Лекция 2.1. Цифровая трансформация: концепции и технологии

Содержание

• Лекция 2.1. Цифровая трансформация: концепции и технологии
  • Содержание
  • Концепция «Цифровой двойник логистической системы»
    • Архитектура цифрового двойника
    • Уровни зрелости цифровых двойников
    • Применение цифровых двойников
    • Расчётный пример: цифровой двойник ЛПТС АО «Ракета»
  • Архитектура цифровых платформ для управления цепями поставок
    • Ключевые компоненты платформы
      • Описание компонентов платформы
    • Функционал цифровой платформы
    • Сравнение архитектурных подходов
  • Технологии Интернета вещей (IoT) для мониторинга
    • Принцип работы IoT в логистике
    • Типы датчиков и их применение
    • Расчётный пример: IoT-мониторинг перевозок АО «Ракета»
    • Экономический эффект от внедрения IoT
  • Блокчейн в логистике
    • Принцип работы
    • Архитектура блокчейн-платформы в логистике
    • Применение в логистике
  • Искусственный интеллект (AI) в логистике
    • Направления применения AI
    • Методы машинного обучения в логистических задачах
    • Экономический эффект от внедрения AI
  • Особенности цифровизации промышленных предприятий
    • Специфика промышленного предприятия
    • Приоритетные направления цифровизации промышленного предприятия
    • Риски цифровизации промышленного предприятия
    • Применение на промышленном предприятии: дорожная карта АО «Ракета»
  • Цифровые транспортные коридоры
    • Компоненты цифрового коридора
    • Пример: Цифровой коридор «Евразия»
  • Технологии «умной логистики»: автономный транспорт
    • Уровни автономности транспорта
    • Применение автономного транспорта в логистике
    • Экосистема технологий цифровой трансформации ЛПТС
  • Связь с лабораторной работой
  • Ключевые выводы по лекции
  • Контрольные вопросы
  • Рекомендуемая литература

Концепция «Цифровой двойник логистической системы»

Цифровой двойник — виртуальная копия физического объекта или процесса, которая синхронизируется с ним в реальном времени и позволяет проводить симуляции, прогнозирование и оптимизацию.

Архитектура цифрового двойника

---
config:
  look: handDrawn
  theme: neutral
---
sequenceDiagram
    participant Физика as Физический объект
    participant Датчики as Датчики IoT
    participant Платформа as Облачная платформа
    participant Двойник as Цифровой двойник
    participant AI as Аналитика AI/ML
    participant Управление as Управляющие воздействия

    Физика->>Датчики: Измерения
    Датчики->>Платформа: Сырые данные
    Платформа->>Двойник: Исторические данные
    Двойник->>AI: Симуляция
    AI->>Управление: Решения
    Управление->>Физика: Команды
    Физика-->>Управление: Обратная связь (коррекция)

Уровни зрелости цифровых двойников

Эволюция понятия «цифровой двойник» прошла путь от статических CAD-моделей до автономных систем управления. Выделяют четыре уровня зрелости:

Ключевое различие уровней: «цифровая тень» лишь наблюдает объект, «цифровой двойник» синхронизирован и позволяет проверять управляющие воздействия «в виртуальности» перед применением, а автономный двойник замыкает контур управления полностью. На промышленных предприятиях с повышенными требованиями к информационной безопасности применение уровня 3 ограничено: автоматические решения допустимы только в изолированном контуре и для некритичных операций.

Применение цифровых двойников

Пример. Цифровой двойник распределительного центра:

• Виртуальная модель включает 120 тыс. позиций хранения, 80 погрузчиков, 300 операторов
• Симуляция «чёрной пятницы»: +400% заказов за 6 часов
• Результаты оптимизации:
  • Перераспределение зон хранения: хиты продаж перемещены ближе к зоне комплектации
  • Изменение графика работы: добавлены 2 смены по 4 часа
  • Корректировка маршрутов погрузчиков: сокращение пробега на 18%
• Экономический эффект: обработка на 35% больше заказов без увеличения площади склада

Расчётный пример: цифровой двойник ЛПТС АО «Ракета»

Рассмотрим построение цифрового двойника логистической системы машиностроительного предприятия АО «Ракета» (единый кейс курса). Двойник охватывает контур «закупки → склад материалов → производство → склад готовых узлов → отгрузка» и реализуется средствами имитационного моделирования (SimPy, см. лекцию 2.5).

