Developing recommendations for implementing predictive maintenance in high-tech companies

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

The authors suggest a set of recommendations for the introduction of predictive maintenance of equipment at high-tech companies. The introduction of predictive maintenance of equipment can significantly affect business processes. It can improve the equipment efficiency, reduce the cost of equipment maintenance and troubleshooting, as well as improve the quality of products. For the successful implementation of predictive maintenance, it is proposed to use a hierarchical structure of tasks, which is the basis of calendar planning. Modeling and assessment of risks associated with the introduction of predictive maintenance is carried out. One of the main aspects of the article is the study of the impact of equipment predictive maintenance on the company financial performance. The article is of interest to specialists of high-tech companies who are considering the possibility of implementing equipment predictive maintenance.

作者简介

Mariya Yakovleva

Bauman Moscow State Technical University

Email: mvyakovleva@bmstu.ru
к.э.н., старший преподаватель кафедры «Менеджмент»

Alina Shalina

Bauman Moscow State Technical University

Email: shalinaai@student.bmstu.ru
студентка кафедры «Менеджмент»

参考

  1. ГОСТ 34.602-2020. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы: принят Межгосударственным советом по стандартизации, метрологии и сертификации от 22.12.20 N 58: дата введения 2022-01-01. Swrit.ru. [Электронный ресурс]. URL: https://www.swrit.ru/doc/gost34/34.602-2020.pdf (дата обращения: 21.03.2023).
  2. Калачева А.Г. Оценка инновационного потенциала предприятия как составляющая анализа его инвестиционной привлекательности // Universum: Экономика и юриспруденция. – 2016. – № 1(22). – c. 1.
  3. Иванова С.А., Иванова И.А. Роль инновационной деятельности в повышении конкурентоспособности бизнеса // Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: Новые источники роста: Материалы II Всероссийской научно-практической конференции. Москва, 2019. – c. 69-71.
  4. Кривов´яз Ю.О. Застосування концепцІй прогнозного технІчного обслуговування з використанням методІв машинного навчанн // Актуальные научные исследования в современном мире. – 2021. – № 80. – c. 101-111. – doi: ZVVELH.
  5. Vishwa G. Predictive Maintenance Market: Global Opportunity Analysis And Industry Forecast, 2020–2027 // Allied Market Research. – 2021. – p. 1-6.
  6. Ионов Г.А., Пасечник Ф.В., Самотесов Ю.А., Ульчугаев Д.С. Интеграция предиктивного технического обслуживания производственных активов как элемент цифровой трансформации // Актуальные проблемы развития хозяйствующих субъектов, территорий и систем регионального и муниципального управления: Материалы 16-й Международной научно-практической конференции. Том ВЫПУСК 2. Курск, 2021. – c. 110-112.
  7. Старожук Е.А., Яковлева М.В. Исследование ключевых рисков при внедрении концепции цифровых двойников в автоматизированную систему управления жизненным циклом продукции // Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: Новые источники роста: Материалы III Всероссийской научно-практической конференции. Москва, 2020. – c. 298-302.– doi: 10.18334/9785912923258.298-302.
  8. Cachada A., Barbosa J., Leitño P. Maintenance 4.0: Intelligent and Predictive Maintenance System Architecture // 23rd International Conference on Emerging Technologies and Factory Automation. Torino, Italy, 2018. – p. 139-146.– doi: 10.1109/ETFA.2018.8502489.
  9. Swanson L. Linking maintenance strategies to performance // International Journal of Production Economics. – 2001. – № 3. – p. 237.
  10. Taking pro-active measures based on advanced data analytics to predict and avoid machine failure // Predictive Maintenance. – 2017. – № 7. – p. 6-9.
  11. Старожук Е.А., Красникова А.С., Тишкин В.В. Инструменты и ключевые показатели для оценки эффективности систем управления техническим обслуживанием и ремонтами // Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: Новые источники роста: Материалы Всероссийской научно-практической конференции. Москва, 2018. – c. 153-158.
