Development of a Conceptual Model of Smart Production for Machine-Building Enterprises

Cover Page

Cite item

Full Text

Abstract

Introduction. The demand for products from the global market and the need to respond to national security threats have led to the rapid growth and technological development of machine-building enterprises, primarily on the basis of digitalization and robotization of production, the use of integrated management of network production, supply chains and distributed assets of companies. The scientific and technical level achieved to date in the evolution of production management/production organization systems within the ‘Factories of the Future’ concept allows setting and successful solving the tasks of creating smart manufacturing. The purpose of the study is to develop a conceptual model of smart production for machine-building enterprises. The research objectives are to clarify the organizational and economic content and interpretation of the smart production concept as applied to machine-building enterprises, to propose a classification of properties and a system of principles for the establishment and functioning of smart production at machine-building enterprises, as well as to develop an approach to substantiating the choice of characteristics of the organization of the structure and the process of functioning of smart production at machine-building enterprises. Data and methods. The study was carried out using general research methods (analysis, synthesis, observation, comparison, modeling, generalization, formalization). The object of the study was machine-building enterprises implementing smart manufacturing. The subject of the study was managerial relations arising in the process of development of machine-building enterprises based on the introduction of smart production. Results. The authors clarified the organizational and economic content and interpretation of the concept of smart production in terms of the target orientation, functional content, implementation conditions and efficiency measurement. A classification of properties and a system of principles for building smart production were proposed; an approach was developed to substantiating the selection of characteristics of the organization of smart production based on standard solutions integrated into digital twin model. Taken together, this represents a conceptual model of smart production for machine-building enterprises. Conclusion. The authors have proposed a conceptual model of smart production for machine-building enterprises, which allows these enterprises to develop digital twins of production on its basis for use in operational, tactical and strategic management
in order to improve current efficiency and ensure sustainable development in the future.

About the authors

V. V. Kobzev

Peter the Great St. Petersburg Polytechnic University

Author for correspondence.
Email: skorobogatov.andrei@yandex.ru
Russian Federation, 29, Polytechnicheskaya St., St. Petersburg, 195251

A. S. Skorobogatov

Peter the Great St. Petersburg Polytechnic University; Universalmash plant, the Kirovsky Zavod group

Email: skorobogatov.andrei@yandex.ru
Russian Federation, 29, Polytechnicheskaya St., St. Petersburg, 195251; 47, Stachek Prosp., St. Petersburg, 198097

