Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения

Выделены ключевые особенности развития концепции Индустрии 4.0 на предприятиях машиностроения. Проведен анализ математических моделей по классам типовых задач для использования в построении смарт-предприятий в машиностроительной отрасли.Определено, что в процессе обеспечения инновационного развития...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2018
Автори:	Тарасов, А.Ф., Турлакова, С.С.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут економіки промисловості НАН України 2018
Назва видання:	Економіка промисловості
Теми:	Проблеми економіки промислових підприємств і виробничих комплексів
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/143526
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения / А.Ф. Тарасов, С.С. Турлакова // Економіка промисловості. — 2018. — № 3 (83). — С. 57–75. — Бібліогр.: 34 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-143526
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-1435262025-02-23T18:23:55Z Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения Математичне моделювання провідних машинобудівних технологій для смарт-підприємств: огляд підходів і шляхи впровадження Mathematical modelling of advanced engineering technologies for smart enterprises: an overview of approaches and ways of implementation Тарасов, А.Ф. Турлакова, С.С. Проблеми економіки промислових підприємств і виробничих комплексів Выделены ключевые особенности развития концепции Индустрии 4.0 на предприятиях машиностроения. Проведен анализ математических моделей по классам типовых задач для использования в построении смарт-предприятий в машиностроительной отрасли.Определено, что в процессе обеспечения инновационного развития предприятий машиностроения в рамках концепции необходимо использование математических моделей, соответствующих технологиям машинного зрения, роботизированной техники, автоматизированных и интеллектуальных систем производства и управления в рамках киберфизических систем на предприятиях. Такие киберфизические системы должны быть связаны с внешним миром через датчики и исполнительные механизмы, получать потоки данных из физического мира, устанавливать и непрерывно обновлять виртуального близнеца физического мира и включать возможность взаимодействия в реальности по инструкции из виртуальной сферы. Это позволит обеспечить возможность совместной работы, адаптации и развития всех систем предприятия для улучшения условий труда, повышения качества продукции, сокращения потребности в рабочей силе и повышения эффективности производства предприятий машиностроения.Внедрение приведенных классов математических моделей в рамках киберфизических систем необходимо осуществлять в соответствии с инновациями на машиностроительных предприятиях, которые обеспечат автоматизацию ручного труда, обновление уже используемых инновационных технологий и объединение их в едином информационном пространстве. Приведенные модели требуют адаптации и дальнейшего развития согласно тем инновационным решениям, которые определит руководство конкретных машиностроительных предприятий в зависимости от специфики предприятия.Приведены рекомендации руководителям машиностроительных предприятий по использованию математических моделей в процессе внедрения концепции Индустрии 4.0. Визначено ключові особливості розвитку концепції Індустрії 4.0 на підприємствах машинобудування. Виконано аналіз математичних моделей за класами типових задач для використання в побудові смарт-підприємств у машинобудівній галузі.Встановлено, що в процесі забезпечення інноваційного розвитку підприємств машинобудування в рамках концепції необхідне використання математичних моделей, що відповідають технологіям машинного зору, роботизованої техніки, автоматизованих та інтелектуальних систем виробництва й управління в рамках кіберфізичних систем на підприємствах. Такі кіберфізичні системи мають бути пов'язані із зовнішнім світом через датчики і виконавчі механізми, отримувати потоки даних із фізичного світу, встановлювати і безперервно оновлювати віртуального близнюка фізичного світу і включати можливість взаємодії в реальності за інструкцією з віртуальної сфери. Це дозволить забезпечити можливість спільної роботи, адаптації та розвитку всіх систем підприємства для поліпшення умов праці, підвищення якості продукції, скорочення потреби в робочій силі та підвищення ефективності виробництва підприємств машинобудування.Упровадження наведених класів математичних моделей у рамках кіберфізичних систем необхідно здійснювати відповідно до інновацій на машинобудівних підприємствах, які забезпечать автоматизацію ручної праці, оновлення вже використовуваних інноваційних технологій і об'єднання їх у єдиному інформаційному просторі. Наведені моделі потребують адаптації та подальшого розвитку згідно з тими інноваційними рішеннями, які визначить керівництво конкретних машинобудівних підприємств залежно від специфіки підприємства.Наведено рекомендації керівникам машинобудівних підприємств щодо використання математичних моделей у процесі впровадження концепції Індустрії 4.0. The key features of the concept of Industry 4.0 development at the enterprises of machine- building industry were singled out. The analysis of mathematical models on classes of typical tasks for use at the construction of smart enterprises in the machine-building industry were carried out. It was determined, that in the process of ensuring the innovative development of machine- building enterprises within the Industry 4.0 framework it is necessary to use mathematical models, appropriate to machine vision technologies, robotic equipment, automated and intelligent production and control systems within the framework of enterprises’ cyberphysical systems.Such cyberphysical systems should be connected to the outside world through sensors and actuators, receiving data streams from the physical world, establishing and continuously updating the virtual twin of the physical world and including the possibility of interaction in reality according to instructions from the virtual sphere. This will allow ensuring the possibility of joint work, adaptation and development of all enterprise’s systems to improve working conditions, product quality, reduce labour requirements and increase the efficiency of manufacturing process of machine-building enterprises. The introduction of the above classes of mathematical models within the framework of cyberphysical systems must be carried out according to innovations in machine-building enterprises, which will ensure the automation of manual labour, the renewal of the already used innovative technologies and their unification in a single information space. The resulted models demand adaptation and the further development according to those innovative decisions, which will define a management of specific machine-building enterprises, depending on the specificity of the enterprise.Recommendations were given to the heads of machine-building enterprises on the use of mathematical models in the process of introducing the concept of smart-enterprises in the Ukrainian machine-building industry. Prospective directions of research were outlined in the paper. 2018 Article Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения / А.Ф. Тарасов, С.С. Турлакова // Економіка промисловості. — 2018. — № 3 (83). — С. 57–75. — Бібліогр.: 34 назв. — рос. 1562-109Х DOI: doi.org/10.15407/econindustry2018.03.055 JEL: C60, C63, L00, L60, O30 https://nasplib.isofts.kiev.ua/handle/123456789/143526 338.45:621:519.86 ru Економіка промисловості application/pdf Інститут економіки промисловості НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Проблеми економіки промислових підприємств і виробничих комплексів Проблеми економіки промислових підприємств і виробничих комплексів
spellingShingle	Проблеми економіки промислових підприємств і виробничих комплексів Проблеми економіки промислових підприємств і виробничих комплексів Тарасов, А.Ф. Турлакова, С.С. Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения Економіка промисловості
description	Выделены ключевые особенности развития концепции Индустрии 4.0 на предприятиях машиностроения. Проведен анализ математических моделей по классам типовых задач для использования в построении смарт-предприятий в машиностроительной отрасли.Определено, что в процессе обеспечения инновационного развития предприятий машиностроения в рамках концепции необходимо использование математических моделей, соответствующих технологиям машинного зрения, роботизированной техники, автоматизированных и интеллектуальных систем производства и управления в рамках киберфизических систем на предприятиях. Такие киберфизические системы должны быть связаны с внешним миром через датчики и исполнительные механизмы, получать потоки данных из физического мира, устанавливать и непрерывно обновлять виртуального близнеца физического мира и включать возможность взаимодействия в реальности по инструкции из виртуальной сферы. Это позволит обеспечить возможность совместной работы, адаптации и развития всех систем предприятия для улучшения условий труда, повышения качества продукции, сокращения потребности в рабочей силе и повышения эффективности производства предприятий машиностроения.Внедрение приведенных классов математических моделей в рамках киберфизических систем необходимо осуществлять в соответствии с инновациями на машиностроительных предприятиях, которые обеспечат автоматизацию ручного труда, обновление уже используемых инновационных технологий и объединение их в едином информационном пространстве. Приведенные модели требуют адаптации и дальнейшего развития согласно тем инновационным решениям, которые определит руководство конкретных машиностроительных предприятий в зависимости от специфики предприятия.Приведены рекомендации руководителям машиностроительных предприятий по использованию математических моделей в процессе внедрения концепции Индустрии 4.0.
format	Article
author	Тарасов, А.Ф. Турлакова, С.С.
author_facet	Тарасов, А.Ф. Турлакова, С.С.
author_sort	Тарасов, А.Ф.
title	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
title_short	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
title_full	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
title_fullStr	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
title_full_unstemmed	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
title_sort	математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения
publisher	Інститут економіки промисловості НАН України
publishDate	2018
topic_facet	Проблеми економіки промислових підприємств і виробничих комплексів
url	https://nasplib.isofts.kiev.ua/handle/123456789/143526
citation_txt	Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения / А.Ф. Тарасов, С.С. Турлакова // Економіка промисловості. — 2018. — № 3 (83). — С. 57–75. — Бібліогр.: 34 назв. — рос.
