Почему использование компьютерных методов исследования и обработки: Почему использование компьютерных методов исследования и обработки информации создаёт условия для более детального изучения территории планеты?

Электронная микроскопия — метод, виды и особенности

Электронная микроскопия – один из методов исследования микроструктуры твердых тел, их электрических и магнитных полей, локального состава с применением совокупности электронно-зондовых методов. Данная технология была запатентована в 1931 году Р. Руденбергом, который создал первый в мире электронный микроскоп. Сегодня – это один из наиболее эффективных и передовых методов исследования, который широко используется на предприятиях, в научных, учебных лабораториях.

Метод электронной микроскопии

Данная технология стала основой в создании электронных микроскопов – приборов, в которых для построения изображения используется не световой луч, а поток электронов в вакуумной среде. Роль оптических линз, которые используются в обычных микроскопах, здесь отведена электронному полю. Именно оно и фокусирует электроны. Электромагнитное поле формируется электромагнитными катушками.

Изображение передается на флюоресцирующий экран, где его можно сфотографировать и рассмотреть детально.

К изучаемым объектам предъявляется ряд требований:

1. Необходима предварительная фиксация и обработка. Объекты в процессе работы будут находиться в глубоком вакууме.
2. Маленькая толщина. Поток электронов будет сильно поглощаться объектом. И большую толщину он не «пробьет». В качестве объектов используются срезы, толщиной от 20 до 50 нм. Для удобства работы их размещают на тонкие прозрачные пленки.
3. Равномерность слоя. Перед началом исследования проводится механическая обработка. Она способна обеспечить постоянную толщину образца.

Разрешающая способность у электронных микроскопов значительно выше, чем у оптических. Величина 0,15 нм (15 А) позволяет получать увеличение в миллионы раз, что идеально подходит для изучения микроскопических объектов.

Основные особенности

Суть метода электронной микроскопии в том, что через исследуемый образец подается электронный пучок разной энергии. Под воздействием электромагнитного поля он фокусируется на поверхности в виде пятна, в диаметре не превышающего 5 нм.

Это пятно и выполняет «изучение» объекта. Соприкасаясь с поверхностью, электронный пучок частично проникает в нее, вытесняя не только электроны, но и фотоны. Они попадают на лучевую трубку, где и из них и формируется изображение.

В сравнении со световыми (оптическими) микроскопами, электронные обладают преимуществами:

1. Можно получать очень большое увеличение (вплоть до 300000) с сохранением высокого разрешения, вплоть до атомов. Такой результат достигается при прямом наблюдении объекта. То есть не требуется дополнительных увеличений.
2. Позволяют изучать химический состав образца по точкам. Используется спектральный анализ рентгеновского излучения, которое возбуждается электромагнитным потоком.
3. Пользователь получает прямую электронно-оптическую информацию об исследуемом объекте. При необходимости ее можно будет дополнить сопутствующими данными, основываясь на электронной дифракции электронов с веществом. Как пример: при помощи дифракционного контраста изображений определяются кристаллографические показатели.
4. Обеспечивает возможность дополнительного воздействия на объект в ходе исследования. Его можно нагревать, облучать, деформировать, намагничивать. Наблюдение за процессами будет динамическим. Есть возможность фото- и видеофиксации происходящего. Качество изображения будет достаточно высоким.
5. Есть возможность наблюдать за рельефом поверхности, анализируя катодолюминесценцию. Такую возможность предоставляет электронная растровая разновидность микроскопии.

Виды электронной микроскопии

Выделяют 2 основных вида электронной микроскопии:

1. Просвечивающая или трансмиссионная – ПЭМ.
2. Сканирующая или растровая – СЭМ.

Просвечивающая электронная микроскопия

В микроскопах, работающих по этой технологии на объект, воздействует пучок ускоренных электронов, обладающих энергией от 50 до 200 кэВ. Те электроны, которые образец не пропустит, будут отклоняться на небольшой угол. И они, и те, которые пройдут через исследуемый объект с незначительными энергетическими потерями, попадают на магнитные линзы. В результате на фотопленке или люминесцентном экране формируется изображение внутренней структуры. Хорошие результаты дает при исследовании ультратонких образцов – менее 0,1 мкм в толщину.

