CC BY
0
• 7universum.com
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ_январь. 2025 г.
DOI: 10.32743/UniTech.2025.130.1.19096
ОПТИМИЗАЦИЯ ЭКСПЛУАТАЦИИ СТРОИТЕЛЬНОЙ ТЕХНИКИ НА ОСНОВЕ ДАННЫХ О ПОКАЗАТЕЛЯХ ЭФФЕКТИВНОСТИ
Загорская Ксения Андреевна
Бизнес-аналитик, США, г. Уолтем Email: kzagorskaya@falcon. bentley. edu
OPTIMIZATION OF CONSTRUCTION EQUIPMENT OPERATION BASED ON PERFORMANCE INDICATORS DATA
Ksenia Zagorskaya
Business analyst, USA, Waltham
АННОТАЦИЯ
В данной статье исследуется оптимизация эксплуатации строительной техники на основе анализа данных основных показателей эффективности, таких как производительность, топливная экономичность, надежность и частота поломок. Проведен обзор современных методов сбора и обработки данных (системы мониторинга, технологии машинного обучения, предиктивная аналитика). Анализируются преимущества внедрения аналитических систем на примере платформы The TresHilos, в том числе повышение общей эффективности эксплуатации техники, снижение эксплуатационных затрат, улучшение безопасности на строительных площадках. Далее, рассматриваются основные проблемы, связанные с внедрением этих систем, такие как обработка больших объемов данных, необходимость в квалифицированных специалистах и интеграция с существующими управленческими системами. В статье предложены рекомендации по преодолению выявленных трудностей и успешной интеграции аналитических решений в управление строительной техникой. Новизна исследования заключается в разработке подхода к оптимизации эксплуатации техники посредством использования современных технологий анализа данных. Данная работа будет полезна специалистам в области управления строительными проектами, инженерам по эксплуатации техники, аналитикам данных в строительной отрасли, руководителям строительных компаний, которые стремятся повысить эффективность и конкурентоспособность своей деятельности посредством внедрения цифровых технологий.
ABSTRACT
This article examines the optimization of construction equipment operation based on the analysis of key performance indicators, such as productivity, fuel efficiency, reliability, and failure rate. A review of modern methods of data collection and processing (monitoring systems, machine learning technologies, predictive analytics) is provided. The advantages of implementing analytical systems, using the example of The TresHilos platform, are analyzed, including increasing the overall efficiency of equipment operation, reducing operating costs, and improving safety at construction sites. Further, the main problems associated with the implementation of these systems are considered, such as processing large volumes of data, the need for qualified specialists, and integration with existing management systems. The article offers recommendations for overcoming the identified difficulties and successfully integrating analytical solutions into construction equipment management. The novelty of the study lies in the development of an approach to optimizing equipment operation through the use of modern data analysis technologies. This work will be useful for specialists in the field of construction project management, equipment operation engineers, data analysts in the construction industry, and heads of construction companies who seek to improve the efficiency and competitiveness of their activities through the implementation of digital technologies.
Ключевые слова: оптимизация, строительная техника, показатели эффективности, анализ данных, мониторинг, машинное обучение, предиктивная аналитика.
Keywords: optimization, construction equipment, performance indicators, data analysis, monitoring, machine learning, predictive analytics.
процессов, где в первую очередь становится эффективное использование строительной техники, Современное строительство характеризуется в связи с этим актуальность темы обусловлена необ-
высокой степенью механизации и автоматизации
Библиографическое описание: Загорская К.А. ОПТИМИЗАЦИЯ ЭКСПЛУАТАЦИИ СТРОИТЕЛЬНОЙ ТЕХНИКИ НА ОСНОВЕ ДАННЫХ О ПОКАЗАТЕЛЯХ ЭФФЕКТИВНОСТИ // Universum: технические науки : электрон. научн. журн. 2025. 1(130). URL: https://7universum.com/ru/tech/archive/item/19096
№ 1 (130)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
январь, 2025 г.
