УДК 004

Внедрение систем прогнозирования отказа оборудования в области машиностроения

Печковский Илья Максимович – магистрант МИРЭА – Российского технологического университета

Аннотация: В статье рассматривается область машиностроения, выделяются её особенности. Рассматривается возможность повышения эффективности производства, посредством внедрения системы прогнозирования отказа оборудования, основанной на технологии нейронных сетей в процесс производства деталей на фрезерном ЧПУ станке, а именно оптимизация технического обслуживания станка и предотвращение внезапных выходов из строя, происходящий по причине износа. Определяются плюсы и минусы внедрения системы, а также ключевые параметры, влияющие на эффективность производства. Рассматриваются основные проблемы мониторинга и технического обслуживания станков. Проводится анализ текущих разработок в сфере применения нейронных сетей для оптимизации в различных сферах. Определяются ключевые требования для внедрения подобной системы в производство.

Ключевые слова: машиностроение, оптимизация производства, фрезерный станок, нейронные сети, износ оборудования, цифровые технологии, прогнозирование.

В наше время развитие информационных технологий идёт крайне стремительно и не думает останавливаться. Если ещё каких-то 40-50 лет назад компьютер являлся роскошью, то сейчас его можно встретить практически в каждом доме. Различные вычислительные устройства используются во многих сферах жизни. И конечно же это не могло ни оказать влияния на производственную сферу. Технологии всё больше и больше внедряются на фабрики и заводы, появляются системы автоматического управления, различная робототехника, системы CAD и CAM, позволяющие разрабатывать продукцию быстрее. Развитие интернета вещей позволило собирать и анализировать данные непрерывно и в реальном времени. Информационные технологии подарили производствам ERP и SCM системы для координации и оптимизации поставок и многое другое. И это не удивительно, ведь любое производство стремится к увеличению эффективности и снижению издержек и потерь, а многие инновации в этом несомненно помогают. Говоря о эффективности производства, стоит остановится на концепции бережливого производства, чьей главной идеей является максимальное устранение любых потерь, а точнее к её части, называемой эффективностью использования оборудования или Overall Equipment Efficiency (сокращенно OEE). OOE – это система оценки потерь, связанных с оборудованием и набор инструментов для их устранения. Это не просто абстрактная величина, а конкретный показатель, который можно рассчитать и выразить в процент отношении. OEE – это универсальный показатель, который позволяет оценивать эффективность производства в целом. Оценка наиболее плотно связана с тремя характеристиками: доступностью, производительностью и качеством. Исходя из этого можно сделать вывод, что этот показатель служит для оценки и анализа потерь, связанных с простоями оборудования, недостаточной скоростью производства, низким качеством продукции. На производство также значительно влияют профилактические ремонты, техническое обслуживание, обучение сотрудников, непредвиденные остановки производства, поломки и брак на производстве [6]. Если на потери, связанные с обучением персонала и непредвиденными остановками производства повлиять с помощью информационно-аналитической системы не получится, то на другие факторы можно воздействовать, используя системы искусственного интеллекта.

Машиностроение – отрасль промышленности, занимающая производством машин, оборудования, приборов, механических компонентов и т.д., в том числе являющихся средствами производства. Машиностроение является одной из ключевых и наиболее важных отраслей производства, играющей центральную роль в экономическом развитии и технологическом прогрессе общества. Оно является основой для разработки и создания машин и оборудования, необходимых во всех отраслях промышленности [7]. Оно обеспечивает производство оборудования и инструментов, которые используются для производства товаров и услуг в других секторах. Оно стимулирует научные исследования и разработку новых технологий, включая автоматизацию, робототехнику.

