Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
Вакпрофи. Публикация статей ВАК, Scopus
Научные направления
Поделиться:
Разделы: Машиностроение
Размещена 02.05.2018. Последняя правка: 28.04.2018.

Использование открытой базы данных для автоматизированных технологических производств в машиностроении

Васильев Алексей Владимирович

Московский Государственный Технологический Университет «СТАНКИН»

аспирант

Феофанов А.Н., доктор технических наук, профессор, Московский Государственный Технологический Университет «СТАНКИН», Кафедра инженерной графики


Аннотация:
В статье обсуждаются возможности использования открытой базы данных в автоматизированных технологических производствах в машиностроении. Проанализированы как требования, предъявляемые к базам данных в этой области с точки зрения экономики, так и проблемы, встающие при внедрении таких баз на производстве. Проанализирована также возможность и целесообразность применения методов анализа данных (или Data Mining) для технологов и руководителей на автоматизированном производстве. Сделан вывод о перспективности использования нереляционных адаптивных моделей для организации доступа к базам данных автоматизированных технологических производств.


Abstract:
The article discusses the possibilities of using an open database in automated technological processes in engineering. The requirements for databases in this area from the point of view of the economy, and the problems that arise when implementing such bases in production are analyzed. The possibility and expediency of applying methods of data analysis (or Data Mining) for technologists and managers on automated production is also analyzed. A conclusion about the prospects of using non-relational adaptive models for organizing access to databases of automated technological productions is made.


Ключевые слова:
автоматизированные системы; Data Mining; база данных

Keywords:
automated systems; Data Mining; database


УДК 621.9.02

Современные средние и крупные предприятия компаний характеризует сложная инфраструктура, связанная в том числе, с многопрофильностью подразделений, их территориальной удаленностью и различным производственным потенциалом [1], при этом используемые в таких системах базы данных решения должны отвечать определенным требованиям. Создание таких решений позволит как уменьшить стоимость разработки программного обеспечения, так и улучшить качество итогового продукта. В частности, в работах [2] и [3] рассмотрены два таких возможных решения, касающихся создания унифицированных моделей систем доступа и хранения данных в условиях постоянно меняющихся требований на основе адаптивных моделей хранения данных и моделей графического интерфейса и представлены идеи касательно того, как это можно реализовать.

Рассмотрим применение полученных в упомянутых работах [2] и [3] результатов в области машиностроения для автоматических линий (АЛ). Одна из самых очевидных метрик производственного процесса – это его экономическая сторона. Экономическая эффективность производственного процесса – это процесс получение максимума возможных благ от имеющихся ресурсов, постоянно соотносящий выгоды и затраты.

Среди факторов, значительно влияющих на структуру организации необходимо отметить тенденции рынка, так как именно они определяют спрос на ту или иную продукцию. Под тенденциями рынка будем понимать следующие внешние факторы:

i. высокую скорость обновления продукции и сокращение жизненного цикла изделий,

ii. уменьшение затрат, связанных с эксплуатацией готовой продукции,

iii. расширение номенклатурного списка изготовляемых изделий с целью удовлетворения возросших требований потребителей,

iv. ужесточение технических требований к точности производимых деталей, особенно с наступлением эры «нанотехнологий»,

v. ужесточение требований к качеству обрабатываемых поверхностей деталей,

vi. повышение конкурентоспособности оборудования по критерию цена/качество;

vii. дороговизна квалифицированного труда (особенно при 24 часовом производственном цикле),

viii. глобальное внимание к необходимости выполнения требований охраны окружающей среды, утилизация отходов и т.д.

Как видно из вышеперечисленных требований, программное обеспечение для АЛ, а особенно возможность его быстрой и безболезненной для процесса производства адаптации, масштабирования или вообще полной замены программного обеспечения при корректировке, либо полной смене технологических процессов, играет одну из ключевых ролей, как при обеспечении эффективности производства, так и при учете тенденций рынка.