ходимостью повышения производительности и снижения эксплуатационных затрат в условиях возрастающей конкуренции и сложных экономических условий. Анализ данных о показателях эффективности техники становится инструментом для оптимизации ее эксплуатации, который позволяет принимать обоснованные управленческие решения.
Цель данного исследования — разработать подходы к оптимизации эксплуатации строительной техники на основе анализа данных о ее показателях эффективности, для достижения поставленной цели были сформулированы следующие задачи:
1. Изучить основные показатели эффективности строительной техники и их влияние на эксплуатационные решения.
2. Проанализировать современные методы сбора и обработки данных о работе строительной техники, в том числе применение систем мониторинга и методов машинного обучения.
3. Предложить рекомендации по внедрению аналитических систем для повышения эффективности эксплуатации строительной техники с учетом выявленных преимуществ и недостатков.
Новизна исследования заключается в рассмотрении вопросов оптимизации эксплуатации строительной техники посредством анализа данных о показателях эффективности, и в разработке прак-
тических рекомендаций по преодолению существующих недостатков при внедрении аналитических систем в строительной отрасли.
Материалы и методы
Оптимизация эксплуатации строительной техники на основе анализа данных является основным направлением в повышении эффективности строительных процессов, так как анализ эксплуатационных данных позволяет выявлять и устранять проблемы, связанные с использованием техники.
Согласно исследованиям С.В. Репина и А.В. За-зыкина, анализ данных эксплуатации строительных машин позволяет оптимизировать срок их службы, связывая показатели надежности с технико-экономическими характеристиками, а это, в свою очередь, снижает эксплуатационные расходы и повышает общую эффективность использования техники [6].
Основные проблемы, возникающие при эксплуатации строительной техники решаются с помощью анализа данных, который помогает рациональному использованию ресурсов, например, в таблице ниже приведены основные проблемы в эксплуатации, решаемые с использованием данных, и виды информации, собираемой для их анализа (см. Табл. 1).
Таблица 1.
Основные проблемы в эксплуатации строительной техники и собираемые данные для их решения (Источник: составлено автором на основе собственного исследования)
Проблемы в эксплуатации Описание Собираемые данные
Низкая производительность и простои Анализ данных о времени работы и простоях позволяет выявлять причины неэффективного использования техники и принимать меры для их устранения. Параметры работы (время работы, количество циклов, нагрузка на узлы и агрегаты)
Частые поломки и высокие затраты на ремонт Мониторинг технического состояния машин с использованием данных позволяет прогнозировать возможные отказа и проводить профилактическое обслуживание, снижать затраты на ремонт. Техническое состояние (данные о вибрациях, температуре, давлении, уровне износа компонентов)
Неоптимальное использование ресурсов Анализ данных о расходе топлива и других ресурсов помогает оптимизировать их использование, снижая эксплуатационные расходы. Потребление ресурсов (расход топлива, масла, других эксплуатационных материалов); Геолокационные данные (местоположение техники, маршруты передвижения)
В последние годы в строительной отрасли наблюдается прогресс в области мониторинга строительной техники и анализа данных, который обусловлен использованием передовых технологий, например, современные строительные машины оснащаются разнообразными сенсорами, которые собирают данные о различных параметрах их работы. К таким параметрам относятся вибрация, температура, давление, уровень топлива и другие эксплуатационные характеристики. Собранные дан-
ные передаются в реальном времени на центральные системы управления, и позволяют оперативно отслеживать состояние техники и выявлять потенциальные неисправности. Пример - Qmomtoring, которая разработала систему, где с помощью нейросетей анализируется присутствие строителей и спецтехники на площадке, контролируется прогресс строительства и соблюдение техники безопасности [8].
