WWW.MASH.DOBROTA.BIZ
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - онлайн публикации
 

Pages:   || 2 | 3 | 4 | 5 |   ...   | 6 |

«Институт проблем управления сложными системами Труды XVII Международной конференции Proceedings of the XVII International Conference ПРОБЛЕМЫ УПРАВЛЕНИЯ И МОДЕЛИРОВАНИЯ В СЛОЖНЫХ CИСТЕМАХ ...»

-- [ Страница 1 ] --

Российская академия наук

Самарский научный центр

Институт проблем управления сложными системами

Труды XVII Международной конференции

Proceedings of the XVII International Conference

ПРОБЛЕМЫ УПРАВЛЕНИЯ

И МОДЕЛИРОВАНИЯ В СЛОЖНЫХ CИСТЕМАХ

COMPLEX SYSTEMS:

CONTROL AND MODELING PROBLEMS

22-25 июня 2015, Самара, Россия June 22-25, 2015, Samara, Russia

Редакторы: Editors:

академик Е.А. Федосов academician E.A. Fedosov академик Н.А. Кузнецов academician N.A. Kuznetsov профессор В.А. Виттих professor V.A. Vittikh

Проблемы управления и моделирования в сложных системах:

Труды XVII Международной конференции (22-25 июня 2015 г. Самара, Россия) / Под ред.: акад. Е.А. Федосова, акад. Н.А. Кузнецова, проф. В.А. Виттиха .

- Самара: Самарский научный центр РАН, 2015. – 736 с .

ISBN В сборнике содержатся труды XVII Международной конференции «Проблемы управления и моделирования в сложных системах», распределенные по направлениям: управление ресурсами на машиностроительных предприятиях; управление космическими полётами; процессы управления в обществе (в социальных, экономических и политических системах); информационные технологии в управлении; теория оптимального управления и её приложения; эргатические системы и техногенные среды; управление в сложных технических системах;



измерения, контроль и диагностика в экстремальных условиях .

ISBN © Федеральное государственное бюджетное учреждение науки Институт проблем управления сложными системами Российской академии наук, составление, оформление, 2015 © Все права принадлежат авторам публикуемых работ, 2015 The XVII International Conference ”Complex Systems: Control and Modeling Problems” (CSCMP’2015), was held on June 22-25, 2015 in Samara (Russia) by the International Association for Mathematics and Computers in Simulation (IMACS), National Committee of Automatic Control of Russia, Samara Scientific Centre of Russian Academy of Sciences, Institute for Control of Complex Systems of Russian Academy of Sciences (ICCS RAS) with the participation of the Volga Region University of Telecommunications and Informatics and Smart Solutions Company (Samara, RF) .

The Conference was funded according to the project № 15-08-20411 of Russian Foundation for Basic Research .

The conference reports were presented on the following sections:

Resources Management at Machinery Plants;

Aerospace Flights Control;

Management Processes in the Society (in Social, Economical and Political systems);

Information Technologies in Control and Management Systems;

Theory of Optimal Control and its Applications;

Ergatic Systems and Technogenic Medium;

Control in Complex Technical Systems;

Measuring, Control and Diagnostics in Extreme Conditions .

The scientists from universities and research institutes of Bulgaria, Czech Republic, Germany, Great Britain, the Netherlands, and Portugal participated at the conference. The Russian participants represented the Russian Academy of Sciences, research institutes, universities, research and development centers, enterprises and governmental authorities .

III XVII Международная конференция «Проблемы управления и моделирования в сложных системах» (ПУМСС-2015) проводилась в г .



Самаре (Россия) с 22 по 25 июня 2015 года Международной ассоциацией по математическому и компьютерному моделированию (IMACS), Российским Национальным комитетом по автоматическому управлению, Самарским научным центром Российской академии наук, Институтом проблем управления сложными системами Российской академии наук (ИПУСС РАН) при участии Поволжского государственного университета телекоммуникаций и информатики, а также научнопроизводственной компании «Разумные решения» (г. Самара) .

Конференция получила финансовую поддержку Российского фонда фундаментальных исследований (проект № 15-08-20411) .

На конференции были представлены доклады по следующим направлениям:

Управление ресурсами на машиностроительных предприятиях;

Управление космическими полётами;

Процессы управления в обществе (в социальных, экономических и политических системах);

Информационные технологии в управлении;

Теория оптимального управления и её приложения;

Эргатические системы и техногенные среды;

Управление в сложных технических системах;

Измерения, контроль и диагностика в экстремальных условиях .

В конференции приняли участие ученые из университетов и научных учреждений Болгарии, Великобритании, Германии, Нидерландов, Португалии, Чешской республики. Отечественные ученые представляли Российскую академию наук, научно-исследовательские институты, вузы, научно-производственные объединения и промышленные предприятия страны, органы государственной власти .

–  –  –

VII Aerospace Flights Control Управление космическими полётами П.Н.Васильева 1 .

Совершенствование методов информационного обеспечения экипажей пилотируемого космического аппарата в случае возникновения аварийной ситуации на борту с использованием современных информационных технологий М.М. Ведерникова, Ю.А. Скурский, А.И. Спирин 2 .

Контроль работы сложных технических систем .

Средства информационной поддержки А.В. Донсков 3 .

Применение нечетких множеств при парировании аномальных ситуаций в ходе полета пилотируемого космического аппарата М.М. Матюшин, Д.А. Зеленов, Н.Л. Соколов, Е.В. Бакланов 4 .

Базовый ЦУП Роскосмоса как высокотехнологичный инструмент управления 138 сложными системами космического назначения В.И. Станиловская, А.М. Беляев, О.И. Лахин, А.И.Носков, Д.Н. Иванова 5 .

Подход к адаптивному планированию полетных операций российского сегмента 147 международной космиеческой станции на основе мультиагентных технологий Management Processes in the Society (in Social, Economical and Political systems) Процессы управления в обществе (в социальных, экономических и политических системах)

1. А.Ю. Акутина, Г.И. Горемыкина, И.Н. Мастяева Моделирование системы оценки влияния факторов внешней среды на стратегию поведения вуза на рынке образовательных услуг





2. А.В. Амеличкин, С.П. Ковалёв Технология модельно-ориентированной разработки автоматизированных средств эффективного управления энергопотреблением

3. М.Р. Арпентьева Эвергетические стратегии и управление развитием сообществ

4. Н.М. Боргест Процессы управления в обществе: онтологические доминанты и информационные технологии

5. С.Ф. Боев, Д.Д. Ступин, А.А. Кочкаров, П.О.Скобелев Обеспечение государственной безопасности в контексте взаимосвязи оборонных, техногенных, и социальных угроз

6. В.А. Виттих Рациональность как обретение смысла и ответственности в проблемных ситуациях VIII

7. В.А. Виттих О понятиях «познание» и «осознание» в науке об управлении

8. В.А. Виттих, Д.В. Горбунов, Т.В. Моисеева, С.В. Смирнов 202 Принципы управления процессом рождения инновационных идей

9. Л.Ю. Грудцына, И.Ю. Мышкина Методика оценки бизнес-проектов самозанятости безработных граждан 215 на основе иерархии нечетких критериев оптимальности

10. Н.Г. Губанов, А.А. Кимлык Совершенствование систем управления принятием решений 220 при проектировании объектов нефтегазовой отрасли

11. Б.Г. Ильясов, А.Г. Карамзина, Ю.Р. Фазлетдинова Анализ многосвязных процессов обмена знаниями в научной школе

12. М.Н. Кустова, В.А. Марин Теоретические предпосылки для разработки современной модели специалиста с высшим образованием

13. О.В. Павлов 238 Динамическая задача стимулирования с учетом эффекта кривой обучения

14. В.В. Попков 244 Двойственность и целостность экономических систем

15. В.М. Рамзаев, В.Г. Чумак, И.Н. Хаймович Теория и практика современного управления конкурентоспособностью 252 территорий с использованием интенсивных данных

16. В.Г. Саркисов

Коалиции инвесторов с несовпадающими предпочтениями:

преимущества и проблемы реализации

17. Л.С. Федосеева, И.М. Назаркина, Л.Ю. Пудовинникова Модель организации самостоятельной деятельности медицинской сестры – 262 требование времени

18. М.В. Цапенко, М.Ю. Лившиц Способ многокритериального оценивания системной эффективности инновационного потенциала региона

19. Л.Л. Чекалов Взаимодействие текущей информации и памяти в процессе управления биологическими системами

–  –  –

X

16. Л.Р. Черняховская, И.П. Владимирова, А.И. Малахова Синергетические эффекты в управлении взаимодействием деловых процессов 406 на основе менеджмента качества и обработки знаний

17. Л.Р. Черняховская, В.Е. Гвоздев, А.Ф. Галиуллина, А.И. Малахова, Н.И. Ровнейко Управление реализацией инновационных проектов на основе методов 414 интеллектуальной поддержки принятия решений Theory of Optimal Control and its Applications Теория оптимального управления и её приложения

1. B. Nacke, J. Neumeyer, H. Schlbe Control of induction assisted hybrid-welding processes to join heavy-walled steel components

2. Yu. Pleshivtseva, E. Rapoport, B. Nacke, A. Nikanorov Multi-objective optimization of induction heaters design: problem solution 427 by means of alternance method

3. D. Schlesselmann, B. Nacke, A. Nikanorov Calculation and optimization of temperature and microstructure in induction 433 surface hardening

4. А.В. Банникова, А.В. Медведев 439 О непараметрических алгоритмах управления динамической системой

5. В.Б. Демидович, И.И. Растворова, М.Ю. Хацаюк Исследования и моделирование безтигельной индукционной плавки 445 титановых сплавов

6. Н.В. Коплярова, А.В. Медведев, Е.А. Чжан Об алгоритмах оптимизации технологического процесса производства 454 электрорадиозделий

7. В.А. Кубышкин, С.С. Постнов, Е.А. Постнова Оптимальное управление линейными системами нецелого порядка 460 на основе метода моментов

8. В.И. Меркулов, Д.А. Миляков, И.О. Самодов Коллективное управление беспилотными летательными аппаратами 472 в составе локальной сети

9. В.И. Меркулов, П.А. Садовский 475 Многоцелевое сопровождение в двухдиапазонных радиолокационных системах

10. Э.Я. Рапопорт Минимаксная оптимизация программного управления с обратными связями 481 в неполностью определенных системах с распределенными параметрами

–  –  –

Control in Complex Technical Systems Управление в сложных технических системах A.V. Utkin, D.V. Krasnov 1 .

Tracking problem in nonlinear SISO–systems under disturbances within 547 the restrictions on state variables and control А.З. Асанов, В.С. Каримов 2 .

Синтез квазиадаптивной системы автоматического управления с эталонной мо- 555 делью для многосвязного объекта с запаздываниями по выходу А.В. Ванин, Е.М. Воронов, А.А. Карпунин, К.К. Любавский 3 .

Реализация сложной двухуровневой системы «наведение-стабилизация»

летательного аппарата на основе учета параметрических взаимосвязей 561 подсистем и предварительной адаптации системы стабилизации по наведению И.А. Васильев, Д.А. Вохминцев 4 .

Автономное управление подводным аппаратом для маневрирования в стеснённых условиях

–  –  –

XIII Measuring, Control and Diagnostics in Extreme Conditions Измерения, контроль и диагностика в экстремальных условиях В.Н. Белопухов, С.Ю. Боровик, М.М. Кутейникова, П.Е. Подлипнов 1 .

Предварительная обработка данных кодов в системе измерения радиальных и осевых смещений торцов лопаток сложной формы на основе 677 адаптивного алгоритма В.Н. Белопухов, С.Ю. Боровик, М.М. Кутейникова 2 .

Определение экстремума функции изменения кодов в системе измерения 679 радиальных и осевых смещений торцов лопаток сложной формы В.Н. Белопухов, С.Ю. Боровик, П.Е. Подлипнов 3 .

О повышении производительности системы измерения радиальных и осевых смещений торцов лопаток С.Ю. Боровик, М.М. Кутейникова, П.Е. Подлипнов, Б.К. Райков, 4 .

Ю.Н. Секисов, О.П. Скобелев Метод измерения радиальных и осевых смещений торцов лопаток сложной формы и результаты его исследований С.Ю. Боровик, М.М. Кутейникова, П.Е. Подлипнов, Б.К. Райков, 5 .

Ю.Н. Секисов, О.П. Скобелев Моделирование и экспериментальные исследования переходных процессов в одновитковом вихретоковом датчике С.Ю. Боровик, М.М. Кутейникова, П.Е. Подлипнов, Б.К. Райков, 6 .

Ю.Н. Секисов, О.П. Скобелев Сравнение результатов моделирования и экспериментальных исследований из- 687 мерительной цепи с одновитковыми вихретоковыми датчиками В.И. Батищев, И.И. Волков, А.Г. Золин 7 .

Синтез двумерных обратных фильтров для решения задач 690 восстановления изображений О.А. Булыно, Д.В. Скворцов, Н.А. Сергеева 8 .

О задаче группировки результатов испытаний в системе диагностики надежности электрорадиоизделий М.А. Габидулин, П.А. Тупиков 9 .

Синтез и анализ погрешностей адаптивного корректора сигналов 701 синусно-косинусного преобразователя перемещений А.М. Грузликов, Н.В. Колесов, М.В. Толмачева 10 .

Оптимизация дискретно-событийной диагностической модели распределенной системы реального времени Б.К. Райков, П.Е. Подлипнов 11 .

Экспериментальные исследования влияния соседних лопаток сложной 715 формы на функции преобразования и его уменьшение Plenary Papers Пленарные доклады

SELF- MANAGEMENT IN THE EMERGING GLOBAL SOCIETY

–  –  –

Ключевые слова: Complexity, Management, Global Society, Self-Organisation, SelfManagement

Abstract

As the rapid development of digital technology caused a step-wise increase in complexity of our socioeconomic environment, it became obvious that we are evolving towards a richly interconnected, complex global society and no nation or any other constituent element of this Global Village will be able to exist and prosper independently. Also, there is ample evidence that under new conditions traditional management approaches are not longer effective. Complex political, administrative and business organisations are capable of self-organisation and therefore they can adapt to changes in their environments without any external management intervention. Does selforganisation inevitably lead to self-management?

Introduction Complexity is an inherent property of many systems that constitute the environment in which we live and work, namely, ecological, biological, thermodynamic and social systems (including political, administrative, economic, business and socio-technical systems). Until recently levels of complexity of social systems were low and consequently complexity was largely ignored. However, with the rapid development of digital technology the situation has changed, particularly when the Internet transformed the world into a “global village” and linked regional and national markets into a single “global market” .

Many researchers have contributed to the understanding of complexity, notably Prigogine [1, 2], Kaufman [3], Holland [4] and many others. As always at the onset of a paradigm shift there are several competing “schools” of complexity science .

This paper is based on pioneering work on developing experimental science and art of Managing Complexity [5] but it goes beyond that and asks a question: Will self-organisation inevitably lead to self-management?

Let us start by reviewing the definition of complexity, re-examining the demarcation between deterministic, random and complex systems and revisiting the co-evolution of technology, economy and society .

What is complexity?

Complexity is a property of open systems that consist of a large number of diverse, interacting components, often called agents. Complex systems can be distinguished from other systems by the seven features: connectivity, autonomy of agents, emergent behaviour, nonequilibrium, nonlinearity, self-organisation and co-evolution .

Connectivity - Agents are interconnected. Complexity of the system increases with the number of links that connect agents to each other. Complexity also depends on the strengths of links. The weaker the links between agents, the easier is to break them and form new ones, which increases system complexity .

Autonomy of Agents - Agents have certain freedom of behaviour (autonomy), which is always limited by norms, rules, regulations, and/or laws. The increase in autonomy of agents increases complexity and if all constraints on agent behaviour are removed the system switches from complex to random behaviour. Inversely, if autonomy of agents is reduced (by tightening of laws and regulations), the system complexity will decrease, and in the extreme, the system will become deterministic. Complex systems have no central control .

Emergent Behaviour - Behaviour of complex systems emerges from the interactions of agents and is not predictable and yet it is not random. Uncertainty about the outcome of agent interactions is always between 0 and 1 .

Nonequilibrium - Complex systems are subjected to perpetual change experienced either as a succession of discrete disruptive events or as a slow, imperceptible drift into failure. Frequency of disruptive events varies with complexity. In systems of high complexity disruptive events occur so frequently that the system has no time to return to stable equilibrium before the next disruption occurs. When complexity levels are very high the system is said to be at the edge of chaos because the uncertainty of behaviour is close to 1 .

Nonlinearity - Relations between agents are nonlinear. Nonlinearity may amplify a small, insignificant disruptive event and cause a catastrophic outcome (an extreme event), the property called butterfly effect. Butterfly effect increases with complexity. In complex systems outcomes are, as a rule, consequences of numerous interacting causes, and therefore the cause-effect analysis is inappropriate .

Self-organisation - Complex systems have a propensity to react to disruptive events by autonomously self-organising with the aim of eliminating or, at least, reducing consequences of the disruption, the property called adaptation. Self-organisation may be also caused autonomously by a propensity to improve own performance, the property called creativity or innovation. To initiate and perform adaptive and creative activities the system must be intelligent. Intelligence, adaptation and creativity are properties exclusive to complex systems and their levels increase with complexity .

Co-evolution – With time, complex systems co-evolve with their environments. Co-evolution is irreversible .

Complex versus Deterministic and Random Systems The term deterministic implies that uncertainty is equal to zero, whilst the term random means that uncertainty is equal to one. Complex Systems have uncertainty value between zero and one. Low complexity systems have uncertainty close to 0 and their behaviour differs little from the behaviour of deterministic systems. Highly complex systems with uncertainty close to 1 are “at the edge of chaos” and their behaviour is characterised by features such as self-organisation, generation of unpredictable extreme events and co-evolution .

The distinction between complex and deterministic systems is very important and has philosophical repercussions. For centuries eminent philosophers and scientists have believed that the world is deterministic – that it behaves in accordance with natural laws in a predictable manner and that any uncertainty of outcomes is a result of our lack of knowledge how the world works. In other words, for supporters of determinism the world is complex only for those who do not understand it .

A more plausible alternative view has been put forward recently by Prigogine [1, 2]. The world is inherently complex and it evolves with time. Future is not given; it emerges from the interaction of billions of activities performed by constituent agents, including people, animals, plants as well as natural forces such as climate, erosion, volcanic eruptions, and solar spots. Only certain limited parts of the world can be represented by deterministic models, such as Newton\s laws .

Co-Evolution of Technology, Economy and Society Historically, complexity of social and economic systems increased in steps, driven by the advances in technology and at each step the impact on the way we live and work was dramatic .

During the transition between the agricultural and the industrial societies the rapid migration of the population from the countryside to the cities, to take advantage of new employment opportunities, increased the social connectivity in the increasingly dense cities and, as a result, raised the level of social complexity. The massive movement of population caused well-documented disturbances as a rigid, traditional social order based on land ownership was replaced by a chaotic transition, which then settled into a new social order based on ownership of capital .

The current transition from the industrial to the information society, which began after the end of the World War 2 with the invention of computers, is particularly notorious by the very steep increase in social complexity caused by the rapid spread of digital technology, which offers unparalleled social connectivity (social density) but this time without any need for the population to move .

Now we can form communities of interests across the globe. Distances do not matter anymore .

Thanks to digital technology, participants in the information society interact faster, more frequently and with greater number of correspondents than ever before. In the year 2013 approx. 3 billion people have used the Internet, which is more than 40% of the total number of people on the planet and, according to the Time News Feed, up to 6 billion people had access to a mobile phone .

An astonishing increase in connectivity causing an accelerated growth of complexity .

As connectivity increased we have experienced a very important shift from nation-centred industrial markets to the global economy dominated by knowledge-based services. In the industrial economy money could buy any knowledge needed for business. In the knowledge economy the knowledge how to solve complex problems can attract investments that are required to start and sustain an economic activity. Pioneers of the knowledge economy, founders of knowledge-based companies such as Apple, Google, Amazon, Microsoft and Facebook, are the new economic elite. The shift of mass manufacturing from the developed to the developing countries is a part and parcel of globalisation. However, the replacement of mass manufacturing by knowledge-based services as the main wealth creation activity occurred only in the countries where there exists expertise in advanced IT and a large number of high-class knowledge workers: researchers, designers and decision makers in financial services, IT, engineering, consulting, construction, architecture, entertainment, media, etc .

Big monolithic corporations are the product of the Industrial economy, which was characterised by stable markets generating steady demands for identical, mass produced goods. Big corporations were designed to be rigid and permanent and they thrived in the era when the Economy of Scale was the key success factor. The new complex global market is the enemy of anything big and rigid. The new critical success factor is Adaptability and therefore we can safely assume that large corporations will not have an easy future, with the exception of those that manufacture uniform products exemplified by nappies or nuts and bolts .

However, big corporations have a remarkable ability to survive and many will re-invent themselves and continue in a more appropriate format. The organisational structure that is the most suitable for delivering to perpetually changing markets is a network of self-contained production units, each having a unique expertise (knowledge resource), often referred to as Virtual or Digital Enterprise .



The concentration of data on financial transactions, on communication with friends and business associates, and on individual mobility in huge “clouds”, by organisations such as Google, raises important questions on individual privacy. It is only natural to expect that those who have knowledge about us will try to use this knowledge to manipulate our behaviour. Knowledge is power. Who will exercise this power acquired by accumulation of digital data about every aspect of our life? Will a private company (possibly in collusion with a government intelligence service) manage to acquire sufficient quantity of data to establish monopoly of knowledge? Or, can we expect that the process of natural selection will ensure the distribution of knowledge? It is safe to be an optimist. Evolution favours complexity, which implies diversity and distributed decision making rather than centralisation, although the process is slow and by no means smooth .

Fig. 1 shows the emerging global network as all texts, images and videos/films are digitised (the Internet of Documents), more and more people are connecting through mobile devices and the Internet (the Internet of People) and objects of practical importance to humans are furnished with electronic tags enabling them to communicate with each other bypassing their users (the Internet of Things) .

Fig. 1 Global Network supporting Global Village

Co-Evolution of Nations, Regions, Cities, Businesses and Social Organisations and their Environment In a richly interconnected, complex world, which is slowly but inevitably becoming the Global Village, no nation, region, city, corporation or business, big or small, can exist, operate and grow independently. The pull from the other Global Villagers to participate and share is too strong to resist .

Co-evolution of constituent agents and their environment leads to the truly global, complex society, which is a dynamic ever-changing network of organisations and individuals rather than a monolithic giant .

Figure 2 illustrates co-evolution of technology, economy and society within every constituent unit of the global village, combined with the co-evolution of constituent units and the global whole .

Society invests into technological innovation; new technology affects the exchange of products and services, which in turn changes society. This process takes place within a nation and between nations, perpetually increasing global connectivity and, consequently, global complexity .

Fig. 2 Co-evolution of organisations and their technological, economic and social environments Surviving and Prospering in a Complex World Many of us have been brought up in Newtonian deterministic tradition and feel comfortable in well-defined stable situations. We crave simplicity and predictability. As it happens, complexity of the environment in which we live and work is relentlessly increasing and it now intrudes into every aspect of our existence. The increase in complexity is disruptive; by making our well-established systems and processes ineffective, it forces paradigm shifts opening up opportunities for creating a new order in society, politics, law, policy, education, research, business, design, engineering and elsewhere .

To take advantage of new opportunities it is necessary for individuals and organisations to develop the so called “complexity mindset”, which, in a nutshell, consists of believes, principles and methods that define the relation between an individual or an organisation and the ever changing world to which they will have to adapt. A new scientific discipline entitled Managing Complexity contains a growing collection of concepts, principles and methods for successfully living and working under conditions of complexity [5]. Some of the key concepts and principles are briefly outlined below .

By definition we don’t have control over our environment and therefore we cannot control its complexity. The best strategy for coping with external complexity is to develop capacity for adaptation, which implies designing complexity into our processes and structures remembering that only complex systems can self-organise and adapt .

Adaptability is the most important success factor in the new reality. To be adaptive means to be able to achieve desired goals under conditions of frequent occurrence of unpredictable disruptive events, which are a hallmark of complexity. Adaptability is achieved by rescheduling affected resources to eliminate or, at least, to reduce consequences of a disruptive event before the next one occurs .

Key requirements for adaptability are:

Distributed rather than centralised decision making A sufficient redundancy of resources to enable unpredictable rescheduling

–  –  –

Early detection of disruptive events Real-time rescheduling of affected resources Continuous improvement of performance to avoid a drift into failure It goes without saying that to be adaptive an organisation must be complex. And perhaps the most difficult shift in our worldview that we have to make is to accept that complexity can be very useful. There is a well-developed science and art of designing complex adaptive systems. This is largely a trial-and-error process, informed by experience in designing and managing large-scale complex adaptive systems, as described in some detail in [5]. It is sufficient here to note that the level of complexity of systems/organisations, which we design or control, can be adjusted by changing autonomy of constituent agents and agent connectivity. Increasing agent autonomy and connectivity will increase organisational complexity and consequently its adaptability .

Complexity and Management Management of a social system (a business, an administration, a city, a region or a nation), is concerned primarily with determining goals and then obtaining and allocating required resources to achieve these goals. Resources required for achieving social, political, administrative, or business

goals, change with time (see above). In the 21st century key resources are:

Knowledge

–  –  –

Traditionally, of course, there was always a division of labour – some worked, others managed

– and that was true at all levels. At the national, regional or city levels the role of decision making (management) belonged to politicians and administrators, whilst professional managers managed businesses and social organisations .

But how do we manage a complex system, which self-organises when disturbed or when it detects that it drifts into a failure? The simple answer is: self-organising systems cannot be managed in a traditional sense because self-organisation is, in fact, self-management by stakeholders through a process of negotiation. Centralised, separate management hierarchy is incompatible with complexity .

The Concept of Self-Management Every constituent agent (component) of a complex system has certain autonomy and therefore a power to decide, albeit in consultation with other affected agents, when and how to act. Contrary to the traditional “command and control” type of management, agents do not wait for instructions; they initiate consultation with other agents based on their observation of system behaviour [6] .

Let us consider a case study of a very large taxi company in London [7], which operates in a highly complex traffic environment. The company purchased a multi-agent real-time scheduler for taxis capable of supporting devolution of many decisions to drivers, including: when to start and when to stop working, which assignment to accept and which to refuse and whether to ask for an appropriate assignment on their way home at the end of their working day. The devolution of decision making, although modest, considerably increased profitability and improved motivation of drivers .

More case studies can be found in [5] .

Conclusions There are two important trends, which demand attention of politicians, administrators and managers. The first is the rapid increase in connectivity among political and social organisations, businesses and technology, which opens up new opportunities for improving prosperity of every nation, region, city and every commercial or social organisation. The second is the rapid decrease in effectiveness of conventional management methods under conditions of increased complexity of society, economy and technology and the slow but unstoppable acceptance of the new concept of selfmanagement .

It is time to start developing complexity mindset .

References [1] Prigogine, Ilya, “The End of Certainty: Time, Chaos and the new Laws of Nature”. Free Press, 1997. ISBN 0-684-83705-6 [2] Prigogine, Ilya, “Is Future Given?” World Scientific Publishing Co., 2003. ISBN 981-238-508-8 .

