показатель ОВЖ возрастает до максимума.
• ОВЖ узла и ЕО уменьшается во время работы, во время простоя ОВЖ узла не изменяется. Более того ОВЖ узла может корректироваться на основании исторических данных.
• Запасные узлы для ремонта ЕО всегда доступны.
• ОВЖ узла ЕО подсчитано верно.
• Одна ремонтная бригада ведет работы над одной ЕО.
Состояние каждой ЕО сравнивается с данными о предельных значениях с установленной скважностью. Мы в рамках статьи будем рассматривать 2 предельных значения: «ремонт необходим» - т (предельное значение), «условный ремонт» - Т (предельное значение)
Тем самым эти предельные значения делят шкалу состояния ЕО на 3 отрезка:
1) ОВЖ<т - состояние «Обязателен ремонт»
2) ОВЖ>Т - состояние «Ремонт не нужен» 5Х;
3) т<ОВЖ<=Т - состояние условного ремонта 52. При данном состоянии перечень ремонтных действий и их последовательность может зависеть от состояния других ЕО, занятости ремонтных бригад и т.д.
монтами должны оперативно реагировать на динамически изменяющуюся ситуацию для принятия «правильных» решений по организации ремонтной компании. Данная задача может быть решена с помощью многоагентной системы.[11]
Структура модели
В рамках анализа процесса «ремонт по состоянию» можно абстрактно разделить сущности на два вида агентов: Агент Единицы Оборудования (далее - АЕО) и Агент Ремонтной Бригады (далее - АРБ), а динамический процесс управления и координации ремонтной компанией можно выделить в Агент Управления и Координации (далее -АУК).
АЕО является сущностью ЕО и описывает присущие ей характеристики, в том числе, характеристики надежности, и отвечает за генерацию требований к ремонту или обслуживанию. АРБ -является сущностью ремонтной бригады и отвечает за специфику процесса ремонта или обслуживания.
АУК является сущностью процесса планирования и интеллектуального распределения заданий на оперативные ремонты и ремонтной компании предприятия в целом. 2-х уровневая структура многоагентной системы, отражающая планирование как локальном уровне, так и на глобальном, представлена на рис. 2.
Рис.1 Предельные значения состояния единицы оборудования
Значения т и Т устанавливаются эвристическим методом на основании данных, полученных с датчиков. Значение показателя т также может определяться исходя из рекомендаций производителя ЕО.
Целью решения проблемы планирования ремонтной компании является максимизация функции доступности ЕО для выполнения целевых показателей с учетом минимизации действий по выполнению ремонтов.
Многоагентная модель ремонтной компании предприятия
Организация ремонтной компании методом «по состоянию» предполагает большое количество взаимодейтвий между ЕО, ремонтными бригадами и центром управления ремонтами. Более того, ремонтные бригады и центр управления ре-
Рис. 2 Структура многоагентной модели
Глобальное планирование управляется АУК. Когда АУК получает отчеты от АЕО, он координирует и контролирует процесс в целом и формирует глобальную стратегию ремонтной компании с учетом рационализации ресурсов.
Локальное планирование управляется между АЕО и АРБ, и нацелено на взаимодействие в конкретных заданиях на ремонты или обслуживание.
Механизм взаимодействия между агентами, основанный на эвристических правилах
Предполагается, что использование всех агентов целесообразно, а их взаимодействие проявляется в «сотрудничестве» и «противостоянии». Это означает, что агент готов сотрудничать с другими агентами в сети, чтобы максимизировать свою функцию предельно возможным способом. На практике это выглядит следующим образом:
х
X
о
го А с.
X
го т
о
ю 7
М О
а>
о
см
I-«. О!
О Ш
т
X
<
т о х
X
каждая ЕО желает быть отремонтированной как можно быстрее, а «ремонтным бригадам» необходимо взаимодействовать для того, чтобы обслужить все ЕО, но каждая бригада хочет обслужить максимально возможное количество ЕО.
Ввиду разделения модели многоагентной системы на 2 уровня, взаимодействие между агентами также может быть разделено на 2 уровня, которые мы будем называть «Хост-взаимодействие» (далее - ХВ) и «Независимое Взаимодействие» (далее - НВ). Как было сказано ранее, задача оптимизации ремонтной компании с несколькими ремонтными бригадами - достаточно сложная. Поэтому каждый уровень взаимодействия должен подчиняться соответствующим эвристическим правилам, о которых мы поговорим ниже.
Эвристические правила «независимого взаимодействия» (НВ)
На уровне независимого взаимодействия свободный АРБ взаимодействует с АЕО для того, чтобы получить локальную ремонтную стратегию. Ниже рассмотрим эвристические правила для принятия альтернативных вариантов решений о ремонте:
1. ЕО оборудования находится в статусе «требует ремонта» (состояние 53)
• Принцип наименьшего ожидания ремонта: для каждой ЕО предприятия, находящиеся в состоянии 53, запланировано минимальное среднее время ожидания ремонта. Обозначим это правило как «правило 1А».
