Разработка концептуальной модели смарт-производства для предприятий машиностроения

Обложка

Цитировать

Полный текст

Аннотация

Введение. Востребованность продукции со стороны глобального рынка и необходимость реакции на угрозы национальной безопасности обусловили стремительный рост и технологическое развитие предприятий отрасли, прежде всего, на базе цифровизации и роботизации производства, использования интегрированного управления сетевыми производствами, сетями поставок и распределёнными активами компаний. Достигнутый сегодня научно-технический уровень в эволюции систем производственного менеджмента/ организации производства в рамках концепции «Фабрики будущего» (Factories of Future) позволяет ставить и успешно решать задачи создания «умного» производства (Smart Мanufacturing). Цель исследования – разработать концептуальную модель смарт-производства для предприятий машиностроения. Задачи исследования: уточнить организационно-экономическое содержание и трактовку понятия «смарт-производство» в приложении к предприятиям машиностроения; предложить классификацию свойств и систему принципов построения и функционирования смарт-производства на предприятиях машиностроения; разработать подход к обоснованию выбора характеристик организации структуры и процесса функционирования смарт-производства на предприятиях машиностроения. Данные и методы. Исследование проводилось на базе общенаучных методов (анализа, синтеза, наблюдения, сравнения, моделирования, обобщения, формализации). Объект исследования – предприятия машиностроения, внедряющие смарт-производство. Предмет исследования – управленческие отношения, возникающие в процессе развития предприятий машиностроения на основе внедрения смарт-производства. Результаты. Авторами уточнено организационно-экономическое содержание и трактовка понятия «смарт-производство» в части целевой направленности, функционального наполнения, условий реализации и измерения эффективности, предложена классификация свойств и система принципов построения смарт-производства, разработан подход к обоснованию выбора характеристик организации смарт-производства на основе типовых решений, закладываемых в модель цифрового двойника производства, что представляет собой концептуальную модель смарт-производства для предприятий машиностроения. Заключение. Авторами предложена концептуальная модель смарт-производства для предприятий машиностроения, позволяющая предприятиям машиностроения на её основе разрабатывать цифровые двойники производства для использования в оперативном, тактическом и стратегическом управлении с целью повышения текущей эффективности и обеспечения устойчивого развития на перспективу.

Об авторах

В. В. Кобзев

Санкт-Петербургский политехнический университет Петра Великого

Автор, ответственный за переписку.
Email: skorobogatov.andrei@yandex.ru
Россия, 195251, Санкт-Петербург, ул. Политехническая, 29

А. С. Скоробогатов

Санкт-Петербургский политехнический университет Петра Великого; АО «Завод «Универсалмаш» группа компаний ПАО «Кировский Завод»

Email: skorobogatov.andrei@yandex.ru
Россия, 195251, Санкт-Петербург, ул. Политехническая, 29; 198097, Санкт-Петербург, пр. Стачек, 47

