Индустрия 4.0 – это инициатива, предполагающая построение умных производств, цепочек поставок и производственного процесса. Одна из ключевых связанных концепций – это цифровые двойники, которые позволяют прогнозировать и планировать, используя данные реального времени в сложных моделях. В рамках концепции предполагается работа с большими объемами данных, как при разработке систем с нуля, так и для построения их на базе существующего программного обеспечения для моделирования. Данные, полученные на моделях, придется передавать между множеством частей такой системы для их отображения, обработки и прочего использования. Задачи обработки, хранения и использования таких потоков данных ежедневно решаются крупными интернет-компаниями, оперирующими данными миллионов пользователей для построения бизнес-процессов. Такие компании на протяжении десяти и более лет разрабатывают системы с применением микросервисной архитектуры, которая позволяет им строить масштабируемые и детерминированные системы обработки потока данных. Разумно использовать этот подход для задачи построения цифрового двойника завода. Однако в рамках поставленной задачи возникла необходимость использовать существующие программы моделирования химических производств, что поставило перед нами задачу интеграции, так как программы для построения моделей не приспособлены к работе в рамках микросервисных систем. Выходом из сложившейся ситуации является создание драйверов обмена данными. Примером такой программы моделирования является Unisim Design. Доступный для нее метод интеграции не предполагает работу с произвольным программным обеспечением. В работе сформулирована задача изъятия данных из программы, изначально не приспособленной для работы в рамках программного комплекса, предполагающего постоянное взаимодействие между его частями. Найдено и реализовано решение, позволяющее получать данные из этой программы, не используя коммерческое программное обеспечение и закрытые библиотеки.

Исследование направлено на развитие прикладных программных систем для автоматизированного мониторинга окружающей среды. Рассматривается задача по разработке и интеграции прикладного программного обеспечения, в частности расчетно-аналитических моделей на основе методов машинного обучения (ML), с IoT-платформой цифрового экомониторинга для промышленных предприятий. Такая платформа используется для создания программно-аппаратных систем класса CEMS – Continuous Emissions Monitoring System, предназначенных для непрерывного контроля выбросов загрязняющих веществ в атмосферный воздух на производствах. Использование ML-инструментов, интегрированных с платформой, позволяет значительно расширить функциональность существующих CEMS, в частности оперативно конструировать новые SaaS-сервисы для прогнозирования динамики распространения загрязнений. С учетом высоких требований к промышленным системам возникает необходимость создания специализированного программного продукта – аналитического сервера, реализующего управление подключаемыми предиктивно- аналитическими ML-моделями с требуемым уровнем качества обслуживания, в том числе автоматической инициализацией новых аналитических скриптов в виде классов, изолированностью отдельных компонентов, автоматическим восстановлением после возникновения сбоев, защищенностью и безопасностью данных. В статье предложена схема функционально-алгоритмического взаимодействия IoT-платформы цифрового экомониторинга и аналитического сервера. Представленный вариант реализации аналитического сервера имеет иерархическую структуру, в вершине которой стоит приложение, способное принимать высокоуровневые REST-запросы на инициализацию расчетов в реальном времени. Данный подход позволяет минимизировать влияние одного аналитического скрипта (класса) на другой, а также расширять функциональность платформы в «горячем» режиме, то есть без остановки или перезагрузки. Приведены результаты, демонстрирующие автоматическую инициализацию и подключение базовых ML-моделей для прогнозирования концентраций вредных веществ.

В статье рассматриваются вопросы, посвященные разработке гибкого интеллектуального программного комплекса для решения задачи оптимального планирования многоассортиментных непрерывно-дискретных производств. Данные производства характеризуются большим ассортиментом продукции, множеством видов и конфигураций оборудования, при увеличении размерности задачи количество вариантов производственных расписаний растет экспоненциально, поэтому актуальна разработка специализированного комплекса эффективного оптимального планирования и составления расписаний, настраиваемого на характеристики различных многоассортиментных производств. Целью настоящей работы является разработка методов и алгоритмов оптимизации календарного планирования в виде проблемно-ориентированного программного комплекса, позволяющего повысить производительность оборудования и сократить время изготовления заказов. В статье приводится математическая постановка задачи оптимизации и совокупность математических моделей и алгоритмов формирования целевых функций для оптимального календарного планирования перенастраиваемых производств. Проведение данного исследования основывается на использовании методов теории расписаний, оптимизации и эволюционных вычислений, средств объектно-ориентированной разработки сложных программных комплексов и баз данных. Предложенный программный комплекс обладает различными интеллектуальными пользовательскими интерфейсами, дополняемыми базами данных продукции, оборудования и технологических регламентов, библиотекой целевых функций и математических методов оптимизации, модулем экспертной настройки системы, а также интерактивной системой визуализации полученных производственных планов в форме диаграммы Ганта и дерева решений задачи оптимизации. Тестирование программного комплекса производилось на данных полимерных и металлургических предприятий России и Германии и подтвердило эффективность решения задач планирования. Внедрение предлагаемого программного комплекса позволяет обеспечить эффективную загрузку оборудования предприятия, уменьшить стоимость производства и упростить процесс принятия управленческих решений в ходе производственного планирования.

Научные исследования и разработки (НИОКР) обеспечивают стабильное функционирование и формируют инновационный потенциал большинства компаний производственного сектора. Неэффективное управление НИОКР приводит к тому, что многие начатые проекты выходят за рамки планируемых сроков и бюджетов, а значительная часть промежуточных результатов НИОКР не доводится до конца. Сложность управления научными исследованиями и разработками связана с высокой информационной неопределенностью в отношении результативности НИОКР и производительности исполнителей. В статье рассмотрен метод поддержки принятия решений по управлению научными исследованиями и разработками в компаниях, основанный на использовании комплекса моделей. Для снижения информационной неопределенности при решении различных задач управления предложено использовать онтологическую модель интеллектуального капитала компании, имитационные модели процессов НИОКР и отдельных стадий, нечетко-логические модели для получения интегральных оценок управленческих решений. Метод обеспечивает основу для принятия решений о возможности и целесообразности использования ранее полученных результатов НИОКР (научно-технического задела); целесообразности реализации предлагаемого проекта на основе оценки его выполнимости; об организации проекта (объемно-календарное планирование); о распределении ресурсов на задачи; стимулировании исполнителей; планировании активностей по дополнительному обучению и организации информационной поддержки. В статье приведено общее описание метода, а также пример его использования для поддержки принятия решения о целесообразности реализации проекта НИОКР на основе оценки его выполнимости. В качестве альтернатив рассматривается две структуры организации процесса научных исследований и разработок в производственной компании. После выбора лучшей структуры проводится оценка влияния качества кадрового обеспечения на интегральную оценку выполнимости.