Recommendations for improvement of production system management

Введение

Согласно Указу Президента Российской Федерации от 15.02.2024 № 124 "О внесении изменений в Указ Президента Российской Федерации от 10 октября 2019 г. № 490 "О развитии искусственного интеллекта в Российской Федерации" и в Национальную стратегию, утвержденную этим Указом", общий объем оказанных услуг по разработке и реализации решений в области ИИ к 2030 году должен до 60 млрд. руб. Предполагается активизация процессов цифровизации государственных институтов на основе внедрения технологий искусственного интеллекта и машинного обучения. В свою очередь, промышленные предприятия и кластеры производств, представляя собой фундаментальный драйвер развития экономики, должны быть приоритетом этого внедрения.

Целью работы является совершенствование подходов к управлению производственными системами на основе разработки соответствующих рекомендаций, адаптированных к современным условиям развития экономики. Предполагаемая научная новизна заключается в обобщении и систематизации существующих подходов к совершенствованию менеджмента субъектов производственных систем в форме рекомендаций. Авторская гипотеза заключается в предположении о необходимости совершенствования управления производственными системами для соответствия менеджмента целям и задачам, возникающим в условиях цифровизации экономики. Методология настоящего исследования включает методы системного анализа, имитационного моделирования, обоснованные рассуждения и эвристический поиск ответа на когнитивно сформулированные вопросы. Методологической базой исследования выступали работы российских и зарубежных авторов, а также официальные документы, в частности актуальные указы Президента Российской Федерации в отношении разработки и внедрения интеллектуальных технологий и обеспечения научно-технического развития страны [1, 2].

Существующие работы авторов профильных изданий подтверждают актуальность представленной темы и необходимость дополнительного исследования. Вопросы управления промышленными экосистемами является предметов многих научных исследований [3,4]. Так, в работе Е.С. Андреевой представлена методика совершенствования системы управления инновационной деятельностью предприятия [5], а в работе А.Э. Устинова и А.А. Морозовой представлены направления развития системы управления производственным циклом предприятий [6]. В работе [7] представлены особенности построения системы стратегического планирования в промышленном предпринимательстве. В работе В.А. Дуболазова и З.Л. Симаковой предложена система оперативного контроля и регулирования производственных процессов [8]. Авторами представлены основные направления оперативного учета производства и иерархическая трехуровневая структура системы оперативного контроля, анализа и регулирования.

Актуальная научная дискуссия включает важные направления развития всех аспектов производственной деятельности. Так, в работе [9] представлены направления совершенствования системы управления охраной труда. Н.А. Новицкий рассмотрел перспективы внедрения матричной модели государственного управления в управление цифровыми системами в экономике [10]. В работе М.Г. Побегайло, М.С. Слющенковой представлены подходы к совершенствованию системы адаптации и управления персоналом организации [11]. М.Ю. Диканов, И.С. Кувалдина предложили мероприятия по повышению экономической эффективности системы управления предприятием [12], а в работе [13] рассмотрены подходы к совершенствованию информационной системы организации управления предприятием. Обобщая краткий обзор научных исследований, можно сделать вывод, что несмотря на значительный интерес научного сообщества, существует возможность дополнить направления развития управления производственными экосистемами.

Рекомендации по совершенствованию управления производственными системами

Совершенствование управления на основе методов искусственного интеллекта является комплексной и сложной задачей, включающей перечень составляющих, объединяющих триаду информационно-аналитической поддержки менеджмента организации: данные, инструментарий, обоснованные выводы и прогнозы. Цифровая трансформация экономики является комплексным процессом, императивом для промышленных систем. Методы машинного обучения составляют один из ключевых инструментов анализа и прогнозирования эффективного развития организации в современных условиях. Для обеспечения задач цифровой трансформации целесообразно рассмотреть ряд рекомендаций, обобщающих исследования в области совершенствования управленческих существующих подходов. Структурная схема, обобщающая перечень разработанных рекомендаций представлена рисунке 1.

Первая рекомендация касается разработки и внедрения цифровых двойников, способствующих развитию цифровых технологий анализа данных, необходимых для качественного управления. Цифровые двойники позволяют построить компьютерную модель реального объекта, поместить его в среду планируемой эксплуатации, выявить сильные и слабые стороны, снизив возможные риски, связанные с промышленной эксплуатацией и внедрением опытных образцов. Инструментарий цифровых двойников представляет собой обобщение и развитие существующих подходов к компьютерному моделированию. Цифровые двойники представляют собой больше чем математические модели, представляя всю промышленную систему в комплексе, имитируя взаимосвязи и влияние ее субъектов друг на друга.

