Full Text

Введение. Современные методы управления производственными системами сложно представить без сбора и анализа информации обо всех фактах хозяйственной деятельности и изменениях внешней среды, так или иначе влияющих на организацию и ведение производства. Только при наличии полной, достоверной, своевременной и объективной информации можно говорить о возможности принятия обоснованных решений по управлению производственно-хозяйственной и финансовой деятельностью предприятия и об установлении договорных и инвестиционных отношений с партнерами. При значительных объемах управленческой информации, циркулирующей в любом хозяйствующем субъекте, эффективно обрабатывать ее можно, лишь используя преимущества автоматизированных информационных технологий. Независимо от используемых методов, информационные системы управления основаны на данных. При этом данные могут иметь ошибки, недостаточный объем или частоту сбора, избыточность, могут проявляться факторы неопределенности, многофакторности. Из теории управления известно, что только совмещая два источника - модель и данные, получаемые с объекта управления [1], можно обеспечить адекватное управление. Таким образом, реализация информационных управляющих систем должна основываться как на данных, так и моделях, и методах в рамках систем поддержки принятия решений (рис. 1). Рис. 1. Этапы работы с информационными системами, основанными на данных и моделях Специфика организации систем поддержки принятия решений и управления (рис. 1) привела к специализации программного обеспечения [2]. В рассматриваемой предметной области выделяют следующие группы программных решений: решения для сбора и интеграции данных из различных источников (решения от фирм TALEND, Information Builder, Orchestra); решения для подготовки отчетов и отображения данных (решения Jaspersoft, Tableau, Qlik); решения для статистической обработки и моделирования данных (SPSS, KNIME, RapidMiner, Stata, Statistica, RStudio, WEKA, Orange3); универсальные решения работы для поддержки принятия управленческих решений на данных (SAS, SAP Hana), в том числе и специализированные языки программирования (R, Python). Обзор существующих подходов. Вопросы управления и принятия решений при производстве товаров в производственно-экономических системах впервые были подняты Албертом Калмесом. В 1906 г. вышла его книга «Фабричное производство» в Сан Галене, в 1909 г. в Лейпциге - книга «Фабричная бухгалтерия», а в 1911 г. там же - книга, ставшая основой развития данного направления «Статистика в фабричном и товарном производстве» [3]. Работы Ф. Тейлора [4] и Г. Гантта [5] легли в основу таких научных дисциплин, как «Промышленная инженерия», занимающаяся управлением и организацией производства, а также вместе с работами Ж. Фурье, Дж. фон Неймана [6] и Л.В. Канторовича [7] в основу дисциплины «Системный анализ и исследование операций». Развитие вычислительной техники привело к появлению автоматизированных методов работы с производственными данными и управления на их основе. В 50-х гг. появился метод планирования и управления Just-in-time (точно вовремя). В 60-х Оливер Уайт сформулировал алгоритмы планирования, известные как MRP (Material Requirements Planning - планирование потребности в материалах). В 70-х гг. Эли Голдратт в Израиле разработал метод OPT (Optimised Production Technology - оптимизированная технология производства). Объединение этих подходов получило название MRP II. Концепция компьютеризированного интегрированного производства (CIM, Computer Integrated Manufacturing) возникла в начале 80-х гг. В процессе заказа, разработки, организации производства, поставок и эксплуатации военной техники в США появились методы CALS (Computer-aided Acquisition and Logistics Support - компьютерная поддержка процесса поставок и логистики) [8]. Часто управление в производственных системах опирается на схему событийного разбиения (метод моделирования Йордана [9], логическое моделирование Гейна). В начале 2000-х в управлении производственными системами получили распространение методы объектного моделирования. Такие подходы известны как мультиагентные системы [10] и интеллектуальное предприятие [11]. Разнообразие подходов связано с тем, что статистика, которую используют для принятия решений, часто либо не полна, либо не актуальна, либо не стационарна в статистическом смысле. Ситуация стала меняться с распространением процессного подхода управления на основе информационных систем [12] и с развитием концепции Индустрия 4.0 и IIoT. Это дало возможность собирать достоверную информацию о каждой единице оборудования и оперативно управлять производственными процессами в производственных системах [13]. При этом объемы собираемой информации резко возросли. Методы объективного принятия решений в условиях ограниченного времени для решения задач управления и планирования сталкиваются с проблемой NP-полноты и могут решаться только приблизительными методами. Поэтому использование информационных систем для поддержки принятия управленческих решений становится необходимостью, а появление больших объемов данных только подчеркивает эту необходимость. Методика исследования. Задача управления в производственных системах опирается на параметры и индикаторы, которые показывают желаемое целевое состояние и изменения значений выбранных параметров. При этом необходимо учитывать многомерность реализуемых проектов, а также необходимость принимать оптимальные решения. В условиях ограниченного времени это возможно, только опираясь на информационную инфраструктуру [14]. В независимости от выбранных показателей и индикаторов и того, что основана информационная система на авторских или известных алгоритмах и методах, она может опираться как на собственные информационные решения, так и на уже существующие алгоритмы и информационные системы. При этом необходимо реализовать такие функции, как: загрузка данных (получение данных из БД, чтение файлов форматов cvs, excel и т.