МЕТОДИКА ФОРМИРОВАНИЯ ЦИФРОВОГО КОНТУРА «ТЕМНОЙ ФАБРИКИ» ПРЕССОВОГО ОТДЕЛЕНИЯ
DOI:
https://doi.org/10.14529/ctcr260309Ключевые слова:
автоматизация технологических процессов, темная фабрика, событийный цифровой контур, минимально достаточный контур, огнеупорное производство, прессово-роботизированная ячейка, цифровая наблюдаемостьАннотация
Переход прессового отделения огнеупорного производства к модели «темной фабрики» требует не только модернизации оборудования, но и воспроизводимого цифрового описания участка. В условиях действующего производства исходные сигналы, ремонтные записи и сведения о состоянии машин остаются разнородными, поэтому первоочередной задачей становится формирование минимально достаточного наблюдающего контура без раскрытия закрытых технологических данных. Цель исследования: предложить методику формирования минимально достаточного событийного цифрового контура прессового отделения огнеупорного производства, необходимого для поэтапного перехода от локальной автоматизации оборудования к модели «темной фабрики» и применимого как стартовый этап диссертационной апробации. Методы и материалы. Использованы системный анализ производственного участка, декомпозиция прессово-роботизированной ячейки, событийное моделирование, онтологическое описание ресурсов оборудования, нормирование показателей цифровой наблюдаемости и экспертная классификация сведений, допустимых для открытой публикации. Принцип минимальной достаточности означает включение только тех событий, состояний, параметров и правил, без которых нельзя восстановить состояние участка, проверить качество данных и подготовить основу для диагностики. Предметная область рассмотрена на примере оборудования Laeis и роботизированных комплексов ABB в производственном контуре Группы «Магнезит» без раскрытия закрытых технологических параметров, рецептур, адресов сигналов и коммерческих показателей. Результаты. Обоснована структура контура: объектная модель участка, обязательные события, справочник состояний, правила нормализации записей, интеграционный слой, журнал качества данных и индексы готовности к автономному режиму. Показано, что для действующего промышленного участка с неполными ремонтными журналами первичным результатом должна быть не прогнозная модель отказов, а воспроизводимая методика получения достоверного цифрового следа. Сформулированы требования к наблюдающему прототипу, который фиксирует события пресса и робота без вмешательства в контур управления, задает границы массива P0 и создает основу для диагностики, технического обслуживания и оценки цифровой зрелости. Заключение. Методика переводит инженерное описание прессового отделения в формализованную систему данных, пригодную для диссертационного исследования по специальности 2.3.3 и дальнейшей опытной апробации. До заполнения первичного массива наблюдений P0 статья не заявляет доказанный экспериментальный, производственный или экономический эффект.Библиографические ссылки
1. Стратегическое и оперативное управление промышленными предприятиями / О.В. Логиновский, А.В. Голлай, О.И. Дранко, А.А. Шестаков Челябинск: Издат. центр ЮУрГУ, 2021. 325 с.
2. Эффективное управление организационными и производственными структурами / О.И. Дранко, О.В. Логиновский, А.А. Шестаков и др. М.: Инфра-М, 2020. 450 с. DOI: 10.12737/1087996
3. Kundu S., Sarkar R. MgO-C Refractories: A Detailed Review of These Irreplaceable Refractories in Steelmaking // Interceram – International Ceramic Review. 2021. Vol. 70, no. 3. P. 46–55. DOI: 10.1007/s42411-021-0457-9
4. Thermal and mechanical properties of commercial MgO-C bricks / E.R. Benavidez, E. Bran¬daleze, Y.S. Lagorio et al. // Matéria (Rio de Janeiro). 2015. Vol. 20, no. 3. P. 571–579. DOI: 10.1590/S1517-707620150003.0058
5. Refractories 4.0 / R. Steiner, G. Lammer, C. Spiel, C. Jandl // Berg- und Hüttenmännische Monatshefte. 2017. Vol. 162, no. 11. P. 514–520. DOI: 10.1007/s00501-017-0675-7
6. Белякова В.А., Логиновский О.В., Шинкарев А.А. Онтологический инжиниринг в уп-равлении ресурсом оборудования наукоемкого производства // Вестник ЮУрГУ. Серия «Ком¬пьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 3. С. 26–41. DOI: 10.14529/ctcr250303
7. Логиновский О.В., Белякова В.А. Модель управления наукоемким производством на основе технологии цифровых двойников // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 2. С. 95–106. DOI: 10.14529/ctcr250209
8. Разработка цифрового двойника системы управления испытательного стенда для цифровых измерительных трансформаторов / О.В. Логиновский, Д.В. Топольский, Н.Д. Топольский
и др. // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2024. Т. 24, № 3. С. 5–15. DOI: 10.14529/ctcr240301
9. Rasheed A., San O., Kvamsdal T. Digital Twin: Values, Challenges and Enablers From a Modeling Perspective // IEEE Access. 2020. Vol. 8. P. 21980–22012. DOI: 10.1109/ACCESS.2020.2970143
10. Digital twins-based flexible operating of open architecture production line for individualized manufacturing / J. Leng, Z. Chen, W. Sha et al. // Advanced Engineering Informatics. 2022. Vol. 53. P. 101676. DOI: 10.1016/j.aei.2022.101676
11. Integrating process management and event processing in smart factories: A systems architecture and use cases / R. Seiger, L. Malburg, B. Weber, R. Bergmann // Journal of Manufacturing Systems. 2022. Vol. 63. P. 575–592. DOI: 10.1016/j.jmsy.2022.05.012
12. Tercan H., Meisen T. Machine learning and deep learning based predictive quality in manufacturing: a systematic review // Journal of Intelligent Manufacturing. 2022. Vol. 33, no. 7. P. 1879–1905. DOI: 10.1007/s10845-022-01963-8
13. Эволюция использования и применения машинного обучения и искусственного интеллекта в разработке корпоративных информационных систем и в системах поддержки принятия решений / А.А. Шинкарев, М.В. Ядрышникова, О.В. Логиновский и др. // Вестник ЮУрГУ.
Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 4. С. 17–42. DOI: 10.14529/ctcr250402
14. Sowmiya M. Monitoring and control of PLC based VFD fed three phase induction motor for powder compacting press machine // Proceedings of the 2013 International Conference on Intelligent Systems and Control (ISCO). 2013. P. 90–92. DOI: 10.1109/ISCO.2013.6481128
15. Логиновский О.В., Голубева О.Л. Модель инкрементной миграции данных в проектах внедрения ERP-систем // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 3. С. 64–76. DOI: 10.14529/ctcr250306
16. Formation of tne methodology of strategic and operational management of industrial enterprises in the conditions of global instability / O.V. Loginovskiy, A.V. Hollay, A.L. Shestakov, K.A. Korennaya // Прикладная математика и вопросы управления. 2022. № 2. С. 73–94. DOI: 10.15593/2499-9873/2022.2.04
17. The mechanisms of smart management for industrial enterprises / V.N. Burkov, O.V. Logi¬novskiy, O.I. Dranko, A.V. Hollay // Прикладная математика и вопросы управления. 2020. № 1. С. 59–73. DOI: 10.15593/2499-9873/2020.1.04
18. Логиновский О.В., Шинкарев А.А., Коваль М.Е. Разработка архитектуры систем информационного поиска на основе очередей сообщений в корпоративных информационных системах // Прикладная математика и вопросы управления. 2021. № 1. С. 119–140. DOI: 10.15593/2499-9873/2021.1.07
19. Mukherjee S., Pramanik S., Mukherjee S. A Comprehensive Review of Recent Advances in Magnesia Carbon Refractories // Interceram – International Ceramic Review. 2014. Vol. 63, no. 3. P. 90–98. DOI: 10.1007/BF03401039
20. Ewais E.M.M. Carbon Based Refractories // Journal of the Ceramic Society of Japan. 2004. Vol. 112, no. 1310. P. 517–532. DOI: 10.2109/jcersj.112.517
21. Improved thermal shock stability and oxidation resistance of low-carbon MgO-C refractories with introduction of SiC whiskers / Y. Chen, J. Ding, C. Deng, C. Yu // Ceramics International. 2023. Vol. 49, no. 16. P. 26871–26878. DOI: 10.1016/j.ceramint.2023.05.224
22. From knowledge-based to big data analytic model: a novel IoT and machine learning based decision support system for predictive maintenance in Industry 4.0 / R. Rosati, L. Romeo, G. Cecchini et al. // Journal of Intelligent Manufacturing. 2023. Vol. 34. P. 107–121. DOI: 10.1007/s10845-022-01960-x
23. Nunes P., Santos J., Rocha E. Challenges in predictive maintenance – A review // CIRP Journal of Manufacturing Science and Technology. 2023. Vol. 40. P. 53–67. DOI: 10.1016/j.cirpj.2022.11.004
24. Surucu O., Gadsden S.A., Yawney J. Condition Monitoring using Machine Learning: A Review of Theory, Applications, and Recent Advances // Expert Systems with Applications. 2023. Vol. 221.
P. 119738. DOI: 10.1016/j.eswa.2023.119738
25. Data-driven and Knowledge-based predictive maintenance method for industrial robots for
the production stability of intelligent manufacturing / X. Wang, M. Liu, C. Liu et al. // Expert Systems with Applications. 2023. Vol. 234. P. 121136. DOI: 10.1016/j.eswa.2023.121136
