«Автоматизация и информатизация ТЭК»

Архитектура интеллектуальной системы поддержки принятия решений для нефтедобывающих предприятий

УДК: 004
DOI: -

Авторы:

¹ СПбПУ Петра Великого, Санкт-Петербург, Россия

Ключевые слова: система поддержки принятия решений, оптимизация, реинжиниринг бизнес-процессов, информационные системы, Archimate, архитектура предприятия, нефтедобывающие предприятия

Аннотация:

Разработка и внедрение систем поддержки принятия решений для промышленных предприятий, учитывающих их технологические и организационные особенности, остается одной из наиболее актуальных задач в последние десятилетия. В условиях цифровизации современные системы поддержки принятия решений должны обладать функциональностью для работы с большими данными и их применения в прогностических моделях. Подобные системы должны обладать свойствами когнитивности, обеспечивающими принятие глобально-оптимальных решений с учетом всех уровней управления. Несмотря на распространенность исследований, связанных с системами поддержки принятия решений, существующие решения не удовлетворяют заявленным требованиям. В них упускается вопрос перехода от текущей к целевой архитектуре при внедрении новых программных комплексов. Целью работы является проектирование архитектуры интеллектуальной системы поддержки принятия решений для предприятия нефтедобычи. Результатом работы является архитектура единого информационного пространства на предприятии нефтедобычи, реализованная путем интеграции существующих на предприятии систем, модификации методов анализа данных, унификации входных данных и интеграции модуля оптимизации сценариев. Предложенная архитектура включает описание необходимого реинжиниринга бизнес-процессов в результате внедрения нового информационного решения. На основе анализа входных данных была также разработана модель информационных потоков между элементами системы и спроектирована целевая архитектура. Для разработки системы поддержки принятия решений использовался язык Archimate. Предложенный подход к интеграции информационных систем является универсальным, может быть модифицирован в зависимости от потребности организации.

Список литературы:

1. A Review of Multisensor Data Fusion Solutions in Smart Manufacturing: Systems and Trends / A. Tsanousa, E. Bektsis, C. Kyriakopoulos [et al.] // Sensors. – 2022. – Vol. 22, Issue 5. – P. 1734. – DOI: 10.3390/s22051734
2. Mehmood N.Q., Culmone R., Mostarda L. Modeling temporal aspects of sensor data for MongoDB NoSQL database // J. of Big Data. – 2017. – Vol. 4, Issue 1. – P. 8. – DOI: 10.1186/s40537-017-0068-5
3. Big data analysis of IoT-based supply chain management considering FMCG industries / H. Nozari, M. Fallah, H. Kazemipoor, S. Najafi // Business Informatics. – 2021. – Vol. 15, No. 1. – P. 78–96. – DOI: 10.17323/2587-814X.2021.1.78.96
4. Polhill J.G., Edmonds B. Cognition and hypocognition: Discursive and simulation-supported decision-making within complex systems // Futures. – 2023. – Vol. 148. – P. 103121. – DOI: 10.1016/j.futures.2023.103121
5. Lian Duan, Li Da Xu. Data Analytics in Industry 4.0: A Survey // Information Systems Frontiers. – 2021. – P. 1–17. – DOI: 10.1007/s10796-021-10190-0
6. Bousdekis A., Mentzas G. Enterprise Integration and Interoperability for Big Data-Driven Processes in the Frame of Industry 4.0 // Frontiers in Big Data. – 2021. – Vol. 4. – P. 644651. – DOI: 10.3389/fdata.2021.644651
7. Predictive, Prescriptive and Detective Analytics for Smart Manufacturing in the Information Age / B.C. Menezes, J.D. Kelly, A.G. Leal, G.C. Le Roux // IFAC-PapersOnLine. – 2019. – Vol. 52, Issue 1. – P. 568–573. – DOI: 10.1016/j.ifacol.2019.06.123
8. Improving the management effectiveness and decision-making by stakeholders’ perspectives: A case study in a protected area from the Brazilian Atlantic Forest / M.G. Coelho Junior, B.P. Biju, E.C. da Silva Neto [et al.] // J. of Environmental Management. – 2020. – Vol. 272. – P. 111083. – DOI: 10.1016/j.jenvman.2020.111083
9. Simeone A., Zeng Yunfeng, Caggiano A. Intelligent decision-making support system for manufacturing solution recommendation in a cloud framework // The Int. J. of Advanced Manufacturing Technology. – 2021. – Vol. 112, Issue 3-4. – P. 1035–1050. – DOI: 10.1007/s00170-020-06389-1
10. A Decision Support System for Cyber Physical Systems under Disruptive Events: Smart Building Application / M. Zaman, R. Eini, N. Zohrabi, Sh. Abdelwahed // 2022 IEEE Int. Smart Cities Conf. (ISC2), Pafos, Cyprus, Sept. 26–29, 2022. – IEEE, 2022. – P. 1–7. – DOI: 10.1109/ISC255366.2022.9922493
11. A Novel Predictive Maintenance Method Based on Deep Adversarial Learning in the Intelligent Manufacturing System / Liu Changchun, Tang Dunbing, Zhu Haihua, Nie Qingwei // IEEE Access. – 2021. – Vol. 9. – P. 49557–49575. – DOI: 10.1109/ACCESS.2021.3069256
12. Intelligent Maintenance Systems and Predictive Manufacturing / Lee Jay, Ni Jun, Singh Jaskaran [et al.] // J. of Manufacturing Science and Engineering. – 2020. – Vol. 142, Issue 11. – P. 110805. – DOI: 10.1115/1.4047856
13. Anumbe N., Saidy C., Harik R. A Primer on the Factories of the Future // Sensors. – 2022. – Vol. 22, Issue 15. – P. 5834. – DOI: 10.3390/s22155834
14. Титов В.В., Безмельницын Д.А., Напреева С.К. Планирование функционирования предприятия в условиях риска и неопределенности во внешней и внутренней среде // Науч.-техн. ведомости С.-Петерб. гос. политехн. ун-та. Экономические науки. – 2017. – Т. 10, № 5. – С. 172–183. – DOI: 10.18721/JE.10516
15. Федяевская Д.Э. Модель иерархического управления предприятием нефтедобычи // Молодежная Неделя Науки Ин-та промышленного менеджмента, экономики и торговли: сб. тр. всерос. студен. науч.-учеб. конф., СПб., 29 нояб. – 03 дек. 2022 г. – СПб.: СПбПУ, 2022. – С. 347–349.
16. Сорокин А.Б. Концептуальное проектирование интеллектуальных систем поддержки принятия решений // Онтология проектирования. – 2017. – Т. 7, № 3(25). – С. 247–269. – DOI: 10.18287/2223-9537-2017-7-3-247-269
17. Артеменко Е.С., Федяевская Д.Э. Применение цифровых инструментов для инжиниринга процессов принятия решений на нефтедобывающем предприятии // Фундамент. и приклад. исслед. в области управления, экономики и торговли: сб. тр. всерос. науч.-практ. и учеб.-метод. конф., СПб., 15–19 мая 2023 г.: в 8 ч. Ч. 3. – СПб.: Политех-Пресс, 2023. – С. 12–20.
18. Марков Н.Г., Евсюткин И.В. Специализированная сервисная шина для создания единого информационного пространства компаний нефтегазовой отрасли // Программные продукты и системы. – 2019. – № 2. – С. 326–336. – DOI: 10.15827/0236-235X.126.326-336
19. Шептухин М.В. Повышение качества принятия решений инвестиционного планирования путем автоматизации бизнес-процессов // Автоматизация и информатизация ТЭК. – 2022. – № 12(593). – С. 23–26. – DOI: 10.33285/2782-604X-2022-12(593)-23-26
20. Комплексное моделирование процессов нефтедобычи: аналитический обзор / М.В. Болсуновская, А.М. Гинцяк, Д.Э. Федяевская [и др.] // Автоматизация и информатизация ТЭК. – 2023. – № 2(595). – С. 51–62. – DOI: 10.33285/2782-604X-2023-2(595)-51-62