Архитектура двойника ЛПТС:

Сценарный эксперимент на двойнике. Базовый сценарий: ритмичная поставка комплектующих категории AY (приводной агрегат 5Д40, блок управления промышленными приводами — см. лекцию 1.6) с интервалом 10 рабочих дней. Сценарий «сбой»: задержка поставки агрегата на 15 дней.

Решение, найденное на двойнике: увеличение страхового запаса позиции 5Д40 с 14 до 26 дней покрытия (стоимость резерва ≈ 22,1 млн руб.) полностью гасит сбой длительностью до 12 дней. Альтернатива — договор с резервным поставщиком с гарантированным временем реакции 7 дней. Двойник позволяет количественно сравнить эти стратегии до вложения средств — в этом состоит его главное преимущество перед экспертными решениями.

Эффекты внедрения двойника ЛПТС АО «Ракета» (по итогам модельных экспериментов):

• сокращение времени реакции на сбои поставок с 3 суток до 4 часов (автоматический пересчёт плана);
• снижение внутрицеховых запасов на 18% за счёт синхронизации тактов переделов;
• обоснование страховых запасов категорий AY/AZ вместо нормативов «по опыту»;
• подготовка данных для проектной работы семестра 2 (защита цифрового двойника ЛПТС).

Архитектура цифровых платформ для управления цепями поставок

Ключевые компоненты платформы

---
config:
  look: handDrawn
  theme: neutral
---
mindmap
  root((Цифровая платформа<br/>управления цепями поставок))
    1. Сбор данных
      Датчики IoT
        GPS, RFID, сенсоры температуры, влажности, вибрации
      Мобильные терминалы
        Сбор данных вручную
      Камеры + компьютерное зрение
        Видеонаблюдение, распознавание
    2. Передача
      Сети 4G/5G, LoRaWAN, NB-IoT
        Беспроводная связь
      Шлюзы агрегации
        Сбор и передача данных от датчиков
      Протоколы MQTT / HTTP / CoAP
        Форматы обмена данными
    3. Хранение
      Облачная инфраструктура
        AWS, Azure, Яндекс.Облако
      Базы данных временных рядов (TSDB)
        Телеметрия, GPS-треки, показания сенсоров
      Data Lakes
        Хранение больших объёмов сырых данных
    4. Аналитика
      ML / прогнозирование
        Прогноз спроса, рисков, времени доставки
      Оптимизация
        Маршруты, запасы, загрузка транспорта
      Дашборды и BI
        Визуализация и отчёты
    5. Интеграция
      API
        Подключение внешних систем
      EDI
        Электронный обмен документами
      ERP / WMS / TMS
        Корпоративные системы управления

Описание компонентов платформы

1. Уровень сбора данных

• Датчики IoT — сенсоры температуры, влажности, вибрации, а также:
  • GPS (от англ. Global Positioning System) — глобальная система позиционирования, определение координат объекта
  • RFID (от англ. Radio Frequency Identification) — радиочастотная идентификация, бесконтактная маркировка и учёт объектов
• Мобильные терминалы — сбор данных вручную
• Камеры видеонаблюдения — компьютерное зрение, распознавание объектов

2. Уровень передачи данных

• Сети связи — технологии беспроводной передачи данных:
  • 4G (от англ. 4th Generation) — четвёртое поколение мобильной связи (LTE), высокоскоростной интернет
  • 5G (от англ. 5th Generation) — пятое поколение мобильной связи, сверхнизкие задержки и высокая пропускная способность
  • LoRaWAN (от англ. Long Range Wide Area Network) — сеть дальнего радиуса действия с низким энергопотреблением для IoT
  • NB-IoT (от англ. Narrowband Internet of Things) — узкополосная технология IoT на базе сотовых сетей
• Шлюзы — агрегация и передача данных от датчиков
• Протоколы передачи — форматы обмена данными:
  • MQTT (от англ. Message Queuing Telemetry Transport) — лёгкий протокол обмена сообщениями по модели «издатель — подписчик», оптимизирован для IoT и маломощных устройств
  • HTTP (от англ. HyperText Transfer Protocol) — протокол передачи гипертекста, основа веб-обмена данными
  • CoAP (от англ. Constrained Application Protocol) — протокол прикладного уровня для устройств с ограниченными ресурсами, работает поверх UDP