[3] Kaufman, S., “At Home In the Universe: The Search for the Laws of Self-Organization and Complexity” .

Oxford Press. 1995. ISBN 0-19-511130-3 [4] Holland, J., “Emergence: from Chaos to Order”. Oxford University Press, ISBN 0-19-850409-8. 1998 .

[5] Rzevski, G., Skobelev, P., “Managing Complexity, WIT Press, 2014. ISBN 978-1-84564-936-4 .

[6] Rzevski, G. “Self-Organisation in Social Systems”. Ontology of Designing. N 4 (14), 2014. ISSN 2223pp. 8-17 .

[7] Glaschenko, A., Ivaschenko, A., Rzevski, G., Skobelev, P. “Multi-Agent Real Time Scheduling System for Taxi Companies”. Proc. of 8th Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS 2009), Decker, Sichman, Sierra, and Castelfranchi (eds.), May, 10–15, 2009, Budapest, Hungary. ISBN: 978-0pp. 29-35 .

МНОГОРЕЖИМНОЕ УПРАВЛЕНИЕ ДВИЖУЩИМИСЯ ГРУППИРОВКАМИ

–  –  –

Ключевые слова: многорежимные формации, нелинейная динамика, многокомпонентные системы, вектор-функции Ляпунова

Abstract

In the paper, a general mathematical model of multi-agent formations with decentralized multimode control is introduced. The desired dynamic behaviors of formation are formalized as dissipativity and practical stability properties. Unlike known definitions of the formation stability problem, the proposed formalizations take into account incompleteness of measurements of proper and relative agent’s motions, control constraints, uncertainties and exogenous perturbation. On the basis of the vector Lyapunov functions, sufficient criteria for a set of the mentioned dynamical properties as a mission stability property are derived with some application to the multi-mode formation control design for autonomous underwater vehicles .

Введение Рассматривается подход к управлению группировками (формациями), основанный на концепции «лидер-ведомый» [1]. Одной из важных проблем управления формациями движущихся объектов является обеспечение требуемой динамики при наличии навигационных и других ошибок измерительных устройств, ограничений на ресурсы управления и различного рода возмущений. Однако, в большинстве исследований (см., например, [2-8]) используются линейные модели, обычно предполагается доступность измерению всех переменных собственного движения объектов и, что особенно существенно, параметров движения относительно лидеров. Является актуальным по возможности полный учет реальных условий функционирования .

При выполнении сложной групповой миссии может изменяться также структура формации, например, вследствие совершения сложного маневра, предполагающего перестроение, выбытия или присоединения новых агентов, и поэтому система управления группой необходимо становится многорежимной, когда при смене режима, вообще говоря, могут изменяться и регулятор, и характеристики объекта управления. Желаемая динамика формации в различных режимах при этом может определяться разными динамическими свойствами, так или иначе, имеющих смысл устойчивости (асимптотической и практической устойчивости, диссипативности). При этом конечное состояние текущего режима должно находиться в рабочей области начальных состояний последующего, чтобы в дальнейшем обеспечивалась возможность «правильного» выполнения последнего, и для этого полезен «инструмент», позволяющий не только проверять наличие исследуемого динамического свойства в отдельно взятом режиме, но и оценивать количественно показатели динамического качества, проверяя на их основе условия согласованности. В статье применяется метод анализа нелинейных систем, основанный на векторных функциях Ляпунова (ВФЛ) [9,11] .

Адекватным описанием многорежимных систем управления являются системы с переключениями или гибридные системы, активно изучаемые в последнее время. Одним из основных аппаратов исследования устойчивости таких систем, являются общие функции Ляпунова, однако известные результаты применимы пока для анализа довольно узкого класса систем, преимущественно линейных. В литературе рассматриваются и нелинейные постановки, в частности, в [12] с помощью общих функций Ляпунова исследуется устойчивость обобщенно однородных нелинейных гибридных систем, но этот аппарат требует конструктивизации построения функций Ляпунова и оценок динамического качества .

В докладе даются математическая модель формации и определения ее желаемого поведения в условиях неполноты информации, ограничений на управления, погрешностей измерителей, исполнительных органов и др. элементов системы управления объектов, возможных структурных изменений, а также при наличии возмущений. Приводятся основанные на ВФЛ условия исследуемых свойств многокомпонентных каскадных систем с описанием технологии синтеза нелинейных систем управления с неопределенностями [13] и ее приложение к управлению группировкой объектов при обследовании плоской области .

–  –  –

совокупность измеряемых переменных, определяющих взаимное относительное движение i го объекта как ведомого и его лидеров; pui = pui (t, z, ri ) Pui – погрешности, i нестабильность, неопределенности измерителей, исполнительных органов и других элементов системы управления i -го объекта; pi (t, x ) Pi – неопределенности самого i -го объекта, внешние и иные возмущения; – множество управлений лидера формации, задающее его допустимые маневры, являющиеcя причиной непрерывного нарушения желаемой конфигурации, – множество возмущений, действующих на лидера .

При сделанных предположениях о структуре формаций после подходящей нумерации объектов будет J i {0, i 1} (в частности, J i = { ji } – singl, ji {0, i 1}, если объект как ведомый имеет лишь одного лидера; когда все J i одноэлементны, граф отношений «лидерведомый» имеет структуру дерева) .

Можно выделить основные режимы: «сбор» группы; некоторый стационарный рабочий режим; перестроение, восстановление или образование новой конфигурации. В каждом из режимов желаемое поведение естественно формализовать либо как свойство диссипативности [14,15], либо практической устойчивости со своими требованиями к показателям, определяющим эти свойства. Например, к стабилизирующему управлению в зависимости от режима может предъявляться одно из следующих требований: 1) минимизировать ошибки стабилизации группы по завершении переходных процессов (рабочий режим); 2) при заданных требованиях к точности максимизировать область притяжения (образование формации); 3) за данный промежуток времени уменьшить конечные отклонения от желаемой конфигурации (промах) до требуемых значений (восстановление формации) и др. При смене режимов должна обеспечиваться их согласованность .

Для каждого режима введем оценочные функции 0 (t0, x 0 ) R 0, c (t, x ) R c d d

–  –  –

т.e. существует строго положительный вектор, такой что, если начальные отклонения формации по функции 0 не превосходят, то во все время движения текущие фазовые

–  –  –

быть и бесконечными) задают количественные требования к оценкам точности, фазовые ограничения в рабочих режимах и требования к размерам области диссипативности D (t 0 ) (множества начальных состояний x 0 X 0 для данного t 0 T 0, при которых выполняется

–  –  –

3 Исследование динамики формаций методом ВФЛ В прикладных исследованиях важно не только иметь возможность проверки наличия желаемых свойств, но и вычислять количественные оценки динамических показателей, характеризующих эти свойства. Для многорежимных формаций эти оценки оказываются востребованными также при проверке условий согласованности режимов. Предлагается применять метод, основанный на использовании ВФЛ, хорошо зарекомендовавший себя в многочисленных приложениях [9-11], особенно в области космической техники [16,17] .

С использованием результатов этих работ и результатов по качественной теории квазимонотонных дифференциальных уравнений [18] здесь получаются теоремы о достаточных условиях изучаемых свойств диссипативности, асимптотической и практической устойчивости для многокомпонентных систем с каскадной (треугольной) структурой связей объектов x i = Fi (t, x, pi ) = Fi (t, x i, x i, pi ), t T, (7)

–  –  –

или функции (t ) ), времени регулирования до заданной точности для процессов из заданного начального множества ;

области диссипативности D, притяжения A или других допустимых (с точки зрения последующего выполнения какого-то свойства или оценки, например, оценки «промаха») областей начальных состояний в виде наибольших «параллелепипедов» с заданными направлениями векторов ;

показателей экспоненциального затухания процессов;

и других количественных оценок прямых показателей динамического качества .

–  –  –

теореме 5, связывающих значения ВФЛ при переключениях. В итоге получаются эффективные процедуры анализа нужных свойств СС и построения КО .

Важным качеством предлагаемой технологии является возможность синтеза систем с требуемой динамикой. Задачи синтеза формулируются как задачи выбора параметров в алгоритмах управления (в т.ч. обратной связи в динамических регуляторах и наблюдателях), оптимизирующих оценку основного для рассматриваемого режима показателя при заданных ограничениях на некоторые из остальных оценок. По самой постановке полученные системы оказываются робастными .

Так, для рабочих режимов в качестве основной, оптимизируемой оценки естественно принимать оценку точности стабилизации, что приводит к следующей задаче математического программирования: найти значения параметров Z системы (8)-(9) (в качестве обычно выступают элементы матрицы обратных связей Ci и, возможно, элементы других матриц, Z

– область допустимых значений искомых параметров), минимизирующих критерий d J f = T, где R f – вектор заданных весовых коэффициентов, при условии D (непустоты области диссипативности); или более сильном требовании D, где – заданный «параллелепипед» .

Для режимов образования или восстановления формации имеют смысл также задача синтеза параметров управления по критерию минимума времени регулирования до заданной точности из заданного множества начальных состояний или задача нахождения параметров, обеспечивающих максимальный размер области допустимых начальных отклонений при заданных требованиях к точности конечного состояния .

Главное отличие и достоинство разработанной технологии это, с одной стороны, строгость результатов, гарантированный характер получаемых суждений и оценок, а с другой,

– конструктивность, возможность довести исследование «до числа». Именно в отношении точности числовых результатов аппарат ВФЛ оказывается предпочтительным по сравнению с другими строгими качественными методами. Важно, что рассматриваемые задачи формулируются непосредственно в терминах инженерных требований к системе (прямых показателей динамического качества), результаты также получаются в этой форме. После приведения моделей к стандартному виду последующие построения и вычисления (ВФЛ, СС, КО) выполняются в значительной мере автоматически. Это позволяет экранировать от исследователя используемые специальные, достаточно сложные в математическом отношении методы .

4 Приложение к задаче сканирования плоской области Покажем применение описанной технологии, аннонсированной в [13], для анализа и синтеза системы управления группировкой автономных роботов в задаче обследования плоской подводной области путем ее многократного сканирования встречными курсами («туда-обратно») при требовании обеспечения с заданной точностью конфигурации группы во время рабочих ходов. Выделяются следующие участки движения группы: рабочие участки сканирования, участки перестроения и восстановления формации. В предположении, что навигационной системой, приемлемой для отслеживания расчетного движения, обладает только лидер группировки, а остальные ее члены могут измерять лишь взаимное положение (дистанцию и угол пеленга) относительно лидера или друг друга, управление для последних на участках восстановления конфигурации и сканирования будем строить по принципу «лидер-ведомый», а на участках перестроения – как программное .

Будем считать, что в процессе выполнения обследовательской миссии число агентов и лидер остаются неизменными, параметры движения лидера полностью определены, так что синтез управления требуется проводить лишь для ведомых объектов .

В качестве математической модели группы на программных участках примем x i = vi cos i, y i = vi sin i, i = i, i = 0, N, (13) mi vi = ui ri pi, J ii = ui ri pi ;

i = 1, N, где x i, y i – координаты центра масс oi i -го объекта в некоторой неподвижной декартовой системе координат (индекс i = 0 соответствует лидеру группы), vi – скорость (абсолютная) центра масс i -го объекта, i – угол между направлением вектора скорости и осью x (курс i го объекта), i – угловая скорость; mi – масса, J i – момент инерции i -го объекта; ui, ui – линейное и угловое управления (тяга и момент); ri = ri (vi,), ri = ri (i, vi,) – силы pi () pi (), сопротивления движению; – силы и моменты, рассматриваемые как

–  –  –

iz SN ( zi 0,,1,0). Здесь SN () – класс нелинейностей (10) .

Примем в качестве «невозмущенной» формацию, движущуюся с постоянной скоростью v, с требуемыми дистанциями si* и углами пеленга i*. Выбором системы отсчета можно *

–  –  –

где v * 0 – заданное значение номинальной скорости формации .

Кроме названных неопределенностей и возмущений, учтем еще параметрические неопределенности масс и моментов инерции объектов, полагая mi = mi* mi (), J i = J i* J i (...), i = 1, N, где mi*, J i* – известные (номинальные) значения, mi, J i – неопределенности, вообще говоря, переменные, зависящие, возможно, от vi, i и др. (например, неопределенности несомых грузов, присоединенных масс жидкости в случае подводных объектов), для которых предполагаются ограничения | mi () | mi0, | J i (...) | J i0 .

рабочего режима получается задача исследования свойства В итоге, для диссипативности, состоящая в оценке допустимой области начальных состояний по функции 0, оценке предельной области, т. е. точности стабилизации формации по вектору f, либо достижимости требуемой точности при заданном уровне допустимых возмущений и неопределенностей, либо синтеза параметров (например, ki, li, ki, li, ai, ai ), обеспечивающих нужные или наилучшие оценки .

режима сбораАнализ свойства практической устойчивости, характерного для восстановления, состоит в оценке области достижимости по вектору c в любой момент времени или области конечных состояний («промаха») по вектору f для процессов из начального множества с заданной оценкой по 0, оценке времени регулирования до заданной точности, либо синтезе параметров управления, обеспечивающих, например, из заданного начального множества достижение за заданный промежуток времени конечного состояния с наилучшей гарантированной точностью по f .

При решении перечисленных задач уравнения движения (13)-(14) приводятся к виду (8)путем их линеаризации в окрестности невозмущенного движения c оцениванием в разложениях в ряд членов выше первого порядка малости .

Ясно, что переключение управления с режима сбора-восстановления формации на рабочий режим для каждого агента группировки должно осуществляться не позднее момента его подхода к зоне сканирования. Рабочий режим для каждого агента не должен заканчиваться раньше, чем его прямые или опосредованные ведомые (для лидера формации – вся группировка) выйдут из зоны сканирования .

Программный режим. Управление в режиме перестроения возьмем в виде ui = uip uis uic, ui = uip uis uic,

–  –  –

где vi = iv (vi ), i = i (i ), i = i (i ) – выходы измерителей скоростей (линейной и угловой) и углового положения объекта; vi vi vip (t ), i i ip (t ), i i ip (t ) – отклонения текущих скоростей и угла от их программных значений. Синтез параметров liv, k iv, ki, ki может проводиться, например, по критерию минимума ошибки конечного состояния col( xi xip f, yi yip f, vi f, i f, i f ) .

Общее число последовательно выполняемых режимов в рассматриваемой задаче может быть сколь угодно большим (неограниченным), число же различных режимов в миссии не более шести: сканирование в прямом и обратном направлениях, перестроение влево или вправо и два последующих режима восстановления конфигурации. Соответственно, число пар стыкуемых режимов тоже равно шести. В случае симметричной формации с идентичными ведомыми эти числа сокращаются до трех .

Численные расчеты проводились для группы из трех роботов (один лидер и два ведомых ( i = 1,2 )) с параметрами mi* = 150, J i* = 130, неопределенностями mi0 = 1, J i0 = 0.5, ограничениями на нелинейности и возмущения p1 = p2 = 1, p1 0 = p 0 = 0.5, погрешностями исполнительных устройств и измерителей i0 = 0.3, i0 = 0.01 (приведены лишь наиболее существенные параметры ведомых, которые соответствуют малым автономным необитаемым подводным аппаратам). Ограничения на маневры лидера в рабочем режиме – v0 = 0.05, 0 = 0.05, w0 = 0.01, 0 = 0.01. Для простоты скорость сканирования v* и скорость при развороте vip считались одинаковыми, поэтому этапы «торможения-разгона» отсутствуют .

Средствами пакета «ВФЛ-РЕДУКТОР» для рассматриваемой задачи сканирования синтезирована многорежимная система управления группировкой. В рабочем режиме для начальных отклонений формации до 4.25 м по si и 0.3 по i, при всех допустимых неопределенностях и возмущениях она обеспечивает ошибки стабилизации не более 1.44 м по дистанции и 0.11 по углу .

Результаты численного моделирования системы представлены на рисунке 1 .

Многочисленные эксперименты показали приемлемое качество синтезированной системы .

Рисунок 1 – Траектории движения роботов при сканировании плоской области

Заключение В работе предложена общая математическая модель формаций с децентрализованным многорежимным управлением. Для типовых режимов движения группы дано строгое определение желаемой динамики в виде свойств диссипативности и практической устойчивости, которые в отличие от большинства известных постановок задач устойчивости формаций, ориентированных в основном на линейные модели, учитывают неполноту измерения параметров собственного и взаимного движения агентов, погрешности, ограниченность управления и измерителей, неопределенности объектов и внешние возмущения. Для описания желаемого поведения формации в многорежимном движении введено понятие устойчивости миссии. Получены основанные на методе ВФЛ достаточные условия названных динамических свойств формаций, существенно использующие структурные особенности графа связей между движущимися объектами. Описана базирующаяся на сублинейных ВФЛ технология исследования динамики нелинейных систем с неопределенностями с приложением к исследованию динамики формаций и синтезу стабилизирующего управления группировкой автономных роботов в задаче сканирования плоской области .

Благодарности Исследование выполнено при частичной финансовой поддержке РФФИ в рамках научных проектов № 14-07-31192 мол_а, № 14-07-00740 а, № 13-08-00948 .

Список литературы [1] Chen Y.Q., Wang Z.M. Formation control: a review and a new consideration // In Proc. of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2005. P. 3181–3186 .

[2] Tanner H.G., Pappas G.J., Kumar V. Leader-to-formation stability // IEEE Transactions on Robotics and Automation. 2004. Vol. 20. Issue 3. P. 443–455 .

[3] Fax J.A. Murray R.M. Information flow and cooperative control of vehicle formations // IEEE Transactions on Automatic Control. 2004. Vol. 49, No 9. P. 1465–1476 .

[4] Liu S.C., Tan D.A., Liu G.J. Robust leader-follower formation control of mobile robots, based on a second order kinematics model // Acta Automatica Sinica. 2007. Vol. 33, No. 9. P. 947–955 .

[5] Dunbar W.B., Caveney D.S. Distributed Receding Horizon Control of Vehicle Platoons: Stability and String Stability // IEEE Transactions on Automatic Control. 2012. Vol. 57, No 3. P. 620-633 .

[6] Consolini L., Morbidi F., Prattichizzo D., Tosques M. On a Class of Hierarchical Formations of Unicycles and Their Internal Dynamics // IEEE Transactions on Automatic Control. 2012. Vol. 57, No 4. P. 845–859 .

[7] Belabbas M.A. On Global Stability of Planar Formations // IEEE Transactions on Automatic Control. 2013 .

Vol. 58, No. 8. P. 2148-2153 .

[8] Yang A., Naeem W., Irwin G.W., Li K. Stability Analysis and Implementation of a Decentralized Formation Control Strategy for Unmanned Vehicles // IEEE Transactions on Control Systems Technology .

2013 .

[9] Метод векторных функций Ляпунова в теории устойчивости / Под ред.: А.А. Воронов, В.М .

Матросов. М.: Наука, 1987. 312 с .

[10] Матросов В.М. Метод векторных функций Ляпунова: анализ динамических свойств нелинейных систем. М.: Физматлит, 2001. 384 с .

[11] Васильев С.Н. Метод редукции и качественный анализ динамических систем, I-II// Изв. РАН. Cер .

Теория и системы управления. 2006. № 1. С. 21–29; № 2. С. 5–17 .

[12] Васильев С.Н., Косов А.А. Анализ динамики гибридных систем с помощью общих функций Ляпунова и множественных гомоморфизмов // Автомат. и телемех. 2011. № 6. C. 27–47 .

[13] Васильев С.Н., Козлов Р.И., Ульянов С.А. Устойчивость многорежимных формаций // Доклады академии наук. 2014. Т. 455, №3. С. 269-274 .

[14] Васильев С.Н., Козлов Р.И., Ульянов С.А. Анализ координатных и других преобразований моделей динамических систем методом редукции // Тр. Ин-та математики и механики УрО РАН .

Екатеринбург: ИММ УрО РАН, 2009. Т. 15, № 3. С. 38–56 .

[15] Козлов Р.И., Максимкин Н.Н., Ульянов С.А., Киселев Л.В. Устойчивость конфигураций группового движения автономных подводных роботов в условиях неопределенности // Подводные исследования и робототехника. 2010. № 1 (9). С. 40-46 .

[16] Koзлoв P.И., Бypнocoв C.B. Синтез систем гироскопической стабилизации упругих космических аппаратов методом BФЛ // Динамика и управление космическими объектами. Новосибирск: Наука CО, 1992. С. 85–101 .

[17] Kozlov R.I. VLF-method of nonlinear dynamic investigations in designing of systems for stabililization of spacecrafts // Proc. First Internat. Conf. on Nonlinear Problems in Aviation & Aerospace (ICNPAA-96) .

Daytona Beach. Florida, USA, 1997. P. 319-324 .

[18] Козлов Р.И. Теория систем сравнения в методе векторных функций Ляпунова. Новосибирск: Наука, 2001. 137 с .

[19] Козлова О.Р. Применение метода сравнения к задаче нормирования внешних воздействий // Труды X Международной Четаевской конференции «Аналитическая механика, устойчивость и управление». Казань, Изд-во КГТУ, 2012. Т.3: Управление, ч.2. С. 266–276 .

[20] Бурносов С.В., Козлов Р.И. Состояние и перспективы развития ППП по построению количественных оценок динамики и синтезу систем управления методом ВФЛ // Интеллектуализация программных средств. Новосибирск: Наука, 1990. С. 142-152 .

[21] Матросов В.М., Козлов Р.И., Матросова Н.И. Теория устойчивости многокомпонентных нелинейных систем. М.: Физматлит, 2007. 184 с .

[22] Козлов Р.И., Ульянов С.А., Хмельнов А.Е. Программный модуль для качественного исследования непрерывных динамических систем ВФЛ-РЕДУКТОР-Н. Свидетельство об официальной регистрации программы для ЭВМ 2007613832 от 07.09.2007 .

ЧТО ТАКОЕ «ЭВЕРГЕТИКА»?

–  –  –

Ключевые слова: процессы управления в обществе, эвергетика, интерсубъективное управление, повседневность, проблемная ситуация, неоднородный актор, ценности, смыслопорождающая деятельность актора, коммуникативное действие, мир систем

Abstract

The article substantiates, for the purpose to improve effectiveness of management processes in society, the necessity to complement the classical Management Science dealing with management of the "Systems World", by Evergetics - science of intersubjective management processes in the "World of Everyday Life", which has in its field of vision regulatory processes of problem situations involving heterogeneous actors, i.e. people with their individual intellectual and volitional resources, value priorities, with the ability to communicate and reach a mutual understanding among them. Heterogeneous actors, which consciousness appeals not to the natural (physical) essence of the situation, but to its meaning, together, in on-line mode, produce intersubjective knowledge of the problem situation, with the use of which they make decisions about how to settle it. For actors – these "ordinary managers-theoreticians" – the scientists in the field of management create methods and tools necessary to carry out their activities .

Heterogeneous actors define priorities for the development of the situation, formulate problems to be solved, establish criteria and constraints under which these problems should be solved, i.e .

they answer the question "why?" and "what to do?" in order to settle the problem situation that has arisen in their everyday life .

Введение Любой человек, в своей повседневной жизни всегда находящийся в той или иной ситуации, может оказаться совместно с другими людьми в проблемной ситуации, которая характеризуется тем, что людьми, «погруженными» в неё, осознаётся неудовлетворительное состояние дел, неопределённость их положения или социальная напряжённость, но они ещё не знают, что нужно делать для изменения ситуации в некотором, устраивающем всех, направлении. Тогда и появляется потребность в управлении ситуацией в повседневности, трактуемом в таком «ситуационном» контексте скорее как регулирование ситуации, снижение уровня её неопределённости со стороны заинтересованных участников ситуации неоднородных акторов, каждый из которых, имея своё собственное, субъективное видение ситуации, готов выполнять необходимые познавательные и деятельностные функции для её урегулирования [1]. Такие акторы, коммуницируя и договариваясь между собой, определяют приоритетные направления развития ситуации, формулируют задачи, требующие решения, устанавливают критерии и ограничения, при которых должны решаться эти задачи, т.е .

отвечают на вопросы «зачем?» и «что нужно делать?» для урегулирования проблемной ситуации, возникшей в их повседневной жизни [2] .

Неоднородные акторы, на начальной стадии процесса управления ситуацией, «внутри»

которой они находятся, занимаются постановкой задач, от решения которых зависит, будет ли ситуация, сложившаяся в «мире повседневности», выведена из разряда проблемных. На вопрос о том, «как?» решать поставленные задачи, ответ будут давать специалисты из соответствующих предметных областей, являющиеся «функционерами» из «мира систем» .

Таким образом, неоднородный актор рассматривается в повседневном мире как «нерасчленённая духовная и телесная целостность», а в «мире систем» действует только его «проекция» на ту роль (функцию), которую он должен исполнять в соответствии с возложенными на него обязанностями [1]. Результативность решения задач в мире систем будет оцениваться по тому, насколько оправдались ожидания акторов относительно изменения ситуации в желаемом для всех направлении, т.е. снова произойдёт возврат в мир повседневности. Если новое положение дел всех устраивает, ситуация считается урегулированной, а если – нет, то описанная процедура управления ситуацией повторяется .

Однако, в отличие от описанной «идеализированной» схемы управления, существующая практика управления в жизни общества фактически всё сводит к деятельности органов государственного и корпоративного управления, которые берут на себя, в том числе, и постановку задач, которые требуется решить для урегулирования проблемных ситуаций. Они, конечно, привлекают экспертов, системных аналитиков, представителей общественности и т.п., но принятие решения о том, что делать, оставляют за собой. Подобным же образом они действуют, оценивая результаты практического внедрения принятых решений. Получается противоречие: люди (неоднородные акторы), осознающие себя в проблемной ситуации и совместно продуцирующие её смысл, оказываются отторгнутыми от принятия решений, касающихся постановки задач по урегулированию ситуации и оценки результатов их решения .

В таких условиях, когда руководящие органы, находящиеся не в жизненном мире, а в мире систем, наблюдая ситуацию «со стороны», берут на себя «бразды правления», «отодвигая в сторону» людей-акторов, способных «на местах» адекватно оценить проблему и предложить подходы к её решению, говорить об эффективности управления не приходится. И дело здесь не только в сложившейся практике управления, а в том, что в основе изложенного традиционного подхода к организации процессов управления лежат классические научные представления об «управлении системами» [3], которые «выносят за скобки» людей из ситуации в повседневности, не принимая во внимание их субъективные взгляды на мир, ценностные приоритеты, интеллектуальные способности и многое другое, что характеризует их как личности. Эти представления восходят к Научной революции XVII века, которая в интересах приобретения объективно-истинного знания, абстрагировавшись от субъектов как личностей, трактовала мир науки как сферу только телесных вещей и «состояла в освобождении знания от этических ценностей» [4] .

В начале XX века, опираясь на эти идеи, М. Вебер определил ключевыми принципами созданной им модели бюрократического управления «механистичность» и «обезличенность», превращающих людей в «винтики» бюрократической машины. Для этого живые люди из мира повседневности трансформируются в абстрактные «элементы» самых разнообразных систем, которые исследуются, моделируются, проектируются, создаются, модифицируются и эксплуатируются, т.е. не жизненный мир, а мир систем становится предметом внимания классической теории управления. Однако оптимизация таких «бессубъектных» ценностноинвариантных систем с целью получения некоторого «системного эффекта» вовсе не означает, что ситуация в повседневности (с точки зрения находящихся в ней людей) изменится к лучшему .