Одним из методов повышения эффективности производства является оптимизация процессов технического обслуживания. Данные, показывающие влияние технического обслуживания и поломок на эффективность производства в машиностроении, могут сильно варьироваться в зависимости от множества факторов, таких как тип оборудования, интенсивность эксплуатации, качество обслуживания и уровень автоматизации производства. Однако согласно различным источникам, в общих чертах, можно сказать, что неэффективные техническое обслуживание и профилактические работы могут приводить к длительным простоям, что снижает эффективность производства на 5-20%. Поломки же могут ещё серьёзнее повлиять на эффективность поскольку зачастую требуют длительного времени для ремонта, что приводит к снижению эффективности на 10-30%. Для предотвращения подобных ситуаций или как минимум уменьшения частоты их появления может быть внедрена система, которая с помощью искусственного интеллекта, обученного на данных производства, а также с использованием формул вероятностных расчётов надёжности деталей машин [4, c. 116-120], сможет показывать какие показатели наиболее сильно влияют на возникновение отказов, позволит найти оптимальные режимы работы, а также снизить частоту отказов оборудования, посредством прогнозирования при различных входных данных. Также система сможет прогнозировать отказ и его вероятность при заданных пользователем входных данных, таких как режим работы, тип детали, температура, скорость вращения инструмента и других. Необходимо обеспечить возможность передачи и хранения данных с производства, а также масштабируемость системы. Перед созданием системы необходимо внимательно изучить процесс производства, создать схему процесса производства и движения данных. Также необходимо разработать алгоритм работы системы и определить её компоненты.

В настоящее время машиностроение использует такие технологии как цифровое проектирование и моделирование с помощью CAD/CAE/CAM систем, аддитивное производство, интернет вещей для сбора и анализа больших данных, интеграцию киберфизических систем. С помощью этих технологий отрасль машиностроения становится всё более инновационной и гибкой. Как уже говорилось выше, каждое производство стремится к максимальной эффективности и для этого часто используются САУ или системы автоматического управления для станков. И одним из таких современных станков является фрезерный станок, оптимизации работы которого будет во многом посвящена эта статья.

 Фрезерные станки бывают разных типов, включая горизонтальные, вертикальные, универсальные и ЧПУ-фрезерные станки, каждый из которых подходит для выполнения определенных задач и создания определенных видов деталей. Фрезерный станок является одним из наиболее важных инструментов в машиностроении из-за его универсальности и способности выполнять широкий спектр операций обработки. Фрезерные станки способны выполнять множество операций, таких как фрезерование, сверление, растачивание, зенкерование и нарезание резьбы, что делает их экономически выгодным и многофункциональным решением для производства широкого спектра деталей. Он позволяет обрабатывать комплексные поверхности и формы, которые могут быть сложны или неосуществимы для выполнения на других типах станков. С помощью установленного ЧПУ, станки позволяют достичь высокой точности и повторяемости деталей. Также эти станки могут работать с широким диапазоном материалов, включая металлы, пластмассы, композиты [8]. Из-за такой важности данного станка любые простои, поломки или неправильный график технического обслуживания сильно сказывается на производительности, увеличивает общие затраты, снижает качество продукции.

Рассмотрим в качестве примера процесс изготовления вала. Сперва необходимо определить ключевые факторы, влияющие на эффективность производства. В машиностроении качество и эффективность производства являются ключевыми факторами, определяющими успех на рынке. Оптимальное сочетание технологических процессов, качества материалов и управления производственными ресурсами необходимо для достижения высоких стандартов продукции. Ниже перечислены основные параметры, которые влияют на эффективность производства валов, охватывая аспекты от выбора материала до экономических факторов:

1. Качество материала: тип и однородность материала определяют прочность и долговечность валов, что напрямую влияет на качество конечного продукта.
2. Точность обработки: Допуски и отклонения: соблюдение точных размеров гарантирует правильную сборку и функционирование механизмов. Качество поверхности: влияет на износостойкость и может снижать вероятность отказов в эксплуатации.
3. Производственные технологии: Обработка: фрезерование, токарная обработка, шлифование и другие виды обработки должны быть оптимизированы для обеспечения качества и эффективности. Контроль качества: непрерывный контроль на каждом этапе производства для обеспечения соответствия стандартам качества.
4. Проектное решение: Конструкция вала: проектные решения, такие как размеры, форма, распределение массы и балансировка, напрямую влияют на эффективность и долговечность вала. Расчет нагрузок: точные расчеты механических нагрузок, которым будет подвергаться вал, критичны для определения требований к прочности и жесткости.
5. Оптимизация производственного процесса: Автоматизация: внедрение автоматизированных и роботизированных производственных линий, систем автоматического контроля и прогнозирования может существенно повысить эффективность. Управление производством: эффективное планирование, управление запасами и логистика снижают время простоев и повышают общую производительность.
6. Экономические аспекты: Стоимость материалов и обработки: оптимизация затрат на материалы и производственные процессы без ущерба для качества. Энергоэффективность: снижение энергопотребления в процессе производства способствует сокращению операционных расходов.
7. Подготовка и квалификация персонала: Обучение и навыки: квалифицированный персонал с необходимыми навыками и опытом является ключом к высококачественному и эффективному производству [22].