• Принцип максимального количества ремонтов в отведенный интервал времени: в случае, когда ремонтная бригада свободна (задание отсутствует), оперативное задание для данной бригады оформляется на ЕО с наименьшим временем ремонта. Обозначим это правило, как «правило 1Б».
• Принцип максимальной занятости ремонтной бригады: принцип подразумевает под собой задачу отремонтировать как можно больше ЕО силами минимального количества ремонтных бригад. Свободные же ремонтные бригады остаются свободными, чтобы максимально оперативно отреагировать на незапланированный отказ. Обозначим это правило, как «правило 1В».
2. ЕО оборудования находится в состоянии «условного ремонта» (состояние 52)
• Принцип наибольшего количества ремонтов в ограниченный интервал времени: в случае, когда ремонтная бригада свободна, на нее может быть сформировано задание на обслуживание ЕО с наименьшим временем ремонта. Обозначим это правило, как «правило 2А»
Эвристические правила «Хост-
взаимодействия» (ХВ)
В рамках ХВ АУК взаимодействует с АЕО для формирования глобальной ремонтной стратегии,
локальных ремонтных заданий и отправки ремонтных заданий АРБ. Полный процесс взаимодействия рассмотрим ниже.
Предположим, что количество необходимых ЕО для выполнения производственных показателей на текущий момент времени равно 1П. Агенты единиц оборудования (АЕО) предоставляют информацию о текущем состоянии ЕО Агенту управления и контроля (АУК). АУК анализирует полученную информацию и записывает какое количество ЕО в каком состоянии находятся. Так, в состоянии «требует ремонта» 53 находится т3 ЕО, в состоянии «условный ремонт» 52 находится т3 ЕО, а в состоянии не требующего ремонта т1 ЕО. Далее АУК подсчитывает количество ЕО, которое можно починить в рамках отведенного окна ремонта ш4, и согласно правилам 1А, 1Б, 1В соответственно ищет максимально возможное т4 (тах(т4))). Тогда количество ЕО, готовых к выполнению заданий, будет равно та =т1 + т2 +т4, а процесс принятия решений показан на рис. 3.
Рис. 3 Процесс формирования оперативных заданий на ремонт
Исходя из проведенного анализа эвристические правила принятия решения будут выглядеть следующим образом:
1. Если та<1п.., тогда выполнение целевых производственных показателей невозможно, миссия провалена. «Правило 3А»
2. Если количество АЕО, находящееся в состоянии 5Х, удовлетворяет условию т1>1п, тогда необходимое число АЕО будет задействовано в рамках производственного цикла, АЕО требующие ремонта 53 будут ремонтироваться согласно правилу 1А. После окончания этого задания необходимо приступить к ремонту АЕО в состоянии 52 согласно правилу 2А. Обозначим это правило, как «правило 3Б»
3. Если т1<1п<т1+т2, тогда АЕО находящиеся в состоянии 53 будут ремонтироваться согласно правилу 1Б. Обозначим это правило, как «правило 3В»
4. Если т1+т2<1п <т1+т2+т4, тогда АЕО, находящиеся в состоянии 53 , будут ремонтироваться согласно функции Ор^(ОВж). Обозначим это правило, как «правило 3Г»
5. После получения необходимого числа АЕО для выполнения миссии, из них выбираются АЕО с наименьшим ОВЖ. Обозначим это правило, как «правило 3Д»
6. В случае, если есть оборудование, не задействованное в текущем производственном цикле, находящееся в состоянии 52 и 53, то их ремонт осуществляется по правилам 2А и 1А соответственно. Обозначим это правило, как «правило 3Е».
Исходя из изложенных правил и структуры модели, схема взаимодействия между агентами выглядит следующим образом.
Использование интеллектуальных методов работы с данными позволит в значительной степени упростить и сам процесс планирования ремонтов, и увеличить эффективность ремонтной компании. В свою очередь, оптимизация показателей ремонтных компаний самым непосредственным образом повышает операционную эффективность производственных предприятий.
Кроме того, применение современных оптимизационных (интеллектуальных) алгоритмов при грамотном использовании может существенно улучшить процесс управления складскими запасами необходимого для проведения плановых и экстренных ремонтов оборудования.
Литература
1. Дроговоз П.А. Концептуальное проектирование системы стратегического управления процессами военно-гражданской интеграции в высокотехнологичных отраслях машиностроения // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. 2011. № 3 (спецвыпуск). С. 5-19.
2. Садовская Т.Г., Дроговоз П.А., Куликов С.А., Стрельцов А.С. Стратегическое управление процессами военно-гражданской интеграции высокотехнологичных предприятий в условиях глобализации экономики // Аудит и финансовый анализ. 2012. № 2. С.325-344.
