emanagE-ManagementE-Management2658-34452686-8407State University of Management10.26425/2658-3445-2024-7-4-4-14emanag-481Research ArticleЭЛЕКТРОННЫЙ МЕНЕДЖМЕНТ В ОТРАСЛЯХELECTRONIC MANAGEMENT IN VARIOUS FIELDSЦифровизация бизнес-процессов в промышленности: оценка засоренности ломаBusiness processes digitalization in industry: assessing scrap metal contaminationhttps://orcid.org/0000-0002-1165-1373ДегтярёваВ. В.DegtyarevaV. V.

Дегтярёва Виктория Владимировна - Канд. экон. наук, доц. каф. управления инновациями  

г. Москва

 Viktoria V. Degtyareva - Cand. Sci. (Econ.), Assoc. Prof. at the Innovation Management Department

Moscow

iump@mail.ruГосударственный университет управленияРоссияState University of ManagementRussian Federation20241712202474414Copyright © Дегтярёва В.В., 20242024Дегтярёва В.В.Degtyareva V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://e-management.guu.ru/jour/article/view/481

В настоящее время в отрасли черной металлургии наблюдаются растущие тенденции по показателю «ломообразование», что требует более ответственного отношения и эффективных способов в последующих переделах производственной цепочки. Приведены прогнозы развития рынка лома черных металлов в перспективе до 2030 г. Представлены факты о возрастающих тенденциях применения машинного зрения в промышленном секторе в результате проведения кластеризации ключевых слов «машинное зрение и промышленность» на основе публикаций, размещенных в базе данных NCBI PubMed. Объект исследования – предприятия металлургической отрасли, в частности по ломозаготовке черных металлов. Предмет исследования – процесс оценки засоренности лома. Проведено сравнение традиционного процесса оценки лома и цифрового (на основе применения машинного зрения), которые визуализированы в виде алгоритмов последовательности шагов их реализации. Подтверждена гипотеза о более эффективном использовании технологии машинного зрения в технологическом производственном процессе оценки засоренности металлолома при его приеме для дальнейшего передела по сравнению с технологией, основанной на визуально-экспертной оценке. Представлены перспективы использования и коммерциализации цифрового сервиса, а также его влияние на прозрачность и надежность взаимодействия между контрагентами. Использовались такие научные методы, как библиометрический анализ литературы, посвященный вопросам применяемых методов и способов оценки качества выгружаемого лома, сравнительный анализ применяемых процессов оценки засоренности лома на основе рассмотренных алгоритмов, а также методы синтеза, которые обобщают результаты.

Currently, ferrous metallurgy industry is experiencing growing trends in the scrap indicator, which requires a more responsible attitude and effective methods in subsequent redistribution of the production chain. Forecasts of ferrous scrap market development in the perspective up to 2030 have been given. Facts about the increasing trends of machine vision application in the industrial sector as a result of “machine vision and industry” keyword clustering based on publications in the NCBI PubMed database have been presented. The object of the study is enterprises of metallurgical industry, in particular for ferrous metal scrap harvesting. The subject of the study is the process of scrap contamination assessment. Comparison of the traditional process of scrap assessment and the digital one (based on machine vision application), which are visualized in the form of the implementation steps sequence algorithms, has been carried out. The hypothesis about more effective use of machine vision technology in the technological production process of scrap metal contamination assessment when it is accepted for further processing in comparison with the technology based on visual-expert assessment has been confirmed. The prospects for the use and commercialization of the digital service have been presented, as well as its impact on transparency and reliability of interaction among contractors. Scientific methods such as bibliometric analysis of literature devoted to the issues of applied methods and techniques for assessing the quality of unloaded scrap, comparative analysis of applied processes for assessing scrap clogging based on the presented algorithms, as well as synthesis methods that summarize the results were used.