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
Еще одним примером современного решения в этой области является система The TresHilos, созданная под руководством Ксении Загорской, генерального директора и основателя компании, обладающей более чем десятилетним опытом управления в сфере финансов, технологий и HR [11]. Главными особенностями данной системы являются: обеспечение полного контроля над местоположением и состоянием специализированного оборудования, позволяя операторам всегда знать, где находится техника и в каком она состоянии; мощные инструменты аналитики предоставляют понимание эффективности оборудования, позволяя принимать обоснованные решения для оптимизации работы парка техники; интегрированные функции обмена сообщениями помогают взаимодействию внутри команды, ускоряя процессы принятия решений; использование нестандартных сенсоров для мониторинга специфических действий транспортных средств предоставляет беспрецедентный уровень осведомленности, контроля и эффективности; также система упрощает сложные промышленные процессы и оцифровывает документооборот, тем самым, сокращает ручные операции.
Другой современный подход - методы машинного обучения, которые позволяют обрабатывать большие объемы данных, поступающих от сенсоров, и выявлять скрытые закономерности и аномалии в работе оборудования. Алгоритмы классификации, такие как k-ближайших соседей (kNN) и поддерживающие век-
январь, 2025 г.
торные машины (SVM), используются для диагностики неисправностей и прогнозирования отказов техники, например, некоторые исследователи описывают применение различных методов машинного обучения для обнаружения и изоляции неисправностей в сложных системах [10].
Еще один метод предиктивной аналитики, основанный на методах машинного обучения, позволяет прогнозировать будущие события на основе анализа исторических и текущих данных. В строительстве это применяется для предсказания возможных отказов оборудования, оптимизации графиков технического обслуживания, повышения общей надежности техники. В статье В.А. Старостина обсуждается использование предиктивной аналитики для диагностики оборудования и выявления потенциальных неисправностей задолго до их наступления [9].
В строительной отрасли предиктивная аналитика используется для создания архитектурных моделей на основе исторических и текущих данных, интеграция систем на основе искусственного интеллекта позволяет контролировать законность использования земельных участков и пресекать нелегальное строительство на начальном этапе. В Москве, например, нейросети помогли обнаружить более 800 признаков земельно-имущественных нарушений, обработав свыше 2,5 млн снимков [7].
Рассмотрим примеры внедрения аналитических систем в строительной технике (см. Табл. 2):
Таблица 2.
Примеры внедрения аналитических систем в строительной технике (Источник: составлено автором
на основе собственного исследования)
Система/Технология Описание Пример
Системы мониторинга состояния оборудования Сбор данных о вибрациях, температуре, давлении и других параметрах для предсказания поломок и профилактического обслуживания. Анализ этих данных позволяет предсказывать возможные отказные ситуации и проводить профилактическое обслуживание, предотвращая неожиданные поломки. Компания Caterpillar разработала систему Product Link™, которая предоставляет данные о состоянии оборудования, помогает оптимизировать графики технического обслуживания и снижать затраты на ремонт.
Технологии информационного моделирования зданий (BIM) Интеграция данных о технике в модель проекта для оптимизации ресурсов и планирования. Согласно исследованию [4], использование BIM-технологий сокращает сроки строительства на 30% и улучшает координацию между участниками проекта.
Системы управления парком техники Отслеживание местоположения, состояния и производительности техники для оптимизации маршрутов и планирования обслуживания. Компания Komatsu внедрила систему KOMTRAX™, которая предоставляет данные о работе оборудования.
Использование больших данных (Big Data) Анализ больших объемов данных для выявления закономерностей и оптимизации процессов. Анализ собранных данных помогает оптимизировать маршруты, контролировать расход топлива, планировать техническое обслуживание. В исследованиях отмечается, что использование аналитических данных в процесс строительства помогают экономить ресурсы, улучшать взаимодействие с клиентами, опережать конкурентов [1].
