Интеграция методов статистического управления процессами и машинного обучения в инженерной практике обеспечения качества на высоковариативных производственных линиях

Аннотация

Статья посвящена проблеме обеспечения качества продукции на высоковариативных производственных линиях в условиях роста сложности киберфизических производственных систем и ограничений классических методов статистического управления процессами. Целью работы является разработка и экспериментальная проверка гибридного подхода, интегрирующего инструменты SPC и методы машинного обучения для проактивного управления качеством при изготовлении препрегов на основе углеродного волокна и эпоксидного связующего. В качестве объекта исследования рассмотрена реальная производственная линия авиакосмического назначения, для которой за 12 месяцев был собран высокочастотный массив данных (45 параметров, более 2 ТБ), включающий как технологические режимы, так и итоговые показатели качества и метки брака. На первом этапе применены традиционные SPC-инструменты (XmR-карты, индексы Ср и Срк) для оценки стабильности процесса и выделения критических параметров; показано, что ряд величин, в частности вязкость связующего и натяжение углеволокна, демонстрируют низкую воспроизводимость и служат основными источниками вариабельности. На втором этапе выполнена предобработка и анализ данных методами машинного обучения: с помощью Isolation Forest устранены выбросы, проведена нормализация, а модель случайного леса использована для ранжирования 45 параметров по значимости, что позволило выявить неочевидные влияния влажности в цехе и температуры каландровых валов. Для прогнозирования брака обучены и сопоставлены модели логистической регрессии, SVM и XGBoost, при этом градиентный бустинг продемонстрировал наилучшие характеристики (F1-score 0,959 при высокой точности и полноте), подтверждает выраженную нелинейность исследуемого процесса. Дополнительно алгоритм DBSCAN позволил идентифицировать скрытые кластеры режимов, связанные как с ухудшением качества, так и с деградацией измерительного оборудования, что открывает возможности предиктивного обслуживания. На основе полученных результатов предложена трехуровневая архитектура системы качества, в которой SPC обеспечивает базовый мониторинг, предиктивные ML-модели реализуют опережающий контроль риска брака, а кластерный анализ выполняет функцию обнаружения новых аномальных состояний, формируя data-driven основу для реализации концепции Индустрии 4.0 на высоковариативных производственных линиях.