omnaОмский научный вестникOmsk Scientific Bulletin1813-82252541-7541Омский государственный технический университет10.25206/1813-8225-2024-189-12-19OIQSIMomna-289Research ArticleМАШИНОСТРОЕНИЕMECHANICAL ENGINEERINGРазработка алгоритма классификации производств по типу внутризаводского кооперирования основных и вспомогательных процессов методом машинного обученияDevelopment of the algorithm for classifying industries according to the type of intra-factory cooperation of main and auxiliary processes using machine learninghttps://orcid.org/0000-0003-4306-0188МалышеваТ. В.MalyshevaT. V.

Малышева Татьяна Витальевна, доктор технических наук, доцент, профессор кафедры логистики и управления

AuthorID (РИНЦ): 769164

AuthorID (SCOPUS): 57190414555

ResearcherID: AAM-2396-2021

г. Казань

Malysheva Tatyana Vitalievna, Doctor of Technical Sciences, Associate Professor, Professor of Logistics and Management Department

AuthorID (RSCI): 769164

AuthorID (SCOPUS): 57190414555

ResearcherID: AAM-2396-2021

Kazan

tv_malysheva@mail.ruКазанский национальный исследовательский технологический университетРоссияKazan National Research Technological UniversityRussian Federation202430032024011219Copyright © Малышева Т.В., 20242024Малышева Т.В.Malysheva T.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://onv.omgtu.ru/jour/article/view/289

Задача рациональной организации вспомогательных процессов на предприятии заключается в снижении их себестоимости путем более глубокой интеграции в основной производственный процесс. Цель статьи заключается в разработке алгоритма классификационного анализа для оценки зависимостей между основными и вспомогательными подразделениями и типологии производственных процессов по уровню внутризаводского кооперирования. В качестве метода определения типа производства предложен метод машинного обучения «Случайный лес» с использованием метаалгоритма обучения машин Бэггинга. Разработаны параметры, описывающие затраты на вспомогательные операции, расходы на ремонтное хозяйство и обслуживание оборудования, уровень технической эффективности производства. Апробация алгоритма на примере химических предприятий позволила выделить три типа производств по характеру внутризаводской кооперации процессов по наиболее информативным параметрам. Для оценки полезности и производительности моделей построены диаграммы кумулятивного подъема, где наиболее продуктивным определен тип со средним уровнем внутризаводского кооперирования. Результаты являются первичной диагностикой организации вспомогательного хозяйства, принятия решений о проведении реинжиниринга процессов с целью усиления внутризаводского кооперирования и снижения уровня затрат.

The task of rational organization of auxiliary processes at the enterprise is to reduce their cost by deep integration into the main production process. The purpose of the article is to develop a classification analysis algorithm for assessing the dependencies between the main and auxiliary units and the typology of production processes according to the level of intra-factory cooperation. As a method for determining the type of production, the Random Forest machine learning method using the bagging machine learning meta-algorithm is proposed. Parameters have been developed that describe the costs of auxiliary operations, the costs of repair facilities and equipment maintenance, the level of technical efficiency of production. Approbation of the algorithm on the example of chemical enterprises made it possible to distinguish three types of production according to the nature of intraplant cooperation of processes according to the most informative parameters. To assess the usefulness and performance of the models, cumulative lift diagrams are constructed, where the most productive type is determined with an average level of intra-factory cooperation. The results are the primary diagnostics of the organization of auxiliary facilities, decision-making on the reengineering of processes in order to strengthen intra-factory cooperation and reduce costs.

