Современные промышленные производственные предприятия испытывают потребность в эффективных цифровых решениях, обеспечивающих комплексный подход к мониторингу эффективности производства. Цель настоящего исследования заключается в разработке оверлейной модели интеграции стека цифровых интеллектуальных решений для оценки ключевых показателей эффективности производственного процесса. Оверлейная модель предполагает выделение виртуальных слоев, которые накладываются последовательно друг на друга в ходе расчета показателей. Каждый из виртуальных слоев отвечает за обработку данных, сгруппированных по требуемому обработчику, с применением соответствующих цифровых интеллектуальных технологий. Каждый слой модели не только обрабатывает данные и формирует показатели, но и использует эти показатели для принятия решений, которые влияют на последующие слои. Возможность выбора и применения различных цифровых технологий на каждом слое позволяет адаптироваться под конкретные задачи и условия производства. Предложенная оверлейная модель реализована на базе цифровой платформы интегрального мониторинга. Реализация модели порождает новый класс программного обеспечения, интегрирующий в единой информационной среде возможности аналитических систем и систем поддержки принятия решений, задействуя технологии компьютерного зрения и искусственного интеллекта при необходимости. Предложенные в работе решения могут использоваться на промышленных предприятиях для повышения оперативности и качества мониторинга показателей эффективности производства.
Modern industrial manufacturing facilities require effective digital solutions that provide a comprehensive approach to monitoring production performance. The objective of this study is to develop an overlay model for integrating a stack of digital intelligent solutions for assessing key performance indicators (KPIs) in the production process. The overlay model involves identifying virtual layers that are sequentially superimposed upon one another during metric calculation. Each virtual layer is responsible for processing data grouped by the required processor, using the appropriate digital intelligent technologies. Each layer of the model not only processes data and generates metrics but also uses these metrics to make decisions that influence subsequent layers. The ability to select and apply various digital technologies at each layer allows for adaptation to specific tasks and production conditions. The proposed overlay model is implemented using the Digital Platform for Integrated Monitoring. This model creates a new class of software that integrates the capabilities of analytical and decision support systems within a single information environment, leveraging computer vision and artificial intelligence technologies when necessary. The solutions proposed in this study can be used at industrial facilities to improve the efficiency and quality of monitoring production performance indicators.
1. Liu S., Zheng P., Bao J. Digital Twin-based manufacturing system: a survey based on a novel reference model // Journal of Intelligent Manufacturing. 2024. Vol. 35. P. 2517–2546. URL: https://link.springer.com/article/10.1007/s10845-023-02172-7 (дата обращения: 31.01.2026). DOI: 10.1007/s10845-023-02172-7.
2. Ryalat M., ElMoaqet H., AlFaouri M. Design of a smart factory based on cyber-physical systems and Internet of Things towards Industry 4.0. // Applied Sciences. 2023. Vol. 13 (4). P. 2156. URL: https://www.mdpi.com/2076-3417/13/4/2156 (дата обращения: 31.01.2026). DOI: 10.3390/app13042156.
3. Chen H., Fang C., Xiao X. Visualization of environmental sensing data in the lake-oriented digital twin world: Poyang Lake as an example // Remote Sensing. 2023. Vol. 15 (5). P. 1193. URL: https://www.mdpi.com/2072-4292/15/5/1193 (дата обращения: 31.01.2026). DOI: 10.3390/rs15051193.
4. Lin Z., Chen C., Zhang Y., Chen J., Liu Z., Qi B., Guo J. An advanced IIoT gateway for enhanced data integration and real-time intelligence in digital twin manufacturing systems // Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture. 2025. URL: https://journals.sagepub.com/doi/abs/10.1177/09544054251325968 (дата обращения: 31.01.2026). DOI: 10.1177/09544054251325968.
5. Qiu F., Kumar A., Hu J., Sharma P., Tang Y. B., Xu Xiang Y., Hong J. A Review on Integrating IoT, IIoT, and Industry 4.0: A Pathway to Smart Manufacturing and Digital Transformation // IET Information Security. 2025. Vol. 2025 (1). P. 9275962. DOI: 10.1049/ise2/9275962.