Список литературы

  1. Business value of SME digitalisation: when does it pay off more? / Etienne F. N., Dong J. Q., Broekhuizen T. et al. // European Journal of Information Systems. 2024. Vol. 33, iss. 3. Pp. 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. Vol. 45, iss. 1. Pp. 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. Vol. 40, iss. 8. Pp. 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. 05.12.2024. 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. Vol. 94, iss. 9–12. Pp. 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. Vol. 4, iss. 5. Pp. 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. Vol. 12. Pp. 295–336.
  8. Бабкин А. В., Глухов В. В., Шкарупета Е. В. Методика оценки цифровой зрелости отраслевых промышленных экосистем // Организатор производства. 2022. Т. 30, № 3. С. 7–20. EDN: ZIQIWS.
  9. Инструментарий и организационно-экономический механизм управления инновационным потенциалом интегрированных промышленных структур и комплексов / А. В. Бабкин, Ю. С. Васильев, Х. Барабанер и др. // Теория и практика сервиса: экономика, социальная сфера, технологии. 2017. № 4 (34). С. 30–35. EDN: YRTHJJ.
  10. Кобзев В. В., Бабкин А. В., Скоробогатов А. С. Цифровая трансформация промышленных предприятий в условиях новой реальности // π-Economy. 2022. Т. 15, № 5. С. 7–27. doi: 10.18721/JE.15501; EDN: NUNQPQ.
  11. Сидоров А. А. Доступ на внешние рынки в контексте конъюнктурных исследований // Вестник Института экономики Российской академии наук. 2024. № 1. С. 138–153. doi: 10.52180/2073-6487_2024_1_138_153; EDN: VMDGYJ.
  12. Backhouse R. E. Obituary: Robert Solow and Economic Modeling // Erasmus Journal for Philosophy and Economics. 2024. Vol. 17, iss. 1. Pp. 378–392. doi: 10.23941/ejpe.v17i1.863.
  13. Трофимова Н. Н. Взаимосвязь системы умного производства, экосистемы и устойчивого развития // Экономика и управление: проблемы, решения. 2023. Т. 2, № 1 (133). С. 89–94. doi: 10.36871/ek.up.p.r.2023.01.02.012; EDN: EFMOMK.
  14. Бабкин А. В., Шкарупета Е. В., Плотников В. А. Интеллектуальная киберсоциальная экосистема Индустрии 5.0: понятие, сущность, модель // Экономическое возрождение России. 2021. № 4 (70). С. 39–62. doi: 10.37930/1990-9780-2021-4-70-39-62; EDN: TCYAIR.
  15. Бабкин А. В., Михайлов П. А. Цифровые платформы в экономике: понятие, сущность, классификация // Вестник Академии знаний. 2023. № 1 (54). С. 25–36. EDN: SLMSNI.
  16. Шкарупета Е. В. Модель организации сетевого взаимодействия предприятий с использованием ресурсов цифровой среды // Интеллектуальная инженерная экономика и Индустрия 5.0 (ЭКОПРОМ): сборник трудов международной научно-практической конференции, Санкт-Петербург, 01–02 ноября 2024. Санкт-Петербург: Политех-Пресс, 2024. С. 188–192. doi: 10.18720/IEP/2024.4/28; EDN: QDTBCW.
  17. Баурина С. Б., Назарова Е. В. Ключевые интересы производственного сектора в области «умных» технологий // Вестник Белгородского университета кооперации, экономики и права. 2021. № 6 (91). С. 103–110. doi: 10.21295/2223-5639-2021-6-103-110; EDN: CADLXH.
  18. Рахманов М. Л. Парадигма применения цифровых двойников в промышленности // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 6 (81). С. 89–94. EDN: HHCYHK.
  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 (SP), San Jose, CA, USA, 22–26 May 2016. IEEE Computer Society, 2016. Pp. 598–617. doi: 10.1109/SP.2016.42.
  20. Маркова С. В., Борисов А. Н. Экономические аспекты развития и использования искусственного интеллекта в бизнесе и промышленности // Экономика и управление: проблемы, решения. 2024. Т. 5, № 1 (144). С. 4–9. doi: 10.36871/ek.up.p.r.2024.01.05.001; EDN: OYFGSD.
  21. Шиболденков В., Нестерова Е. Применение смарт-технологий в управлении жизненным циклом продукции в современных производственных системах // Девятые Чарновские чтения: сборник трудов IX Всероссийской научной конференции по организации производства, Москва, 06–07 декабря 2019 года. М.: Некоммерческое партнерство «Объединение контроллеров», 2020. С. 173–180. EDN: DVSZDT.
  22. Anderson D. Artificial Intelligence and Applications in PM&R // American Journal of Physical Medicine & Rehabilitation. 2019. Vol. 98, iss. 11. Pp. 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. Vol. 48, iss. 1. Pp. 147–184. doi: 10.1177/01492063211045023.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Кобзев В.В., Скоробогатов А.С., 2025

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».