Проблема повышения эффективности системы управления сложными техническими объектами на промышленных предприятиях становится особенно актуальной в контексте цифровизации и интеграции технологий искусственного интеллекта в технологический процесс. Разработка интеллектуальных моделей цифровых двойников, позволяющих создать цифровые копии объектов для выявления возможных проблем и принятия превентивных мер, динамично развивается как перспективное направление. Целью данной работы является исследование возможностей управления сложными техническими объектами с применением интеллектуальных цифровых двойников на промышленных предприятиях для оптимизации технологических процессов. При моделировании технологического процесса использовались результаты теоретического анализа современных научно-технических исследований. В рамках исследования разработана технологическая схема производственного процесса, описана актуальность ее модернизации, представлена разработанная структура внедрения в управление комплексами оборудования интеллектуальных цифровых двойников. Предложены инструменты для оптимизации процесса и проведен анализ возможных проблем при внедрении технологии. Интеллектуальные цифровые двойники позволяют прогнозировать динамику производственных условий и оптимизировать параметры процессов, что позволит повысить эффективность управления сложными техническими объектами на промышленных предприятиях. Представленные результаты исследования практически применимы в рамках оптимизации предприятий нефтеперерабатывающей отрасли и внедрение в совершенствование системы автоматического управления техническими объектами интеллектуальных цифровых двойников.
The problem of increasing the efficiency of the management of complex technical systems in industrial enterprises has become especially relevant in light of digitalization and integration of artificial intelligence into the production process. The development of intelligent digital twin models that allow for the creation of digital copies of objects in order to identify potential problems and take preventative measures is a rapidly developing area. The aim of this study is to explore the potential of using intelligent digital twins to manage complex systems in industry in order to optimize production processes. The findings from a theoretical analysis of current scientific and technological research were used to model the production process. As part of the research, a technological scheme for the production process was developed, the relevance of modernization was described, and a developed structure for introducing intelligent digital twins to the management of equipment complexes was presented. Tools were proposed for optimizing the process and an analysis was carried out of possible problems with the implementation of the technology. Intelligent digital twins allow you to predict the dynamics of production conditions and optimize process parameters, which will increase the efficiency of managing complex technical facilities at industrial enterprises. The results of the presented research are practically applicable in optimizing oil refining enterprises and introducing intelligent digital twin technologies into the automatic control systems for technical equipment.
1. Куликова М.Г., Кончина Л.В. Моделирование технологического оборудования в пищевой промышленности // Естественные и технические науки. 2017. № 5 (107). С. 126–127. EDN: YTWOEV.
2. Абрамов В.И., Абрамов И.В., Поливанов К.В., Семенков К.Ю. Концептуальная модель цифровой системы аналитической поддержки дистанционного управления персоналом организации // Экономика, предпринимательство и право. 2023. Т. 13. № 7. С. 2341–2352. DOI: 10.18334/epp.13.7.118326. EDN: GWCEGE.
3. Fedulov A.S., Lazarev A.I. Organization of Secure Data Routing in Electric Power Complexes Using Ontological and Deep Models // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. 2024. Vol. 34/ No. 3. P. 485–491. DOI: 10.1134/S105466182470024X. EDN: DFBBZS.
4. Беляков М.В., Куликова М.Г., Анодина О.Д., Рысина Е.И. Определение информативных спектральных диапазонов для разработки системы контроля трансформаторного масла с использованием нейронных сетей глубокого обучения // Прикладная информатика. 2022. Т. 17. № 2 (98). С. 20–30. DOI: 10.37791/2687-0649-2022-17-2-20-30. EDN: EDRQZN.
5. Андреев А.А., Апатенко А.С., Гусев С.С. Очистка нефтяных масел от механических загрязнений // Естественные и технические науки. 2021. № 7 (158). С. 243–251. EDN: NRXGVT.
6. Maslova K.S., Ermakov M.A., Grishin U.N., Smirnov D.M. The possibilities of using artificial intelligence technologies to optimize the stability of electric power systems in industrial enterprises // Natural and Technical Sciences. 2023. No. 8 (183). P. 118–120. EDN: ZACYBQ.
7. Столяров А.Д., Гордеев В.В., Абрамов В.И. Цифровые двойники в управлении: отраслевая специфика и практические аспекты создания // Современные наукоемкие технологии. 2024. № 7. С. 48–54. DOI: 10.17513/snt.40084. EDN: MRCDHV.
8. Tyutyunnik A., Lazarev A. Intelligent System for Preventing Rubber Ducky Attacks Using Deep Learning Neural Networks // Proceedings – 2021 International Russian Automation Conference, RusAutoCon 2021 (Sochi, 05–11 сентября 2021 г.). Sochi: Institute of Electrical and Electronics Engineers Inc., 2021. P. 497–502. DOI: 10.1109/RusAutoCon52004.2021.9537497. EDN: RLTHDV.
9. Barbieri G., Bertuzzi A., Capriotti A., Ragazzini L., Gutierrez D., Negri E., Fumagalli L. A virtual commissioning based methodology to integrate digital twins into manufacturing systems // Production Engineering. 2021. Vol. 15, Is. 3. P. 397–412. DOI: 10.1007/s11740-021-01037-3. EDN: QJJBJM.
10. Маслова К.С., Палагнюк Ю.А. Перспективы применения цифровых двойников в процессе испытания опытных образцов с учетом особенностей ракетно-космической отрасли // Естественные и технические науки. 2021. № 4 (155). С. 234–235. EDN: BXFYAX.
11. Bambura R., Šolc M., Dado M., Kotek L. Implementation of Digital Twin for Engine Block Manufacturing Processes // Applied Sciences (Switzerland). 2020. Vol. 10, Is. 18. P. 6578. DOI: 10.3390/app10186578. EDN: GGLFMU.
12. Столяров А.Д., Гордеев В.В., Абрамов В.И. Методика поиска многокритериальных решений на основе цифровых двойников // Экономика и управление. 2023. Т. 29, № 7. С. 851–858. DOI: 10.35854/1998-1627-2023-7-851-858. EDN: BWERQI.
13. Хазиахметова Г.А., Мубаракшина Д.Н., Ахмадеева Л.Р. Использование технологий искусственного интеллекта для оптимизации процессов управления в производственных системах // Современные наукоемкие технологии. 2025. № 2. С. 82–87. DOI: 10.17513/snt.40307. EDN: WCMCLT.
14. Борисов В.В. Нечеткие и нейро-нечеткие когнитивные темпоральные модели для мониторинга и прогнозирования состояния систем и проблемных ситуаций // Нейрокомпьютеры и их применение: тезисы докладов XX Всероссийской научной конференции (Москва, 22 марта 2022 г.). М.: Московский государственный психолого-педагогический университет, 2022. С. 13-Б. EDN: EKNSEL.
15. Dli M.I., Sinyavsky Yu.V., Rysina E.I., Vasilkova M.A. A method for classifying mixing devices using deep neural networks with an expanded receptive field // Journal of Applied Informatics. 2022. Vol. 17, Is. 5 (101). P. 51–61. DOI: 10.37791/2687-0649-2022-17-5-51-61. EDN: EQGDTO.