Как видно на эффективность производства влияет множество различных факторов, но стоит учесть, что оптимизировать их все в одной системе невозможно, а некоторые, например подготовку персонала с помощью информационно-аналитической системы оптимизировать и вовсе нельзя.

Чтобы спрогнозировать отказ оборудования, первое, что нужно знать, это основные параметры, которые влияют на нарушения в его работе и как следствие ведут к отказу. Среди основных причин отказов можно выделить:

1. Износ компонентов: шпинделей, подшипников, направляющих.
2. Плохо закреплённый или неправильно выбранный инструмент.
3. Несоответствующие параметры резания. Слишком высокая скорость резания или неподходящий подачный режим.
4. Превышение допустимых нагрузок.
5. Нестабильное электропитание или высокая влажность, температура, пыльность.
6. Несоответствие материала заготовки требуемым спецификациям.
7. Вибрации: неуравновешенность, неправильная настройка или износ компонентов могут вызывать вибрации, влияющие на точность и стабильность работы.
8. Программное обеспечение. Сбой программы может быть связан с некорректно написанным технологическим процессом. Это случается при разработке программного обеспечения низко квалифицированными программистами. Также причина, может быть, в использовании оборудования не по целевому назначению или когда его обслуживает неквалифицированный оператор. При слабом контроле безопасности программы могут быть заражены вирусами, что также приводит к сбоям в работе.
9. Выход из строя вспомогательных деталей. К ним относится вакуумный насос, помпа системы охлаждения и др. Когда они выходят из строя, это также негативно отражается на работе оборудования и требует срочного устранения проблем [11].

Эти параметры охватывают широкий спектр возможных причин отказа ЧПУ фрезерного станка, и их понимание важно для предотвращения сбоев и поддержания надежной работы оборудования.

На текущий момент для предотвращения подобных ситуаций используют регулярное плановое техническое обслуживание, проводят дополнительные обучения операторов и технического персонала, улучшают программное обеспечение, планируют нагрузку станков, внедряют программу качества и стандартизации. Зачастую причинами операционных сбоев и поломок являются: износ оборудования, сбои в работе ПО, нарушение разработанных норм технологического прогресса, появление вибраций в работе, что приводит к нарушению графика и остановке производства. Чтобы исключить подобное, зачастую ставят цель предотвратить, прогнозировать поломки и оптимизировать техническое обслуживание. Основанием для разработки системы, ориентированной на такую цель, может послужить ряд преимуществ, которые она может предоставить, а именно: улучшение надёжности производственного процесса, повышение качества и точности изготовления, экономическая эффективность. Внедрение такой системы позволит более эффективно обнаруживать неисправности оборудования. На сегодняшний день типовыми способами обнаружения неисправностей являются:

1. Логический. Основан на анализе общей работы станка, а также его отельных механизмов и выявлении отклонений от принятых норм.
2. Практический. Проводится он при помощи приборов, с применением которых диагностируются крупные узлы станка. После определения неисправного агрегата, его разделяют на мелкие сектора и уже потом определяют ту деталь, которая вышла из строя. Применение такого способа диагностики предполагает частичную разборку станка.
3. При помощи оборудования, имеющего программное обеспечение, проводится оценка состояния станка. Для определения места и причины поломки, разбирать его не надо.
4. Метод, который рассматривается в этой статье. Создание системы прогнозирования и раннего предупреждения о дефектах и поломках: использование технологий искусственного интеллекта, машинного обучения и анализа данных для предсказания потенциальных отказов и дефектов до их фактического проявления.

