ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ
https://doi.org/10.17747/2618-947X-2019-1-28-35
摘要
Рассмотрены методы оптимизации бизнес-процессов в промышленных компаниях, а именно процессы, связанные с планированием производства, техническим обслуживанием и ремонтом оборудования и контролем качества на всех стадиях. Изучены кейсы зарубежных промышленных компаний и приведены примеры внедрения технологий Индустрии 4.0 в бизнес-процессы отечественных организаций. Среди наиболее эффективных мер по оптимизации ключевых бизнес-процессов промышленных компаний можно выделить внедрение эконометрического инструментария, создание облачной инфраструктуры для обмена информацией и постепенный переход на автономные цифровые приборы на базе Интернета вещей.
参考
1. Аршавский А. (2018). Искусственный интеллект в металлургии // НЛМК. URL: http://www.cloudmobility.ru / sites / default / files / 13.25–13.45_arhavsky_nlmk_new.pdf.
2. Квасова Н. А., Целых В. Н. (2012). Методика оценки экономических потерь по видам дефектов на основе системы критериев КР-бенчмаркинга // Современные проблемы транспортного комплекса России. № 2. С. 295–298.
3. Лисовский А. Л. (2018). Оптимизация бизнес-процессов для перехода к устойчивому развитию в условиях четвертой промышленной революции // Стратегические решения и риск-менеджмент. № 4. С. 10–19. DOI: https://doi.org / 10.17747 / 2078 8886 2018 4 10 19.
4. Пуха Ю. (2017). Индустриальная революция 4.0 // PricewaterhouseCoopers. URL: https://www.pwc.ru / ru / assets / pdf / industry-4–0 pwc.pdf.
5. Сербул А. (2018). Нейронки: какому бизнесу нужен искусственный интеллект (и лайфхаки, как его внедрить) // Деловой журнал «Inc.». URL: https://incrussia.ru / understand / nejronki-kakomu-biznesu-nuzhen-iskusstvennyj-intellekt-i-lajfhaki-kak-ego-vnedrit / .
6. Тарасов И. В., Попов Н. А. (2018). Индустрия 4.0: Трансформация производственных фабрик // Стратегические решения и риск-менеджмент. № 3. С. 38–53. DOI: https://doi.org / 10.17747 / 2078 8886 2018 3 38 53.
7. Chae B. (2009). Developing key performance indicators for supply chain: an industry perspective // Supply Chain Management: An International Journal. Vol. 14, № 6. P. 422–428. DOI: 10.1108 / 13598540910995192.
8. Chongwatpol J. (2015). Prognostic analysis of defects in manufacturing // Industrial Management & Data Systems. Vol. 115, № 1. P. 64–87. DOI: https://doi.org / 10.1108 / IMDS-05 2014 0158.
9. Dean P. R., Xue D., Tu Y. L. (2009). Prediction of manufacturing resource requirements from customer demands in mass-customisation production // International Journal of Production Research. Vol. 47. № 5. P. 1245–1268. DOI: https://doi.org / 10.1080 / 00207540701557197.
10. Deming W. (1943). Edwards. Statistical Adjustment of Data. Dover. 261 p.
11. Ding S. H., Kamaruddin S. (2015). Maintenance policy optimization – literature review and directions // The International Journal of Advanced Manufacturing Technology. Vol. 76, № 5–8. P. 1263–1283. DOI: 10.1007 / s00170 014 6341 2.
12. Ford H., Crowther S. (1922). My Life and Work. Garden City, New York: Garden City Publishing Company, Inc. 231 p.
13. Gantt H. L. (1903). A graphical daily balance in manufacture // Transactions of the American Society of Mechanical Engineers. Vol. 24. P. 1322–1336.
14. Hague R., Mansour S., Saleh N. (2004). Material and design considerations for rapid manufacturing // International Journal of Production Research. Vol. 42, № 22. P. 4691–4708. DOI: 10.1080 / 00207840410001733940.