Таким образом, мы приходим к выводу, что, с учетом рыночных тенденций, для успешного решения задачи удовлетворения запросов потребителей высокопроизводительное оборудование должно допускать переналадку и смену объектов производства, что напрямую связано с разработкой нового программного обеспечения, либо адаптацией имеющегося программного обеспечения под новые технологические процессы. В связи с этим решение данного вопроса в условиях высокой конкурентной среды требует не только эффективного использования имеющихся ресурсов, но и инновационных подходов.

Эффективная эксплуатация упомянутых выше систем возможна только под управлением АСУП [1]. При анализе структуры АСУП необходимо учитывать, что управление предприятием представляет собой процесс непрерывного обмена информацией между всеми структурными подразделениями предприятия, системными узлами, контроллерам, а также между данным предприятием и его подрядчиками. Потоки производственной информации, передаваемые в определенные промежутки времени по каналам связи, отражают материальные процессы, протекающие на уровне предприятия. Также необходимо учитывать, что данные процессы охватывают огромное количество производственных мощностей, особенно для территориально распределенных предприятий или на уровне группы предприятий.

При этом также необходимо принимать во внимание, что АСУП организуется как иерархическая структура на основе автоматизированных рабочих мест, ЭВМ различного класса, контроллеров, связанных с Гибкими Производственными Модулями (ГПМ) посредством устройств связи с объектами (УСО) и базы данных (БД) предприятия. Таким образом, информационно-телекоммуникационные сети, в частности, устройства связи с объектами (УСО) и базы данных (БД) играют огромную роль в функционировании АСУП и являются одними из ее ключевых компонентов.

Как известно, процессы интенсификации и компьютеризации технологического производства происходят в промышленности, а особенно в машиностроении, постоянно [4]. Исходя из этого, рассмотрим процессы производства и управления такими производствами интегрально, как функционирующую единую сеть технологических процессов. Высокотехнологичные, крупносерийные и массовые производства, являются сетью сложных взаимозависимых процессов. Будем учитывать, что при этом постоянно происходят изменения в требованиях к качеству производства, точности изготавливаемых деталей, технологических изменений, типоразмеров. На практике, такие изменения производят к перестройке процессов, при этом возникают многокритериальные задачи управления производствами. Следовательно, при интеграции же систем ЧПУ станочного парка и периферийных устройств в единые сети в рамках предприятия, необходимо принимать во внимание многочисленные проблемы, основные из которых следующие:

- скорость адаптации производства при изменениях характеристик изготавливаемых образцов и деталей,

- загрузка малосерийных или нетиповых деталей в общую производственную картину,

- комплексные задачи составления, оптимизации и корректировки расписания и загрузки производственных линий,

- сбор метрик производств (объему брака, статистики по сбоям, отказам, задержкам и пр.) для дальнейшего анализа, поиска неизвестных закономерностей и пр.,

Все это лежит в основе понятия «Гибкий Автоматизированный Участок (ГАУ)», то есть системы нескольких ГПМ, объединенных общей автоматизированной системой управления, а также научных исследований по этой тематике [5]. Необходимо также учитывать, что технологический маршрут обработки деталей предусматривает изменение последовательности использования оборудования, что для крупных производств является сложной вычислительной задачей, требующей единых хранилищ данных. Вследствие этого, образуется большое количество данных о станках, образующих такие производства, а также еще большее количество данных, появляющихся в результате работы самих этих производств, что диктует определенные требования для систем хранения, просмотра и изменения таких данных, которые перечислены в первой и второй главах диссертации.

Таким образом, решение данных вызовов невозможно без построения хранилищ данных, удовлетворяющих всем перечисленным выше требованиям. При этом известно, что оптимизация деятельности организаций требует внедрения новых подходов к решению классических задач, внедрению эффективных и быстрых алгоритмов, позволяющих решать имеющиеся задачи за приемлемое время.

Примем во внимание, что ввиду больших размерностей и большого числа ограничений, задачу поиска оптимального расписания невозможно решить за приемлемое время полным перебором, так как она относится к классу NP - полных задач. Более того, оптимальное решение представляет больше академический интерес, нежели практический, так как в оптимальном расписании любой сбой может перестроить все остальное расписание. Будем учитывать и то, что в реальных условиях идеальное решение не всегда требуется: допустимо применение не совсем точного решения, так как различие с идеальным решением, допустим, в 1% не является критическим для производства – на издержки и риски закладываются большие цифры. Соответственно, именно применение решения, достаточно близкого к идеальному, является той целью, к которой стремятся производители подобного рода решений.

