Сообщение

Концепция развития холдинга химической промышленности на основе использования интеллектуальных цифровых технологий

 
orcid Вивчарь Роман Михайлович, orcid Лазутин Александр Владимирович, orcid Смирнов Александр Иванович, orcid Черкасов Сергей Александрович, orcid Зайцев Алексей Иванович, orcid Киричек Руслан Валентинович

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
ООО «Цифра»,
Москва, 119311, Российская Федерация
АО «Апатит»,
Череповец, 162622, Российская Федерация

DOI 10.31854/2307-1303-2025-13-3-26-38

EDN WBAGVR

 Полный текст

XML JATS

Аннотация

Постановка задачи: разработка концепции развития предприятий по производству минеральных удобрений, направленной на совершенствование интегрированных автоматизированных систем информационно-аналитического обеспечения процесса принятия решений по управлению всеми стадиями производства. Целью работы является представление разработанной концепции развития АО «Апатит», направленной на совершенствование информационно-аналитического сопровождения производства минеральных удобрений для повышения эффективности этого процесса. Новизна разработанной концепции заключается в обеспечении инновационного характера управления производством за счет создания возможности полного информационно-аналитического обеспечения процессов выработки и принятия решений на всех стадиях производства. Результат: разработана концепция развития АО «Апатит», в рамках которой предлагается совершенствование информационно-аналитического сопровождения производства, которое позволит обеспечить его инновационный характер за счет использования интеллектуальных цифровых технологий. Приведены первичные результаты реализации концепции, представляющие собой платформу промышленного интернета вещей ZIIOT, базовые компоненты цифровизации MES ZIAK, а также распределенную систему управления EXTERNUM. В рамках концепции развития для достижения ее целей разработана сквозная процедура информационно-аналитического сопровождения производства на базе цифровой платформы Zyfra IIOT Platform, конструктора Zyfra Industrial Automation Kit и интеллектуальных технологий. Практическая значимость: реализация концепции позволит повысить оперативность и обоснованность решений по управлению производством минеральных удобрений, снизить затраты и потери, улучшить взаимодействие между всеми подразделениями производства, а также повысить эффективность деятельности персонала.

Ключевые слова

автоматизированная система управления производством, производство, Zyfra, управление производством

Библиографическая ссылка на статью

Вивчарь Р. М., Лазутин А. В., Смирнов А. И., Черкасов С. А., Зайцев А. И., Киричек Р. В. Концепция развития холдинга химической промышленности на основе использования интеллектуальных цифровых технологий // Информационные технологии и телекоммуникации. 2025. Т. 13. № 3. С. 26‒38. DOI: 10.31854/2307-1303-2025-13-3-26-38. EDN: WBAGVR

Reference for citation

Vivchar R., Lazutin A., Smirnov A., Cherkasov S., Zaycev A., Kirichek R. Concept for the Development of a Chemical Industry Holding Company Based on the Use of Intelligent Digital Technologies // Telecom IT. 2025. Vol. 13. Iss. 3. PP. 26‒38. (in Russian). DOI: 10.31854/2307-1303-2025-13-3-26-38. EDN: WBAGVR
Литература

1. Смирнов А. В., Левашова Т. В., Пономарев А. В. Поддержка принятия решений на основе человеко-машинного коллективного интеллекта: современное состояние и коллективная модель // Информационно-управляющие системы. 2020. № 2 (105). С. 60‒70. DOI: 10.31799/1684-8853-2020-2-60-70. EDN: IMLZXK

2. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006. 410 с. EDN: QMPREP

3. Брехт Э. А., Коншина В. Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. 2022. № 2 (30). С. 41‒47. DOI: 10.24412/2413-2527-2022-230-41-47. EDN: ZRAQDL

4. Гудфеллоу Я., Бенджио И., Курвиль А. Глубокое обучение. М., 2018. 652 c.

5. Тихонов А. А. Большие данные и глубокое машинное обучение в искусственных нейронных сетях // Наука и образование сегодня. 2018. № 6 (29). С. 35‒38. EDN: XRHGYX

6. Andersen B., Fagerhaug T. Root Cause Analysis: Simplified Tools and Techniques // Journal for Healthcare Quality. 2002. Vol. 24. Iss. 3. PP. 46‒47.

7. Мельчакова А. И., Мажанов М. О., Иевкова Е. В. Методы анализа корневых причин несоответствий при производстве // Приоритетные направления инновационной деятельности в промышленности: сборник научных трудов по итогам одиннадцатой международной научной конференции (Казань, 29‒30 ноября 2020 г.). Ч. 3. М.: ООО «Конверт», 2020. С. 89‒91. EDN: MBQQPW

8. Демидько Е. В. Теоретические подходы к анализу причин изменения прибыли предприятия // Управленческий учет. 2023. № 6. С. 164‒169. DOI: 10.25806/uu62023164-169. EDN: VNUSCD

9. Михайлова К. Э., Петуховская В. Р., Сокольчик П. Ю. Моделирование подсистем АСУТП в среде динамического моделирования технических систем SIMINTECH // Химия. Экология. Урбанистика. 2020. Т. 4. С. 298‒302. EDN: BNDVUA

10. Завгородняя А. С. Методика принятия решений в адаптивном управлении устойчивым развитием сельскохозяйственных предприятий // Фундаментальные исследования. 2020. № 9. С. 36‒40. DOI: 10.17513/fr.42840. EDN: KDFCVI

11. Билятдинов К. З. Методика оценки устойчивости технических систем // Научно-технический вестник Поволжья. 2020. № 10. С. 25‒28. EDN: LVVDFM

 

cc-by Статья распространяется по лицензии Creative Commons Attribution 4.0 License.

cc0  Метаданные статьи распространяются по лицензии CC0 1.0 Universal

 
 
войти

Авторизация