Информацию об этих методах сведена в сравнительную таблицу, в которой выделены их основные критерии [16, 17].

Ниже приведена сравнительная таблица описанных способов:

Таблица 1. Сравнительная таблица способов обнаружения неисправностей.

	Логический	Практический	Оборудование с ПО	Система прогнозирования
Точность диагностики	Средняя	Высокая	Высокая	Очень высокая
Требуемое время на диагностику	Быстро	Медленно	Быстро	Очень быстро
Сложность реализации	Низкая	Средняя	Средняя	Средняя
Стоимость реализации и эксплуатации	Низкая	Высокая	Высокая	Средняя

Как видно по таблице каждый метод имеет свои преимущества и недостатки, создание системы прогнозирования и раннего предупреждения может предложить наибольшие выгоды в долгосрочной перспективе, обеспечивая более высокую точность, быстродействие и экономическую эффективность. Более подробное описание преимуществ системы прогнозирования представлено ниже.

Точность диагностики: система прогнозирования обладает наиболее высокой точностью, так как использует продвинутые алгоритмы анализа данных и может предсказывать неисправности, основываясь на обширной информации.

Требуемое время на диагностику: системы прогнозирования обычно работают в режиме реального времени и способны оперативно предупреждать о возможных проблемах, что позволяет планировать обслуживание заранее и избегать длительных простоев.

Сложность реализации: хотя создание системы прогнозирования может потребовать значительной предварительной настройки и обучения модели, в долгосрочной перспективе она может быть интегрирована с существующим оборудованием и ПО, обеспечивая удобное и эффективное управление.

Стоимость реализации и эксплуатации: начальные затраты на разработку и внедрение системы прогнозирования могут быть выше, чем у других методов, но со временем она может значительно снизить операционные расходы за счет предотвращения дорогостоящих поломок и сокращения простоев.

Мониторинг и техническое обслуживание фрезерного станка сопряжены с рядом проблем, трудностей и неудобств, которые могут привести к различным негативным последствиям. Выявление неисправностей и точная диагностика требуют специализированных знаний и оборудования, а неверная диагностика может привести к неправильному обслуживанию, что увеличивает риск поломок и снижает эффективность работы станка. Качественное техническое обслуживание требует значительных финансовых затрат, что иногда может приводит к откладыванию проведения необходимого обслуживания. Помимо прочего, качественный мониторинг и техническое обслуживание требуют высококвалифицированных специалистов, а их отсутствие может привести к ухудшению состояния оборудования и увеличению времени простоев [21]. Некоторые виды диагностики также требуют доступа к труднодоступным участкам станка для осмотра и ремонта. Техническое обслуживание в случае отсутствия системы прогнозирования износа, зачастую носит плановый характер, что может приводить к неоптимальным остановкам производства и как следствие потере эффективности. Эти проблемы требуют внимательного подхода к планированию и выполнению технического обслуживания, а также к обучению и подготовке персонала. Недооценка значимости этих аспектов может привести к снижению производительности, увеличению затрат и потенциальным простоям в работе оборудования.

На данный момент большая часть исследований по проведению и автоматизации технического обслуживания датируется 2007-2017 годами. В пример можно привести статью 2014 года «Техническое обслуживание и ремонт металлообрабатывающих станков с ЧПУ на основе безразборной диагностики технического состояния», опубликованную в Известиях Самарского научного центра Российской академии наук, том 16 за авторством Писарева Владимира Ивановича, Ваганова Антона Александровича, Денисенко Александра Федоровича, Тютерева Игоря Олеговича [12]. В ней представлен обзор современных, на тот момент, методов и средств, а также результаты внедрения на предприятии системы технического обслуживания и ремонта по фактическому состоянию на основе безразборной диагностики технического состояния металлообрабатывающих станков с ЧПУ. Большинство русскоязычных статей того времени сфокусировано на оптимизации непосредственно работы самого станка. Более новые статьи зачастую рассматривают перспективы внедрения новых технологий, таких как цифровой двойник. Однако в пример современных статей, рассматривающих автоматизацию проведения технического обслуживания, можно привести статью 2022 года за авторством Немтинова В.А., Парскова В.А., Борисенко А.Б., Немтиновой Ю.В., опубликованную в Вестнике Тамбовского государственного технического университета [13]. В ней рассмотрен подход к управлению техническим обслуживанием и ремонтом станков с числовым программным управлением (ЧПУ), базирующийся на использовании теории построения экспертных систем. Поставлена и решена задача оптимального выбора мероприятий при проведении технического обслуживания и ремонта сложного оборудования с ЧПУ.

