УДК 004.8:658.5
DOI: 10.36871/ek.up.p.r.2025.12.16.009

Авторы

Хамзат Хайзырович Мальцагов,
Амирхан Магомедович Айбуев,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия

Аннотация

В статье рассматриваются методологические аспекты применения методов машинного обучения для оптимизации производственных цепочек промышленного предприятия. Даётся классификация задач прогнозирования, классификации, кластеризации и последовательного принятия решений, формализуются целевые функции и ограничения календарного планирования и управления запасами. Показаны подходы к интеграции обучаемых моделей в контуры систем планирования ресурсов и оперативного управления, а также роль цифрового двойника и предиктивной аналитики. Обосновываются стратегические эффекты внедрения интеллектуальных систем управления для повышения гибкости, устойчивости и ресурсной эффективности производства.

Ключевые слова

машинное обучение, оптимизация производственных цепочек, производственная логистика, цифровой двойник

Список литературы

  1. Азаров А. П., Силантьев И. Р. Прогнозирование загрузки производственных мощностей на основе методов машинного обучения // Инженерный журнал: наука и инновации. 2025. № 2 (158). С. 45–60.
  2. Бабурин Е. В. Применение нейросетевых моделей для оптимизации запасов в цепях поставок // Логистика и управление цепями поставок. 2024. № 5. С. 12–21.
  3. Воробьёв П. Н., Лебедев Д. С. Автономное планирование производства с использованием алгоритмов обучения с подкреплением // Автоматизация в промышленности. 2025. Т. 29. № 4. С. 100–112.
  4. Гаврилова О. Л. Анализ энергоэффективности производственных процессов с применением методов машинного обучения // Энергосбережение. 2023. № 7. С. 28–37.
  5. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  6. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  9. Рубцов Ю. В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.