Совершенствование производственной системы машиностроительного предприятия с учетом цифровой трансформации организационной структуры и кадрового обеспечения

Во введении обоснована актуальность темы диссертационного исследования, научная новизна, теоретическая и практическая значимость, сформулированы цель и задачи, объект и предмет исследования. Представлены положения, выносимые на за- щиту, апробация работы и структура диссертации.
В первой главе диссертации рассмотрены существующие методы и технологии организации производства при цифровой трансформации предприятий машинострое- ния. Цифровая трансформация предполагает применение новых практик управления на уровне предприятия: цифровые технологии, новые форматы коллективной работы, производственная система и организационная структура. Внедрение цифровых тех- нологий приводит к изменениям в процессах принятия решений, планировании, орга- низации производства и труда, сопровождается применением интеллектуальных средств информатизации и компьютеризации производственных процессов. Такое применение должно приводить с одной стороны к увеличению основных показателей производственного процесса, с другой стороны характеризуется сокращением объема используемых для производства ресурсов. Это сопровождается вытеснением челове-
ческого труда и заменой его роботами с искусственным интеллектом. Такая тенден- ция наблюдается на производственных предприятиях машиностроительной отрасли.
Концепция Индустрия 4.0 предполагает переход на полностью автоматизиро- ванное цифровое производство, управляемое интеллектуальными системами в режи- ме реального времени в постоянном взаимодействии с внешней средой. Это порожда- ет актуальные вопросы организации совместного функционирования интеллектуаль- ных роботов и персонала предприятия. Индустрия 4.0 направлена на сближение лю- дей и роботов, и характеризуется формированием смешанной интегрированной ин- формационной среды. Для обеспечения функционирования множества взаимодей- ствующих между собой и работающих совместно агентов используется мультиагент- ный подход. Для представления знаний и обучения агентов в интеллектуальных ин- формационных системах, совместной координации работы агентов и персонала на семантическом уровне используется онтологический подход.
Несмотря на высокоразвитые интеллектуальные технологии, предприятия не мо- гут полностью отказаться от участия человека в процессах производства. Внедрение новых интеллектуальных информационных систем в производственные процессы предполагает расширение человеческих возможностей, а эффективное взаимодей- ствие повышает необходимость и способствует формированию цифровых навыков,
повышению квалификации кадрового обеспечения предприятия. При замещении ис- кусственным интеллектом высвободившиеся ресурсы необходимо переключать на новые задачи, проводить повышение квалификации производственного персонала с учётом человеко-компьютерного взаимодействия. Возникает необходимость обеспе- чения готовности производственного персонала к работе в смешанной интегрирован- ной информационной среде цифрового предприятия. Таким образом, оптимизация организационных структур обеспечивается управлением рациональным соотношени- ем искусственного и естественного интеллекта (персонала), а также обеспечением го- товности персонала для выполнения производственных задач в смешанной интегри- рованной информационной среде цифрового предприятия.
Во второй главе диссертации предложена формально-логическая модель сме-
шанной интегрированной информационной среды цифрового предприятия и постро- енная на ее основе организационная структура интегрированной информационной среды цифрового предприятия, позволяющая сократить количество альтернативных
вариантов по цифровой трансформации предприятия и объемы связанных с ними ин- вестиций, тем самым повысить эффективность производственного менеджмента.
где
Условие онтологической близости объектов и
(( )( ))∑| ∑ ∑|∑|
– допустимый уровень семантического отклонения,
{
определяется как: |
[0,1];
[
]. и – количество акторов и агентов,
Формально-логическая модель основана на онтологическом подходе, который позволяет определять семантику любого объекта с помощью дескриптора знаний, который можно представить в следующем виде:
( ){{ }{ }},
где – тег (ключевое слово); – вес тега; ( ) – определяет отношение скриптору ; – время использования дескриптора.
