Разработка моделей прогнозирования и управления для автоматизированных производственных систем
Ключевые слова:
автоматизированные производственные системы, прогнозирование, управление, оптимизация, адаптивные алгоритмы, нечеткая логика, генетические алгоритмы, эффективность, конкурентоспособностьАннотация
В современных условиях динамично развивающегося производства и нарастающей конкуренции на рынке актуальной задачей является разработка эффективных моделей прогнозирования и управления для автоматизированных производственных систем (АПС). Данное исследование направлено на создание комплексного подхода к моделированию и оптимизации функционирования АПС с целью повышения эффективности производственных процессов, снижения затрат и обеспечения высокого качества выпускаемой продукции. Для достижения поставленных целей были применены методы математического моделирования, теории управления, оптимизации и интеллектуального анализа данных. В частности, были разработаны стохастические модели прогнозирования спроса на продукцию, учитывающие сезонные колебания и тренды рынка. Такие модели позволяют с точностью до 95% предсказывать объемы продаж на период от 1 до 6 месяцев. Для управления производственными процессами были предложены адаптивные алгоритмы планирования и диспетчеризации, основанные на методах нечеткой логики и генетических алгоритмах. Использование данных подходов позволило сократить время переналадки оборудования на 20-25% и снизить объемы незавершенного производства на 15%. Проведенные экспериментальные исследования на примере реального машиностроительного предприятия подтвердили эффективность разработанных моделей и алгоритмов. Внедрение предложенных решений позволило увеличить производительность АПС на 12%, сократить затраты на сырье и материалы на 8% и повысить качество выпускаемой продукции, снизив процент брака с 1,5%до 0,8%. Полученные результаты имеют высокую практическую значимость и могут быть использованы для повышения конкурентоспособности и эффективности функционирования предприятий различных отраслей промышленности. Дальнейшие исследования будут направлены на развитие предложенных подходов и их адаптацию для решения новых задач в условиях цифровизации производства и перехода к концепции «Индустрия 4.0».
Библиографические ссылки
Антонов Г.Д., Тумин В.М., Иванова О.П. Стратегическое управление организацией: уч. пос. М.: НИЦ ИНФРА-М, 2018. 239 с.
Байбаров Д.А. Автоматизированный комплекс нефтяных скважин на основе ультразвуковой технологии для увеличения продуктивности скважин и снижения затрат на добычу // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2021. № 2-3. С. 81-88.
Барсегян Н.В., Шинкевич А.И. Анализ информационных технологий поддержки систем управления нефтехимическими предприятиями // Вестник БУКЭП. 2020. № 6(85). С. 56-65.
Боровков А.И., Рябов Ю.А. Цифровые двойники: определение, подходы и методы разработки // Сб. тр. науч.-прак. конфер. с заруб. уч. «Цифровая трансформация экономики и промышленности». Под ред. А.В. Бабкина. 2019. С. 234-245.
Гуськов А.А., Темникова А.Ю. Беспроводные датчики на объектах нефтедобычи // Энергия молодежи для нефтегазовой индустрии: мат. конф. Альметьевск: АГНУ. 2020. С. 718-723.
Дмитриевский А.Н., Еремин Н.А., Черников А.Д. Автоматизированная система предотвращения аварий при строительстве скважин // Нефтяное хозяйство. 2021. № 1. С. 73-76
Дробязко О.Н., Куликова Л.В., Никольский О.К. Системно-вероятностное моделирование систем обеспечения электробезопасности на объектах АПК // Вестник Алтайского государственного аграрного университета. 2022. № 2(208). С. 94-101.
Казаков Е.А. Автоматизация в области нефтедобычи и транспорта подготовленной нефти // Мат. XI Междунар. науч.-практ. конф. «Модернизация научной инфраструктуры и цифровизация образования». СПб.: ВВМ. 2021. С. 20-25.
Кардопольцева К.Б. К вопросу о роли методов интеллектуального анализа данных для решения проблемы прогнозирования состояния оборудования на промышленном предприятии // Мат. конф. «Актуальные проблемы бухгалтерского учета, анализа и аудита». Курск: ЮЗГУ. 2021. С. 205-207.
Луков Д.К. Автоматизированные системы управления технологическим процессом (АСУ ТП) // European Science. 2019. № 2(44). С. 19-21.
Теплухин П.А., Градусов А.Б. Особенности применения машинного обучения в управлении рисками // Мат. XXIII науч.-практ. конф. «Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации». Пенза: Наука и просвещение 2019. С. 100-102.
Чубарова О.И., Шаньгин Е.С. Вопросы автоматизации нефтяных промыслов // Мат. VII Всерос. науч.-практ. конф. «Культура, наука, образование: проблемы и перспективы». Нижневартовск: НГУ. 2019. С. 699-702.
Шестан В.Б., Михтадов Р.Э. Машинное обучение в производстве // Сб. ст. XV Междунар. науч.-практ. конф. «Прорывные научные исследования: проблемы, закономерности, перспективы: Пенза: Наука и просвещение». 2020. С. 121-123.
Hegde J., Rokseth B. Applications of machine learning methods for engineering risk assessment-A review // SafetyScience. 2020. Vol. 122. Artno. 104492.
