ВВЕДЕНИЕ 5
1. Анализ предметной области 9
1.1. Анализ объекта исследования 9
1.2. Анализ существующей системы предприятия 12
1.3. Анализ информационных потоков предприятия 16
1.4. Анализ структур баз данных 21
1.5. Анализ СУБД 31
1.6. Анализ методов проектирования БД 41
1.7. Анализ ПО для реализации информационной системы 43
1.8. Анализ ERP - систем 47
1.9. Цели и задачи бакалаврской работы 63
2. Разработка функциональной модели информационной системы 65
2.1. Разработка функциональной модели 65
2.1.1. Декомпозиция функциональной модели 66
3. Разработка алгоритмов работы информационной системы 70
3.1. Разработка основного алгоритма работы информационной системы 70
3.2. Разработка алгоритма авторизации пользователя 73
3.3. Алгоритм анализа сбора заявки 76
4. Проектирование БД 78
4.1. Выбор метода проектирования БД 78
4.2. Формирование атрибутов сущностей 78
4.3. Построение инфологической ER-модели работы базы данных 82
4.4. Построение ER - диаграмм 83
5. Реализация сервера базы данных 88
5.1. Создание базу данных в среде MS SQL Server Menagment Studio 88
5.2. Создание таблиц базы данных 89
5.3. Установление связей между таблицами 94
5.4. Заполнение таблиц базы данных 95
6. Разработка и реализация информационной системы 96
6.1. Выбор программного обеспечение для реализации информационной
системы 96
6.2. Описание работы программного обеспечения 96
6.3. Создание проекта в среде Delphi 104
6.4. Разработка форм авторизации пользователя системы 105
6.5. Разработка формы специалиста предприятия изготовителя 107
6.6. Разработка формы специалиста сервисного центра 111
6.7. Разработка формы специалиста заказчика 112
6.8. Выгрузка из 1С 113
ЗАКЛЮЧЕНИЕ 115
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
Квалификационная работа посвящена созданию автоматизированной информационной системы учета, контроля и анализа работ по обслуживанию и ремонту датчиков средств измерений.
Крупные и средние компании в машиностроении постоянно находятся в поиске эффективных решений по внедрению информационных систем позволяющих поддерживать процессы совершенствования качества продукции, уменьшения себестоимости, экономии ресурсов, всего того что в целом делает компанию конкурентоспособной, а значит и успешной.
Таким образом необходимо строить систему, которая стремится к рационализации производства. Не смотря на кажущуюся похожесть стоящих перед производителями того или иного продукта задач есть много аспектов которые вносят различия в реализуемые системы. Разные подходы разные пути развития, но неоспоримо то, что на пути автоматизации еще много нерешенных проблем и задач, где пытливому уму будет где приложить свои творческие способности.
Одним из лучших примеров могла бы послужить интегрированная социо-техническая система TOTAL Toyota Production System (TPS) построенная на основе устранения потерь. По итогам 2014 года автомобильный концерн ТАЙОТА занял первое место в мире по объему выручки. http://total-rating.ru
Безусловно, результат компании зависит от многих факторов, но основополагающим из них является уровень развития информационной промышленной системы и ее способность к самосовершенствованию. Эволюция производственных систем неуклонно продолжается и ее суть заключается в поддержании единства структурной и функциональной целостности, в наличии разных типов корреляций ее компонентов и их взаимной дифференцировке, обеспечивающих единство адаптационных процессов усложнения и развития. Совокупность множество относительно небольших улучшений в части повышения бережливости и снижения потерь, обеспечение роста производительности могут привести к заметному росту 5
прибыли и конкурентоспособности. Кроме того, подобные небольшие, но постоянные улучшения в деятельности предприятия подают положительные сигналы потребителям о неуклонном учете их интересов, что повышает имидж корпорации и ее деловую репутацию.
Крупнейшая металлургическая компания «Alcoa», создала на основе концепции TPS свою производственную систему на основе процессного типа производства (ABS), что обеспечивает ей ежегодную экономию около 1 млрд. долларов.
Последними тенденциями в концепциях развития систем являются ориентация на внедрение изменяющихся ПС (гибких и трансформационных).
В современном производстве важен действительно систематический (постоянный) подход и моментальная реакция на внутренние и внешние изменения, а для этого необходимо выстроить систему таким образом, чтобы все звенья работали слажено и были отработаны методы их контроля.