п.); прогнозирование данных; решение задач математического программирования; моделирование случайных отклонений по заданным законам распределения; вывод результатов во внешние файлы; отображение результатов в виде графиков и таблиц. При этом основной элемент - это модель, на основе которой принимаются решения. Система в зависимости от типа принимаемых решений и способа организации работ в производственной системе реализует несколько режимов (рис. 2): автоматический режим (общение с IT-инфраструктурой на уровне данных), экспертный режим (получение данных из IT-инфраструктуры и работа с пользователем, изучающим процессы и решения на модели), режим бизнес-пользователя (получение данных из IT-инфраструктуры и предложение готового решения на основе расчетов на модели). Рис. 2. Режимы работы информационных систем при реализации моделей и методов поддержки принятия управленческих решений в производственных системах Независимо от режима работы, используемых решений и способа организации вычислений (послойный, параллельный, последовательный) [15] наиболее важными задачами будут: а) организация взаимодействия между элементами информационной системы, участвующими в принятии решении, б) получение и передача данных вычислений моделью (рис. 3). Рис. 3. Структурная схема информационной системы для реализации моделей и методов поддержки принятия управленческих решений в производственной системе Способ обмена данными будет осуществляться в зависимости от выбранного решения (значениями переменных, связями между блоками модели, промежуточными файлами, записями в БД и т.п.). Общий принцип такого обмена может быть представлен описанием на языке JSON (листинг 1). Листинг 1. Пример описания передаваемых данных и взаимосвязи между переменными модели на основе JSON: "links":[ {"from":{ "node":"read1", "ports":["atime","a2"] },"to":{ "node":"calc1", "ports":["atime","a2"] }}, {"from":{ "node":"read2", "ports":["btime"] },"to":{ "node":"calc1", "ports":["btime"] }}, {"from":{ "node":"calc1", "ports":["ctime","ca2"] },"to":{ "node":"plot1", "ports":["ctime","ca2"] }} Результатом управления будет минимизация разницы между целевыми показателями и текущим состоянием. Практическое использование и полученные результаты. Пример построения информационной инфраструктуры рассмотрим на задаче планирования закупок (решенной для сети кофеен) и ее интеграции в информационную инфраструктуру предприятия. Если мы прогнозируем спрос и хотим определить минимально необходимое количество компонентов на складе для производства продукции согласно потребностям в ресурсах, то необходимо установить взаимосвязь между этими параметрами: V = AX, где A - матрица инцидентности значения которой показывают потребность в ресурсах, X - вектор-столбец ресурсов. Рассмотрим задачу планирования закупок в следующей постановке: V· S(t) - VS(t) ® min, где S(t) - прогнозируемый объем продаж, VS - объем запасов ресурсов. Решение задачи позволяет уменьшить объем хранимых запасов на складе, что снизит необходимый объем оборотных средств, повысит качество контроля (меньшие объемы запасов легче контролировать), при использовании ресурсов с ограниченным сроком годности уменьшит риски, связанные с их порчей по причине длительного хранения. Из данной постановки можно определить с учетом имеющихся данных по расходу ресурсов прогноз по потребностям каждого ресурса: VS(t) = V· S(t). Сам по себе прогноз объем продаж уже несет ценную информацию, связанную с выявлением сезонности, факторов, косвенно указывающих на нецелевой расход или воровство, и др. Наложим ограничения: VS ³ Vmin - требование наличия минимального неснижаемого остатка (для нивелирования форс-мажорных ситуаций), где Vmin - величина такого остатка. Каждый ресурс может иметь дискретный характер поставок, тогда получаем еще одно ограничение: Vk Î x · G, , где Vk - объем возможной закупки, G - размер упаковки, n1 - минимальная поставка, n2 - максимальная поставка. Ограничения на объем минимальной поставки могут возникать не только по требованию поставщика, но также и как требование системы в случае, если существует партия, начиная с которой, доставка становится дешевле или бесплатной. Реализация решения данной задачи с использованием программы Savvy Data Analyzer приведена на рис. 4. а б Рис. 4. Примеры интерфейса возможной реализации модели: а - описание модели, б - вывод результатов Интеграция полученного решения (в данном случае для режима работы бизнес-пользователя (см. рис. 2)) осуществлена, как показано на рис. 5. Рис. 5. Функциональная схема применения прогностических моделей при решении задач планирования на основе статистических микроэкономических данных Исполнение приведенной схемы позволяет настраивать работу модели в автоматическом режиме с требуемой периодичностью (1 раз в день, неделю и т.д.) и при необходимости передавать данные о заказах поставщикам. Выводы. Использование данных прогнозов в задачах оптимального управления и информационных систем, основанных на данных и моделях, открывает новые возможности исследования процессов, протекающих в производственных системах. В частности, можно учитывать вероятностную природу процессов, протекающих вне рассматриваемой производственной системы, оценивать риски планирования и производственной деятельности, фактор времени.

About the authors

L. A Mylnikov

Perm National Research Polytechnic University

References

Statistics

Views

Abstract - 37

PDF (Russian) - 20

Refbacks

• There are currently no refbacks.