中国南车戚墅堰所 ——流程管理信息化建设

一:项目简介

1、客户介绍

中国南车戚墅堰机车车辆工艺研究所有限公司(以下简称“中国南车戚墅堰所”)是中国南车股份有限公司旗下的一级子公司,始建于1959年。五十多年来,中国南车戚墅堰所始终与中国轨道交通装备事业发展同行,致力于轨道交通装备现代化。目前公司不仅服务于我国干线铁路运输和城市轨道交通,还利用轨道交通装备专有技术向延伸产业发展,已经进入了汽车零部件、工程机械、风力发电等市场领域。中国南车戚墅堰所坚持走“科研支撑产业,产业反哺科研”的良性发展道路,持续加大科研投入,研发高品质产品,迅速形成了主业突出、特色明显的轨道交通装备关键零部件、齿轮传动系统、工程机械、汽车零部件、柴油机零部件等产业板块。

 

 

2、 项目背景及管理挑战

近几年戚墅堰所高速发展,产业化规模不断扩大,公司抓住历史时机,提出向信息化进军的大方向—集团化管控模式,并初显成效;但随着企业不断发展对管理水平也提出更高要求,流程管理信息化建设存在新的挑战。

流程管理挑战:

  流程越来越多,正确地发起需要的审批流程难

  流程发起随意性大,无法控制有先后关系的流程的发起

  流程间无法共享数据

  数据综合统计分析难

 

二:建设目标

中国南车戚墅堰所拥有典型机械制造业的信息化特点 ,流程管理处于企业战略层面,达到管理理念+IT工具。对于流程管理的建设目标:是为企业提供统一沟通、共享与协作平台,以帮助其提高业务协同、业务服务;

1)将各大业务应用系统整合,消除信息孤岛,提高应用系统的协作效率

2)子公司与总部信息化一体化制度、工程项目管理等等,不断提升信息化对管理体系的覆盖率;

3)实现业务的随需应变,动态适应市场发展;

4)实现制度文件与流程的无缝衔接;

5)实现多种接入方式、移动办公;

 

三:应用范围

中国南车戚墅堰BPM平台覆盖了其所有的业务部门,从集团总部到各个子公司,包括管理层、职能部门、业务部门等内外系统。

 

 

四:项目内容

 

1、协同平台:

协同平台用于处理企业内部流程的发起、审批、会签、签发、发布、流转等,实现包括企业内各级组织架构内部的公文流转,以及各组织架构之间、公司与其下属部门之间的多级流程操作。包含公司新闻、业务入口、公司公告、公用信息、企业文化、日程管理、会议室管理、我的待办等功能。

 

 

业务价值:

²  各大系统实现门户的单点登录便捷操作

²  我的代办栏里实现待阅待办及时推送,实现事找人

²  整合腾讯通,实现待办推送Citrix移动办公

 

2、出差报销管理

以前出差申请比较复杂,申请签字流程繁琐,申请人要找各个层级的领导签字填单子,最后找到财务报销,在H3 BPM解决方案中将出差申请、出差报告、出差报销统一在一个流程里,整体优化。中国南车戚墅堰所2014年1月至2月两个月数统计,流程执行次数总计2281次,其中使用频率最高的为出差申请及报程,达到880次。

 

业务价值:

²  完全按照差旅费管理办法开发执行,无人为干涉,同时也促进了制度完善;

²  报销员工信息通过e-HR系统接口获取,方便员工自己和财务核算人员明确报销额度(根据岗位和职位层级),方便核算及事后查询;

²  明确显示流程图及流转日志,让流程透明,制度可靠;

²  自动将流程信息传给e-HR,保证e-HR中员工出差信息完整,保证信息一致;

²  开发套打格式,员工报销只需完成发票凭证的粘贴,由财务人员打印单据,完善了财务审计制度。

²  由系统自动完成ERP中的凭证录入,提高工作效率

 