series	Економіка промисловості
work_keys_str_mv	AT tarasovaf matematičeskoemodelirovanieperedovyhmašinostroitelʹnyhtehnologijdlâsmartpredpriâtijobzorpodhodoviputivnedreniâ AT turlakovass matematičeskoemodelirovanieperedovyhmašinostroitelʹnyhtehnologijdlâsmartpredpriâtijobzorpodhodoviputivnedreniâ AT tarasovaf matematičnemodelûvannâprovídnihmašinobudívnihtehnologíjdlâsmartpídpriêmstvoglâdpídhodívíšlâhivprovadžennâ AT turlakovass matematičnemodelûvannâprovídnihmašinobudívnihtehnologíjdlâsmartpídpriêmstvoglâdpídhodívíšlâhivprovadžennâ AT tarasovaf mathematicalmodellingofadvancedengineeringtechnologiesforsmartenterprisesanoverviewofapproachesandwaysofimplementation AT turlakovass mathematicalmodellingofadvancedengineeringtechnologiesforsmartenterprisesanoverviewofapproachesandwaysofimplementation
first_indexed	2025-11-24T09:16:18Z
last_indexed	2025-11-24T09:16:18Z
_version_	1849662666109353984
fulltext	–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 57 2018, № 3 (83) УДК 338.45:621:519.86 doi: http://doi.org/10.15407/econindustry2018.03.057 Александр Федорович Тарасов, доктор тех. наук, проф. Донбасская государственная машиностроительная академия 84313, Украина, г. Краматорск, ул. Академическая, 72. E-mail: alexandrtar50@gmail.com. Светлана Сергеевна Турлакова, канд. экон. наук, с.н.с. Институт экономики промышленности НАН Украины 03057, Украина, г. Киев, ул. Желябова, 2 E-mail: marin2015zzz@gmail.com МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПЕРЕДОВЫХ МАШИНОСТРОИТЕЛЬНЫХ ТЕХНОЛОГИЙ ДЛЯ СМАРТ-ПРЕДПРИЯТИЙ: ОБЗОР ПОДХОДОВ И ПУТИ ВНЕДРЕНИЯ Выделены ключевые особенности развития концепции Индустрии 4.0 на предприяти- ях машиностроения. Проведен анализ математических моделей по классам типовых задач для использования в построении смарт-предприятий в машиностроительной отрасли. Определено, что в процессе обеспечения инновационного развития предприятий ма- шиностроения в рамках концепции необходимо использование математических моделей, соответствующих технологиям машинного зрения, роботизированной техники, автомати- зированных и интеллектуальных систем производства и управления в рамках киберфизи- ческих систем на предприятиях. Такие киберфизические системы должны быть связаны с внешним миром через датчики и исполнительные механизмы, получать потоки данных из физического мира, устанавливать и непрерывно обновлять виртуального близнеца физиче- ского мира и включать возможность взаимодействия в реальности по инструкции из вирту- альной сферы. Это позволит обеспечить возможность совместной работы, адаптации и раз- вития всех систем предприятия для улучшения условий труда, повышения качества про- дукции, сокращения потребности в рабочей силе и повышения эффективности производ- ства предприятий машиностроения. Внедрение приведенных классов математических моделей в рамках киберфизических систем необходимо осуществлять в соответствии с инновациями на машиностроительных предприятиях, которые обеспечат автоматизацию ручного труда, обновление уже исполь- зуемых инновационных технологий и объединение их в едином информационном про- странстве. Приведенные модели требуют адаптации и дальнейшего развития согласно тем инновационным решениям, которые определит руководство конкретных машиностро- ительных предприятий в зависимости от специфики предприятия. Приведены рекомендации руководителям машиностроительных предприятий по ис- пользованию математических моделей в процессе внедрения концепции Индустрии 4.0. Ключевые слова: математическая модель, моделирование, предприятие, киберфизи- ческая система, смарт-предприятие, машиностроение, промышленность, Индустрия 4.0. JEL: C60, C63, L00, L60, O30 Отличительной особенностью Инду- стрии 4.0 является объединение в сеть ки- берфизических систем (КФС) и их взаимо- действие в едином информационном про- странстве для обеспечения эффективности производства [1; 2]. Ключевым звеном лю- бой КФС являются математические модели объектов и/или процессов, в рамках пара- © А.Ф. Тарасов, С.С. Турлакова, 2018 ПРОБЛЕМИ ЕКОНОМІКИ ПРОМИСЛОВИХ ПІДПРИЄМСТВ І ВИРОБНИЧИХ КОМПЛЕКСІВ –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 58 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) метров которых "умные" предметы могут общаться и взаимодействовать друг с дру- гом в сетевом пространстве. Использова- ние математических моделей в процессе создания и функционирования КФС позво- ляет обрабатывать информацию с датчи- ков, актуаторов и передавать её по сети для последующей обработки и анализа, обес- печивать взаимодействие информацион- ных технологий и автоматизированных си- стем управления технологическими про- цессами. Моделирование smart-производств относится к формализованному подходу, основанному на спецификации всех систем предприятия или его частей. Особенности математических моделей промышленных производств зависят от особенностей со- става, структуры и функционирования конкретных систем. Разработанные к на- стоящему времени модели и методы опи- сания и анализа основных процессов на машиностроительных предприятиях [1; 3- 6] охватывают различные инженерные, экономические и программные аспекты. Так, A.B. Feeney, S. Frechette, V. Sri- nivasan изучают инженерные аспекты КФС для производства на предприятиях [1, с. 81], M. Reniers, J. Mortel-Fronczak и K. Ro- elofs рассматривают вопросы моделирова- ния работы контроллеров для КФС [1, с. 111]. M. Weyrich, M. Klein, J.-P. Schmidt и др. предложили модели оценки киберфи- зических производственных систем [1, с. 169; 7; 8]. Однако результаты моделиро- вания, представленные в работах авторов, часто имеют общий, схематический вид, отсутствует формализация ключевых па- раметров производственных систем, что затрудняет их применение на предприяти- ях. А. Мадых, А. Охтень и А. Дасив на ос- нове обобщения мирового опыта экономи- ко-математического моделирования умных предприятий сделали вывод о том, что ме- тодический аппарат для моделирования этих процессов пока ещё является бессис- темным и недостаточно надёжным [9, с. 45]. Приведенные учеными общие реко- мендации относительно экономико-мате- матического моделирования смарт-пред- приятий относятся к уже функционирую- щим смарт-производствам. Однако вопрос о том, как создавать такие смарт-пред- приятия с использованием математическо- го аппарата, остаётся открытым, что не позволяет спуститься на уровень решения конкретных производственных задач на предприятиях машиностроения при пере- ходе к Индустрии 4.0. В целом можно выделить три основ- ных класса типовых задач, обычно решае- мых на машиностроительном производ- стве, в том числе организованном на прин- ципах КФС. Первый – контроль качества, про- слеживание продукции, контроль наличия объектов, измерение геометрических раз- меров, сравнение с образцом, подсчет объ- ектов, идентификация объектов, классифи- кация объектов, отбраковка изделий, ин- спекция объектов со всех ракурсов, высо- коточные измерения элементов (например, заготовок или отдельных деталей), слеже- ние за объектами и др. [1; 10]. Такие задачи в автоматизированных системах на произ- водствах чаще всего решаются с использо- ванием технологий машинного зрения [11]. Второй – задачи, связанные с основ- ными технологическими процессами, т.е. последовательным изменением форм, раз- меров, свойств материалов для получения готовых деталей с заданными технически- ми характеристиками. При этом последним словом техники в этой сфере является ис- пользование в качестве технологического оборудования роботов, роботизированных систем и мобильных роботизированных ком- плексов, которые все чаще базируются на си- стемах искусственного интеллекта [4-6; 8]. Третий – определение, установление и поддержка экологически безопасных и экономически эффективных режимов функционирования технологического обо- рудования (в том числе станков с ЧПУ) с учётом накладываемых на них экологичес- ких и экономических ограничений [1; 6; 8]. При этом технологическое оборудование на машиностроительных предприятиях –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 59 2018, № 3 (83) может характеризоваться различной степе- нью автоматизации, в частности: применением контроллеров и актуа- торов; автоматизацией систем управления производственными процессами (АСУ ТП) с использованием SCADA-систем (Super- visory Control And Data Acquisition); интеграцией технологических дан- ных АСУ ТП в корпоративную систему данных предприятия на основе больших баз данных и знаний (Big Data); мониторингом состояния оборудова- ния и реализации технологии с представ- лением автоматически формируемых отче- тов для менеджерского состава. Целью статьи является анализ мате- матических моделей, которые позволяют решать указанные типовые задачи и обес- печить возможность параметризации ос- новных процессов для их последующего использования в сетевом взаимодействии при построении смарт-производств. Математическое моделирование технологий машинного зрения Системы машинного (технического) зрения позволяют автоматизировать кон- троль выпускаемой продукции и управле- ние производственными процессами путем анализа визуальной информации. Для формирования изображений используются промышленные видеокамеры. Програм- мное обеспечение систем машинного зре- ния анализирует увиденное и передает эту информацию оператору, автоматизирован- ной системе управления, роботу или напрямую исполнительным механизмам для управления производственным процес- сом. Системы машинного зрения особенно эффективны в тех случаях, когда объем, скорость или сложность анализируемой информации существенно превышают спо- собности оператора [10]. В процессе разработки и реализации таких систем широко используются мето- ды стохастической геометрии, интерполя- ционные модели на регулярных решетках, методы кластерного анализа, нейросетевые технологии и др. [11-18]. Методы стохастической геометрии [11] основаны на теории геометрических вероятностей и мер [12; 13] и решают во- просы моделирования случайных мно- жеств пространственных объектов на осно- ве анализа изображения структур различ- ных материалов, ландшафтов, почв, горных пород, руд, биологических тканей и т.