Промышленностьметаллургияподготовка ломацифровизация бизнес-процессовответственное потреблениеустойчи вое развитиемашинное зрениеискусственный интеллектIndustrymetallurgyscrap preparationbusiness processes digitalizationresponsible consumptionsustainable developmentma chine visionartificial intelligenceReferencesБойченко М.М., Перчаткин А.В., Фимушин А.В. Свидетельство о государственной регистрации программы для ЭВМ № 2023613105. Сервис визуализации и расчета засоренности лома в вагонах ОКО-Сорт НЛМК (ОКО-Сорт НЛМК): № 2023611096: заявл. 24.01.2023: опубл. 10.02.2023.Boychenko M.M., Perchatkin A.V., Fimushin A.V. Certificate of state registration of the computer program No. 2023613105. Ser vice for visualizing and calculating scrap contamination in wagons OKO-Grade NLMK (OKO-Grade NLMK): No. 2023611096: application 24.01.2023: publ. 10.02.2023. (In Russian).Дегтярева В.В., Плугарь М.С. Совершенствование бизнес-процесса оценки засоренности металлолома на основе вне дрения цифровых инструментов. Russian Economic Bulletin. 2023;2(6):205–211.Brooks L., Gaustad G., Gesing A., Mortvedt T., Freire F. Ferrous and non-ferrous recycling: Challenges and potential technol ogy solutions. Waste Management. 2019;85:519–528. https://doi.org/10.1016/j.wasman.2018.12.043Дзюб И.С., Белякова А.С., Стронкин Д.А. Разработка экспертной система оценки степени засора и металлического ло ма на участке подготовки лома ЛПК АО «ВМЗ» по изображениям содержимого разгружаемых транспортных средств. Методы и устройства передачи и обработки информации. 2023;25:57–63.Chen S., Hu Z., Wang C., Pang Q., Hua L. Research on the process of small sample non-ferrous metal recognition and separa tion based on deep learning. Waste Management. 2021;126:266–273. https://doi.org/10.1016/j.wasman.2021.03.019Жихарев П.Ю., Мунтин А.В., Брайко Д.А., Крючкова М.О. Искусственный интеллект и машинное обучение в метал лургии. Часть 2. Примеры применения. Металлург. 2023;10:99–111.Degtyareva V.V., Plugar M.S. Improvement of the business process of scrap metal debris assessment based on the implemen tation of digital tools. Russian Economic Bulletin. 2023;2(6):205–211. (In Russian).Камчатова Е.Ю., Чащин В.Д. Результаты цифровизации промышленности (на примере металлургического комплекса России). В кн.: Приоритетные и перспективные направления научно-технического развития Российской Федерации: материалы V Всероссийской научно-практической конференции, Москва, 16 февраля 2022 г. М.: Государственный университет управления; 2022. С. 232–235.Dzyub I.S., Belyakova A.S., Stronkin D.A. Development of an expert system for assessing the degree of blockage and met al scrap at the scrap preparation site of the timber processing complex of JSC “VMZ” based on images of the contents of un loaded vehicles. M&D Journal. 2023;25:57–63. (In Russian).Мунтин А.В., Жихарев П.Ю., Зинягин А.Г., Брайко Д.А. Искусственный интеллект и машинное обучение в металлургии. Часть 1. Методы и алгоритмы. Металлург. 2023;6:124–130. https://doi.org/10.52351/00260827_2023_06_124Jeske T., Würfels M., Lennings F. Development of Digitalization in Production Industry – Impact on Productivity, Management and Human Work. Procedia Computer Science. 2021;2(180):371–380. http://dx.doi.org/10.1016/j.procs.2021.01.358Шешуков О. Ю., Мысик В. Ф., Некрасов И. В., Трегубова Ю. А. Актуальные вопросы подготовки лома к электроплавке. В кн.: Физико-химические основы металлургических процессов (ФХОМП 2022): материалы Международной научной конференции имени академика А.М. Самарина, посвященной 120-летию со дня рождения выдающегося ученого-металлурга, академика АН СССР Самарина А.М., 265-летию со дня основания Выксунского металлургического завода и 20-летию Выксунского филиала НИТУ «МИСиС», Выкса, 10–14 октября 2022 г. Выкса: Выксунский металлургический завод; 2022. С. 176–180.Kamchatova E.Yu., Chashchin V.D. Industry digitalization results (Russian metallurgical complex case). In: Priority and prom ising directions of scientific and technical development of Russia: Proceedings of the V All-Russian Scientific and Practical Conference, Moscow, February 16, 2022. Moscow: State University of Management; 2022. Pp. 232–235. (In Russian).Brooks L., Gaustad G., Gesing A., Mortvedt T., Freire F. Ferrous and non-ferrous recycling: Challenges and potential technology solutions. Waste Management. 