CC BY
3950 МЕНЕДЖМЕНТ
Потоки данных в легкой промышленности
Перечисляются потоки данных, циркулирующие в легкой промышленности, представлена классификация производственных данных. Анализируется качество данных, влияющих на эффективность бизнес-процессов в легкой промышленности. Обоснована необходимость контроля качества данных на этапе их ввода. УДК статьи 658.512. ГРНТИ 82.33.13
А.Д. Килимова1, 2
Санкт-Петербургский
государственный университет
аэрокосмического
приборостроения,
Колледж автоматизации
лесопромышленного
производства
Санкт-Петербургского
государственного
лесотехнического университета
имени С.М. Кирова
1' 2 аспирант, преподаватель, Санкт-Петербург, Россия
Для цитирования: Килимова А.Д. Потоки данных в легкой промышленности // Компетентность / Competency (Russia). — 2022. — № 3. DOI: 10.24412/1993-8780-2022-3-50-53
ключевые слова
искусственный интеллект, организация производства, процессы производства швейных изделий, цифровизация, качество данных
роцесс производства швейных изделий, как и любой бизнес-процесс, сопровождается потоками данных. Данные собираются, перерабатываются, хранятся, анализируются, появляются новые и т.д. Поскольку их достоверность и объективность серьезно влияют на эффективность производства, точность анализа и прогнозирования ситуации, вопрос качества этих данных является актуальным.
Потоки данных, циркулирующие в швейном производстве, можно классифицировать (распределить по следующим группам):
► производство продукции;
► логистика;
► маркетинг;
► бухгалтерия;
► трудовые ресурсы;
► закупки;
► склад;
► контроль качества сырья;
► контроль качества выпущенной продукции;
► проектирование продукции / разработка новых моделей.
Помимо этих групп, существуют дополнительные, например данные системы пропусков или сведения, получаемые с датчиков оборудования, а также производственные данные, отражающие специфику той или иной сферы деятельности.
Потоки производственных данных предприятий швейной промышленности включают следующие группы:
1. Схема распределения труда.
2. Технологические последовательности пошива отдельных единиц одежды.
3. Технологические последовательности пошива отдельных элементов одежды.
4. Календарный план производства.
5. Конструкторско-технологическая документация: технический эскиз; техническое описание модели, с ха-
рактеристикой конструкции изделия и со всеми техническими условиями (ТУ); конфекционная карта на изделие с образцами всех материалов и фурнитуры на модель и их характеристиками; спецификация деталей кроя с пометкой дублирования; спецификация ос-норовочных и подсобных лекал; таблица измерений изделия и лекал; карта расхода материалов на образец модели; схема раскладки лекал деталей образца модели; модульные карты на изделия со сборочными чертежами узлов изделия; маркировка и описание упаковки готовых изделий; памятка по уходу за изделием; требования к раскрою данного изделия; требования к пошиву данного изделия с нюансами обработки.
При использовании на швейном производстве системы автоматического проектирования (САПР) актуальными становятся такие группы данных, как:
► лекала;
► таблицы размеров;
► расход ткани;
► необходимые материалы и их наличие;
► датчиковые данные.
Циркуляция потоков данных в швейном производстве представлена на рис. 1. Из рисунка следует, что вся информация собирается в общей базе данных.
По направлению и содержанию сообщений информационные потоки подразделяются на два вида. Первый вид — исходные потоки: информация направляется от технологического процесса к пунктам управления, от пунктов управления нижнего уровня — к центральному диспетчерскому пункту (ЦДП), от диспетчера ЦДП — к руководству предприятия. Второй вид — управляющие потоки: информация поступает в обратном направ-
МЕНЕДЖМЕНТ 51
лении, от руководства — к пунктам управления, связанным технологически.
Вся информация о протекании процесса производства собирается на центральном диспетчерском пункте. Главный технолог и начальник производства устанавливают рабочий режим на основе знаний процесса и его динамики. В соответствии со стратегическими целями производства, диктуемыми руководством предприятия, вырабатываются календарный план производства, схема разделения труда, технологическая последовательность пошива изделий, конструкторско-тех-нологическая документация. На основе плана и при наличии необходимых резервов рабочие приступают к производству. При возникновении спорных вопросов имеется возможность оперативно просмотреть архив событий и пошагово проконтролировать каждую технологическую операцию [3].