Здесь уместно отметить, что о противоречиях между жизненным миром и миром систем писал Ю. Хабермас в своей работе [5], полагая, что в отличие от коммуникативно структурированного жизненного мира - сферы частной и общественной жизни, мир систем, включающий в себя подсистемы экономики и политики, является формально организованным .

И несмотря на то, что современные общества, построенные на демократических принципах, утверждают примат жизненного мира над подсистемами, по его мнению, «происходит колонизация жизненного мира: императивы автономных подсистем, сбросив идеологические покровы, завоёвывают, подобно колонизаторам, пришедшим в первобытное общество, жизненный мир извне и навязывают ему процесс ассимиляции» .

Исходя из изложенного, следует вывод, что наука о процессах управления в обществе должна иметь две составляющие: классическую науку, занимающуюся управлением в мире систем, и науку о процессах управления в повседневности, в поле зрения которой находятся процессы регулирования проблемных ситуаций, включающих человека с его индивидуальными интеллектуальными и волевыми ресурсами, ценностными приоритетами, а также способностью коммуницировать и достигать взаимопонимания с другими людьми. В данной статье рассматривается вторая составляющая, которая связывается с созданием эвергетики - науки о процессах интерсубъективного управления в повседневности .

Концепция интерсубъективного управления Становление и развитие индустриального общества, как известно, ознаменовалось экспансией веберовской «идеальной бюрократии» во все сферы государственного и корпоративного управления и его концепции «инструментального разума» в общественное сознание. Модель целерационального «экономического человека», калькулирующего только свою выгоду и издержки, но который не задумывается о каких-то нравственных проблемах, стала общепринятой. По мнению М. Хоркхаймера, «мышление же теперь призвано служить какой-угодно цели - порочной или благой. Оно инструмент всех социальных действий, устанавливать нормы социальной или частной жизни ему не дано, ибо нормы установлены другими …Всё решает «система»-«власть» [6]. А в работе «Диалектика просвещения», написанной им совместно с Т. Адорно, утверждается, что те формы, которые приняла рационализация сознания, привели к утрате обществом способности к разумному обоснованию целей. «Дух расчётливости», о котором говорил М. Вебер, подавлял различение моральных ценностей [4] .

При этом происходило утверждение системного подхода в науке об управлении (management science), объявившего, что окружающая нас действительность - это «системы, состоящие из систем» [3]. Внимание исследователей стало концентрироваться на проблемах мира систем, а не мира повседневности, поскольку изучались, как правило, процессы управления в организациях, как в системах, представляющих собой «ансамбли взаимодействующих человеческих существ» [7]. Когда же речь заходила о целях управления, то рассматривались «процессы возникновения целей в организациях, как они изменяются со временем и как организация следит за ними» [8]. Но эти цели могут не только не соответствовать, но и противоречить тем целям, которые нужно достигать в процессах регулирования жизненных проблемных ситуаций в повседневности .

Дело в том, что системный подход, как это утверждается в [3], «помогает руководителю уяснить сущность сложных проблем и принимать решения на основе чёткого представления об окружающей обстановке». Однако речь идёт об обстановке, окружающей руководителя, а не о той ситуации, которая должна быть урегулирована. В лучшем случае руководитель может «познавать» ситуацию «со стороны», но он не может её «осознавать», поскольку для этого он должен «погрузиться» в мир повседневности. Ведь «повседневность суть «место» сохранения человеческих смыслов, последнее убежище распадающейся личности в современном мире, т.к .

в других областях жизни люди уже передоверили (реифицировали) свои интересы экспертам, компьютерам, бюрократам и т.д. Вне мира повседневности (т.е. в мире систем – прим. автора) происходит «внешняя» для человека игра, к которой он не имеет никакого отношения» [6] .

Только лица, осознающие себя участниками проблемной ситуации в повседневности, понявшие её смысл, могут судить о целях, задачах, критериях и ограничениях, при которых эти задачи могут решаться. А это означает, что они должны рассматриваться в науке о процессах управления в обществе не как обезличенные «элементы систем», а как живые люди

– неоднородные акторы, каждый из которых имеет свой субъективный взгляд на мир, будучи способным выполнять и познавательные, и деятельностные функции при урегулировании проблемной ситуации. Более того, неоднородный актор продуцирует смысл проблемной ситуации с учётом смыслообразующей деятельности других акторов, также осознающих себя в этой ситуации .

Такую структуру индивидуального сознания, отвечающую факту существования других индивидов Э. Гуссерль назвал интерсубъективностью, а в феноменологической социологии А. Шюца интерсубъективность указывает на внутреннюю социальность индивидуального сознания. Акторы коммуницируют между собой и образуют сообщества, в которых в режиме on-line вырабатывают интерсубъективные знания о ситуации, с использованием которых принимаются решения о способах её урегулирования, т.е. неоднородные акторы осуществляют интерсубъективное управление [9] и выступают в роли «обыденных управленцев-теоретиков», участвующих в приобретении знаний наряду с профессиональными научными работниками-управленцами, создающими для акторов методы и средства, необходимые для осуществления их деятельности. Только с помощью такого «тандема»

обыденных и профессиональных управленцев-теоретиков может быть создана наука о процессах управления в обществе, поскольку любой представитель социума не только познает, но и творит окружающую его действительность .

Следует отметить, что представление об «обыденном теоретике» находится в соответствии с социологической концепцией Э. Гидденса, согласно которой «каждый член общества является практикующим социальным теоретиком», а социологи, в отличие от учёных, работающих в сфере естествознания, должны интерпретировать социальный мир, который уже интерпретирован населяющими его акторами [10] .

Процесс интерсубъективного управления начинается с самоорганизации: акторы постепенно (не одномоментно) обнаруживают не устраивающее их положение дел, вступая во взаимодействие между собой, и в какой-то момент времени фиксируют, что в окружающем их жизненном мире (в повседневности) сложилась проблемная ситуация. Каждый из них одновременно может находиться и в мире систем, т.е. может входить в состав одной или нескольких систем. Самоорганизация акторов напоминает процесс кристаллизации металла из расплава, который начинается с непрогнозируемого появления центра кристаллизации. По аналогии с этим при формировании интерсубъективного сообщества инициативу берёт на себя один из акторов, приступающий (без какой-либо команды «сверху») к координации коммуникативных действий других акторов .

Поскольку акторы являются неоднородными, они должны создать объединяющую их «платформу знаний». С этой целью они вырабатывают интерсубъективные конвенциональные (по А.Пуанкаре) знания, достигая договорённости в рамках пяти типов интерсубъективности семантической, эмпирической, логической, операциональной и нормативной [9, 11] .

Семантическая интерсубъективность предполагает достижение ясности и общего согласия относительно понятий и построенных из них суждений. Эмпирическая интерсубъективность признаёт необходимой обоснованность суждений фактами и наблюдениями. Логическая интерсубъективность считает рационально обоснованными такие высказывания, которые являются результатом логического вывода. Операциональная интерсубъективность исходит из воспроизводимости образцов действия или рассуждения. Нормативная интерсубъективность предполагает общепринятость норм и правил поведения и оценки .

На основе разработанной «платформы знаний» акторы начинают искать пути выхода из проблемной ситуации, договариваться о том, какие задачи, по каким критериям и при каких ограничениях необходимо решать для урегулирования ситуации. Несмотря на различные позиции, интересы и ценностные приоритеты неоднородных акторов, при принятии решений по упомянутым вопросам в процессе интерсубъективного управления достигается их взаимопонимание и консенсус, т.е. общее согласие, полученное благодаря сближению позиций акторов при проведении переговоров. Точнее, достигнутый консенсус - это не единогласие, он не означает, что «все - за», он означает лишь, что «никто не против» .

Таким образом, интерсубъективное управление начинается с осознания сообществом неоднородных акторов проблемной ситуации в повседневности и заканчивается принятием решений о том, какие задачи и при каких условиях должны решаться для урегулирования этой ситуации. Затем задачи передаются в мир систем, где они формализуются и решаются с применением методов и средств классической теории управления, в результате чего ситуация как-то изменяется. Осуществляющие мониторинг ситуации акторы могут признать её урегулированной, но могут посчитать, что этого не произошло. Тогда в мире повседневности ставятся новые задачи (или корректируются старые), после чего снова включается мир систем .

Иными словами, процессы управления в обществе разбиваются на две составляющие:

интерсубъективное управление в повседневности (в жизненном мире) и классическое управление в мире систем .

Но если классическая наука об управлении всегда успешно развивалась, то наука о процессах управления в повседневности, как правило, выпадала из поля зрения учёных, и не вызывает большого интереса до сих пор. Вот что по этому поводу пишется в «Новейшем социологическом словаре» [6]: «Проблематика и тематика повседневности (обыденной жизни людей), как правило, игнорировалась и третировалась как лежащая вне научной дисциплинарности… А. Шюц ввёл данный термин для понятийного схватывания интерсубъективной реальности, значимой для социальных акторов (деятелей) как репрезентация нерасчленённой целостности мира человеческого бытия… Разделяемые «всеми» в повседневных ситуациях значения образуют мир первичных типизированных (анонимизированных) значений, оперирование которыми и позволяет совмещать перспективы деятелей (акторов), действующих как «обыденные социологи»… За пределами (первичного) мира повседневности находятся (вторичные) области профессионализированных «конечных смысловых сфер», значения которых доступны в полной мере только вовлечённым в эти сферы специализированным в них деятелям (акторам) и «непрозрачны» для «непосвящённых»» .

Создание науки о процессах интерсубъективного управления в повседневной жизни общества имеет не только теоретическое, но и важное практическое значение, обусловленное прежде всего упомянутой «колонизацией жизненного мира системами», о которой писал Ю. Хабермас [5]. Системы госорганов и бизнеса, реализующие процессы управления с помощью власти и денег, возлагая на себя решение проблем, связанных с повышением качества жизни людей в повседневности, тем не менее очень часто исходят из своекорыстных соображений - карьерного роста сотрудников, повышения уровня их доходов и прибыли, сохранения «себя во власти» и т.п. Системы, создаваемые поначалу для удовлетворения потребностей общества, со временем начинают действовать в своих интересах, вырабатывать и диктовать свои «правила игры», «налаживать» коррупционные отношения, «раздувать»

штаты и т.д. Поэтому интерсубъективное управление, призванное если не устранить, то минимизировать подобные негативные проявления в общественной жизни путём включения в процессы управления «противовеса» - заинтересованных людей из мира повседневности, должно иметь соответствующий научный фундамент. С этой целью и создаётся наука о процессах интерсубъективного управления в обществе - эвергетика [2, 12] .

Эвергетика Эвергетика, создаваемая, как и классическая наука об управлении, профессиональными научными работниками в области управления, тем не менее имеет принципиальное отличие от неё: эвергетику как науку о процессах интерсубъективного управления в обществе «творят»

также и включаемые в неё «непрофессионалы» - неоднородные акторы (упомянутые выше «обыденные управленцы-теоретики»), которые самостоятельно на основе on-line созданной ими интерсубъективной теории принимают решения о том, по какому пути стоит пойти и какие задачи решать для урегулирования проблемной ситуации, смысл которой они же и продуцируют. Учёные разрабатывают методы и средства для акторов, которые создают интерсубъективную ad hoc теорию [9] применительно к уникальному объекту - ситуации (классическая наука, как известно, строит свои теории для универсальных объектов «на века») .

Здесь можно провести аналогию с джазовой музыкой. Джазовый композитор («учёный») сочиняет музыкальную тему и создаёт её аранжировку для оркестра, в составе которого имеются музыканты–импровизаторы («неоднородные акторы»). После того как импровизаторы, овладев темой, гармонией и особенностями аранжировки, выступят вместе с оркестром, получится законченное джазовое произведение. Однако при сохранении темы, аранжировки, состава оркестра и импровизаторов при последующих исполнениях будут звучать разные музыкальные произведения, поскольку импровизации будут отличаться одна от другой. Предсказать, как прозвучит в очередной раз джазовая композиция, практически невозможно. Аналогично нельзя прогнозировать процессы интерсубъективного управления ситуациями в повседневности, в которых действуют акторы–«импровизаторы» .

Главными «действующими лицами» в эвергетике, таким образом, являются неоднородные акторы, каждый из которых является субъектом, рассматривающим ситуацию не в её пространственно–временных параметрах, а как носитель смысла [13]; его сознание апеллирует не к природной сущности ситуации, а к её смыслу, поскольку здесь «…мир задан человеку не вещно–натуралистически, а духовно–смысловым образом как ценностная сущность, подлежащая пониманию и истолкованию» [14]. Один актор не может продуцировать всё многообразие смыслов, поэтому он воспринимает от других акторов, осознающих себя в той же ситуации, то, чего не достаёт в его собственном опыте .

Смыслопорождающая деятельность актора оказывает влияние на всё интерсубъективное сообщество, в результате чего создаётся общее смысловое пространство .

В. Франкл [15] рассматривал стремление человека к поиску смысла как врождённую мотивационную тенденцию, присущую всем людям и являющуюся основным двигателем поведения и развития личности .

Он писал, что восприятие смысла есть «осознание возможности на фоне действительности, или, проще говоря, осознание того, что можно сделать по отношению к данной ситуации». А. Лэнгле уточнял [16]: «Та возможность, которая по своей ценности и значимости выделяется нами как наилучшая в данных обстоятельствах, несёт в себе полноту актуального бытия, и есть смысл текущего момента… Смысл - это всегда реалистичный, сообразный обстоятельствам путь» .

Опираясь на введённое понятие смысла, В. Франкл в [15] изложил своё представление о ценностях. «Есть смыслы, которые присущи людям определённого общества, и даже более того - смыслы, которые разделяются множеством людей на протяжении истории. Эти смыслы относятся к человеческому положению вообще, чем к уникальным ситуациям. Эти смыслы и есть то, что понимается под ценностями. Таким образом, ценности можно определить как универсалии смысла, кристаллизующиеся в типичных ситуациях, с которыми сталкивается общество или даже всё человечество. Обладание ценностями облегчает для человека поиск смысла, так как, по крайней мере в типичных ситуациях, он избавлен от принятия решений» .

А. Лэнгле, используя данные В. Франклом определения смысла и ценности, сформулировал в [16] понятие ответственности. «Ответственность - это мой ответ на тот смысл, который входит в резонанс с моей высшей ценностью. Поэтому ответственность не имеет ничего общего с обязанностями, которые кто-то на меня возлагает. Ответственность проявление свободы. Её нельзя подменить соблюдением предписаний, законов, руководящих указаний и инструкций по эксплуатации. Ответственность - выражение моей привязанности к человеку, идее или другой ценности. Ответственность - проявление отношения!»

Уяснение системы ценностей, обретение смысла и ответственности неоднородными акторами являются актуальными проблемами эвергетики, призванной вооружить акторов соответствующими методами и средствами. С этой точки зрения эвергетику можно рассматривать как субъектно- и ценностно–ориентированную науку о процессах управления в обществе, связанную в большей степени с решением плохо формализуемых социогуманитарных проблем управления, в отличие от классической науки об управлении, отдающей предпочтение при решении задач строгим математическим методам. Обе эти научные дисциплины совместно образуют междисциплинарную единую теорию управления .

Важным для эвергетики направлением исследований является организация взаимодействия акторов, обеспечивающая достижение взаимопонимания и консенсуса при принятии решений относительно устраивающих всех способов урегулирования проблемных ситуаций. При решении этой задачи эвергетики в качестве методологического фундамента представляется целесообразным использование теории коммуникативного действия Ю. Хабермаса [17] .

Коммуникативное действие исходит из необходимости нахождения и использования рациональных механизмов для поиска путей к достижению согласия. При этом в качестве неотъемлемых элементов взаимодействия людей предполагается применения таких понятий как взаимопонимание, консенсус, аргументации и др. Но главное состоит в том, что субъектактор осмысливает свой жизненный путь в аспекте блага, а не целесообразности [18] (кстати сказать, от греческого слова «эвергет», означающего «благодетель», и происходит «эвергетика»). Сам Ю. Хабермас пишет в [17]: «Я говорю о коммуникативных действиях, если планы действия актёров координируются не посредством эгоцентрической калькуляции успеха, а через акты взаимопонимания. В коммуникативном действовании ориентация на собственный успех не является первостепенной для участников, которые преследуют свои индивидуальные цели при том условии, что они могут согласовывать планы своих действий на основе общих определений ситуации». Возникают сообщества, в которых нормы и ценности свободно вырабатываются, а не навязываются. Тем самым рационализированный жизненный мир (повседневность) делает возможными такие взаимодействия, которые руководствуются не нормативно предписанным согласием, а аргументированно достигаемым консенсусом [6] .

Коммуникативный разум, таким образом, «предполагает такую позицию, при которой мы разделяем ценности и нормы как интерсубъективно значимые. Индивид может признавать любое знание, восприятие, понимание субъективно «истинным» для себя самого. Но если в той или иной ситуации или в том или ином сообществе это знание, восприятие, понимание притязает на то, чтобы стать интерсубъективно значимым, оно может быть признано таковым (то есть нормой) только при условии, что все участники данной ситуации или сообщества согласны признать это как норму и выражают своё согласие в процессе аргументированной дискуссии, имеющей целью найти взаимопонимание. Интерсубъективная перспектива, таким образом, предполагает, что ни один из субъектов взаимодействия не может единолично утверждать свои значения или вершить свою волю в ситуации, где затрагиваются интересы других участников» [19] .

В концепции коммуникативной рациональности Ю. Хабермаса заложено убеждение в консолидирующей силе аргументированного дискурса, который должен преодолеть разногласия неоднородных акторов и достичь рационально обоснованного соглашения между ними. Однако эта концепция подвергалась критике за необоснованный идеализм, недостаток прагматизма, невнимание к механизмам силы и власти, господствующим в обществе, и т.д .

Тем не менее, нельзя отрицать «конструктивности идей коммуникативной рациональности в качестве необходимого ценностного ориентира современного сознания, подобно тому как несовпадение реального поведения людей с нравственными идеалами и нормами не отменяет значимости последних» [20]. В этом смысле эвергетика, как субъектно- и ценностно– ориентированная наука о процессах управления в обществе, нацелена на повышение роли культуры (в широком смысле) в жизни общества и трансформацию целерационального «экономического человека» в коммуникативно рационального «человека культуры» [12] .

Заключение Резервы повышения эффективности процессов управления в обществе следует искать не в модернизации «обезличенных» бюрократических механизмов, построенных на основе ценностно-инвариантной классической науки об управлении, фокусирующей своё внимание на проблемах мира систем, а в самих людях из мира повседневности, в каждом человеке, в использовании его интеллектуальных и волевых ресурсов. С этой целью и создаётся эвергетика – наука о процессах интерсубъективного управления в повседневности, в которой ключевую роль играет сообщество неоднородных акторов, каждый из которых имеет свою субъективную шкалу ценностей, осознаёт себя (вместе с другими акторами) «внутри»

проблемной ситуации в повседневности и готов выполнять необходимые познавательные и деятельностные функции для урегулирования ситуации .

Именно такие акторы, коммуницируя и договариваясь между собой, определяют направления развития ситуации, формулируют задачи, требующие решения, устанавливают критерии и ограничения, при которых должны решаться эти задачи, т.е. отвечают на вопросы «зачем ?» и «что нужно делать ?» для урегулирования проблемной ситуации, возникшей в их повседневной жизни. Неоднородные акторы, вырабатывающие совместно в режиме on-line интерсубъективные конвенциональные (по А.Пуанкаре) знания о ситуации, выступают в роли «обыденных управленцев – теоретиков» в тандеме со специалистами в области управления, создающими для акторов методы и средства, необходимые для осуществления их деятельности .

Эвергетика, являясь субъектно- и ценностно–ориентированной наукой о процессах интерсубъективного управления в повседневности, фокусирует своё внимание на этапах постановки задач, вытекающих из проблемной ситуации, и оценки того, насколько изменилась ситуация в результате решения этих задач. С этой точки зрения эвергетика связана в большей степени с плохо формализуемыми социогуманитарными проблемами управления, в то время как классическая наука отдаёт предпочтение при решении задач строгим математическим методам. Обе эти научные дисциплины дополняют друг друга, образуя совместно междисциплинарную единую науку о процессах управления в обществе .

В качестве методологического фундамента эвергетики целесообразно использовать теорию коммуникативного действия, которое исходит из необходимости нахождения и использования рациональных механизмов для поиска путей к достижению согласия. При этом неотъемлемыми элементами взаимодействия людей полагаются взаимопонимание, консенсус, аргументация и др. Но главное состоит в том, что субъект осмысливает свой жизненный путь в аспекте блага, а не целесообразности, а поэтому эвергетика нацелена на повышение роли культуры в жизни общества и трансформацию целерационального «экономического человека»

в коммуникативно рационального «человека культуры» .

Список литературы [1] 1. Vittikh V.A. Heterogeneous Actor and Everyday Life as Key Concepts of Evergetics. – Group Decision and Negotiation. – http://link.springer.com/article/10.1007/s10726-014-9423-5/fulltext.html. Published online : 29 November 2014 .

[2] 2. Виттих В.А. Проблемы эвергетики. – Проблемы управления, № 4, 2014, с.69 – 71 .

[3] 3. Johnson R.A.,Kast F.E.,Rosenzweig J.E. The Theory and Management of Systems (second edition)// McGraw-Hill Book Company, New York, 1967 ( перевод с английского, М.: Советское радио, 1971.с.) [4] 4. Кара-Мурза С.Г.Кризисное обществоведение / Курс лекций. Ч.1 – М.: Научный эксперт, 2011. – 464 с .

[5] 5. Хабермас Ю. Отношения между системой и жизненным миром в условиях позднего капитализма .

– Thesis, вып.2, 1993. – с.123 – 136 .

[6] 6. Новейший социологический словарь. – Мн.: Книжный дом, 2010. – 1312 с .

[7] 7. March J.G., Simon H.A.. Organizations. – John Wiley and Sons, Inc., New York, 1958 .

[8] 8. Cyert R.M., March J.G.. A Behavioral Theory of the Firm. – Prentice-Hall, Inc., Englewood Cliffs, N.J., 1963 .

[9] 9. Vittikh V.A. Introduction to the Theory of Intersubjective Management. – Group Decision and Negotiation, volume 24, issue 1, January 2015, p.67 – 95. – http://link.springer.com/article/10.1007/s10726-014-9380-z/fulltext.html. Open Access Date : 09 March 2014 .

[10] 10. Климов И.А. Социологическая концепция Энтони Гиддеса. – http://www.nir.ru/sj/sj/sj1-2klim.html .

[11] 11. Хюбнер К. Истина мифа. – М.: Республика, 1996 .

[12] 12. Vittikh V.A. Evolution of Ideas on Management Processes in the Society : from Cybernetics to Evergetics. – Group Decision and Negotiation. - http://link.springer.com/article/10.1007/s10726-014-9414fulltext.html. Published online : 14 September 2014 .

[13] 13. Виттих В.А. Феноменологический подход к построению теории управления обществом// Сборник трудов XII Всероссийского совещания по проблемам управления. – Москва, ИПУ РАН, 16

– 19 июня 2014 г. – М., 2014. – с. 6182 – 6186 .

[14] 14. Ильин В.В. Теория познания. Введение. Общие проблемы. – М.: Издательство МГУ, 1993, с.80Франкл В. Человек в поисках смысла : Библиотека зарубежной психологии. – М.: Книга по требованию, 2012. -366 с .

[16] 16. Лэнгле А. Жизнь, наполненная смыслом. Логотерапия как средство оказания помощи в жизни. – М.: Генезис, 2014. – 144 с .

[17] 17. Habermas J. Theorie des Kommunikativen Handelns. Bd.II. Zur Kritik der funktionalistischen Vermunft. Fr.a.M., 1981 .

[18] 18. Чекушкина Е.Н. Коммуникативная теория Ю.Хабермаса и культура информационного общества .

– Теория и практика общественного развития, вып.1, 2014. - http://teoriapractica.ru/rus/files/arhiv_zhurnala/2014/1/fil%D0%BEs%D0%BEfiy%D0%B0/chekushkina.pdf [19] 19. Вайзер Т. Эгоцентризм и интерсубъективность во взаимоотношениях человека и окружающей среды. – Логос, № 1 ( 97 ), 2014, с.171 – 184 .

[20] 20. Швырев В.С. Рациональность как ценность культуры. Традиции и современность. – М.:

Прогресс – Традиция, 2003. – 176 с .

СТРАТЕГИЯ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ УПРАВЛЕНИЯ

РЕСУРСАМИ КРУПНОГО РАКЕТНО-КОСМИЧЕСКОГО ПРЕДПРИЯТИЯ

–  –  –

Ключевые слова: информационные технологии, эффективность, Industry 5.0, интернет вещей, мультиагентные технологии, интеллектуальная система управления

Abstract

The article is dedicated to the problem of resource management in large rocket-and-space enterprises describing directions of information technology implementation for effective project and production operation. Moreover, it shows that increasing enterprise efficiency demands reforming project management and changing IT product and technology paradigm .

Введение Вызовы современного мира, проявляющие себя в растущей сложности решаемых задач, априорной неопределенности и высокой динамике изменений спроса и предложения, заставляют пересматривать сложившиеся подходы к управлению и реформировать предприятия для повышения эффективности деятельности .

В работах по управлению [1] все чаще отмечается, что причины многих актуальных и значимых проблем менеджмента предприятий следует искать в чрезмерно разрастающемся использовании принципов «идеальной» бюрократии, создающей многоуровневые иерархии власти и обычно игнорирующей знания и личные качества исполнителей .

В данной статье рассматривается опыт и предложения по развитию информационных технологий (ИТ) в ОАО «РКК «Энергия» (далее – Корпорация), описываются основные цели, задачи и ожидаемые результаты внедрения ИТ на предприятии .

1 Цели развития В условиях современной новой экономики, в особенности, на фоне резкого обострения международных отношений в последнее время многие отечественные крупные предприятия аэрокосмической отрасли начинают искать новые пути своего реформирования для повышения эффективности .

Как отмечают многие аналитики, ключевыми проблемами российской аэрокосмической промышленности являются не «технологическое отставание и износ оборудования, а устаревшие вертикально-интегрированные бизнес-модели и нехватка ключевых компетенций» [2] .

Основными стратегическими целями развития ИТ в Корпорации являются:

1) Повышение эффективности деятельности Корпорации при управлении проектами по разработке, производству и эксплуатации сложных изделий;

2) Улучшение качества результатов, продуктивности и удобства работы с Корпоративными системами для пользователей всех категорий;

Обеспечение высокой оперативности, гибкости, производительности, надежности и безопасности работы корпоративных систем;

Внедрение перспективных информационных систем и технологий в работу подразделений 4) корпорации на всех уровнях;

Поэтапное импортозамещение стратегически важных программных продуктов на отечественные инновационные разработки;

Сокращение затрат на разработку новых и поддержку эксплуатации существующих корпоративных систем .