2019;85:519–528. https://doi.org/10.1016/j.wasman.2018.12.043Kashiwakura S., Wagatsuma K. Characteristics of the calibration curves of copper for the rapid sorting of steel scrap by means of laser-induced breakdown spectroscopy under ambient air atmospheres. Analytical Sciences. 2013;12(29):1159–1164. https://doi.org/10.2116/analsci.29.1159Chen S., Hu Z., Wang C., Pang Q., Hua L. Research on the process of small sample non-ferrous metal recognition and separation based on deep learning. Waste Management. 2021;126:266–273. https://doi.org/10.1016/j.wasman.2021.03.019Lee J., Irisboev I.O., Ryu Y. Literature Review on Digitalization in Facilities Management and Facilities Management Per formance Measurement: Contribution of Industry 4.0 in the Global Era. Sustainability. 2021;13(23):13432. http://dx.doi. org/10.3390/su132313432Jeske T., Würfels M., Lennings F. Development of Digitalization in Production Industry – Impact on Productivity, Management and Human Work. Procedia Computer Science. 2021;2(180):371–380. http://dx.doi.org/10.1016/j.procs.2021.01.358Li Y., Qin X., Zhang Z., Dong H. A robust identification method for nonferrous metal scraps based on deep learning and super pixel optimization. Waste Management & Research. 2021;4(39):573–583. https://doi.org/10.1177/0734242X20987884Kashiwakura S., Wagatsuma K. Characteristics of the calibration curves of copper for the rapid sorting of steel scrap by means of laser-induced breakdown spectroscopy under ambient air atmospheres. Analytical Sciences. 2013;12(29):1159–1164. https://doi.org/10.2116/analsci.29.1159Meng L., Wang Z., Wang L., Guo L., Guo Z. Novel and efficient purification of scrap Al-Mg alloys using supergravity technol ogy. Waste Management. 2021;119:22–29. https://doi.org/10.1016/j.wasman.2020.09.027Lee J., Irisboev I.O., Ryu Y. Literature Review on Digitalization in Facilities Management and Facilities Management Performance Measurement: Contribution of Industry 4.0 in the Global Era. Sustainability. 2021;13(23):13432. http://dx.doi.org/10.3390/su132313432Muntin A.V., ZhikharevP.Yu., Ziniagin A.G., Brayko D.A. Artificial intelligence and machine learning in metallurgy. Part 1. Methods and algorithms. Metallurg. 2023;6:124–130. (In Russian). https://doi.org/10.52351/00260827_2023_06_124Li Y., Qin X., Zhang Z., Dong H. A robust identification method for nonferrous metal scraps based on deep learning and superpixel optimization. Waste Management & Research. 2021;4(39):573–583. https://doi.org/10.1177/0734242X20987884Sheshukov O.Yu., Mysik V.F., Nekrasov I.V., Tregubova Yu.A. Current issues of scrap preparation for electric melting. In: Physi co-chemical foundations of metallurgical processes: Proceedings of the International Scientific Conference named after academician A.M. Samarin, dedicated to the 120th anniversary of the birth of the outstanding metallurgist scientist, academician of the USSR Academy of Sciences A.M. Samarin, the 265th anniversary of the founding of the Vyksa Metallurgical Plant, and the 20th anniversa ry of the Vyksa branch of MISIS, Vyksa, October 10–14, 2022. Vyksa: Vyksa Metallurgical Plant; 2022. Pp. 176–180. (In Russian).Meng L., Wang Z., Wang L., Guo L., Guo Z. Novel and efficient purification of scrap Al-Mg alloys using supergravity technology. Waste Management. 2021;119:22–29. https://doi.org/10.1016/j.wasman.2020.09.027Srivastava E., Kim H., Lee J., Shin S., Jeong S., Hwang E. Adversarial Data Augmentation and Transfer Net for Scrap Met al Identification Using Laser-Induced Breakdown Spectroscopy Measurement of Standard Reference Materials. Applied Spec troscopy. 2023;6(77):603–615. https://doi.org/10.1177/00037028231170234Srivastava E., Kim H., Lee J., Shin S., Jeong S., Hwang E. Adversarial Data Augmentation and Transfer Net for Scrap Metal Identification Using Laser-Induced Breakdown Spectroscopy Measurement of Standard Reference Materials. Applied Spectroscopy. 2023;6(77):603–615. https://doi.org/10.1177/00037028231170234Zhikharev P.Yu., Muntin A.V., Brayko D.A., Kryuchkova M.O. Artificial intelligence and machine learning in metallurgy. Part 2. Application examples. Metallurg. 2023;10:99–111. (In Russian).

The authors declare that there are no conflicts of interest present.