15. Harding J. A., Shahbaz M., Srinivas et al. (2006). Data mining in manufacturing: a review // Journal of Manufacturing Science and Engineering. Vol. 128, № 4. P. 969–976. DOI: 10.1115 / 1.2194554.
16. Hazen B. T., Boone C. A., Ezell J. D. et al. (2014). Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications // International Journal of Production Economics. Vol. 154. P. 72–80. DOI: 10.1016 / j.ijpe.2014.04.018.
17. Kampf R., Lorincova S., Hitka M. et al. (2016). The application of ABC analysis to inventories in the automatic industry utilizing the cost saving effect // NASE MORE: znanstveno-strucnicasopisza more ipomorstvo. Vol. 63, № 3. Spec. Issue. P. 120–125. DOI: 10.17818 / NM / 2016 / SI8.
18. Kim A., Oh K., Jung J. Y.et al. (2018). Imbalanced classification of manufacturing quality conditions using cost-sensitive decision tree ensembles // International Journal of Computer Integrated Manufacturing. Vol. 31, № 8. P. 701–717. DOI: https://doi.org / 10.1080 / 0951192X.2017.1407447.
19. Leachman C., Pegels C., Kyoon Shin S. (2005). Manufacturing performance: evaluation and determinants // International Journal of Operations & Production Management. Vol. 25, № 9. P. 851–874. DOI: https://doi.org / 10.1108 / 01443570510613938.
20. Lin Engineering uses cloud-based quality control to monitor overseas facility ([s.a.]) // InfinityQS. URL: https://www.infinityqs.com / resources / case-studies / lin-engineering.
21. O’Regan P., Prickett P., Setchi R.et al. (2017). Engineering a More Sustainable Manufacturing Process for Metal Additive Layer Manufacturing Using a Productive Process Pyramid // International Conference on Sustainable Design and Manufacturing. Cham: Springer. P. 736–745. DOI: 10.1007 / 978 3 319 57078 5_69.
22. Production Planning in 5 Steps ([s.a.])// Smetoolkit. URL: https://smetoolkit.ng / articles / 17production-planning-in-5 steps.
23. Rayna T., Striukova L. (2016). From rapid prototyping to home fabrication: How 3D printing is changing business model innovation // Technological Forecasting and Social Change. Vol. 102. P. 214–224. DOI: https://doi.org / 10.1016 / j.techfore.2015.07.023.
24. Roblek V., Mesko M., Krapez A. (2016). A Complex View of Industry 4.0 // SAGE Open. URL: https://doi.org / 10.1177 / 2158244016653987.
25. Rojko A. (2017). Industry 4.0 concept: background and overview // International Journal of Interactive Mobile Technologies (iJIM). Vol. 11, № 5. P. 77–90. DOI: 10.3991 / ijim.v11i5.7072.
26. Stable Humidity Optimises Digital Print Operation ([s.a.]) // Humidity Solutions Ltd. URL: http://www.humidity-solutions.co.uk / case_studies / HS%20VGL%20case%20study.pdf.
27. Taylor F. W. (1911) The Principles of Scientific Management. New York; London: Harper & brothers. 144 p.
28. Temperature controller basics ([s.a.]) // Learning instrumentation and control engineering URL: https://www.instrumentationtoolbox.com / 2016 / 09 / temperature-controller-basics.html.
29. Tinga T. (2013) Maintenance concepts // Principles of loads and failure mechanisms / Ed. H. Pham. London: Springer. P. 161–186.
30. Vishnu C. R., Regikumar V. (2016) Reliability based maintenance strategy selection in process plants: a case study // Procedia Technology. Vol. 25. P. 1080–1087. DOI: https://doi.org / 10.1016 / j.protcy.2016.08.211.
评论
供引用:
Popov N.A. BUSINESS PROCESS OPTIMIZATION IN THE DIGITALIZATION ERA OF PRODUCTION. Strategic decisions and risk management. 2019;10(1):28-35. https://doi.org/10.17747/2618-947X-2019-1-28-35
浏览:
4908
Email this article 