Мы проанализируем систему небольшого предприятия по производству контрольно-измерительного оборудования с тем, чтобы предложить свое решение разумно использовать существующие информационные потоки для достижения одной цели: сделать предприятие эффективным и увеличить прибыль. Мы сделаем это путем уменьшения времени на анализ и поиск возможных причин отказов и возникающих проблем на пути подготовки и эксплуатации продукции предприятия. Очень часто для поиска действительных причин выхода из строя продукции уходит много времени и к этому процессу 6
привлекаются большое количество специалистов компании имеющих доступ к различного рода информации о продукте. Неэффективность поиска причин приводит к неэффективности разработки и внедрения.
Производственная система - прежде всего философия. Другое дело, как эту философию заставить работать практически. Одну из систем нам предстоит описать и проанализировать в данной работе и разработать ее определенную часть.
В последние годы наше государство наиболее заинтересовано в развитии и внедрении систем, позволяющих значительно улучшить ситуацию на рынке и повысить конкурентоспособность производимых в нашей стране товаров и различного рода продукции. В первую десятку отраслей по объемам ERP-внедрений в России, по данным TAdviser, также входят машиностроение, строительство, пищевая и химическая промышленность, финансовые услуги, ЖКХ и бытовые услуги, область фармацевтики и медицины, металлургия и электроэнергетика.
Из всего многообразия представленных только на российском рынке «ERP-систем» полным функциональным наполнением по требованиям APICS и Gartner обладают продукты только компаний SAP и Oracle. Решения же остальных разработчиков реализуют разные сочетания описанных выше функциональных блоков «идеальной» ERP-системы. В то же время, участники рынка относят их к классу ERP, что лишний раз подтверждает рекомендательный характер приведенных выше описаний.
Исходя из этих соображений, эксперты Центра TAdviser определили «прожиточный минимум ERP-системы» - минимальный набор критериев, при котором бизнес-приложение можно отнести к классу ERP. Учитывая вышесказанное о роли финансового блока, указанный минимальный набор функциональных блоков следующий: «Блок/контур финансового учета и планирования», «Блок/контур управления персоналом», базовая функциональность SCM (в части товарного учета, управления складскими запасами и закупками), базовая функциональность CRM (управление обработкой заказов и продажами), а также «Блок/контур управления персоналом» и «Блок/контур бизнес-аналитики».
Несмотря на все усилия по совершенствованию рабочего цикла, компании по-прежнему сталкиваются с трудностями, связанными с межфункциональной координацией, что приводит к задержкам с выпуском продуктов и к увеличению сроков выполнения отдельных этапов проектов. В частности, организации, как правило, стремятся в точности выполнять все требования и условия контрактов, рассчитывая на быстрое получение так называемой «краткосрочной» прибыли, однако при этом они не уделяют должного внимания согласованию всех остальных операций, в том числе таких, как продажи, управление продуктом, управление проектом и маркетинг. Подобная несогласованность выливается в неэффективное планирование или некорректное распределение ресурсов для создания продукта, что приводит к задержкам при реализации проекта.
В процессе разработки, производства и эксплуатации безусловно есть место работе по выявлению брака и слабых мест продукта, требующих оперативного внесения изменений. Для этого необходимо также оперативно сделать правильные выводы и принять верное решение.
В данном курсовом проекте была разработана функциональная и структурная схемы системы контроля работой насосных установок в системе питательной воды. Произведён подбор датчиков, их сравнительный анализ и выбор по параметрам и характеристикам наиболее подходящего из них. Разработаны схемы подключения.
Изображена схема управления, указаны составляющие модули и их назначение.
Данный проект может быть успешно внедрен в машиностроении, там где требуется постоянная подача воды под высоким давлением, имеет проекцию в будущее и перспективы развития.
С каждым годом все больше компаний приходят к выводу, что правильное использование аналитических систем и систем обработки больших 115
массивов данных дает существенное конкурентное преимущество на рынке. Такая ситуация приводит к активному развитию аналитических отделов в компаниях и существенным инвестициям в инфраструктуру обработки данных.
Согласно различным отчетам ежегодный прирост затрат на развитие систем аналитики и обработки данных составляет 20% — 30%.
