Автоматизация процесса мониторинга производств предприятий КНР тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Тянь Юань

• Тянь Юань
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Тянь Юань

СОДЕРЖАНИЕ

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ И ПОДХОДОВ К ПОСТРОЕНИЮ СИСТЕМ МОНИТОРИНГА И УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННО -ТЕХНОЛОГИЧЕСКОЙ ДЕЯТЕЛЬНОСТЬЮ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

1.1. Анализ задач автоматизации мониторинга и управления финансово-хозяйственной и производственной деятельностью промышленных предприятий КНР

1.2. Исследование мирового опыта, научных основ и подходов к разработке систем мониторинга производств промышленных предприятий

1.3. Концепции и инструменты автоматизированного анализа данных

1.3.1. Развитие информационно-аналитических систем управления

1.3.2. Цели и роли BI-системы в принятии решений

1.4. Роль систем мониторинга в формировании конкурентного преимущества промышленного предприятий на рынке

1.5. Исследование опыта применения инструментов Data Mining в системах мониторинга производственно — технологической и организационно - экономической деятельности промышленного предприятия

Выводы

2. РАЗРАБОТКА МОДЕЛИ СИСТЕМЫ МОНИТОРИНГА ПРОИЗВОДСТВЕННО - ТЕХНОЛОГИЧЕСКОЙ И ОРГАНИЗАЦИОННО - ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ

2.1. Основные принципы построения системы мониторинга производственно - технологической и организационно - экономической деятельности промышленного предприятия

2.2. Концепция системы мониторинга производственно -технологической и организационно - экономической деятельности промышленного предприятия

2.3. Разработка комплексной системы мониторинга производственно -технологической и организационно - экономической деятельности промышленного предприятия

2.3.1. Совершенствование системы управления и развитие информационной системы промышленного предприятия на основе современных информационно - коммуникационных технологий

2.3.2. Особенности построения автоматизированной системы мониторинга производственно - технологической и организационно — экономической деятельности промышленного предприятия

Выводы

3. РАЗРАБОТКА АЛГОРИТМОВ УПРАВЛЕНИЯ ДЛЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА ПРОИЗВОДСТВЕННО - ТЕХНОЛОГИЧЕСКОЙ И ОРГАНИЗАЦИОННО - ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ

3.1. Разработка организационной системы оперативного мониторинга производственно-технологической деятельности и управления промышленным предприятием

3.2. Создание информационного пространства, для решения управленческих, экономических и административных задач промышленного предприятия

3.3. Совершенствование системы управления промышленного предприятия за счет внедрения системы мониторинга

Выводы

4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА ПРОИЗВОДСТВЕННО ТЕХНОЛОГИЧЕСКОЙ И ОРГАНИЗАЦИОННО - ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ

4.1. Структура автоматизированной системы мониторинга промышленного предприятия

4.2. Программная реализация разработанных моделей и алгоритмов в МЕ8-системе

4.3. Интеграция компонентов разработанной системы

4.4. Экспериментальная проверка и апробация

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИНФОРМАЦИОННЫХ ИСТОЧНИКОВ

СПИСОК СОКРАЩЕНИЙ

БД - база данных

Д - витрина данных ВТО - Всемирная торговая организация ИАД - интеллектуальный анализ данных ОПЭС - основные показатели экономического состояния CM111I - система мониторинга промышленного предприятия СППР — система поддержки принятия решений СУБД - система управления базой данных СУД - система управления данными ХД - хранилище данных

ADM - Active Data Warehousing, активная Хранилища данных BI - Business Intelligence, бизнес анализ, бизнес-аналитика DSS - Decision Support Systems, поддержки принятия решении EIS - Executive Information Systems, информационная система руководителя

ES - Export Systems, экспертные системы

MIS - Management Infogmation System, управлеченская информационная система

OLAP - online analytical processing, аналитическая обработка в реальном времени

SQL - Structured Query Language, язык структурированных запросов SCM - Supply Chain Management, система автоматизации WMS - Workflow Management Systems, система управления потоком работ

WATD - Workflow Audit Trail Data, аудиторий контроль технологического процесса

Введение диссертации (часть автореферата) на тему «Автоматизация процесса мониторинга производств предприятий КНР»

ВВЕДЕНИЕ

Произошедшие в экономике Китайской народной республики (КНР) за последние годы изменения выявили ряд дискуссионных и актуальных проблем, носящих теоретический и прикладной характер и имеющих чрезвычайно важное значение для устойчивого функционирования и развития промышленных предприятий. К приоритетным проблемам относятся вопросы теории, методологии и практики принятия управленческих решений в условиях членства Китая в ВТО и глобализации.

В КНР в настоящее время наблюдается постоянный рост масштабов работ по интенсификации, компьютеризации и комплексной автоматизации производства и интегрированного управления функционированием, как сетью технологических процессов, так и отдельными предприятиями, который должен и сопровождается расширением научных и технических исследований, разработок моделей и структурных решений человеко-машинных систем, предназначенных для автоматизации производства и интеллектуальной поддержки процессов управления. Современный уровень развития аппаратных и программных средств сделал возможным повсеместное ведение баз данных оперативной информации на разных уровнях управления. В процессе своей деятельности промышленные предприятия, корпорации, ведомственные структуры, органы государственной власти и управления накопили большие объёмы данных. Они хранят в себе большие потенциальные возможности по извлечению полезной аналитической информации, на основе которой можно выявлять скрытые тенденции, принимать оперативные решения и строить стратегию развития.

Понимание системы мониторинга раскрывается в работах Каревой Т.А., Миняшкина В. В., Перевалова Ю.В., Титоренко Г.А., Уилсона Э., Фитуни Л.Л. и некоторых других авторов.

Мониторингу технологических процессов и производств без учета его влияния на повышение эффективности деятельности промышленных предприятий особое внимание уделяется в работах Мака (Мак Y.T.) и Онга (Ong P.F.), в которых изложены наиболее важные компоненты структуры систем мониторинга, а также предложены технические регламенты и программы внесения изменений в базовый состав и структуру системы мониторинга.

В работах ученых Клейнера Г.Б., Радыгина A.B., Раицкго К.А., Мовсесяна А.Г. и других изложены способы и инструменты влияния систем мониторинга на управленческую деятельность сложных экономических структур, в том числе, для получения информации в процессе слияний, поглощений и реструктуризации деятельности.

Отдельные российские авторы Гараджа М.Ю., Гергелев А.Э., Крейнина М.Н., Сергеев И.В., Скрипник К.Д., Тараненко В.И. исследуют узкоспециализированные системы мониторинга. В работах Гараджи М.Ю., Крейниной М.Н., система мониторинга используется исключительно для финансового контроля деятельности предприятия, а в работах Скрипника К.Д., Гергелева А.Э., Тараненко В.И. предложено использование системы мониторинга для управления персоналом предприятий.

При таком узкоспециализированном подходе, отсутствует системность и не учитывается влияние других компонентов системы управления деятельностью промышленного предприятия, таких как маркетинг, финансовые и торговые операции.

Автоматизированные системы, разработанные за последнее время, решали в основном задачи в рамках одного информационного поля накопления данных. Способы доступа к накопленным данным, сводились к простым механизмам поиска по прямому совпадению. Однако, любое хранилище и поток информации ценны не только и столько конкретными данными, образующими их, но связями между информационными

объектами. Подобная метаинформация не может быть извлечена из баз данных, например, с помощью прямого использования реляционных запросов или технологии OLAP. При этом выявление связей и закономерностей в массивах данных традиционно остаётся работой аналитикой. Однако объём информации достигает такого масштаба, что без использования автоматизированных программных средств нового уровня задача анализа данных становится непосильной для человека. В качестве примеров практических задач обработки больших массивов данных можно привести следующие: обработка финансовой информации, анализ покупательской активности, мониторинг в системах безопасности, обработка потоков данных и мониторинг в системах автоматизации бизнес-процессов.

В ближайшие годы основной тенденцией будет дальнейшее увеличение объемов ХД, увеличение плотности потоков, объединения в рамках одного информационного поля объектов, порожденных различными системами и, как следствие, усиление потребности в использовании автоматизированных средств анализа данных. Вместе с тем выявление взаимосвязей в ХД или потоке данных подразумевает выполнение операций не на уровне отдельных информационных объектов, а на уровне всего хранилища/потока данных, поэтому такие процессы являются гораздо более вычислительно- и ресурсоёмкими, нежели обычные процедуры поиска и классификации в базах данных. Таким образом, повышение эффективности работы ХД наряду с совершенствованием алгоритмов поиска и классификации взаимосвязей и закономерностей в гетерогенных хранилищах и потоках информации является важной и актуальной для дальнейшего развития средств OLAP -технологий и ИАД.