(1)
к де-
(2)
Смешанная интегрированная информационная среда цифрового предприятия характеризуется множеством задач и множеством исполнителей . Организа- ция производства включает в себя стандартизированные процессы, согласно которым исполнители должны выполнять определенные задачи [ ] – коли- чество задач за определенный интервал времени. Очередь поступающих задач обра- зуют поток . Все задачи рассматриваются в момент поступления, равнозначны, унифицированы, их поступление независимо, а выполнение не влияет на последую-
щую обработку. Множество
в модели представлен акторами
которых определим агентами
участвующих в производственном процессе. Возникает необходимость распределить задачи между двумя типами исполнителей таким образом, чтобы обработка задач бы- ла выполнена с максимальными показателями эффективности. Эффективное распре- деление задач обеспечивается рациональным количеством агентов и акторов с учетом их особенностей обработки задач.
Описание акторов и агентов на семантическом уровне реализовано с помощью
включает два типа исполнителей: персонал, который [ ], и системы искусственного интеллекта,
дескрипторов: и . Рабочий процесс
где – требование к исполнителю;
начала работы; – время создания задачи, ; – время обработки задачи.
Для аналогичных операций могут использоваться заданные шаблонные сцена- рии генерации новых состояний каждой новой задачи. Для запуска задачи должен быть доступен и назначен соответствующий исполнитель.
определен сценарием:
, (3)
– поток задач; – задача; – время

Событие назначения для актора
где последовательность дескрипторов
менем . Соответственно событие назначения для агента :
( ),
События назначения представляют собой булевую функцию {0,1}, {0,1}. Если k-ая задача назначена актору , то = 1, иначе = 0. Если k-ая задача назначена агенту , то = 1, иначе = 0. Если = 0 и = 0, то выпол-
нение задачи завершается отказом.
Успешное назначение исполнителя происходит при выполнении условий: 1) Он-
тологическое описание задачи соответствует исполнителю: выполняется условие бли- зости с заданным допустимым уровнем семантического отклонения ; 2) Исполни- тель доступен в момент поступления задачи или в момент ожидания задачи .
Для функций (4) и (5) существуют ограничение:
∑∑∑( ) (6)
Необходимо, чтобы каждому исполнителю была назначена только одна задача в момент времени ; для каждой задачи может быть назначен только один исполни- тель; исполнитель может быть назначен для выполнения любых работ. В контексте формально-логической модели не рассматривается стоимость выполнения задачи.
В качестве показателей работы в процессе распределения потока поступающих задач между агентами и акторами в реальном времени были определены следую- щие критерии эффективности: время обработки и количество отказов выполнения за- дач, которые должны стремиться к минимуму. Время обработки задачи включает время ожидания (простоя) (7) и время выполнения задачи (8).
∑∑∑ ( ( ) ( )) ∑∑∑( )
(7)
(8)
Структура времени для агента и актора может быть разной, например, агент вы- полняет задачу быстрее, чем актор, но имеет большее время ожидания или наоборот. Важно учитывать оба временных показателя, поэтому в рамках поставленной задачи будем рассматривать суммарное время обработки задачи:
Количество отказов можно представить функцией: ∑∑∑
(9) (10)
Отказ при выполнении может возникать в следующих случаях: 1) Не найден ис- полнитель в заданное допустимое время ожидания; 2) Результат выполнения задачи
определяется по формуле:
, (4)
описывает изменение фокуса со вре-
(5)
завершился неуспешно, например актор в ходе выполнения задачи допустил дефект или агент не смог обработать задачу (возникла непредвиденная ситуация).
Использование введенных критериев сводит процесс определения рационально- го соотношения агентов и акторов в организационной структуре цифрового предпри- ятия к решению оптимизационной задачи дискретного программирования, включаю- щей целевые функции, которые стремятся к минимуму: (9) и (10).
Данная постановка задачи относится к классу задач о назначениях и отличается наличием неопределенности, связанной с необходимостью решения задач в режиме реального времени. Вместо типового ограничения по ресурсам возникают целевые функции, расчет происходит в режиме диспетчеризации. Для расчета введенных кри- териев необходимо определить функцию назначения задач исполнителям, которая представлена алгоритмом (Рисунок 1).
Рисунок 1 – Алгоритм распределения задач между исполнителями
В данном алгоритме управление соотношением количества различных типов ис- полнителей относительно друг друга позволит добиться достижения показателей эф- фективности за счет минимизации количества отказов и времени обработки задач.
Методика рационального внедрения интеллектуальных средств информатизации и компьютеризации производственных процессов состоит из этапов (Рисунок 2).