2 Краткий анализ текущего положения За последнее время в 2007 – 2014 гг. в Корпорации была заложена основа общекорпоративной информационной платформы для ведения договоров, кадров т.д., которая включает в себя следующие системы для управления предприятием:

1) Управление ресурсами (ERP): ИС «Эверест», 1С, Oracle e-Business Suite .

2) Управление жизненным циклом изделия (PLM): PTC Windchill, PTC Creo .

3) Другие: информационные системы для бизнес-анализа, корпоративной отчетности, портальные решения: КСЭД на базе Documentum, КСБА на базе Oracle BI, специализированные системы для поддержки сопровождения проектной деятельностью и др .

Внедрение этих систем позволило на деле автоматизировать ряд рутинных функций учета и контроля для административно-управленческого персонала, включая отдел кадров, бухгалтерию и другие общих служб. Однако по мнению пользователей, общая эффективность внедрения указанных учетных систем по соотношению «Ценность / Затраты» является, как правило, средней или низкой, так как часть корпоративных систем мало используется для реального управления ресурсами в проектах и требует доработки или замены .

По результатам анализа используемых в Корпорации информационных систем можно сделать следующие ключевые выводы:

1) Существующие системы реализуют лишь учетные функции ведения проектов и мало применяются проектными офисами;

2) Разработанные системы были ориентированы на устаревающую «затратную» экономику Корпорации;

3) Пользователи не удовлетворены наличием многочисленных разнородных систем, которые, по их мнению, не учитывают сложившуюся бизнес-практику работы по проектам в Корпорации и трудно применимы на практике;

4) Корпоративные системы не поддерживают работу в реальном времени, что ведет к задержкам в принятии решений;

5) Данные в корпоративных системах являются неполными и не дают корректную, надежную и достоверную картину ведения проектов;

6) Многие системы морально устарели и не имеют современного интерфейса, удобного для пользователей .

Для космической отрасли, в которой обеспечение качества работ и надежности изделий является первостепенной задачей, внедрение ИТ для обеспечения сквозного цикла конструирования и производства изделий является критически важным .

3 Краткий анализ современных трендов ИТ развития Процессы управления и непосредственной предметной работы на современных крупных предприятиях, в особенности, зарубежных, сегодня уже совершенно невозможно представить без применения самых передовых информационных технологий .

Основные тенденции ИТ развития предприятий [3] в современном мире показаны на рисунке 1 .

Рисунок 1 – Тенденции развития ИТ современных предприятий: рост продуктивности с ростом объемов данных при использовании новых технологий (зеленая линия) и без них (красная) [4] Во всем мире сейчас в стадии формирования грядущий будущий новый облик развитых промышленных предприятий, так называемых предприятий поколения Industry 5.0 (названных так по аналогии с создаваемым в настоящее время новым поколением программных систем класса Интернет-5.0), характеризуемых тотальным внедрением информационных технологий на совершенно новом уровне .

По аналогии с развитием Интернета можно утверждать, что облик современных предприятий будет меняться определенными стадиями следующим образом:

Интернет - 1.0 – пассивное хранилище документов;

Интернет - 2.0 – поддержка коммуникации между пользователями (социальные сети);

Интернет - 3.0 – семантический Интернет документов (Semantic Web);

Интернет - 4.0 – Интернет программных агентов, действующих от лица и по поручению пользователей;

Интернет - 5.0 – Интернет вещей, которые воспринимают среду, планируют и выполняют работу .

Для поддержки новой методологии управления проектами в Корпорации наиболее важными и перспективными представляются новые информационные технологии, представленные на рисунке 2 .

Рисунок 2 - Ключевые информационные технологии для управления проектами

Данные ключевые технологии будут во многом предопределять разработки будущих информационных систем в ближайшие 5-10-15 лет:

1) Параллельные вычисления .

2) Объектно-ориентированное программирование .

3) Мультиагентные технологии .

4) Семантически Интернет .

5) Адаптивное конструирование и планирование .

6) Понимание текстов .

7) Большие данные и добыча знаний .

8) Сетецентрический подход .

9) Интернет вещей и повсеместные вычисления .

4 Основные задачи

ИТ развития

Для достижения поставленных выше целей основными задачами ИТ развития в Корпорации являются следующие:

1) Экономика реального времени при управлении проектами (ERP – контур) .

2) Сквозная поддержка ЖЦ изделия: от идеи – до утилизации (PLM – контур) .

3) Бесшовная интеграция ERP и PLM (связь контуров) .

В качестве основного стратегического направления ИТ подразделений Корпорации предлагается создание распределенной интеллектуальной системы управления ресурсами корпорации (ИСУ РВ / «Эффективное предприятие») для поддержки принятия решений в реальном времени, которая бы строилась «поверх» существующих традиционных систем (Рисунок 3) .

–  –  –

Рисунок 3 - Общая структура системы управления работой корпорации Предлагаемая система ИСУ РВ / «Эффективное предприятие» по своему классу первоначально будет являться автоматизированной системой для поддержки принятия решений, в которую поэтапно будут встраиваться методы и средства интеллектуализации управленческой деятельности, связанные с оперативным выявлением и анализом проблем, опережающим прогнозированием развития ситуаций, разрешением конфликтов по целям, задачам и ресурсам, моделированием вариантов решений, накоплением и обработкой данных для выявления скрытых закономерностей и т.д .

Цель создания ИСУ РВ – повышение качества и эффективности работы Корпорации за счет перехода к согласованному принятию решений по управлению ресурсами на всех этапах жизненного цикла изделий .

В этих целях ИСУ РВ создается как сетецентрическая система («система систем»), постоянно асинхронно работающих и согласованно взаимодействующих по принципам Р2Р (Peer-toPeer, что означает «Каждый с каждым» и «Равный с равным») через общую информационную шину Корпорации для реализации подходов параллельной разработки сложных изделий (от англ. Concurrent Engineering - противостоит «Нисходящему») [5-7] .

Перспективная архитектура интеллектуальной системы управления предприятием в реальном времени (ИСУ РВ) на 2015-2025 гг. представлена на рисунке 4 .

Ключевой частью ИСУ РВ должна стать База знаний Корпорации (БЗ), позволяющая накапливать, систематизировать и использовать знания об организации, изделии и порядке проведения работ, номенклатуре частей, подразделениях и сотрудниках, результатах испытаний и т.д .

В каждый момент времени всем участникам должна быть доступна Кибер-физическая модель изделия (КФМ), например, полная виртуальная модель МКС, параллельно «летящая» с изделием в космосе или создаваемая на Земле .

Принцип действия системы ИСУ РВ включает в себя непрерывный цикл работы из следующих шагов:

Реакция на событие

–  –  –

В качестве первого шага предлагаемая архитектура строится на базе существующих и работающих ERP и PLM систем, в которые добавляются системы адаптивного планирования ресурсов (ASP) и системы поддержки принятия решений (DMS) .

В свою очередь, предлагаемая архитектура ASP системы может строиться как две взаимоувязанные системы для адаптивного планирования проектов и производства .

Рисунок 4 - Перспективная архитектура интеллектуальной системы управления Корпорацией на 2015гг .

При этом каждая такая система также строится как сетецентрическая «система систем», которая состоит из взаимодействующих планировщиков различных уровней: стратегического (укрупненного) планирования, оперативного планирования подразделений и проектных офисов, а также в будущем – личных планировщиков сотрудников .

5 Функции ИСУ РВ для управления Корпорацией Предлагаемая система позволит руководству и сотрудникам Корпорации принимать более активное участие в процессах принятия решений на всех уровнях и одновременно видеть на общей «плазме» или индивидуальных компьютерах, планшетах и сотовых телефонах прогресс разработок по корпорации, подразделениям и проектам, а также личный вклад каждого в результат с любой степенью детализации с точностью за квартал, месяц, неделю и день, включая потоки важных событий, движение по работам, показатели в динамике изменений как на бирже и т.д .

Для руководителей проектов и руководства корпорации появится возможность получать «баланс» по оперативному прогрессу решения задач в проектах на каждый день (как в банке) с одновременным опережающим прогнозированием и подсветкой проблемных ситуаций, и выработкой мер по их разрешению, включая перераспределение задач, вовлечение новых ресурсов, сверхурочные и др. В этих целях такая система должна быть способна «владеть» текущей ситуацией с заказами и ресурсами на основе данных возможно из других систем, оперативно реагировать на любые важные для выполнения планов события, опережающим образом выявлять возможные проблемы по ресурсам или риски их возникновения, порождать варианты решений для реакции на события по ходу развития ситуации, сопоставлять эти варианты и рекомендовать решения пользователям, поддерживая процесс их согласования, строить гибкие планы по их исполнению, вести мониторинг исполнения созданных планов и перестраивать эти планы по мере расхождения плана и факта, оценивать как достигаемые результаты, так и возможный ущерб от несвоевременного принятия решений, ведущих к избытку и простою или дефициту ресурсов, с учетом поставленных подразделениям целей, предпочтений и ограничений, и даже обучаться каждый день из результата (Рисунок 5) .

Рисунок 5 - ИСУ РВ: непрерывный ежедневный цикл управления корпорацией Данный цикл соответствует непрерывному циклу управления «восприятие – планирование – исполнение» любого живого организма .

6 Ожидаемые результаты

Реализация рассмотренной стратегии позволит уже на первых шагах получить следующие основные результаты:

1) Повышение качества и эффективности ИТ продуктов и услуг для конечных пользователей при снижении затрат на содержание и развитие существующих систем .

2) Внедрение перспективных интеллектуальных систем поддержки принятия решений в проектах разработки, производстве и эксплуатации изделий ракетно-космической техники .

3) Повышение оперативности, прозрачности, гибкости и эффективности в управлении проектами .

4) Снижение трудоемкости управления проектами создания и эксплуатации РКТ и уменьшение негативного человеческого фактора при распределении ресурсов .

5) Сокращение сроков проектирования и производства изделий и повышение прибыли по проектам корпорации .

6) Создание линейки продуктов и собственной масштабируемой программной платформы для разработки и развития программных систем управления корпорацией .

7) Превращение ИТ центра (как затратного) - в инновационный центр, разрабатывающий и тиражирующий новые решения по отрасли .

Заключение Современные особенности развития предприятий России заставляют искать новые пути повышения эффективности управления проектами .

В настоящей статье предложена ИТ стратегия развития ОАО «РКК «Энергия», ориентированная на внедрение наиболее перспективных интеллектуальных технологий для повышения эффективности управления ресурсами и поддержки жизненного цикла изделий при реализации проектов создания новых изделий ракетно-космической техники .

Дана оценка ожидаемых результатов и достигаемых преимуществ реализации предложенной стратегии .

Список литературы [1] Виттих В.А. Введение в теорию интерсубъективного управления // Самара: СНЦ РАН, 2013. – 64 с .

[2] Шадрина Т. Деньги витают в облаках [Электронный ресурс] // Российская бизнес-газета от 27.08.2013. - URL: http://www.rg.ru/2013/08/27/aviaprom.html [3] Spivack N. How the WebOS Evolves? [Электронный ресурс] // 09.02.2007. – URL:

http://novaspivack.typepad.com/nova_spivacks_weblog/2007/02/steps_towards_a.html [4] Spivack N. Diagram: Beyond Keyword (and Natural Language) Search [Электронный ресурс] // 01.03.2007.

– URL:

http://novaspivack.typepad.com/nova_spivacks_weblog/2007/03/beyond_keyword_.html [5] Иващенко А. В., Карсаев О. В., Скобелев П. О., Царев А. В., Юсупов Р. М. Мультиагентные технологии для разработки сетецентрических систем управления. // VI Всероссийская научно-практическая конференция "Перспективные системы и задачи управления", 4 - 6 апреля 2011 г. Таганрог. – Известия ЮФУ. Технические науки. 2011. №3 (116). С. 11-23 .

[6] П.О. Скобелев. Интеллектуальные системы управления ресурсами в реальном времени: принципы разработки, опыт промышленных внедрений и перспективы развития // Приложение к теоретическому и прикладному научно-техническому журналу «Информационные технологии». – 2013. №1. – С .

1–32 .

[7] О.И. Лахин, А.С. Полников, Е.В. Симонова, П.О. Скобелев. Теория сложности и проблема управления жизненным циклом изделий аэрокосмической промышленности // Информационно-управляющие системы. – 2015. №1(74). – С. 4-12 .

Resources Management at Machinery Plants Управление ресурсами на машиностроительных предприятиях

ADVANCES IN DATA VALUE CHAIN MANAGEMENT: SEMANTIC WEB AND A

MIXTURE OF INTEGRATION PARADIGMS FOR HOLONIC SYSTEMS

–  –  –

Keywords: service oriented architecture, event-base architecture, microservice, Semantic Web

Abstract

The ARUM platform makes use of Multi-Agent Systems (MAS) that build schedules in real time based on the information collected from a wide variety of resources including legacy systems, data generated by workers, sensors, MAS themselves, etc. To bring the necessary information enterprise integration platforms that supports different paradigms in order to guarantee fast delivery of business value, maximal coverage of systems accepted by the platform, and security .

Innovative solution described in this paper is based on TIE Smart Bridge (TSB), - a lightweight cloud-based integration bus, and TIE Smart Integrator (TSI), - a schema mapping and data transformation tool that intensively use Semantic Web technologies in order to overcome limitations of syntactic based approaches. The solution is delivered as SaaS and business functions are packaged as a set of microservices to speed up a time-to market. This paper focuses at one part of the ARUM platform, namely data transformation and integration aspect of it .

Introduction ARUM (Adaptive Production Management) is a collaborative project within the European Commission (EC) “Factory of the Future” initiative and is funded under the 7th Framework Programme. The project addresses the development of innovative Information Communication Technology (ICT) solutions to handle new challenges in production and ramp-up of complex and highly customized products. Its focus is the developments of mitigation strategies to respond faster to unexpected events and the implementation of systems and tools for decision support in planning and operation. ARUM project has received funding from the European Union’s Seventh Framework Programme for research, technological development and demonstration under grant agreement no .

314056 .

Production data is usually distributed across various heterogeneous data sources such as legacy systems, event producers, sensors, planning and scheduling tools, etc. Thus, in order to pave the road towards sensing enterprise, there is a need for a robust communication layer, which allows seamless data exchange and integration. An extra challenge of this project lay in the fact that any MAS needs a massive information flow up-front for initial set up and then continuously during an execution to make its work effective. This is a well-known so-called “knowledge bottleneck” problem, but, in the case of ARUM, velocity and volume of data are also playing an important role since a schedule for workers that is based on e.g. the out-dated number of screws, connectors, etc. would have no value .

And to make it even more challenging, providers of business tools in ARUM requested platform providers to support ontologies and triple stores for the convenience of their communications among each other and with other data sources. This solution also helps business services such as planners and schedulers to focus on their primary functionality and delegate all the rest to the platform. This paper is focused on the enterprise service and data integration aspects of the proposed platform .

The rest of the article is organized as follows. The next section explains the typical usage scenario. Section 2 sheds a light on the various types of integration approaches and how they supported in ARUM platform by TIE solutions. Section 3 provides an overview of the innovative semantically driven mapping tool that is used for data transformation and integration within the ARUM project but which is stemmed from another EU project STASIS. Finally, “Conclusions” section draws the summary of the work .

1 ARUM in action: usage scenario A typical ARUM scenario starts when a factory-floor worker sends a message via a specialised mobile application to the ARUM platform regarding finishing the current task. This message is accepted by the platform using REST API and the appropriate data entry will be added or updated .

Other devices or software services that are connected through RESTful APIs or use native drivers, e.g. ODBC or JDBC, can get access to this new state right away. But this is not it, since ARUM has to support ontologies TIE has developed a publish-subscribe end-point (pub/sub) that accepts queries in SPARQL – a W3C standard for querying Web ontologies and triple stores. ARUM Ontology Service is subscribed to this end-point with many queries following its internal logic and requests from its main clients, namely planners, schedulers and other knowledge-based tools. Although, in theory any service can subscribe to this pub/sub point, the only one practical subscriber at the moment is the Ontology Service. This is done as a part of implementing the focused responsibilities of the services .

Ontology Service focuses on providing a clean API and language understood by knowledge-based systems, it intensively manipulates knowledge in a triple store, searches for implicit relationships using different inference mechanisms and it is ready to reply to complicated analytical queries. The data warehouse focuses on effectively performing data integration from multiple sources and does not provide analytical capabilities out-of-the-box. This differentiation helps avoid the trade-off between performance and providing a consistent unified ontological view over the diverse and dispersed data silos .

Figure 1 – ARUM scenario: data integration and transformations TIE Smart Integrator is described in section 3 in more details. Here it is important to understand that its role is in creating mappings between various data sources and then performing the transformations of data based on those mappings. Within the ARUM context and in order to satisfy the needs of knowledge-based systems, TSI was enriched to deal with transforming data into Web Ontology format OWL and thus when SPARQL request arrives, it is 1) rewritten into one or more SQL queries, 2) data is retrieved from the target systems, and 3) transformed using existing maps into the destination format. All those three steps are implemented via microservices and they can be executed in parallel when possible. Implementation of a scale out strategy here also helps in increasing the throughput of the system and decreases its latency. The similar situation exists between ARUM DWH and legacy systems. TSB is used to subscribe or to pull legacy resources through its gateways. When data is emitted by any of the data providers, TSB starts an appropriate workflow that contains necessary transformations, and data is finally pushed into the DWH .

TSB and TSI can be provided within the Cloud as Software-as-a-Service (SaaS) and they can help in integrating business services dispersed all over the Internet running on their own distributed Virtual Machines (VM) and Virtual Environments (VE such as Docker) with a diversity of operating systems. Thus, the proposed solution speeds up and facilitates delivery of the new value for the businesses by quickly setting up a foundation for communications in heterogeneous distributed environments that require intensive data exchange among context bubbles but run on various platforms and speak different vernaculars .

2 From SOA to REST and back: data value chain to its full potential At the moment, there are two major paradigms for enterprise and application integration competing on the market, which many researchers and practitioners consider mutually exclusive: namely, Service-Oriented Architecture (SOA) and REST. The former one is built on top of the Enterprise Service Bus (ESB) integration pattern, functional decomposition, SOAP messages, and star topologies [1], [2]. It is usually associated with large investments in IT infrastructures in terms of time and funds .

In contrast, REST integration style capitalizes on the existing Web infrastructure [3]. It supports P2P communications, lightweight protocols and message formats, and it does not require large upfront investments especially when combined with the microservices paradigm. The success and rapid growth of the Internet is often provided as a proof for opting for the REST style. REST web services are used by many large players such as Amazon, eBay, Netflix to name just a few, for delivering new business functions fast (sometimes within a few days) through exploiting existing polyglot infrastructures along with a decomposition of functionality and delivering this functionality in form of single purpose applications often called microservices [4] .

Both of the approaches facilitate the loose coupling (time and availability aspects, location transparency, asynchronous calls) of communicating components if done right but SOA can outreach sources and services outside of HTTP boundaries that is not possible for REST Web Services because RESTful integration is done using HTTP as a transport and application protocol. Thus, it cannot communicate over other protocols such as TCP, SMTP, JMS, IIOP, etc. where traditional SOA has all its merits .

Within the realm of Internet of Things and Knowledge-based systems such as Multi-agent systems (MAS) there is a plethora of independent services and data sources that reside on various platforms spanning from legacy monoliths to notebooks, and tablet PCs. The legacy nature of many of the involved systems such as MES, ERP, CRM, HR, etc. also means that those systems most of the time do not have Web Service interface and cannot communicate via HTTP protocol. They also need transformation of their messages since they often talk in EDI/EDIFACT, iDoc, XML, XLS, SQL, and many other dialects incompatible to each other. Integration with legacy and off-the-shelf monolith systems is important because tons of valuable data are already there and those systems are tightly integrated into the enterprise business processes and they will not be replaced anytime soon, if ever .

However, REST often is the only way to integrate with the applications and sources that reside in the Cloud environments, e.g. for integration of smartphones, tablet PCs, sensors, wearables and other emerging devices. Cooperation via interaction of all those systems (hardware and software) is the intrinsic characteristic of the ARUM platform and thus support of both integration paradigms is a must .

Figure 2 – ARUM platform: conceptual architecture The bare bone of the ARUM platform is a so-called Intelligent ESB (iESB), which is a combination of Enterprise Service Bus, e.g. TIE Smart Bridge (TSB), with added value services that realise the specifics for production planning and managing of the platform. All ARUM added-value services that constitute the complete iESB are deployed in the cloud and can benefit from using the dynamic discovery and elasticity along with a polyglot persistency and polyglot service execution environments. This became especially valuable when ARUM had faced a need of integrating new wave of services and data providers that reside on the hand-held devices of the shop floor personnel such as tablets or notebooks used by workers and managers next to the working stations .

TSB was selected due to its successful history of business brokerage acknowledged by Gartner in their quadrant for Integration Brokerage and a successful in different size commercial projects and a rich set of out-of-the-shelf functionality for integration with a wide spectrum of legacy systems as well as with services and data providers that hosted in the Internet cloud. TSB relies on TSI for doing explicit declarative maps that describe how elements of a source schema correspond to elements of a destination schema. Transformation engines use those maps in the data exchange and integration scenarios. Both of these tools can be exposed and used via REST APIs, and altogether this solution paves the road between two integration paradigms, SOA and REST .

3 TIE Semantic Integrator: managing heterogeneity with Semantic Web technologies Within the ARUM context TSB is using a powerful semantically enriched tool for mappings and data transformations, called TIE Smart Integrator (TSI). TSI can be used for integration of data coming from variety of resources in different formats and this step is executed as one of the major routines by TSB via replying to the requests coming from business services .

Figure 1 shows the basic data flow from legacy systems to the business services via TSB that include a transformation step in the middle, legacy system gateways on the left hand side and two examples of interfaces for business services on the right hand side .

Figure 3 – TIE Smart Integrator: Semantic Entities (SE) on the left and right sides (green and blue colours) with a complex mapping that goes via a so-called Methlet (specific transformation rule) TIE Smart Integrator (TSI) [5] (see fig. 3) performs transformation between two given data formats, namely between the source and the destination schemas. TSI project aims at addressing many of the problems that occur in the traditional syntax-based mappings and also both introduces the concept of user-driven semantics and to promote a neutral standard mapping format which can be taken advantage with existing transformation tools and technologies. This way TSI can be classified as one of the modern user-centred ontology-based semiautomatic annotation tools. The main difference of a TSI approach lies in a fact that it offers a usage of “folksonomy” (end-user defined categorization system) without a necessity of establishing a real common ontology prior to be able to do any mapping. In order to achieve a semantic mapping, TSI is using the following main steps (in order they used within the normal TSI workflow): 1) Import Schema Information; 2) Identify Semantic Entities;

3) Map Semantic Entities to each other; 4) Generate Mapping File compatible with a data transformation tool of choice; 5) Deploy generated mapping file into data transformation engine of choice .

TSI provides implementations for importing and automatically converting syntactical schema files into a content neutral format (called STASIS Neutral Format - SNF). For example, these inputs can be an XML schema specification (XSD), or a relational database schema (SQL), or even Microsoft Excel files marked-up in a specific way (schema importers from noSQL data sources) .

STASIS has created a completely content neutral representation for schemas that internally is based on OWL and is referred to as the ‘STASIS Neutral Format’ (SNF) in the project. This way schema is extendible and could be read, manipulated, analysed and reasoned over with help of existing semantic web tools including RDF/OWL reasoners .

Instead of focusing on syntactical mappings, TSI concentrates on identifying semantic entities and mapping those semantic pieces. For this purpose, TSI/STASIS has defined the idea of allowing users to define so-called “STASIS Semantic Entities” (SSEs). These SSEs represent elements with a semantic meaning for the user. These semantic entities are the essence of the TSI/STASIS approach .

They allow users (e.g. catalogue manager, business analyst, engineer) to define that they believe should be a semantic element and then they connect their syntax elements (being derived from their schema files) to those semantic entities using a graphical editor. SSEs are not limited in size, for example they can be as ‘small’ as a work order identifier or as large as a whole working station or a shop-floor for Airbus 380, although most will be more elemental. While the example that has been given is a rather simple, TSI supports the specification of more complex relationships between elements. For example, TSI reuses the concept of so called Methlets – functions, which allow users to connect their syntax elements to semantic entities by using logical expressions, concatenations, basically using any type of logic that a user wants to apply while transforming specific schema elements .

Those links are referred to as ‘complex links’ in the TSI terminology and are fully supported in the TSI/STASIS specification and partially in the current implementation .

All semantic elements within TSI are expressed in Ontology Web Language (OWL) in order to benefit from existing libraries for ontology processing. Obviously, technological details are hidden in the background without involving users. The usage of a standards-aware semantic end-point gives TSI another significant advantage over traditional mapping tools as TSI participants may reuse semantic entities, mappings or schema definitions. It allows TSI to make mapping suggestions by reusing mapping information from earlier semantic links .

Once a user has performed all other steps, they may create the actual mapping between their data schema and the data schema of a partner. In order to do so, they will search and select two schemas (SNF entries in TSI/STASIS terminology). This results in a display of all semantic entities that have been defined in each SNF. TSI allows users to map their information schemas to the schema of another partner system by simply connecting their Semantic Entities. This allows users to create mappings in a more natural way by considering the meaning of elements rather than their syntactical structure .

When a user decides that a mapping is satisfactory the next step is to generate and export a mapping file compatible with a data transformation engine of a user choice. Deployment of mapping files on a transformation engine of one’s choice is the final step of the process .

Conclusion This paper reports on the ARUM approach to knowledge-driven distributed service-oriented platform. The work presented here demonstrates how the industry can benefit from using both the enterprise integration paradigms and the Semantic Web technologies based on the case taken from the European R&D project ARUM, funded from the EU FP7, that aims at solving hard planning problems during production ramp-up of complex and highly customized products such as new aircrafts with the help of Multi-Agent Systems. This class of systems, in order to build accurate prognosis and advices, requires massive volumes of data that should be ingested from legacy systems, mobile devices, sensors, and cloud services .

The ARUM team took up this challenge by having started with a traditional SOA approach and then gradually extending it with the REST style of integration in order to support new types of data sources and to open the door to the promising polyglot microservices that can help deliver business functions faster by fine-grained functional decomposition and the usage of standard ways of communication .

References [1] M. Fowler. Patterns of Enterprise Application Architecture. Addison-Wesley Longman Publishing, 2002 .

[2] Vadim Chepegin, and Stuart Campbell. “NEXOF-RA: A Reference Architecture for the NESSI Open Service Framework. ”, IBIS journal, Vol. 8, 2009, pp. 53-56 .

[3] Jim Webber. REST in Practice: Hypermedia and Systems Architecture O'Reilly, Beijing, 2010 .

[4] Sam Newman. Building Microservices. Designing Fine-Grained Systems. O'Reilly Media, February 2015 .

[5] Sven Abels, Vadim I. Chepegin, Stuart Campbell. “Semantic Interoperability for Technology-Enhanced Learning Platforms.” ICALT 2009, pp. 564-568 Biography Vadim Chepegin is a project coordinator and senior software engineer at TIE Kinetix. Vadim received his engineer (ing/MSc) degree from Kazan State Technological University, Russia. He worked in various Universities and research organizations in Russian and in the Netherlands. He is a co-founder of Russian e-journal “Learning Technologies & Society”. Vadim is a member of a reviewers’ board of an international IFETS journal and a constant member of a peer review committee of IEEE ICALT series of conferences. He combines a working experience in academia and industry .

