Details

Данная работа посвящена исследованию эффекта интеграции технологий промышленного интернета вещей в систему статистического управления процессами машиностроительного предприятия. Предметом исследования являются механизмы и количественные характеристики влияния непрерывного ПИВ-мониторинга на ключевые показатели качества производственного процесса. При сборе данных использовались поисковые системы научной литературы, а также данные отечественных и зарубежных исследований в области статистического управления качеством. Методологическую основу исследования составили метод имитационного моделирования Монте-Карло, методы математической статистики, методология СоQ и язык программирования Python 3.11. В ходе исследования разработана авторская концептуальная модель ПИВ- системы управления качеством, а также реализован имитационный эксперимент, сравнивающий два производственных сценария при идентичных условиях. Полученные результаты свидетельствуют о том, что что переход к непрерывному ПИВ-мониторингу обеспечивает снижение доли несоответствующей продукции на 74,1%, рост индекса воспроизводимости Срk с 0,773 до 0,919 и сокращение среднего времени обнаружения отклонений в четыре раза. Годовой экономический эффект по методологии СоQ составляет около 4,1 млн рублей при сроке окупаемости 5–9 месяцев. Результаты работы могут применяться для предпроектного обоснования инвестиций в ПИВ-инфраструктуру машиностроительных предприятий. Основным выводом является то, что среднее время обнаружения отклонений является единственным ключевым параметром эффекта интеграции, сокращение которого обеспечивает пропорциональное снижение уровня брака. Результаты верифицированы и подтверждены данными 16 реальных кейсов.

The present work investigates the effect of integrating Industrial Internet of Things (IIoT) technologies into the statistical process control system of a mechanical engineering enterprise. The study focuses on the mechanisms and quantitative characteristics of continuous IIoT monitoring and its impact on key production quality indicators. The study draws on academic literature retrieved from major scientific databases, as well as findings from domestic and international research in statistical quality management. The methodological framework comprises Monte Carlo discrete-event simulation, mathematical statistics methods, the Cost of Quality (CoQ) methodology, and Python 3.11 as the implementation environment. A conceptual model of the IIoT quality management system was developed, and a simulation experiment was conducted comparing two production scenarios under identical process conditions. The results indicate that continuous IIoT monitoring reduces the non-conforming product rate by 74.1%, raises the process capability index Cpk from 0.773 to 0.919, and achieves a fourfold reduction in mean time to detection. The estimated annual economic benefit, assessed through the CoQ methodology, reaches approximately RUB 4.1 million, with an investment payback period of 5–9 months. The findings are applicable to mechanical engineering enterprises seeking to justify IIoT infrastructure investments prior to implementation. The principal conclusion is that mean time to detection (MTTD) constitutes the sole key controlling parameter of the IIoT integration effect: reducing MTTD produces a proportional decrease in the non-conforming product rate. All results have been verified and corroborated through external validation against 16 real-world implementation cases.