Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В статье рассматриваются вопросы, связанные с применением технологий предиктивного обслуживания оборудования на высокотехнологичных производствах. Проведен анализ опыта использования предиктивного обслуживания оборудования на российских и зарубежных предприятиях, выделены преимущества внедрения данной технологии. Приводится обоснование получения экономического эффекта за счет раннего выявления предотказных состояний и аномалий высокотехнологичного оборудования. Разработан алгоритм принятия решений о целесообразности внедрения предиктивного обслуживания оборудования высокотехнологичных предприятий.

Об авторах

Мария Владимировна Яковлева

Московский государственный технический университет имени Н.Э. Баумана

Email: mvyakovleva@bmstu.ru
старший преподаватель кафедры «Менеджмент»

Алина Игоревна Шалина

Московский государственный технический университет имени Н.Э. Баумана

Email: a.shalinalina@yandex.ru
студентка кафедры «Менеджмент»

Список литературы

  1. 1. Абрамов Е.Г., Авдонин Б.Н., Батьковский А.М., Батьковский М.А. Диагностика и мониторинг экономической устойчивости предприятий радиоэлектронного комплекса с учетом оценки их инновационного потенциала // Электронная промышленность. – 2010. – № 3. – c. 51-71.
  2. 2. Vishwa G. Predictive Maintenance Market: Global Opportunity Analysis And Industry Forecast, 2020–2027 // Allied Market Research. – 2021. – p. 1-6.
  3. 3. Ковальчук Ю.А., Степнов И.М. Управление промышленными экосистемами в едином цифровом пространстве // Проблемы рыночной экономики. – 2022. – № 3. – c. 107-121. – doi: 10.33051/2500-2325-2022-3-107-121.
  4. 4. Фролов В.Г., Дробот Е.В., Абрамов Е.Г. Реализация стратегий Индустрии 4.0 российскими и зарубежными предприятиями: возможности для российской текстильной промышленности // Известия высших учебных заведений. Технология текстильной промышленности. – 2022. – № 2(398). – c. 312-323. – doi: 10.47367/0021-3497_2022_2_312.
  5. 5. Фролова М.В., Чепыжов Д.С. Предиктивное техническое обслуживание как средство обеспечения экономической безопасности промышленных предприятий // Экономическая безопасности России: проблемы и перспективы: Материалы VII Международной научно-практической конференции. Нижний Новгород, 2020. – c. 271-275.
  6. 6. Дудин М.Н., Шкодинский С.В., Усманов Д.И. Цифровой суверенитет России: барьеры и новые траектории развития // Проблемы рыночной экономики. – 2021. – № 2. – c. 30-49. – doi: 10.33051/2500-2325-2021-2-30-49.
  7. 7. Predictive Maintenance: Position Paper - Deloitte Analytics Institute. Deloitte.com. [Электронный ресурс]. URL: https://www2.deloitte.com/content/dam/Deloitte/de/Documents/deloitte-analytics/Deloitte_Predictive-Maintenance_PositionPaper.pdf (дата обращения: 27.12.2022).
  8. 8. Cachada A., Barbosa J., Leitño P. Maintenance 4.0: intelligent and predictive maintenance system architecture // IEEE 23rd International conference on emerging technologies and factory automation. Torino, Italy, 2018. – p. 139-146.– doi: 10.1109/ETFA.2018.8502489.
  9. 9. Афанасьев А.А. Об оценке влияния международных санкций на условия функционирования отечественной промышленности // Экономические отношения. – 2022. – № 2. – c. 179-194. – doi: 10.18334/eo.12.2.114858.
  10. 10. Кравченко П.П., Бурцев Д.С. Исследование опыта организации корпоративного обучения и анализ компетенций сотрудников предприятий лесной промышленности для внедрения цифровых технологий // Лидерство и менеджмент. – 2022. – № 4. – c. 1159-1172. – doi: 10.18334/lim.9.4.116967.
  11. 11. Keith Mobley R. An introduction to predictive maintenance. / 2nd ed. - New York, NY: Elsevier Science, 2002. – 1-22 p.