He worked as a consultant on different size software projects based on cutting-edge technologies, e.g .

AJAX, SOA, Web 2.0, JEE5, semantic web. Last years he is tightly involved into the projects for industrial automation, business integration, and highly distributed systems as a software architect and as a project manager. He can be reached at vadim.chepegin@gmail.com .

Mr. Dan Rusu graduated in 1989 the Technical University of Cluj-Napoca (Romania) with a diploma grade of 10 (on a 10.00 point scale), where he returned in 1991 as Assistant Professor. In the meantime he was also active in commercial companies ranging from design of microprocessor-based systems to design and implementation of Integrated Information Systems for small and medium size companies. In 1999 Dan-Victor joined TIE Kinetix as Senior Software Developer, technical team lead, and since 2007 Chef Software Architect. Currently he is responsible for the TIE Kinetix Product Development, making sure that the quality of Software Development in TIE is constantly improving, and that the different subsystems of the TIE Kinetix Platform can smoothly integrate with each other on a SO architecture, in order to provide the customers with tailor-made solutions based on standard subsystems. He can be reached at Dan-Victor.Rusu@TIEKinetix.com .

Jose Navalon is a senior software engineer at TIE Kinetix. Jose graduated as engineer (ing/MSc) from Polithecnical University of Valencia, Spain. Since 1999 he has been working as a consultant in various commercial companies designing and developing solutions with the latest technologies for different sectors of industry. He is passionate about OOP and thus his main stack of languages includes C#, Java and C++ although functional languages are also in his focus. Jose is up to speed with the latest technologies and he always works with the leading technologies of the moment. He can be reached at Jose.NavalonBaixeras@TIEKinetix.com

AGENT-BASED STRATEGIC PLANNER FOR THE PRODUCTION OF SMALL LOTS OF

COMPLEX PRODUCTS: THEORETICAL AND PRACTICAL PERSPECTIVES

–  –  –

Keywords: Strategic planning, multi-agent systems, mathematical optimization solver, what-if games .

Abstract

This paper presents a strategic planner that assists the decision-makers to take strategic decisions on short term to respond faster and efficiently to unexpected events in the ramp-up production of complex and highly customized products, namely in situations of peak of demand, late change requests and immature technology. This tool combines the flexibility of multi-agent systems with the optimization capability of mathematical optimization solvers. The application of the strategic planner is illustrated by playing iterative what-if games supporting implementation of mitigation strategies addressing a real use case of a peak demand of a specific product .

1. Introduction The ARUM (Adaptive Production Management) project [1] is addressing the challenging problem of the production planning and control in the ramp-up production of complex and highly customized products, particularly in small lot sizes, as in aircraft and shipbuilding industries. In fact, the daily occurrence of unexpected events creates significant risks during the initial phase of the production of a series, e.g. in situations of peak of demand, late change requests and immature processes and technology. This problem becomes hardly to be handled when the products are made in short series, since learning from these events becomes difficult and slow .

Having this in mind, the challenge is to consider innovative real-time decision-support tools that provide optimized solutions to respond faster and efficiently to these unexpected events, incorporating in a short notice the learning from these unexpected events. An example of such tools is the strategic planner that supports the decision-makers to take strategic decisions by producing and analysing alternative planning solutions for situations where unexpected events may provoke strong impact on the running plans. The traditional approach for the production planning problem considers a classical mathematical solver that runs an optimization method for a particular problem formulation using the current context [2]. In spite of the optimization levels, this approach lacks the responsiveness to achieve solutions in short term, which is crucial in industrial environments that are usually subject to condition changes. An alternative is to consider a distributed approach, e.g. using the Multi-Agent Systems (MAS) paradigm, to implement the optimization method, allowing to achieve better flexibility, robustness and responsiveness. However, the optimization level reached is degraded .

This paper introduces a hybrid approach for the production planning problem, combining the maturity, robustness and optimization provided by a classical solver and the flexibility and responsiveness provided by MAS solutions. The application of the proposed strategic planner is illustrated by playing iteratively the tool for a real use case related to the peak production demand for a specific product, allowing to foresee in advance the best strategy to mitigate the demand increase .

The rest of the paper is organized as follows: Section 2 overviews the current architectural approaches to develop strategic planning solutions and Section 3 presents the architecture of the agentbased strategic planning tool as part of the ARUM system. Section 4 describes the implementation of the planning tool and the case study scenario used for experimental validation. Section 5 illustrates the use of the strategic planning tool by playing what-if games simulation for a case study scenario of a peak product demand. Finally, Section 6 rounds up the paper with the conclusions .

2. Existing Approaches to Strategic Planning Decision The production planning problem is traditionally faced by using a mathematical optimization solver. The solver is a software application that runs an optimization algorithm to solve a mathematical problem determining the optimum solution for given constraints. Solvers may implement different optimization algorithms, ranging from linear programming to meta-heuristics, such as local search methods and evolutionary algorithms, being possible to choose the algorithm according to the problem type. Several solvers are currently available, e.g., IBM ILOG CPLEX Optimizer, Xpress Optimization Suite, MOSEK, Gurobi Optimizer, KNITRO and Choco (see [3] for a comparative analysis) .

These solvers are usually mature and robust computational applications that provide optimal solutions for the strategic planning problem. However, the majority of these solutions are commercial and lacks flexibility in situations of iterative rounds. In fact, in situations of re-parameterization of constraints and criteria, the decision-maker must manually introduce the new parameters making this solution to be hardly managed and very time consuming (i.e. sequential achievement of solutions) .

An alternative is to implement the optimization method for the production planning using a distributed approach, e.g. considering the MAS principles. MAS paradigm [4] advocates the use of a set of distributed and autonomous entities, called agents, to solve complex problems. In such solutions, the agents representing the system components (e.g. orders and resources) interact with each other trying to achieve an optimized solution in a more robust, flexible and agile manner. Examples of the application of MAS principles in the production planning are [5-7] .

In addition to the robustness and responsiveness, other potential advantage of the MAS based solver is the possibility of adaptive re-scheduling that increases the reaction time in case of small changes in the input data. This allows the strategic planner to analyze more exploratory options in a given time frame. In spite of these benefits, this approach presents several disadvantages, namely the need to develop the solver from scratch, the missing maturity of the approach, the non-optimal solution reached, and the missing scalability of MAS technology for a huge size of the problem search .

An alternative solution is to consider the best features of the previous described approaches, i.e .

integrating a classical mathematical solver into an agent based infra-structure. This hybrid approach combines the maturity, robustness, stability and optimization of the solver with the MAS principles to explore the achievement of alternatives solutions for the strategic planner. Some works considering these ideas are reported in the literature, e.g. [8-9] .

3. Agent-based Strategic Planning Architecture A hybrid approach combining a mathematical solver and a MAS infrastructure is used to design the strategic planning addressing the ramp-up problem of production of small batches of complex and highly customized products. The main innovation regarding the similar approaches is centred on using the MAS principles to provide a what-if game simulation to explore different Degrees of Freedom (DoF), e.g., the different possibilities to expand the capacity to accommodate the demand fluctuation .

The MAS infrastructure is established to manage the exploration of alternative planning solutions supporting the decision-makers to take strategic decisions. This ecosystem comprises the following classes of agents, as illustrated in Figure 1 [10]:

Resource agent (enterprise, facility or production line according to the scope), representing the physical resources in the enterprise, being responsible for the interaction with the decision-maker (to insert simulation data and visualization of alternative planning solutions) and to initiate the production planning process .

Scenario agent, responsible to generate scenarios for the production planning, exploring different DoF .

Planning agent (strategic, tactical or operational according to the scope), responsible to calculate the solutions for a planning problem (formulated as a mathematical model), considering a certain scenario and applying an optimization method. This agent integrates a commercial solver, e.g., IBM ILOG CPLEX Optimizer, which implements optimization algorithms, e.g. the Mixed Integral Programming technique .

Simulation agent, responsible to assess the achieved production plans through simulation to an

<

ticipate the stochastic behaviour in the production system .

Figure 1 – Agent-based architecture for the strategic planning architecture [10] .

The global system behaviour emerges from the interactions among the individual agents according to proper cooperation processes. Initially, the resource agent defines the set of DoF that can be handled to find alternative planning solutions and asks the scenario agents for exploratory scenarios that can be used for a specific situation (that includes the product demand and the production system capacity). The generation of scenarios explores the possibilities of capacity expansion to accommodate the demand fluctuation .

After receiving the generated scenarios, the resource agent requests the planning agents to solve the planning problem. The planning agent, using the mathematical formulation for the planning problem and the set of criteria defined by the resource agent, triggers the solver to run an optimization method. Several planning agents can run simultaneously aiming to parallelize the planning process to achieve faster the alternative solutions .

The resource agent compiles the alternative planning solutions provided by the planning agents and performs a pre-evaluation analysis by filtering and sorting these solutions according to predefined Key Performance Indicators (KPIs). In particular, the resource agent, articulated with the decision-maker, can iteratively modify the criteria and ask new solutions to the planning agents or to decide accepting one planning solution to be implemented. Optionally, the resource agent may send the alternative planning solutions for the simulation agents for assessment and sends the simulation results to the scenario agents for classification and posterior usage in the generation of scenarios .

This agent-based solution allows the implementation of what-if games simulation supporting the strategic decision-making based on the analysis of exploratory alternative planning solutions .

4. Instantiating the Strategic Planning for the Use Case The described strategic planner architecture was applied to a real case study related to a manufacturing company that produces modular equipment used during the airplanes’ flights .

4.1 Description of the Use Case The company produces coffee machines, trash compactors, ovens and trolleys. Four production lines are dedicated to produce around 20 coffee makers per week. Each production line is composed by two working places, equipped with the necessary tools and accessories, where two skilled workers are performing the assembly steps .

The planning problem considered in this study is related to a situation occurred in 2012, where a major customer asked to deliver within only four months a number of coffee makers that almost exceeded the annual production volume. The time to confirm or decline the request was very short, while any possible response strategy required complex decisions about deep changes of current production and capacity plans, including the need to abandon a significant volume of orders from other customers respectively for other products. In this way, the problem of a peak of 100% in the production demand for the coffee makers during the weeks 15 and 30 requires a strategic decision about how to balance the production to fulfil the book of orders with the limited resources .

The strategic planner will assist the decision-makers to anticipate, assess and prepare mitigation strategies to for this kind of problem. Several DoF are used to mitigate the demand increase, namely considering additional production lines and extra working hours [10]. The first one refers to the possibility to add new production lines comprising skilled workers, which implies additional costs, composed by a fixed term related to the setup of the working bench, and a variable cost related to the workers’ salary. The second DoF refers to the possibility to extend the daily working hours, which introduces an additional cost related to a percentage increase of the worker’s salary .

4.2 Implementation of the Strategic Planner The strategic planning tool was developed using the JADE [11] agent-based development framework to implement the MAS infra-structure. The communication between the agents is performed over the Ethernet network using the TCP/IP protocol, with the messages encoded using the FIPA-ACL (Foundation of Intelligent Physical Agents - Agent Communication Language). The planning agents use the ILOG CPLEX Optimizer solver to run the optimization techniques that solves the planning problem. The connection between the planning agent and the solver is performed through the ILOG Java API .

Several User Interfaces (UIs) were developed as desktop applications built on top of the NetBeans platform, being the several charts used to display the outputs of the planner developed using the JFreeChart API .

5. Playing with the Strategic Planning Tool The decision-maker interacts with the strategic planner through a UI (User Interface), particularly to introduce input data, pre-select alternative scenarios to explore, and to visualize the alternative planning solutions, as illustrated in Figure 2. In order to achieve this, the component comprises several screens. After inserting the input data related to the mathematical model, the planning process is started by clicking the "Start Planning" button. The alternative planning results can be visualized as bar charts, navigable in several dimensions (e.g., production lines or products). The evaluation of the planning solutions can be performed according to several KPIs. In this work, the analysis considers the backlog control since the non-deliveries have significant impact for the company .

Considering the peak demand and the current operational configuration, i.e. 4 production lines and 40 working hours, the backlog is shown in Figure 3, ending the year with a total amount of 87 products. This backlog level is unaffordable and consequently some mitigation measures must be taken .

Figure 2 – UI for the input of data .

Figure 3 – Backlog for the demand increase without Figure 4 – Backlog for the peak demand considering acting in DoF (max value: 102.8). 10h of overtime hours (max value: 15.8) .

Considering the previously described DoF, the decision-maker can play with the possibility of have more overtime hours of work and/or allowing additional production lines. The first possibility could be to use 10hours/week of overtime for each production line, which allows to reduce the majority of backlog, remaining only the backlog concentrated in the peak demand period (see the planning solution illustrated in Figure 4). Additionally, the decision-maker can also play with the DoF related to the production lines, e.g., considering the use of two additional production lines allows reducing the backlog (see Figure 5). Acting individually on these DoF allows to reach acceptable backlog values, having each one an additional production cost (16.224€ for the first case and 15.880€ for the second one) .

Figure 5 – Backlog for the peak demand considering 2 Figure 6 – Backlog for the demand increase considerextra production lines (max value: 5.1). ing both DoF (max value: 1.3) .

The backlogs are now under control but the decision-maker may decide to analyse other mitigation strategies, e.g. extend the overtime to the weekend (i.e. working at Saturdays) and even consider the combination of both DoF. As example, the combination of 2 additional production line with 10 weekly overtime hours have further reduced the backlog with an additional cost of 7.720€ for the use of the extra production line and 21.418€ for the overtime, giving an overall price of 29.138€. As illustrated in Figure 6, the scattered backlog is now completely residual, which naturally requires the use of more financial resources .

Playing the iterative what-if games, the decision-maker can foresee in advance the better strategies to mitigate the impact of the unexpected event and take the proper actions to solve the problem .

6. Conclusion This paper describes a strategic planning solution that combines the reliability and optimization of mathematical optimization solvers with the flexibility, robustness and responsiveness of MAS principles, supporting decision-makers to take strategic decisions on short notice with a high level of confidence for unexpected events, such as peak of product demand .

The agent-based strategic planner was implemented using the JADE framework and integrates the ILOG CPLEX Optimizer solver. The application of the strategic planner solution was illustrated by considering a real use case problem related to the peak product demand, where what-if games can be iteratively played to explore the impact of acting on different DoF related to the capacity expansion possibilities (in this case extra production lines and working hours) to minimize the backlog .

Acknowledgment The research leading to these results has received funding from the European Union Seventh Framework Programme FP7 ARUM project, under grant agreement n° 314056 .

References [1] ARUM - Adaptive Production Management, at: http://www.arum-project.eu/ (accessed in 13/02/15) .

[2] L. Wanyu, H. Leyi, T. Murata, “Production Planning in Dynamic Cellular Manufacturing System using Optimization of Cell Reconfiguration Planning Time Horizon with Uncertain Demand”, Proc. of the IEEE Int. Conf. on Automation and Logistics, pp.466-470, 2011 .

[3] B. Meindl, M. Templ, “Analysis of Commercial and Free and Open Source Solvers for Linear Optimization Problems”, Eurostat and Statistics Netherlands within the project ESSnet on common tools and harmonised methodology for SDC in the ESS, 2012 .

[4] P. Leito, “Agent-based Distributed Manufacturing Control: A State-of-the-art Survey”, Engineering Applications of Artificial Intelligence, vol. 22, n. 7, pp. 979-991, 2009 .

[5] T. Hasegawa, L. Gou, S. Tamura, P.B. Luh, J.M. Oblak, “Holonic Planning and Scheduling Architecture for Manufacturing”, Proc. of the International Working Conference on Cooperating Knowledge Based Systems, pp. 125-139, 1994 .

[6] B. Denkena, H.K. Tonshoff, M. Zwick, P. Woelk, “Process Planning and Scheduling with Multi-agent Systems” Knowledge and Technology Integration in Production and Services: Balancing Knowledge and Technology in Product and Service Life Cycle, pp. 339-348, 2002 .

[7] M. Caridi, S. Cavalieri. “Multi-agent Systems in Production Planning and Control: an Overview”, Production Planning & Control, vol. 15, n. 2, pp. 106-118, 2004 .

[8] L. Florin, “Design of a Multiagent System for Solving Search Problems”, Journal of Engineering Studies and Research, vol. 16, n. 3, pp. 51-64, 2010 .

[9] L. Qin, Q. Li, “A New Construction of Job-Shop Scheduling System Integrating ILOG and MAS”, Journal of Software, vol. 7, n. 2, pp. 269-276, 2012 .

[10] A. Ferreira, A. Pereira, N. Rodrigues, J. Barbosa, P. Leito, “Integration of an Agent-based Strategic Planner in an Enterprise Service Bus Ecosystem”, Proceedings of the IEEE International Conference on Industrial Informatics (INDIN’15), 22-24 July, Cambridge, UK, 2015 .

[11] F. Bellifemine, G. Caire, D. Greenwood, “Developing Multi-Agent Systems with JADE”, Wiley, 2007 .

–  –  –

Keywords: assembly, scheduling, multi-agent systems, ontology, Enterprise Service Bus

Abstract

The paper reports on a solution developed within the European FP7 project ARUM targeted towards the optimization of assembly processes of Airbus aircraft manufacturer. The new software provides a decision-making support to assembly lines managers, which are responsible for organization of work in highly complex environments and under frequently changing conditions .

There are various disruptive events such as missing parts, non-conformities, or late change requests that impact the running production and cause unexpected delays in final deliveries of products to customers. The designed solution includes a Scheduler that determines the proper sequencing of jobs and allocation of workers and materials to jobs. The Scheduler is based on a combination of multi-agent systems and classical mathematical optimization methods. The station manager is provided with a new user interface in which he/she can monitor the current status and performance of a running production. For the assembly line workers there is a mobile application designed to run on a smart phone or tablet, which re-places the paper-based list of assigned jobs and paper-based reporting of the progress and identified issues. The software is designed according to the Enterprise Service Bus architecture and features the use of ontologies for explicit modeling of information in the production system .

1 Context and Motivation This paper reports on the achievements of the European project ARUM – Adaptive Production Management, which is carried out within the EU’s Seventh Framework Programme. The ARUM project is aimed at optimizing the production lines for assembly of highly complex and individualized products. The main focus of ARUM is the aircraft assembly ramp-up, which is characterized by frequent perturbations that halt the assembly operations and significantly delay the deliveries to customers. The missing parts, non-conformant parts or late change requests from customers imply the need to dynamically adapt the production processes so that the whole assembly line is not halted .

The main goal of the ARUM project is to design new software tools providing decision-making support to production managers as well as to workers. The new software is designed as complementary to existing ERP systems, such as SAP, which is not flexible enough to dynamically react to perturbations by adapting job shop scheduling in real time. Currently, the detailed assignment of workers and other resources to jobs over time are done by the assembly station managers manually, only with the help of pen and pencil or a spreadsheet. The scheduling problem is however very complex, considering thousands of jobs and their dependencies, the varying availability of workers possessing different skills, fluctuating availability of materials, occurring disruptive events such as nonconformities, etc. These challenges resulted in a requirement for a new scheduling software (Scheduler) that is used by station managers for allocation of resources to jobs over time, and the mobile user interface for workers (Worker console) that is used by the workers to view the list of assigned jobs, report on progress of work and notify the production managers about disruptive events .

2 Agent-based Scheduler The job scheduling is a very complex taks, in fact NP-hard one, where there is a set of jobs that have to be placed in time, while satisfying multiple constraints, such as duration of each job, required resources, capacity constraints, precedence constraints, etc. The result of the scheduling process is the calculation of exact start and end times of each job and determining proper allocation of resources to the jobs. The objective function is used to select the “good” solution(s) from the set of valid solutions computed for the same input parameters. The typical objective function is a makespan that says that the end time of the last job should be minimal, translating as “all jobs have to be finished as soon as possible” .

There are various approaches to deal with the job shop scheduling problem, including the mathematical optimization methods, such as branch and bound method [1], shift bottleneck [2], tabu search [3], simulated annealing [4], or genetic algorithms [5], and artificial intelligence (AI) inspired methods, such as rule-based scheduling [6], constraint-directed search [7], or expert systems [8] .

Specific subclass of AI techniques are the multi-agent systems (MAS). The basic principle of MAS is the decomposition of complex decision-making process into a set of small, autonomous and intelligent agents that interact via messages. There are multiple works on applying the multi-agent systems for production planning and scheduling, such as the FABMAS multi-agent-system for semiconductor manufacturing [9], the Production 2000+ system for car engine cylinder manufacturing [10], the ExPlanTech system for engine assembly workshop [11], or MAS-based system for electronics manufacturing [12] .

The approach taken by ARUM project is a hybrid one – the combination of mathematical optimization methods and the multi-agent systems. The main reason to employ the agents is to reduce the complexity of the problem to be solved. The Airbus A350 XWB assembly line is organized as a sequence of six work stations, in which the semi-finished fuselages are equipped with various components such as electric installations, hydraulic installations, windows, insulations, etc. In total, there are thousands of assembly operations to be done by approx. hundred of workers having different skills. The time period for doing all operations in a station is called a cycle time – when it finishes, the product moves to the next station. As there can be only one product in one station at the moment, the cycle times have to be synchronized across all the stations. To complicate the situation even bit more, there can be so-called traveling jobs – the jobs that cannot be completed in an original station can be postponed and shifted together with the fuselage to a next station, utilizing either resource of this station or resources of the original station .

As a result, the scheduling has to consider the whole sequence of six stations (S1S2…S6) as well as six cycle times ahead to cover the complete pass of the fuselage in the first station through the line. The Scheduler thus considers a 6x6 matrix show in Fig. 1. Due to the NP-hard character of this problem it is impossible to feed the Scheduler with the data from the whole matrix (approx. 18 000 jobs) and use mathematical optimization methods to solve it .

In the proposed hybrid MAS-based solution, each cell in the matrix is held separately by the Station agent, which task is to compute a schedule for given product and cycle time separately. Internally, this agent uses a constraint logic programming engine, the open-source Choco solver (http://choco-solver.org/), to solve the scheduling problem .

The decomposition of work among the station agents is done by the Scheduler agent, which obtains complete data set for the scheduling matrix, decomposes it, prepares the data sub-sets for the station agents, and finally aggregates their results into a final solution. First, it is done for the first column in the matrix, thus for the first (current) cycle time. In the next iteration, the station agents for the second column are created and fed with data. In case there are some traveling jobs (jobs that could not be completed in a previous cycle), the subsequent station agent (diagonally in the matrix) is given its own set of jobs plus the traveling jobs from the previous station. If the strategy of “borrowing” the resources from previous station is selected, then e.g. the station agent at position [S2, C2] that Cycle times C1 C2... C6

–  –  –

was given some extra jobs from [S1, C1] has to borrow resources from [S1, C2]. Such a situation is solved in a way that instead of two agents only a single one representing both [S2, C2] and [S2, C1] is created and the jobs from both stations are put into a single model solved by the Choco solver. This procedure is repeated until the computation for the last cycle time is finished. The objective function of the solver is the lead time, which the solver tries to minimize .

Using such a hybrid approach the computation time for the whole matrix on a standard PC takes approximately 2 minutes, which is enough to satisfy the requirements of the station managers .

3 Worker Console – Mobile User Interface for a Worker Worker console is the mobile application designed to support the assembly line worker in his/her daily working activities. In particular it provides him with a list of currently assigned jobs and their real-time status and enables him to report on the progress of work, like starting a new job, finishing a job, and reporting the non-conformity (NC) or missing resource events. In fact, it displays the list of jobs assigned to the logged worker, including the start and end times computed by the Scheduler. It also generates events to the iESB as the user reports on his activities (see Sect. 4) .

Fig. 2 (left part) shows the initial screen that the worker can see after he logs into the application. On the left-hand side there is a list of all jobs that are assigned to the worker. There is a time axis that marks start and end times of each job; the current time is indicated with a green dot so that the worker can quickly see if he is on time with his work or behind/ahead of schedule. Next to the job its status (pending, running, halted, terminated, and finished in different colors) is shown together with the information about if it is in time or delayed. On the right-hand side there are details of the selected job together with control buttons shown. The details include the job identifier (3300), job description, start and end times, and its status. If the job is in initial state there is only a single Start button on which the user can click. After doing so, the user is asked to confirm its action and then the job goes into the running state .

In the running state shown on the right part of Fig. 2 there are two control buttons: Finish and Delay/PNC. When clicking on Finished the job is reported as finished and the worker can select another job for execution. The worker can also report on either delay or on potential non conformity (PNC) via Delay/PNC button. In the latter case a PNC event is generated and delivered over the iESB to the user interface of a responsible team leader to request him to go to the worker and make a Fig. 2. Worker console - job list and job details (left), running job view (right) decision regarding the rejection or confirmation of the NC. When the PNC is rejected the job returns automatically into the running state. If it is confirmed then is goes into the terminated state, which is indicated by the red color. Then the worker is expected to select another job from the list and start executing it .

–  –  –

Fig. 3. The overall ARUM architecture First, it is the Service Oriented Architectures (SOA), according to which the software components, such as the Scheduler or Planner, are implemented as loosely coupled services that interact via messages. The Enterprise Service Bus (ESB) architecture model (JBoss ESB) was used as a specific SOA implementation. Second, it is the multi-agent systems technology, which is used to implement the inner functionality of some of the developed services. It is for instance the Scheduler, which is described in this paper. To make the integration of agents and ESB services possible we have developed a framework for inserting the multi-agent system, implemented in JADE platform (http://jade.tilab.com/) into the JBoss ESB service. It includes the MAS-ESB gateway for transformation of agent messages to ESB messages and vice versa [13]. Third, it is the REST architectural style that was employed to enable the integration of lightweight mobile clients with the heavyweight Enterprise Service Bus (ESB) messaging system .

As shown in Fig. 3 the communication backbone is provided by the Enterprise Service Bus. The JBoss ESB messaging system is surprisingly trivial, with messages containing only a simple header (containing a sender and receiver information) and a body bearing the content of the message. There is no support for conversation protocols that would define sequences of messages exchange between the services on a given topic. To overcome this issues, we have enhanced the JBoss ESB messages with additional attributes, according to the FIPA-ACL agent communication language principles [14] to take the full advantage of combination of SOA and MAS .

The REST API Service is the service that provides means for integration of lightweight clients, typically mobile applications, such as the Worker console described in Sect. 3, with the ESB messaging infrastructure. It is based on the HTTP-based RESTful API that converts the ESB messages with the content encoded in RDF (Resource Description Format) into HTTP-based REST messages with the Javascript Object Notation (JSON) content and vice versa [15] .

The Ontology service is responsible for retrieving data from the legacy software systems and converting them into a common data format. The representation of knowledge in ARUM is based on ontology, which was developed to provide a semantic model of knowledge related to discrete production processes. The OWL ontology is composed of three major modules: (i) the Core ontology defining core manufacturing concepts such as jobs, stations, resources, workers, etc., (ii) the Scene ontology designed for production steering, planning and scheduling, and (iii) the Event ontology for handling variety of possible production events, such as starts/ends of jobs, disturbances, etc. The Ontology service obtains the data from the Transformation service, which interacts over Gateways with particular legacy systems, such as relational databases or SAP. The Transformation service transforms data from its original format to RDF according to developed ontologies. The Ontology service aggregates data from multiple sources and stores them in the triple store. In this way the input data for the Scheduler service are prepared. When the scheduling is finished, the output of the scheduling (the assignment of resources to jobs, and job’s planned start and end times) are also stored by the Scheduler service .