3. Уровень хранения и обработки

• Облачные платформы — AWS (от англ. Amazon Web Services), Azure, Яндекс.Облако
• Базы данных временных рядов (TSDB, от англ. Time Series Database) — специализированные БД для хранения и анализа данных, меняющихся во времени (телеметрия датчиков, GPS-треки, показания сенсоров). Примеры: InfluxDB, TimescaleDB, Prometheus
• Озёра данных (Data Lakes) — хранение больших объёмов сырых данных

4. Уровень аналитики

• Машинное обучение — прогнозирование спроса, рисков, времени доставки
• Оптимизационные алгоритмы — маршруты, запасы, загрузка транспорта
• Визуализация данных — дашборды, отчёты (BI, от англ. Business Intelligence)

5. Уровень интеграции

• API (от англ. Application Programming Interface) — программный интерфейс для подключения внешних систем
• EDI-шлюзы (от англ. Electronic Data Interchange) — электронный обмен документами
• ERP (от англ. Enterprise Resource Planning) — планирование ресурсов предприятия
• WMS (от англ. Warehouse Management System) — система управления складом
• TMS (от англ. Transport Management System) — система управления транспортом

Функционал цифровой платформы

Сравнение архитектурных подходов

Архитектура цифровой платформы ЛПТС может строиться по одному из трёх подходов, выбор определяется масштабом системы, требованиями информационной безопасности и бюджетом:

Для промышленных предприятий: предприятия, работающие с конфиденциальной информацией и персональными данными, размещают ядро платформы в аттестованном локальном контуре, а внешние сервисы (отслеживание транспорта, ЭДО с некритичными контрагентами) выносят в частное облако. Разделение контуров — обязательное архитектурное требование (см. раздел «Особенности цифровизации промышленных предприятий»).

Технологии Интернета вещей (IoT) для мониторинга

Принцип работы IoT в логистике

---
config:
  look: handDrawn
  theme: neutral
---
sequenceDiagram
    participant Cargo as 📦 Груз с датчиком
    participant Gateway as 📡 Шлюз/Сеть
    participant Platform as ☁️ Облачная платформа
    participant Analytics as 🤖 Система анализа
    participant Alert as 🔔 Оповещения

    Cargo->>Gateway: Данные с датчиков<br/>(температура, местоположение)
    Gateway->>Platform: Передача данных<br/>через 4G/5G/LoRaWAN
    Platform->>Analytics: Обработка и анализ
    Analytics->>Alert: Проверка пороговых значений
    alt Нарушение режима
        Alert-->>Platform: Генерация оповещения
        Platform-->>Cargo: Команда коррекции
    else Норма
        Analytics->>Platform: Запись в журнал
    end

Типы датчиков и их применение

Расчётный пример: IoT-мониторинг перевозок АО «Ракета»

Предприятие перевозит чувствительные к условиям комплектующие (прецизионные гидравлические узлы, электронные модули блоков управления) автомобильным и железнодорожным транспортом. Спроектируем IoT-систему мониторинга и оценим её параметры.

Конфигурация системы:

• 52 грузовые единицы (контейнеры и спецтары) оснащены телематическими терминалами;
• каждый терминал передаёт 6 параметров: координаты (ГЛОНАСС), температура, влажность, ударное ускорение, освещённость (контроль вскрытия), заряд батареи;
• период передачи в пути — каждые 5 минут (300 с), длительность рейса в среднем 8 часов;
• транспортный сезон — 250 рабочих дней, в среднем 1 рейс на единицу в день.

Расчёт телеметрического трафика:

1. Сообщений за рейс: $8 \cdot 3600 / 300 = 96$ сообщений.
2. Сообщений за сезон: $52 \cdot 96 \cdot 250 = 1\,248\,000$ сообщений.
3. Объём полезной нагрузки одного сообщения (заголовки MQTT + payload): ~220 байт.
4. Объём данных за сезон: $1\,248\,000 \cdot 220 / 1024^2 \approx 262$ МБ.