Благодаря использованию цифровых двойников достигается рост производительности: модель предоставляет доступ к мониторингу и анализу параметров в реальном времени, отслеживанию критической инфраструктуры и минимизации рисков выхода составляющих производственной системы из строя. С учетом фактических показаний датчиков формируется репрезентативная выборка статистических значений, позволяющая строить прогнозы и предвосхищать угрозы функционирования технологического оборудования. Переход к концепции индустрии 4.0 в числе прочего, предполагает значительную децентрализацию производства. Виртуальная среда, в которых реализованы цифровые двойники, позволяет проводить удаленный мониторинг функционирования отдельных установок или производственных линий, что значительно повышает общую эффективность производства. Цифровые двойники позволяют добиться системного улучшения сценарного моделирования, предоставляя возможности для оценки параметров функционирования оборудования без необходимости построения натуральной модели или проведения дискретных численных экспериментов.

Современный этап развития сетей передачи данных характеризуется развитием мобильного широкополосного интернета, разработкой и реализацией сервисов, меняющих привычные действия с применением цифровых технологий. На сегодняшний день, технологии интернета вещей (IoT), ресурсная база и алгоритмы которых существенным образом эволюционировали за последнюю декаду, органично встраиваются в методологию цифрового прототипирования. Использование интернета вещей позволяет связать производство в единую цифровую среду и обеспечить эффективное взаимодействие в рамках реализации комплексной задачи.

Перспективным развитием существующих методов обеспечения информационной поддержки принятия управленческих решений является машинное обучение и технологии интеллектуального анализа данных. Современные вычислительные системы, производительность которых экспоненциально возрастала последние тридцать лет, представляют собой эффективный инструмент агрегирования, накопления, хранения и анализа данных. Инструментарий имитационного моделирования, обладающий ключевой ролью в задачах обработки и анализа данных, предполагает эффективное применение методов искусственного интеллекта.

Методы машинного обучения являются эффективным средством анализа производственных процессов и систем. С применением регрессионных моделей производится анализ технических характеристик в сложных производственных системах, строятся прогнозы и осуществляется оценка значимых показателей. Например множественная регрессия позволяет выявить влияние изменяющихся параметров функционирования оборудования на технологические процессы и соответствующим образом спрогнозировать и адаптировать целевые показатели с учетом факторов износа, изменения качества и объемов производства.

В настоящее время, значительную популярность снискали нейросетевые модели оценки и прогнозирования, которые активно используются при управлении сложными технологическими системами. Так, например, температурные датчики в процессе промышленной сушки могут быть заменены на выходные данные нейронной сети и модели нечеткой логики [14]. Инструментарий машинного обучения может и должен эффективно применяться не только в оценке и прогнозировании, но и работать в комплексе с цифровыми двойниками. Цифровое прототипирование открывает возможности для многократной постановки экспериментов в виртуальной среде, позволяющих выявить недостатки и исключить на реальном прототипе [15]. Благодаря цифровому моделированию возникает возможность накопить статистические данные, в дальнейшем используемые для анализа. При этом, например, нейросетевое моделирование позволяет выявить неявные факторы, оказывающие влияние на ключевые параметры технологической системы.

Следующей рекомендацией по совершенствованию производственных систем является внедрение интеллектуальных робототехнических решений для повышения эффективности производства. Уровень автоматизации технологических процессов непрерывно возрастал со времен промышленной революции и внедрения конвейерного производства. Современный этап характеризуется широким применением ЧПУ-станков, SCADA-систем, PLM-контроллеров и систем автоматизированного проектирования, однако для непрерывного функционирования производственных систем необходим мониторинг и корректирование параметров при участии специалиста. Технологии искусственного интеллекта позволяют значительным образом снизить человеческий фактор в производстве, снизить прямые и косвенные издержки и обеспечить высокую безопасность производства благодаря мониторингу и предвосхищению угроз.

Автоматические системы обеспечивают снижение вовлеченности человеческого труда, что положительно сказывается на эффективности, а также позволяет снизить нагрузку на обеспечивающие этот труд сферы экономики. Уменьшение числа сотрудников, привлекаемых к тяжелым условиям труда и работе на вредных производствах, снижает нагрузку на систему здравоохранения, учреждения санаторно-профилакторного лечения и открывает новые возможности для реинтеграции кадров в цифровую экономику.