д. При этом стохастическая геометрия использу- ется как для описания пространственной упорядоченности объектов, так и для оцен- ки их качественных и количественных ха- рактеристик в задачах распознавания и по- нимания образов, что нашло применение в системах машинного зрения [14]. Основной областью изучения стохас- тической геометрии является случайное замкнутое множество, т.е. некоторое се- мейство объектов с заданным распределе- нием вероятностей, на которые наклады- ваются дополнительные ограничения соот- ветственно рассматриваемыми задачами. В таких моделях чаще всего пространствен- ные данные и предварительное описание случайных замкнутых множеств произво- дится в виде диаграмм Вороного [11], ко- торые являются универсальной структурой представления данных и могут быть при- менены практически к любой области про- мышленного производства. Кроме того, широкое применение в моделях машинного зрения получили ин- терполяционные модели на регулярных решетках. В процессе интерполяции точек данных, рассеянных в пространстве и вре- мени, значения и атрибуты точек преобра- зуются в непрерывный массив или матрицу численных значений узлов решетки-грид. Точки данных при этом имеют местополо- жение с некоторыми координатами Z,Y,X и измеренными значениями атрибута C . При интерполяции данных в узлы регуляр- ных решеток моделей используются [11]: метод обратных расстояний; линейная интерполяция по сети тре- угольников (2D) и тетраэдров (3D); метод ближней точки; геостатический метод минимизации дисперсии – кригинг; –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 60 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) метод ближайших соседей по поли- гонам (2D) и полиэдрам (3D) Вороного; полиномиальная регрессия. Реализация перечисленных методов позволяет строить модели пространствен- ных объектов любой детальности и слож- ности с многослойными и многоуровневы- ми связями, что дает возможность решать большой комплекс аналитических задач как по определению объемных характери- стик пространственных объектов, так и по картографической визуализации террито- рий с динамической оценкой их функцио- нального состояния. В источнике [15] для решения задачи машинного зрения в автоматическом рас- познавании дефектов заготовок предложе- но использование метода кластерного ана- лиза. Представлены множества объектов  nV ,...,1 , которые определены как при- знаки изображений и расстояния между ними. При этом рассматривается полный взвешенный ориентированный граф ),( AVG , где V – множество вершин гра- фа,  vuVvVuuvA  ,,: – множество дуг графа и ),( vudwuv  – веса дуг (рас- стояния между объектами). Вводятся би- нарные переменные )( uvu xy , которые со- ответствуют вершинам Vu (дугам Auv ). Переменная uy равна 1, если вер- шина u является медианой. Переменная uvx равна 1, если вершина v относится к кластеру, определяемому медианой u . В этих обозначениях задача кластерного ана- лиза формулируется как задача целочис- ленного программирования: ,min ),(    Auv yx uvuvxw    vuVu vuv Vvyx , ,,1 ,Vu,Auv,yx uuv     Vu v py ,   ,,1,0 Vvyu    .,1,0 Auvxuv  Данная методика в целом является достаточно эффективной, но несколько громоздка в расчетах. Для уменьшения времени для проведения расчетов все чаще для решения задач распознавания образов используют методы искусственного интел- лекта, в частности нейронные сети. Искусственные нейронные сети пред- ставляют сети элементов – искусственных нейронов, связанных между собой. Сети обрабатывают входящую информацию и в процессе изменения своего состояния во времени формируют совокупность выход- ных сигналов [16]. Каждый нейрон харак- теризуется своим текущим состоянием. Он состоит из элементов трех типов [17]: 1) умножителей – аналогов синапсов биологического нейрона; 2) сумматора (в биологическом нейроне функцию сумматора выполняет аксонный холмик); 3) нелинейного преобразователя – порога нервного импульса биологического нейрона. Синапсы осуществляют связь между нейронами, умножая входной сигнал на число, характеризующее силу связи. Это число называется вес синапса или весовой коэффициент. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется функцией активации нейрона или активационной функцией. Нейрон в целом реализует скалярную функцию некоторого аргумента, т.е. y = F(x1, x2, …, xn), где F – функция «вход- выход нейрона». Определить эту функцию можно с помощью математической модели нейрона:         )( 1 sfy xws j n i ii , –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 61 2018, № 3 (83) где ix – компонент входного вектора (входной сигнал), ni ,1 ; iw – синаптические веса; s – результат суммирования; )(sf – функция активации; jy – выходной сигнал нейрона, mj ,1 ; В системах машинного (техническо- го) зрения для нейросетей типичные по- становки задач представлены следующим образом [16]: аппроксимация функций по набору точек (регрессия); классификация данных по заданному набору классов; кластеризация данных с выявлением заранее неизвестных классов-прототипов; сжатие информации; восстановление утраченных данных; ассоциативная память; оптимизация, оптимальное управле- ние. В зависимости от типа решаемой за- дачи используются различные топологии (структуры) и типы нейронных сетей. Тех- нологии машинного зрения на основе нейронных сетей широко применяются для диагностики и контроля качества в про- мышленности, в частности в машиностро- ении, и имеют массу преимуществ перед такими классическими моделями, как гра- диентные, статистические, локальной адап- тации, шаблонные и т.д. Так, после обуче- ния нейронные сети способны восприни- мать только нужную им информацию, не- смотря на посторонние шумы. Кроме того, возможность адаптации нейросетей к из- менениям формирует способность к само- обучению и выступает самым важным свойством искусственных нейронных се- тей. Таким образом, ключевыми преиму- ществами нейронных сетей перед другими математическими моделями для использо- вания на смарт-предприятиях являются са- мообучение, отказоустойчивость и быстро- та работы. Технологии машинного зрения, ре- ализующие нейронные сети, актуальны для решения следующих категорий задач на промышленных производствах: считыва- ние текстовой маркировки с поверхности заготовок и с готовой продукции в процес- се производства непосредственно на кон- вейере или производственной линии, счи- тывание 1d и 2d кодов, прослеживание продукции, контроль наличия объектов, измерение геометрических размеров, срав- нение с образцом, подсчет объектов, иден- тификация объектов, контроль цвета, зре- ние промышленных роботов, контроль ка- чества – «комплексная инспекция», ин- спекция поверхностей, хронометраж рабо- чего времени, решения на базе 3d сканеров, логистика и т.д. [10; 17; 18]. Системы машинного зрения, исполь- зуемые совместно с роботами, позволяют существенно расширить спектр решаемых задач на производстве. Среди задач систе- мы «зрение + робот» можно выделить пе- ремещение продукции, загрузку / разгруз- ку, классификацию объектов, отбраковку изделий, инспекцию объектов со всех ра- курсов. Преимуществами использования машинного зрения для роботов являются: управление роботом в процессе производ- ства, всесторонний контроль продукции, точность работы, предотвращение случай- ных столкновений роботов, устранение необходимости покупать высокоточное оборудование, возможность обрабатывать различные объекты без сложной перена- стройки и др. Математическое моделирование ме- хатронных и робототехнических систем Как отмечено выше, для решения различных задач в машиностроении все чаще применяются роботы, мехатронные и робототехнические системы. Это связано с их растущими функциональными возмож- ностями, обусловленными использованием более совершенных систем управления, развитие которых базируется на известных достижениях средств вычислительной тех- ники. –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 62 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) В работе [19] приведена математичес- кая модель исполнительного механизма, учитывающая особенности его кинематиче- ской структуры, полученная с использова- нием методики составления блочно-мат- ричных математических моделей исполни- тельных механизмов, имеющих ветвящуюся кинематическую структуру [19; 20]. Здесь кинематическая схема исполнительного ме- ханизма представляется в виде древовидно- го направленного графа. Звенья в таком графе представляются вершинами, а соеди- няющие их сочленения – дугами, что позво- ляет представить уравнение движения ис- полнительного механизма, имеющего дре- вовидную кинематическую структуру, от- носительно обобщённых координат [20]: 0 0 ( ) ( , ) ( ) H(q) , в в A q q B q q C q f n          где q – вектор обобщённых координат ис- полнительного механизма в начальный момент времени; q , q – векторы обобщённых коорди- нат