Вывод: объём данных невелик (~262 МБ за сезон) — ключевая нагрузка приходится не на хранение, а на потоковую обработку пороговых событий (нарушение температурного режима, удар, вскрытие тары). Архитектура системы: терминал → NB-IoT/4G → шлюз оператора → TSDB (InfluxDB) → движок правил (оповещения) → дашборд диспетчера.

Расчёт порогов срабатывания оповещений (по ТУ на перевозку):

Экономический эффект (расчёт на сезон):

Расчёт предотвращённого ущерба: $1{,}86\ \text{млрд} \cdot (0{,}9\% - 0{,}2\%) = 1{,}86\ \text{млрд} \cdot 0{,}007 \approx 13{,}0\ \text{млн руб.}$ Срок окупаемости системы — менее одного транспортного сезона. Для промышленного предприятия важен не только денежный эффект: предотвращение скрытых повреждений прецизионных узлов исключает риск отказа изделия при приёмке представителем заказчика (см. лекцию 1.7).

Экономический эффект от внедрения IoT

Пример. Внедрение IoT в логистику фармацевтической продукции:

• Датчики температуры и влажности установлены в каждом контейнере с лекарствами
• Данные передаются каждые 5 минут в облачную платформу
• При отклонении от диапазона +2…+8°С система автоматически оповещает диспетчера
• Результат: снижение брака из-за нарушения температурного режима с 3,2% до 0,4%

Блокчейн в логистике

Принцип работы

Блокчейн — распределённый реестр с неизменяемой историей транзакций.

Ключевые свойства:

• Децентрализация — данные хранятся на множестве узлов
• Неизменяемость — записанные данные нельзя изменить задним числом
• Прозрачность — все участники видят единую версию правды
• Смарт-контракты — автоматическое исполнение условий договора

Архитектура блокчейн-платформы в логистике

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TB
    subgraph Participants["УЧАСТНИКИ СЕТИ"]
        S[📤 Отправитель]
        C[📥 Получатель]
        T[🚚 Перевозчик]
        W[🏭 Склад]
        CU[🛃 Таможня]
    end

    subgraph Blockchain["⛓️ БЛОКЧЕЙН-РЕЕСТР"]
        B1[Блок 1<br/>Отгрузка]
        B2[Блок 2<br/>В пути]
        B3[Блок 3<br/>Таможня]
        B4[Блок 4<br/>Доставка]
    end

    subgraph Smart["📜 СМАРТ-КОНТРАКТЫ"]
        SC1[Автоматическая оплата]
        SC2[Подтверждение доставки]
        SC3[Штрафы за задержку]
    end

    %% Запись событий участниками в реестр
    S -->|Отгрузка| B2
    W -->|Приёмка/хранение| B1
    T -->|Перемещение| B2
    CU -->|Оформление| B3
    T -->|Доставка| B4
    C -->|Получение| B4

    %% Цепочка блоков
    B1 --> B2 --> B3 --> B4

    %% Смарт-контракты: триггеры от реестра
    B4 -.->|Триггер| SC1
    B4 -.->|Подтверждение| SC2
    B2 -.->|Проверка сроков| SC3

    %% Смарт-контракты: исполнение в пользу участников
    SC1 -->|Перевод средств| S
    SC2 -->|Акт приёмки| C
    SC3 -->|Начисление штрафа| T

    style Blockchain fill:#fff3e0,stroke:#f57c00,stroke-width:3px
    style Smart fill:#e8f5e9,stroke:#388e3c

Применение в логистике

Пример. Блокчейн-платформа для железнодорожных перевозок:

• Участники: 12 операторов, 8 портов, таможня
• Автоматическая передача данных о перемещении контейнеров
• Время прохождения таможни сократилось с 48 до 4 часов
• Снижение административных издержек на 35%

Искусственный интеллект (AI) в логистике

Направления применения AI

---
config:
  look: handDrawn
  theme: neutral
---
mindmap
  root((🤖 AI в логистике))
    Прогнозирование спроса
      ::icon(fa fa-chart-line)
      Исторические данные
      Сезонность
      Внешние факторы
      Точность +25-35%
    Оптимизация маршрутов
      ::icon(fa fa-route)
      Учёт пробок
      Ограничения
      Погода
      Динамическая корректировка
    Предиктивное обслуживание
      ::icon(fa fa-wrench)
      Анализ датчиков
      Прогноз отказов
      Снижение простоев 25-30%
    Роботизация склада
      ::icon(fa fa-robot)
      Автономные погрузчики
      Роботы-комплектовщики
      Компьютерное зрение
      Производительность +40-60%