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
Так, на основе изученной литературы, можно определить, что оптимизация эксплуатации строительной техники на основе анализа данных широко рассматривается в исследованиях. С.В. Репин и А.В. Зазыкин [6] разработали методику оптимизации срока службы строительных машин, связывая показатели надежности с технико-экономическими характеристиками, Л.Р. Глухова и М.А. Фетисова [2] исследуют зависимость качества строительной продукции от показателей эффективности работы строительной техники, М.В. Петухов [5] отмечает, что внедрение систем цифровизации, таких как ERP и CRM, помогают использованию ресурсов и оптимизации строительных процессов. В исследованиях [1, 4] обсуждается применение больших данных и новых технологий в строительной отрасли России, О. Иванов [3] описывает системы мониторинга строительной техники для контроля работы и расхода ресурсов. А. Светунькова [7] и система QMonitoring [8] рассматривают использование нейросетей и искусственного интеллекта для мониторинга строительных работ, контроля прогресса строительства и соблюдения техники безопасности. В.А. Старостина [9] обсуждает применение предиктивной аналитики для прогнозирования отказов оборудования и оптимизации технического обслуживания, и, наконец, Р. Лиу и его коллеги [10] проводят обзор использования искусственного интеллекта для диагностики неисправностей вращающегося оборудования - что является актуальным для строительной техники.
Методология исследования
Для достижения целей исследования был проведен сбор и анализ данных о работе строительной техники с использованием облачной платформы The TresHilos, которая представляет решение для мониторинга, обработки и визуализации данных о работе специализированного парка строительной техники. Платформа состоит из трех основных компонентов:
1) IoT-сенсоры, установленные на строительную технику, фиксировали ключевые показатели работы машин (состояние техники, ее местоположение, время работы двигателя, использование рабочего оборудования).
2) Собранные сенсорами сырые данные передавались в облачное программное обеспечение The TresHilos, где данные обрабатывались, анализировались и преобразовывались в инсайты.
3) Обработанная информация отображалась на пользовательском интерфейсе The TresHilos, обеспечивая пользователям удобный доступ к визуализированным данным в режиме реального времени для отслеживания эффективности работы техники, перемещения, уровня загрузки.
В рамках исследования были проанализированы данные с 62 единиц строительной техники, преимущественно экскаваторов, работающих на различных строительных объектах. Сбор данных осуществлялся на ежедневной основе в течение одного месяца — с 1 октября по 30 октября 2024 года.
январь, 2025 г.
Географически техника располагалась на нескольких строительных площадках, чтобы обеспечить разнообразие условий эксплуатации и полноту данных для анализа.
Результаты
Эффективность строительной техники оценивается посредством показателей, которые позволяют анализировать ее эксплуатацию, к основным относятся производительность, топливная экономичность, надежность и частота поломок. Внедрение современных технологий и систем, таких как платформа The TresHilos, позволяет измерять эти показатели и управлять ими для оптимизации эксплуатации техники.
Производительность характеризует объем работы, выполняемой машиной за единицу времени, она бывает теоретической, технической и эксплуатационной: теоретическая производительность определяется расчетом исходя из максимальных параметров за час чистой работы, техническая учитывает условия эксплуатации без перерывов, а эксплуатационная — с учетом всех простоев и перерывов, неизбежных при работе [2]. Высокая производительность снижает затраты времени и ресурсов на выполнение строительных задач.
Топливная экономичность определяет количество топлива, потребляемого машиной для выполнения определенного объема работы, данный показатель важен для снижения расходов и уменьшения воздействия на окружающую среду, так, современные строительные машины оснащаются более эффективными двигателями и системами управления, которые снижают расход топлива без потери производительности.
Надежность - отражает способность техники выполнять заданные функции без отказов в течение определенного времен, она характеризуется такими параметрами, как безотказность, долговечность, ремонтопригодность и сохраняемость. Высокая надежность снижает затраты на ремонт и обслуживание, минимизирует простои, положительно сказывается на общей эффективности эксплуатации.
Частота поломок — это количество отказов или неисправностей, возникающих за определенный период эксплуатации, например, высокая частота поломок приводит к увеличению времени простоя и затрат на ремонт. Снижение частоты поломок достигается через регулярное техническое обслуживание и использование качественных материалов и комплектующих.
Эти показатели связаны между собой и влияют на эксплуатационные решения, так, выбор техники с высокой производительностью и топливной экономичностью, но низкой надежностью приводит к частым простоям и увеличению затрат.
Применение технологий в рамках платформы The TresHilos помогут решению основных задач по оптимизации эксплуатации строительной техники, в частности, система содержит следующие технические принципы и инновации:
№ 1 (130)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
январь, 2025 г.
1) Использование передовых 1оТ-сканеров для тщательного отслеживания и оптимизации эксплуатационной эффективности оборудования в строительных или сельскохозяйственных предприятиях.
2) Использование потенциала аналитики больших данных, интегрированной с инструментами бизнес-аналитики (В1), для отображения и анализа ключевых показателей эффективности (КР1), таких как производительность, эффективность транспортных средств и многое другое.
3) Применение сложной аналитики и использование искусственного интеллекта для прогнозного моделирования и предоставления информативных прогнозов, в том числе генерацию советов в режиме реального времени на основе анализа текущих фактических метрик.
4) Обеспечивает отслеживание парка техники в реальном времени на интерактивной карте, ограниченной в пределах определенных геозон.
5) Интеграция смарт-контрактов в платформу для упрощения и автоматизации процессов переговоров и соглашений для обеспечения безопасности и прозрачности сделок.
6) Внедрение безопасной и децентрализованной системы с использованием смарт-контрактов и технологий блокчейн для управления и подтверждения договоренностей по аренде оборудования.
На основе собранных данных были проведены расчеты и получены следующие результаты:
Анализ данных показал, что среднее время работы двигателя и использование рабочего оборудования варьировались в зависимости от дня и смены, например, в дневные смены среднее время работы двигателя составляло около 10-11 часов, а использование рабочего оборудования — 5-6 часов. В ночные смены эти показатели были ниже.
Вычисленный показатель общей эффективности техники (в процентах) отражает отношение фактического времени использования рабочего оборудования к времени работы двигателя. Значения эффективности колебались от 0% до 99%, это демонстрирует различия в производительности между разными сменами и единицами техники (см. Табл. 3).
Таблица 3.
Пример результатов анализа данных (Источник: составлено автором на основе данных, предоставленных платформой The TresHilos и аналитики собранных IoT-сенсоров [11])
Дата Смена Среднее время работы двигателя Среднее время использования рабочего оборудования Общая эффективность (%)
01.10.2024 День 10 ч 12 мин 6 ч 44 мин 78
06.10.2024 День 11 ч 21 мин 8 ч 34 мин 99
07.10.2024 День 0 ч 35 мин 0 ч 3 мин 0
16.10.2024 День 6 ч 51 мин 1 ч 39 мин 22
29.10.2024 День 8 ч 52 мин 5 ч 54 мин 62
В некоторые дни общая эффективность была крайне низкой, это говорит о простоях и нерациональном использовании техники.
Обсуждение
Анализ данных выявил такие тенденции как высокая эффективность в определенные дни, например, в некоторые дни, такие как 06.10.2024, общая эффективность достигала 99%, это говорит о максимально рациональном использовании техники. С другой стороны заметна низкая эффективность в ночные смены, может быть связано с меньшим объемом работ или недостаточным контролем за использованием техники. Третьей тенденцией являются простои и неиспользование техники, в частности, в отдельные дни зафиксировано отсутствие работы техники в связи с техническими неполадками, неблагоприятными погодными условиями и т.д..
Так, мы определяем, что для успешной оптимизации эксплуатации строительной техники важным компонентом становится использование аналитики данных, которая способствует повышению эффективности, снижению затрат и повышению безопасности на строительных объектах. Тем не менее, применение данных в строительной отрасли сталкивается с определенными ограничениями и вызовами, которые необходимо учитывать для достижения максимальной эффективности. В рамках данной темы рассмотрим ключевые преимущества и ограничения использования данных для оптимизации работы строительной техники. В таблице ниже приводится структурированный обзор преимуществ и ограничений применения данных для улучшения эксплуатационных характеристик техники в строительной сфере.