Таким образом, хотя тема автоматизации технического обслуживания с использованием современных технологий и является важной и актуальной, но работ её изучающих на данный момент достаточно мало.

Также, несомненно, стоит изучить текущие разработки, для нахождения похожих систем. Подобных систем в мире крайне мало, поскольку технологии прогнозирования с использованием нейросетей являются довольно новыми. Похожие системы, например были разработаны компаниями IBM, Siemens, Ge, однако отечественных компаний, занимающихся разработкой подобных систем довольно немного. Хотя область разработки таких систем является активно развивающейся, отечественных компаний, создающих системы, оптимизирующие производство на фрезерном станке с помощью прогнозирования поломок оборудования не существует, можно выделить лишь несколько похожих крупных систем, которые стараются использовать современные технологии для прогнозирования, таких как:

1. «Прометей», занимающийся прогнозированием уровня пожарной безопасности, оценкой пожарной безопасности. С 2019 года компания «Фортес-Про» ведет разработку цифровой платформы пожарной безопасности «Прометей», с которой будут интегрированы приборы и элементы систем противопожарной защиты зданий и сооружений. В 2020 году платформа запущена в пилотном режиме и проходит стадию согласования функционала с государством и общественными структурами, ряд технических решений также проходят тестирование на пилотных объектах в Тульской области. Среди особенностей можно выделить возможность подключения к большому числа объектов одновременно, возможность работы даже при крайне низкой скорости интернет-соединения, низкая цена установки системы. Однако минусами системы являются: ограниченность технологий подключения, поскольку в регионах с плохим или отсутствующим GSM покрытием могут возникнуть проблемы с подключением, система ориентирована преимущественно на объекты с массовым пребыванием людей, что может оставить в стороне другие типы объектов, где также важна пожарная безопасность [18].
2. Система прогнозирования спроса и планирования логистических процессов от КРОК и Novo Bi. КРОК активно расширяет портфель стратегических партнерств с российскими вендорами — в том числе в области интегрированного планирования в логистике. И благодаря сотрудничеству с Novo BI ИТ-компания сможет предложить бизнесу, работающему с массивными структурами продаж и цепочек поставок, гибкое решение для предиктивной аналитики с точностью прогноза от 85% до 99%. Флагманский программный продукт разработчика — Novo Forecast Enterprise — позволит FMCG- и DIY-компаниям, а также дистрибьюторам производить или закупать ровно столько товара, сколько они смогут продать, минимизируя дефицит и затраты на складские запасы. Среди плюсов системы можно выделить: высокую точность прогнозирования, поскольку система обеспечивает точность прогнозов спроса с уровнем от 85% до 99%, что позволяет компаниям более эффективно планировать закупки и производство товаров, применение технологий Big Data и машинного обучения (ML) обеспечивает более 3000 математических моделей и учет более 100 факторов изменения спроса, что способствует повышению точности прогноза, гибкость системы, так как она поддерживает планирование как для массовых продуктов (FMCG), так и для товаров DIY, а также дистрибьюторов. Она способна адаптироваться к различным структурам продаж и цепочкам поставок. Среди минусов можно отметить: зависимость от качества данных, так как точность прогноза зависит от качества входных данных. Если данные недостоверны или неполны, это может снизить эффективность системы, система требует доступа к глобальной сети, что может ограничить ее использование в местах с плохим интернет-покрытием [19].
3. Системы компании ВИСТ с использованием искусственного интеллекта фокусирующиеся на оптимизации горнодобывающей промышленности. Системы, разработанные ВИСТ по словам создателей, позволяют более эффективно распределять технику, оптимизировать работу и контроль качества добываемых ископаемых, увеличить точность наведения на скважину и контроль бурения. Плюсами системы можно назвать: увеличение объёмов производства и повышение качества полезного компонента добычи, повышение уровня безопасности сотрудников и техники, сокращение расходов на ГСМ. Из минусов стоит отметить: крайне высокие затраты на внедрение, сложность интеграции с уже существующими системами предприятия, высокую зависимость от технической поддержки [20].

