УДК 658.511:338.512
DOI: 10.36871/ek.up.p.r.2026.03.13.028

Авторы

Никита Павлович Смирнов,
Марианна Александровна Чаруйская,
Московский государственный университет «СТАНКИН», Москва, Россия

Аннотация

В условиях ужесточения конкурентной борьбы и требований к качеству продукции управление затратами на технологический инструмент и оснастку приобретает стратегическое значение, однако традиционные подходы не позволяют в полной мере учесть динамику износа, вариативность эксплуатационных условий и долгосрочные экономические последствия принимаемых решений. Целью статьи является разработка целостной концептуальной модели организационно-экономического механизма управления стоимостью жизненного цикла инструмента и оснастки, интегрирующей принципы стоимостного инжиниринга, целевого калькулирования затрат и предиктивной аналитики для повышения эффективности инструментального хозяйства промышленных предприятий. Методологическую основу составили системный анализ, методы функционально-стоимостного анализа и инжиниринга жизненного цикла, концепция целевой стоимости, а также подходы предиктивной аналитики, позволяющие прогнозировать остаточный ресурс и расход инструмента на основе исторических и текущих данных. В результате предложена замкнутая шестиблочная модель, охватывающая: прогнозирование целевой стоимости на основе анализа производственной программы и рынка оснастки с расчетом прогнозных показателей эффективности; инжиниринг применяемого и вновь разрабатываемого инструмента, включающий реверс-инжиниринг и многокритериальную фильтрацию решений путем последовательного сравнения прогнозной, предельной и целевой стоимости; планирование и производство с контролем непревышения плановой себестоимости над целевой и накоплением фактических данных; эксплуатацию и утилизацию с расчетом фактической стоимости жизненного цикла и показателей эффективности; блок контроля и обратной связи, инициирующий корректирующие мероприятия или полный пересмотр концепции при неустранимых отклонениях; а также результирующий блок, фиксирующий степень достижения целевых показателей. Механизм встроенных итераций и сравнительного анализа предельных, прогнозных, плановых и фактических стоимостных параметров обеспечивает непрерывное обучение системы и адаптивное управление. Научная новизна модели заключается в системной интеграции разрозненных методов в единый контур принятия решений, позволяющий осуществлять переход от реактивного к прогнозному управлению стоимостью жизненного цикла инструмента. Практическая значимость состоит в создании основы для разработки цифрового инструментария поддержки принятия решений и методик достижения ключевых показателей эффективности инструментального хозяйства. Дальнейшие исследования предполагают формализацию зависимостей между технико-экономическими характеристиками оснастки и затратами жизненного цикла, а также верификацию модели в производственных условиях.

Ключевые слова

стоимость жизненного цикла, инструментальное хозяйство, предиктивная аналитика, стоимостной инжиниринг, целевое калькулирование затрат, концептуальная модель, организационно-экономический механизм, управление затратами, режущий инструмент, эффективность, жизненный цикл оснастки, прогнозирование стоимости, ключевые показатели эффективности