1. Прогнозирование спроса

• Машинное обучение на исторических данных
• Учёт сезонности, промо-акций, внешних факторов
• Точность прогноза выше на 25–35% по сравнению с традиционными методами

2. Оптимизация маршрутов

• Алгоритмы поиска оптимального пути с учётом пробок, ограничений, погоды
• Динамическая корректировка маршрутов в реальном времени
• Снижение пробега на 10–15%, времени доставки на 20%

3. Предиктивное обслуживание

• Анализ данных с датчиков оборудования
• Прогноз отказов до их возникновения
• Снижение простоев на 25–30%

4. Роботизация склада

• Автономные погрузчики и роботы-комплектовщики
• Компьютерное зрение для идентификации грузов
• Повышение производительности на 40–60%

Методы машинного обучения в логистических задачах

Разные классы задач цифровой логистики решаются разными семействами методов машинного обучения:

Типовой конвейер ML-проекта в логистике: сбор данных (IoT, ERP, WMS) → предобработка (очистка пропусков, агрегация) → feature engineering (признаки: сезонность, день недели, загрузка) → обучение и валидация (train/test split, кросс-валидация) → оценка метрик (MAE, RMSE, MAPE — см. лекцию 2.6) → промышленное внедрение (API в платформе) → мониторинг деградации модели (data drift).

Специфика промышленного предприятия: обучение моделей на данных предприятия, работающего с конфиденциальной информацией, возможно только в изолированном контуре; облачные AutoML-сервисы неприменимы. Это увеличивает стоимость разработки, но обеспечивает требования к информационной безопасности.

Экономический эффект от внедрения AI

Особенности цифровизации промышленных предприятий

Специфика промышленного предприятия

Ограничения:

1. Кибербезопасность — повышенные требования к защите данных
2. Импортозамещение ИТ — необходимость использования отечественного ПО
3. Коммерческая тайна — ограничения на использование облачных сервисов
4. Сертификация — требования к аттестации информационных систем

Приоритетные направления цифровизации промышленного предприятия

Риски цифровизации промышленного предприятия

Применение на промышленном предприятии: дорожная карта АО «Ракета»

Цифровая трансформация машиностроительного предприятия выполняется поэтапно, с учётом требований к информационной безопасности и приоритета надёжности над скоростью:

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    E1[1. Оцифровка данных<br/>ERP + RFID] --> E2[2. Видимость потоков<br/>IoT + ГЛОНАСС]
    E2 --> E3[3. Цифровой двойник<br/>имитационная модель]
    E3 --> E4[4. Аналитика и ML<br/>прогнозы, предиктивное ТО]
    E4 --> E5[5. Интеграция кооперации<br/>ЭДО со смежниками]
    style E1 fill:#e3f2fd
    style E2 fill:#e8f5e9
    style E3 fill:#fff3e0
    style E4 fill:#f3e5f5
    style E5 fill:#ffebee

Рисунок. Дорожная карта цифровой трансформации ЛПТС АО «Ракета».

Критические ограничения для всех этапов: аттестация информационных систем по требованиям регуляторов информационной безопасности; применение только отечественного ПО из реестра; хранение данных на территории РФ; разделение контуров (конфиденциальная информация обрабатывается изолированно от открытых систем).

Цифровые транспортные коридоры

Цифровой транспортный коридор — интегрированная информационная среда для управления перевозками по определённому маршруту с участием всех заинтересованных сторон.

Компоненты цифрового коридора

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    subgraph Infrastructure["🛣️ ИНФРАСТРУКТУРНЫЕ"]
        direction LR
        Sensors[Датчики на дорогах<br/>мостах, ЖД-путях]
        WGC[Системы весогабаритного<br/>контроля]
        SmartTL[Умные светофоры<br/>и знаки]
    end

    subgraph Information["💡 ИНФОРМАЦИОННЫЕ"]
        direction LR
        Platform[Единая платформа<br/>для обмена данными]
        ED[Электронные накладные]
        Customs[Интеграция с<br/>таможенными системами]
    end

    subgraph Services["🔧 СЕРВИСНЫЕ"]
        direction LR
        Booking[Онлайн-запись на<br/>погрузку/выгрузку]
        Slots[Бронирование<br/>временных слотов]
        Monitoring[Мониторинг в<br/>реальном времени]
    end

