Preview

Омский научный вестник

Расширенный поиск

Разработка алгоритма классификации производств по типу внутризаводского кооперирования основных и вспомогательных процессов методом машинного обучения

https://doi.org/10.25206/1813-8225-2024-189-12-19

EDN: OIQSIM

Аннотация

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.

Об авторе

Т. В. Малышева
Казанский национальный исследовательский технологический университет
Россия

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

AuthorID (РИНЦ): 769164

AuthorID (SCOPUS): 57190414555

ResearcherID: AAM-2396-2021

г. Казань



Список литературы

1. Травин Г. М., Травин М. М. Системы управления вспомогательным производством промышленных предприятий // Технологии и качество. 2018. № 3 (41). С. 31–35. EDN: YSWYPR.

2. 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.

3. Яковлев М. М. Горизонтальная и вертикальная интеграция процессов производства на предприятии // Научный аспект. 2021. Т. 1, № 4. С. 88–92. EDN: FOCHES.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer, 2009. 764 p. ISBN 978-0-387-84857-0.


Рецензия

Для цитирования:


Малышева ТВ. Разработка алгоритма классификации производств по типу внутризаводского кооперирования основных и вспомогательных процессов методом машинного обучения. Омский научный вестник. 2024;(1):12-19. https://doi.org/10.25206/1813-8225-2024-189-12-19. EDN: OIQSIM

For citation:


Malysheva TV. Development of the algorithm for classifying industries according to the type of intra-factory cooperation of main and auxiliary processes using machine learning. Omsk Scientific Bulletin. 2024;(1):12-19. (In Russ.) https://doi.org/10.25206/1813-8225-2024-189-12-19. EDN: OIQSIM

Просмотров: 27

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1813-8225 (Print)
ISSN 2541-7541 (Online)