Разработка адаптивной модели управления производственной организацией на основе нейронной сети

Российские производственные организации в современных условиях сталкиваются с комплексом вызовов, обусловленных как внутренними, так и внешними факторами. Санкционное давление недружественных стран, нестабильность валютных курсов, ограниченный доступ к импортному сырью, материалам и программному обеспечению, острый дефицит квалифицированных кадров, а также износ производственных фондов – всё это существенно снижает эффективность управления в организациях [1].

Наиболее распространённые проблемы в управлении включают:

• •    низкую предсказуемость поставок и проблемы с формированием устойчивых логистических цепочек;

• •    колебания цен на сырьё;

• •    рост транспортных и производственных издержек;

• •    сложности с поддержанием уровня качества продукции, особенно в условиях импорто-замещения, нестабильных поставок и недостатки во входном контроле сырья и материалов, которые могут негативно отразиться на репутации организации [2];

• •    низкий уровень автоматизации процессов принятия управленческих решений, особенно в области анализа производственных и экономических данных;

• •    недостаточную согласованность между отделами организации, отвечающими за закупки, производство, сбыт и финансы [3].

Классические ERP-системы (англ. Enterprise Resource Planning), например, комплексное программное обеспечение для упрощения, автоматизации и эффективного управления бизнес-процессами в организации 1С, и MRP-системы (англ. Material Requirements Planning), планирующие потребности в материалах, несмотря на их широкое внедрение, зачастую не справляются с оперативной переработкой и анализом большого объёма данных, особенно в режиме реального времени [4]. В то же время современные интеллектуальные системы на основе искусственного интеллекта, в частности нейросетевые модели, предоставляют качественно новый уровень адаптивного управления, способный обеспечить как тактическое, так и стратегическое реагирование на отклонения и нестабильности [5].

В рамках настоящего исследования предлагается внедрение обучаемой нейросетевой модели – GRU, которая является модификацией рекуррентных нейронных сетей, способной учитывать краткосрочные и долгосрочные зависимости во временных рядах. GRU менее ресурсоёмка, чем рекуррентная нейросеть LSTM, и лучше подходит для обработки умеренного объёма данных, характерные для организаций малого и среднего бизнеса. Сравнение с архитектурой нейронных сетей LSTM и Transformer показало, что GRU обеспечивает сопоставимую точность прогнозирования при меньших вычислительных затратах и более быстрого достижения моделью оптимального решения (см. табл.).

Следует отметить, что если набор данных небольшой и ресурсы ограничены, GRU станет хорошим выбором, а если доступен большой объём данных и есть возможность задействовать мощные вычислительные системы, то рекомендуется разработка адаптивной модели управления производственной организацией на основе нейронной сети Transformer, которая обеспечит наиболее точные прогнозы [6].

Модель GRU рекомендуется разрабатывать с возможностью визуализации данных и пользовательским интерфейсом, реализованным в среде Streamlit – удобной платформе для создания веб-приложений на высокоуровневом языке программирования общего назначения с динамической строгой типизацией и автоматическим управлением памятью Python. Это позволяет внедрить нейросеть в текущие бизнес-процессы организации без необходимости глубоких изменений в IT-инфраструктуре организации.

Для успешного обучения нейросети требуется большой массив данных, отражающих реальные условия функционирования операционной логистической деятельности производственной организации [7]. Примерная информация, которую необходимо подготовить для обучения разрабатываемой модели нейросети, может быть представлена в следующем виде:

• •    производственные процессы: объёмы выпуска продукции, загрузка оборудования, последовательность операций, длительность этапов;

• •    качество продукции: индекс качества, объёмы брака, причины дефектов, журнал отклонений;

• •    запасы и закупки: остатки сырья, история закупок, сроки поставки, условия хранения;

• •    персонал и трудовые ресурсы: штатная численность, загрузка сотрудников, кадровые события, производительность труда;

• •    финансовые аспекты: затраты, выручка, прибыль, рентабельность, долговые обязательства;

• •    логистика: планы отгрузок, наличие транспорта, стоимость логистики, надёжность поставок;

• •    сбыт продукции: рыночный спрос, сезонность, геополитические и регуляторные риски;

• •    системы мониторинга: показания датчиков, аварийные события, профилактические отчёты, объединение данных из различных систем: ERP, MES, SCADA и т.п.

Данные очищаются от шумов – случайных искажений или помех, снижающих качество и достоверность информации, и от пропусков в данных – это случаи отсутствия значимой информации по некоторым объектам наблюдения, затем нормализуются и стандартизируются для последующего ввода в нейросеть. Построение модели происходит с применением фреймворка TensorFlow/Keras – это программная платформа, предназначенная исключительно для создания, обучения и прогнозирования нейросетевой модели, а визуализация и пользовательский интерфейс разрабатываются с помощью фрэймворка Streamlit.

Таблица

Сравнение нейронных сетей GRU, LSTM и Transformer [6]

Процесс обучения нейросети начинается с разделения подготовленного набора данных на три части: тренировочную, тестовую и валидационную. Затем необходимо произвести подбор гиперпараметров (число слоёв, число нейронов, скорость обучения, регуляризато-ры) и выполняется само обучение нейросети [8]. Критериями остановки обучения являются: достижение требуемой точности, отсутствие дальнейшего роста показателя качества и исключением ситуации, называемой переобучением, т.е. нейросетевая модель слишком точно описывает свойства из обучающей выборки, теряя при этом способность обобщать и эффективно работать на новых, незнакомых примерах [9]. После завершения обучения проводится детальное исследование качества полученной модели.

Полученная модель нейросети ориентирована на внедрение в цифровой контур производственной организации, с возможностью интеграции в следующие системы: ERP-системы (например, 1С:ERP, SAP, Oracle); MES-системы (управление производственными операциями); SCADA и IIoT-решения (для работы с данными от оборудования в реальном времени).

В условиях экономической нестабильности поставок, ограниченного доступа к зарубежным технологиям и поставщикам сырья и материалов, традиционные подходы к управлению производственными организациями теряют эффективность. В данной статье предложен алгоритм разработки адаптивной модели управления на основе нейронной сети типа GRU, реализуемой на платформе Streamlit с использованием фреймворка TensorFlow/Keras. Разработанная модель обеспечивает автоматизацию процесса принятия управленческих решений, позволяя учитывать многомерные входные данные, отражающие производственные процессы, качество продукции, управление запасами и закупками, состояние персонала, финансовые показатели, логистические параметры, рыночные условия и данные от автоматизированных систем мониторинга.

Предложенная модель может быть интегрирована в существующие ERP/MES-системы, расширяя их функционал за счёт интеллектуального анализа данных и поддержки принятия решений. Дальнейшие исследования могут быть направлены на развитие модулей самообучения модели, применение гибридных архитектур и расширение состава внешних факторов, влияющих на производственную деятельность.