Разработка адаптивных моделей управления качеством промышленной продукции с использованием алгоритмов машинного обучения и производственных данных
Как цитировать
Аннотация
Ключевые слова
Финансирование
Библиографические ссылки
Васин С.А., Маликов А.А., Никольский С.М. Обоснование объема контрольных операций на основе статистических методов управления качеством продукции // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2025. Т. 23. № 1. С. 103-109.
Грушо А.А., Грушо Н.А., Забежайло М.И., Смирнов Д.В., Тимонина Е.Е., Шоргин С.Я. Обнаружение дрейфа распределения // Системы и средства информатики. 2022. Т. 32. № 4. С. 14-20.
Жуков А.В., Сидоров Д.Н. Модификация алгоритма случайного леса для классификации нестационарных потоковых данных // Вестник Южно-Уральского государственного университета. Серия «Математическое моделирование и программирование». 2016. Т. 9. № 4. С. 86-95.
Конев К.А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. 2023. Т. 50. № 3. С. 689-703.
Кувайскова Ю.Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта // Известия Самарского научного центра Российской академии наук. 2021. Т. 23. № 1. С. 111-114.
Лебедев И.С. Адаптивное применение моделей машинного обучения на отдельных сегментах выборки в задачах регрессии и классификации // Информационно-управляющие системы. 2022. № 3. С. 20-30.
Леонтьев А.С., Рыбенко И.А. Опыт внедрения машинного обучения для расчета качества и производства агломерата // Известия высших учебных заведений. Черная металлургия. 2024. Т. 67. № 1. С. 76-82.
Тимофеев Г.А., Барбашов Н.Н., Терентьева А.Д. Статистические методы управления технологическими процессами // Известия высших учебных заведений. Машиностроение. 2016. № 12(681). С. 58-65.
Тимофеева А.Ю., Авдеенко Т.В. Отбор признаков в условиях несбалансированности классов: эмпирическое сравнение корреляции и взаимной информации // Информатика и автоматизация. 2026. Т. 25. № 5. С. 1412-1443.
Шпер В.Л., Шереметьева С.А., Смелов В.Ю., Хунузиди Е.И. Контрольные карты Шухарта – простой, но не лёгкий для применения инструмент анализа данных // Известия высших учебных заведений. Черная металлургия. 2024. Т. 67. № 1. С. 121-131.
Bilen A., Grommes A., Stamer F., Lanza G. Coping with concept drift in a virtual metrology application to predict part quality in micro gear manufacturing // Measurement: Sensors. 2025. Vol. 38. Art. 101797.
Park H.J., Koo Y.S., Yang H.Y., Han Y.S., Nam C.S. Study on data preprocessing for machine learning based on semiconductor manufacturing processes // Sensors. 2024. Vol. 24. № 17. Art. 5461.
Salem M., Taheri S., Yuan J.S. An experimental evaluation of fault diagnosis from imbalanced and incomplete data for smart semiconductor manufacturing // Big Data and Cognitive Computing. 2018. Vol. 2. № 4. Art. 30.
Tercan H., Meisen T. Machine learning and deep learning based predictive quality in manufacturing: a systematic review // Journal of Intelligent Manufacturing. 2022. Vol. 33. № 7. pp. 1879-1905.
Varfolomeev I.A., Ershov E.V., Vinogradova L.N. Statistical control of defects in a continuously cast billet based on machine learning and data analysis methods // Automation and Remote Control. 2018. Vol. 79. № 8. pp. 1450-1457.
Выпуск
Раздел
Метрики
Права и условия использования
Правообладатель: Вопросы природопользования
Условия использования полного текста: CC BY-NC-ND 4.0