Обобщением и развитем технологий искусственного интеллекта и анализа данных с применением цифровых двойников являются информационные системы поддержки принятия решений (СППР), предоставляющие комплексные инструменты для систематизации информации и управления производством. Внедрение СППР способствет автоматизации процессов обработки информации на основе машинного обучения и математических моделей, упрощает разработку цифровых прототипов, снижает неопределенность и способствует цифровому документообороту. Системы поддержки принятия решений позволяют обеспечить связь между разрозненными составляющими цифровой среды, непрерывную оценку данных, получаемых от технологического оборудования, учитывать действие внутренних и внешних факторов. Для обеспечения функционирования современного производства применение информационных систем является не только необходимым, но и достаточным условием – организационная сложность, сложность применяемых технологий, влияние многочисленных внутренних и внешних факторов – все это определяет необходимость в цифровизации с применением СППР.

Цифровая инфраструктура требует также обеспечения защиты от киберугроз и профилактику корпоративного шпионажа. В современных условиях, когда уровень технологического развития является одним из основных факторов конкурентоспособности организации, обеспечение конфиденциальности чувствительной информации является необходимостью. Принятые протоколы в сфере кибербезопасности направлены на разграничение прав доступа сотрудников и противодействие внешним угрозам. Интеграция технологий искусственного интеллекта позволит моделировать потенциально опасные атаки, выявлять уязвимости и совершенствовать инфраструктуру организаций.

Цифровая экосистема предполагает унификацию протоколов взаимодействия технологического оборудования в условиях функционирования гетерогенных промышленных систем. Соблюдение стандартов, характеризующих как итоговое качество производимых продуктов, так и непосредственно процессы производства, позволяет построить эффективную производственную систему. Стандартизация бизнес-процессов, проводимая с учетом возможностей цифровых технологий, позволить повысить общую конкурентоспособность производства и системы управления, а также избежать проблем, связанных с уникальностью технологических цепочек и используемого программного обеспечения.

Развитие промышленной экосистемы, отвечающей задачам цифровизации экономики, невозможно без постоянного наращивания человеческого капитала. Этого можно добиться благодаря двум основным подходам: привлечению новых высококлассных специалистов и развитию компетенций существующих. Обучение и адаптация персонала, выраженные в развитии профессиональных и коммуникативных навыков – приоритетный вектор развития современного предприятия. Эпоха ограничений, вызванных пандемией коронавируса, показала, что современный рынок труда является гибким и адаптивным механизмом рыночной экономики. Сотрудники работали удаленно, а рынок труда изменился, адаптировавшись к новым возможностям. В подобных условиях, организации необходимо обеспечить возможности для личностного и профессионального роста, командную работу и благоприятные условия для формирования творческого и вовлеченного коллектива. Совмещая меры стимулирования, включающие обучение за счет компании, гибкий график, там, где это возможно, развивая горизонтальные корпоративные связи и сохраняя дисциплину сотрудников, современная организация способна обеспечить высокую эффективность и стать желанным местом трудоустройства молодых и талантливых кадров.

Заключительный блок рекомендаций включает внедрение проактивных механизмов управления, в основе которых лежит прогнозирование и гибкие технологии менеджмента. Современные производственные системы, несмотря на необходимость сохранения последовательности технологических процессов, становятся ближе к компаниям IT-сектора, что, по мере внедрения технологий искусственного интеллекта, становится все более явным. В сфере информационных технологий, гибкие стратегии – Scrum, Agile, Kanban де факто являются одной из составляющих стандартов управления. В то же время, для классического производства, они не вполне подходят. Однако, внедрение проактивных подходов, гибкого планирования и управления на основе интеллектуальных технологий позволит, благодаря цифровизации процессов поддержки принятия решений, внедрить лучшие практики из инструментария гибкого управления.

Заключение

Обобщая вышеизложенное, совершенствование управления производственными системами на основе методов искусственного интеллекта является комплексной и многоаспектной задачей. Внедрение информационно-аналитических систем, интеллектуальных алгоритмов сбора, обработки и анализа информации является одним из основных драйверов развития современного производства. Соответствующим образом, необходимо обеспечить адаптацию управления организации под цели и задачи цифровой экономики. Представленные в статье рекомендации направлены на оптимизацию цифровой трансформации производственных экосистем и способствуют построению эффективных моделей управления с применением интеллектуальных технологий анализа данных.

Изменение механизмов управления, совершенствование процессов принятия управленческих решений, повышение точности и быстродействие управления – приоритетные задачи современного менеджмента высокотехнологичной компании. Следует отметить перспективность совершенствования управления производственными системами с применением технологий машинного обучения анализа данных. В то же время, при разработке стратегий развития организации, необходимо учитывать сложность и комплексность возникающих задач. Настоящая работа, затрагивая аспекты совершенствования направлений совершенствования менеджмента организации с применением технологий искусственного интеллекта, направлена на систематизацию этиъ направлений и формализацию их в виде рекомендаций.