6. Soori M., Arezoo B., Dastres R. Internet of things for smart factories in industry 4.0, a review // Internet of Things and Cyber-Physical Systems. 2023. Vol. 3. P. 192–204. URL: https://ieeexplore.ieee.org/abstract/document/10440434 (дата обращения: 31.01.2026). DOI: 10.1016/j.iotcps.2023.04.006.
7. Khang A., Rath K. C., Satapathy S. K., Kumar A., Das S. R., Panda M. R. Enabling the future of manufacturing: integration of robotics and IoT to smart factory infrastructure in industry 4.0. // IGI Global. 2023. P. 25–50. URL: https://www.igi-global.com/gateway/chapter/326023 (дата обращения: 31.01.2026). DOI: 10.4018/978-1-6684-8851-5.ch002.
8. Шарманов В. В., Симанкина Т. Л., Горбачев И. А. Идентификация местоположения работника на объекте строительства с помощью цифрового двойника // Вестник Научного центра. 2022. № 3. URL: https://cyberleninka.ru/article/n/identifikatsiya-mestopolozheniya-rabotnika-na-obekte-stroitelstva-s-pomoschyu-tsifrovogo-dvoynika (дата обращения: 31.01.2026).
9. Haffner O., Kučera E., Rosinová D. Applications of machine learning and computer vision in industry 4.0. // Applied Sciences. 2024. Vol. 14 (6). P. 2431. URL: https://www.mdpi.com/2076-3417/14/6/2431 (дата обращения: 31.01.2026). DOI: 10.3390/app14062431.
10. Islam M. R. et al. Deep learning and computer vision techniques for enhanced quality control in manufacturing processes // IEEE Access. 2024. Vol. 12. Р. 121449–121479. URL: https://ieeexplore.ieee.org/document/10663422 (дата обращения: 31.01.2026). DOI: 10.1109/ACCESS.2024.3453664.
11. Ettalibi A., Elouadi A., Mansour A. AI and computer vision-based real-time quality control: a review of industrial applications // Procedia Computer Science. 2024. Vol. 231. P. 212–220. DOI: 10.1016/j.procs.2023.12.195.
12. Kaseris M., Kostavelis I., Malassiotis S. A comprehensive survey on deep learning methods in human activity recognition // Machine Learning and Knowledge Extraction. 2024. Vol. 6 (2). P. 842–876. DOI: 10.3390/make6020040.
13. Ivaschenko A., Avsievich V., Golovnin O., Aleksandrova M., Sitnikov P. Production control based on a quality guarantor computer vision system // Studies in Systems, Decision and Control. 2023. Vol. 457. P. 85–95. DOI: 10.1007/978-3-031-22938-1_6.
14. Bianchini A., Savini I., Andreoni A., Morolli M., Solfrini V. Manufacturing execution system application within manufacturing small–medium enterprises towards key performance indicators development and their implementation in the production line // Sustainability. 2024. Vol. 16 (7). P. 2974. URL: https://www.mdpi.com/2071-1050/16/7/2974 (дата обращения: 31.01.2026). DOI: 10.3390/su16072974.
15. Eyeregba M. E., Mokogwu C., Ewim S. E., Olorunyomi T. D. Integrating visual reporting, analytics, and sustainable dashboards to support decision-making and growth in small and medium enterprises (SMEs) // International Journal of Frontiers in Science and Technology Research. 2024. Vol. 7 (2). P. 90–99. URL: https://frontiersrj.com/journals/ijfstr/content/integrating-visual-reporting-analytics-and-sustainable-dashboards-support-decision-making (дата обращения: 31.01.2026). DOI: 10.53294/ijfstr.2024.7.2.0059.
16. Ситников П. В., Тучкова Е. М., Дубинина И. Н., Додонова Е. А., Головнин О. К., Иващенко А. В. Цифровая платформа интегрального мониторинга региона // Научно-технический вестник Поволжья. 2023. № 5. С. 158–160. EDN: JUSIWU.