исполнительного механизма в после- дующие моменты времени соответственно количеству точек над q ;  – вектор сил, моментов, развивае- мых приводами робота; вв nf 00 , – блочные матрицы внешних сил и моментов, приложенных к звеньям со стороны окружающей среды; ( ), ( , ), ( ),H( )A q B q q C q q – матричные коэффициенты, вычисляемые в соответ- ствии с определенными зависимостями, позволяют рассчитывать моменты и мощ- ности, развиваемые приводами, необходи- мые для обеспечения заданных програм- мных движений робота. Традиционная форма представления моделей роботов с линейной кинематичес- кой цепью, рассмотренная в источнике [21], позволяет использовать стандартные методы и программное обеспечение для проведения дальнейших исследований и формирования алгоритмов управления ро- ботом. Рассчитанные при различных внеш- них нагрузках на звенья исполнительного механизма робота требуемые моменты и мощности, развиваемые приводами в сте- пенях подвижности робота, могут стать основой для проектирования его системы приводов и подключения соответствующих элементов в единую сеть предприятий для обеспечения текущего контроля выполне- ния тех или иных производственных задач. Часто для разработки интеллектуаль- ных систем управления автономными ро- ботами используются модели различных нейронных сетей [21; 22; 24], которые в общем виде рассмотрены выше. Так, в ра- ботах [21-24] в рамках интеллектуальной системы управления роботом использова- лась трехмерная нейросеть. Общая струк- тура таких интеллектуальных систем управления приведена на рис. 1. Здесь планирующая подсистема представляет собой многоярусную нейрон- ную сеть. За принятие решения о направ- лении движения аппарата на каждом эле- ментарном шаге перемещения отвечает нейросеть Хопфилда, которая в структуре интеллектуальной системы управления представлена блоком «планирующая си- стема». Структура соответствующего про- граммного комплекса для моделирования системы нейросетевого интеллектуального управления роботом содержит: модуль эмуляции сенсорной подси- стемы – программная эмуляция модели, отвечает за получение данных о внешней среде; модуль 3D-эмуляции внешней среды − предназначен для отображения внешней среды и взаимодействия робота с внешней средой; модуль нейросетевого планирования − реализует описанные алгоритмы и отве- чает за выбор направления перемещения робота на каждом шаге; модуль формирования модели про- ходимости внешней среды – отвечает за интерпретацию данных о внешней среде, полученных от модуля эмуляции сенсор- ной системы, выделяя препятствия и сво- бодные участки для формирования массива препятствий; –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 63 2018, № 3 (83) Сенсорная (воспринимающая) подсистема Подсистема формирования модели внешней среды Планирующая подсистема Исполнительная подсистема В н еш н я я ср ед а Рис. 1. Структура интеллектуальной системы управления роботом ядро – отвечает за синхронизацию работы всех модулей и содержит интер- фейс для подключения/отключения раз- личных модулей системы. Таким образом, приведенная струк- тура интеллектуальной системы планиро- вания и управления движением автономно- го аппарата (робота) позволяет составить общее представление о подобных интел- лектуальных системах управления, в том числе промышленного назначения. Проблема автоматизации производ- ства в машиностроении представляет собой самостоятельный комплексный вопрос, решение которого в рамках построения смарт-предприятий на базе КФС с помо- щью математических моделей роботизиро- ванной техники позволит создать новое оборудование, усовершенствовать техно- логические процессы и системы организа- ции производства и объединить эти систе- мы в пределах сетевого пространства предприятия на базе ключевых параметров таких систем. Результатами этих нововве- дений могут стать улучшение условий тру- да, рост качества продукции, сокращение потребности в рабочей силе и системати- ческое повышением прибыли предприятий машиностроения [25]. Однако применение роботов на оте- чественных предприятиях промышленнос- ти хоть и имеет место, но только начинает развиваться. В настоящее время на маши- ностроительных предприятиях более ши- рокое распространение получили автома- тизированные системы производства и сборки деталей и машин, автоматизиро- ванные системы управления производ- ственными процессами, которые по мере развития приобретают вид интеллектуаль- ных производственных систем. Математическое моделирование ин- теллектуальных производственных си- стем Понятие интеллектуальной произ- водственной системы (ИПС) сформирова- лось под влиянием растущих возможно- стей информационных технологий. Анализ этапов развития ИПС показывает, что ос- новным элементом, формирующим их сущность, является компьютерная система управления. Помимо программного управ- ления и интеграционных функций, ИПС решают задачи восприятия, распознавания и отображения информации, а также фор- мирования управленческих решений по целесообразному поведению в различных ситуациях развития производственного –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 64 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) процесса. Основой функционирования данных элементов является математичес- кая модель, а моделирование осуществля- ется с использованием компьютерной тех- ники, поскольку требует значительных объемов вычислений. Для моделирования интеллектуаль- ных производственных систем использует- ся широкий спектр математических моде- лей. Разнообразие оборудования и спосо- бов организации работ на машинострои- тельном предприятии требует многовари- антного анализа технологических процес- сов и выбора наиболее эффективного в конкретном случае варианта структуры ИПС. В производственных системах такие операции, как установка-снятие заготовки со станка, подвод-отвод инструмента, об- тачивание, контроль, представляют собой типичные функции, реализованные дис- кретными производственными процессами. Опыт моделирования этих процессов и различных типов дискретных событийных систем свидетельствует о том, что около 80% таких моделей основаны на теории систем массового обслуживания (СМО) [26]. В работе [27] автоматизированные производственные системы представлены в виде сетей многофазных одно- и многока- нальных СМО без отказов с простейшей очередью обслуживания FIFO и ограни- ченным входным потоком заявок, который соответствует производственному плану. При этом множество технологических па- раметров автоматизированной производ- ственной системы разбито на пересекаю- щиеся подмножества, каждое из которых сведено ко времени обслуживания заявки в СМО. Продолжительность технологичес- ких процессов отображается вводом слу- чайных временных задержек в приборы СМО, имитирующие оборудование авто- матизированной производственной систе- мы. Время изготовления каждого изделия определяется суммой          N i P j Q k S n nkji ttttT 1 2 0 0 0 , где it – продолжительность каждой опера- ции по обработке заготовки, включая вре- мя на ее установку/снятие; N – общее количество операций, не- обходимых для изготовления детали; jt – продолжительность транспорти- ровки заготовки между рабочими местами; P – количество j -х перемещений за- готовки; Q – общее число простоев; kt – время ожидания заготовки перед рабочим местом или перед транспортиров- кой: ),,( ntft ik  , где  – интенсивность поступления за- явок; n – количество параллельно работа- ющих станков или транспортных средств; nt – прочее время простоев (внецикло- вые потери). При этом вид транспортного средства и планировка участка задаются структурой СМО. Выходной поток представляют гото- вые изделия, а обслуживающие устройства имитируют соответственно транспортное средство и i -е рабочее место. Каждое та- кое iS -устройство – это система массового обслуживания, в которой n параллельно работающих приборов iSt , отображающих станки, обслуживаются одним прибором iT – роботом-манипулятором. Для расчетов в таких сетях использу- ется теория вероятностных сетей, основан- ная на марковских и полумарковских про- цессах [27], но большинство результатов получено только для экспоненциальных законов распределения. При количестве узлов сети больше трех для расчетов ис- пользуются численные приближенные ме- тоды. В работе [28] для моделирования дискретной системы использован язык имитационного моделирования GPSS/H. Анализ времени прохождения динамичес- ких объектов в модели и времени занято- сти прибора при функционировании моде- –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 65 2018, № 3 (83) ли позволяет получить такие важные ха- рактеристики автоматизированной произ- водственной системы, как производитель- ность и степень использования оборудова- ния. Такие модели автоматизированных производственных систем, представленые в виде сетей многофазных одно- и много- канальных СМО, позволяют: проводить сравнительную оценку ва- риантов автоматизации производственных систем и выбирать наиболее эффективный; оценивать производительность авто- матизированной системы при учете вне- цикловых потерь; находить пути повышения степени использования оборудования путем согла- сования технологических операций во вре- мени и пространстве; выявлять и устранять «узкие места» в технологическом процессе; выбирать наиболее подходящую структуру производственного процесса при проектировании. В статье [28] рассматривается про- блема модельно-ориентированного управ- ления в ИПС, которая заключается в ис- пользовании широкого спектра