3、 合同管理

中国南车戚墅堰所基于H3 BPM系统开发了合同管理系统,在本系统中,可以根据合同类型、合同金额、分管领导、签约部门以及各职能管控口子自动控制流程路径,合同文本实现在线调用模版、在线编辑,并控制最终文本的生成及电子印章,防止文本的篡改形成各类型合同文本的模版,将各类合同全程监控管理。

 

 

 

业务价值:

²  完善了合同管理制度,形成各类型合同文本的模版

²  流程能根据合同类型、合同金额、分管领导、签约部门以及各职能管控口子自动控制流程路径

²  合同文本能在线调用模版,在线编辑,并控制最终文本的生成及电子印章,防止文本的篡改

 

4、预算管理

期间费用预算是企业全面预算管理的一项重要任务,集团制定明确可行的具体预算目标,这些目标包括销售收入、利润、资金占用额等。目标要先进、科学,符合集团发展战略和各预算单位的实际,且让各预算单位独立完成。戚墅堰所借助H3 BPM建立了完善的预算管理流程,包括预算的编制、考核、监督、分析和报告,形成一套综合性的预算管控体系。是一个综合的管控体系。

 

 

业务价值:

²  通过有效的财务分析管理,为企业经营决策提供依据

²  减少财务凭证堆积,大幅提升了财务流程效率

²  提升了各类指令的传递速度和传达率

²  实现绿色办公,降低办公成本

²  预算的编制、执行、资金流向监控管理等,在H3的业务流程审核状态同步更新到预算管理系统。通过整合,能更加准确地把握预算执行的效果,对信息进行及时和准确的反应。

²  通过H3直接把其费控规则进行整合,预算控制、费用标准控制等流程完全通过H3驱动进行,实现预算数据同步、实际数据回写等。例如:物料需求进程中,费用的标准透明化,业务板块人员在做预付申请时,在H3系统进行驱动,可以实时知道该业务是否合规,是否符合预算,以及该申请状态。

 

5、用车管理

 在集团企业行政管理中,公务用车管理一直是存在协调不当问题,为了加强公务用车管理,做到维护保养常态化、车辆使用合理化,确保行车安全,更好地为集团各项工作服务,结合集团实际情况,通过H3 BPM制定了完善用车流程管理

 

 

业务价值:

1、解决了用车的安排混乱,合理使用车辆;

2、节约公司公务用车费用开支;

3、最大限度的提高公务用车使用效率;

 

5、 饭卡充值管理

在戚墅堰所饭卡充值使用涉及到公共事务部和财务部,充值流程跨部门审批,另外集团子公司员工在总部使用饭卡涉及到总部与子公司费用结算问题。通过H3 BPM,实现充值便捷、结算方式去繁化简。同时还做到了员工用餐数据备份、处理和分析。

 

 

业务价值:

²  可以实现饭卡的规范管理、科学统计和快速查询、充值等

²  系统使得公共事务部与财务部的结算更加规范化

²  集团与子公司餐费方面的结算更清晰

 

五:客户效益

实现了中国戚墅堰所 “制度流程化、业务协作化”的目标。实现了以业务流程处理为基础、以优化组织结构、规范流程、提升流程效率、降低运营成本为目的的整体预期,大大地提升了企业精细化管控水平。

1、通过流程管理工具梳理、规划、落地和监控企业流程,协助企业规划战略、价值链、制度、组织、流程规划、流程知识、风险和合规;

2、子公司与集团之间的交互通过消息队列来进行传递:实现子公司到集团、集团到子公司之间流程的贯通;

3、通过统一的监控和分析实现流程优化和改进,甚至进行流程再造,打破企业按智能设置部门的管理方式,以业务流程为中心,重新设计企业管理流程,从整体上确认企业的作业流程,追求全局最优,而不是个别最优;

4、将企业内部各类服务资源进行集中管理,并通过统一接口访问;

5、各业务部门都在同一平台上逐步提供服务,享受统一的业务流程服务,包括日常行政服务、信息服务等。

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值