Рисунок 2 – Схема методики рационального внедрения интеллектуальных средств информатизации и компьютеризации производственных процессов
На первом этапе производится расчет количества акторов и агентов, необходи- мого для сохранения и улучшения критериев эффективной обработки поступающего потока задач. На втором этапе для повышения качества обработки поступающих за- дач проводится анализ их соответствия с компетентностями исполнителей. На треть- ем этапе происходит назначение задач агентам и акторам из очереди. На четвертом этапе с учетом статистического анализа событийных потоков и результатов исполне- ния задач производится расчет показателей эффективности.
Чтобы обеспечить своевременную обработку поступающих задач , необходи- мо назначить агентов и акторов соответственно. Результат соответствия профессио- нальным требованиям для актора описывается следующим индикатором:
В третьей главе описаны предлагаемые методики: методика рационального за-
мещения кадрового обеспечения интеллектуальными средствами информатизации и компьютеризации производственных процессов и методика обеспечения готовности производственного персонала к работе в смешанной интегрированной информацион- ной среде цифрового предприятия.
∑∑(( )( ) ( )) ,
(11)

назначения,
i-ого актора; ( скриптора актора
; – поток задач; – событие назначения k-ой задачи на ) – отношение дескриптора задачи и де-
(
) не меняется со временем.
Индикатор квалификации для агентов отражает это влияние:
∑∑((())( ) ( ))
где – время фокусировки (время смены актором своего интереса); – время
в момент времени .
Индикатор соответствия профессиональным требованиям (11) определяет уро-
вень соответствия квалификации персонала поступающим задачам. По сравнению с высокой динамикой изменения квалификации актора , квалификация агента
Индикаторы квалификации (11) и (12) позволяют определить основные взаимо- связи между потоками событий задач и назначениями агентам или акторам.
Сокращение времени исполнения и количества отказов формулируется как набор событий назначения { } , где [0, 1] -ой задачи i-го актора или j-го агента. Для обработки входящего потока событий задач должны быть доступные исполнители определенного типа (акторы ( ), агентов ( )) в требуемые моменты времени. Количество акторов постоянно и неизменно для конкретного расчета. По ре-
зультатам назначения производится анализ показателей потока поступающих задач и корректировка соотношения агентов и акторов.
Методика обеспечения готовности производственного персонала к работе в смешанной интегрированной информационной среде цифрового предприятия пред- ставлена на Рисунке 3.
Рисунок 3 – Схема методика обеспечения готовности производственного персонала к работе в смешанной интегрированной информационной среде
(12)

На первом этапе необходимо сформулировать стратегию организации предприя- тия, производственных процессов, задач и операций . На втором этапе происхо- дит соответствие онтологического описания задач предприятия с квалификацией ак- торов. Определяется набор задач и компетенций, которые имеют минимальную бли- зость дескрипторов ( ), где  . На третьем этапе методики в результате анализа соответствия определяется перечень задач для ак- тора на которые возможно его перераспределение в связи с высвобождением ре- сурсов. Полученный перечень профессиональных требований для задач требуют переподготовки акторов. Требуемый перечень компетенций соответствует дескрипторам . Соответствие исполнителей профессиональным требовани- ям определяется индикатором (11).
На четвертом этапе необходимо оценить уровень индикатора квалификации , который определяется формулой:
(13)
где – начальный индикатор квалификации актора; – максимально достижимый (целевой) индикатор квалификации.
Таким образом, методика формирует перечень задач, схожих по семантическому описанию с задачами, которые актор выполнял ранее в рамках трудовой деятельности. Это позволяет определить производственные процессы, на которые воможно переключить высвобожденный в процессе цифровой трансформации персонал. Предлагаемая методика также определяет перечень квалификационных требований, требующих развития у персонала. С помощью методики оценивается изменение квалификации персонала при выполнении производственных задач.
В четвертой главе описана разработанная в рамках диссертационного исследо- вания экспертная система построения смешанной интегрированной информационной среды цифрового предприятия, а также приведены результаты исследования разрабо- танных методик в рамках имитационного моделирования и на реальных данных.