компью- терных моделей на всех уровнях принятия решений. В работе [25] приводятся задачи, решением которых занимаются современ- ные программные комплексы на производ- стве; представлено применение сетей Пет- ри и компонентно-ориентированного под- хода для моделирования, анализа и вери- фикации технологического процесса сборки. Аналогично в источнике [29] приве- дена задача, связанная с процессом симу- ляции и верификации результатов процесса сборки изделия. Система позволяет моде- лировать технологические процессы сбор- ки, проводить верификацию сборочного процесса, анализировать собираемость из- делия, оценивать производственные ресур- сы, используемое оборудование, инстру- мент и приспособления, рассчитывать вре- менные характеристики технологических операций сборки [30]. Такие системы, включенные в состав систем PLM (Product Lifecycle Management – прикладное про- граммное обеспечение для управления жизненным циклом продукции), тесно вза- имодействуют с различными CAD систе- мами (AutoCAD, T-flex CAD, SolidWorks, CATIA и др.), САПР ТП/CAPP (системы автоматизированного проектирования тех- нологических процессов/Computer-Aided Process Planning: ТехноПро, Вертикаль, Timeline), различными базами данных, PDM-системами (Product Data Manage- ment – системы управления данными об изделии: Simatic PDM, ENOVIA Smarteam и др.) [27]. В работе [31] изложен принцип фор- мирования многоуровневых компьютер- ных моделей SCADA-систем (Supervisory Control And Data Acquisition – программно- аппаратный комплекс сбора данных и дис- петчерского контроля), позволяющих с по- мощью математических моделей объектов управления определять, устанавливать и поддерживать в технологическом оборудо- вании предприятий промышленности эко- логически безопасные и экономически эф- фективные режимы функционирования с учетом накладываемых на них экологичес- ких и экономических ограничений. В качестве реального объекта в таких SCADA-системах могут выступать как производственные процессы, реализуемые с помощью станков, конвейеров, различ- ной робототехники и т.д., так и управлен- ческие процессы на предприятиях машино- строения. SCADA-системы являются но- вейшим этапом в развитии автоматизиро- ванных систем управления технологиче- скими процессами (АСУ ТП) в промыш- ленности. Они представляют собой аппа- ратно-программные комплексы, осуществ- ляющие сбор и передачу в компьютер дан- ных первичных измерений наблюдаемых характеристик, их математическую обра- ботку и визуализацию на экране компью- тера, а также протоколирование процесса управления. SCADA-системы обладают дружественным интерфейсом пользовате- ля, обеспечивают полноту и наглядность представляемой информации, доступность –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 66 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) «рычагов» управления, удобство пользова- ния подсказками и справочной системой. С помощью реализованных в SCADA-сис- теме компонентов диспетчер получает ин- формацию на монитор компьютера и имеет возможность воздействовать на управляе- мые системы. Современным направлением в разви- тии SCADA-систем является интеллектуа- лизация процесса принятия управленчес- ких решений. Под ней понимается его ча- стичная или полная автоматизация, позво- ляющая в рамках заданных требований и ограничений определять управляющие воздействия на объект, носящие рекомен- дательный характер и выводимые на экран оператора SCADA-системы. Для этих це- лей находят широкое применение разнооб- разные математические модели, методы, экспертные системы с наборами моделей знаний и нейронные сети. Полученные ре- зультаты моделирования представляют со- бой управляющие воздействия и другие рекомендации, приводящие управляемые системы в найденный экологически без- опасный и (или) экономически эффектив- ный режим функционирования [31]. Предпосылки успешного применения математических моделей Таким образом, разработанные к настоящему времени модели и методы описания и анализа основных процессов на машиностроительных предприятиях в рам- ках построения КФС систем охватывают различные инженерные и программные аспекты. Основываясь на результатах прове- денного анализа, можно рекомендовать к дальнейшему развитию и внедрению на предприятиях отечественного машино- строения модели стохастической геомет- рии, интерполяционные модели на регу- лярных решетках, методы кластерного анализа, модели искусственных нейронных сетей. Они могут применяться для решения задач контроля качества, прослеживания движения продукции, контроля наличия объектов, измерения их геометрических размеров, сравнения с образцом, подсчета, идентификации и классификации объектов, отбраковки изделий, инспекции объектов с разных ракурсов, высокоточных измерений элементов (например, заготовок или от- дельных деталей) и т.д. в автоматизиро- ванных системах на производствах. Для решения задач автоматизации производства в машиностроении в рамках построения смарт-предприятий на базе КФС можно использовать математические модели искусственных нейронных сетей, марковские и полумарковские модели управления роботизированными платфор- мами и т.д. Это позволит создавать новое оборудование, совершенствовать техноло- гические процессы и систему организации производства, объединять эти системы в рамках сетевого пространства предприятия на базе ключевых формализованных пара- метров. Результатами таких нововведений могут стать улучшение условий труда, рост качества продукции, сокращение потреб- ности в рабочей силе и систематическое повышение прибыли предприятий маши- ностроения. Наряду с роботизированной техникой в рамках создания смарт-предприятий и объединения КФС в единую сеть предпри- ятия в машиностроении актуальным явля- ется создание новых и развитие уже суще- ствующих автоматизированных систем производства и сборки деталей и машин, автоматизированных систем управления производственными процессами, интел- лектуальных производственных систем. В рамках КФС такого класса рекомендуется формализация производственных процес- сов на базе сетей Петри, математических моделей теории систем массового обслу- живания, имитационного моделирования, нейронных сетей и др. КФС, основанные на математическом представлении производственных процес- сов на машиностроительных предприятиях, позволяют, например, моделировать тех- нологические процессы сборки, проводить верификацию сборочного процесса, анали- зировать собираемость изделия, оценивать –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 67 2018, № 3 (83) Вставка ПАО «Новокраматорский машиностроительный завод» («НКМЗ») является одним из крупнейших в Украине и мире заводов тяжёлого машиностроения. Для обеспечения эффективности производства сложной наукоемкой продукции в ПАО «НКМЗ» исполь- зуется система управления жизненным циклом изделия в рамках единой информацион- ной среды. Единая информационная среда функционирует на базе локальной сети заво- да с ограниченным выходом в интернет в рамках системы управления взаимоотноше- ниями с клиентами и поставщиками (рис. 2). Рис. 2. Система управления жизненным циклом продукции в рамках единой информационной среды в ПАО «НКМЗ» На предприятии в силу специфики производства, уникальности конструкторских разработок заказов и наукоемкости производимой продукции ключевым звеном являет- ся интеллектуальный труд конструкторов, которые работают в рамках модуля ин- женерных расчетов и оптимизации CAE. Несмотря на обеспечение помощи конструк- торам модулем CAE в решении различных инженерных задач в рамках расчётов с ис- пользованием оптимизационных математических моделей, анализа и симуляции физи- ческих процессов, результат интеллектуальной работы во многом зависит от челове- ческого фактора. В силу наукоемкости машиностроительного производства пока не существует альтернативы работе инженера-конструктора. Безусловно, это накла- дывает ограничения на внедрение концепции смарт-индустрии в процесс производства машиностроительной продукции. Однако на НКМЗ в рамках отдельных процессов ис- пользуются киберфизические системы, которые объединены общей базой данных на базе локальной сети предприятия. В работе управленческого и инженерного персонала технической базой таких систем являются персональные компьютеры, которыми снабжены рабочие места всех без исключения сотрудников. Технической базой произ- водственного персонала (насколько это возможно в рамках выполняемых им функций) являются персональные компьютеры и станки с ЧПУ, которые подключаются к цен- трализованной системе управления посредством заводской сети. Роботизированные системы для выполнения функций в ПАО «НКМЗ» пока не используются. –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 68 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) производственные ресурсы, используемое оборудование, инструмент и приспособле- ния, рассчитывать временные характери- стики технологических операций произ- водства и т.