М.Н. Белозёров1, А.Н. Смирнов2
1 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)
2 ПАО «СберБанк России» (Москва, Россия)

1 mnbelozyorov@gmail.com, 2 asmirnov889@yandex.ru

Постановка проблемы. Современные производства, будь то смешение, сепарация или раскрой, характеризуются наличием множества материальных и технологических потоков. Это приводит к широкому разнообразию рецептур, которые определяют состав и свойства конечного продукта.

Цель. Предложить компонентные схемы цифрового двойника для решения задачи планирования производства.

Результаты. Разработаны варианты компонентных схем многосценарного цифрового двойника с оптимизатором, компонентами управления закупками, машинного обучения, а также схема цифрового двойника, включающая в периметр охвата технологические процессы производства и эксплуатации.

Практическая значимость. Разработанные схемы полезны при оптимизации производства для минимизации отходов. Предложенный подход был апробирован в процессах управления модельным риском Сбера, отдельные элементы данного подхода были апробированы в компаниях пищевой и металлургической промышленности.

Белозёров М.Н., Смирнов А.Н. Компонентные схемы многосценарного цифрового двойника для решения задач планирования производства // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 4. С. 72–80. DOI: https://doi.org/10.18127/j19998554-202504-07

1. Бабушкин В.М. и др. Интеграция программно-аппаратных комплексов планирования и мониторинга производительности в условиях развития инфокоммуникационных мультисервисных технологий промышленного предприятия // Радиотехника. 2019. Т. 83. № 6. С. 12–17.
2. Трутнев В.В. и др. Обеспечение устойчивого соединения программно-аппаратных комплексов планирования и мониторинга работы оборудования в инфокоммуникационных мультисервисных сетях специальной связи // Радиотехника. 2019. Т. 83. № 6. С. 59–65.
3. Марин В.П. и др. Исследование путей сокращения незавершенного производства на предприятиях радиоэлектронной промышленности // Наукоемкие технологии. 2017. Т. 18. № 7. С. 62–66.
4. Jin L. et al. Big data, machine learning, and digital twin assisted additive manufacturing: A review // Materials & Design. 2024. P. 113086.
5. Wang B. et al. Human digital twin in the context of Industry 5.0 // Robotics and Computer-Integrated Manufacturing. 2024. V. 85. P. 102626.
6. Liu S., Zheng P., Bao J. Digital twin-based manufacturing system: A survey based on a novel reference model // Journal of Intelligent Manufacturing. 2024. V. 35. № 6. P. 2517–2546.
7. Torzoni M. et al. A digital twin framework for civil engineering structures // Computer Methods in Applied Mechanics and Engineering. 2024. V. 418. P. 116584.
8. Fei T.A.O. et al. MakeTwin: A reference architecture for digital twin software platform // Chinese Journal of Aeronautics. 2024. V. 37. № 1. P. 1–18.
9. Long W. et al. Developing an integrative framework for digital twin applications in the building construction industry: A systematic literature review // Advanced Engineering Informatics. 2024. V. 59. P. 102346.
10. Piras G., Agostinelli S., Muzi F. Digital twin framework for built environment: a review of key enablers // Energies. 2024. V. 17. № 2. P. 436.
11. Long W. et al. Developing an integrative framework for digital twin applications in the building construction industry: A systematic literature review // Advanced Engineering Informatics. 2024. V. 59. P. 102346.
12. Monek G.D., Fischer S. Expert twin: A digital twin with an integrated fuzzy-based decision-making module // Decision Making: Applications in Management and Engineering. 2025. P. 1–21.
13. Liu Z. et al. Digital twin-based anomaly detection for real-time tool condition monitoring in machining // Journal of Manufacturing Systems. 2024. V. 75. P. 163–173.
14. Kulkarni C. et al. Hybrid disease prediction approach leveraging digital twin and metaverse technologies for health consumer // BMC Medical Informatics and Decision Making. 2024. V. 24. № 1. P. 92.
15. Tao F., Zhang H., Zhang C. Advancements and challenges of digital twins in industry // Nature Computational Science. 2024. V. 4. № 3. P. 169–177.
16. Ivanov D. Conceptualisation of a 7-element digital twin framework in supply chain and operations management // International Journal of Production Research. 2024. V. 62. № 6. P. 2220–2232.
17. Li T. et al. Digital twin for intelligent tunnel construction // Automation in Construction. 2024. V. 158. P. 105210.
18. Wu Z. et al. A digital twin-based modularized design approach for smart warehouses // International Journal of Computer Integrated Manufacturing. 2024. P. 1–22.
19. Goodwin T. et al. Real-time digital twin-based optimization with predictive simulation learning // Journal of Simulation. 2024. V. 18. № 1. P. 47–64.
20. Piras G., Muzi F., Tiburcio V.A. Digital management methodology for building production optimization through digital twin and artificial intelligence integration // Buildings. 2024. V. 14. № 7. P. 2110.