Одним из факторов, способствующих получению преимуществ в условиях конкуренции, является применение автоматизированных систем мониторинга производственно-технологической и организационно-экономической деятельности промышленных предприятий, предполагают

достаточно глубокую проработку данных, специально преобразованных так, чтобы их было удобно использовать в ходе процесса принятия решений. Неотъемлемым компонентом систем поддержки принятия решений (СППР) являются правила принятия решений, которые на основе агрегированных данных подсказывают менеджерскому составу выводы. Такого рода системы создаются только в том случае, когда структура управления уже достаточно определена и имеются основания для обобщения и анализа не только данных, но и процессов их обработки. Таким образом, СППР - это не просто развитие системы оперативного управления, это механизм развития предприятия, который включает в себя некоторую часть управляющей системы, обширную систему внешних связей предприятия, а также технологические и маркетинговые процессы развития производства.

В той или иной степени элементы автоматизированной поддержки принятия решений присутствуют в любой информационной системе (ИС). Поэтому, осознанно или нет, к задаче автоматизации процесса принятия решений организации приступают сразу после приобретения вычислительной техники и установки программного обеспечения. По мере развития предприятия, упорядочения его структуры и налаживания межкорпоративных связей, проблема разработки и внедрения СППР становится особенно актуальной.

Качество СППР в первую очередь зависит от данных, на основании которых принимаются решения; используемых аналитических методов и моделей обработки и анализа данных; адекватности используемых инструментальных средств задачам принятия решений.

Развитие подобных систем основано на работах ученых, внесших значительный вклад в развитие теории и практики разработки систем автоматизации мониторинга, систем принятия управленческих решений, применением современных технологий построения хранилищ данных (ХД) и аналитической обработки данных в реальном времени (OLAP): Аверкина

А.Н., Адамса С., Адамчука В.В., Альберта М., Альдерфера К., Ансоффа И., Андреева А.Н., Афонина Н.А., Баткаевой И.А., Байкалова С.П., Бергер Ч., Берман В.П., Бешелев С.Д., Бобко И.М., Болквадзе И.М., Бомас В.В., Бусленко Н.П., Вагина В.Н., Варшавского C.B., Гладуна В.П., Генкина Б.М., Друкера П., Ерошина С.Е., Кибанова А .Я., Котляра А.Э., Кузнецова В.И., Инмона Б., Иоффин А.И., Ильенковой С.Д., Кодда Э., Курицкого Б.Я., Ларичева О.И., Локтева С.А., Магуры М.И., Мэйо Э., Наумова Г.О., Новикова Д.А., Одегова Ю.Г., Орловского С.А., Перегудова Ф.И., Подиновского В.В., Попова Э.В., Портера Л., Поспелова Г.С., Поспелова Д.А., Рофе А.И., Саати Т., Слезингер Г.Э., Стефанюка В.Л., Тарасенко Ф.П., Тейлора Ф., Шапиро Д.И., Шумпетера Й. и многих других.

Однако существуют факторы, сдерживающие построение современных СППР для промышленных предприятий, позволяющих автоматизировать подготовку данных для принятия управленческих решений (недостоверность данных, низкая производительность при аналитических запросах, невозможность преобразования разнородных данных в единую информацию). Этим обусловлена актуальность исследования вопросов создания СППР для промышленных предприятий на основе усовершенствованных технологий накопления и хранения данных, устраняющей выделенные факторы посредством интеграции ХД, OLAP и интеллектуального анализа данных (ИАД).

Во многих отраслях промышленности, стоит задача повышения качества продукции с одновременной минимизацией расходов. Актуальность темы диссертации определяется необходимостью развития теоретических положений и практических рекомендаций по разработке программных приложений для осуществления оперативного мониторинга внутренней среды промышленных предприятий по комплексным показателям их деятельности, а также:

- выработке оперативных управляющих воздействий на основе идентификации существенных параметров деятельности предприятий и их вклада в итоговый комплексный показатель;

- отслеживании и корректировке в режиме реального времени выполнения программ реструктуризации предприятий, в соответствии с изменением ключевых производственно -технологических и организационно - экономических параметров;

- проведении сравнительного многомерного анализа производственно - технологического и организационно - экономического состояния промышленного предприятия;

- осуществлении визуального динамического анализа текущего состояния среды промышленного предприятия.

Указанные процессы порождают большие объёмы записей данных, которые должны храниться в хранилище данных. Анализ данных позволяет предприятию заранее улучшать процессы разработки и дизайн продукции, вносить изменения в её изготовление и системы монтажа, с целью улучшения качества продукции и снижения расходов по рекламациям, что не является тривиальной проблемой и требует эффективного анализа данных или ЭМ-алгоритмов. Традиционно, этот анализ данных проводится аналитиками, которые обычно используют статистические методы и инструменты. В последнее время, широкое распространение применения компьютерных и сетевых технологий, так же как внедрение новых систем сбора данных в позволяет использовать эти системы для мониторинга миллионов операций и формировать большие электронные базы данных, связанных с производством, продукцией и её продажами. Эти данные могут быть проанализированы с целью получения полезных знаний, таких как тенденции, модели, или причинно-следственные связи между качеством конечной продукции и организацией производства, сформулировать план действий по решению проблемы и улучшению качества.

Цель исследования - повышение эффективности работы промышленных предприятий КНР за счет разработки и внедрения автоматизированной системы оперативного мониторинга и управления их производственно-технологической и организационно-экономической деятельностью.

Предмет исследования - вопросы теории и практики разработки автоматизированных систем управления для промышленных предприятий, а также модели и методы оперативного мониторинга их внутренней среды и выработки управляющих воздействий на основе комплексных показателей производственно - технологической и организационно - экономической деятельности.

Объект исследования - производственно — технологическая и организационно-экономическая деятельность промышленных предприятий и производственных объединений КНР.

Для достижения поставленной цели в работе решены следующие задачи:

1. Системный анализ направлений, концепций и моделей использования технологий автоматизированного анализа данных в аналитических системах промышленных предприятий.

2. Исследование основных аспектов и выявление роли системы мониторинга как элемента интегрированной автоматизированной информационной системы промышленного предприятия.

3. Формулировка основных принципов построения системы мониторинга состояния среды промышленного предприятия, для повышения эффективности автоматизированной информационной системы и процесса управления его деятельностью.

4. Разработка концепции многоуровневой системы мониторинга состояния среды промышленного предприятия, как основы для информационной базы принятия производственно - технологических и организационно - экономических решений.

5. Разработка структуры автоматизированной системы мониторинга промышленного предприятия на основе разработанных теоретических подходов к построению многоуровневой системы мониторинга производственно - технологической и организационно - экономической деятельности промышленного предприятия.

6. Апробация основных теоретических результатов, а также формулировка практических рекомендаций по порядку внедрения систем мониторинга производственно - технологической и организационно -экономической деятельности на промышленных предприятиях.

Методы исследования

Методологической и теоретической основой настоящей научной работы является использование системного подхода к анализу объекта исследования.

Полученные результаты исследования базируются на использовании методов и средств системного анализа, теории принятия решений, теории построения автоматизированных информационных систем, сетей и баз данных, компьютерного анализа данных.

Научная новизна

Научную новизну исследования составляют разработанные теоретические положения для автоматизации мониторинга среды промышленных предприятий на основе:

1. Модели выработки управляющих воздействий с использованием комплексных оценок производственно - технологической и организационно-экономической деятельности промышленного предприятия, учитывающей системность и влияние нескольких компонентов системы управления деятельностью промышленного предприятия.

2. Алгоритма оперативного управления производственно -технологической и организационно - экономической деятельностью промышленного предприятия, позволяющего проводить мониторинг

управленческой деятельности сложных экономических структур, с учетом особенностей бизнес-процессов конкретного предприятия.

3. Алгоритмического и программного обеспечения, отличающегося учетом особенностей бизнес - процессов предприятия и позволяющего осуществлять операции переноса и ^трансформации данных в многоуровневой архитектуре организации данных.

с.

На защиту выносятся:

1. Модель выработки управляющих воздействий на основе комплексных оценок производственно - технологическая и организационно-

N

экономическая деятельности промышленного предприятия.

2. Алгоритм оперативного управления производственно -технологической и организационно - экономической деятельностью промышленного предприятия.

3. Многоуровневая архитектура организации данных, позволяющая осуществлять операции переноса и трансформации данных и разработанное алгоритмическое и программное обеспечение, отличающееся учетом особенностей бизнес-процессов предприятия.

Достоверность и обоснованность научных положений, рекомендаций и выводов

Достоверность научных положений, выводов и практических рекомендаций основывается на теоретических и методологических положениях, сформулированных в работах отечественных и зарубежных ученых и специалистов, и подтверждается положительными результатами внедрения.