Поскольку, согласно проведенному выше анализу, проблемой в данном случае становится автоматизация данных процессов в связи с отсутствием масштабируемой унифицированной базы данных с возможностью быстрой ее адаптации под меняющиеся требования и быстрой интеграции в разрабатываемые программные средства, то для получения требуемых данных необходима унифицированная база данных, способная быстро интегрироваться и адаптироваться к изменяющимся требованиям.

Известно, что управление предприятием, различные сферы бизнеса, в том числе электронного, немыслимы без процессов накопления, анализа, выявления определенных закономерностей и зависимостей, прогнозирования тенденций и рисков [4]. Однако из-за огромного количества получаемой на предприятии информации очень малая ее часть будет когда-либо увидена человеческим глазом. Исходя из этого - единственный способ понять и найти что-то полезное в этом объеме информации – широкое применение методов анализа данных (или Data Mining).

Data Mining (также называемое «обнаружение знаний в данных») изучает процесс нахождения новых, действительных и потенциально полезных знаний в базах данных. Data Mining лежит на пересечении нескольких областей знаний, главные из которых – это системы баз данных, статистика и искусственный интеллект [6].

При этом полученные данные (или знания), должны отвечать следующим концептуальным положениям:

1. Знания должны быть новые, ранее неизвестные. Затраченные усилия на открытие знаний, которые уже известны пользователю, не окупаются. Поэтому ценность представляют именно новые, ранее неизвестные знания.

2. Знания должны быть нетривиальны. Результаты анализа должны отражать неочевидные, неожиданные закономерности в данных, так называемые, скрытые знания. Результаты, которые могли бы быть получены более простыми способами (например, визуальным просмотром), не оправдывают привлечение мощных методов Data Mining.

3. Знания должны быть практически полезны. Найденные знания должны быть применимы, в том числе и на новых данных, с достаточно высокой степенью достоверности. Полезность заключается в том, чтобы эти знания могли принести определенную выгоду при их применении.

4. Знания должны быть доступны для понимания человеку. Найденные закономерности должны быть логически объяснимы, в противном случае существует вероятность, что они являются случайными. Кроме того, обнаруженные знания должны быть представлены в понятном для человека виде.

Следовательно, методы Data Mining помогают решать многие задачи, с которыми сталкивается аналитик предприятия, в частности: классификацию, регрессию, поиск ассоциативных правил и кластеризацию. Исходя из этого, для производства и промышленности в целом, использование технологий анализа данных помогает ответить на целый ряд важных вопросов.

• Спланировать поведение цен и выработать оптимальные стратегии по контрактам на поставку сырья и деталей.

• Просчитать вероятность того, что покупатель определенным образом отреагирует на запланированное продвижение товара.

• Рассчитать, какова может быть максимальная загрузка автоматической линии или станочного оборудования.

• Выяснить, почему оборудование вдруг начинает производить дефектные детали.

• Предсказать время работы станков и оборудования при определенных нагрузках.

• Обеспечить управление финансовыми и информационными потоками.

• Оценить инвестиционные проекты и идеи по развитию производств, риски бизнес-планов и их прибыльность.

Необходимо также учитывать, что технологии анализа данных представляют большую ценность для руководителей и аналитиков для управления производственными рисками, в частности, производственными рисками, связанными с превышением плановых материальных и трудовых затрат, снижением цен на продукцию, браком, дефектами изделий.