  12. 12. 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.
  13. 13. Григорьевна Т.А., Баева А.Ю. Применение предиктивной аналитики в энергетике // Труды Братского государственного университета. Серия: Естественные и инженерные науки. – 2021. – c. 16-19.
  14. 14. Кохно А.П. Методы управления эффективностью разработки оборонной продукции // Экономика высокотехнологичных производств. – 2022. – № 2. – c. 113-128. – doi: 10.18334/evp.3.2.115240.
  15. 15. Кохно П.А., Кохно А.П. Методы разработки инновационной стратегии высокотехнологичных промышленных предприятий // Экономика высокотехнологичных производств. – 2022. – № 3. – c. 161-176. – doi: 10.18334/evp.3.3.116955.
  16. 16. На повестке дня об оптимизации ремонтов. Корпоративная газета ООО «Газпром нефтехим Салават». [Электронный ресурс]. URL: https://vbashkortostane.gazprom.ru/d/journal/79/121/19-01-26.pdf (дата обращения: 03.12.2022).
  17. 17. Планировать ремонты на «КАМАЗе» будет «цифра». Вести КАМАЗа. [Электронный ресурс]. URL: https://vestikamaza.ru/posts/planirovat-remonty-na-kamaze-budet-tsifra/ (дата обращения: 09.12.2022).
  18. 18. Рекомендательные модели. СИБУР диджитал. [Электронный ресурс]. URL: https://sibur.digital/projects/recommender (дата обращения: 25.11.2022).
  19. 19. Simard S.R., Gamache M., Doyon-Poulin P. Current Practices for Preventive Maintenance and Expectations for Predictive Maintenance in East-Canadian Mines // Mining. – 2023. – № 3(1). – p. 26-53. – doi: 10.3390/mining3010002.
  20. 20. Цифровая трансформация процессов ТОиР (железнодорожный транспорт). Factory5. [Электронный ресурс]. URL: https://factory5.ai/cases/ (дата обращения: 12.01.2023).
  21. 21. Информационные технологии в Газпром нефть. Tadviser. [Электронный ресурс]. URL: https://www.tadviser.ru/index.php/Статья:Информационные_технологии_в_Газпром_нефть (дата обращения: 18.01.2023).
  22. 22. «Газпром нефть» внедрила интеллектуальную систему мониторинга оборудования на АЗС. Rogtec. [Электронный ресурс]. URL: https://www.rogtecmagazine.com/газпром-нефть-внедрила-интеллекту/?lang=ru (дата обращения: 03.02.2023).
  23. 23. Северсталь как мы прокачали телеметрию крупного металлургического комбината. Хабр. [Электронный ресурс]. URL: https://habr.com/ru/company/severstal/blog/534442/ (дата обращения: 23.01.2023).
  24. 24. Северсталь как мы учились предсказывать отказы. Хабр. [Электронный ресурс]. URL: https://habr.com/ru/company/severstal/blog/546150 (дата обращения: 08.02.2023).
  25. 25. Fueling the AI transformation: Four key actions powering widespread value from AI, right now. Deloitte. [Электронный ресурс]. URL: https://www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/us-ai-institute-state-of-ai-fifth-edition.pdf (дата обращения: 20.12.2022).
  26. 26. Ионов Г.А., Пасечник Ф.В., Самотесов Ю.А., Ульчугачев Д.С. Интеграция предиктивного технического обслуживания производственных активов как элемент цифровой трансформации // Актуальные проблемы развития хозяйствующих субъектов, территорий и систем регионального и муниципального управлени: Материалы 16-й Международной научно-практической конференции. Том ВЫПУСК 2. Курск, 2021. – c. 110-112.
  27. 27. Сайедж Е.М. Трансформация систем технического обслуживания и ремонта оборудования в условиях цифровизации // Современные парадигмы социально-экономического развития России в рамках реализации национальных проектов: Материалы Национальной научно-практической конференции. Том 15. Москва, 2020. – c. 121-123.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Яковлева М.В., Шалина А.И., 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах