CC BY
3Управление качеством наукоемкой продукции с использованием ИПИ-технологий
Управление качеством наукоемкой продукции влияет на ее конкурентоспособность. Современные технологии, включающие системы автоматизированного контроля, анализ больших данных, цифровые двойники и машинное обучение, играют ключевую роль в оптимизации процессов управления качеством. Внедрение таких технологий сопровождается рядом сложностей и требует детального анализа и выработки рекомендаций
Е.В. Рыжкова1
Сибирский государственный университет геосистем и технологий (СГУГиТ), [email protected]
А.В. Шабурова2
СГУГиТ,
д-р экон. наук, доцент, aelita [email protected]
1 ассистент, г. Новосибирск, Россия
2 директор Института оптики
и технологий информационной безопасности, г. Новосибирск, Россия
Для цитирования: Рыжкова Е.В., Шабурова А.В. Управление качеством наукоемкой продукции с использованием ИПИ-технологий // Компетентность / Competency (Russia). — 2025. — № 2. DOI: 10.24412/1993-8780-2025-2-24-28
ключевые слова
наукоемкая продукция, жизненный цикл, эффективность, качество, ИПИ-технологии
условиях динамичного развития высокотехнологичных отраслей наукоемкая продукция занимает одно из ключевых мест в экономике многих стран. Управление качеством такой продукции становится все более сложной задачей, требующей внедрения современных информационных и промышленных технологий, позволяющих автоматизировать процессы контроля качества, обеспечить более точные результаты и повысить производительность. Несмотря на очевидные преимущества, существует множество проблем, связанных с управлением качеством наукоемкой продукции.
Проведя анализ научных источников по применению ИПИ-технологий в управлении качеством наукоемкой продукции как в России, так и за рубежом, можно сделать вывод, что данные технологии широко применяются в области автоматизации контроля качества и прогнозирования дефектов. Краткий обзор исследований по обозначенной теме приведен в табл. 1.
В таблице показано, что информационные технологии активно применяются для автоматизации и улучшения процессов контроля качества наукоемкой продукции. Внедрение CALS-технологий постепенно набирает обороты в промышленных и высокотехнологических отраслях.
Автоматизация контроля качества продукции
Автоматизация контроля качества наукоемкой продукции является ключевым элементом повышения конкурентоспособности продукции на мировом рынке. Современные технологии обеспечивают значительное снижение влияния человеческого фактора, ускорение произ-
водственных процессов и достижение более высокого уровня точности и эффективности в организации и автоматизации процессов контроля качества на предприятии.
Основные технологии, используемые в управлении качеством на разных стадиях производственных процессов, представлены в табл. 2. На основе анализа, приведенного в ней, можно сделать вывод, что машинное зрение, цифровые двойники, интернет вещей, большие данные и предиктивное обслуживание играют ключевую роль в повышении эффективности управления качеством продукции. Эти и подобные технологии позволяют в реальном времени проводить контроль качества, прогнозировать дефекты продукции. Машинное зрение и преди-ктивное обслуживание минимизируют появление бракованной продукции, а цифровые двойники и 1оТ-сенсоры дают возможность собирать данные о состоянии производства, которые отражаются на повышении качества изготовляемой продукции. Автоматизированные системы управления качеством (QMS) обеспечивают централизованный контроль качества на всех стадиях выпуска продукции.
Введение информационных и интеллектуальных технологий в процесс управления качеством наукоемкой продукции представляет собой одно из главных направлений развития современных производственных систем. Эти технологии обеспечивают новые подходы к контролю и оптимизации процессов на предприятиях, позволяя улучшить эффективность производства и сократить издержки. В соответствии с проведенным анализом литературы [15-19] выделим ряд основных проблем, это:
► высокая стоимость и сложность интеграции с устаревшими системами;
► нехватка квалифицированных кадров;
► сложности работы с большими объемами данных и недостаточной мощностью ИТ-инфраструктуры;
► слабая кибербезопасность, так как большое число подключенных устройств увеличивает уязвимость системы к атакам;
Использование интеллектуальных информационных технологий является ключевым фактором для повышения качества наукоемкой продукции, однако их внедрение требует системного подхода к решению существующих проблем
Таблица 1
Обзор отечественных и зарубежных исследований по проблеме управления качеством наукоемкой продукции с помощью CALS-технологий [Review of domestic and foreign research on the problem of high-tech products quality management using CALS technologies]
Источник [Source] Описание исследования [Description of the study] Применение ИПИ-технологий [Application of ISI technologies]
Чесалин А.Н., Гродзенский С.Я., Нилов М.Ю. и Фам В.Т. (2020). Интеллектуальные инструменты управления качеством для цифрового производства и система управления знаниями для их применения [1] Рассмотрены современные методы управления качеством в высокотехнологичных отраслях с помощью цифровых платформ и искусственного интеллекта Использование цифровых двойников, искусственного интеллекта для прогнозирования дефектов и автоматизации контроля качества в высокотехнологичных отраслях
Кузнецова С.В., Семенов А.С. (2023). Цифровые двойники в аэрокосмической промышленности: объектно-ориентированный подход [2] Рассказывается о применении цифровых двойников и ИПИ-технологий в российской аэрокосмической отрасли. Анализируются технологии прогнозирования дефектов и оптимизации контроля качества производственных процессов Внедрение цифровых двойников и анализа данных в реальном времени для осуществления контроля качества в наукоемкой отрасли
Ибрагимова З.М., Джамалдинова М.А. (2022). Анализ больших данных управления цепочками поставок на основе loT при участии промышленных отраслей [3] Рассматривается роль больших данных (Big Data) и интернета вещей (loT) в виде возможностей, которые предоставляют данные технологии в отслеживании состояния продукции с датчиков и посредством обработки больших данных для управления ее качеством Применение Big Data и loT для мониторинга информации о продукции и управления ее качеством на протяжении всего жизненного цикла
Ларионова О.А., Ларионов А.И. (2018). Проблемы внедрения CALS-технологий на российских предприятиях [4] Проводится анализ проблем управления качеством наукоемкой продукции в России, рассматриваются недостатки внедрения ИПИ-технологий и барьеры, с которыми сталкиваются российские предприятия CALS-технологии применяются в процессе контроля качества жизненного цикла продукции
Боргардт Е.А., Бобель Д.Н. (2021). Технологии искусственного интеллекта в системе управления качеством [5] Рассматривается применение искусственного интеллекта для автоматического обнаружения дефектов Искусственный интеллект и машинное обучение позволяют осуществить автоматизацию контроля качества и прогнозирования дефектов изделия
Боровков А.И. и др. (2022). Цифровые двойники в высокотехнологичной промышленности [6] Анализируются успешные примеры внедрения цифровых двойников в российских производственных компаниях. Оцениваются результаты использования данных технологий для улучшения качества продукции Цифровые двойники дают возможность оптимизировать контроль качества наукоемкой продукции
Кокорев Д.С., Посмаков Н.П. (2019). Применение цифровых двойников в производственных процессах [7] Исследуется роль интернета вещей и цифровых двойников в обеспечении качества производственных процессов. Приводятся примеры их применения в различных отраслях промышленности Применение loT и цифровых двойников для осуществления мониторинга производственных процессов и своевременного контроля качества продукции
Третьякова Т.И., Плюснина Е.В. (2016). Эффективность информационных систем организации и управления наукоемким предприятием [8] Рассмотрены примеры управления алгоритмов подготовки и принятия управленческих решений с использованием информационных технологий Использование ИПИ-технологий для автоматизации производственных процессов, в том числе и контроля качества изготовляемой продукции
Таблица 2
Основные CALS-технологии, применяемые для автоматизации контроля качества [Main CALS technologies used to automate quality control]
Технология [Technology] Применение [Application] Преимущества [Advantages]
Машинное зрение (Computer Vision) — это технология, которая использует камеры и программное обеспечение для автоматического анализа изображений [9] Машинное зрение на производстве в контроле качества продукции используется для автоматической инспекции дефектов, сравнения с эталонами, измерения геометрических параметров, проверки упаковки, мониторинга процессов в реальном времени и сбора данных, что улучшает эффективность, снижает брак и повышает общее качество продукции Системы машинного зрения способны быстро и точно выявлять дефекты на конвейере, такие как царапины, трещины или неправильные размеры, что позволяет снизить количество бракованной продукции
Цифровые двойники (Digital Twins) представляют собой виртуальные модели физических объектов или систем, которые обновляются в реальном времени на основе данных, получаемых от сенсоров и других источников информации [10] Цифровые двойники улучшают контроль качества продукции, оптимизируя процессы, осуществляя мониторинг состояния, прогнозируя проблемы, анализируя данные и позволяя тестировать новые продукты без риска Эта технология прогнозирует возможные дефекты, улучшая тем самым качество продукции и производственных процессов. Она значительно повышает эффективность контроля качества, что, в свою очередь, способствует улучшению конкурентоспособности продукции
Интернет вещей и системы больших данных. Интернет вещей — это сеть взаимосвязанных устройств и сенсоров, которые собирают и передают данные для анализа. Big Data представляет собой технологии для анализа огромных объемов данных в реальном времени [11, 12] Применение интернета вещей в промышленности заключается в установке 1оТ-сенсоров на производственном оборудовании и продукции для мониторинга ключевых параметров, таких как температура, вибрация, давление и другие. Собранные данные передаются в систему анализа больших данных, что позволяет прогнозировать возможные дефекты и оптимизировать производственные процессы Внедрение 1оТ-технологий способствует повышению качества конечной продукции и снижению вероятности возникновения производственного брака
Предиктивное обслуживание (Predictive Maintenance). Предиктивное обслуживание — это метод прогнозирования отказов оборудования до их возникновения, что позволяет своевременно проводить техническое обслуживание и предотвращать простои на производственных линиях [13] С помощью предиктивного обслуживания обрабатываются данные, собранные сенсорами, позволяя осуществлять мониторинг состояния оборудования и выявлять потенциальные неисправности еще до их возникновения. Благодаря данной технологии предприятия могут проводить техническое обслуживание, минимизируя простои и обеспечивая стабильность производственных процессов Применение этой технологии способствует повышению качества продукции за счет снижения вероятности отказов оборудования, что, в свою очередь, уменьшает количество брака
Автоматизированные системы управления качеством (Quality Management Systems, QMS) — это программные комплексы, которые позволяют организовать и автоматизировать процессы контроля качества на предприятии. Системы включают в себя инструменты для аудита, управления производственными процессами, контроля документации и ведения отчетности по качеству [14] Применение автоматизированных систем управления качеством позволяет добиться систематизации процессов контроля качества на всех этапах производства Использование QMS способствует повышению прозрачности и предсказуемости процессов, что позволяет оперативно выявлять и устранять несоответствия
► отсутствие единых международных стандартов по применению ИПИ-тех-нологий для управления качеством наукоемкой продукции.
Предложения и рекомендации
На основании проведенного анализа и выявленных проблем, связанных с использованием информационно-программных и инновационных технологий в управлении качеством наукоемкой продукции, были сформулированы следующие рекомендации:
1. Создание облачных платформ для систем контроля качества. Позволит малым и средним предприятиям использовать современные инструменты без значительных капиталовложений.
2. Развитие образовательных программ, курсов и тренингов по современным информационным технологиям. Даст возможность повысить квалификацию существующего персонала и уровень подготовки новых специалистов.
3. Интеграция современных технологий с устаревшими производственными системами.
управление качеством 27
методах применения данных технологий, выявление ключевых проблем и недостатков текущих подходов, а также критическое осмысление предложенных в литературе решений. На основе этого были выделены новые идеи и предложены рекомендации по повышению эффективности управления качеством с помощью интеллектуальных производственных и информационных технологий. Таким образом, использование интеллектуальных производственных и информационных технологий является ключевым фактором для повышения качества наукоемкой продукции, однако их внедрение требует системного подхода к решению существующих проблем и преодолению барьеров. ■
справка
CALS-технологии (англ.
Continuous Acquisition and Life cycle Support — непрерывная информационная поддержка поставок и жизненного цикла изделий), или ИПИ-технологии (информационная поддержка процессов жизненного цикла изделий), — информационные технологии, используемые в управлении процессами жизненного цикла изделия или системы, в основном для сложных (высокотехнологичных и наукоемких) образцов продукции машиностроения
Статья поступила в редакцию 15.11.2024
4. Применение анализа больших данных и предиктивной аналитики для прогнозирования сбоев.
5. Внедрение систем защиты для ки-бербезопасности CALS-систем.
6. Создание национальных и международных стандартов, позволяющих обеспечить единый уровень между предприятиями.
Заключение
ходе исследования был проведен анализ существующих научных работ по проблемам управления качеством наукоемкой продукции с использованием интеллектуальных производственных и информационных технологий. Работа направлена на систематизацию знаний о современных
Список литературы
1. Chesalin A.N., Grodzenskiy S.Y., Nilov M.Y., and Pham V.T. Cybernetics, Economics and Organization of Mechanical Engineering Production / IOP Conference Series: Materials Science and Engineering. — 2020. — Т. 862; https://iopscience.iop.org/ article/10.1088/1757-899X/862/4/042032.
2. Кузнецова С.В., Семенов А.С. // Труды МАИ. — 2023. — № 131.
3. Ибрагимова З.М., Джамалдинова М.А. // Colloquium-journal. — 2022. — № 31(154); https://cyberleninka.ru/article/n/analiz-bolshih-dannyh-upravleniya-tsepochkami-postavok-na-osnove-iot-pri-uchastii-promyshlennyh-otrasley.
4. Ларионова О.А., Ларионов А.И. Актуальные проблемы современной науки и производства / III Всеросс. науч.-техн. конф. — 2018.
5. Боргардт Е.А., Бобель Д.Н. // International Journal of Humanities and Natural Sciences. — 2021. — Т. 8-1(59).
6. Боровков А.И., Рябов Ю.А., Щербина Л.А. и др. Цифровые двойники в высокотехнологичной промышленности: монография / Под ред. А.И. Боровкова. — СПб: Политех-Пресс, 2022.
7. Кокорев Д.С., Посмаков Н.П. // Colloquium-journal. — 2019. — № 26(50); https://cyberleninka.ru/article/n/primenenie-tsifrovyh-dvoynikov-v-proizvodstvennyh-protsessah.
8. Третьякова Т.И., Плюснина Е.В. Эффективность информационных систем организации и управления наукоемким предприятием; https://cyberleninka.ru/article/n/effektivnost-informatsionnyh-sistem-organizatsii-i-upravleniya-naukoemkim-predpriyatiem.
9. Казначеева А.А., Захаркина С.В., Власенко О.М., Рыжкова Е.А. // Инженерный вестник Дона. — 2021. — № 12.
10. Сосфенов Д.А. // Инновации и инвестиции. — 2023. — № 5.
11. Менциев А.У., Айгумов Т.Г., Эмирова Г.А. // Инженерный вестник Дона. — 2023. — № 2.
12. Абрамова А.А. // Экономика и качество систем связи. — 2023. — № 3.
13. Кузин Е.Г. // Горное оборудование и электромеханика. — 2023. — № 1(165).
14. Ляпунцова Е.В. // Известия ТулГУ. Технические науки. — 2023. — Вып. 7.
15. Тарасова А. // Главный инженер. Управление промышленным производством. — 2019. — № 2; https://panor.ru/articles/ problematika-vnedreniya-innovatsionnykh-tekhnologiy-na-proizvodstvennykh-predpriyatiyakh/6814.html#.
16. Цыцарова Н., Федюкова Г. // Экономика и управление. — 2022. — № 1(163).
17. Джафари М.С., Дрыгин А.А. // Научно-методический электронный журнал «Концепт». — 2017. — Т. 39; http://e-koncept. ru/2017/970434.htm.
18. Кудухова А.Р. // Скиф. Вопросы студенческой науки. — 2019. — № 8(36).
19. Штарев В., Лазарев А., Комиссаров К. // CADmaster. Комплексная автоматизация. — 2007. — № 5(40).
Kompetentnost / Competency (Russia) 2/2025 ISSN 1993-8780. DOI: 10.24412/1993-8780-2025-2-24-28
Quality Management of High-Tech Products Using ISI Technologies
E.V. Ryzhkova1, Siberian State University of Geosystems and Technologies (SSUGT), [email protected] A.V. Shaburova2, SSUGT, Assoc. Prof. Dr. (Ec.), [email protected]
1 Assistant, Novosibirsk, Russia
2 Director of Institute of Optics and Information Security Technologies, Novosibirsk, Russia
Citation: Ryzhkova E.V., Shaburova A.V. Quality Management of High-Tech Products Using ISI Technologies, Kompetentnost'/ Competency (Russia), 2025, no. 2, pp. 24-28.
In conditions of global competition and rapid technological progress, high-tech products are becoming an important element of economic growth and innovative development. Managing the quality of such products is a critical factor that directly affects their competitiveness. Modern ISI technologies, including automated control systems, big data analysis, digital twins and machine learning, play a key role in optimizing quality management processes. However, the implementation of these technologies is accompanied by a number of difficulties that require detailed analysis and development of recommendations.
In the course of this study, an analysis of existing scientific papers has been conducted on the problems of quality management of high-tech products using intelligent manufacturing and information technologies.
1. Chesalin A.N., Grodzenskiy S.Y., Nilov M.Y., and Pham V.T. Cybernetics, Economics and Organization of Mechanical Engineering Production, IOP Conference Series: Materials Science and Engineering, 2020, vol. 862; https://iopscience.iop.org/article/10.1088/1757-899X/862/4/042032.
2. Kuznetsova S.V., Semenov A.S., Trudy MAI, 2023, no. 131.
3. Ibragimova Z.M., Dzhamaldinova M.A., Colloquium-journal, 2022, no. 31(154); https://cyberleninka.ru/article/n/analiz-bolshih-dannyh-upravleniya-tsepochkami-postavok-na-osnove-iot-pri-uchastii-promyshlennyh-otrasley.
4. Larionova O.A., Larionov A.I. Actual problems of modern science and production, III All-Russian sc. and tech. conf., 2018, pp. 134-138.
5. Borgardt E.A., Bobel' D.N., International Journal of Humanities and Natural Sciences, vol. 8-1(59), 2021, pp.178-180.
6. Borovkov A.I., Ryabov Yu.A., Shcherbina L.A., etc. Digital twins in high-tech industry: monograph, ed. by A.I. Borovkov, St. Petersburg, Politekh-Press, 2022, 492 P.
7. Kokorev D.S., Posmakov N.P., Colloquium-journal, 2019, no. 26(50); https://cyberleninka.ru/article/n/primenenie-tsifrovyh-dvoynikov-v-proizvodstvennyh-protsessah.
8. Tret'yakova T.I., Plyusnina E.V. Efficiency of information systems for organizing and managing high-tech enterprise; https://cyberleninka. ru/article/n/effektivnost-informatsionnyh-sistem-organizatsii-i-upravleniya-naukoemkim-predpriyatiem.
9. Kaznacheeva A.A., Zakharkina S.V., Vlasenko O.M., Ryzhkova E.A., Inzhenernyy vestnik Dona, 2021, no. 12.
10. Sosfenov D.A., Innovatsii i investitsii, 2023, no. 5, pp. 149-152.
11. Mentsiev A.U., Aygumov T.G., Emirova G.A., Inzhenernyy vestnik Dona, 2023, no. 2.
12. Abramova A.A., Ekonomika i kachestvo sistem svyazi, 2023, no. 3.
13. Kuzin E.G., Gornoe oborudovanie i elektromekhanika, 2023, no. 1(165), pp. 41-49.
14. Lyapuntsova E.V., Izvestiya TulGU. Tekhnicheskie nauki, 2023, is. 7, pp. 263-266.
15. Tarasova A., Glavnyy inzhener. Upravlenie promyshlennym proizvodstvom, 2019, no. 2; https://panor.ru/articles/problematika-vnedreniya-innovatsionnykh-tekhnologiy-na-proizvodstvennykh-predpriyatiyakh/6814.html#.
16. Tsytsarova N., Fedyukova G., Ekonomika i upravlenie, 2022, no. 1(163).
17. Dzhafari M.S., Drygin A.A., Nauchno-metodicheskiy elektronnyy zhurnal Kontsept, 2017, vol. 39, pp. 536-540; http://e-koncept. ru/2017/970434.htm.
18. Kudukhova A.R., Skif. Voprosystudencheskoynauki, 2019, no. 8(36).
19. Shtarev V., Lazarev A., Komissarov K., CADmaster. Kompleksnaya avtomatizatsiya, 2007, no. 5(40).
DOI: 10.24412/1993-8780-2025-2-24-28
key words
high-tech products, life cycle, efficiency, quality, ISI technologies
References