Большие данные
Большие данные — это неструктурированные, неоднородные, огромного объема и значительного многообразия базы данных, чрезвычайно сложные для обработки тра-
диционными методами и требующие анализа в режиме реального или почти реального времени. Иными словами, они представляют собой наборы данных, объем которых превышает возможности стандартных программных инструментов, применяемых при сборе, хранении, управлении и анализе обычных баз данных [2]. Основной целью использования больших данных в промышленных приложениях является обеспечение безотказного и экономически эффективного выполнения процесса при одновременном достижении желаемого уровня производительности, особенно в области качества [5].
Систему больших данных можно разложить на четыре последователь-
Сбор данных
¿Ё^Л
Повторное использование
Хранение данных
Получение новых результатов
Обработка данных
Рис. 1. Схема потоков информации в швейном производстве
[Scheme of information flows in the garment industry]
Рис. 2. Жизненный цикл данных [Data life cycle]
52 МЕНЕДЖМЕНТ
КОНТРОЛЬ КАЧЕСТВА ДАННЫХ
Модель Проверка на соответствие Мониторинг: Улучшение качества
качества требованиям: ► агрегация и анализ данных:
данных ► предметной области статистики очистка
► методов анализа ► обучение ► выбор источников
► задачи и их комбинирование
Рис. 3. Задачи контроля ных модуля, а именно: генерация дан-качества данных ных, сбор, хранение и анализ данных
[Data quality control tasks] [5]. Эти модули рассматриваются как
элементы жизненного цикла данных (рис. 2).
Квалиметрия качества данных
При сборе больших данных для последующего анализа и принятия на их основе управленческих решений встает вопрос измерения качества этих данных. Ква-лиметрия качества больших данных задается понятиями полноты, точности, корректности и актуальности.
Для решения этих задач необходимо активно мониторить (управлять) большие данные на каждом этапе их жизненного цикла, решая следующие задачи:
► обнаружение и сбор данных;
► подготовка и очистка; Cтатья поступила ► представление данных;
в редакцию 28.01.2022 ► организация доступа к ним;
Список литературы
1. Зарипова Р.Х. Совершенствование бизнес-процессов компании
как основа внедрения процессного подхода к управлению (на примере малого предприятия швейной отрасли) // Наука о человеке: гуманитарные исследования. — 2018. — № 2(32); https://cyberleninka.rU/article/n/ sovershenstvovanie-biznes-protsessov-kompanii-kak-osnova-vnedreniya-protsessnogo-podhoda-k-upravleniyu-na-primere-malogo-predpriyatiya (дата обращения: 2.12.2021).
2. Wen H. H. and Y., Chua T.-S., Li X. Towards Scalable Systems for Big Data Analytics: A Technology Tutorial, IEEE Access, 2014, vol. 2.
3. Шантина Т.А. Основные потоки информации, циркулирующие в АСУ ТП пищевой промышленности на примере молочного производства // Перспективы развития информационных технологий. — 2010. — № 2; https://cyberleninka.ru/article/n/osnovnye-potoki-informatsii-tsirkuliruyuschie-v-asu-tp-pischevoy-promyshlennosti-na-primere-molochnogo-proizvodstva (дата обращения: 14.12.2021).
4. Kaynak S. Y. and O. Big Data for Modern Industry: Challenges and Trends [Point of View], Proceedings of the IEEE, 2015, vol. 103, no. 2. DOI: 10.1109/ JPR0C.2015.2388958.
5. Sharma S. K., Wang X. Live Data Analytics with Collaborative Edge and Cloud Processing in Wireless loT Networks, Access IEEE, 2017, vol. 5.
6. Скворцов Н.А. Курирование данных и качество данных: презентация. — М.: Институт проблем информатики РАН, 2018.
► обеспечение долговременного хранения и архивирования;
► обеспечение повторного использования;
► нахождение дополнительных ресурсов;
► оценка и поддержание качества данных [6].
Особую роль в мониторинге больших данных играет оценка и поддержание их качества, так как именно эта задача влияет на достоверность и корректность этих данных, следовательно, и на качество принимаемых на их основе управленческих решений.
Для обеспечения качества данных могут быть использованы различные инструменты, например создание модели качества данных, проведение мо-ниторингов, проверок на соответствие, а также использование методов, направленных на улучшение качества больших данных (рис. 3).
Выводы
Переход потоков данных из одной информационной системы в другую, как правило, представляет собой хаотичные взаимосвязи и зависимости, нарушающие непрерывность бизнес-процессов предприятия.
Для того чтобы обеспечить непрерывность процессов передачи данных между различными информационными системами на производстве, необходима разработка единого механизма этой передачи.
По мере накопления данных уровень их качества падает, появляются новые виды ошибок. Чтобы избежать этого, большие данные необходимо контролировать начиная с процесса их ввода. При этом возникает необходимость разработки механизма классификации ошибок и механизма проверок данных на основе анализа всех процессов.