Список литературы

  1. Григорьев С.Н., Гречишников В.А., Маслов А.Р., Схиртладзе А.Г. Инструментальное обеспечение интегрированных машиностроительных производств: учебник. – Москва: ТНТ, 2023. – 348 с. – ISBN 978-5-94178-578-0.
  2. Гречишников В.А., Маслов А.Р., Соломенцев Ю.М. Инструментальное обеспечение автоматизированного производства: учебник для студентов вузов / под ред. Ю.М. Соломенцева. – Москва: Высшая школа, 2001. – 272 с. – ISBN 5-06-004064-X.
  3. Истоцкий В.В., Юдин С.В. Инструментальное производство: проблемы и пути решения // Известия ТулГУ. Технические науки. – 2021. – Вып. 3. – С. 219–226.
  4. Кабанов А.Е., Тарасенко В.В. Модель повышения операционной эффективности промышленного предприятия на основе предиктивного обслуживания // Цифровая экономика. – 2025. – № 2(9). – DOI 10.60797/ECNMS.2025.9.10.
  5. Кузнецова Е.С., Щеглов Д.К. Адаптивная система управления запасами предприятия на основе цифровых двойников и предиктивной аналитики // Вестник ИжГТУ. – 2025. – № 4. – С. 56–63. – DOI 10.22213/2413-1172-2025-4-56-63.
  6. Лутовинов П.П., Меленькина С.А. Оптимизация затрат в металлообрабатывающем производстве // Организатор производства. – 2020. – Т. 28, № 1. – С. 79–90.
  7. Туктарова Л.Р. Организационно-экономический механизм стимулирования цифровой трансформации промышленных предприятий // Финансы и управление. – 2025. – № 3. – С. 45–58.
  8. Abu-Hannaha E., Al-Samawi A., Ghazi M. Analytical Modeling Methods in Machining: A State of the Art on Application, Recent Challenges, and Future Trends // Arabian Journal for Science and Engineering. – 2024. – Vol. 49. – P. 10287–10326.
  9. Bai L., Zhang J., Yan J., López de Lacalle L.N., Muñoa J. Cutting model integrated digital twin–based process monitoring in small-batch machining // The International Journal of Advanced Manufacturing Technology. – 2024. – DOI 10.1007/s00170-024-14725-0.
  10. Chen Y., Wang H., Li X. Tool remaining useful life prediction considering wear state based on hybrid attention network // Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture. – 2023. – Vol. 237, No. 12. – P. 1832–1845. – DOI 10.1177/09544054231189313.
  11. Dewhurst R.F.J. Business Cost-Benefit Analysis. – London; New York: McGraw-Hill, 1972. – 287 p. – ISBN 9780070941717.
  12. Friedman I.P. Cost Controls and Profit Improvement Through Product Analysis. – Englewood Cliffs, N.J: Prentice-Hall, 1966. – 123 p.
  13. Gatewood Arnold J., Polizzi J., Ibn Mohsin S. [et al.] An approach to quantifying the lifecycle sustainability impacts of tungsten carbide tools // Lecture Notes in Mechanical Engineering. – 2025. – P. 846–855.
  14. Ge Y., Teo H.H., Moey L.K., Tayier W. Research on tool remaining useful life prediction algorithm based on machine learning // Engineering Research Express. – 2024. – Vol. 6. – Art. 035402. – DOI 10.1088/2631-8695/ad5f1a.
  15. Hammann D. Big data and machine learning in cost estimation: An automotive case study // KIT Scientific Reports. – 2024.
  16. Li W., Zhang X., Wang S., Lu X., Huang Z. Distributed deep learning enabled prediction on cutting tool wear and remaining useful life // Journal of Manufacturing Systems. – 2023. – Vol. 66. – P. 1–12.
  17. Miles L.D. Techniques of Value Analysis and Engineering. – 2nd ed. – New York: McGrawHill, 1972.
  18. Mohan S.P., Nirmala S.J. An intelligent hybrid model approach for predictive maintenance of tool wear using machine learning techniques // International Journal of Vehicle Information and Communication Systems. – 2023. – Vol. 8, No. 4. – P. 398–412.
  19. Özkan C., Jegarian M., Bause K. [et al.] A robust SVR‑based model for predicting tooling costs in manufacturing // 2025 IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD). – 2025. – P. 1–7.
  20. Pulikottil T., Martínez-Arellano G., Barata J. Immune system inspired smart maintenance framework: tool wear monitoring use case // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 132. – P. 4699–4721.
  21. Sayyad S., Kumar S., Bongale A., Kotecha K., Abraham A. Remaining Useful-Life Prediction of the Milling Cutting Tool Using Time– Frequency-Based Features and Deep Learning Models // Sensors. – 2023. – Vol. 23, No. 12. – Art. 5659. – DOI 10.3390/s23125659.
  22. Sicard B., Wu Y., Gadsden S.A. Digital Twin Enabled Asset Management of Machine Tools // 2024 IEEE International Conference on Prognostics and Health Management (ICPHM). – IEEE, 2024. – P. 285–292. – DOI 10.1109/ icphm61352.2024.10626334.
  23. Wang Y., Wang G., Wu Y., Zhang G., Wu M. An Uncertainty-Aware Deep Learning Ensemble Approach for Effective Cutting Tool Predictive Maintenance Decision-Making // Measurement Science and Technology. – 2024. – DOI 10.1088/1361-6501/ada462.