  12. Яковлева М.В., Шалина А.И. Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях // Вопросы инновационной экономики. – 2023. – № 1. – c. 159-172. – doi: 10.18334/vinec.13.1.117426.
  13. Thaduri A., Galar D., Kumar U. Railway Assets: A Potential Domain for Big Data Analytics // Procedia Computer Science. – 2015. – p. 457-467. – doi: 10.1016/j.procs.2015.07.323.
  14. How Lockheed Martin Uses AI and IoT for Predictive Maintenance of Aircraft. Fieldserviceconnecteu.wbresearch.com. [Электронный ресурс]. URL: https://fieldserviceconnecteu.wbresearch.com/blog/how-lockheed-martin-uses-ai-and-iot-for-predictive-maintenance-of-aircraft (дата обращения: 30.03.2023).
  15. Яковлева М.В., Шалина А.И. Предиктивное обслуживание оборудования на протяжении его жизненного цикла как фактор сокращения расходов высокотехнологичных предприятий. / В сборнике: Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: Новые источники роста. - М.: Издательство МГТУ им. Н. Э. Баумана, 2023. – 186-191 c.
  16. Кривов´яз Ю.О. Застосування концепцІй прогнозного технІчного обслуговування з використанням методІв машинного навчанн // Актуальные научные исследования в современном мире. – 2021. – № 80. – p. 101-111.
  17. Чепцов Н.А. Бизнес-процессы подготовки технического обслуживания и ремонтов металлургического оборудования // Донбас-2020: Перспективы развития глазами молодых ученых: Матеріали VI науково-практичної конференції у рамках молодіжного наукового форуму «Молодіжне покоління в науці без кордонів». Донецк, 2012. – c. 462-466.
  18. Беляева Е.С. Совершенствование управления инновационной деятельностью промышленного предприятия на основе оценки инновационного потенциала. / Афтореф. дис. канд. экон. наук: 08.00.05. - Барнаул, 2007. – 23 c.
  19. Попова Е., Щевьева В.А. Сравнительная характеристика методов оценки инновационного потенциала предприятия // Форум молодых ученых. – 2019. – № 3(31). – c. 657-665.
  20. Демильханова Б.А. Методика оценки инновационной активности промышленного комплекса // Экономический анализ: теория и практика. – 2013. – № 19(322). – c. 17-25.
  21. Черникова А.Е. Оценка инновационного потенциала предприятия // Социально-экономическое развитие России: проблемы, тенденции, перспективы: Сборник научных статей участников 21-й Международной научно-практической конференции в рамках IV Московского академического экономического форума. Курск, 2022. – c. 233-236.
  22. Бабкина А.А., Седов Д.М., Свиридов П.С., Брозгунова Н.П. Современные подходы, требования и этапы организации информационной системы предприятия // Наука и образование. – 2020. – № 2. – c. 18.
  23. Тарасов И.В. Технологии Индустрии 4.0: Влияние на повышение производительности промышленных компаний // Стратегические решения и риск менеджмент. – 2018. – № 2. – c. 62-69. – doi: 10.17747/2078-8886-2018-2-62-69.
  24. Брозгунова Н.П. Информационные и программные средства реализации анализа данных // Наука и образование. – 2020. – № 4. – c. 25.
  25. Ларькин В.В, Кропачев А.В., Мельников Е.А., Николаев С.Г., Комаров В.Г., Вершинин С.В., Илюкевич В.В. К вопросу применения предиктивных моделей обслуживания сложных технических систем в процессе их эксплуатации // Модели и методы развития технологий машиностроения в условиях цифровизации экономики России. – 2022. – c. 207-212.
  26. Байдаров Д.Ю., Абакумов Е.М., Файков Д.Ю. Программное обеспечение «тяжелого» класса: возможности импортозамещения // Вопросы инновационной экономики. – 2022. – № 1. – c. 295-316. – doi: 10.18334/vinec.12.1.114143.
  27. Медиацентр Factory5. [Электронный ресурс]. URL: https://factory5.ai (дата обращения: 29.11.2022).
  28. Мёрфи К. Выбор подходящего датчика для предиктивного технического обслуживания // Электроника: Наука, технология, бизнес. – 2020. – № 9(200). – c. 96-103. – doi: 10.22184/1992-4178.2020.200.9.96.102.

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © Yakovleva M.V., Shalina A.I., 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».