д. При этом в рамках формали- зованных параметров математических мо- делей будет обеспечиваться взаимодей- ствие в едином сетевом пространстве ма- шиностроительного предприятия КФС с различными системами автоматизирован- ного проектирования (CAD-системами), автоматизированными системами техноло- гической подготовки производства (САПР ТП/CAPP), единой базой данных предпри- ятия (Big Data), системами управления дан- ными об изделии (PDM-системами) и др В настоящее время рекомендуемые модели, за отдельными исключениями, ещё не нашли широкого применения в процессе функционирования машиностроительных предприятий Украины и часто не исполь- зуются специалистам на практике. Это свя- зано с общим отставанием отечественных производителей в технологиях, применяе- мых на производствах, и низким уровнем инновационного развития этих предприя- тий. Как показывает опыт ряда отечест- венных и зарубежных компаний, а также оценки специалистов [5; 6; 33; 34], для внедрения и дальнейшего практического использования приведенных математиче- ских моделей в рамках создания КФС на предприятиях машиностроения с целью решения основных производственных за- дач необходимо выполнить ряд условий, а именно: оценить потенциал, определить наличие КФС, уже созданных на предприя- тии и объединенных в единую информаци- онную среду; определить сферы/перечень необхо- димых дополнительных разработок новых и модернизации уже существующих КФС; создать условия для продолжения те- кущей производственной деятельности во время модернизации основной производ- ственной системы для обеспечения мини- мизации простоев; подготовить необходимый персонал в области IT-технологий − переквалифици- ровать имеющийся рабочий штат, нанять квалифицированных специалистов в обла- сти IT-технологий, создать специализиро- ванные отделы автоматизации и информа- тизации; получить соответствующее програм- мное обеспечение – разработать / приобре- сти софт, обладающий дружественным ин- терфейсом и простотой в использовании и направленный на удовлетворение потреб- ностей пользователей в рамках интеграции КФС; организовать облачные хранилища или сервера данных, необходимые для обеспечения хранения большого количе- ства данных (информации о заказах, про- граммного обеспечения, производственных данных, данных управления предприятием и т.д.); обеспечить широкополосную связь на предприятии − создать инфраструктуру связи, допускающую обмен информацией в гораздо больших объемах и высшего каче- ства, чем это возможно в действующих се- тях связи; обновленные сети должны обес- печивать надежность, качество обслужива- ния и повсеместную доступность полосы пропускания; обеспечить контроль производствен- ного процесса с помощью КФС; все дан- ные, поступающие с датчиков, вводятся в модели виртуальных установок и имитаци- онные модели (построенные на базе мате- матических моделей в рамках основных параметров систем) и создают виртуаль- ную копию реальных производственных процессов на предприятиях для получения необходимой информации без присутствия производстве; обеспечить взаимосвязь КФС произ- водственных процессов и систем управле- ния предприятием. На данном уровне ре- шаются вопросы планирования производ- ственной мощности, производственного процесса, ресурсов, контроля процессов производства, качества конечной продук- ции и ее реализации; обеспечить безопасность в рамках: –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 69 2018, № 3 (83) единой информационной системы предприятия – защиту данных в цифровых системах от неправомерного использова- ния, несанкционированного доступа, мо- дификации или уничтожения (пиратства, промышленного шпионажа путем внешне- го вмешательства посредством IT-техно- логий и т.д.); эксплуатации КФС человеком – от- сутствие рисков и угроз для человека и окружающей среды в результате работы системы, что требует эксплуатационной безопасности (отказоустойчивости) и вы- сокой степени надежности. Выводы. Рассмотренные математи- ческие модели передовых машиностроительных технологий в соответствии с классами решаемых на производствах задач позволяют выполнять формализацию основных процессов для последующего использования параметров моделей в сетевом взаимодействии систем на смарт-предприятиях. Наиболее перспективными для внед- рения на предприятиях машиностроения являются модели искусственных нейрон- ных сетей, что связано с широким спек- тром возможных решаемых задач, который включает моделирование машинного зре- ния, мехатронных и робототехнических систем, задач автоматизации производства, интеллектуальных производственных си- стем. Модели искусственных нейронных сетей выгодно отличаются от других моде- лей способностью к обучению и самона- страиванию, отказоустойчивостью и быст- ротой работы, что особенно важно для смарт-производств. Однако ограничением таких моделей является необходимость предварительного обучения сети незави- симо от решаемой задачи, что требует наличия достаточно большого количества данных по конкретным процессам на пред- приятии. Для решения задач автоматизации производства в машиностроении в рамках построения смарт-предприятий актуаль- ным также является использование мар- ковских и полумарковских моделей, мате- матических моделей теории систем массо- вого обслуживания, сетей Петри для опи- сания производственных процессов. Ис- пользование таких моделей позволяет со- здавать новое оборудование, совершенст- вовать технологические процессы и систе- му организации производства и объединять эти системы в рамках сетевого пространст- ва предприятия на базе ключевых форма- лизованных параметров. Ограничением таких моделей выступает тот факт, что со- стояния систем в них являются непосред- ственно наблюдаемыми, т.е. каждый про- цесс выделяется в отдельное состояние си- стемы при математическом моделирова- нии. Это может приводить к неоправдан- ному увеличению количества состояний системы и излишнему нагромождению па- раметров в моделях. Однако при грамот- ном подходе указанные модели находят применение для описания производствен- ных процессов и неплохо зарекомендовали себя при выявлении и устранении «узких мест» в технологических процессах, выбо- ре наиболее подходящей структуры произ- водственного процесса при проектирова- нии, оценке производительности автомати- зированной системы и др. В результате математического моде- лирования передовых машиностроитель- ных технологий на смарт-предприятиях в рамках формализованных параметров ма- тематических моделей будет обеспечивать- ся взаимодействие КФС в едином сетевом пространстве с различными системами ав- томатизированного проектирования (CAD- системами), автоматизированными систе- мами технологической подготовки произ- водства (САПР ТП/CAPP), единой базой данных предприятия (Big Data), системами управления данными об изделии (PDM- системами), SCADA-системами производ- ственных и управленческих процессов и др. Поэтому важной для обеспечения пере- хода промышленных предприятий к смарт- производству является необходимость со- здания соответствующих условий, а имен- но: подготовка квалифицированного пер- сонала в области IT-технологий, наличие соответствующего программного обеспе- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 70 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) чения, организация облачных хранилищ или серверов данных, обеспечение широ- кополосной связи, организация взаимосвя- зи КФС производственных процессов и систем управления предприятиями, обес- печение безопасности в рамках единой ин- формационной системы предприятия и эксплуатации КФС. В целом рассмотренные подходы к моделированию передовых машинострои- тельных технологий для создания смарт- предприятий требуют учета специфики производства, структуры предприятия, ис- пользуемых новых технологий, степени автоматизации процессов производства и управления, уже созданных на предприя- тии киберфизических «островов» и т.д. В этой связи перспективными направления- ми дальнейших исследований являются совершенствование и адаптация приведен- ных моделей и соответствующих подходов к их реализации для использования на кон- кретных предприятиях машиностроения в процессе внедрения концепции Индустрии 4.0 в отечественное промышленное произ- водство. Литература 1. Jeschke S., Brecher C., Song H., Rawat D. B. Industrial Internet of Things. Cybermanufacturing Systems. Herausgeber: Springer International Publishing Switzerland, 2017. 715 p. 2. Вишневский В. П., Князев С. И. Smart-промышленность: перспективы и проблемы. Экономика Украины. 2017. № 7. С. 22-37. 3. Барьеры и перспективы IIoT и Ин- дустрии 4.0. Асоціація Підприємств Про- мислової Автоматизації України. URL: http://appau.org.ua/Baryery-i-perspectivy- IIoT-i-Idustryi-4-0.html (Дата обращения 27.10.2017). 4. Digital IIoT report. CFE Media. URL: http://bt.e-ditionsbyfry.com/publica- tion/?i=320036#.html (Дата обращения 28.10.2017). 5. Кузнецов Д. А., Чернышев М. А., Овчинникова В. А., Ротарь Д. Ю., Комель- ских И. С. Интеграция Индустрии 4.0 в промышленность. Интеллектуальный по- тенциал XXI века: ступени познания. 2016. № 35. С. 30-35. 6. Emerging Global Trends in Ad- vanced Manufacturing. Institute for Defense Analyses. IDA Paper. March 2012. P. 4603. 7. Weyrich M. Evaluation of Infor- mation Technology for «Industrie 4.0». Pro- duction systems. URL: https://www.ias. uni- stuttgart.de/dokumente/vortraege/2016-09-25_ Nokia-Lectures_IT-Evaluation_I40_Prof_ Weyrich.pdf. (Дата обращения 28.10.2017). 8. Camarinha-Matos L. M., Parreira- Rocha M., Ramezani J. eds. Technological Innovation for Smart Systems: 8th IFIP WG 5.5/SOCOLNET. Advanced Doctoral Confer- ence in Computing, Electrical and Industrial Systems: DoCEIS 2017 (Costa de Caparica, Portugal, May 3-5, 2017). IFIP International Federation for Information Processing: Springer, 2017. 448 p. 9. Madykh A.A., Okhten O.O., Da- siv A.F. Analysis of the world experience of economic and mathematical modeling of smart enterprises. Economy of Industry. 