References

  1. Etienne F. N., Dong J. Q., Broekhuizen T. et al. Business value of SME digitalisation: when does it pay off more? // European Journal of Information Systems. 2024; 33(3): 383–402. doi: 10.1080/0960085X.2023.2167671.
  2. Zhou Y. E., Xu J. D., Liu Z. The impact of digital transformation on corporate innovation: Roles of analyst coverage and internal control // Managerial and Decision Economics. 2024; 45(1): 373–393. doi: 10.1002/mde.4009.
  3. Wiewiora A. M., O’Connor P. J. Not all project ambiguity is equal: A typology of project ambiguity and implications for its management // International Journal of Project Management. 2022; 40(8): 921–933. doi: 10.1016/j.ijproman.2022.10.005.
  4. Meinke A., Schoen B., Scheurer J. et al. Frontier models are capable of in-context scheming // Apollo Research. 2024-12-05. 70 p. doi: 10.48550/arXiv.2412.04984.
  5. Tao F., Cheng J., Qi Q. et al. Digital twin-driven product design, manufacturing and service with big data // The International Journal of Advanced Manufacturing Technology. 2018; 94(9–12): 3563–3576. doi: 10.1007/s00170-017-0233-1.
  6. Reut D., Falko S., Postnikova E. About scaling of controlling information system of industrial complex by streamlining of big data arrays in compliance with hierarchy of the present lifeworlds // International Journal of Mathematical, Engineering and Management Sciences. 2019; 4(5): 1127–1139. doi: 10.33889/IJMEMS.2019.4.5-089.
  7. Powell W. W. Neither market nor hierarchy: network forms of organization // Research in Organizational Behavior. 1990; 12: 295–336.
  8. Babkin A. V., Glukhov V. V., Shkarupeta E. V. Methodology for assessing digital maturity of industrial ecosystems // Organizer of Production. 2022; 30(3): 7–20. EDN: ZIQIWS (In Russ.).
  9. Babkin A. V., Vasilyev Yu. S., Barabaner X. et al. Tools and the organizational and economic mechanism of management of innovative capacity of the integrated industrial structures and complexes // Teoriya i praktika servisa: ehkonomika, sotsial’naya sfera, tekhnologii. 2017; 4(34): 30–35. EDN: YRTHJJ (In Russ.).
  10. Kobzev V. V., Babkin A. V., Skorobogatov A. S. Digital transformation of industrial enterprises in the new reality // π-Economy. 2022; 15(5): 7–27. doi: 10.18721/JE.15501; EDN: NUNQPQ (In Russ.).
  11. Sidorov A. A. Foreign market access in the system of market research // The Bulletin of the Institute of Economics of the Russian Academy of Sciences. 2024; (1): 138–153. doi: 10.52180/2073-6487_2024_1_138_153; EDN: VMDGYJ (In Russ.).
  12. Backhouse R. E. Obituary: Robert Solow and economic modeling // Erasmus Journal for Philosophy and Economics. 2024; 17(1): 378–392. doi: 10.23941/ejpe.v17i1.863.
  13. Trofimova N. N. Interrelation of smart production system, ecosystem and environment // Ekonomika i upravlenie: problemy, resheniya. 2023; 2(1(133)): 89–94. doi: 10.36871/ek.up.p.r.2023.01.02.012; EDN: EFMOMK (In Russ.).
  14. Babkin A. V., Shkarupeta E. V., Plotnikov V. A. Intelligent cyber-social ecosystem of Industry 5.0: concept, essence, model // Economic Revival of Russia. 2021; 4(70): 39–62. doi: 10.37930/1990-9780-2021-4-70-39-62; EDN: TCYAIR (In Russ.).
  15. Babkin A. V., Mikhailov P. A. Digital platforms in economy: concept, essence, classification // Bulletin of the Academy of Knowledge. 2023; 1(54): 25–36. EDN: SLMSNI (In Russ.).
  16. Shkarupeta E. V. Model for organization of network interaction between enterprises using the resources of digital environment // In: Intelligent Engineering Economics and Industry 5.0 (ECO-PROM): Conference proceedings of the international scientific and practical conference, St. Petersburg, November 01–02, 2024. St. Petersburg: Polytech-Press Publ.; 2024: 188–192. doi: 10.18720/IEP/2024.4/28; EDN: QDTBCW (In Russ.).
  17. Baurina S. B., Nazarova E. V. Key interests of the manufacturing sector in smart technologies // Herald of the Belgorod University of Cooperation, Economics and Law. 2021; 6(91): 103–110. doi: 10.21295/2223-5639-2021-6-103-110; EDN: CADLXH (In Russ.).
  18. Rakhmanov M. L. The paradigm of using digital twins in industry // Information and Economic Aspects of Standardization and Technical Regulation. 2024; 6(81): 89–94. EDN: HHCYHK (In Russ.).
  19. Datta A., Sen S., Zick Y. Algorithmic transparency via quantitative input influence: theory and experiments with learning systems // 2016 IEEE Symposium on Security and Privacy (San Jose, CA, USA, May 22–26, 2016). IEEE Computer Society; 2016: 598–617. doi: 10.1109/SP.2016.42.
  20. Markova S. V., Borisov A. N. Economic aspects of the development and use of artificial intelligence in business and industry // Ekonomika i upravlenie: problemy, resheniya. 2024; 5(1(144)): 4–9. doi: 10.36871/ek.up.p.r.2024.01.05.001; EDN: OYFGSD (In Russ.).
  21. Shiboldenkov V., Nesterova E. The smart technologies application for the product life-cycle management in modern manufacturing systems // In: The 9th Charnov Readings. Proceedings of the 9th All-Russian Scientific Conference on the Organization of Production (Moscow, December 6–7, 2019). Moscow: Russian Association of Controllers; 2020: 173–180. EDN: DVSZDT (In Russ.).
  22. Anderson D. Artificial intelligence and applications in PM&R // American Journal of Physical Medicine & Rehabilitation. 2019; 98(11): 128–129. doi: 10.1097/PHM.0000000000001171.
  23. Chen L., Tong T. W., Tang S. et al. Governance and design of digital platforms: a review and future research directions on a meta-organization // Journal of Management. 2021; 48(1): 147–184. doi: 10.1177/01492063211045023.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Kobzev V.V., Skorobogatov A.S.

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».