При работе с ПЭМ одна из наиболее важных задач – различать природу контрастов:

• Абсорбционный. Результат неупругого рассеивания электронов, которые проходят через образец. Более плотные элементы будет выделяться темным на общем белом фоне. Если состав образца однородный, контрастировать будут участки разной толщины. Применяется при исследовании микрочастиц на аморфной пленке.
• Дифракционный. Формируется при упругом рассеивании электронов, которые проходят через исследуемый образец на неподвижных и стандартно размещенных атомах кристаллической решетки. Подходит для определения кристаллической структуры и размеров решетки.
• Амплитудный. Контраст такого типа образуется в результате выделения одного конкретного рефлекса из общей дифракционной картины. Его изображение передается на оптическую ось. При этом прямой пучок окажется на экране светлым, а тот, который отклонился (дифрагированный) – темным. Неоднородности укажут на дефекты кристаллической решетки. Применяется такой метод исследования для определения несовершенства кристаллической решетки, ее природы и свойств.
• Фазовый. Образуется при многопучковой электронной дифракции как результат уменьшения или увеличения амплитуды волн с разным сдвигом по фазе. Позволяет определять ориентацию кристаллических решеток разных фаз образца, дефекты решеток.

Одна из разновидностей ПЭМ – просвечивающая электронная микроскопия высокого разрешения (ВРЭМ). Формируется в случае, когда пучок электронов падает параллельно оси кристаллов в условиях фазового контраста. Позволяет диагностировать даже мельчайшие неоднородности кристаллической решетки.

Сканирующая электронная микроскопия

Сканирующей электронной микроскопией (СЭМ) получают изображения поверхности исследуемого образца с высокой разрешающей способностью. Получают трехмерные картинки, которые будут удобными в процессе изучения структуры. Дополнительно можно использовать методики EDX, WDX, чтобы получить информацию о химическом составе околоповерхностных слоев.

В оборудовании сфокусированный электронный пучок средней энергии сканирует образец. Предусмотрено несколько режимов работы:

1. Режим отраженных электронов.
2. Режим вторичных электронов.
3. Режим катодолюминиценции и пр.

Эти методики позволяют не только изучать свойства поверхности, но и получать наглядную информацию о структурах, расположенных на несколько микрон ниже верхнего слоя.

СЭМ может работать только с образами, которые можно погружать в вакуум – твердыми. Жидкие среды предварительно подвергают криозаморозке. Форма и размеры образца ограничиваются только размерами рабочей камеры микроскопа. Эффективность исследования можно повысить путем напыления слоя токопроводящего материала.

Возможности

Технология электронной микроскопии постоянно развивается:

1. совершенствуются способы подготовки образцов;
2. разрабатываются методики для получения более качественной и широкой информации;
3. улучшается электронная оптика;
4. повышается чувствительность методов анализа применением спектрометрических систем;
5. разрабатываются методики компьютерной обработки изображений с целью получения более широкой информации о структуре;
6. тестируются методы компьютеризации, автоматизации путем подключения к микроскопу дополнительной аппаратуры и пр.

Благодаря последним наработкам метод электронной микроскопии используют уже и при работах с влажными образцами, исключая нарушение их структуры и локального состава. Для этого применяется низкотемпературное замещение воды, сверхбыстрое замораживание в среде хладагента, прижим к металлу, который охлаждается жидким азотом и пр.

Существенно возможности метода расширило использование компьютерной техники, в частности математическая обработка электронных изображений. Теперь изображения можно запоминать, корректировать контрастность, добавлять оттенки цветов, выделять микроструктуры, убирать шумы, выделять границы исследуемых участков и пр.

Области применения

Метод электронной микроскопии используют для изучения поверхности объектов, ультратонких срезов тканей, микробов. С его помощью определяют строение жгутиков, вирусов и пр. Оборудование, основанное на этой технологии, широко используется в различных научных и производственных отраслях:

1. Полупроводники, хранение данных. Выполняется анализ дефектов, трехмерная метрология, определяются неисправности, редактируются рабочие схемы.
2. Биология и медицина. Электронные микроскопы применяют в криобиологии, электронной и клеточной томографии, вирусологии, стекловании. С их помощью определяют локализацию белков, анализируют частички, выполняют фармацевтический контроль качества, получают трехмерные изображения тканей.
3. Промышленности. Электронные микроскопы позволяют снимать плоские и трехмерные микрохарактеристики, параметры частиц, проводить динамические эксперименты с материалами, получения изображения высокого разрешения. Они применяются в химической, нефтехимической горнодобывающей отрасли, микротехнологии, судебной медицине и пр.
4. Научно-исследовательские лаборатории. Электронная микроскопия позволяет делать квалификацию материалов, создавать нанопрототипы, исследовать микроструктуры металлов, подбирать материалы и образцы. Микроскопы также применяются для тестирования и снятия характеристик.