Таким образом, хотя системы прогнозирования с использованием искусственного интеллекта активно разрабатываются, как видно систем сфокусированных непосредственно на прогнозировании отказов производственного оборудования на данный момент либо очень мало, либо вовсе нет, что является основным недостатком, а как описано выше такие системы могут очень сильно положительно повлиять на эффективность производства, поэтому разработка такой системы является актуальной и значимой задачей.

Перейдём непосредственно к критериям для создания системы для процесса производства вала, в котором ключевую роль играет фрезерный станок. Для создания подобной системы необходимо изучить режимы работы станка и условия эксплуатации. Режимы работы станка определяются скоростью вращения, температурой работы, скоростью подачи. На предприятиях эксплуатация станков ведется в соответствии с нормативными документами, содержащими правила и условия безопасной работы на станках, а также выполнение ряда мероприятий по их уходу, надзору и ремонту. Эти мероприятия определяются системой планово-предупредительного ремонта, которая включает: периодические осмотры станков, постоянное поддержание чистоты оборудования и помещений, профилактическую регулировку механизмов и устройств, профилактическую замену деталей, утративших работоспособность или быстроизнашивающихся, соблюдение методик и программ для каждого типа деталей. Создание системы прогнозирования требует комплексного подхода к сбору обработке и анализу данных. Ключевые требования для такой системы:

1. Необходимо сенсорное оборудование для сбора данных. Нужно будет установить датчики на критических узлах станка для мониторинга их работы. Система должна интегрироваться с существующим производственным оборудованием и программным обеспечением для сбора и обработки данных
2. Программное обеспечение должно быть способно обрабатывать большие объёмы данных и выявлять закономерности, анализировать текущие и исторические данные для предсказания будущих состояний оборудования и при этом иметь удобный интерфейс для отображения информации о состоянии станка и предупреждения о возможных проблемах.
3. Система должна иметь надёжные средства связи для передачи данных сенсоров в систему анализа и обратно на рабочие станции.
4. Система должна иметь защиту собранных данных и системы управления и обладать отказоустойчивостью.
5. Система должна обладать модульностью, то есть возможностью добавления новых сенсоров или улучшения программного обеспечения без полной перестройки системы и обладать способностью адаптироваться к увеличению количества оборудования или усложнению задач.

Эти технические требования создают основу для надежной и эффективной системы прогнозирования отказов.

Создание подобной системы включает в себя ряд стадий и этапов, каждый из которых имеет свои задачи и цели. Ниже изложены основные стадии и этапы:

1. Изучение области внедрения системы: особенностей производства, возможностей внедрения, текущего состояния производства и уровня автоматизации.
2. Планирование и анализ: определение целей (чёткое понимание то, что должна достичь система), составление технического задания (функциональных и технических требований к системе).
3. Разработка концепции: выбор методологии (определение подхода к прогнозированию, выбор алгоритмов), проектирование архитектуры (разработка схемы системы).
4. Разработка и тестирование: создание программного обеспечения, настройка сбора данных, проверка работоспособности на тестовых данных.
5. Эксплуатация и мониторинг: отслеживание работы системы, сбор данных о её эффективности.
6. Постоянное улучшение: анализ работы системы, обновление и модернизация.