The Security service is designed to secure the communication over the ESB. It features user/service authentication and authorization and encoding of the messages. The Worker console has been already presented in the previous section. Another user interface is the Station manager UI, which provides the station manager with the detailed overview of progress of work in the stations, including the KPIs such as current throughput, utilization of resources, number of unhandled disruptive events, etc. Via this UI the station manager can launch the scheduling process, either at the beginning of a new shift, or in a situation when the events impact the current schedule to such extent that it is necessary to re-organize the production and re-allocate the workers .

Conclusion This paper presents a solution developed for job shop scheduling of Airbus assembly line in Hamburg. It features the hybrid MAS-based scheduler, the Enterprise Service Bus communication infrastructure, the use of ontologies to give a common semantic model of data, the integration of legacy ERP systems, and the modern user interfaces supporting both the managers of work stations as well as workers by replacing the paper-based assignment of jobs and paper-based reporting of events by electronic system based on a mobile application .

Acknowledgment This research was supported by the European Union FP7 Programme under the ARUM project No. 314056, and also by the Ministry of Education, Youth and Sports of the Czech Republic under the grant No. 7E13001. It reflects only the author's views, and the European Community is not liable for any use that may be made of the information contained therein .

References [1] Jain, A.S., Meeran, S.: Deterministic job-shop scheduling: Past, present and future. European Journal of Operational Research, vol. 113, no. 2, 390-434 (1999) [2] Adams, J., Balas, E., Zawack, D.: The shifting bottleneck procedure for job shop scheduling. Management Science, vol. 34, no. 3, 391-401 (1988) [3] Amico, M.D., Trubian, M.: Applying tabu search to the job-shop scheduling problem. Annals of Operations Research, vol. 41, no. 3, 231–252 (1993) [4] Van Laarhoven, P.J.M., Aarts, E.H.L., Lenstra, J.K.: Job shop scheduling by simulated annealing. Operations Research, vol. 40, no. 1, pp. 113-125 (1992) [5] Jensen, M.T.: Generating robust and flexible job shop schedules using genetic algorithms. IEEE Transactions on Evolutionary Computation, vol. 7, no. 3, 275-288 (2003) [6] Bruno, G., Elia, A., Laface, P.: A rule-based system to schedule production. IEEE Computer, vol. 19, no. 7, 32-40 (1986) [7] Fox, M.S., Smith, S.F.: ISIS-a knowledge-based system for factory scheduling. Expert systems, vol. 1, no .

1, 25-49 (1984) [8] Metaxiotis, K.S., Askounis, D., Psarras, J.: Expert systems in production planning and scheduling: a stateof-the-art survey. Journal of Intelligent Manufacturing, vol. 13, 53-260 (2002) [9] Mnch, L., Stehli, M., Zimmermann, J., Habenicht, I.: The FABMAS multi-agent system prototype for production control of water fabs: design, implementation and performance assessment. Production Planning & Control, vol. 17, no. 7, 701–716 (2006) [10] Bussmann, S., Schild, K.: An Agent-based Approach to the Control of Flexible Production Systems. In: 8th IEEE International Conference on Emerging Technologies and Factory Automation, vol. 2, 481-488 (2001) [11] Pchouek, M., ha, A., Voknek, J., Mak, V., Prama, V. ExPlanTech: Applying Multi-agent Systems in Production Planning. International Journal of Production Research, vol. 40, no. 15, 3681-3692 (2002) [12] Andreev, M., Ivaschenko.A., Skobelev P., Tsarev A.: Multi-Agent Platform Design for Adaptive Networks of Intelligent Production Schedulers. In: 10th International IFAC Workshop on Intelligent Manufacturing Systems, pp. 78-83 (2010) [13] Vrba, P., Fuksa, M., Klma, M.: JADE-JBossESB Gateway: Integration of Multi-Agent System with Enterprise Service Bus. In: IEEE Conference on System, Man, and Cybernetics, San Diego, USA, pp. 3663-3668 (2014) .

[14] Foundation for Intelligent Physical Agents. (2002). Agent Communication Language Specifications .

[Online]. Available: http://www.fipa.org/repository/aclspecs.html [15] Harcuba, O., Vrba, P. Unified REST-API for supporting the UI integration in the ESB-based environment for production planning and scheduling. In: IEEE International Conference on Industrial Technology, pp .

3000-3005 (2015) .

Biography Pavel Vrba, Ph.D., assoc. prof., is the researcher at the Czech Institute of Informatics, Robotics, and Cybernetics at CTU in Prague. He leads the Intelligent Systems for Industry group aiming at research and development of intelligent distributed solutions for various fields including industrial automation, planning and scheduling, smart energy grids, and others. He was with the Rockwell Automation Research Center in Prague (2000where he led the Distributed Intelligent Control lab (2005-2012). His main research interests are intelligent industrial control systems, holonic and multi-agent systems, cyber-physical systems, systems of systems, Internet of Things, semantic technologies, ontologies, service-oriented architectures and agent-based modelling, simulation and visualization, and big data. Dr. Vrba has published more than eighty conference papers, journal articles and book chapters related to his research area (Web of Science’s h-index: 9) and co-authored five filed and one pending U.S. patents .

Martin Klma, PhD., is the head of the Applied research department at CertiCon, a.s. He focuses on research projects in the area of distributed systems, web technologies, human-computer interaction, and multi agent technologies .

Prof. Ing. Vladimr Mak, DrSc., Dr. h.c., is the director of the Czech Institute of Informatics, Robotics, and Cybernetics at CTU in Prague. He was the head of the Department of Cybernetics at CTU (1999-2013) that received the EU Center of Excellence in 2000 and the managing director of Rockwell Automation Research Center in Prague (1992-2010). Professor Mak's area of expertise is artificial intelligence, knowledge-based systems, multi-agent systems, machine learning, manufacturing planning, scheduling and control, and intelligent industrial decision support system. Prof. Mak is the author or co-author of five monographs, eight textbooks, and more than 110 papers (h-index 11). Prof. Mak is the Vice President for Cybernetics of the IEEE SMC Society, and was the Editor-in-Chief of the IEEE Transactions on Systems, Man and Cybernetics, Part C. He was awarded the Honorary Cross for Science and Art by the President of Austrian Republic in 2003 .

–  –  –

Keywords: Holonic architecture, organic systems, complex systems, multi-agent systems, service-oriented architectures

Abstract

Increasing complexity in manufacturing domain requires radically new approaches for planning, design and coordination in manufacturing processes. In this paper we introduce an organic system architecture for supporting complex manufacturing processes. The architecture brings different approaches, legacy systems and services to work together in an interoperable manner for real time decision support, detect early warning and to accelerate learning. The architecture design is supported by ground breaking studies in service oriented systems, multi-agent systems, ecosystem based approaches and devolved ontologies. The architecture provides foundation for a new generation of service oriented enterprise information platform that can address the increasingly complex needs of real industrial environments .

1 Introduction This paper presents an organic system architecture for supporting complex manufacturing processes. The architecture design was carried out by considering latest advancements in four complementary areas: service-oriented systems, multi-agent systems, ecosystem inspired adaptation approaches and devolved ontologies. Based on the recent developments in these areas, the architecture is able to support the integration of multiple legacy systems, services and agent-based tools in a truly distributed manner without the need to pre-agree on a highly specialized ontology .

The architecture proposed in this paper is seen as the next evolution step of the architecture implemented in the EU-funded project ARUM that aims to address the challenges of planning and control in the manufacturing of complex and highly customizable products, especially in small lot production. The architectural support for different but complementary components in ARUM enables the system to run in two modes: predictive and real-time simulation. The predictive mode supports the planning phase, whereas the real-time operations mode will support dynamic, time-, cost- and riskoriented re-planning of operations. In case of immaturity or late requests for changes, alterations of engineering information provided are supported equally .

The recent developments in the complementary areas leading to the design of the architecture are described in the following sections of the paper. In brief, Section 2 presents an overview of a recent work in the area of web-services and agents. The results from empirical assessment of webservice and agent-based approaches for composition and optimization inform the design of an intelligent enterprise service-bus (iESB) in Section 3. The iESB serves as the backbone of the architecture .

Section 4 presents an overview of ecosystem based approaches that support the creation of an ecosystem of intelligent services in the manufacturing domain. Section 5 describes the work carried out in the area of devolved ontologies. Section 6 presents the organic system architecture that brings together the aforementioned approaches to address some of the key challenges in complex and adaptive manufacturing domains .

2 Study of Web Services and Agent Systems Web services and agents are often seen as two key technologies that can be used to design decentralized. In a study conducted within the context of EU BonFIRE project we tested two approaches service system optimization that can be used in the development of dynamic service based system .

The first approach uses web-service compositions as a way to bring together different functionalities in a system [1]. At any time during or after the composition, the services can change their offerings, cease to exist or new services can enter in the system to represent new opportunities for the composition and dynamic nature of the environment. However, the experimental results of this web-service composition approach reveal that this approach is suitable for one-off optimization and/or when unprecedented numbers of services are involved in the composition. This can be case in travel booking applications or financial applications that consider huge number of services before producing a composition that is best suited for the user .

Figure 1 - Assessment of web services and agent based approaches for composition The other approach tested in the study uses software agents and agent-based interactions to simulate the emergence of service value chains while dealing with unexpected disturbances [1]. It is inspired by ideas from natural ecosystems where local, dynamic interactions are fundamental to the creation of ecosystems. Contrary to the one-off nature of web-service based composition approach, the agent-based approach for composition of multiple functionalities was found suitable for continuous processes as in the case of optimizing traffic infrastructure or complex manufacturing processes [1]. For example, in the manufacturing domain the agents can represent different entities such as sensors, workstations and resources that communicate with each other in order to optimize the overall utilization of the available resources .

3 Intelligent Enterprise Service-based Bus (iESB) The Intelligent Enterprise Service-based Bus Enterprise Service Bus or iESB [2] for short is a representation of SOA principles in practice and it is one of the corner stones of the infrastructure since it can enable the delivery of an optimized solution to the end user based on the information extracted from the information sources such as ERPs, sensors, etc. The main responsibility of any ESB is the reliable delivery of messages between the connected services. Different situations impose diverse requirements and thus communication patterns can vary. Apart from enabling communication among heterogeneous components and services, the role of iESB is also to enable the integrating a variety of data sources and services located across multiple platforms under one architecture and provide necessary support for communications among applications running on diverse platforms and based on different execution environments. Since iESB is a central component through which all the services communicate, it makes it ideal for monitoring and analysing the data exchange between connected services. There are many well-established implementations of Enterprise Service Bus that can be used to facilitate the connection between other systems usually known as services, components, actors, agents, etc .

Figure 2- iESB for integration of different systems and services

4 Ecosystem of Intelligent Services iESB enables the integration and communication of a variety of systems and services. However, the use of nature inspired ecosystem principles within a system can enable the migration of services in a seamless manner and ease some of the concerns about centralization of services, in iESB. In this respect, the proposed architecture allows the implementation of iESB as an ecosystem to enable the migration of intelligent services that can be plugged and unplugged as and when required to achieve different goals .

Figure 3- iESB as ecosystem of intelligent services

5 Devolved Ontology The integration of different systems and services through iESB raise questions about their interoperability. The lack of a semantic alignment between collaborating services and systems causes frequent misinterpretations when exchanging information To address such concerns the architecture design allows the use of ontologies to provide sematic support for the communication between iESB services and systems or components. To enable ontological support for the iESB, a devolved ontology based approach was adopted. The devolved ontology approach employs a conceptual model which does not rely on agreeing in advance on a centralised standard for information exchange, but instead allows individual services to maintain localised ontologies structuring allowing the services to automatically establish a semantic alignment, taking into account the ripple effects that such an alignment could trigger .

The basic concepts of devolved ontology were discussed in a previous study [4] that shows how the conceptual model of devolved ontology is engineered and tested to support such a scenario .

Figure 4 - Devolved ontology to support interoperability between different services 6 Overall Architecture Based on the extraction of useful ideas from previous sections the overall architecture includes various components that can be integrated in manufacturing processes .

Figure 5- Overall architecture To address some of the key challenges in complex manufacturing processes and industrial requirements the proposed architecture integrates the key features of service-oriented-architecture, holonic multi-agent systems and legacy systems and links them via an enterprise service bus (iESB), providing communication, monitoring, interoperability and aggregation of information across existing legacy systems at all production levels to support real-time automatic negotiation, planning, scheduling and optimization within and across factories. The envisaged support for distributed multi agent systems combined with the support for the ecosystem inspired service migration is expected to help in integrating legacy systems, information aggregation from high level systems (MES, ERP, etc.) to factory floor automation (e.g. metal cut and assembly systems). The architecture also supports ontology devolution in the iESB thus enabling interactions and ensuring interoperability between different constituents of the system .

7 Conclusion An Organic System Architecture for Supporting Manufacturing Processes has been discussed in this paper. The architecture, associated modules and functionality can contribute towards ensuring purposeful and unobstructed flow of information between decision makers, intelligent planning, scheduling, optimisation, control tools and legacy systems while minimizing the interoperability barrier created with heterogeneous implementations. In this respect, the architectural design has the potential to improve collaboration between factories by lowering the entry requirements to a network of consumers and suppliers .

The design of the architecture can support the implementation of a flexible and adaptive ICT solution for production management and control of highly complex, small lot productions such as in aircraft and shipbuilding industries. Small lot manufacturers have to deal with specific challenges such as the high investments in the product design and ramp-up due to the complexity of the final product and very small production batches. To support the stakeholders in small lot manufacturing and complexity of product design and ramp-up stages, the architecture presented here promotes the view of services as Intelligent Services that are defined as independent pieces of software that are expected to provide a particular result either produced by the intelligent services themselves or by requesting support from other intelligent services. Seamless communication between intelligent services is supported by a centralised Enterprise Service Bus in the architecture. The iESB also facilitates other operational features such of knowledge acquisition and sharing by exploiting different ontologies, monitoring of dynamic interactions by reviewing the flow of high volume of message exchanges, service lifecycle management and platform distribution .

In the future work, we would like to implement the different components in the architecture in order to realise an adaptive manufacturing system. The implemented system can be tested in industrial environment to unravel the potential benefits of the architectural design, as discussed in this paper .

8 References [1] U. Wajid, C.A. Marn, N. Mehandjiev. Optimizing Service Ecosystems in the Cloud. In The Future Internet, p 115-126. Springer-Verlag, 2013 .

[2] C.A. Marn, L. Mnch, P. Leito, P. Vrba, D. Kazanskaia, V.I. Chepegin, L. Liu, N. Mehandjiev. A Conceptual Architecture Based on Intelligent Services for Manufacturing Support Systems. In IEEE International Conference on Systems, Man, and Cybernetics, p 4749-4754. IEEE Computer Society, 2013 .

[3] C.A. Marn, J. Barbosa, P. Leitao. Ecosystems Enabling Adaptive Composition of Intelligent Services .

In Seventh International Conference on Adaptive and Self-Adaptive Systems and Applications, p 85-91 .

IARIA, 2015 [4] C. Marn, M. Carpenter, U. Wajid, and N. Mehandjiev. "Devolved Ontology in Practice for a Seamless Semantic Alignment within Dynamic Collaboration Networks of SMEs." Computing and Informatics 30, no. 1(2011)

АДАПТИВНОЕ УПРАВЛЕНИЕ МЕЛКОСЕРИЙНЫМ ПРОИЗВОДСТВОМ

–  –  –

Ключевые слова: адаптивное планирование, мелкосерийное производство, ввод в производство новых продуктов, мультиагентные технологии, управление производством .

Abstract

Currently the methodology of eliminating the negative effects of the issues in ramp-up stage mostly involves the increase in investment and updating the design data. In the paper the authors consider an approach that can be applied on every level of ramp-up production: from suppliers to shopfloor operators. The architec-ture of the system is described and the first implementation results are given .

Введение Ввод в производство новой продукции является характерным этапом современных предприятий, поскольку для того чтобы отвечать требованиям рынка, часто разрабатываются и внедряются новые продукты. Основная сложность управления производством на данном этапе состоит в том, чтобы справиться с непредвиденными событиями и при этом увеличить объем производства в короткие сроки. В данном контексте, производство, как правило, оперирует планами на определенный период (обычно на месяц, или в лучшем случае, на день) .

Однако такой идеальный план редко соответствует реальности. На самом деле, на его выполнение влияет ряд непредвиденных факторов:

1) сбои в работе поставщиков (в том числе, несоответствие требованиям, отсутствие доставки деталей и задержка доставки);

2) переоценка производительности труда;

1) непредвиденное время, затраченное на принятие решений;

2) срочные дополнительные заказы .

Поскольку план не изменяется после запуска в производство, отсутствие возможности настроек становится причиной увеличения количества невыполненных заказов. Для последующих периодов (неделя, месяц, год) это воздействие накапливается. Основная задача управления, в связи с этим, состоит в том, чтобы увеличить производительность и систематически устранять задержку заказов .

Несмотря на понимание этого, современные системы планирования производства все еще склонны использовать традиционные методы, не отражающие окружающие условия, которые меняются практически ежесекундно [1] .

Попытка осветить типичные проблемы ввода в производство новой продукции вместе с цепочкой поставок была предпринята в проекте Адаптивного управления производством (ARUM) в 7-ой Рамочной Программе Европейского союза. Подход, рассматриваемый в данном проекте, описан в нескольких работах [2,3] и основан на сочетании использования мультиагентного планирования для решения проблемы непредвиденных изменений в планировщике, онтологии для сбора и хранения информации о предметной области и интеллектуальной сервисной шине предприятия для обеспечения взаимодействия между различными модулями .

В первом разделе статьи описывается текущий производственный процесс одного из промышленных партнеров данного проекта (Iacobucci Holding Ferentino, IHF). Во втором разделе выделяются основные производственные проблемы. Третий раздел характеризует архитектуру системы ARUM. В четвертом разделе описывается, как система реагирует на основные трудности, а в пятом представлены результаты экспериментов .

1 Исследуемый производственный процесс Исследование, рассматриваемое в проекте ARUM, охватывает производство (включая тестирование, склад и управление), связано с разработкой, финансами, снабжением и логистикой IHF. В центре исследования находится производственная сфера, которая разделяется на несколько направлений производства по типам продукции:

1) Кофе-машины и эспрессо-машины, которые являются наиболее популярными продуктами. Сборочные линии данных продуктов взаимозаменяемы, в том числе и их операторы, которые могут использовать один и тот же набор навыков .

2) Уплотнители мусора, которые представляют собой дорогостоящий продукт для долговременного использования. В настоящее время спрос на уплотнители мусора меньше, чем на кофе-машины, но профиль заказов более изменчивый .

3) Индукционные нагревательные элементы – более известные как термостаты – представляют не так давно внедренный продукт, на который в настоящее время наблюдается увеличение спроса. Термостаты производятся в относительно медленном темпе, обладая при этом потенциалом увеличения производительности при внедрении системы ARUM .

Производство IHF включает в себя 8 задач:

1) Технологическое проектирование предоставляет спецификации для производства и поставщиков, например, инструкции по сборке, чертежи и т.д .

2) Снабжение отвечает за контракты с поставщиками и заказ деталей, необходимых для оснащения производственных линий .

3) Обслуживание клиентов осуществляет коммуникацию с клиентами и проводит обзор запланированных и прогнозируемых заказов .

4) Производственное планирование составляет расписание производства, по которому все работают (от снабжения до отправки сертифицированных продуктов). Производственное планирование взаимодействует с обслуживанием клиентов, для того чтобы удостовериться, что клиенты осведомлены о результатах .

5) Входной контроль на сладе отвечает за получение и проверку поставок и сообщает, если детали доставлены в недостаточном количестве, отсутствуют, имеют брак или каким-либо еще образом не соответствуют требованиям .

6) Комплектация и упаковка формирует сборочные комплекты, которые используются на производственных линиях .

7) Производство гарантирует сборку в соответствии с сертифицированными процессами .

8) Контроль качества – тестирование всей продукции перед отправкой клиенту. Финальный контроль качества взаимодействует с отделом управления качеством разработки продукции, который занимается исследованием любых несоответствий сертифицированных процессов и обратной связью по развитию производства .

Информация о заказах, спецификациях и инвентарных ведомостях хранится и обрабатывается в базе данных AS400 собственной разработки. Вся информация обрабатывается в документах офисного пакета (PDF, Excel) .

Система ARUM влияет на процесс «заказ-доставка». В связи с этим, необходимо понять последовательность действий, когда система ARUM может способствовать увеличению производительности в период ввода в производства нового продукта.

Данный процесс изображен ниже (Рис.1):

Рисунок 1 – Процесс «заказ-доставка» на предприятии IHF Обработка нового заказа начинается, когда отдел по работе с клиентами получает заказ с указанной датой доставки. Заказы варьируются по количеству, частоте и содержанию продуктов. Как правило, заказы поступают за 90 дней, чтобы предприятие успело получить детали от поставщиков и доставить продукт клиенту. Некоторые клиенты делают долгосрочные заказы, чтобы организовать периодическую доставку продукции в течение года, другие же уведомляют о доставке за 45 дней. Ключевой приоритетный критерий – поставляется ли заказ для совершенно нового самолета или для замены компонентов старых воздушных судов, поскольку задержка доставки для новых самолетов влечет за собой задержку доставки самого самолета в целом, что, соответственно, недопустимо. В обоих случаях отдел по работе с клиентами является главным пунктом анализа коммерческих приоритетов и оценки последствий любых изменений, о которых менеджеры по работе с клиентами сообщают в короткий срок .

Возможность своевременного выполнения заказа сверяется с другими отделами (проверка производственных возможностей, производительности, поставки необходимых деталей и т.д.), которая в итоге утверждается генеральным директором и вносится в базу данных AS400 как утвержденная заявка, требующая включения в производственные планы. Производство координируется на самом высшем уровне с привязкой к общему плану, отдел планирования производства предоставляет детализированный производственный план, в котором разъясняется, какая продукция должна быть произведена к концу месяца на уровне серийных номеров, включая все единицы, производимые «на склад». Данный план затем группируют в наряды, отражающие количество продуктов, которые может произвести в неделю одна сборочная линия. Затем каждый заказ-наряд направляется на сборочные линии, согласно типу продукции, для производства которого сертифицирована данная линия. Запуск наряда во все отделы является поводом для набора персонала, закупки деталей отделом снабжения, оснащения сборочных линий и т.д .

Материальный поток логичен: закупаемые материалы получают, проверяют, отправляют на хранение, собирают в комплекты, используют на сборочной линии, тестируют, маркируют для отслеживания, упаковывают в паллеты и отправляют клиенту .

Отдел производственного планирования еженедельно предоставляет отчет о результатах, который является обязательным условием регулярных совещаний руководителей, в то время как отделы ежедневно напрямую производят диагностику и устранение неполадок в работе .

2 Основные проблемы производства Исходя из анализа процессов IHF и опросов сотрудников, был выявлен широкий круг проблем, препятствующих эффективности на стадии ввода в производство новых продуктов .

На пути «планирование-производство-доставка клиенту» наибольшее значение имеют следующие непредвиденные события (следуя последовательности процесса «заказ-доставка»):

1) Отдел продаж и работы с клиентами:

Дополнительные заявки. Примером является срочный заказ крупной авиакомпании на доставку около 100 уплотнителей мусора в течение четырех месяцев (при запланированной возможности выпуска 140 единиц продукции в год).

При необходимости производства большого объема продукции в короткий срок нужно решить две проблемы:

o Перераспределение ресурсов. Заявка на один тип продукции может потребовать перемещения операторов с линий, производящих другой тип продукции. Если ресурсов по-прежнему не хватает, дополнительной производительности можно добиться путем привлечения офисных служащих, которые прошли необходимую сертификацию или персонала с линии 45 Европейского агентства по авиационной безопасности (EASA), который, в основном, осуществляет обслуживание элементов, контролируемых этим агентством .

o Соблюдение сроков доставки. Очевидно, что сроки доставки уже имеющихся заказов должны быть соблюдены как можно более точно. Однако если нет возможности предотвратить нарушение сроков, заказы следует запланировать таким образом, чтобы сократить штрафные санкции. Новое время доставки должно быть обговорено с клиентом .

Проблемы с контрактами (поставщики и клиенты): Цены основаны на годовом количестве деталей, позволяющем поставщику эффективно осуществлять свою деятельность, но объемы, заказанные отделом снабжения, не делятся на партии, подходящие поставщику для доставки. Это приводит к недостатку или переизбытку поставок .

Обновления по заказам. Изменения сроков доставки или необходимого количества продуктов, отмена заказов вызывают изменения, которые приводят к совершенно новому расписанию доставок на текущий период. Это влечет за собой проблемы с поставками материалов и влияет на сроки доставки других заказов .

Обновления по прогнозам. Когда прогноз неверный, от клиента приходит заявка на дополнительное количество продуктов. Обычно компания может выполнить заявку, если дело касается 2-3 продуктов. Однако дополнительные заказы должны быть утверждены складом, отделом снабжения и отделом производства .

2) Производственное планирование. Производственное планирование занимается ежедневными обновлениями производства и продаж. Все данные собираются вручную, обычно путем переговоров и телефонных звонков. Затем план должен быть вручную обновлен в Excel .

3) Снабжение:

Задержка доставки. Несмотря на то, что заказы на поставку деталей обговариваются за год, поставщики со своей стороны могут иметь проблемы, что вызывает нарушение установленных сроков .

Брак. Детали, полученные от поставщика, могут отличаться от заданного проекта вследствие производственных дефектов или несоответствия проектных данных, переданных поставщику, что приводит к недостатку продукции на складе

4) Входной контроль. Материалы не соответствуют чертежам и инструкциям, предоставленным отделом проектирования. Входной контроль является потенциальным узким местом, поскольку нет возможности узнать, доставлены материалы или нет и соответствуют ли они требованиям до тех пор, пока они не пройдут входной контроль. Следовательно, любая крупная проблема с привлечением персонала по входному контролю может вызвать задержку доставки материалов на производство .

5) Склад: работники склада выявляют потребность в определенных деталях, только когда начинают формировать сборочные комплекты .

6) Производственная линия:

Производственные возможности. В случае IHF, в первую очередь ожидаемы проблемы с поставками. Тем не менее, эта выгодная с точки зрения стоимости и качества технология может быстрее вызывать новые заявки, чем планируется в данный момент. Типичной проблемой при вводе в производство новой продукции является следующая ситуация. Входной контроль проверяет соответствие детали чертежу (который обычно представлен на бумажном носителе, а также доступен в электронном виде в общей папке). Если электронный вариант в этот момент меняется или обновляется, то детали уже не соответствуют чертежу. Это приводит к тому, что детали, которые были проверены по старым инструкциям, следует перепроверять в соответствии с новыми инструкциями .