Главная задача – подобрать микроскоп, работающий электронным методом под особенности предстоящих работ. В каталоге компании «Sernia Инжиниринг» можно подобрать подходящее оборудование для любой научно-исследовательской и производственной задачи. Приборы поставляются по Москве, Санкт-Петербургу и в другие регионы РФ. Все они имеют сертификаты соответствия, на них действуют гарантии. Узнать актуальные цены, условия сотрудничества, получить консультации и помощь в выборе можно у менеджеров компании. Свяжитесь с ними по телефону или через онлайн-форму.

А.С.Илюшин, А.П.Орешко. Введение в дифракционный структурный анализ. М.: физический факультет МГУ, 2008

24.2.319.01 — (по техническим наукам) – Диссертационные советы – Наука – КубГТУ

• 2.3.1. — Системный анализ, управление и обработка информации (технические науки)
• 2.3.3. — Автоматизация и управление технологическими процессами и производствами (технические науки)

Председатель

Д-р техн. наук, проф. Симанков Владимир Сергеевич
Эл. почта: [email protected], тел.: (861) 275-11-10

Ученый секретарь

Канд. техн. наук, доц. Власенко Александра Владимировна
Эл. почта: [email protected], тел.: (861) 275-89-31

Состав диссертационного совета

№ п/п	ФИО	Ученая степень, ученое звание, шифр специальности и отрасль науки в совете
1	Симанков Владимир Сергеевич (председатель)	доктор технических наук, профессор, 05. 13.01, технические науки
2	Атрощенко Валерий Александрович (зам.председателя)	доктор технических наук, профессор, 05.13.06, технические науки
3	Власенко Александра Владимировна (ученый секретарь)	кандидат технических наук, доцент, 05.13.06, технические науки
4	Астреин Вадим Викторович	доктор технических наук, доцент, 05.13.01, технические науки
5	Видовский Леонид Адольфович	доктор технических наук, доцент, 05.13.01, технические науки
6	Гапоненко Александр Макарович	доктор технических наук, профессор, 05.13.06, технические науки
7	Григораш Олег Владимирович	доктор технических наук, профессор, 05.13.06, технические науки
8	Дьяченко Роман Александрович	доктор технических наук, доцент, 05. 13.01, технические науки
9	Коробейников Борис Андреевич	доктор технических наук, профессор, 05.13.06, технические науки
10	Косачев Вячеслав Степанович	доктор технических наук, профессор, 05.13.01, технические науки
11	Крупенин Александр Владимирович	доктор технических наук, профессор, 05.13.01, технические науки
12	Лойко Валерий Иванович	доктор технических наук, профессор, 05.13.01, технические науки
13	Лубенцов Валерий Федорович	доктор технических наук, профессор, 05.13.06, технические науки
14	Подгорный Сергей Александрович	доктор технических наук, 05.13.06, технические науки
15	Сизоненко Александр Борисович	доктор технических наук, доцент, 05.13.01, технические науки
16	Сингаевский Николай Алексеевич	доктор технических наук, профессор, 05. 13.06, технические науки
17	Степанов Владимир Васильевич	доктор технических наук, профессор, 05.13.01, технические науки
18	Халафян Алексан Альбертович	доктор технических наук, доцент, 05.13.01, технические науки
19	Хисамов Франгиз Гильфанетдинович	доктор технических наук, 05.13.01, технические науки
20	Шевцов Юрий Дмитриевич	доктор технических наук, профессор, 05.13.06, технические науки

Паспорт специальностей, входящих в совет

05.13.01 — Системный анализ, управление и обработка информации (по отраслям)

Формула специальности:

Системный анализ, управление и обработка информации (по отраслям) — специальность, занимающаяся проблемами разработки и применения методов системного анализа сложных прикладных объектов исследования, обработки информации, целенаправленного воздействия человека на объекты исследования, включая вопросы анализа, моделирования, оптимизации, совершенствования управления и принятия решений, с целью повышения эффективности функционирования объектов исследования. Специальность отличается тем, что ее основным содержанием являются теоретические и прикладные исследования системных связей и закономерностей функционирования и развития объектов и процессов с учетом отраслевых особенностей, ориентированные на повышение эффективности управления ими с использованием современных методов обработки информации. Значение решения научных и технических проблем данной специальности для народного хозяйства состоит в разработке новых и совершенствовании существующих методов и средств анализа обработки информации и управления сложными системами, повышения эффективности надежности и качества технических систем.

Области исследований:

1. Теоретические основы и методы системного анализа, оптимизации, управления, принятия решений и обработки информации.
2. Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации.
3. Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.
4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.
5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.
6. Методы идентификации систем управления на основе ретроспективной, текущей и экспертной информации.
7. Методы и алгоритмы структурно-параметрического синтеза и идентификации сложных систем.
8. Теоретико-множественный и теоретико-информационный анализ сложных систем.
9. Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических объектов.
10. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах.
11. Методы и алгоритмы прогнозирования и оценки эффективности, качества и надежности сложных систем.
12. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.
13. Методы получения, анализа и обработки экспертной информации.

Примечание: Специальность не включает исследования в следующих областях: автоматизированные системы управления технологическими процессами и производствами; управление в социальных и экономических системах; программное обеспечение вычислительных машин, комплексов и компьютерных сетей; системы автоматизации проектирования; системы математического моделирования; системы защиты информации. Эти области исследования включают соответственно специальности 05.13.06, 05.13.10, 05.13.11, 05.13.12, 05.13.18, 05.13.19.

Отрасль наук:

• технические науки
• физико-математические науки

05.13.06 — Автоматизация и управление технологическими процессами и производствами (по отраслям)

Формула специальности:

Автоматизация и управление технологическими процессами и производствами (по отраслям) — специальность, занимающаяся математическим, информационным, алгоритмическим и машинным обеспечением создания автоматизированных технологических процессов и производств и систем управления ими, включающая методологию исследования и проектирования, формализованное описание и алгоритмизацию, оптимизацию и имитационное моделирование функционирования систем, внедрение, сопровождение и эксплуатацию человекомашинных систем. Специальность включает научные и технические исследования и разработки, модели и структурные решения человекомашинных систем, предназначенных для автоматизации производства и интеллектуальной поддержки процессов управления и необходимой для этого обработки данных в организационно-технологических и распределенных системах управления в различных сферах технологического производства и других областях человеческой деятельности. Актуальность развития проблемной области данной специальности и ее народнохозяйственное значение обусловлено ростом масштабов работ по интенсификации и компьютеризации технологического производства и комплексной автоматизации производства и интегрированного управления функционированием как сетью технологических процессов, так и отдельным предприятием и целой отраслью народного хозяйства. Создание на научной основе автоматизированных производств и систем управления технологическими процессами, их последовательная увязка по иерархическим уровням и интеграция в единую систему сбора и обработки данных и оперативного управления повышает качество и эффективность всех звеньев производства в народном хозяйстве.

Области исследований:

1. Автоматизация производства заготовок, изготовления деталей и сборки.
2. Автоматизация контроля и испытаний.
3. Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т. д.
4. Теоретические основы и методы математического моделирования организационно-технологических систем и комплексов, функциональных задач и объектов управления и их алгоритмизация.
5. Теоретические основы, средства и методы промышленной технологии создания АСУТП, АСУП, АСТПП и др.
6. Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления.
7. Методы совместного проектирования организационно-технологических распределенных комплексов и систем управления ими.
8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.
9. Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации.
10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТПП и др.
11. Методы планирования и оптимизации отладки, сопровождения, модификации и эксплуатации задач функциональных и обеспечивающих подсистем АСУТП, АСУП, АСТПП и др., включающие задачи управления качеством, финансами и персоналом.
12. Методы контроля, обеспечения достоверности, защиты и резервирования информационного и программного обеспечения АСУТП, АСУП, АСТПП и др.
13. Теоретические основы и прикладные методы анализа и повышения эффективности, надежности и живучести АСУ на этапах их разработки, внедрения и эксплуатации.
14. Теоретические основы, методы и алгоритмы диагностирования, (определения работоспособности, поиск неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и др.
15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).
16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.
17. Использование методов автоматизированного проектирования для повышения эффективности разработки и модернизации АСУ.
18. Средства и методы проектирования технического, математического, лингвистического и других видов обеспечения АСУ.
19. Разработка методов обеспечения совместимости и интеграции АСУ, АСУТП, АСУП, АСТПП и других систем и средств управления.
20. Разработка автоматизированных систем научных исследований.