    Infrastructure --> Information
    Information --> Services

    style Infrastructure fill:#e3f2fd,stroke:#1976d2
    style Information fill:#e8f5e9,stroke:#388e3c
    style Services fill:#fff3e0,stroke:#f57c00

1. Инфраструктурные

• Датчики на дорогах, мостах, железнодорожных путях
• Системы весогабаритного контроля
• Умные светофоры и знаки

2. Информационные

• Единая платформа для обмена данными
• Электронные накладные и сопроводительные документы
• Интеграция с таможенными системами

3. Сервисные

• Онлайн-запись на погрузку/выгрузку
• Бронирование временных слотов
• Мониторинг в реальном времени

Пример: Цифровой коридор «Евразия»

Ссылки по теме:

• Внедрение цифровых технологий в систему международных перевозок обсудили на МТЛФ
• Федеральная таможенная служба

Участники:

• Железные дороги России, Казахстана, Китая
• Порты Владивостока, Санкт-Петербурга, Новороссийска
• Таможенные службы трёх стран

Функционал:

• Электронная накладная СМГС
• Предварительное информирование таможни
• Мониторинг местоположения контейнеров
• Прогноз времени прибытия

Планируемые результаты:

• Время транзита сократилось с 14 до 9 дней
• Количество бумажных документов уменьшилось на 70%
• Прозрачность для клиентов: онлайн-отслеживание 24/7

Технологии «умной логистики»: автономный транспорт

Уровни автономности транспорта

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    L0[L0<br/>Нет автоматизации]
    L1[L1<br/>Помощь водителю]
    L2[L2<br/>Частичная]
    L3[L3<br/>Условная]
    L4[L4<br/>Высокая]
    L5[L5<br/>Полная]

    L0 --> L1 --> L2 --> L3 --> L4 --> L5

    style L0 fill:#ffebee,stroke:#d32f2f
    style L1 fill:#fff3e0,stroke:#f57c00
    style L2 fill:#fffde7,stroke:#fbc02d
    style L3 fill:#e8f5e9,stroke:#388e3c
    style L4 fill:#e3f2fd,stroke:#1976d2
    style L5 fill:#f3e5f5,stroke:#7b1fa2

Применение автономного транспорта в логистике

1. Беспилотные грузовики

• Перевозки по автомагистралям
• Работа в карьерах и на промышленных площадках
• Преимущества: снижение затрат на водителей, работа 24/7

2. Автономные складские роботы

• AGV (Automated Guided Vehicles) — транспортёры по магнитной ленте
• AMR (Autonomous Mobile Robots) — навигация по карте склада
• Преимущества: повышение производительности, снижение травматизма

3. Дроны для доставки

• Доставка малогабаритных грузов в труднодоступные районы
• Инвентаризация складов с воздуха
• Преимущества: скорость, доступность, снижение затрат

Экосистема технологий цифровой трансформации ЛПТС

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TB
    subgraph Core["📊 ЯДРО ЦИФРОВИЗАЦИИ"]
        DT[Цифровой двойник<br/>Виртуальная модель системы]
    end

    subgraph Data["📈 ИСТОЧНИКИ ДАННЫХ"]
        IoT[IoT-датчики<br/>GPS, RFID, сенсоры]
        Blockchain[Блокчейн<br/>Неизменяемый реестр]
    end

    subgraph Analytics["🤖 АНАЛИТИКА И УПРАВЛЕНИЕ"]
        AI[Искусственный интеллект<br/>Прогнозирование, оптимизация]
        Platform[Цифровая платформа<br/>Интеграция и визуализация]
    end

    subgraph Applications["🚀 ПРИЛОЖЕНИЯ"]
        DTC[Цифровые<br/>транспортные коридоры]
        Autonomous[Автономный<br/>транспорт]
        IND[Промышленные предприятия<br/>Спец. требования]
    end

    Data --> Core
    Core --> Analytics
    Analytics --> Applications
    
    IoT -.->|Поток данных| Platform
    Blockchain -.->|Доверие| Platform
    AI -.->|Решения| DT

    style Core fill:#ffecb3,stroke:#ff6f00,stroke-width:3px
    style Data fill:#c8e6c9,stroke:#2e7d32
    style Analytics fill:#bbdefb,stroke:#1565c0
    style Applications fill:#e1bee7,stroke:#7b1fa2

Связь с лабораторной работой

Лекция задаёт технологический контекст лабораторной работы «Миграция проекта в цифровую среду» — первой работы семестра 2, с которой начинается переход от табличных инструментов (Excel, семестр 1) к программным (Python).