2017. № 4 (80). pp. 19-46. doi: http://doi.org/ 10.15407/econindustry2017.04.019 10. Системы технического зрения. Компания «Малленом Системс». URL: http://www.mallenom.ru/resheniya/pootraslia m/.html (Дата обращения 16.11.2017). 11. Васильев П. В. Моделирование пространственных структур методами сто- хастической геометрии. Научные ведомо- сти БелГУ. Сер. Информатика и приклад- ная математика. 2006. № 1 (21), вып. 2. С. 92-103. 12. Кендал М., Морган П. Геометри- ческие вероятности. Пер. с англ. Р.В. Амбарцумян. М.: Наука, 1972. 192 с. 13. Сантало Л. Интегральная гео- метрия и геометрические вероятности. Пер. с англ. В.М. Максимова. М.: Наука, 1983. 360 с. 14. Hilliard J. E., Lawson L. R. Stere- ology and Stochastic Geometry: computation- al Imaging and Vision. Springer, 2003. 512 p. 15. Васильев И. Л., Сидоров Д. Н. Приложение кластерного анализа к авто- матическому распознаванию дефектов. –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 71 2018, № 3 (83) Проблемы управления. 2007. № 4. С. 36-42. URL: http://cyberleninka.ru/article/n/prilozhe nie-klasternogo-analiza-k-avtomati cheskomu- raspoznavaniyu-defektov.html (Дата обра- щения 20.09.2017). 16. Еремин Д. М., Гарцеев И. Б. Ис- кусственные нейронные сети в интеллекту- альных системах управления. М.: МИРЭА, 2004. 75 с. 17. Stich T. J., Spoerre J. K., Velasco T. The Application of Artificial Neural Networks to Monitoring and Control of an Induction Hardening Process. Journal of Industrial Technology. 2000. № 16 (1). Р. 1-11. 18. Viharos Zs., Monostori L. Intelli- gent, Quality-Oriented Supervisory Control of Manufacturing Process and Process Chains. Intelligent, quality-oriented supervisory con- trol of manufacturing processes and process chains: DYCOMANS Workshop (Bled- Slovenia, 12-14 May, 1999). Slovenia. Р. 129- 134. 19. Ковальчук А. К. Разработка ма- тематической модели исполнительного ме- ханизма роботизированного манекена. Научный вестник Московского государ- ственного технического университета гражданской авиации. 2011. № 168. С. 103- 109. URL: http://cyberleninka.ru/article/ n/razrabotka-matematicheskoy-modeli-ispol nitelnogo-mehanizma-robotizirovannogoma- nekena. html (Дата обращения 2.09.2017). 20. Ковальчук А. К., Кулаков Д. Б., Семенов С. Е. Математическое описание кинематики и динамики исполнительных механизмов роботов с древовидной кине- матической структурой. Известия вузов. Машиностроение. 2008. № 11. С. 13-24. 21. Самарин А.И. Нейросетевые мо- дели в задачах управления поведением ро- бота. «Лекции по нейроинформатике» по материалам Школы – семинара «Совре- менные проблемы нейроинформатики». URL: https://www.niisi.ru/iont/ni/Library/ Lectures/LectsALL-2001.pdf (Дата обраще- ния 22.09.2017). 22. Пшихопов В. Х., Чернухин Ю. В., Федотов А. А., Гузик В. Ф., Медведев М. Ю. и др. Разработка интеллектуальной систе- мы управления автономного подводного аппарата. Известия Южного федерального университета. Технические науки. 2014. № 3 (152). С. 87-101. URL: http://cyberle- ninka.ru/article/n/razrabotka-intellektualnoy- sistemy-upravleniya-avtonomnogo-podvodno go-apparata.html (Дата обращения 22.09.2017). 23. Гришин К. А. Модель роботизи- рованной платформы как ординарный по- лумарковский процесс. Известия ТулГУ. Технические науки. 2016. Вып. 9. С. 70-76. URL: http://cyberleninka.ru/article/n/model- robotizirovannoy-platformy-kak-ordinarnyy- polumarkovskiy-protsess. html (Дата обра- щения 28.09.2017). 24. Попов А. В., Момот М. А., Сер- геев Е. С. Разработка системы верифика- ции и моделирования технологического процесса сборки. Авиационно-космическая техника и технология. 2016. № 2 (129). С. 87-98. URL: http://www.khai.edu/csp/ nauchportal/Arhiv/AKTT/2016/AKTT216/ PopovAV.pdf.html (Дата обращения 30.09.2017). 25. Бархоткин В. А. Обработка изоб- ражений для идентификации наземной об- становки мобильными роботизированными комплексами. Известия Южного феде- рального университета. Технические науки. 2014. № 3 (152). С. 77-86. URL: http://cyberleninka.ru/article/n/obrabotka- izobrazheniy-dlya-identifikatsii-nazemnoy- obstanovki-mobilnymi-robotizirovannymi- kompleksami.html (Дата обращения 3.10.2017). 26. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979. 432 с. 27. Зиновьев В. В., Кочетков В. Н. Опыт имитационного моделирования слож- ных производственных систем. Вычисли- тельные технологии. 2008. Специальный выпуск № 5, Т. 13. С. 51-55. URL: http://cyberleninka.ru/article/n/opyt-imitatsi- onnogo-modelirovaniya-slozhnyh-proizvod- stvennyh-sistem.html (Дата обращения 30.12.2017). 28. Литвинов В. В., Казимир В. В. Модельно-ориентированное управление как стратегия функционирования интел- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 72 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) лектуальных производственных систем. Математичні машини і системи. 2004. № 4. С. 143-156. URL: http://www.immsp. kiev.ua/publications/articles/2004/2004_4/ Kazymyr_04_2004.pdf.pdf (Дата обращения 30.12.2017). 29. North M. J., Howe T. R., Collier N. T. A Declarative Model Assembly Infrastructure for Verification and Validation. Advancing Social Simulation: The First World Congress, 2007. P. 129-140 30. Bergstra J. A. Real time Process Algebra. Formal Aspects of Computing. 1991. Vol. 3. Р. 142-188. 31. Дмитриев В. М., Ганджа Т. В. Принцип формирования многоуровневых компьютерных моделей SCADA-систем для управления сложными технологиче- скими объектами. Моделирование систем. 2013. № 2 (36). C. 24-35. 32. Каллан Р. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. М.: Вильямс, 2001. 288 с. 33. Система управления производ- ством на предприятии ФЭД. Кейс-стади «Индустрия 4.0». URL: https://industry4-0- ukraine.com.ua/smart-factory/.html (Дата об- ращения 27.02.2018). 34. The Enterprise AI Promise: Path to Value. SAS. URL: https://www.sas.com/ content/dam/SAS/el_gr/doc/research1/ai-sur vey-2017.pdf (Дата обращения 17.03.2018). References 1. Jeschke, S., Brecher, C., Song, H., & Rawat D. (2017) Industrial Internet of Things. Cybermanufacturing Systems. Herausgeber: Springer International Publishing Switzerland. 2. Vishnevsky, V. P., & Knyazev, S. I. (2017) Smart-industry: prospects and prob- lems. Economy of Ukraine, 7, pp. 22-37 [in Ukranian]. 3. Barriers and perspectives of the IIoT and the Industry 4.0 (2017, October). Associa- tion of Industrial Automation Enterprises of Ukraine. Retrieved from http://appau.org.ua/ Baryery-i-perspectivy-IIoT-i-Idustryi-4-0 [in Ukranian]. 4. Digital IIoT report (2017, October). CFE Media. Retrieved from http://bt.e- ditionsbyfry.com/publication/?i=320036# [in Ukranian]. 5. Kuznetsov, D. A., Chernyshev, M. A., Ovchinnikova, V. A., Rotar, D. Yu., & Komel- skih, I. S. (2016). Integration of Industry 4.0 into the industry. Intellectual potential of the XXI century: the stage of knowledge, 35, pp. 30-35 [in Russian]. 6. Emerging Global Trends in Ad- vanced Manufacturing (2012, March). Insti- tute for Defense Analyses. IDA Paper, 4603. 7. Weyrich, M. Evaluation of Infor- mation Technology for «Industrie 4.0» (2017, October). Production systems. Retrieved from https://www.ias.uni-stuttgart.de/dokumente/ vortraege/2016-09-25_Nokia-Lectures_IT- Evaluation_I40_Prof_Weyrich.pdf 8. Camarinha-Matos, L. M., Parreira- Rocha, M., & Ramezani, J. eds. (2017, May). Technological Innovation for Smart Systems: 8th IFIP WG 5.5/SOCOLNET. Advanced Doctoral Conference in Computing, Electrical and Industrial Systems: DoCEIS 2017 (pp. 408-448). Costa de Caparica, Portugal: IFIP International Federation for Information Processing, Springer. 9. Madykh, A. A., Okhten, O. O., & Dasiv, A. F. (2017). Analysis of the world ex- perience of economic and mathematical mod- eling of smart enterprises. Econ. promisl., 4 (80), pp. 19-46. doi: 105.15407/ econindus- try2017.04.019 10. Systems of technical sight (2017, November). The company "Mullenom Sys- tems". Retrieved from http://www.mallenom. ru/resheniya/po-otras liam/ [in Russian]. 11. Vasilyev, P. V. (2006). Modeling of spatial structures by stochastic geometry methods. Scientific bulletins of BelSU. Ser. Informatics and applied mathematics, 1 (21), Issue 2, pp. 92-103 [in Russian]. 12. Kendal, M., & Morgan, P. (1972). Geometric Probabilities (R.W. Ham- bardzumyan, Trans.). Moscow: Nauka [in Russian]. 13. Santalo, L. (1983). Integral geome- try and geometric probabilities. (V. M. –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 73 2018, № 3 (83) Maksimov, Trans.). Moscow: Nauka [in Rus- sian]. 14. Hilliard, J. E., & Lawson, L. R. (2003). Stereology and Stochastic Geometry: computational Imaging and Vision. Springer. 15. Vasiliev, I. L., & Sidorov, D. N. (2007). Application of cluster analysis to au- tomatic recognition of defects. Problems of management, 4, pp. 36-42. Retrieved from http://cyberleninka.ru/article/n/prilozhe nie- klasternogo-analiza-k-avtomaticheskomu- raspoznavaniyu-defektov [in Russian]. 16. Eremin, D. M., & Gartseev, I. B. (2004). Artificial neural networks in intelli- gent control systems. Moscow: MIREA [in Russian]. 17. Stich, T. J., Spoerre, J. K., & Ve- lasco T. (2000). The Application of Artificial Neural Networks to Monitoring and Control of an Induction Hardening Process. Journal of Industrial Technology, 16 (1), pp. 1-11. 18. Viharos, Zs., & Monostori, L. (1999, May). Intelligent, Quality-Oriented Supervisory Control of Manufacturing Process and Process Chains. Intelligent, quality- oriented supervisory control of manufacturing processes and process chains (pp. 129-134). Slovenia: DYCOMANS Workshop. 