Подобная система безусловно не является универсальным решением и может обладать как плюсами, так и минусами. Среди плюсов можно выделить: повышение производительности, поскольку система прогнозирования отказов позволяет предсказать потенциальные проблемы с оборудованием заранее, что позволяет предпринять меры по предотвращению неплановых остановок и сбоев; экономия ресурсов, так как предупреждение отказов позволяет более эффективно распределять ресурсы для технического обслуживания и замены деталей; улучшение безопасности. Предсказание отказов помогает избежать аварийных ситуаций и потенциальных несчастных случаев, что способствует повышению безопасности на производстве. Это особенно важно в области машиностроения, где работа с тяжелым и сложным оборудованием представляет определенные риски. Минусами же являются: высокие затраты на внедрение. Разработка и внедрение системы прогнозирования отказов требует значительных инвестиций в технологии, оборудование и обучение персонала. Это может быть финансово нагружающим фактором для небольших предприятий; сложность настройки и обслуживания. Сложные технические системы могут требовать высокой квалификации и опыта для настройки, обслуживания и обновления. Это может создать дополнительные трудности для предприятий, не имеющих достаточных ресурсов и квалифицированного персонала; ложные срабатывания и недостоверность прогнозов. Системы прогнозирования не всегда могут быть 100% точными, что может привести к ложным тревогам или недостоверным прогнозам, но по мере развития подобных систем этот минус будет проявляться все реже. Однако, несмотря на перечисленные минусы искусственный интеллект, нейронные сети будут всё больше и больше использоваться в сфере производства, поскольку эффективность их внедрения значительно выше, чем сопутствующие недостатки и риски.