При этом технологии Data Mining целесообразно применять именно в дефектном анализе или контроле качества - основной составляющей успеха производственных предприятий. С помощью технологий анализа данных можно определить характеристики, сопровождающие выпуск бракованных продуктов, такие как дни недели и время изготовления, используемые комплектующие, рабочие на сборочной линии [6]. Анализ этих характеристик позволяет проводить изменения в бизнес процессах, ведущие к улучшению качества производимой продукции [1]. Высококачественные продукты же поддерживают репутацию организации в своей отрасли. Кроме того, повышается общая прибыль из-за уменьшения количества брака и издержек на сырьевые материалы. В то же время необходимо учитывать, что процесс Data Mining в этой области, как указывалось выше, связан с многократным ростом объемов получаемых и анализируемых данных и требованиям к масштабируемости хранилищ данных.

Следовательно, для крупных предприятий целесообразно строить системы, способные обработать огромные объемы данных, что без применения нереляционных подходов к построению хранилищ данных [7] попросту невозможно.

Таким образом, особую важность приобретает консолидированный подход для хранения данных автоматизированных производств, тесно интегрированных в единую информационно-телекоммуникационную сеть. Такой подход позволяет избежать расходов на налаживание процессов реконсиляции между различными системами при условии отсутствия консолидированной системы. При этом горизонтально масштабируемой системы хранения данных имеют определенные преимущества - при такой организации информационного пространства возможно проведение процессов оптимизации, перенастройки, планирования расписания загрузки станков и автоматических линий. А унифицированный доступ к такой базе данных позволяет объединить в одной системе не только номенклатурные каталоги, информацию о станках, расписания АЛ и прочих функций ERP систем, но и произвести интеграцию и управление самими оборудованием посредством контроллеров. При этом вся информация о работе производства поступает в единую базу, что дает возможность создавать консолидированные отчеты, а также применять алгоритмы интеллектуального анализа данных Data Mining для анализа производственно брака, отказов оборудования и прочее.

Библиографический список:

1. Митрофанов В.Г. Управление автоматизированными технологическими системами и моделирование оперативности при принятии решений [Текст] / В.Г. Митрофанов, Т.Г. Гришина, А.Н. Феофанов // Технология машиностроения. – 2015. – № 8. – С. 43-45.
2. Васильев А.В. Шаблон проектирования корпоративных Java-приложений, построенных на основе адаптивных моделей данных, обеспечивающий их масштабируемость [Текст] / А.В. Васильев // Труды МФТИ. – 2013. – Т. 5, № 4 (20). – С. 96–101.
3. Васильев А.В. О построении графического интерфейса пользователя, основанного на модели виджетов и фреймворке Google Web Toolkit [Текст] / А.В. Васильев // Глобальный научный потенциал. Информационные технологии. – 2014. – №6 (39) . – С. 57-63.
4. Об информационных технологиях в бизнесе. [Электронный ресурс]. – Available at: http://www.kbinfo.narod.ru/asu/asu2.htm (дата обращения: 16.06.2017).
5. RFC3986. [Электронный ресурс]. – Available at: https://tools.ietf.org/html/rfc3986 (дата обращения: 15.12.2017).
6. Sivarajah U. Critical analysis of Big Data challenges and analytical methods [Текст] / U. Sivarajah, M.M. Kamal, Z. Irani, V. Weerakkody // Journal of Business Research. – 2017. – V. 70. – P. 263-286.
7. Martin Heller. InfoWorld. Developer world. REST and CRUD: the Impedance Mismatch. [Электронный ресурс]. – Available at: http://www.infoworld.com/d/developer-world/rest-and-crud-impedance-mismatch-927 (дата обращения: 15.12.2017).




Рецензии:

3.05.2018, 12:30 Петрухин Геннадий Михайлович
Рецензия:  Актуальность статьи не вызывает сомнений.Современное производство с внедрением автоматизированых систем значительно повысило эффективность и гибкость. Подобная тенденция закономерно отражается и на системах хранения баз данных. Авторы предлагают с целью повышения эффективности работы этих систем для автоматизированных производств консолидированный подход к хранению данных. В общем это предложение очевидно, но рассматриваемый вопрос интересен с точки зрения реального воплощения в маштабах нескольких самостоятельных производств. Интересна сама возможность создания открытой системы в условиях рыночных отношений. Статья может быть рекомендована к публикации. Петрухин Г.М.



Комментарии пользователей:

Оставить комментарий


 
 

Вверх