Смежные специальности:

• 05.13.12 — Системы автоматизации проектирования
• 05.13.11 — Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей
• 05.13.05 — Элементы и устройства вычислительной техники и систем управления
• 05. 13.01 — Системный анализ, управление и обработка информации (по отраслям)
• 05.02.08 — Технология машиностроения

Родственные специальности:

• 05.11.01 — Приборы и методы измерений (по видам измерений)
• 05.11.07 — Оптические и оптикоэлектронные приборы и комплексы
• 05.11.14 — Технология приборостроения

Примечание:

Специальность не включает исследования в следующих областях:

• разработка методов построения систем специального назначения для обработки информации и управления;
• вычислительные машины, комплексы, системы и сети;
• системы автоматизации проектирования;
• методы и системы защиты информации, информационная безопасность.

Эти области исследования включают соответственно специальности: 05.13.01, 05.13.05, 05.13.11, 05.13.12, 05.13.19.

Отрасль наук: технические науки

Что такое обработка данных в исследованиях?

Благодаря обработке данных компании могут получать ценную информацию, принимать обоснованные бизнес-решения и обеспечивать себе конкурентное преимущество за счет сужения данных для получения наиболее точной и надежной информации. Когда вы знаете важность обработки данных в количественных исследованиях и можете успешно применять эти методы, вы можете добиться лучших результатов для своего бизнеса.

Методы обработки данных в исследованиях

Обработка данных в исследованиях – это сбор и преобразование набора данных в ценную полезную информацию. В ходе этого процесса исследователь, инженер данных или специалист по данным берет необработанные данные и преобразует их в более удобочитаемый формат, такой как график, отчет или диаграмма, либо вручную, либо с помощью автоматизированного инструмента. Затем исследователь будет использовать эту информацию, чтобы получить представление, решить проблемы, внести улучшения и, в конечном итоге, получить лучшие результаты.

Какие этапы обработки данных?

Цикл обработки данных включает несколько шагов. Хотя каждый этап имеет определенный порядок, весь процесс повторяется циклически.

1. Сбор

Сбор данных — это процесс извлечения данных из доступных источников, таких как хранилища данных и озера данных. Необработанные данные могут поступать в нескольких формах: от поведения пользователей до денежных показателей, отчетов о прибылях и убытков и веб-куки.

Тип необработанных данных, которые вы собираете, окажет значительное влияние на результат, который вы позже получите. Исследователи должны обращаться к точным, заслуживающим доверия и всеобъемлющим источникам для получения достоверных и полезных результатов.

2. Подготовка

В процессе подготовки данных вы будете полировать, систематизировать, фильтровать и проверять необработанные данные на наличие ошибок. Этап подготовки данных предназначен для исключения некорректных, избыточных или неполных данных и преобразования их в удобную форму для дальнейшей обработки и анализа. Целью подготовительного этапа является получение максимально качественных данных.

3. Ввод

Этап ввода — это первый этап, на котором необработанные данные начинают напоминать полезную информацию. Как только данные будут очищены, вы введете их в соответствующее место назначения, например, в хранилище данных или программное обеспечение для управления взаимоотношениями с клиентами (CRM), и переведете их на язык, совместимый с этими системами. Вы можете вводить эти данные, используя различные источники ввода, включая клавиатуры, сканеры или дигитайзеры.

4. Обработка

Далее вы начнете обрабатывать данные, хранящиеся на вашем компьютере, на этапе ввода данных. Вы можете выполнять обработку данных с помощью алгоритмов машинного обучения и искусственного интеллекта для получения желаемых входных данных, но обработка будет зависеть от ваших источников данных и предполагаемого использования выходных данных. Вы можете использовать данные на этапе обработки различными способами: от постановки медицинских диагнозов до определения потребностей клиентов и установления связей между рекламными шаблонами.