Содержание лабораторной работы:

1. Перенос данных проекта АО «Ракета» из Excel в Python (библиотека pandas): загрузка CSV/XLSX, типы данных, очистка пропусков.
2. Визуализация распределения задержек поставок с помощью matplotlib (boxplot, violin plot) — по данным лабораторной работы 1.7 семестра 1.
3. Сравнительный анализ эффективности визуализации в Excel и Python: воспроизводимость, автоматизация обновления, качество представления.
4. Подготовка данных для последующего моделирования: формирование «чистого» датасета для имитационной модели (цифрового двойника) и ML-прогнозов (лекции 2.5, 2.6).

Технологический стек: Python 3.x, pandas, numpy, matplotlib, seaborn. Эти же инструменты лежат в основе уровней «Хранение» и «Аналитика» цифровой платформы (см. архитектуру выше) — лабораторная работа моделирует фрагмент реального конвейера данных предприятия.

Отчётность: результаты работы используются во всех последующих лабораторных работах семестра 2 и входят в финальный проект «цифровой двойник ЛПТС» (рубежный контроль семестра 2).

Ключевые выводы по лекции

1. Цифровой двойник — виртуальная модель, синхронизированная с физическим объектом в реальном времени; уровни зрелости: цифровая модель → цифровая тень → цифровой двойник → автономный двойник.
2. Цифровой двойник ЛПТС АО «Ракета» позволяет количественно оценивать последствия нарушений поставок (простой сборки ×8, просрочка отгрузки по государственному контракту 11 суток) и обосновывать страховые запасы (позиция 5Д40: +12 дней покрытия ≈ 22,1 млн руб.).
3. Архитектура цифровой платформы включает уровни: сбор данных, передача, хранение, аналитика, интеграция; для промышленных предприятий предпочтительна гибридная архитектура с аттестованным локальным ядром.
4. IoT-датчики обеспечивают мониторинг местоположения, температуры, влажности, ударов в реальном времени; для АО «Ракета» трафик телеметрии невелик (~262 МБ за сезон), критична потоковая обработка пороговых событий; чистый эффект ~8,8 млн руб./сезон при окупаемости менее сезона.
5. Блокчейн предоставляет неизменяемую историю транзакций, смарт-контракты для автоматизации документооборота.
6. Искусственный интеллект применяется для прогнозирования спроса, оптимизации маршрутов, предиктивного обслуживания; задачи разных классов решаются разными семействами методов (регрессия, временные ряды, обучение без учителя, компьютерное зрение).
7. Цифровизация промышленных предприятий имеет особенности: кибербезопасность, импортозамещение (отечественное ПО из реестра), защита конфиденциальной информации (разделение контуров), аттестация информационных систем; дорожная карта АО «Ракета» рассчитана на 36 месяцев.
8. Цифровые транспортные коридоры интегрируют всех участников перевозок в единую информационную среду (инфраструктурные, информационные и сервисные компоненты).
9. Автономный транспорт (уровни L0–L5 по SAE) повышает эффективность и безопасность логистических операций; на промышленных предприятиях приоритетны замкнутые территории и складская автоматизация.

Контрольные вопросы

1. Что такое цифровой двойник и как он применяется в логистике?
2. Опишите архитектуру цифровой платформы для управления цепями поставок.
3. Какие типы IoT-датчиков используются для мониторинга грузов?
4. Какие преимущества предоставляет блокчейн в логистике?
5. Какие задачи решает искусственный интеллект в логистике?

Рекомендуемая литература

Основная:

1. Абзалханова А. Искусственный интеллект в логистике: примеры применения. — 2024.

Дополнительная:

1. Щербаков В. В. (ред.) Цифровая логистика: учебник. — М.: Юрайт, 2024. (по подписке)

Полный каталог и содержание источников — в обзоре литературы.