• 7universum.corr
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ_январь. 2025 г.
Таблица 4.
Преимущества и недостатки использования данных для оптимизации работы строительной техники (Источник: составлено автором на основе собственного исследования)
Преимущества Недостатки
Снижение эксплуатационных затрат. Анализ данных о работе техники позволяет выявлять неэффективные процессы и оптимизировать использование ресурсов, Петухов М.В. отмечает, что внедрение систем автоматизации в строительстве способствует сокращению издержек и повышению производительности труда [5]. Обработка больших объемов данных. Сбор и анализ массивов информации требуют мощных вычислительных ресурсов и специализированного программного обеспечения. Обработка больших объемов данных является одной из основных проблем при внедрении аналитики в строительстве.
Повышение производительности. Сбор и анализ данных о работе оборудования позволяют оптимизировать графики технического обслуживания, предотвращать простои, увеличивать общую эффективность эксплуатации техники. Системы мониторинга обеспечивают контроль за состоянием техники и помогают своевременно выявлять неисправности [3]. Интерпретация данных. Для правильного анализа и применения полученных данных требуются квалифицированные специалисты, которые способны интерпретировать результаты и принимать обоснованные решения. Недостаток таких специалистов затрудняет процесс оптимизации.
Улучшение безопасности. Использование данных позволяет отслеживать соблюдение техники безопасности и быстро реагировать на потенциальные риски (снижает вероятность аварий и травм на строительной площадке). Применение датчиков и 1оТ-технологий повышают безопасность на строительных объектах. Интеграция с существующими системами. Внедрение новых технологий и систем анализа данных сталкиваются с проблемами совместимости с уже используемыми на предприятии системами. В этом случае требуется интеграция ERP и CRM систем для использования данных в строительстве.
С другой стороны, использование таких передовых систем, как The TresHilos, позволяет решать основные проблемы, с которыми сталкиваются B2B-компании в строительном и сельскохозяйственном секторах. Например, такие проблемы как: сложности в мониторинге и управлении разнообразным парком из 15 и более единиц техники и оборудования, управление графиками технического обслуживания, ремонтов и отслеживание состояния оборудования для обеспечения оптимальной производительности, использование ручных процессов для планирования, управления проектами и документооборота, отсутствие оперативной информации для принятия обоснованных решений в области управления парком техники и проектами и необходимость соответствия отраслевым нормам и стандартам в области безопасности и эксплуатации строительного оборудования.
Заключение
Проведенное исследование на основе данных подтвердило эффективность использования аналитических систем для оптимизации эксплуатации строительной техники. Интеграция таких решений, как платформа The TresHilos, помогает снижению затрат, повышению производительности, обеспечению конкурентоспособности строительных компаний в условиях современного рынка. Основные показатели эффективности, такие как производительность, топливная экономичность, надёжность и частота поломок, являются главными при оценке работы строительной техники, а их взаимосвязь и влияние на эксплуатационные решения показывают функции этого подхода к анализу данных. Современные технологии (системы мониторинга
состояния оборудования, методы машинного обучения, предиктивная аналитика и др.), предоставляют инструменты для аналитики и прогнозирования.
Однако применение аналитики данных в строительной отрасли сталкивается с такими проблемами как: сложности обработки больших объёмов данных, требующие вычислительных ресурсов и специализированного программного обеспечения, необходимость в квалифицированных специалистах для интерпретации результатов, также интеграция новых аналитических систем с существующими инфраструктурами вызывает технические и организационные сложности.
Несмотря на эти трудности, преимущества использования данных для оптимизации работы строительной техники очевидны, ведь они создают потенциал для развития отрасли - снижение эксплуатационных затрат, повышение производительности, улучшение безопасности на строительных площадках. Для преодоления существующих проблем рекомендуется инвестировать в развитие цифровой инфраструктуры, обучение персонала, создание интегрированных систем с целью объединения разнородных данных и обеспечения их успешного анализа.
В дальнейшем, усиление фокуса на аналитике данных и интеграции инновационных технологий станет основополагающим фактором в повышении конкурентоспособности строительных компаний, а развитие методов анализа и обработки данных будет способствовать более рациональному использованию ресурсов, улучшению качества строительных работ, достижению устойчивого развития отрасли в общем и целом.
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ_январь. 2025 г.
Список литературы:
1. Big Data - Экономические выгоды и применение в строительной отрасли России [Электронный ресурс]. -URL: https://cifrastroy.ru/posts/big-data-ekonomicheskie-vygody-i-primenenie-v-stroitelnoj-otrasli-rossii (дата обращения: 08.10.2024).
2. Глухова Л.Р., Фетисова М.А. Зависимость качества строительной продукции от показателей эффективности работы строительной техники // Фундаментальные исследования. - 2017. - № 12-1. - С. 33-37.
3. Иванов О. Мониторинг строительной техники: системы контроля работы и расхода ресурсов [Электронный ресурс]. - 2024. - URL: https://mssglonass.ru/articles/monitoring-stroitelnoj-tehniki-sistemyi-kontrolya-rabotyi-i-rashoda-resursov/ (дата обращения: 08.10.2024).
4. Новые технологии в строительстве: обзор трендов отрасли // Первый Бит. - 2021. - URL: https://www.1cbit.ru/blog/novye-tekhnologii-v-stroitelstve-obzor-trendov-otrasli-na-2022-god/?utm_referrer=https%3A0/o2F0/o2Fchatgpt.com0/o2F (дата обращения: 08.10.2024).
5. Петухов М.В. Конкурентные преимущества цифровизации для оптимизации строительного процесса - эффективное использование ресурсов данными системами ERP и CRM // Московский экономический журнал. - 2022. - № 4. - URL: https://cyberleninka.ru/article/n/konkurentnye-preimuschestva-tsifrovizatsii-dlya-optimizatsii-stroitelnogo-protsessa-effektivnoe-ispolzovanie-resursov-dannyh (дата обращения: 08.10.2024).
6. Репин С.В., Зазыкин А.В., Евтюков С.С., Чечуев В.Е. Методика оптимизации срока службы строительных машин на основе данных эксплуатации // Sciences of Europe. - 2018. - № 33-1 (33). - URL: https://cyberleninka.ru/article/n/metodika-optimizatsii-sroka-sluzhby-stroitelnyh-mashin-naosnove-dannyh-ekspluatatsii (дата обращения: 08.10.2024).
7. Светунькова А. ИИскусный строитель: как нейросети используются в строительстве // Известия. - URL: https://iz.ru/1599576/alena-svetunkova/iiskusnyi-stroitel-kak-neiroseti-ispolzuiutsia-v-stroitelstve (дата обращения: 08.10.2024).
8. Система аналитики для мониторинга строительных работ на базе ИИ QMonitoring [Электронный ресурс]. -URL: https://qmonitoring.ru/ (дата обращения: 08.10.2024).
9. Старостина В.А. Предиктивная аналитика на предприятии / В.А. Старостина // Наука, образование, инновации: актуальные вопросы и современные аспекты : Сборник статей III Международной научно-практической конференции, Пенза, 25 августа 2020 года. - Пенза: Наука и Просвещение (ИП Гуляев Г.Ю.), 2020. - С. 7072. - EDN OMXFOM.
10. Liu R., Yang B., Zio E., Chen X. Artificial intelligence for fault diagnosis of rotating machinery: A review // Mechanical Systems and Signal Processing. - 2018. - Vol. 108. - P. 33-47. - DOI: 10.1016/j.ymssp.2018.02.016.
11. The TresHilos. Mechanization. A cloud-based construction management software that helps contractors track, monitor and optimize utilization and maintenance of specialized equipment fleets, including Real Time Vehicle Tracking [Электронный ресурс]. URL: https://thetreshilos.com/Mate (дата обращения: 02.12.2024).
