Різні моделі планування для систем управління виробництвом
Анотація
В даний час багато підприємств автоматизують всі процеси на своєму виробництві, металургійна галузь не є винятком. Сьогодні на ринку існує безліч програмних продуктів для автоматизації виробництва. Такі продукти дозволяють звести окремі процеси до єдиного процесу управління, відображати всі процеси та автоматично контролювати показники ефективності, тим самим оцінюючи ефективність впроваджених на підприємстві моделей та роботу всього підприємства в цілому. Метою даного дослідження є розгляд того, які моделі виробничого планування використовуються в даний час для систем управління виробництвом Manufacturing Execution System (MES) та висвітлення їх особливостей, зокрема при впровадженні на металургійних підприємствах. В ході дослідження були використані наступні методи: аналіз, синтез, порівняння, графічне представлення даних. Інформаційною базою даної роботи стали дослідження європейських, американських, азіатських фахівців, що досліджують питання впровадження інтегрованої системи менеджменту (ІСМ) в металургійній галузі. Результати даного дослідження дозволили виділити особливості існуючих моделей планування виробництва для систем управління виробництвом (MES) в металургійній галузі. Дане дослідження має практичне значення, оскільки дозволяє виділити основні особливості різних моделей виробничого планування для систем управління виробництвом (СУВ) в металургійній галузі та на основі порівняльного аналізу вибрати найкращу з них для впровадження на підприємстві. Результати порівняльного аналізу моделей виробничого планування для систем управління виробництвом (MES) в металургійній галузі також можуть призвести до того, що підприємство може відмовитися від однієї моделі, яка вже працює на підприємстві та перейти на нову, більш прогресивну модель, яка відповідає всім вимогам та тенденціям розвитку ринку в металургійній галузі
Ключові слова
металургійне підприємство; цифрова трансформація; ІТ-інфраструктура; аналіз великих даних; бізнес-процеси
[1] Armellini, D., Borzone, P., Ceschia, S., Di Gaspero, L., & Schaerf, A. (2018). Modeling and solving the steelmaking and casting scheduling problem. International Transactions in Operational Research, 27(1), 57-90. doi: 10.1111/itor.12595.
[2] Atlas MES – an innovative system for automating production management (2017). Retrieved from https:// controleng.ru/mes-sistema/atlas-mes/.
[3] Ausferr. (2021). Retrieved from https://ausferr.ru/infosystems/mes/.
[4] Chehri, A., Zimmermann, A., Schmidt, R., & Masudad, Y. (2021). Theory and practice of implementing a successful Enterprise IoT Strategy in the Industry 4.0 Era. Procedia Computer Science, 192, 4609-4618. doi: 10.1016/j.procs.2021.09.239.
[5] Chen, B., Chen, H., & Li, M. (2021). Automatic quality inspection system for discrete manufacturing based on the Internet of Things. Computers & Electrical Engineering, 95, article number 107435. doi: 10.1016/j.compeleceng.2021.107435.
[6] Clemons, J. (2021). How to correctly build a model of intelligent production. Control Engineering russia, 3(93), 19-21.
[7] Gong, Z.-X., Zhang, W.-X., Li, T.-K., & Wang, B.-L. (2021). Product life cycle-based digital plant modelling method for process industry. IOP Conference Series: Materials Science and Engineering, 1043(2), article number 022049. doi: 10.1088/1757-899X/1043/2/022049.
[8] “Interpipe”. (2021). Retrieved from https://interpipe.biz/.
[9] Li, J., Duan, P., Sang, H., Liu, Z., & Duan, P. (2018). An efficient optimisation algorithm for resource-constrained steelmaking scheduling problems. IEEE Access, 6, 33883-33894. doi: 10.1109/ACCESS.2018.2840512.
[10] Liu, S., Xie, S., & Zhang, Q. (2021). Multi-energy synergistic optimisation in steelmaking process based on energy hub concept. International Journal of Minerals, Metallurgy and Materials, 28(8), 1378-1386. doi: 10.1007/s12613-021-2281-7.
[11] MES PHARIS. (2021). Retrieved from http://www.tersys.ru/index.php/MES_PHARIS.
[12] MES-system Zenith SPPS in metallurgy. (2021). Retrieved from http://www.zspps.ru/index_option_com_ content_view_article_id_191.html.
[13] MES production management system. (2021). Retrieved from https://italliance.kz/produkty/erp-symphony/-mes.
[14] Production process control system DIPOL K.U.P.O.L. opens doors to the industry 4.0. (2021). Retrieved from https://sapr.ru/article/26120.
[15] Shinkevich, A.I., & Malysheva, T.V. (2020). Waste management for production of steel electric welding pipes using data mining technologies and MES systems. CIS Iron and Steel Review, 20, 70-75. doi: 10.17580/cisisr.2020.02.15.
[16] Verevka, T., Mirolyubov, A., & Makio, J. (2021). Opportunities and barriers to using big data technologies in the metallurgical industry. In D. Rodionov, T. Kudryavtseva, A. Skhvediani, & M.A. Berawi (Eds.), Innovations in digital economy. SPBPU IDE 2020. Communications in Computer and Information Science. Cham: Springer. doi: 10.1007/978-3-030-84845-3_6.
[17] Xiaoa, X., Xiaoa, Y., Zhanga, Y., Qiub, J., Zhangb, J., & Yildirimc, T. (2021). A fusion data preprocessing method and its application in complex industrial power consumption prediction. Mechatronics, 77, article number 102520. doi: 10.1016/j.mechatronics.2021.102520.
[18] Yang, T., Yi, X., Lu, Sh., Johansson, K.H., & Chaia, T. (2021). Intelligent manufacturing for the process industry driven by industrial artificial intelligence. Engineering, 7(9), 1224-1230. doi: 10.1016/j.eng.2021.04.023.
[19] Yanzhao, L., Panfilova, E.S., & Lvova, M.I. (2020). Formation of the capital structure of metallurgical industry companies in conditions of sustainable industry development 4.0. E3S Web of Conferences, 208, article number 07006. doi: 10.1051/e3sconf/202020807006.
[20] Zheng, Z., Zhang, K., & Gao, X. (2021). Human-cyber-physical system for production and operation decision optimisation in smart steel plants. Science China Technological Sciences, 65, 247-260. doi: 10.1007/s11431-020-1838-6.
[21] 1С:MES Operational production management. (2021). Retrieved from http://surl.li/fmkkp.