В качестве модельного примера был рассмотрен типовой поток 648 задач служ- бы поддержки, поступивших в фиксированный момент времени. Данный поток задач формирует очередь, назначение исполнителя происходит случайным образом. Все исполнители взаимозаменяемые. Для определения усредненных показателей времени обработки и количества отказов обработанного потока был проведен хронометраж операций, получены показатели работы агентов и акторов. Среднее время обработки
одной задачи для агента – 23 секунды, для актора – 218 секунд. Среднее количество отказов для агента – 10 %, для актора – отсутствуют. Ограничением расчета является неизменное количество задач и полученные показатели работы агентов и акторов.
Для определения количества акторов и агентов при минимальных значе- ниях функций (10) и (11) зафиксируем интервал времени [ ]. Для заданного интервала согласно формально-логической модели задаем функционал:
, (14)
где – время обработки задачи, ; – количество возникающих отказов, ; – алгоритм для шага оптимизации.
Введем и , где – шаг оптимизации. На каждом шаге вычисляем значение:
{ (15)
Количество акторов и агентов непостоянно: . Для расчета зна- чений необходимо экспертно определить коэффициент важности критериев для вре- мени обработки задачи и количества отказов , где + = 1. Если коэффициент важности определить не удается, необходимо задать пороговое значение функций
и . Тогда критерием остановки процесса приближенного нахождения минимума станут условия: , где [ ] и , где
[ ].
В качестве опорного значения для моделирования рекомендуется использовать сочетание исполнителей, при котором акторов = 100 %, агентов = 0 %. Это объ- ясняется тем, что цифровая трансформация предполагает замену персонала (акторов) на искусственный интеллект (агентов). При данном соотношении время обработки задач увеличивается в 1,9 раза по сравнению с полученными усредненными значени- ями, отказы отсутствуют. Далее были произведены расчеты, где количество акторов
= 0 и агентов = 100 %. Это отражает полностью автоматическую обработку по- ступающих задач. При таком распределении время обработки задач сокращено в 1,4 раза, но количество отказов достигло 13,8 %. Рациональное соотношение составляет 40 % агентов, 60 % акторов. При таком соотношении время ожидания увеличиться в 1,4 раза, но при этом количество отказов сократиться на 50% по отношению с теку- щим распределением. Результаты расчетов при граничных условиях отражены на Ри- сунке 4 и Рисунке 5.
Рисунок 4 – Зависимость показателей обработки задач от процентного соот- ношения агентов и акторов
Рисунок 5 – График зависимости отказов от времени ожидания при разных соотно- шениях агентов и акторов
По методике обеспечения готовности был определен перечень квалификацион- ных требований, которые необходимо развить персоналу, перечень задач, которые возможно совмещать при неполной загрузке. При этом уровень индикатора квалифи- кации персонала в модельном примере составляет 98 %.
На основе сформулированных методик разработана концептуальная схема экс- пертной системы построения смешанной интегрированной информационный среды цифрового предприятия (Рисунок 6).
Рисунок 6 – Экспертная система построения смешанной интегрированной информационной среды цифрового предприятия
В пятой главе приведены результаты реализации предложенных методик на участке сборки жгутов производства автомобильных компонентов ООО «Самараав- тожгут» для повышения эффективности внедрения искусственного интеллекта в про- цессе цифровой трансформации при сохранении кадрового обеспечения.
На предприятии ООО «Самараавтожгут» была решена задача совершенствова- ния производственного процесса по вязке кабеля с использованием современных ин- теллектуальных технологий машинного зрения и дополненной реальности. Производ- ственный процесс был декомпозирован на трудовые операции : проектирование, подготовка, раскладка, вязка и контроль. Каждая операция была разделена на типо- вые задачи, представленные в модели множеством . Для каждого исполнителя смо- делированы акторы и сформированы их онтологии с помощью математических де-
скрипторов Определено среднее время обработки задач и возможные дефекты. Для каждого типа задач были смоделированы агенты и их онтологии.
ООО «Самараавтожгут» является уникальным предприятием, потому что из 162 человек основного персонала 122 – люди с ограниченными возможностями, в том числе по зрению. Исходя из этого, возникает потребность в интеллектуальной помо- щи сотрудникам, а не в замещении их роботами.