Брак: Инструкция по сборочной линии отличается от реальных материалов. Брак может привести к непригодности части продукции. Кроме того, иногда для принятия решения по поводу бракованных изделий требуется согласование нескольких отделов предприятия .

Неполные сборочные комплекты. Иногда сборочные комплекты попадают в производство с недостатком некоторых деталей. Это значит, что сборочные узлы не могут быть собраны. Если необходимые материалы не прибудут до того, как начнется сборка узлов, руководство должно будет решить эту проблему .

3 Система ARUM Архитектура системы ARUM разработана в контексте стадии ввода в производство новых продуктов, когда есть конфликты между необходимостью контроля и реальностью быстрых изменений. Стадия ввода в производство новых продуктов часто требует непрерывной интеграции, начиная со стратегий и систем, заканчивая уровнем инструментов (т.е. на всех ступенях контроля и оптимизации). Кроме того, нужна вертикальная интеграция от Системы Управления Производством (MES) вплоть до уровня цехов, и горизонтальная интеграция - от проектирования до планирования производственной системы для того, чтобы обеспечить устойчивость процессов государственного производства .

Для решения вышеуказанных проблем и соответствия промышленным требованиям архитектура ARUM интегрирует основные компоненты сервис-ориентированной архитектуры, а также холонических мультиагентных систем и сторонних систем и объединяет их с помощью сервисной шины предприятия (ESB), обеспечивая коммуникацию, мониторинг, взаимодействие и агрегирование информации в существующих сторонних системах на всех уровнях производства с целью обеспечения поддержки автоматического согласования, планирования верхнего уровня, составления расписаний и оптимизации внутри одного предприятия и между несколькими в режиме реального времени. Рассматриваемые технологии распределенной мультиагентной системы в холонической архитектуре, как ожидается, помогут интеграции сторонних систем, агрегированию информации от систем высшего уровня (MES, ERP и т.д.) до автоматизации на уровне заводского цеха (например, резка металла и сборочные системы) .

На основании таких требований, отраженных в архитектуре системы, основные функциональные возможности системы ARUM включают в себя составление расписаний, планирование верхнего уровня, управление производством и производственные процессы, поддерживаемые фактической информацией, поступающей из различных источников, таких как сторонние системы, датчики и данные, вводимые пользователями .

На основе конкретных требований заказчика и предметной области, а также результатов предыдущих исследований и внедрения [4,5] логическое представление системы ARUM не только определяет ключевые компоненты и сервисы, которые составляют систему ARUM, но также демонстрирует взаимосвязи между ними, как изображено на Рисунке 2 .

Рисунок 2 – Архитектура системы ARUM Эта архитектура была более подробно рассмотрена в [6]. В данной же работе мы выделим только ключевые элементы архитектуры для того, чтобы поддержать пример компании

IHF:

шлюзы для извлечения данных из сторонних систем;

онтология для описания предметной области системы;

мультиагентный адаптивный планировщик для создания планов производства;

пользовательский интерфейс для менеджеров производства и планирования: для составления расписания и обеспечения его выполнения;

пользовательский интерфейс для операторов цехов: для получения задач в соответствии с расписанием, а также сообщения об их выполнении и обнаруженных проблемах .

4 Применение системы ARUM Как было показано в предыдущем разделе, система ARUM охватывает большинство аспектов работы предприятия благодаря своей структуре и архитектуре. Чтобы дать читателю более четкое представление, рассмотрим проблемы, которые были выделены выше, и опишем, как система их решает .

В случае дополнительного спроса, полученного отделом по работе с клиентами, решение обеспечивается согласованной работой стратегического планировщика и оперативного планировщика. Стратегический планировщик позволяет менеджерам рассмотреть различные возможные решения (дополнительные линии, изменения в планировке цеха и т.д.) и выбрать лучший с точки зрения прибыли. Оперативный планировщик гарантирует, что средства будут распределены наиболее эффективным образом (чтобы сократить расходы и соблюсти сроки) в рамках условий, установленных руководством .

Проблемы по контрактам с поставщиками и заказчиками решаются с помощью оперативного планировщика, который учитывает не только производственный процесс, но и профиль необходимого запаса. Таким образом, руководство может сделать заказ на поставки в соответствии с потребностями производства, что позволяет устранить дефицит и затоваривание .

Любое изменение в заказах или прогнозах, которое отражается в одной из сторонних систем (Excel или AS400), тут же обрабатывается оперативным планировщиком, который обновляет текущий план производства .

Вопросы планирования производства решаются с помощью автоматических обновлений в плане, осуществляемых оперативным планировщиком, что позволяет сократить время коммуникации между отделом планирования производства и другими отделами. Вместо того, чтобы обновлять многочисленные таблицы, менеджер по планированию может сосредоточиться на обеспечении требуемых ключевых показателей эффективности (KPI) путем корректировки свойств планирования .

Если необходимый запас не был предоставлен поставщиком вовремя или был поставлен в недостаточном количестве, оперативный планировщик укажет на эту проблему и перераспределит ресурсы соответствующим образом .

Оперативный планировщик может расставить приоритеты фактического порядка при входном контроле, таким образом, персонал будет знать, какие детали должны быть обработаны в первую очередь.

Работа операторов входного контроля может быть распланирована так же, как работа операторов производства, в то время как эти два отдела и их планировщики могут общаться с помощью p2p («равный с равным») сети. Более того, когда проблема обнаружена на складе, оперативный планировщик может перераспределить ресурсы .

Что касается производственной линии, операторы с помощью своих планшетов с установленным пользовательским интерфейсом следят за тем, чтобы все сотрудники имели доступ к обновленным техническим данным, которые актуализируются автоматически, когда новый продукт назначается на линию. Время на переоборудование линии сокращается, тем самым делая производство более гибким. Пользовательский интерфейс оператора также помогает сообщить о проблеме без оформления документации. Отчет может быть впоследствии получен руководством и использован в процессе решения проблем, в то время как планировщик будет перераспределять ресурсы для предотвращения простоя. В случае неполных сборочных комплектов оперативный планировщик может ставить в расписание операции текущей партии до тех пор, пока материалов в комплектах достаточно. Затем будут запланированы операции из следующей партии для предотвращения простоя .

Кроме того, система ARUM может обеспечить поддержку в применении принципов бережливого производства, выделяя узкие места и реагируя на события и полученную информацию. Система сокращает время, затрачиваемое на коммуникацию между отделами, а также количество соответствующей бумажной работы путем предоставления пользовательских интерфейсов для всех ролей, имеющих отношение к процессу .

5 Результаты

В данной работе рассматривается влияние системы ARUM на производственные процессы на предприятии IHF с помощью следующей серии экспериментов:

Фактический сценарий. Описывает работу IHF, основываясь на данных, предоставленных за 2013 год .

Идеальный сценарий. Предполагается, что все заказы известны заранее, и они планируются наиболее эффективным образом .

Реалистичный сценарий. Заказы принимаются по данным 2013 года и планируются эффективным образом .

Принимая идеальный сценарий в качестве наилучшего примера, мы будем использовать его ключевые показатели эффективности для измерения двух других сценариев .

Рассмотрим более подробно показатели, представленные в таблице.

Производительность рассчитывается следующим образом:

(1) где – выход единиц в евро, – затраты на деталь в евро, – затраты на сотрудников в евро .

Задержки рассчитываются следующим образом:

(2) где – фактическая дата поставки, – дата поставки по контракту .

Коэффициент использования ресурсов вычисляется следующим образом:

(3) где – продолжительность конкретной работы, – количество ресурсов,, – начало и конец рассматриваемого интервала времени .

Исходные предположения по ресурсам на основе матриц навыков и данных, предоставленных представителями IHF, были рассмотрены в ходе оценки, представленной в Таблице 1 .

–  –  –

В ходе экспериментов для каждого из трех сценариев, описанных выше, было составлено расписание на период одного года. Результаты приведены в Таблице 2 .

–  –  –

Заключение Результаты эксперимента показывают, что улучшение координации в планировании может привести к сокращению задержек поставок заказов и свободной мощности. Это означает, что, несмотря на потенциальное влияние непредвиденных событий, предприятие может принимать дополнительные заказы или ликвидировать задолженности по заказам за предыдущие годы. Таким образом, применение системы ARUM дает возможность увеличить прибыль компании с тем же количеством ресурсов Более того, эксперименты показали, что общение с клиентами играет важную роль, так как производительность компании зависит не только от производства, но и от дат, в которые были размещены заказы на поставку. Это открывает широкие возможности для дальнейших экспериментов и исследований .

Благодарности Научные исследования, приведшие к этим результатам, получили финансирование от Седьмой Рамочной Программы FP7/2007-2013 Европейского Союза в рамках соглашения о субсидировании №314 056 .

Пожалуйста, обратите внимание, что нулевое значение означает на самом деле отрицательную задержку (т.е. опережение в производстве), однако в данном случае мы просто предполагаем, что задержки нет, и заказ был поставлен вовремя, независимо от того, насколько ранее установленного срока .

Список литературы [1] P.Skobelev. Multi-Agent Systems for Real Time Adaptive Resource Management.

In Industrial Agents:

Emerging Applications of Software Agents in Industry (Invited Chapter). – Elsevier. – 2014. (in publishing) .

[2] Paulo Leito, Jos Barbosa, Pavel Vrba, Petr Skobelev, Alexander Tsarev, Daria Kazanskaia. “Multi-agent System Approach for the Strategic Planning in Ramp-up Production of Small Lots”. Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2013), October 13-16, 2013, Manchester, UK. – 2013. – P. 4743-4748 .

[3] Alexander Tsarev, Daria Kazanskaia, Petr Skobelev, Sergey Kozhevnikov, Vladimir Larukhin, Yaroslav Shepilov. “Knowledge-driven adaptive production management based on real-time user feedback and ontology updates”. Proceedings of the EEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2013), October 13-16, 2013, Manchester, UK. – 2013. – P. 4755-4759 .

[4] Paul De Bra, Lora Aroyo, and Vadim Chepegin. "The next big thing: Adaptive web-based systems." Journal of Digital Information 5.1 (2006) .

[5] Vadim Chepegin, Ferando Perales, Silvia de la Maza. “CREATE Software architecture”, https://itea3.org/project/workpackage/document/download/862/10020-CREATE-WP-2D21Architecture.pdf (2012) .

[6] Cesar Marin, Lars Moench, Paulo Leitao, Pavel Vrba, Daria Kazanskaia, Vadim Chepegin, Liwei Liu, Nikolay Mehandjiev. “A Conceptual Architecture Based on Intelligent Services for Manufacturing Support Systems”. Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2013), October 13-16, 2013, Manchester, UK. –2013. – P. 4749-4754 .

МОДЕЛЬ ДИНАМИКИ АГЕНТОВ ПОТРЕБНОСТЕЙ И ВОЗМОЖНОСТЕЙ

–  –  –

Abstract

A macroscopic model of demand and resource agents dynamics of multi-agent scheduling system is suggested in the form of rate equations of satisfaction. The model considers order inflows, orders processing by resources, their accumulation in queues for scheduling and rescheduling due to a virtual profit share. The model demonstrates equilibrium conditions formation, relaxation to them in different modes, agents’ satisfaction dissipation and other phenomena .

Введение Системы планирования ресурсов современных предприятий в условиях неопределенности изменений спроса и предложения должны позволять оперативно, гибко и эффективно принимать решения, отражающие баланс интересов многих участников. В этой связи развитие вычислительных алгоритмов распределения, планирования и оптимизации ресурсов идет по пути создания адаптивных систем управления ресурсами, пригодных для быстроизменяющихся ситуаций окружающей среды .

Решение классических задач планирования ресурсов (также известных как NP-трудные задачи) обычно формулируется как пакетный процесс, в котором все заказы и ресурсы известны заранее и не изменяются в процессе работы [1]. Традиционные ERP системы реализуют различные версии линейного или динамического программирования, программирования с учетом ограничений и других методов, основанных на комбинаторном поиске вариантов [2]. Для уменьшения сложности комбинаторного поиска новые методы используют эвристики и мета-эвристики [3], которые при некоторых условиях позволяют получать приемлемые решения за разумное время за счет сокращения вариантов поиска .

Также используются «жадные» локальные методы поиска, методы имитации отжига, программирование в ограничениях, табу поиска, генетические и муравьиные алгоритмы и др .

Вышеуказанные методы, в основном, также основаны на пакетной обработке и с трудом расширяются дополнительными целевыми критериями, не позволяя учитывать множественные факторы, используемые в реальной жизни, которые могут задаваться не только формулами и неравенствами, но также таблицами, графиками и даже алгоритмами .

В отличие от классических больших, централизованных, неделимых и последовательных программ, мультиагентные системы (МАС) построены в виде распределенных групп небольших автономных программных объектов, работающих асинхронно, но согласованно, для получения результата .

Мультиагентные технологии применяются для решения задач оптимизации и планирования в распределенных системах [4]. Для решения задач планирования производства были разработаны также биотехнологические методы, например, роевая оптимизация, гибридные методы на основе искусственной иммунной системы, оптимизация методом роя частиц [5-7]. В то же время, в связи с разработкой и применением мультиагентных систем [8], необходимы модели, в которых поведение МАС может быть рассмотрено макроскопически, не вдаваясь в детали конкретного механизма обмена сообщениями между агентами [9]. Такие модели коллективного поведения используются при моделировании трафика и пропускной способности дорог [10-11], в исследованиях поведения автономных роботов [12] и др. Однако модели динамики поведения МАС планирования в доступных источниках не обнаружены .

Далее предлагается динамическая модель агентов ресурсов и задач, развивающая подходы сетей потребностей и возможностей .

1 Сети потребностей и возможностей Реализация мультиагентного подхода к разработке интеллектуальной системы динамического планирования основана на использовании концепции сетей потребностей и возможностей (ПВ-сетей) и метода сопряженных взаимодействий для управления ресурсами предприятий в реальном времени на виртуальном рынке [13-14] .

Согласно данной концепции, каждой заявке, заказу и другим потребностям и возможностям (производственные ресурсы, станки, оборудование, транспортные средства, персонал) сопоставляются программные агенты, которые договариваются с другими агентами и планируют выполнение заказов “точно-в-срок” (JIT) или “как можно раньше” (ASAP), что позволяет обеспечить поддержку коллективного согласования и принятия решений в реальном времени на различных этапах планирования и исполнения производственного плана в различных подразделениях, работающих совместно над решением общих задач .

1.1 Агенты потребностей и возможностей Задача агентов потребностей D (Demand Agent) – найти возможности (ресурсы) для удовлетворения потребностей, а задача агентов возможностей S (Supply Agent) состоит в том, чтобы найти потребности для использования своих возможностей. В результате успешного поиска D и S агенты могут заключать или пересматривать контракты на требуемые услуги на виртуальном рынке системы с выплатой бонусов в случае успешного их выполнения или штрафов в случае разрыва связей, а также компенсаций за ухудшение позиций при уступках в ходе переговоров .

Постоянный поиск соответствий между конкурирующими и кооперирующимися агентами потребностей и возможностей на виртуальном рынке системы позволяет строить решение любой сложной задачи как динамическую сеть связей между задачами (операциями), гибко изменяемую в реальном времени (Рисунок 1) .

Рисунок 1 – Виртуальный рынок ПВ-сети построения расписаний

1.2 Функции удовлетворенности и штраф-бонусные функции агентов Формализованная постановка задачи, в основе которой лежит поиск консенсуса между агентами на виртуальном рынке в ПВ-сетях, может быть сформулирована следующим образом. Предполагается, что все агенты спроса и предложений имеют собственные цели, критерии, настройки и ограничения (например, срок, стоимость, риск, приоритет, тип требуемого оборудования или квалификация рабочего). Важность каждого критерия может быть представлена в виде весовых коэффициентов в линейной комбинации критериев для заданной ситуации планирования и может изменяться в ходе формирования или выполнения расписания .

Вводится функция удовлетворенности для каждого агента (Рисунок 2(а)), которая будет показывать отклонение текущего значения данной функции от заданного идеального значения по любому из критериев на данном шаге нахождения решения для расписания данного агента .

Действия агентов также зависят и от функции бонусов/штрафов и текущего бюджета в виде виртуальных денег (которые могут идти на перепланирование), доступных каждому агенту (Рисунок 2(б)) .

Рисунок 2 – Пример функции удовлетворенности (а) и функции бонуса/штрафа (б) Агенты ПВ сети непрерывно пытаются улучшить свои показатели по различным критериям путем переговоров и поиска лучшего места в расписании. Этот процесс основан на методе компенсаций [15]. В результате взаимодействий агентов ПВ-сети строится расписание, непрерывно улучшающееся в проактивном процессе. Улучшения могут планироваться в несколько шагов, поэтому локально возможны колебания параметров, которые затухают при отсутствии внешних изменений и “диссипации энергии”, связанной с виртуальной валютой агентов .

2 Динамическая модель удовлетворенности агентов Динамика поведения агентов ПВ сети зависит от конкретного значения удовлетворенности каждого агента и от наличия виртуальных денег для осуществления перестановок в заданной системе ограничений. Она определяется топологией образовавшейся сети и может быть достаточно сложной. Для моделирования динамики была создана мультиагентная платформа (Рисунок 3), позволяющая строить прототипы приложений для различных предметных областей и исследовать их характеристики [16] .

Экспериментальные исследования поведения агентов показывают, что глобальные характеристики поведения агентов могут быть определены с помощью рассмотрения средних по ансамблю показателей. Поэтому для предварительной оценки возможных режимов поведения мультиагентных систем можно развить упрощенную модель без учета топологии сети и деталей функций удовлетворенности конкретных агентов .

Рисунок 3 – Внешний вид интерфейса МА платформы

2.1 Формальная постановка задачи При описании системы взаимодействующих агентов ПВ сети представляется возможным рассматривать поведение агентов макроскопически, отвлекаясь от деталей внутренней динамики планирования, с целью выяснить общие характеристики системы. В таком приближении предлагается рассматривать систему агентов потребностей (D) и возможностей (S) при помощи суммарных функций удовлетворенностей (y(t)), которые в общем случае пропорциональны количеству агентов соответствующего вида:

(1), где – средняя удовлетворенность одного агента потребности (D) или возможности (S), NS,D – количество соответствующих агентов, зависящее от времени .

Для упрощения обозначений предлагается описывать удовлетворенность агентов потребностей через D, агентов возможностей – через S. Поступление заявок и их выполнение – дискретный по времени процесс, однако, при большом количестве заявок и малом интервале времени между ними по сравнению с периодом моделирования его можно приближенно рассматривать как непрерывный [17] .

В систему, которая находится в некотором состоянии по удовлетворенности (D0, S0), поступает поток заявок L(t) (Рисунок 1), которые планируются на ресурсах, создавая очереди .

В результате переговоров часть агентов потребностей перепланируется, очереди динамически изменяются. Поэтому в терминах удовлетворенности можно сказать, что входной поток L дает часть энергии для роста удовлетворенности агентов потребностей D (t) и возможностей S(t), DS=1, где Dи S – коэффициенты доли входного потока удовлетворенности (t), преобразующегося в удовлетворенность агентов потребностей (D) и возможностей (S) соответственно. Точный характер этой зависимости неизвестен, поэтому предполагается, что он пропорционален входному потоку L .

Ресурсы перерабатывают заявки, при этом увеличивается прибыль P. Часть прибыли поступает обратно в систему, увеличивая скорость планирования. Поэтому динамику такой системы приближенно можно описать системой кинетических уравнений удовлетворенности и прибыли. Доля прибыли, идущая на перепланирование, играет роль катализатора. Скорости взаимодействий (планирований) зависит от “концентрации” агентов потребностей и возможностей, от длин очередей в ресурсах, скорости переработки и скорости разрушения очередей. С другой стороны, интенсивность перепланирований будет зависеть от активности агентов (количества переговоров), которые определяются текущими значениями удовлетворенности .

Поэтому в динамике системы потребностей и возможностей могут наблюдаться процессы, сходные с автокаталитическими реакциями. Входной поток заказов играет роль потока энергии, доля генерируемой прибыли аналогична катализатору, а обратная величина удовлетворенности системы сходна с температурой .

2.2 Кинетические уравнения удовлетворенности Для описания скорости изменения удовлетворенности агентов потребностей будем учитывать входной поток, преобразующийся в удовлетворенность агентов D(t) .

Удовлетворенность потребностей снижается в результате ухода в зону планирования на ресурсах, пропорционально существующей концентрации агентов потребностей и концентрации агентов возможностей ~NDNS. Согласно (1), эту составляющую можно выразить через D(t)S(t), где – некоторый коэффициент, характеризующий темп изменения удовлетворенности за счет планирования.

Далее, увеличение количества агентов потребностей, связанное с выходом из очереди, зависит от концентрации агентов потребностей и некоторой колоколообразной функции f(S,S'), зависящей от агентов ресурсов, S' – предельное значение удовлетворенности ресурсов, выше которого очередь постепенно распадается, агенты потребностей опять поступают в систему (Рисунок 4):

–  –  –

Рисунок 4 – Функция распада очередей агентов на ресурсах в зависимости от удовлетворенности ресурсов S и предельного значения S', после которого начинается спад Данную функцию можно аппроксимировать кусочно-линейной трапециевидной или даже треугольной функцией .

Также учтем, что рост удовлетворенности зависит от доли прибыли P, идущей на повышение активности агентов потребностей в планировании: ' f(S,S')DP, где ' соответствующий коэффициент роста удовлетворенности из-за перепланирований очереди, ='для упрощения обозначений .

Получаем кинетическое уравнение динамики удовлетворенности агентов потребностей (D):

(2) Получим уравнение динамики агентов возможностей (S). Прирост за счет перехода на ресурсы описывается слагаемыми, связанными с частью входного потока S (t) и слагаемым, связанным с генерацией удовлетворенности ресурсов за счет планирования DS пропорционально концентрациям агентов потребностей и возможностей. Разумеется, коэффициент может отличаться от соответствующего коэффициента в уравнении (2). Кроме того, удовлетворенность в системе ресурсов уменьшается при безвозвратном уходе за счет выполнения задач со скоростью qS. Здесь для простоты пренебрегаем возможными нелинейными эффектами. В результате получим уравнение динамики системы возможностей (ресурсов S):

(3) И, наконец, генерация прибыли за счет выполнения работы с коэффициентом “c”, пропорционально числу ресурсов и, соответственно, удовлетворенности ресурсов S (4) Область допустимых решений определяется условиями D,S,P0. Явления диссипации могут быть рассмотрены на той же системе уравнений (2)-(4), достаточно считать поток (t) отрицательным .

3 Примеры динамики планирования с моделью ПВ-сети Ниже рассматриваются примеры динамики удовлетворенности агентов в различных условиях. Вид функции f(S,S'), описывающий скорость распада очереди, для целей моделирования был выбран в виде трапеции. Предварительные эксперименты с МАС платформой [16] показали типичные зависимости средней удовлетворенности агентов, имеющие характер затухающих колебаний (Рисунок 1) .

3.1 Существование стационарных состояний и реакция на входной поток Производится моделирование поведения удовлетворенности агентов потребностей и возможностей при постоянном входном потоке заказов с нулевыми начальными условиями удовлетворенности (Рисунок 5) .

Рисунок 5 –Динамика поведения удовлетворенности агентов потребностей и возможностей при постоянном потоке заказов и прибыль В момент включения потока планирования удовлетворенность ресурсов и задач вначале растет различным образом из-за соотношения параметров планирования и скорости ухода агентов потребностей на ресурсы (=0.9, =0.05). Затем рост очереди на ресурсах приводит к распланированию (спад после первого максимума удовлетворенности агентов потребностей), за счет этого удовлетворенность ресурсов растет, отставая по времени. На скорость роста влияет и доля поступающей на перепланирование виртуальной прибыли. Из-за эффекта уменьшения скорости изменения очереди возникают колебания удовлетворенности, которые постепенно затухают и система переходит в стационарное состояние .

3.2 Влияние доли прибыли системы на скорость перепланирований При увеличении на 50% доли прибыли (), используемой агентами потребностей на перепланирование, “амплитуда” перепланирований увеличивается, что означает большую по сравнению с предыдущим случаем интенсивность переговоров агентов. При этом суммарная прибыль увеличивается (Рисунок 6):

Рисунок 6 –Изменение динамики колебаний удовлетворенности при увеличении доли прибыли на перепланирование

3.3 Влияние начального запаса виртуальных денег на активность агентов Если у агентов потребностей задан начальный запас виртуальных денег, которые они могут использовать в процессе улучшения своего состояния, эта ситуация моделируется изменением начальных условий. Начальное значение прибыли, поступающей на перепланирование, задано ненулевым (P=0.3), что приводит к увеличению активности агентов, а в модели дает увеличение амплитуды колебаний удовлетворенности (Рисунок 7) .

Рисунок 7 –Динамика удовлетворенности агентов при ненулевой начальной сумме виртуальных денег

3.4 Деградация удовлетворенности при наличии процессов диссипации Если в системе агентов потребностей и возможностей, находящейся в стационарном состоянии, начинаются процессы диссипации виртуальных денег (например, производятся непрерывные выплаты за нахождение агента в данном месте расписания), это приводит к падению удовлетворенности агентов системы. При этом прибыль остается постоянной, поскольку потеря удовлетворенности связана с уменьшением виртуальных денег, влияющих на активность агентов потребностей и возможностей .

Рисунок 8 – Функция распада очередей агентов на ресурсах в зависимости от удовлетворенности ресурсов S и предельного значения S’, после которого начинается спад Заключение Разработана макроскопическая модель поведения мультиагентных систем на основе общих эвристических соображений и кинетических нелинейных уравнений динамики агентов потребностей и возможностей.

Несмотря на относительную простоту, модель описывает явления, аналогичные процессам планирования задач на ресурсах, наблюдаемых с помощью мультиагентной платформы:

наличие квазистационарных состояний;

переходные процессы в системе агентов;

колебательный характер установления равновесий;

зависимость процессов установления равновесий от виртуальной доли прибыли, направляемой на перепланирование .

Далее подход кинетических уравнений для удовлетворенности будет развит для учета динамики связей агентов, что позволит учесть топологию сети агентов потребностей и возможностей .

В дальнейших исследованиях планируется произвести идентификацию параметров модели по экспериментальным данным и использовать ее для анализа поведения реальных мультиагентных систем планирования ресурсов [18-21] .

Список литературы [1] Leung, Y-T, 2004, Handbook of Scheduling: Algorithms, Models and Performance Analysis, CRC Computer and Information Science Series, Chapman & Hall, London .

[2] Shirzadeh Chaleshtari, A, Shadrokh, Sh, 2012, ‘A Branch and Bound Algorithm for Resource Constrained Project Scheduling Problem subject to Cumulative Resources’, World Academy of Science, Engineering and Technology, vol. 6, pp. 23-28 .

[3] Vos, S. 2001, “Meta-heuristics: The State of the Art” in Local Search for Planning and Scheduling, eds A Nareyek, Springer-Verlag, Berlin, pp.1-23 .

[4] Rolf CR, Kuchcinski, K, 2011, ‘Distributed constraint programming with agents’, in Proceedings of the second international conference on Adaptive and intelligent systems, Springer-Verlag, Berlin, pp. 320-331 .

[5] Gongfa, L, 2011, ‘A hybrid particle swarm algorithm to JSP problem’, IEIT Journal of Adaptive & Dynamic Computing, pp. 12-22 .