5. Результат

На этом этапе данные становятся пригодными для использования и могут быть интерпретированы учеными, не занимающимися данными. Эти переведенные данные удобочитаемы и часто представлены в виде изображений, графиков, текста, аудио и видео. После интерпретации члены компании могут самостоятельно обслуживать данные для своих аналитических проектов.

6. Хранение

После успешной обработки данных вся оставшаяся информация должна быть сохранена для последующего использования. Когда компании правильно хранят свои данные, они по-прежнему соблюдают законодательство о защите данных и продвигают более быстрые и простые способы доступа к информации, когда им это необходимо. Они также могут использовать эти данные в качестве входных данных в следующем цикле обработки.

Три метода обработки данных?

Вы можете выбрать один из трех основных методов обработки данных в зависимости от ваших потребностей:

Ручная обработка данных: С помощью этого метода пользователи обрабатывают данные вручную, то есть они выполняют каждый шаг без использования электроники или программного обеспечения для автоматизации. Хотя этот метод является наименее дорогим и требует минимальных ресурсов, он может занимать много времени и сопряжен с более высоким риском возникновения ошибок.

Механическая обработка данных: Механическая обработка включает использование машин и устройств для фильтрации данных, таких как калькуляторы, печатные станки или пишущие машинки. Этот метод подходит для простых попыток обработки данных и дает меньше ошибок, но является более сложным, чем другие методы.

Электронная обработка данных:  Исследователи обрабатывают данные, используя современное программное обеспечение и технологии обработки данных, где они передают набор инструкций программе для анализа данных и создания выходных данных. Хотя этот метод является самым дорогим, он также является самым быстрым и надежным для получения точных результатов.

Преимущества обработки данных в количественных исследованиях

При использовании обработки данных в количественных исследованиях ваша компания получит ряд преимуществ:

• Более простое создание отчетов
• Более высокая скорость обработки
• Снижение затрат
• Простое хранение
• Более высокая точность данных
• Соответствие нормативным требованиям
• Повышенная безопасность
• Удобное сотрудничество

Попробуйте услуги по обработке данных с Cint уже сегодня!

Свяжитесь с нами сегодня, чтобы узнать больше о нашем программном обеспечении нового уровня для исследования рынка и услугах по обработке данных.

Исследование операций | Определение, история, примеры, характеристики и факты

проблема последовательности работы мастерской

Просмотреть все средства массовой информации

Ключевые люди:

Чарльз Бэббидж Джордж Данциг

Похожие темы:

системная инженерия промышленная инженерия теория массового обслуживания управление

См. весь связанный контент →

исследование операций , также называемое исследованием операций , применение научных методов в управлении и управлении организованными военными, государственными, коммерческими и промышленными процессами.

Исследование операций пытается дать тем, кто управляет организованными системами, объективную и количественную основу для принятия решений; обычно это выполняется группами ученых и инженеров, набранных из различных дисциплин. Таким образом, исследование операций — это не наука сама по себе, а скорее приложение науки к решению управленческих и административных проблем, и оно фокусируется на работе организованных систем, взятых в целом, а не на их частях, взятых по отдельности. Обычно занимаясь системами, в которых человеческое поведение играет важную роль, исследование операций отличается в этом отношении от системной инженерии, которая, используя аналогичный подход, имеет тенденцию концентрироваться на системах, в которых человеческое поведение не важно. Первоначально исследования операций были связаны с улучшением работы существующих систем, а не с разработкой новых; обратное было верно для системной инженерии. Однако эта разница исчезала по мере развития обеих областей.

Предмет исследования операций состоит из решений, управляющих работой систем. Следовательно, речь идет о том, как принимаются и должны приниматься управленческие решения, как собирать и обрабатывать данные и информацию, необходимые для эффективного принятия решений, как контролировать решения после их реализации и как организовать процесс принятия и реализации решений. процесс. Широко используются более старые дисциплины, такие как логика, математика и статистика, а также более поздние научные разработки, такие как теория коммуникаций, теория принятия решений, кибернетика, теория организации, науки о поведении и общая теория систем.