вспомогательное производствопроизводственные процессывнутризаводское кооперированиеалгоритмклассификационный анализмашинное обучение«Случайный лес»auxiliary productionproduction processesintra-factory cooperationalgorithmclassification analysismachine learningrandom forestReferencesТравин Г. М., Травин М. М. Системы управления вспомогательным производством промышленных предприятий // Технологии и качество. 2018. № 3 (41). С. 31–35. EDN: YSWYPR.Travin G. M., Travin M. M. Sistemy upravleniya vspomogatel’nym proizvodstvom promyshlennykh predpriyatiy [Production auxiliary process control systems] // Tekhnologii i kachestvo. Technologies & Quality. 2018. No. 3 (41). P. 31–35. EDN: YSWYPR. (In Russ.).Пигилова Р. Н., Малышева Т. В. Вспомогательное производство: проектирование и эксплуатация систем энергообеспечения // Компетентность. 2022. № 9-10. С. 44–48. DOI: 10.24412/1993-8780-2022-9-44-48. EDN: VBPAYV.Pigilova R. N., Malysheva T. V. Vspomogatel’noye proizvodstvo: proyektirovaniye i ekspluatatsiya sistem energoobespecheniya [Auxiliary production: design and operation of energy supply systems] // Kompetentnost’. Journal Kompetentnost’. 2022. No. 9–10. P. 44–48. DOI: 10.24412/1993-8780-2022-9-44-48. EDN: VBPAYV. (In Russ.).Яковлев М. М. Горизонтальная и вертикальная интеграция процессов производства на предприятии // Научный аспект. 2021. Т. 1, № 4. С. 88–92. EDN: FOCHES.Yakovlev M. M. Gorizontal’naya i vertikal’naya integratsiya protsessov proizvodstva na predpriyatii [Horizontal and vertical integration of production processes at the enterprise] // Nauchnyy аspekt. Nauchnyy Аspekt. 2021. Vol. 1, no. 4. P. 88–92. EDN: FOCHES. (In Russ.).Клочков Ю. С., Конников Е. А. Трансформация структуры производственной себестоимости на промышленном предприятии в процессе интеграции аддитивных технологий // Известия Самарского научного центра Российской академии наук. 2019. Т. 21, № 1 (87). С. 5–10. EDN: WNXXCI.Klochkov Yu. S., Konnikov E. A. Transformatsiya struktury proizvodstvennoy sebestoimosti na promyshlennom predpriyatii v protsesse integratsii additivnykh tekhnologiy [Сhanges in the structure of production costs at an industrial enterprise while integrating additive technologies] // Izvestiya Samarskogo Nauchnogo Tsentra Rossiyskoy Akademii Nauk. Izvestia of Samara Scientific Center of the Russian Academy of Sciences. 2019. Vol. 21, no. 1 (87). P. 5–10. EDN: WNXXCI. (In Russ.).Zhang C., Wang W., Liu L. [et al.]. Three-Branch Random Forest Intrusion Detection Model // Mathematics. 2022. Vol. 10 (23). P. 4460. DOI: 10.3390/math10234460.Zhang C., Wang W., Liu L. [et al.]. Three-Branch Random Forest Intrusion Detection Model // Mathematics. 2022. Vol. 10 (23). P. 4460. DOI: 10.3390/math10234460. (In Engl.).Клячкин В. Н., Карпунина И. Н. Особенности диагностики технических систем с использованием мультиклассовой классификации // Надежность и качество сложных систем. 2022. № 2 (38). С. 45–52. DOI: 10.21685/2307-4205-2022-2-5. EDN: YXIVPA.Klyachkin V. N., Karpunina I. N. Osobennosti diagnostiki tekhnicheskih sistem s ispol'zovaniem mul'tiklassovoj klassifikacii [Features of diagnostics of technical systems using multiclass classification] // Nadezhnost’ i Kachestvo Slozhnykh Sistem. Reliability and Quality of Complex Systems. 2022. No. 2 (38). P. 45–52. DOI: 10.21685/2307-4205-2022-2-5. EDN: YXIVPA. (In Russ.).Zhao L., Zhu Y., Zhao T. Deep Learning-Based Remaining Useful Life Prediction Method with Transformer Module and Random Forest // Mathematics. 2022. Vol. 10 (16). P. 2921. DOI: 10.3390/math10162921.Zhao L., Zhu Y., Zhao T. Deep Learning-Based Remaining Useful Life Prediction Method with Transformer Module and Random Forest // Mathematics. 2022. Vol. 10 (16). P. 2921. DOI: 10.3390/math10162921. (In Engl.).Пащенко А. Ф., Тордия М. Д., Хижинская Л. Д. Обзор современных подходов к задачам выбора информативных признаков // Датчики и системы. 2020. № 12 (253). С. 16–26. DOI: 10.25728/datsys.2020.12.2. EDN: FFRRGF.Pashchenko A. F., Tordiya M. D., Khizhinskaya L. D. Obzor sovremennykh podkhodov k zadacham vybora informativnykh priznakov [Review of modern approaches to the problems of informative features selection] // Datchiki i Sistemy. Sensors & Systems. 2020. No. 12 (253). P. 16–26. DOI: 10.25728/datsys.2020.12.2. EDN: FFRRGF. (In Russ.).Ревина И. В., Бояркин Г. Н. Имитационное моделирование производственного процесса изготовления деталей // Омский научный вестник. 2018. № 6 (162). С. 230–234. DOI: 10.25206/1813-8225-2018-162-230-234. EDN: YSWONV.Revina I. V., Boyarkin G. N. Imitatsionnoye modelirovaniye proizvodstvennogo protsessa izgotovleniya detaley [Simulation of production process manufacturing parts] // Omskiy Nauchnyy Vestnik. Omsk Scientific Bulletin. 2018. No. 6 (162). P. 230–234. DOI: 10.25206/1813-8225-2018-162-230-234. EDN: YSWONV. (In Russ.).Лоскутов И. А., Искандарова В. Г. Экосистемный контроллинг как решение сложной задачи оптимизации технологического процесса промышленного производства // Омский научный вестник. 2023. № 1 (185). С. 53–57. DOI: 10.25206/1813-8225-2023-185-53-57. EDN: KEAOAC.Loskutov I. A., Iskandarova V. G. Ekosistemnyy kontrolling kak resheniye slozhnoy zadachi optimizatsii tekhnologicheskogo protsessa promyshlennogo proizvodstva [Ecosystem controlling as a solution to complex task of optimizing the technological process of industrial production] // Omskiy Nauchnyy Vestnik. Omsk Scientific Bulletin. 2023. No. 1 (185). P. 53–57. DOI: 10.25206/1813-8225-2023-185-53-57. EDN: KEAOAC. (In Russ.).Гайфуллина М. М., Низамова Г. З., Гареева З. А. Формирование эффективной системы контроллинга при реструктуризации вспомогательного производства нефтехимического предприятия // Электронный научный журнал Нефтегазовое дело. 2018. № 5. С. 109–133. DOI: 10.17122/ogbus-2018-5-109-133. EDN: VKKUZI.Gayfullina M. M., Nizamova G. Z., Gareyeva Z. A. Formirovaniye effektivnoy sistemy kontrollinga pri restrukturizatsii vspomogatel’nogo proizvodstva neftekhimicheskogo predpriyatiya [Formation of effective system of controlling when restructuring auxiliary production of the petrochemical enterprise] // Elektronnyy Nauchnyy Zhurnal Neftegazovoye Delo. Electronic Scientific Journal Oil and Gas Business. 2018. No. 5. P. 109–133. DOI: 10.17122/ogbus-2018-5-109-133. EDN: VKKUZI. (In Russ.).Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer, 2009. 764 p. ISBN 978-0-387-84857-0.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer, 2009. 764 p. ISBN 978-0-387-84857-0. (In Engl.).

The authors declare that there are no conflicts of interest present.