19. Kovalchuk, A. K. (2011). Devel- opment of a mathematical model of the execu- tive mechanism of a robotic dummy. Scientific Bulletin of the Moscow State Technical Uni- versity of Civil Aviation, 168, pp. 103-109 [in Russian]. 20. Kovalchuk, A. K., Kulakov, D. B., & Semenov, S.E. (2008). Mathematical de- scription of the kinematics and dynamics of the executive mechanisms of robots with a tree-like kinematic structure. Proceedings of high schools. Mechanical engineering, 11, pp. 13-24 [in Russian]. 21. Samarin, A. I. (2017, September). Neural network models in robot behavior con- trol problems. "Lectures on Neuroinformatics" based on the materials of the School – semi- nar "Modern Problems of Neuroinformatics". Retrieved from https://www.niisi.ru/iont/ni/ Library/Lectures/LectsALL-2001.pdf [in Rus- sian]. 22. Pshikhopov, V. Kh., Chernukhin, Yu. V., Fedotov, A. A., Guzik, V. F., & Medvedev, M. Yu. (2014). Development of an intelligent control system for an autonomous underwater vehicle. Izvestiya Southern Feder- al University. Technical science, 3 (152), pp. 87-101 [in Russian]. 23. Grishin, K. A. (2016). The model of the robotic platform as an ordinary semi- Markov process. Proceedings of Tula State University. Technical science, 9, pp. 70-76 [in Russian]. 24. Popov, A. V., Momot, M. A., & Sergeev, E. S. (2016) Development of a veri- fication system and simulation of the techno- logical assembly process. Aerospace engi- neering and technology, 2 (129), pp. 87-98 [in Russian]. 25. Barkhotkin, V. A. (2014). Image processing for identification of ground condi- tions by mobile robotic complexes. Izvestiya Southern Federal University. Technical sci- ence, 3(152), pp. 77-86 [in Russian]. 26. Kleinrok, L. (1979) Queuing theo- ry. M.: Mechanical Engineering [in Russian]. 27. Zinoviev, V. V., & Kochetkov, V. N. (2008). Experience in simulation modeling of complex production systems. Computational technologies, 5(13), pp. 51-55 [in Russian]. 28. Litvinov, V. V., & Kazimir, V. V. (2004). Model-oriented management as a strategy for the operation of intelligent pro- duction systems. Mathematical machines and systems, 4, pp. 143-156 [in Russian]. 29. North, M. J., Howe, T. R., & Colli- er, N. T. (2007). A Declarative Model Assem- bly Infrastructure for Verification and Valida- tion. Advancing Social Simulation: The First World Congress, pp. 129-140. 30. Bergstra, J. A. (1991). Real time Process Algebra. Formal Aspects of Compu- ting, 3, pp. 142-188. 31. Dmitriev, V. M., & Gandzha, Т. V. (2013). The principle of formation of multi- level computer models of SCADA-systems for managing complex technological objects. Modeling of systems, 2(36), pp. 24-35 [in Rus- sian]. –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 74 ISSN 1562-109X Econ. promisl. 2018, № 3 (83) 32. Callan, R. (2001). Basic concepts of neural networks = The Essence of Neural Networks First Edition. Moscow: Williams [in Russian]. 33. Production management system at the FED enterprise (2018, February). Case study "Industry 4.0". Retrieved from https://industry4-0-ukraine.com.ua/smart- factory/ [in Russian]. 34. The Enterprise AI Promise: Path to Value (2018, October). SAS. Retrieved from https://www.sas.com/content/dam/SAS/el_gr/ doc/research1/ai-survey-2017.pdf [in Rus- sian]. Олександр Федорович Тарасов, доктор тех. наук, проф. Донбаська державна машинобудівна академія 84313, Україна, м. Краматорськ, вул. Академічна, 72. E-mail: alexandrtar50@gmail.com. Світлана Сергіївна Турлакова, канд. екон. наук, доцент Інститут економіки промисловості НАН України 03057, Україна, м. Київ, вул. Желябова, 2 E-mail: svetlana.turlakova@gmail.com МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ПРОВІДНИХ МАШИНОБУДІВНИХ ТЕХНОЛОГІЙ ДЛЯ СМАРТ-ПІДПРИЄМСТВ: ОГЛЯД ПІДХОДІВ І ШЛЯХИ ВПРОВАДЖЕННЯ Визначено ключові особливості розвитку концепції Індустрії 4.0 на підприємствах машинобудування. Виконано аналіз математичних моделей за класами типових задач для використання в побудові смарт-підприємств у машинобудівній галузі. Встановлено, що в процесі забезпечення інноваційного розвитку підприємств маши- нобудування в рамках концепції необхідне використання математичних моделей, що відпо- відають технологіям машинного зору, роботизованої техніки, автоматизованих та інтелек- туальних систем виробництва й управління в рамках кіберфізичних систем на підприємст- вах. Такі кіберфізичні системи мають бути пов'язані із зовнішнім світом через датчики і виконавчі механізми, отримувати потоки даних із фізичного світу, встановлювати і безпе- рервно оновлювати віртуального близнюка фізичного світу і включати можливість взаємо- дії в реальності за інструкцією з віртуальної сфери. Це дозволить забезпечити можливість спільної роботи, адаптації та розвитку всіх систем підприємства для поліпшення умов пра- ці, підвищення якості продукції, скорочення потреби в робочій силі та підвищення ефекти- вності виробництва підприємств машинобудування. Упровадження наведених класів математичних моделей у рамках кіберфізичних сис- тем необхідно здійснювати відповідно до інновацій на машинобудівних підприємствах, які забезпечать автоматизацію ручної праці, оновлення вже використовуваних інноваційних технологій і об'єднання їх у єдиному інформаційному просторі. Наведені моделі потребу- ють адаптації та подальшого розвитку згідно з тими інноваційними рішеннями, які визна- чить керівництво конкретних машинобудівних підприємств залежно від специфіки підпри- ємства. Наведено рекомендації керівникам машинобудівних підприємств щодо використання математичних моделей у процесі впровадження концепції Індустрії 4.0. Ключові слова: математична модель, моделювання, підприємство, кіберфізична сис- тема, смарт-підприємство, машинобудування, промисловість, Індустрія 4.0. JEL: C60, C63, L00, L60, O30 –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 75 2018, № 3 (83) Oleksandr F. Tarasov, Doctor of Technical Donbass State Engineering Academy 84313, Ukraine, Kramatorsk, 72 Academichna Str., E-mail: alexandrtar50@gmail.com Svetlana S. Turlakova, PhD in Economics Institute of Industrial Economics of NAS of Ukraine 03057, Ukraine, Kyiv, 2 Gelabov Str., E-mail: svetlana.turlakova@gmail.com MATHEMATICAL MODELLING OF ADVANCED ENGINEERING TECHNOLOGIES FOR SMART ENTERPRISES: AN OVERVIEW OF APPROACHES AND WAYS OF IMPLEMENTATION The key features of the concept of Industry 4.0 development at the enterprises of machine- building industry were singled out. The analysis of mathematical models on classes of typical tasks for use at the construction of smart enterprises in the machine-building industry were carried out. It was determined, that in the process of ensuring the innovative development of machine- building enterprises within the Industry 4.0 framework it is necessary to use mathematical models, appropriate to machine vision technologies, robotic equipment, automated and intelligent produc- tion and control systems within the framework of enterprises’ cyberphysical systems. Such cyberphysical systems should be connected to the outside world through sensors and actuators, receiving data streams from the physical world, establishing and continuously updating the virtual twin of the physical world and including the possibility of interaction in reality accord- ing to instructions from the virtual sphere. This will allow ensuring the possibility of joint work, adaptation and development of all enterprise’s systems to improve working conditions, product quality, reduce labour requirements and increase the efficiency of manufacturing process of ma- chine-building enterprises. The introduction of the above classes of mathematical models within the framework of cyberphysical systems must be carried out according to innovations in machine- building enterprises, which will ensure the automation of manual labour, the renewal of the al- ready used innovative technologies and their unification in a single information space. The result- ed models demand adaptation and the further development according to those innovative deci- sions, which will define a management of specific machine-building enterprises, depending on the specificity of the enterprise. Recommendations were given to the heads of machine-building enterprises on the use of mathematical models in the process of introducing the concept of smart-enterprises in the Ukrain- ian machine-building industry. Prospective directions of research were outlined in the paper. Keywords: mathematical model, modeling, enterprise, cyber-physics system, smart enter- prise, machine-building, industry, Industry 4.0. JEL: C60, C63, L00, L60, O30 Форматы цитирования: Тaрaсов О. Ф., Турлакова С. С. Математическое моделирование передовых машино- строительных технологий для смарт-предприятий: обзор подходов и пути внедрения. Экономика промышленности. 2018. № 3 (83). С. 57-75. doi: http://doi.org/10.15407/ econindustry2018.03.057 Тarasov, О. F., & Turlakova, S. S. (2018). Mathematical modelling of advanced engineer- ing technologies for smart enterprises: an overview of approaches and ways of implementation. Econ. promisl., 3 (83), рр. 57-75. doi: http://doi.org/10.15407/econindustry2018.03.057 Представлена в редакцию 13.08.2018 г.

Математическое моделирование передовых машиностроительных технологий для смарт-предприятий: обзор подходов и пути внедрения

Репозитарії

Схожі ресурси