Обоснованность научных положений определена предварительным анализом потоков работ при оперативном учете хода производства ряда промышленных предприятий. Результаты, полученные при построении информационной и функциональной модели бизнес-процесса,

подтверждаются положительным тестированием алгоритма принятия управленческих решений.

Практическая ценность и реализация результатов работы

Практическая ценность работы заключается в том, что применение полученных результатов исследования позволяет промышленным предприятиям:

- осуществлять оперативный мониторинг производственно -технологической и организационно - экономической деятельности промышленного предприятия и вырабатывать оперативные управляющие воздействия на основе идентификации существенных параметров деятельности предприятия и их вклада в итоговый комплексный показатель;

- отслеживать и корректировать в режиме реального времени выполнение программ реструктуризации предприятия и проводить реинжиниринг бизнес-процессов в соответствии с изменением производственно-технологических и организационно-экономических параметров;

- осуществлять сравнительный многомерный анализ производственно-технологической и организационно-экономической деятельности;

- проводить анализ различных многопараметрических объектов по идентификации и влиянию параметров их деятельности на итоговый комплексный показатель и осуществлять их визуальный динамический анализ;

- повысить уровень информационного взаимодействия подразделений предприятия за счет использования общего информационного пространства.

В первой главе «АНАЛИЗ МЕТОДОВ И ПОДХОДОВ К ПОСТРОЕНИЮ СИСТЕМ МОНИТОРИНГА И УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННО - ТЕХНОЛОГИЧЕСКОЙ ДЕЯТЕЛЬНОСТЬЮ

ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ» проведен системный анализ направлений, концепций и моделей использования технологий автоматизированного анализа данных в аналитических системах промышленных предприятий. Исследована функциональность стандартов и методологий разработки программных приложений; проведен анализ современных систем планирования производством, методов и подходов к построению систем оперативного управления производственно -технологической и организационно - экономической деятельностью промышленных предприятий. Исследована специфика и требования к разработке информационных систем управления для промышленных предприятий, а также особенности использования в них технологий ХД, OLAP и методов ИАД.

Во второй главе «РАЗРАБОТКА МОДЕЛИ СИСТЕМЫ МОНИТОРИНГА ВНУТРЕННЕЙ СРЕДЫ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ ПО КОМПЛЕКСНЫМ ПОКАЗАТЕЛЯМ ИХ ДЕЯТЕЛЬНОСТИ» сформулированы основные принципы построения системы мониторинга производственно - технологической и организационно - экономической деятельности промышленного предприятия для повышения эффективности автоматизированной информационной системы и процессов управления. Разработана концепция многоуровневой системы мониторинга состояния среды промышленного предприятия, как основы для информационной базы принятия производственно - технологических и организационно - экономических решений.

В третьей главе «РАЗРАБОТКА АЛГОРИТМОВ УПРАВЛЕНИЯ ДЛЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА

ПРОИЗВОДСТВЕННО - ТЕХНОЛОГИЧЕСКОЙ И ОРГАНИЗАЦИОННО -ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОМЫШЛЕННОГО

ПРЕДПРИЯТИЯ» разработаны модели выработки управляющих воздействий с использованием комплексных оценок состояния среды промышленного

предприятия, учитывающей влияние нескольких компонентов системы управления деятельностью промышленного предприятия. Предложен итерационный метод построения рейтинговой системы оценок на основе статистических параметров и проведено его сравнение с существующими подходами. Разработан алгоритм оперативного управления производственно - технологической и организационно - экономической деятельностью промышленного предприятия, позволяющего проводить мониторинг управленческой деятельности сложных экономических структур, с учетом особенностей бизнес-процессов конкретного предприятия.

В четвертой главе «ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА

ПРОИЗВОДСТВЕННО - ТЕХНОЛОГИЧЕСКОЙ И ОРГАНИЗАЦИОННО -ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОМЫШЛЕННОГО

ПРЕДПРИЯТИЯ» предложена структура автоматизированной системы мониторинга промышленного предприятия на основе разработанных теоретических подходов к построению многоуровневой системы мониторинга производственно - технологической и организационно -экономической деятельности промышленного предприятия. Проведена апробация основных теоретических результатов, а также сформулированы практические рекомендации по порядку внедрения систем мониторинга состояния среды на промышленных предприятиях.

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы.

Апробация работы.

В ходе выполнения диссертационной работы результаты исследований докладывались на заседании кафедры «Автоматизированные системы управления» МАДИ в 2011 - 2013г., международной научно-практической конференция «Наука и образование в XXI веке», Тамбов, Россия,

Международной научной конференции «Управление производством. Учет, анализ, финансы», Лондон, Великобритания, 69-71 научно-методической и научно-исследовательской конференциях МАДИ.

Публикации. По теме диссертации опубликовано 8 печатных работ, общим объемом 3,2 п. л., отражающих основные результаты исследования, в том числе 2 в журналах из перечня ВАК РФ.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, методик и алгоритмов.

Диссертация изложена на 176 страницах печатного текста, состоит из введения, четырех глав, заключения, списка использованных источников, в котором представлено 274 наименований. В текст диссертации включены 29 рисунков и 2 таблицы.

1. АНАЛИЗ МЕТОДОВ И ПОДХОДОВ К ПОСТРОЕНИЮ СИСТЕМ

МОНИТОРИНГА И УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННО -ТЕХНОЛОГИЧЕСКОЙ ДЕЯТЕЛЬНОСТЬЮ ПРОМЫШЛЕННЫХ

ПРЕДПРИЯТИЙ

В главе проведен системный анализ направлений, концепций и моделей использования технологий автоматизированного анализа данных в аналитических системах промышленных предприятий. Исследована функциональность стандартов и методологий разработки программных приложений; проведен анализ современных систем планирования производством, методов и подходов к построению систем оперативного управления производственно - технологической и организационно -экономической деятельностью промышленных предприятий. Исследована специфика и требования к разработке информационных систем управления для промышленных предприятий, а также особенности использования в них технологий ХД, OLAP и методов ИАД.

1.1. Анализ задач автоматизации мониторинга и управления финансово-хозяйственной и производственной деятельностью промышленных

предприятий КНР

Решение задачи повышения эффективности промышленного предприятия напрямую связано с автоматизацией как финансово-экономической деятельности, так и всех этапов производственного цикла -от разработки концепции изделия, его конструирования и производства до послепродажного обслуживания (рисунок 1.1) [23, 65,67].

Возможности современных средств автоматизации деятельности предприятий вышли за пределы традиционных функций и позволяют осуществлять анализ производственной деятельности в реальном времени.

ВЕДОМСТВО

УПРАВЛЯЮЩАЯ КОМПАНИЯ

1

НИИ, ИССЛЕД. ЦЕНТРЫ ОКБ СЕРИЙНЫЕ ЗАВОДЫ СЕРВИСНЫЕ ПРЕДПРИЯТИЯ

ЭТАПЫ ЖИЗНЕННОГО ЦИКЛА ИЗДЕЛИЯ

НАУЧНО-ТЕХНИЧЕСКИЙ ЗАДЕЛ НИОКР СЕРИЙНОЕ ПРОИЗВОДСТВО ЭКСПЛУАТАЦИЯ

Рисунок 1.1 - Организационная структура государственных промышленных предприятий в КНР

Автоматизированные информационные системы промышленных предприятий включают интегрированный набор программных решений, охватывающих основные аспекты деятельности предприятия. Интегрированное решение представляет собой последовательный процесс автоматизации отдельных производственных, технологических процессов и управленческой деятельности. При использовании указанного подхода, охватываются критически важные процессы, а затем осуществляется переход к автоматизации вспомогательных областей.

Большинство информационных систем управления предприятием имеет обширные базы данных. Однако извлечение из базы данных сведений, полезных для принятия решений до сих пор представляет определенную сложность.

Функциональность информационных систем управления промышленными предприятиями расширяется за счет формализации все большего числа процессов из различных областей деятельности организаций. Основным ограничением развития информационных систем, с этой точки

зрения, являются возможности современной теории управления в области системного анализа, математического моделирования, методов и подходов решения задач в той или иной сфере деятельности.

1.2. Исследование мирового опыта, научных основ и подходов к разработке систем мониторинга производств промышленных

предприятий

В связи с тем, что на промышленных предприятиях могут присутствовать различные типы организационных структур, информационные системы и входящие в их состав системы мониторинга также будут иметь свою специфику. В этой связи, рассмотрим сущность и основные подходы к разработке систем мониторинга, чтобы на их основе описать процесс построения системы мониторинга промышленного предприятия [11, 65 - 67].

Список литературы диссертационного исследования кандидат наук Тянь Юань, 2013 год

СПИСОК ИНФОРМАЦИОННЫХ ИСТОЧНИКОВ

1. Аалст В., Хей К. Управление потоками работ: модели, методы и системы. - М.: ФИЗМАТ ЛИТ, 2007.