Было выявлено, что основное время тратится и происходит значительное коли- чество отказов (дефектов) на этапе контроля ручных операций по сборке и тестирова- нию жгута. Для данного типа задач текущие показатели производственного процесса: среднее количество поступающих задач – 200 за смену, среднее время выполнения – 2 минуты, среднее количество пропущенных дефектов 11 (5 %). На основе решения
компании ООО «Открытый код» была произведена разработка и внедрение модуля фото/видео контроля сборки блока предохранителей с использованием технологии искусственного интеллекта дополненной реальности и машинного зрения на базе
сверточной нейронной сети YOLO v.5. Изображения для анализа собираются внеш- ними видеокамерами и внутренней камерой, способной отображать сборку, зафикси- рованную в требуемом положении. Панель оснащена бестеневой (кольцевой) лампой и антибликовой шторкой (Рисунок 7). Модуль анализирует расположение элементов
и сообщает пользователю о допущенных ошибках (Рисунок 8).
Рисунок 7 – Компоненты машинного зрения Рисунок 8 – Интерфейс фиксации (видеокамера и лампа) на рабочем месте некорректной установки элемента
После внедрения элементов искусственного интеллекта в производственный процесс раскладки проводов на шаблоне, время обработки 200 задач сократилось на 25 %, количество допущенных дефектов в 2,6 раза. Для процесса контроля сборки блока предохранителей время обработки сократится на 30 %. На 2020 год системами искусственного интеллекта были оборудованы 12 рабочих мест, плановое количество рабочих мест на 2021 год – 10, на 2022 – 40. Экономия времени на выполнение задач за смену составила 120 минут. Применение методики обеспечения готовности произ- водственного персонала к работе в смешанной интегрированной информационной среде цифрового предприятия позволило сформулировать рекомендации по обучению персонала для работы с модулем формирования цифровых моделей панелей сборки жгутов, а также переключению на непосредственную сборку жгута. Уровень индика- тора квалификации персонала достиг 96 %, что обеспечивает готовность к работе в смешанной интегрированной информационной среде цифрового предприятия путем взаимодействия с интеллектуальными информационными системами.
В заключении приводятся основные результаты диссертации и выводы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ ПО РАБОТЕ
1. Предложенные в диссертации формально-логическая модель смешанной ин- тегрированной информационной среды цифрового предприятия и организационная структура на ее основе позволяют сократить количество альтернативных вариантов по цифровой трансформации предприятия и объемы связанных с ними инвестиций, тем самым повысить эффективность производственного менеджмента.
2. Методика рационального внедрения интеллектуальных средств информатиза- ции и компьютеризации производственных процессов позволила сократить время об- работки производственных задач и количество дефектов. В ходе имитационного мо- делирования на примере выполнения задач службой поддержки определена рацио- нальная доля внедрения интеллектуальных информационных систем по отношению к кадровому обеспечению в пропорции: 40/60, что позволило сократить время обработ- ки задач в 1,4 раза и количество отказов на 50 %.
3. Методика обеспечения готовности производственного персонала к работе в смешанной интегрированной информационной среде цифрового предприятия предо-
ставляющая возможность профессиональной переориентации в условиях человеко- компьютерного взаимодействия. В ходе имитационного моделирования для 40 % освободившегося персонала сформулированы направления развития, уровень индика- тора квалификации персонала составляет 98 %.
4. Предложенные методики и разработанная экспертная система апробирова- ны на участке сборки жгутов производства автомобильных компонентов ООО «Сама- раавтожгут». Методика рационального внедрения интеллектуальных средств инфор- матизации и компьютеризации обеспечила для процесса раскладки проводов на шаб- лоне сокращение времени обработки на 25 % и дефектов в 2,6 раза. Для процесса кон- троля сборки блока предохранителей сокращение времени до 30 %. Методика обеспе- чения готовности производственного персонала к работе в смешанной интегрирован- ной информационной среде позволила сформулировать рекомендации, согласно ко- торым 3,6 % персонала было переключено на обучение работы с модулем формиро- вания цифровых моделей панелей сборки жгутов; 6 % – на непосредственную сборку и переноску жгутов. Уровень индикатора квалификации персонала достиг 96 %.