3. Дроговоз П.А., Гутенев А.В., Добринец М.В., Габрусь И.А. Инфраструктурные инструменты развития инновационных предприятий в авиастроительной отрасли // Аудит и финансовый анализ. 2016. № 3. С.337-347.
4. Россия онлайн. Четыре приоритета для прорыва в цифровой экономике. The Boston Consulting Group. 2017. http://image-src.bcg.com/Images/Russia-Online_tcm27-178074.pdf
5. «Индустрия 4.0»: создание цифрового предприятия. ПрайсвотерхаусКуперс Консультирование. 2016. www.pwc.com/industry40
6. Дроговоз П.А., Рассомагин А.С. Обзор современных методов интеллектуального анализа данных и их применение для принятия управленческих решений // Экономика и предпринимательство. 2017. № 3. С.689-693.
7. Дроговоз П.А., Алимкин А.А., Аникин М.Д. Классификация программных средств информационной поддержки жизненного цикла изделий и анализ их поставщиков на российском рынке // Аудит и финансовый анализ. 2016. № 3. С.450-455.
8. Чернышова Т.Н. Разработка концепции внедрения процессно-ориентированной системы управления на машиностроительных предприятиях// Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. 2011. Спецвыпуск № 3. Актуальные проблемы управления машиностроительными предприятиями. С.106-118.
9. Doganay K. & Bohlin M. 2010. Maintance plan optimization for a train fleet. WIT Transactions on the Built enviroment vol. 114(12), pp. 349-358
10.Bengtsson M. 2004. Condition based maintance system technology - where is development heading. Congress report on the 17th Euromaintance, Barcelona, Spain
11.Jiang R.Y. & Muthy D.N.P. 2008. Maintance decision models for management. Beijing: Science Press
Optimization of maintenance and repair strategy by the
intellectual methods Rassomagin A.S.
Bauman Moscow State Technical University
In the era of digital transformation manufacturing plants need
some digital solutions to be implemented in operations. This
X X О го А С.
X
го m
о
ю 7
М О
to
will help them to be ready for the challenges of digitalization, reduce manufacturing costs and to lead to the worldwide digital leadership. The article gives an approach for maintenance and repair strategy optimization for manufacturing organizations by the use of intellectual methods data analysis. Gives an appraisal of current maintenance and repair strategy approaches and capability of current level of manufacturing data for analysis. Methods of maintenance and repair strategy optimization by multi-agent systems are proposed to reduce the operational cost and raise competitiveness of manufacturing products. Keywords: Maintenance and repair strategy, planning, R&D,
competitive ability, R&D efficiency, manufacturing References
1. Drogovoz P.A. Conceptual design of a strategic management
system for civil-military integration processes in high-tech engineering industries // Vestnik MGTU im. N.E. Bauman. Ser. Engineering. 2011. No. 3 (special issue). S. 5-19.
2. Sadovskaya T.G., Drogovoz P.A., Kulikov S.A., Streltsov A.S.
Strategic management of civil-military integration of high-tech enterprises in a globalized economy // Audit and financial analysis. 2012. No. 2. P.325-344.
3. Drogovoz P.A., Gutenev A.V., Dobrinets M.V., Gabrus I.A. Infrastructure tools for the development of innovative enterprises in the aircraft industry // Audit and financial analysis. 2016. No. 3. P.337-347.
4. Russia online. Four priorities for a breakthrough in the digital
economy. The Boston Consulting Group. 2017. http://image-src.bcg.com/Images/Russia-Online_tcm27-178074.pdf
5. "Industry 4.0": the creation of a digital enterprise. PricewaterhouseCoopers Counseling. 2016. www.pwc.com/industry40
6. Drogovoz P.A., Rassomagin A.S. A review of modern methods
of data mining and their application for managerial decision making // Economics and Entrepreneurship. 2017. No. 3. P.689-693.
7. Drogovoz P.A., Alimkin A.A., Anikin M.D. Classification of software tools for information support of the product life cycle and analysis of their suppliers in the Russian market // Audit and financial analysis. 2016. No. 3. S. 450-455.
8. Chernyshova T.N. Development of the concept of introducing a
process-oriented control system at machine-building enterprises // Vestnik MGTU im. N.E. Bauman. Ser. Engineering. 2011. Special issue No. 3. Actual problems of managing machine-building enterprises. S.106-118.
9. Doganay K. & Bohlin M. 2010. Maintance plan optimization for a
train fleet. WIT Transactions on the Built enviroment vol. 114 (12), pp. 349-358
10. Bengtsson M. 2004. Condition based maintance system technology - where is development heading. Congress report on the 17th Euromaintance, Barcelona, Spain
11. Jiang R.Y. & Muthy D.N.P. 2008. Maintance decision models for management. Beijing: Science Press
a>
o
CN
I-«. Ol
O HI
m x
<
m o x
X