Прогнозируемый суммарный объем затрат на системы обработки данных и аналитические сервисы в 2015 году составит ~3B$.
Большой спрос на аналитические системы и существенные инвестиции являются сильным драйвером для быстрого развития индустрии больших данных и появления огромного числа новых продуктов и решений.
Согласно исследованиям крупных консалтинговых компаний, таких какDeloitte иForrester,можно будет выделить следующие основные тренды в области анализа и обработки данных.
- Автоматизация и коммодизация процессов обработки данных;
- Развитие аналитических систем реального времени;
- Появление новых инструментов для анализа данных датчиков и различных устройств;
- Развитие когнитивных систем и систем автоматического принятия решения;
- Изменения в законодательстве связанные с хранением и обработкой данных.
Автоматизация и коммодизация процессов обработки данных
Большие затраты на техническое обслуживание систем хранения и обработки данных заставляют компании искать более дешевые решения. Одним из таких решений является отказ от собственных дата-центров и переход на облачные технологии хранения и анализа данных такие какAmazonWS, Microsoft Azure.
Острая нехватка специалистов в области анализа данных служит хорошим стимулом для развития автоматизированных инструментов, не требующих глубоких знаний в области технологий и ориентированных на решение бизнес задач. В качестве примера таких инструментов можно привестиTableau, IBM Watson иAzure Machine Learning.
Отдельно стоит отметить развитие систем автоматической предобработки сырых и неструктурированных данных подобных OpenRefine и DataWrangler.
Развитие аналитических систем реального времени
Традиционных аналитических решений на основе реляционных баз данных и OLAP технологий, требующих сравнительно большого количества времени для обработки запросов и формирования отчетов уже недостаточно для решения современных бизнес задач.
Компаниям для принятия эффективных решений нужно анализировать данные в реальном времени. Это приведет к развитию технологий потоковой обработки данных и быстрого доступа к данным, хранящимся в оперативной памяти. Одними из первых продуктов предназначенных для решения этих задач являютсяApache Storm иCloudera Impala.
Появление новых инструментов для анализа данных датчиков и различных устройств
Носимая электроника и интернет вещей продолжат активно развиваться. Подобные гаджеты уже находят широкое применение в сфере развлечений и мониторинга здоровья. Анализируя информацию с этих устройств можно повысить эффективность их использования.
Широкое распространение гаджетов приводит к появлению новых задач связанных с анализом сигналов различного рода датчиков и сенсоров. В отличие от транзакционных данных, данные сенсоров могут быть зашумлены и подвержены искажениям, что в свою очередь требует особого подхода к обработке подобных сигналов. Для задач связанных со сбором и анализом информации с датчиков будут созданы специальные инструменты.
Также будут активно развиваться стандарты по интеграции датчиков и аналитических систем, что позволит существенно ускорить развитие интернета вещей в целом.
Отдельно стоит отметить, что данные носимой электроники позволят собирать больше информации о поведении и предпочтениях пользователей, что скорее всего приведет к появлению новых игроков на рынке данных.
Развитие когнитивных систем и систем автоматического принятия решения
Эксперты прогнозируют активное развитие технологий в области взаимодействия человека и искусственного интеллекта. В частности, развитие систем автоматического принятия решений в бизнес процессах, систем анализа текстовой информации, голоса, изображений и видео. Среди уже существующих продуктов можно отметить такие какGoogle Now и Word Lense.
Изменения в законодательстве связанные с хранением и обработкой данных.
Уже сегодня мы ежедневно генерируем так много данных, что по ним можно достаточно точно составить портрет каждого человека, выявить его предпочтения и узнать личную информацию. С развитием интернета вещей и появлением новых гаджетов объем данных будет только увеличиваться, а вместе с этим будет увеличиваться доля личной информации хранимой в дата- центрах.
Такое развитие ситуации приведет к повышению социального давления на сервисы и компании, имеющие непосредственное отношение к обработке подобного рода данных, что приведет к вмешательству регулятора и появлению новых законов ограничивающих использование личной информации и определяющих требования к безопасности хранения данных.
Вероятно, новые требования заставят пересмотреть архитектурные решения компаний и приведут к появлению гибридных систем при которых часть данных вместо облака будет хранится в защищенных локальных дата- центрах.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