Необходимо централизировать процесс управления качеством данных и создать главный его документ — реестр требований к данным (так называемый мастер данных), поскольку эта информация становится нужной всем системам. ■
Kompetentnost / Competency (Russia) 3/2022
ISSN 1993-8780. DOI: 10.24412/1993-8780-2022-3-50-53
MANAGEMENT S3
Data Streams in Light Industry
A.D. Kilimova1' 2, St. Petersburg State University of Aerospace Instrumentation, College of Automation of Forestry Manufacture of S.M. Kirov St. Petersburg State Forestry University
1' 2 Graduate Student, Teacher, St. Petersburg, Russia
Citation: Kilimova A.D. Data Streams in Light Industry, Kompetentnost'/ Competency (Russia), 2022, no. 3, pp. 50-53. DOI: 10.24412/1993-8780-2022-3-50-53
1. Zaripova R.Kh. Sovershenstvovanie biznes-protsessov kompanii kak osnova vnedreniya protsessnogo podkhoda k upravleniyu
(na primere malogo predpriyatiya shveynoy otrasli) [Improving the company's business processes as a basis for introducing a process approach to management (on the example of a small enterprise in the clothing industry)], Human Science: Humanities Research, 2018, no. 2(32); https://cyberleninka.ru/article/n/ sovershenstvovanie-biznes-protsessov-kompanii-kak-osnova-vnedreniya-protsessnogo-podhoda-k-upravleniyu-na-primere-malogo-predpriyatiya (acc.: 2.12.2021).
2. Wen H. H. and Y., Chua T.-S., Li X. Towards Scalable Systems for Big Data Analytics: A Technology Tutorial, IEEE Access, 2014, vol. 2, pp. 652-687.
3. Shantina T.A. Osnovnye potoki informatsii, tsirkuliruyushchie v ASU TP pishchevoy promyshlennosti na primere molochnogo proizvodstva [The main flows of information circulating in the APCS of the food industry on the example of dairy production], Prospects for the Development of Information Technologies, 2010, no. 2; https://cyberleninka.ru/article/n/osnovnye-potoki-informatsii-tsirkuliruyuschie-v-asu-tp-pischevoy-romyshlennosti-na-primere-molochnogo-proizvodstva (acc.: 14.12.2021).
4. Kaynak S. Y. and O. Big Data for Modern Industry: Challenges and Trends [Point of View], Proceedings of the IEEE, 2015, vol. 103, no. 2, pp. 143-146. DOI: 10.1109/JPR0C.2015.2388958.
5. Sharma S. K., Wang X. Live Data Analytics with Collaborative Edge and Cloud Processing in Wireless loT Networks, Access IEEE, 2017, vol. 5, pp. 4621-4635.
6. Skvortsov N.A. Kurirovanie dannykh i kachestvo dannykh [Data curation and data quality], Moscow, Institute for Informatics Problems of the RAS, 2018.
Оригинал статьи и аннотацию к ней необходимо передать в редакцию в электронном виде (на магнитном носителе или по электронной почте [email protected]). При передаче информации по электронной почте желательно архивировать файлы. В названиях файлов необходимо использовать латинский алфавит. Допускаемые форматы текстовых файлов — TXT, RTF, DOC. Допустимые форматы графических файлов:
► графики, диаграммы, схемы — AI 8-й версии (EPS, текст переведен в кривые);
► фотографии — TIFF, JPEG (RGB, CMYK) с разрешением 300 dpi.
К каждой статье необходимо приложить сведения об авторах — фамилия, имя, отчество, ученая степень, ученое звание, место работы и должность, телефон служебный и домашний, адрес электронной почты.
artificial intelligence, organization of production, textile production processes, digitalization, data quality
The process of production of garments, like any business process, is accompanied by flows of information data. I have classified the data flows circulating in the clothing industry. Since their reliability affects the efficiency of production, the issue of the quality of these data is relevant. I have analyzed the information flows in terms of direction and content, determined that they are divided into initial and control ones, and all information about the progress of the business process is collected at the central control room. I have considered the characteristics of big data, the difficulties that arise in their processing and management by standard mechanisms. The purpose of using big data is to ensure trouble-free production. To do this, it is necessary to control big data starting from the process of their input, develop a mechanism for classifying errors and a mechanism for data verification based on the analysis of all processes, centralize the data quality management process and create a main document — a register of requirements for big data.
References
Как подготовить статью для журнала «Компетентность»