[6] Xueni, Q, Lau, H, 2010, ‘An AIS-based Hybrid Algorithm with PSO for Job Shop Scheduling Problem’ in Proceedings of the tenth IFAC Workshop on Intelligent Manufacturing Systems, Lisbon, pp. 371-376 .

[7] Pinedo, M., 2008, Scheduling: Theory, Algorithms, and System, Springer, Berlin .

[8] Skobelev P. Multi-Agent Systems for Real Time Resource Allocation, Scheduling, Optimization and Controlling: Industrial Application // 10-th International Conference on Industrial Applications of Holonic and Multi-Agent Systems (HoloMAS 2011). France, Toulouse.2011. Springer, pp.5-14 .

[9] Rzevski, G., Skobelev, P., 2014, Managing complexity, WIT Press, UK-USA, 198 p .

[10] Wei Chen at al., "Approximate Dynamic Programming using Fluid and Diffusion Approximations with Applications to Power Management", Proceedings of the IEEE Conference on Decision and Control, December 2009 .

[11] Garavello, M., Piccoli, B. On fluido-dynamic models for urban traffic. NETWORKS AND HETEROGENEOUS MEDIA, 2009, vol 4, 1, pp 107-126 .

[12] Wenguo Liu, Alan F. T. Winfield. Modeling and Optimization of Adaptive Foraging in Swarm Robotic Systems. International Journal of Robotics Research, Volume 29 Issue 14, December 2010, Pages 1743Виттих В. А., Скобелев П. О. Мультиагентные модели взаимодействия для построения сетей потребностей и возможностей в открытых системах // Автоматика и Телемеханика. 2003. №1. С .

162-169 .

[14] Виттих В. А., Скобелев П. О. Метод сопряженных взаимодействий для управления распределением ресурсов в реальном масштабе времени // Автометрия. – 2009. – №2. – С. 78-87 .

[15] Скобелев П. О. Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской научной школы мультиагентных систем. // Мехатроника, автоматизация, управление .

2010. №12. – С. 33-46 .

[16] Petr Skobelev, Denis Budaev, Vladimir Laruhin, Evgeny Levin, Igor Mayorov. Multi-Agent Platform for Designing Real Time Adaptive Scheduling Systems // Proceedings of the 12th International Conference on Practical Applications of Agents and Multi-Agent Systems (PAAMS 2014), 4-6 June, 2014, Salamanca, Spain. 2014. – Lecture Notes in Computer Science series, vol. 8473. – Springer, Switzerland, pp. 383-386 .

[17] Michael H. Veatch. Using Fluid Solutions in Dynamic Scheduling, Analysis and Modeling of Manufacturing Systems, International Series in Operations Research & Management Science Volume 60, 2003, pp. 399-426 .

[18] М.Ю. Тугаев, А.В. Речкалов, П.О. Скобелев. Управление машиностроительной корпорацией в реальном времени» // XII Всероссийское совещание по проблемам управления ВСПУ-2014, Москва,16 – 19 июня 2014 г.: Труды. [Электронный ресурс] М.: Институт проблем управления им .

В.А. Трапезникова РАН, 2014. – С. 9030-9043 .

[19] P. Skobelev, A. Ivanov, E. Simonova, V. Travin, A. Jilyaev. Multi-agent scheduling of communication sessions between microsatellites and ground stations network // Онтология проектирования. – 2014 .

№2(12). – С. 92-100 .

[20] Баклашов В.И., Казанская Д.Н., Скобелев П.О. Шпилевой В.Ф., Шепилов Я.Ю. Мультиагентная система Smart Factory для адаптивного стратегического и оперативного управления цехами производства «точно в срок» и «под заданную стоимость» // Известия Самарского научного центра Российской академии наук, том 16, №1(5), 2014. – С. 1292-1295 .

[21] Е.М. Клейменова, П.О. Скобелев, В.Б. Ларюхин, И.В. Майоров, Д.С. Косов, Е.В. Симонова, А.В .

Царев, А.Л. Феоктистов, Е.В. Полончук. Интеллектуальная система «Smart Projects» для оперативного управления ресурсами в проектах НИР и ОКР в реальном времени // Информационные технологии. – 2013. №6. – С. 27–36 .

ОПЫТ ВНЕДРЕНИЯ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ УПРАВЛЕНИЯ «SMART

FACTORY» В ИНСТРУМЕНТАЛЬНОМ ЦЕХЕ №50 ОАО «АВИААГРЕГАТ»

–  –  –

Ключевые слова: задачи управления, инструментальный цех, мультиагентные технологии, результаты внедрения

Abstract

The problem of management of Workshop #50 in JSC AviaAgregat is described. The brief overview of functionality of production management system “Smart Factory” is given. Main stages and results of implementing the system in the named workshop are described .

Введение ОАО «Авиаагрегат», входящий в холдинг «Авиационное оборудование» – одно из крупных современных предприятий авиационного машиностроения, которое специализируется на проектировании и изготовлении шасси, рулевых приводов самолетов, элементов ракетного вооружения, летательных аппаратов, гидроцилиндров для дорожной, строительной, сельскохозяйственной, железнодорожной техники, а также вязкостных муфт для автомобилей УАЗ и ГАЗ и т.д. [1] .

Чтобы активно развиваться в условиях острой конкуренции, предприятие постоянно ищет инновационные пути повышения эффективности использования ресурсов, улучшения качества продукции, минимизации сроков поставки, индивидуализации своих решений и т.д. Особенную сложность при этом представляет постепенный переход от массового – к индивидуальному производству продукции «на заказ», что требует более гибкого и оперативного управления в реальном времени заказами, издержками и распределением ресурсов, чтобы избегать простоев и дефицита, в первую очередь, дефицитных кадров и дорогостоящего оборудования .

В этих целях предприятие внедряет новые информационные технологии для управления ресурсами, в числе которых важное значение приобретает мультиагентная система «Smart Factory» для управления цехами машиностроительных предприятий в реальном времени. В настоящей статье описывается успешный опыт внедрения данной системы в инструментальном цехе №50 и первые полученные результаты от ее использования, а также перспективы дальнейшего развития системы, в настоящее время интегрированной с модулями Team Center, 1С Предприятие, Симфония и рядом других 1 Основные задачи управления предприятием В связи с растущим спросом на продукцию ОАО «Авиаагрегат», предприятию требуется обеспечить высокую эффективность использования своих производственных ресурсов, что во многом зависит от методов и средств, применяемых для планирования производства. При этом важной задачей предприятия является планирование изготовления инструмента и оснастки, необходимой всем цехам основного производства, что является основой бесперебойной работы всего предприятия. В качестве перспективы рассматривается возможность на базе инструментального производства ОАО «Авиаагрегат» создать инструментальный центр компетенций для всех предприятий Холдинга «Авиационное оборудование» и сторонних предприятий .

Инструментальное производство ОАО «Авиаагрегат» представлено цехом №50 (малогабаритная оснастка) и частично №53 (крупногабаритная оснастка) .

В цехе №50 используется 130 единиц оборудования, а кадровый состав составляет 112 человек, 84 из которых – производственные рабочие. Цех поделен на участки режущего инструмента, мерительного инструмента и оснастки, а каждый участок, в свою очередь, разделен на группы. Номенклатура цеха – примерно 700 изделий в месяц, а суммарная трудоемкость составляет приблизительно 17 тыс. нормо-часов в месяц .

Основной управленческой задачей цеха №50 в части планирования является необходимость выполнения заказов по изготовлению средств специального технического оснащения (ССТО) точно в срок. Даже небольшие задержки в производстве ССТО приводят к срыву сроков большого объема производства основных изделий .

Основными типовыми причинами срыва сроков производства ССТО являются поступление срочных, незапланированных заказов на изготовление ССТО (40% от всех заказов) и задержки в поставке материалов и комплектующих, что вызывает необходимость постоянного оперативного маневрирования между заказами, чтобы исключить простои оборудования и рабочих и несогласованность действий внутрицехового плана. При этом следует учитывать высокую трудоемкость оперативного управления, наличие человеческого фактора в лице пожилых мастеров и рабочих, превалирование бумажной технологии и отсутствие опыта работы персонала цеха с компьютерными системами .

В результате, уровень изменчивости плана цеха в ходе работы на горизонте планирования оценивается в 25-35% объема, что требует применения развитых методов и средств адаптивного планирования в реальном времени .

2 Предлагаемый подход к решению проблемы Для решения задачи был предложен мультиагентный подход для адаптивного построения и исполнения планов в реальном времени на основе концепции «живого расписания», механизма ПВ-сетей и метода сопряженных взаимодействий [2, 3] .

В разработанном подходе планирование никогда не останавливается, а план лишь уточняется и корректируется, оптимизируется и дополняется по мере прихода новых событий в скользящем режиме на базе фактически выполненных работ или проактивно, когда у системы есть время улучшить результаты, например, до выдачи очередной работы сменно-суточного задания, что также позволяет с опережением формировать прогнозные показатели выполнения плана цеха. Переход от статичных планов, построенных на большой горизонт времени вперед, к динамичным, меняющимся непрерывно по событиям в реальном времени, является принципиальным, помогая предприятиям делать шаг к управлению в реальном времени, когда от самого момента времени зависит качество и эффективность работы, затоваривание или дефицит по позициям и т.д .

При этом план лишь адаптивно корректируется и оптимизируется по мере появления событий в реальном времени, причем динамическая оптимизация охватывает сколь угодно длинную цепочку изменений, если для этого есть запас времени. Такая автоматизированная адаптация планов «на лету», в ходе их исполнения, осуществляется непрерывно путем выявления конфликтов в доступных ресурсах, проведения переговоров и достижения компромиссов между агентами потребностей и возможностей .

Основные функции системы «Smart Factory» включают:

1) ввод заказов на производство инструментов и оснастки и их декомпозиция до уровня отдельных операций с учетом заданных технологий производства;

2) автоматическое формирование сменно-суточных заданий для рабочих с учетом их квалификации, возможностей, обеспеченности и приоритетов задач;

3) адаптивная корректировка планов по событиям;

4) оптимизация распределения ресурсов и планов цеха (при наличии времени);

5) мониторинг и контроль выполнения работ в режиме реального времени;

6) прогнозирование «узких мест» в производственном плане;

7) подготовка отчетов и ведение бизнес-радаров для опережающего оповещения мастеров и менеджеров о проблемах производства .

Повышение оперативности принятия решений при возникновении непредвиденных событий в цехе достигается за счет автоматизации выполнения цепочек изменений в производственном плане путем подвижек и перераспределения задач с учетом технологической взаимосвязей между операциями в реальном времени .

Система предназначена для использования руководством цеха, отделом управления технологической подготовкой производства, сотрудниками планово-диспетчерского бюро (ПДБ) и мастерами цеха, специалистами ОТК и бюро зарплаты, нормировщиками, а также имеется выход и на рабочих цеха через терминал .

Начальник цеха и его заместители осуществляют контроль и управление работой сотрудников цеха, отслеживая работы каждого производственного участка и группы, а также получая сводную и индивидуальную информацию по различным показателям работы цеха, вплоть до каждого рабочего. Начальник цеха может просматривать плановую загрузку и фактическую выработку рабочих, а также корректировать и контролировать все стадии заказов от поступления в цех до выпуска готового изделия, включая технологическую проработку, нормирование и обеспеченность материалами, приемку работы .

Сотрудник отдела управления технологической подготовкой производства (ОУТПП) получает возможность работы с заказами цеха (создание, просмотр и редактирование), формирования планов и отчетов, контроля процесса и сроков производства .

Технолог и нормировщик могут работать с технологическими процессами изготовления изделий, создавать и редактировать, печатать технологии, устанавливать нормы .

Сотрудник ПДБ получает возможность контролировать поступающие заказы, сроки их выполнения, а также обеспеченность заказов материалами, формировать заявки на материалы и покупные изделия с учетом плана производства .

Мастер может получать и корректировать план работы группы рабочих на каждый день, учитывающий персональные квалификации, знания и опыт рабочих при работе с тем или иным оборудованием, при этом он так же может вводить незапланированные события и контролировать загрузку рабочих и оборудования своей группы. Мастер формирует наряды на выполнение работ, сменно-суточные задания и различные отчеты в электронном и печатном виде .

Сотрудник ОТК получает возможность фиксировать факт выполнения работ, а также годность или брак обработанных изделий с возможной частичной сдачей и повторным предъявлением. Для сотрудников ОТК предусмотрено формирование отчетов по браку и второму предъявлению .

Более подробно предлагаемый мультиагентный подход и функции разработанной системы, а также предшествующий опыт внедрений рассмотрены в [4-6] .

3 Краткое описание процесса планирования заказов Рассмотрим процесс работы над заказами с использованием системы подробнее .

На основе ведомости подготовки производства и заказов цехов ОУТПП при наличии конструкторской документации открывает заказы на производство ССТО. Раз в месяц из этих заказов формируется план на проработку и изготовление ССТО, который доступен для ПДБ цеха №50. Совместно с Начальником цеха в ПДБ среди заказов из полученного плана устанавливаются внутрицеховые приоритеты, исходя из оперативных заводских совещаний и реальной потребности в производстве .

Технологи цеха в Системе просматривают заказы и для каждого заказа формируют структуру изделия (на основании чертежа) и разрабатывают технологию. Затем инженеры ПДБ просматривают обработанные технологами заказы и проверяют для них обеспечение материалом. Из заказов, для которых материала и комплектующих нет в наличии, в Системе формируется ведомость потребности, которая распечатывается и отправляется в управление материально-технического снабжения и комплектации. В ответ на нее снабженцы передают в цех возможные сроки поставки материала, которые вводятся в Систему. Затем инженеры по нормированию труда в Smart Factory просматривают все проработанные технологом и обеспеченные в ПДБ заказы (нормы зависят от материала), рассчитывают трудовые нормативы на каждую технологическую операцию (ТО) и вносят их в Систему (Рисунок 1) .

Рисунок 1 – Схема процесса обработки заказов на изготовление ССТО После нормирования заказы выдаются мастеру и автоматически планируются в Системе, исходя из срока сдачи, общего приоритета по изделию, а также специального приоритета начальника цеха. Мастера каждый день просматривают новые заказы, корректируют расписание (если требуется) и печатают наряды на каждую операцию заказа для каждого рабочего. Получив наряд, рабочий приступает к выполнению задания в указанное время. По завершении операции рабочий относит наряд и детали на контрольный стол отдела технологического контроля (ОТК), где производится проверка качества и в Системе фиксируется факт выполнения операции и годность детали. Для этого сотрудник ОТК считывает штрих-код с наряда сканером штрих-кодов, в Системе открывается окно фиксирования годности/брака, где контролер при необходимости корректирует информацию о работе .

Когда последняя операция заказа была отмечена на ОТК завершенной, заказ в Системе считается выполненным .

4 Доработки «Smart Factory» для ОАО «Авиаагрегат»

Проект внедрения «Smart Factory» был начат в июле 2012 года с этапа разработки технического задания, который длился 3 месяца. В ходе этого этапа был произведен ряд интервью с будущими пользователями системы, включая начальника цеха, сотрудников ПДБ, начальников участков и мастеров, а также технологов и нормировщиков. В результате этапа был сформулирован перечень задач как по доработке «Smart Factory», так и доработке существующих систем предприятия, с целью интеграции систем и поддержки внедрения новых бизнеспроцессов .

Далее начался второй этап, который также длился около 3 месяцев и сопровождался закупкой необходимого серверного и клиентского оборудования, включавший доработки системы с учетом выявленной специфики предприятия .

Третий этап включал поставку системы и обучение сотрудников цеха, а также доводку АРМов основных специалистов непосредственно по замечаниям пользователей, что также потребовало около 3 месяцев .

С июня 2013 года система находилась сначала в опытной эксплуатации, а с октября 2013 была переведена в штатную эксплуатацию .

5 Внедрение системы «Smart Factory»

Работы по вводу системы в опытную эксплуатацию начались с технического оснащения рабочих мест пользователей. Так же в ходе внедрения были проведены работы по переводу технологической документации из бумажной формы в электронную для нескольких основных изделий, производимых цехом. Т.к. новая номенклатура у цеха появляется каждый месяц, работы по наполнению и поддержке этих справочников ведутся в оперативном режиме и в настоящий момент времени, но теперь уже сотрудниками цеха при поддержке информационной службы предприятия .

Одной из проблем, возникшей в начале проекта, был низкий уровень компьютерной грамотности у будущих пользователей, для решения этой проблемы было проведено обучение, которое в дальнейшем повторялось многократно для каждого рабочего места системы, требуя большого желания, терпения и соответствующей квалификации исполнителя. На этом этапе были так же разработаны руководства пользователей и регламент их взаимодействия с системой, поскольку с внедрением системы начали кардинально меняться бизнес-процессы предприятия .

Непосредственно запуск системы в работу цеха осуществлялся поэтапно .

Предварительно была реализована возможность импорта журнала заказов цеха из MS Excel. Затем, после проведения обучения, технологи перевели технологическую информацию о первых 20-ти наиболее приоритетных отобранных изделиях из плана участка мерительного инструмента. Отработка бизнес-процесс на небольшом количестве заказов для участка мерительного инструмента позволила собрать новые замечания и новые требования к системе, которые сразу же дорабатывались. В ходе такого многоитерационного процесса были поэтапно учтены все требования, и далее система была запущена для обработки всех заказов, поступающих на участок мерительного инструмента. На большем и быстро растущем объеме данных система начала замедляться, но причины были быстро выявлены и замечания пользователей устранены путем оперативной оптимизации программного кода .

Следующим важным этапом стал запуск системы на участке режущего инструмента, в процессе которого так же были выявлены новые замечания, связанные с особенностями производства режущего инструмента. После устранения этих замечаний в ходе аналогичных итераций, в работу были включены участок оснастки и отдел технологического контроля, а также другие подразделения .

В целом, в процессе внедрения было получено 162 замечания, из них 58 – новые требования для до-работки системы, не учтенные в ходе подготовки ТЗ на первом этапе .

В процессе внедрения разработка велась по гибкой методологии Agile, что позволило поставлять доработки и новые функциональные возможности каждые две недели, без остановки функционирования системы .

6 Результаты внедрения В настоящее время в Системе ежедневно работает 15 человек, в числе которых: руководство цеха, ПДБ, инженеры по нормированию, мастера, технологи, нормировщики, контролеры и сотрудники ОУТПП .

В системе заведено 130 сотрудников, причем 84 из них – производственные рабочие, на которых планируются задания. Общее количество моделей различных ДСЕ в базе данных –

20687. За период внедрения сотрудниками ОУТПП введено 3369 заказов, из них 371 заказ не был обработан технологами, 153 заказа не обеспечено материалами и покупными изделиями, запланировано и в работе – 154, выполнено и сдано – 2673. 18 заказов было аннулировано .

Запланированные и выполненные заказы содержат 11857 операций (заданий рабочим), из них з-планировано 4143, а выполнено 7327. Горизонт планирования при этом составляет 2 месяца .



Pages:   || 2 | 3 | 4 | 5 |   ...   | 6 |



Похожие работы:

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ПОВОЛЖСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ ФАКУЛЬТЕТ СОЦИАЛЬНЫХ ТЕХНОЛОГИЙ ПГТУ СОЦИАЛЬНО-ГУМАНИТАРНЫЕ НАУКИ И ПРАКТИКИ В ХХI ВЕКЕ: из опыта молодежны...»

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ 74-я НАУЧНАЯ КОНФЕРЕНЦИЯ СТУДЕНТОВ И АСПИРАНТОВ ПРОГРАММА Факультет международных отношений ПЛЕНАРНОЕ ЗАСЕДАНИЕ (ул . Ленинградская, 20, ауд. 1201) 10.0010.10 Открыт...»

«АВТОНОМНАЯ НЕКОММЕРЧЕСКАЯ ОБРАЗОВАТЕЛЬНАЯ ОРГАНИЗАЦИЯ ВЫСШЕГО ОБРАЗОВАНИЯ ЦЕНТРОСОЮЗА РОССИЙСКОЙ ФЕДЕРАЦИИ "РОССИЙСКИЙ УНИВЕРСИТЕТ КООПЕРАЦИИ" САРАНСКИЙ КООПЕРАТИВНЫЙ ИНСТИТУТ (ФИЛИАЛ) "ИННО...»

«Часть 2 МЕЖДУНАРОДНАЯ ИССЛЕДОВАТЕЛЬСКАЯ ОРГАНИЗАЦИЯ "COGNITIO" ІІ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ "АКТУАЛЬНЫЕ ПРОБЛЕМЫ НАУКИ ХХІ ВЕКА" (19.09.2015г.) 2 часть г. Москва 2015г. © Международная исследовательская организация Cognitio Сборник статей международной исследовательской организации Cognitio по матери...»

«Проект Повестки дня Конференция по служению АА Латвии 2016 года (Собрание представителей групп АА Латвии) Время проведения: 23-24 апреля 2016 года. Место проведения: Малпилсское профучилище, Малпилсский край, Малпилс, ул. Пилс, 14. Тема Конференции: Пятая Традиция...»

«УДК 08 ISSN 2414-5912 (Print) ББК 94.3 ISSN 2541-7878 (Online) Н 34 Научные исследования 2018. № 5 (24) Журнал зарегистрирован Российский импакт-фактор: 0,17 Федеральной службой по надзору в сфере связи, Сборник научных...»

«КОМИТЕТ КОНФЕРЕНЦИИ Сопредседатели: Похлебаев М.И. – генеральный директор ФГУП "ПО "Маяк" Мясоедов Б.Ф. – академик РАН, г. Москва Иванов И.А. – директор ОТИ НИЯУ МИФИ Организационный комитет: член-корр. РАН, зав. отделом ИХ ДВО РАН, Авраменко В.А. зам. д...»

«Министерство образования и науки Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования "Северный (Арктический) федеральный университет имени М.В. Ломоносова" ЛОМОНОСОВСКИЕ НАУЧНЫЕ ЧТЕНИЯ СТУДЕНТОВ, АСПИРАНТОВ И МОЛОДЫХ УЧЕНЫХ...»

«Приложение 1 к распоряжению Департамента здравоохранения города Москвы ло.ое.шъ № лъйЬ-р от ПРОГРАММА КОНФЕРЕНЦИИ Дата проведения: 30-31 мая 2018 года Время проведения: 10.00 18.00 Место проведения: Центральный дом ученых РАН Адрес: г. Москва, ул....»

«К О Н Ф Е Р Е Н Ц И Я О Р ГА Н И З А Ц И И О БЪ Е Д И Н Е Н Н Ы Х Н А Ц И Й П О ТО Р ГО ВЛ Е И РА З В И Т И Ю ДОКЛАД О НАИМЕНЕЕ РАЗВИТЫХ СТРАНАХ ЗА 2014 ГОД Рост при структурных преобразованиях: повестка дня развития на период после 2015 года ОБЗОР ВНИМАНИЕ Материалы, содержащиеся...»

«РЕШЕНИЕ ВСЕРОССИЙСКОЙ ЕЖЕГОДНОЙ КОНФЕРЕНЦИИ "ТРАНСПОРТНАЯ БЕЗОПАСНОСТЬ И ТЕХНОЛОГИИ — 2013" 03 октября 2013 года, г. Москва РЕШЕНИЕ Всероссийской ежегодной конференции "ТРАНСПОРТНАЯ БЕЗОПАСНОСТЬ И ТЕХНОЛОГИИ — 2013" 03 октября 2013 года, г. Москва, "Президент-Отель" 3 октября 2013 года в г. Москве ("Президент-Отель") состоялась ежегодна...»

«December 2-6, 2002, Novosibirsk, Russia -_ l-st International School-Conference оп Catalysisfor Young Scientists ABSTRACTS ВoreskovInstitute of catalysis of Sibeгian 8гanch of Russian Academy of Sciences Council of Young Scientists of 8oгeskov Institute of Catalysis S8 RAS Novosibiгsk State Univeгsity Scientific Co...»

«ПРОГРАММА ДЕВЯТОЙ МЕЖДУНАРОДНОЙ КОНФЕРЕНЦИИ "ПЫЛЕГАЗООЧИСТКА-2016" 27-28 сентября 2016 г., г. Москва, ГК "ИЗМАЙЛОВО"Предварительная программа Девятой конференции "ПЫЛЕГАЗООЧИСТКА-2016" *: Девятая Международная Межотра...»

«, газет­ ные статьи, имеющие научное значение, написанные в период работы авторов в университете. В течение 3-х месяцев зафиксировано более 500 обращений к библиографическим указателям. Сотрудники библи...»

«СОСТАВ ПРОГРАММНОГО И ОРГАНИЗАЦИОННОГО КОМИТЕТОВ Первой Всероссийской конференции с международным участием "ЦИФРОВЫЕ СРЕДСТВА ПРОИЗВОДСТВА ИНЖЕНЕРНОГО АНАЛИЗА" ОРГАНИЗАЦИОННЫЙ КОМИТЕТ Председатель – академик Садовничий Виктор Антонович, ректор МГУ им. М. В. Ломоносова. Заместители председателя:...»

«Теорема Ван Дер Вардена и игры Всем хорошо ивестна Теорема ван-дер-Вардена: Пуст натуралный рд раскрашен в конечное число цветов. Тогда в нем моно найти скол угодно длинну конечну одноцветну арифметическу прогресси. Теорема моет быт переформулир...»

«Уважаемые коллеги! Приглашаем вас принять участие в ОРГАНИЗАТОРЫ КОНФЕРЕНЦИИ VIII Всероссийской научно-практической конференции "СОВРЕМЕННОЕ НЕПРЕРЫВНОЕ ОБРАЗОВАНИЕ И ИННОВАЦИОННОЕ РАЗВИТИЕ" Министерство образования Московской области ФГАУ "Федеральный институт развития образования", г. Москва Дата проведения: 13 апреля 2018 год...»

«CBR Watch Россия / Рынок облигаций + 7 (495) 785-53-36 www.bcsgm.com Игорь Рапохин Заседание ЦБ РФ irapokhin@bcsgm.com Без изменений ставок – почти наверняка 25 июля 2018 г. Предстоящее заседание обещает быть наименее интригующим за последнее Прогноз решения ЦБ: БЕЗ ИЗМЕНЕНИЙ вр...»

«РОССИЯ: РОССИЯ: ГОСУДАРСТВО И ОБЩЕСТВО ГОСУДАРСТВО И ОБЩЕСТВО В НОВОЙ РЕАЛЬНОСТИ РОССИЯ: ГОСУДАРСТВО И ОБЩЕСТВО В НОВОЙ РЕАЛЬНОСТИ Том I В НОВОЙ РЕАЛЬНОСТИ СБОРНИК СТАТЕЙ МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ Том I КОНФЕРЕНЦИИ ИГСУ РАНХиГС В сборнике...»

«Особенности подготовки и ведения факоэмульсификации на фоне сопутствующей глаукомы Марных С.А. Кафедра офтальмологии ФГОУ ДПО ИПК ФМБА Москва 2018 Марных С.А. Офтальмологические образовательные университеты VI-я Научно-практическая конференция 11 сентября 2018, Москва, Россия...»




 
2019 www.mash.dobrota.biz - «Бесплатная электронная библиотека - онлайн публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.