Список литературы

1. ГОСТ 18322-2016. Система технического обслуживания и ремонта техники. Термины и определения: принят Межгосударственным советом по стандартизации, метрологии и сертификации (протокол от 22 ноября 2016 г. N 93-П): дата введения 01.09.2017 – URL: https://docs.cntd.ru/document/1200144954 – Текст: электронный. (Дата обращения: 16.09.2023)
2. ГОСТ 21623-76. Система технического обслуживания и ремонта техники. Показания для оценки ремонтопригодности. Термины и определения: принят постановлением Государственного комитета стандартов Совета Министров СССР от 9 марта 1976 г. N 574: дата введения 01.01.1977. Переиздан в ноябре 2006. – URL: https://docs.cntd.ru/document/1200010709 – Текст: электронный. (Дата обращения: 16.09.2023)
3. ГОСТ ЕН 13128-2006. Безопасность металлообрабатывающих станков. Станки фрезерные (включая расточные): принят Межгосударственным советом по стандартизации, метрологии и сертификации (протокол N 29 от 24 июня 2006 г.): дата введения 01.01.2008 – URL: https://docs.cntd.ru/document/1200054035 – Текст: электронный. (Дата обращения: 16.09.2023)
4. Кудрявцев В.Н. Детали Машин: Справочник для инженеров – Машиностроение, Ленинградское отделение, 1980 – 464 с.
5. Анурьев В.И. Справочник конструктора-машиностроителя: В 3 томах. Том 1. – 8-е издание, переработанное и дополненное. Под редакцией И. Н. Жестковой – Машиностроение, Московское отделение, 2001 – 920 с.
6. Каадзе Анастасия Геннадьевна. Эффективность оборудования. [Электронный ресурс]. 02.06.2021. – URL: https://www.kp.ru/guide/ieffektivnost-oborudovanija.html (Дата обращения: 10.11.2023).
7. Цыплов Е.А., Глашкина В.С. ЗНАЧЕНИЕ МАШИНОСТРОЕНИЯ В РАЗВИТИИ ЭКОНОМИКИ СТРАНЫ // Форум молодых ученых. 2021. №4 (56). URL: https://cyberleninka.ru/article/n/znachenie-mashinostroeniya-v-razvitii-ekonomiki-strany (дата обращения: 11.11.2023).
8. Щербаков Евгений Николаевич Фрезерные станки: устройство, виды и особенности // Наука, образование и культура. 2019. №8 (42). URL: https://cyberleninka.ru/article/n/frezernye-stanki-ustroystvo-vidy-i-osobennosti (дата обращения: 27.11.2023).
9. Алексей Сидорин. От AI до VR: как промышленность и ритейл используют новые технологии. [Электронный ресурс] 26.06.2020 – URL: https://habr.com/ru/companies/croc/articles/508328/ (дата обращения: 16.10.2023)
10. Семён Косяченко. Подход к аугментации табличных данных. [Электронный ресурс] 22.07.2022 – URL: https://habr.com/ru/companies/zyfra/articles/678134/ (дата обращения 02.10.2023).
11. Сергеев Антон Ильич. Как предотвратить поломки производственного оборудования. [Электронный ресурс] 06.07.2022 – URL: https://veshk.ru/blog/1348 (дата обращения: 26.10.2023).
12. Писарев Владимир Иванович, Ваганов Антон Александрович, Денисенко Александр Федорович, Тютерев Игорь Олегович Техническое обслуживание и ремонт металлообрабатывающих станков с ЧПУ на основе безразборной диагностики технического состояния // Известия Самарского научного центра РАН. 2014. №1-2. URL: https://cyberleninka.ru/article/n/tehnicheskoe-obsluzhivanie-i-remont-metalloobrabatyvayuschih-stankov-s-chpu-na-osnove-bezrazbornoy-diagnostiki-tehnicheskogo (дата обращения: 18.11.2023).
13. Немтинов В.А., Парсков В.А., Борисенко А.Б., Немтинова Ю.В. ПРОВЕДЕНИЕ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА ВЕРТИКАЛЬНО-ФРЕЗЕРНЫХ ОБРАБАТЫВАЮЩИХ ЦЕНТРОВ С ИСПОЛЬЗОВАНИЕМ ПРОГРАММНЫХ СРЕДСТВ // Вестник ТГТУ. 2022. №3. URL: https://cyberleninka.ru/article/n/provedenie-tehnicheskogo-obsluzhivaniya-i-remonta-vertikalno-frezernyh-obrabatyvayuschih-tsentrov-s-ispolzovaniem-programmnyh (дата обращения: 18.11.2023).
14. Стив Уорд (Steve Ward). Как анализ данных повышает эффективность производства. [Электронный ресурс] – URL: https://ritm-magazine.com/ru/public/kak-analiz-dannyh-povyshaet-effektivnost-proizvodstva (дата обращения: 20.12.2023).
15. Батова Марина Михайловна, Баранова Ирина Вячеславовна, Баранов Вячеслав Викторович, Чжао Кай. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ АВТОМАТИЗАЦИИ ПРОИЗВОДСТВА В СТРАТЕГИИ УСТОЙЧИВОГО РАЗВИТИЯ ВЫСОКОТЕХНОЛОГИЧНЫХ ПРЕДПРИЯТИЙ // Журнал прикладных исследований. 2022. №6. – URL: https://cyberleninka.ru/article/n/intellektualnye-sistemy-avtomatizatsii-proizvodstva-v-strategii-ustoychivogo-razvitiya-vysokotehnologichnyh-predpriyatiy (дата обращения: 15.11.2023).
16. Методы диагностики станков с ЧПУ [Электронный ресурс] 06.10.2023 – URL: https://ru.uli-cnc.com/info/diagnostic-methods-for-cnc-machine-tools-88360519.html  (дата обращения: 14.09.2023).
17. Станки с ЧПУ. Дефекты в работе и методы их исключения [Электронный ресурс] –  URL: https://cncglobal.ru/stati/stanki-s-chpu-defekty-v-rabote-i-metody-ih-iskljuchenija/ (дата обращения: 14.09.2023).
18. Цифровая платформа пожарной безопасности зданий Прометей. [Электронный ресурс] – URL: https://prometey.digital (дата обращения: 16.10.2023).
19. Novo Bi. Цифровые решения. [Электронный ресурс] – URL: https://novobi.ru/ru/ (дата обращения: 16.10.2023).
20. Вист. Горная промышленность. [Электронный ресурс] – URL: https://www.zyfra.com/ru/industries/mining/ (дата обращения: 16.10.2023).
21. Елена Шпрингер. Мониторинг промышленного оборудования: снижение издержек, продвинутое техобслуживание и удаленное управление. [Электронный ресурс] 06.07.2022 – URL: https://cloud.vk.com/blog/monitoring-promyshlennogo-oborudovanija (дата обращения: 20.11.2023).
22. Назарова Маргуба Гуламовна Факторы, влияющие на повышение эффективности производства // European science. 2020. №1 (50). URL: https://cyberleninka.ru/article/n/faktory-vliyayuschie-na-povyshenie-effektivnosti-proizvodstva (дата обращения: 18.09.2023).