2. Автоматизация производственных процессов. - http://privod.szemo.ru/-article/1223. -

3. Алгоритмы Data Mining. http://www.businessdataanalytics.ru/DataMining-SQLServer2005-2.htm.

4. Алгоритмы анализа. - http://www.basegroup.ru/library/analysis/.

5. Алгоритмы и инструменты Data Mining. - http://www.iso.ru/journal/-articles/275 .html.

6. Аналитические технологии управления: Business Intelligence и Business Performance Management. - VII Форум. - Москва. - 22 Сентября 2010 г.

7. Артемьев В. Что такое Business Intelligence? http://www.osp.ru/os/2003/04/182900/.

8. Ассоциативные правила. - http://www.basegroup.ru/library/analysis/-association_rules/.

9. Барсягян А.А. и др. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. - СПб: БХВ-Петербург, 2007.

10. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии. - М: Издательство МГТУ им. Н.Э. Баумана, 2005.

11. Болквадзе И.Р. Формирование системы мониторинга экономического состояния промышленного предприятия как фактор повышения эффективности системы управления: дис. ... канд. экон. наук: 08.00.05. - М., 2004. - 136 с.

12. Введение в анализ ассоциативных правил. http://www.basegroup.ru/library/analysis/association_rules/intro/.

13. Выявление обобщенных ассоциативных правил. http://www.basegroup.ru/library/analysis/association_rules/generalized/.

14. Глинских А. Мировой рынок систем электронного документооборота. -http://www.iteam.ru/publications/it/section_64/article_2582/.

15. Гончаров М. Примеры внедрений Microsoft BI. - http://bi-tools.ru/pages/articles/?id=3696.

16. Горчинская О. Инструментальные средства Oracle Data Mining. -http://synthesis.ipi.ac.ru/sigmod/seminar/DataMining.pdf.

17. Горчинская О. Технологии Oracle для аналитики реального времени. -citforum.ru/seminars/cbd2010/2_2_Oracle_RealTimeBI.ppt.

18. Граванова Ю. Выбор СЭД: методы классификации. http://www.cnews.ru/reviews/free/software2005/articles/workflow.shtml.

19. Громов А. и др. Управление бизнес-процессами на основе технологии Workflow - http://www.osp.ru/os/1997/01/179063/.

20. Давыденко В. Data Mining - интеллектуальный анализ данных. //Программные продукты и системы. - 2007. - № 3. - С. 20 - 31.

21. Дейт К. Дж. Введение в системы баз данных. - М.: Вильяме, 2006.

22. ЕВФРАТ - система электронного документооборота и автоматизации бизнес-процессов, автоматизация делопроизводства. - http://www.evfrat.ru/.

23. Ерошин С.Е Разработка организационной системы оперативного мониторинга производственно-технологической деятельности и управления дочерними предприятиями оборонно-промышленного объединения: автореф. дис. ... канд. экон. наук: 05.02.22. - М., 2009. - 18 с.

24. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск : Изд-во Ин-та математики СО РАН, 1999.

25. ЗАО «Джи Эм-АВТОВАЗ». - http://www.sap.com/cis/success/avtovaz.pdf.

26. Значение концепции нового корпоративного центра обработки данных IBM. - http://www-935.ibm.com/services/ru/cio/pdf/nedc_for_cios.pdf.

27. Инновации SAP на службе КАМАЗа. http://www.sap.com/cis/about/press/2008/kamaz.epx.

28. Инсалов Р. Автоматизация управления компанией. http://mescontrol.ru/articles/systems.

29. КИС АСУПП. - http://itm.by.ru/doc/asupp.doc.

30. Кластеризация последовательностей. http://www.businessdata-analytics.ru/dataminngsqlserver2005-8.html.

31. Клепинин П. Реализация c-MES системы MCIS на российских предприятиях автомобильной промышленности. http://www.tadviser.ru/index.php.

32. Колесов А. Интеллектуальный анализ данных и прогнозирование в " 1 С:Предприятии 8.0" //PC Magazine/RE. - 2006. - №8. - С. 121-125

33. Комафорд К. Корпоративная отчётность: Серверная архитектура для распределенного доступа к информации. //Открытые системы. - 1999. - №2. -С. 21-34.

34. Компания «ИндаСофт-Украина». - www.indusoft.com.ua.

35. Корнеев В.В. и др. Базы данных. Интеллектуальная обработка информации. - М.: Нолидж, 2001.

36. Корпоративная информационная система. - http://depositfiles.com/ru/-files/pu0sdg33d.

37. Маклаков С. Проектирование хранилищ данных с помощью PLATINUM ERwin. - http://www.interface.ru/public/wh/wh_.htm.

38. Матвейкин В.Г. и др. Информационные системы интеллектуального анализа. -М.: Машиностроение, 2008.

39. Мельник О. Бизнес-аналитики: сегодня и завтра. — http://www.iemag.ru/analitics/detail.php?id=20110.

40. Нгуен Д.Т. Автоматизация анализа данных для принятия решении в режиме реального времени в автомобильной промышленности // Вестник МАДИ. - 2012. - № 1. — с. 104-109.

41. Нгуен Д.Т. Автоматизации поддержки решений по управлению гарантийными обязательствами в автомобильной промышленности // ВестникМАДИ. -2012.-№ 3.-с. 74-80.

42. Нгуен Д.Т. Метод и алгоритм генерации ассоциативных правил при анализе данных по гарантийным обязательствам автотранспорта. // В мире научных открытий. - 2012. - №2.6(26). - с. 138-144.

43. Нгуен Д.Т. Метод и алгоритм поиска последовательных шаблонов в гарантийных данных автомобильной промышленности // В мире научных открытий. - 2012. - №2.6(26). - с. 45-52.

44. Нгуен Д.Т. Применение ассоциативных правил Data Mining в анализе гарантийных данных по гарантийным обязательствам автотранспорта // Грузовик. - 2012. - №3. - с. 36-44.

45. Онищенко А. Г. Система оперативного планирования и диспетчеризации производства на базе MES HYDRA. http://www.indusoft.ru/articles.php?id=617. Онищенко А. Максимальная эффективность. - http://www.indusoft.ru/articles.php?id=710.

46. Оптнер С. JI. Системный анализ для решения деловых и промышленных проблем. - М.: «Сов. радио», 1969.

47. Основные подходы к архитектуре Хранилищ данных. http://www.iso.ru/journal/articles/384.html.

48. Островский Е.В. Порядок разработки ETL-процессов. http://citforum.vision.am/consulting/BI/etl/.

49. Последовательный шаблон, Sequence pattern. http://www.basegroup.ru/glossary_ajax/definitions/sequence_pattern/.

50. Практические решения для автоматизации документооборота и потоков работ. - http://www.osp.ru/nets/1997/07/142652/.

51. Раден Н. Данные, данные и только данные //ComputerWeek-Москва. -1996. -№ 8. -С. 28.

52. Реализация подсистемы ETL. - http://www.PRJ-EXP.ru/dwh/structure_of_etl_process.php.

53. Решение SAP для автопроизводителей - OEM. - http://itrl.ru/downloads/-SAP-Auto-OEM-demo_scen.pdf.

54. Решение SAP для предприятий автомобильной отрасли. http://www.sap.com/cis/pdf/automotive.pdf

55. Решения SAP для автомобильного бизнеса: разумный выбор короткого пути к успеху. - http://www.sap.com/cis/industries/automotive/index.epx.

56. Свинарев С. Бизнес-аналитика на Российской почве. -http://www.pcweek.ru/idea/article/detail.php?id=123277

57. Сергеев A.J1. Интеллектуальный капитал фирмы: категории и модели. //Экономический анализ: теория и практика. - 2005. - №18. - С. 29-37.

58. Система MES broshure_iFIXHporpaMMHbie продукты для АСУТП. -http://www.indusoft.ru/files/brochures/broshure_iFIX.pdf.

59. Система анализа и управления производственной деятельностью. -http://www.indusoft.ru/files/brochures/Broshure_PROFICY_2005.pdf.

60. Спор продолжается: каким быть Хрпнилищу данных. -http ://www. interface .ru/home. asp?artid=213 0

61. Сюч Э.О. Эффективное управление производством. http://www.indusoft.ru/articles.php?id=334. Сюч Э.О., Генаев A.C. Создание MES-систем в различных отраслях промышленности. http://www.indusoft.ru/articles.php?id=382.

62. Тумакова А. Большому автозаводу - «большой» SAP. http://nnit.ru/news/n45470/.

63. Тянь Юань. Разработка информационно-аналитической системы мониторинга технологических процессов предприятия автомобильной промышленности / A.B. Остроух, Юань Тянь // В мире научных открытий. -Красноярск: «Научно-инновационный центр», 2013. - № 8.2 (44). - С. 191205.

64. Тянь Юань. Автоматизированная система контроля состояния промышленных газоочистных сооружений / A.B. Остроух, A.M. Васьковский, М.М. Ветлугин, Юань Тянь // Промышленные АСУ и контроллеры. - М.: «Научтехлитиздат», 2013. - № 9. - С. 15-20.

65. Тянь Юань. Анализ современных методов и подходов к построению систем управления производственно-технологической деятельностью промышленных предприятий Китая // Автоматизация и управление в технических системах. - 2012. - № 1; URL: auts.esrae.ru/l-32 (дата обращения: 24.09.2013).

66. Тянь Юань. Оперативный мониторинг внутренней среды промышленных предприятий // Автоматизация и управление в технических системах. - 2012. - № 1; URL: auts.esrae.ru/l-33 (дата обращения: 24.09.2013).

67. Тянь Юань. Современные методы и подходы к построению систем управления производственно-технологической деятельностью промышленных предприятий / A.B. Остроух, Юань Тянь // Автоматизация и управление в технических системах. - 2013. - № 1(3); URL: auts.esrae.ru/3-53 (дата обращения: 24.09.2013).

68. Тянь Юань. Мониторинг процесса производства сухих строительных смесей / A.B. Остроух, Вэй Пьо Аунг, Юань Тянь // Наука и образование в XXI веке: Теоретические и прикладные вопросы науки и образования: сб. науч. тр. по мат-лам Междунар. науч. - практ. конф. 30 сентября 2013 г.: Часть 1. - Тамбов: ТРОО «Бизнес-Наука-Общество», 2013. - С. 315-319.

69. Тянь Юань. Мониторинг технологического процесса производства керамического кирпича / A.B. Остроух, P.P. Чаудхари, Юань Тянь // Наука и образование в XXI веке: Теоретические и прикладные вопросы науки и образования: сб. науч. тр. по мат-лам Междунар. науч. - практ. конф. 30 сентября 2013 г.: Часть 1. - Тамбов: ТРОО «Бизнес-Наука-Общество», 2013. -С. 320-323.

70. Тянь Юань. Интеграция компонентов системы мониторинга, Молодой ученый. - Чита: ООО «Издательство Молодой ученый», 2013. - №10. - С. 4164.

71. Уотсон X., Викском Б. Современное состояние бизнес-аналитики (Business Intelligence, BI). - http://www.bsc-consulting.ru/solutions/budgeting_-and_financial_planning/bi_article02/.

72. Управление данными для производства. - http://samplecode.-rockwellautomation.com/idc/groups/literature/documents/pp/ftalk-pp014_-ru-p.pdf.

73. Управление документооборотом в решениях SAP. http ://www. sap .com/ cis/pdf/Doc_Management.pdf.

74. Филинов E.H. Стандарты управления потоками работ - средства интеграции бизнес-процессов и приложений. www.fostas.ru/library/2Filinl_e3.rtf.

75. Философский энциклопедический словарь. - М: Сов. энциклопедия, 1983.

76. Ханк Д. Э. и др. Бизнес-прогнозирование. - М.: Издательский дом "Вильяме", 2003.

77. Хранилище данных в реальном времени. Инструменты интеграции с OLTP-системами. - http://citcity.ru/17138/.

78. Цибуля А.Н., Рябинин В.Н. Анализ структуры делопроизводственных процессов в системах электронного документооборота. www.ict.edu.ru/vconffiles/11171.doc.

79. Чаудхури С. и др. Технология баз данных в системах поддержки принятия решений //Открытее системы. - 2002. - №1. - С. 15-28.

80. Черняк JI. Что Business Intelligence предлагает бизнесу. http://www.osp.ru/os/2003/04/182906/.

81. Чубукова И.А. Data Mining. - М.: Изд. дом «Бином», 2008.

82. Щавелёв J1.B. Оперативная аналитическая обработка данных: концепции и технологии. - http://www.olap.ru/basic/olap_and_ida.asp.

83. Aalst W. Van der. et al. Workflow Mining: Discovering Process Models from Event Logs. /QUT Technical report, FIT-TR-2003-03. - Queensland University of Technology, Brisbane, 2003.

84. Aalst W. Van der et al. Workflow Patterns. //Distributed and Parallel Databases.-2003.-Vol.14, №3. - P. 5-51.

85. Aalst W. Van der. Process Mining: The next step in Business Process Management. - Centre for Information Technology Innovation. - Queensland University of Technology (QUT): Brisbane, Australia, 2008.

86. Abdullah A. Analysis of mealybug incidence on the cotton crop using ADSS-OLAP tool. //Computers and Electronics in Agriculture. - 2009. - Vol.69, №1. - P. 59-72.

87. Agrawal R. et al. Mining process models from workflow logs. /Proceedings, of Lecture Notes in Computer Science. - Springer. - 1998. - Vol.1377. - P. 469483.

88. Agrawal R., Srikant R. Mining Sequential Patterns. //Journal Intelligent Systems. - 1997. - Vol.9, №1. - P. 33-56.

89. Alalouf C. Hybrid OLAP. - St. Laurent, Canada: Speedware Corporation Inc., 1997.

90. Aldridge D.S. Analysis of Automotive Warranty Data in the Mileage Domain. - http://www.reliasoft.com/newsletter/v7i2/automotive_warranty.htm.

91. Analysts Discuss Business Intelligence Challenges and Opportunities at Gartner Business. /Intelligence Summit 2009, 20-22 January in The Hague, Netherlands.

92. Audit Data Specification. - Workflow Management Coalition, 1998.

93. Auto Lead Quality Scoring solution brief eBureau. http://www.ebureau.com/sites/default/files/file/ebureau-solutionbrief_automotive.pdf

94. Automotive Manufacturing. - http://www.chelford-sfm.com.

95. Balhar T. et al. Elicitation of Background Knowledge for Data Mining. /Proceedings ofZnalosti 2010. - Praha: Oeconomica, 2010. - P. 167-170.

96. Basu R. Challenges of Real-Time Data Warehousing. http://www.information-management.com/specialreports/2003 111 1/7684-1 .html

97. Batanov D. et al. Expert-MM: A knowledge based system for maintenance management. //Artificial Intelligence in Engineering. - 1993. - №8. - P. 283-291.

98. Bayardo R., Agrawal R. Mining the most interesting rules /Fifth Int'l Conference on Knowledge Discovery and Data Mining. - San Diego, CA. - August 1999.-P. 145- 154.

99. Benisis A. Business Process Management. - Berlin: VDM Verlag, 2010.

100. Botan I. et al. Federated Stream Processing Support for Real-Time Business Intelligence Applications. /VLDB International Workshop on Enabling Real-Time for Business Intelligence. - Lyon, France. - August 2009.

101. Brin S. et al. Dynamic itemset counting and implication rules for market basket data /ACM SIGMOD International Conference on Management of Data: SIGMOD 1997. Tucson, Arizona. - N.-Y: ACM Press. - 1997. Vol. 26, №2. - P. 255-264.

102. Bringmann B. et al. Mining Sets of Patterns: A tutorial at ECMLPKDD2010. - Barcelona. - Sept.20, 2010.

103. Browne W. et al. Knowledge elicitation and data mining: Fusing human and industrial plant information. //Engineering Applications of Artificial Intelligence. -2006. -№19.-P. 345-359.

104. Bruccoleri M. et al. Production planning in Reconfigurable Enterprises and Reconfigurable Production Systems. //Annals of the CIRP. - 2005. - Vol.54, №1. -P. 433-436.

105. Bruckner R.M. et al. Striving towards Near Real-Time Data Integration for Data Warehouses. /DaWaK 2002. - Berlin Heidelberg: Springer-Verlag, 2002. - P. 317-326.

106. Buddhakulsomsiri J. et al. Association rule generation algorithm for mining automotive warranty data. //International Journal of Production Research. - 2006. - Vol.44, №14. - P. 2749-2770.

107. Business Intelligence / Center of Excellence for IT at Bellevue College. -www.nwcet.org/downloads/DHS/businessIntelligence.ppt.

108. Business Intelligence /Википедия. - http://ru.wikipedia.org/wiki/-Businesslntelligence.

109. Business Intelligence /Глоссарий InfoRD. - http://www.inford.ru/-Technologies/.

110. Business Intelligence /Глоссарий по автоматизации. http://www.iteam.ru/publications/it/section_55/article_l 817/.

111. Bussmann S., Schild К. Self-organizing manufacturing control: an industrial application of agent technology. /Proceedings of the 4th International Conference on Multi-Agent Systems, 2000.

112. Charaniya S. et al. Mining manufacturing data for discovery of high productivity process characteristics. //Journal of Biotechnology. - 2010. - Vol.147, №3-4.-P. 186-97.

113. Chaudhary S. Management factors for strategic BI success. /Business intelligence in digital economy. Opportunities, limitations and risks. - IDEA Group Publishing, 2004.

114. Chen F. C. et al. (2005). Cycle time prediction and control based on production line status and manufacturing data mining. //IEEE International Symposium on Semiconductor Manufacturing. - 13-15. - September 2005. - P. 327-330.

115. Childerhouse P. et al. Information Flow in Automotive Supply Chains-Present Industrial Practice. //Industrial Management &Data Systems. - 2003. -Vol.103, №3. -P.137-149.

116. Choudhary А. К. et al. Data mining in manufacturing: a review based on the kind of knowledge //Journal Intellegence Manufacturing. - 2009. - №20. - P. 501— 521.

117. Chaudhary S. Management factors for strategic BI success. /Business intelligence in digital economy. Opportunities, limitations and risks. - IDEA Group Publishing, 2004.

118. Christozov D. et al. Automotive Warranty Data: Estimation of the Mean Cumulative Function using Stratification Approach. /Technical report, SMSCS, Victoria University of Wellington, New Zealand, 2008.

119. Chukova S., Robinson J. Estimating Mean Cumulative Functions from Truncated Automotive Warranty Data. /Modern Statistical and Mathematical Methods in Reliability. - Singapore: World Scientific. - 2005. - P. 121-135.

120. Codd E.F. et al. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. - E. F. Codd & Associates, 1993.

121. Cognos: BI for Business Users. - January 2008. - www.cognos.com.

122. Colombo A.W. et al. A Solution to Holonic Control Systems. /Proceedings of the 8th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA Oct. 18, 2001.

123. Cook J.E., Wolf A.L. Discovering models of software processes from event-based data. //ACM Transactions on Software Engineering and Methodology. -1998. - Vol.7, №3. - P. 215-249.

124. Crespo F., Webere R. A methodology for dynamic data mining based on fuzzy clustering. //Fuzzy Sets and Systems. - 2005. - №150. - P. 267-284.

125. Cunha D. et al. Data mining for improvement of product quality. //International Journal of Production Research. - 2006. - Vol.44, №18-19. - P. 4027-4041.

126. Data Mining - добыча данных. - http://www.basegroup.ru/library/-methodology/datamining/.

127. Data Mining and Knowledge Discovery in Real Life Applications. - InTech, 2009.

128. Data-Driving the Automotivé Sector. - http://www.ubiquiti.com/sectors/-automotive/data-driving-the-automotive-sector/.

129. Dengiz O. et al. Two stage data-mining for flaw identification in ceramics manufacturing. //International Journal of Production Research. - 2006. - Vol.44, №14.-P. 2839-2851.

130. Dhar V., Tuzhilin A. Abstract-driven pattern discovery in databases //IEEE Transactions on Knowledge and Data Engineering. - 1993. - Vol.5, №6. - P. 1-12.

131. Eckerson W. W. Extending the Value of Your Data Warehousing Investment /TDWI Best Practices Report. - First Quarter, 2007.

132. Eder J. et al. A data warehouse for workflow logs. /Han Y. et al. (Eds.) Proceedings of the international conference on engineering and deployment of cooperative information systems. - Berlin: Springer, 2002. - P. 1-15.

133. Eder J., Gruber W. A Meta Model for Structured Workflows Supporting Workflow Transformations. /Sixth East-European Conference on Advances in Databases and Information Systems, ADBIS 2002. Bratislava, Slovakia.

134. Enabling the real-time enterprise business activity monitoring with Ensemble.

http://www.intersystems.com/ensemble/whitepapers/pdf/RealTime_BAM_WP.pdf.

135. Figueroa F. et al. Warranty data analytics. http://www.ubiquiti.com/ubiquiti-cd-visible/ContiCorp_Ubq_Paper_WCM09.pdf.

136. Fong S., Hang Y. Enabling Real-Time Business Intelligence by Stream Mining. /New Fundamental Technologies in Data Mining. - InTech, 2011. - P. 8397.

137. Fountain T. et al. Data mining for manufacturing control: An application in optimizing IC test. /Exploring artificial intelligence in the new millennium San Francisco. - CA: Morgan Kauffmann Publisher Inc., 2003. - P. 381-400.

138. Fruchtenicht H.W., Sassenhof A. Werksweites Produktionswarten- und Anlageninformationssystem. /Annual report, Fraunhofer IITB. - Karlsruhe: IITB. - 2000. - P.62-63.

139. Fukuda T. et al. Data Mining with optimized two-dimensional association rules //Journal ACM Transactions on Database Systems. - June 2001. - Vol.26, Issue 2.-P. 253-267.

140. Garcia-Molina H. et al. Database Systems: The Complete Book. - Prentice Hall: Upper Saddle River, NJ, 2001.

141. Gebus S., Leiviska K. Knowledge acquisition for decision support systems on an electronic assembly line. //Expert Systems with Applications. - 2009. -Vol.36, №1.-P. 93-101.

142. Gertosio C., Dussauchoy A. Knowledge discovery from industrial databases. //Journal of Intelligent Manufacturing. - 2004. - №15. - P. 29-37.

143. Giudici P. Applied data mining: statistical methods for business and industry. - John Wiley & Sons Ltd., 2003.

144. Going Real-Time for Data Warehousing and Operational BI. -http://media.techtarget.com/Syndication/APP_DEVELOPMENT/GoldenGate_Soft ware_GoingRealTime.pdf.

145. Gray P. Business intelligence: A new name or the future of DSS. /DSS in the uncertainty of the Internet age. - Katowice: University of Economics, 2003.

146. Guerra J. Creating a Real Time Data Warehouse. -http://www.andrewscg.com/pdfs/Creating_RealTime_DW.pdf.

147. Gupta M., Han J. Pattern Discovery Using Sequence Data Mining: Applications and Studies. - www.cs.illinois.edu/homes/gupta58/sequence_-data_mining.doc.

148. Gusikhin O. et al. Intelligent systems in the automotive industry: applications and trends //Knowledge and Information Systems. - 2006. - Vol. 12, № 2.-P. 147-148.

149. Gusikhin O. et al. Intelligent Vehicle Systems: Applications and New Trends //Informatics in Control Automation and Robotics. - 2008. - Vol. 15, Part 1. -P. 3-14.

150. Han J. et al. Data Mining Concept and Techniques. - Morgan Kaufmann, 2006.

151. He S. et al. Quality Improvement using Data Mining in Manufacturing Processes. /Data Mining and Knowledge Discovery in Real Life Applications. -InTech, 2009.-P. 357-372.

152. Herbst J., Karagiannis D. Integrating machine learning and workflow management to support acquisition and adaptation of workflow models. /DEXA Workshop, 1998.-P. 745-752.

153. Hertzberg J. et al. Agententechnologie zur Integration heterogener Systeme am Beispiel eines Prototypen für ein Kommissioniersystem. - Proceedings zur SPS/IPC/DRIVES. - November 2003. - P. 25-27.

154. Holden T., Serearuno M. A hybrid artificial intelligence approach for improving yield in precious stone manufacturing. Journal of Intelligent Manufacturing. - 2005. - №16. - P. 21-38.

155. Hotz E. et al. REVI-MINER, a KDD-Environment for Deviation Detection and Analysis of Warranty and Goodwill Cost Statements in Automotive Industry. /Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2001. - P. 432-437.

156. Hotz E. et al. Some Recent KDD-Applications at DaimlerChrysler AG. -http ://subs.emis. de/Proceedings/Proceedings 19/ GI-Proceedings .19-129.pdf.

157. Hotz E. et al. WAPS, a Data Mining Support Environment for the Planning of Warranty and Goodwill Costs in the Automobile Industry. /Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 1999. - P. 417-419.

158. Howard M. Collaboration and the 3Day Car: A Study of Automotive ICT Adoption. //Journal of Information Technology. - 2005. - Vol.20. - P.245-258.

159. Hsu С. Data mining to improve industrial standards and enhance production and marketing: an empirical study in apparel industry. //Expert Systems with Applications. - 2009. - Vol.36, №3. - P. 4185-4191.

160. IBM Cognos: Business Intelligence, бюджетирование, финансовое планирование. - http://www.bsc-consulting.ru/solutions/budgeting_and_-financial_planning/.

161. Inmon В. Operational and Informational Reporting. http://www.information-management.com/issues/20000701/2349-l.html.

162. Inmon W. Building the Data Warehouse. - N.-Y.: John Willey & Sons, 1992.

163. Inmon W. H. et al. Corporate Information Factory. - N.-Y.: J. Wiley & Sons, 2001.

164. Inmon W.H., Hackathorn R.D. Using the Data Warehouse - New York, N.Y.: John Wiley & Sons, 1994.

165. Jensen C. A consensus glossary of temporal database concepts. /Temporal Databases: Research and Practice, 1998. - P. 367-405.

166. Jeong M. et al. Wavelet-Based data reduction techniques for process fault detection. //Technometrics. - 2006. - Vol.48, №1. - P. 26^0.

167. Jiao J. et al. Association rule mining for product and process variety mapping. //International Journal of Computer Integrated Manufacturing. - 2008. -Vol.21, №1,-P. 111-124.

168. Jiao J., Zhang Y. Product portfolio identification based on association rule mining. //Computer Aided Design. - 2005. - №37. - P. 149-172.

169. Jorg Т., Dessloch S. Near Real-Time Data Warehousing Using State-of-the-Art ETL Tools. - http://www.cs.toronto.edu/db/birte09/joergBIRTE09.pdf.

170. Jung U. K. et al. Data reduction for multiple functional data with class information. //International Journal of Production Research. - 2006. - Vol.44, №14.-P. 2695-2710.

171. Kimball R. The Data Warehouse Toolkit. - N. Y.: John Wiley & Sons, 1996.

172. Kimball R., Ross M. The data warehouse toolkit: the complete guide to dimensional modeling. -N.-Y.: Wiley Computer Publishing, 2002.

173. Knowledge Oriented Applications in Data Mining. - InTech, 2011.

174. Kochar B., Chhillar A Novel RFID Data Mining System: Integration Of Effective Sequential Pattern Mining And Fuzzy Rules Generation Techniques //Global Journal of Computer Science and Technology. - September 2010. -Vol.10, Issue 9, Ver. 1.0. - P. 7-14.

175. Kouamau G.E. A Software Architecture for Data Mining Environment. /New Fundamental Technologies in Data Mining. - InTech, 2011. - P. 241-258.

176. Kusiak A. A data mining approach for generation of control signatures. //Journal of Manufacturing Science and Engineering, - 2002. - №124. - P. 923926.

177. Kusiak A. Data mining and decision making. /SPIE Conference on Data Mining and Knowledge Discovery: Theory, Toolsand Technology IV. - Orlando, FL, 2002.-P. 155-165.

178. Kusiak A., Kurasek C. Data mining of printed circuit board defects. //IEEE

c

Transactions on Robotics and Automation. - 2001. - Vol.17, №2. - P. 191-196.

179. Kusiak A., Shah S. Data-Mining based system for prediction of water chemistry faults. //IEEE Transactions on Industrial Electronics. - 2006. - Vol.15, №2.-P. 593-603.

180. Lam S.M. Discovering Association Rules in Data Mining. http://www.rammus.ru/products/arda/article_lam_translation.

181. Larose D. T. Data mining methods and models . - John Wiley & Sons Inc., 2006.

182. Lawless J. et al. Methods for the Estimation of Failure Distributions and Rates from Automotive Warranty Data. //Lifetime Data Analysis. - 1995. - №1. - P. 227-240.

183. Lee J. H. et al. Design of intelligent sampling methodology based on data mining. //IEEE Transactions on Robotics and Automation. - 2001. - Vol.17, №5. -P. 637-648.

184. Lee S. G., Ng Y. C. Hybrid case-based reasoning for on-line product fault diagnosis. //International Journal of Advanced Manufacturing Technology. - 2006. - №27. - P. 823-840.

185. Li J. On Optimal Rule Discovery //IEEE Transactions on Knowledge and Data Engineering. - April 2006. - Vol.18, №4. - P. 1-12.;

186. Li J., Zhang Y. Direct Interesting Rule Generation. http://www.sci.usq.edu.au/staff/jiuyong/icdm03.pdf.

187. Liao T.W. Enterprise Data Mining: A Review and Research Directions /Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications. - Singapore: World Scientific, 2007. - P. 1-109.

188. Lin C. C., Tseng Y. H. A neural network application for reliability modelling and condition-based predictive maintenance. //International Journal of Advance Manufacturing Technology. - 2005. - №25. - P. 174-179.

189. Lin M.-Y. et al. Incremental Discovery of Sequential Patterns Using a Backward Mining Approach. /2009 International Conference on Computational Science and Engineering. - Washington: IEEE Computer Society, 2009. - P. 6470.

190. List B. et al. Multi-dimensional Business Process Analysis with the Process Warehouse. /Knowledge Discovery for Business Information Systems. - Boston: Kluwer Academic Publishers, 2000. - P. 211-227.

191. Maki H. et al. Applying data mining to data analysis in manufacturing. /International Conference on Advances in Production Management Systems. -Berlin: KluwerAcademic Publishers, 2000. - P. 324-331.

192. Maki H., Teranishi Y. Development of automated data mining system for quality control in manufacturing. //Lecture Notes in Computer Science. - 2001. -Vol.2114. - Berline: Springer-Verlag. - P. 93-100.

193. Martinez A., Perez M. Supply Chain Flexibility and Firm Performance: A Conceptual Model and Empirical Study in the Automotive Industry. //International Journal of Operations & Production Management. - 2005. - Vol.25, №7. - P. 681700.

194. Menon R. et al. Analyzing textual databases using data mining to enable fast product development process. //Reliability Engineering & System Safety. - 2005. -№88.-P. 171-180.

195. Messerli A. Reinventing Business: Enterprise Data Warehouse Business Opportunities for Manufacturing, March, 2010.

196. Mining Warranty Data in Manufacturing Industry. - The University of Michigan-Dearborn Henry W. Patton Center for Engineering Education and Practice, 2005.

197. Muehlen M. Process-driven Management Information Systems -Combining Data Warehouses and Workflow Technology. /Proceedings of the 4th International Conference on Electronic Commerce Research, 2001. - P. 550-566.

198. Muehlen M. Workflow-based Process Controlling. - Berlin: Logos Verlag, 2004.

199. Nakhaeizadeh G. Business Intelligence and Data Mining. -http://paakpari.files.wordpress.eom/2009/0 l/bi_dm_lecture-721 .pdf.

200. Nesamoney D. BAM: Event-Driven Business Intelligence for the Real-Time Enterprise. - http://www.information-management.com/issues/20040301/8177-1 .html.

201. New Fundamental Technologies in Data Mining. - InTech, 2011.

202. Nisbet R. et al. Handbook of statistical analysis and data mining applications. - Elsevier Inc., 2009.

203. Olaf S. Modern production monitoring in automotive plants. -http://downloads.brainguide.com/publications/PDF/pub5298.pdf.

204. Olaf S. ProVis.Agent: an agent based production monitoring & control system. - http://www.brainguide.de/data/publications/PDF/pub43316.pdf.

205. OLAP и Хранилища информации. - http://lib.custis.ru/images/f/fb/01ap-concepts-online.pdf.

206. Olivotto G. Ein Data Warehouse zur Analyse von Workflows. - Master Thesis, University of Klagenfurt - Department of Informatics-Systems, 2002.

207. Olson D.L., Delen D. Advanced data mining techniques download. - Berlin Heidelberg: Springer-Verlag, 2008.

208. Olszak С. M., Ziemba E. Business intelligence as a key to management of an enterprise. - Proceedings of Informing Science and IT Education Conference, 2003.

209. Olszak С. M., Ziemba E. Business intelligence systems as a new generation of decision support systems. /International Conference on Politics and Information Systems: Technologies and Applications. Orlando. - Proceedings PISTA 2004 -The International Institute of Informatics and Systemic.

210. Online analytical processing. - http://en.wikipedia.org/wiki/Online_-analytical_processing.

211. Oracle Data Mining: Знать больше, делать больше, тратить меньше. -Oracle Россия, 2008.

212. Oracle Launches Siebel Warranty Management Solution for the Automotive Industry. - http://www.oracle.com/us/corporate/press/302444.

213. OWB 10gR2: Real Time Data Warehouse. http://www.nicholasgoodman.eom/bt/blog/2005/l 1/30/.

214. Parsaye K. Surveying Decision Support: New Realms of Analysis //Database Programming and Design. - 1996. - № 4. - P. 27-41.

215. Pawlak Z. Rough set approach to knowledgebased decision support //European Journal of Operational Research. - 1997. - №99. - P. 48-57.

216. PDI and New Model Information /Honda Service Bulletin. - August, 31. — 2007.

217. Perzyk M. et al. Applications of Data Mining to Diagnosis and Control of Manufacturing Processes. /Knowledge Oriented Applications in Data Mining. -InTech, 2011.-P. 147-166.

218. Perzyk M., Soroczynski A. Comparative Study of Decision Trees and Rough Sets Theory as Knowledge Extraction Tools for Design and Control of Industrial Processes. //Proceedings of World Academy of Science, Engineering and Technology. - 2010. - Vol.61. - P. 234-239.

219. Piatetsky-Shapiro G. Discovery, analysis, and presentation of strong rules /Knowledge Discovery in Databasesio - 1991. - P. 229-248.

220. ProHelp EPM. - http://www.mattec.com/products/index.htm.

221. ProHelp real-time production monitoring. - http://www.chelford-sfm.com.

222. Purintrapiban U., Kachitvichyanukul V. Detecting patterns in process data with fractal dimension. Computers & Industrial Engineering. - 2003. - №45. - P. 653-667.

223. Quinlan R.J. C4.5: Programs for Machine learning. - Morgan Kaufmann Publishers, 1993.

224. Rai B., Singh N. Modeling and analysis of automobile warranty data in presence of bias due to customer-rush near warranty expiration limit. //Reliability Engineering and System Safety. - 2004. - №86. - P. 83-94, 2004.

225. Rai B., Singh N. Reliability Analysis and Prediction with Warranty Data. -/Strategies and Methods. - Boca Raton: CRC Press, 2009.

226. Reinschmidt J., Francoise A. Business intelligence certification guide. /IBM, International Technical Support Organization, 2000.

227. Rojas A., Nandi A. K. Practical scheme for fast detection and classification of rolling element bearing faults using support vector method. //Mechanical Systems and Signal Processing. - 2006. - №20. - P. 1523-1536.

228. Romanowski C. J., Nagi R. Improving preventive maintenance scheduling using data mining techniques. /8th Industrial Engineering Research Conference. -Phoenix AZ. - May 1999.

229. Rupnik R., Jaklic J. The Deployment of Data Mining into Operational Business Processes. /Data Mining and Knowledge Discovery in Real Life Applications. - InTech, 2009. - P. 373-388.

230. Sandu D. Operational and real-time Business Intelligence. //Revista Informatica Economicä. - 2008. - Vol.3, №47. - P. 33-36.

231. SAP Solution for Automotive Manufacturers. - http://itrl.ru/downloads/SAP-Auto-OEM-big_pic.pdf.

232. SAP на конвейере. - http://nnit.ru/news/n66715/.

233. SAP поставщик ИТ-инноваций для бизнеса. http://www.sap.com/cis/about/index.epx.

234. Sauer О. Agent technology used for monitoring of automotive production. /Pham D.T. et al. Intelligent Production Machines and Systems. - 1st I*PROMS Virtual International Conference. - Oxford: Elsevier, 2005. - P. 147-153.

235. Schiefer J. et al. Process Data Store: A Real-Time Data Store for Monitoring Business Processes. /DEXA 2003. - P. 760-770.

236. Schiefer J. Real-time Workflow Audit Data Integration into Data Warehouse Systems. - http://www.tuwien.ac.at/~js/download/ecis2003.pdf.

237. SDG Computing, Inc. - www.sdgcomputing.com/glossary.htm.

238. Seng J., Chen T. An analytic approach to select data mining for business decision. //Experts Systems with Applications. - 2010. - Vol.37. - P. 8042-8057.

239. Shapiro J. F. Business Intelligence & Modeling Systems Synergy //Analytics. - May 2010. - P. 43-52.

240. Simchuk D. ETL solutions for IBM DB2 Universal Database. -http://www.ibm.com/developerworks/data/library/techarticle/dm-0411 simchuk/.

241. Simûnek M., Rauch J. EverMiner - Towards Fully Automated KDD Process /New Fundamental Technologies in Data Mining. - InTech, 2011. - P. 221-240.

242. Skriletz R. Critical Lessons from the First Decade of Business Intelligence and Data Warehousing //Information Management Magazine, April 2002.

243. Stonebraker M. et al. The 8 Requirements of Real-Time Stream Processing //SIGMOD Record. - Dec. 2005. - Vol. 34, №4. - P. 153-169.

244. Strobel C., Hrycej T. A data mining approach to the joint evaluation of field and manufacturing data in automotive industry /PKDD2006, LNAI 4213. -Springer-Verlag: Berlin Heidelberg, 2006. - P. 625-632.

245. Sundermeyer K., Bussmann S. Einführung der Agententechnologie in einem produzierenden Unternehmen - ein Erfahrungsbericht. //Wirtschaftsinformätik. -April 2001. - Vol.43, №2. - P. 135-142.

246. Sureka A. et al. Mining Automotive Warranty Claims Data for Effective Root Cause Analysis /DASFAA 2008. - Berlin Heidelberg: Springer-Verlag, 2008.-P. 621-626.

247. Sureka A. et al. Mining Automotive Warranty Claims Data for Effective Root Cause Analysis /DASFAA 2008. - Berlin Heidelberg: Springer-Verlag, 2008. -P. 621-626.

248. Sutschet G. Störung im Griff. Ein Produktionsassistent für die Automobilfertigung. - 2001. - visIT 2, №2. - P. 6-7.

249. Sylvain L. et al. Data mining to predict aircraft component replacement. //IEEE Intelligent Systems. - 1999. - Vol.14, №6. - P. 59-65.

250. Teo H.G. Data mining in automotive warranty analysis. - A thesis submitted to the Victoria University of Wellington, 2010.

251. The Warranty Process Flow Within the Warranty Automotive Industry. -Center for Automotive Research, 2005.

252. Thiele M., Lehner W. Evaluation of Load Scheduling Strategies for RealTime Data Warehouse Environments. - http://www.cs.toronto.edu/db/birte09/-evaluations.pdf.

253. Transportation Recall Enhancement, Accountability, and Documentation (TREAD) Act. - Public Law 106-414. - Nov. 1, 2000.

254. Tsai C. Y. et al. A case based reasoning system for PCB defect prediction. //Expert Systems with Applications. - 2006. - №28. - P. 813-822.

255. Unlocking the Information within Raw Data: An Automotive Warranty Case Study. - Michigan: Ubiquiti Inc., November 2003.

256. Urbano P.G. et al. Softwareagenten - Einfuhrung und Überblick über eine alternative Art der Softwareentwicklung. Teil 2: Agentensysteme in der Automatisierungstechnik: Modellierung eines Anwendungsbeispiels. Automatisierungstechnische Praxis atp 45. - Heft 11, 2003. - P. 57-65.

257. Vandermay J. Considerations for Building a Real-time Data Warehouse. -http://www.grcdi.nl/considerations.pdf.

258. Vercellis C. Business Intelligence: Data Mining and Optimization for Decision Making: - John Wiley & Sons, Ltd., 2009.

259. Warranty Soft Introduces custom E-warranty solution for Auto industry. -http://warrantysoft.com/files/WarrantySoft.pdf.

260. Webb G. I. Efficient search for association rules /6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-00). -N.-Y.: ACM Press. - 2000. - P. 99-107.

261. Webb G. I. OPUS: An efficient admissible algorithm for unordered search //Journal of Artificial Intelligence Research. - 1995. - №3. - P. 431-435.

262. Weijters A., Aalst W. Process mining, discovering workflow models from event-based data. /13th Belgium-Netherlands Conference on Artificial Intelligence, 2001.-P. 283-290.

263. Weijters A., Aalst W. Rediscovering workflow models from event-based data. /Eleventh Belgian-Dutch Conference on Machine Learning, 2001. - P. 93100.

264. Witten I., Frank E. Data mining: practical machine learning tools and techniques. - Elsevier Inc., 2005.

265. Wöjcik W., Gromaszek K. Data Mining Industrial Applications. /Knowledge Oriented Applications in Data Mining. - InTech, 2011. - P. 431-442.

266. Workflow Management Coalition Terminology & Glossary. - Document Number WFMC-TC-1011. - Workflow Management Coalition, 1999.

267. Workflow-CHCTeMBi. - http://elearn.oknemuan.ru/?p=16&id=189.

268. Wu J. What is Business Intelligence? //Information Management Online, February 10, 2000.

269. Wu Y. et al. Information systems integration mechanisms within supply chain agility in the Chinese automotive industry. - http://www.pads-net.org/file/2010/S34-03 .pdf.

270. Wynn M.T. et. Al. Workflow Support for Product Recall Coordination. -http://wwwis.win.tue.nl/~wvdaalst/BPMcenter/reports/2009/BPM-09-26.pdf.

271. Yam R. et al. Intelligent predictive decision support system for condition based maintenance. International Journal of advance Manufacturing Technology. -2001.-№17.-P. 383-391.

272. Zhang D., Zhou L. Discovering golden nuggets: Data mining in financial application. //IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews 34, 2004. - P. 513-22.

273. Zhang Y., Dudzic M. S. Online monitoring of steel casting process using multivariate statistical technologies: From continuous to transitional operations. //Journal of Process Control. - 2006. - №16. - P. 819-829.

274. Zhou J. et al. Intelligent prediction monitoring system for predictive maintenance in manufacturing. /32nd Annual Conference of IEEE Industrial Electronics Society. 6-10 Nov. 2005. - P. 6-12.