ОКРУЖАЮЩАЯ СРЕДА И ТЕХНОЛОГИИ

Разработка адаптивных моделей управления качеством промышленной продукции с использованием алгоритмов машинного обучения и производственных данных

Авторы

  • Александр Васильевич Заказчиков Российский государственный геологоразведочный университет имени Серго Орджоникидзе, 117997, Москва, ГСП-7, ул. Миклухо-Маклая, д. 23

Как цитировать

ГОСТ Заказчиков А. В. Разработка адаптивных моделей управления качеством промышленной продукции с использованием алгоритмов машинного обучения и производственных данных // Вопросы природопользования. 2026. Т. 5. № 4. С. 34-44. DOI: 10.25726/y5105-0118-8555-x
APA Заказчиков, А. В. (2026). Разработка адаптивных моделей управления качеством промышленной продукции с использованием алгоритмов машинного обучения и производственных данных. Вопросы природопользования, 5(4), 34-44. https://doi.org/10.25726/y5105-0118-8555-x

Аннотация

Модель прогнозирования брака на производственной линии применяется после периода обучения, когда режимы процесса уже изменились, поэтому качество отбора изделий на контроль зависит от способа её адаптации. Исследование посвящено разработке и сравнению адаптивных моделей управления качеством с раздельно задаваемыми правилом обновления модели прогнозирования брака и правилом порога отбора изделий на контроль. Материалом служит открытый набор SECOM: 1567 единиц полупроводникового производства с 590 сигналами процесса, меткой выходного контроля и отметкой времени (июль–октябрь 2008 года). Выполнена пошаговая оценка на хронологическом потоке из 1067 единиц восьми стратегий, образованных четырьмя правилами обновления логистической регрессии (статическая модель, расширяющееся и скользящее окно, переобучение по сигналу дрейфа входов) и двумя правилами порога (по обучающему окну и по квантилю ранее выданных оценок потока); контролем служили 50 перестановок порядка единиц. На хронологическом потоке статическая модель ранжировала единицы с AUC 0,559, что ниже всего диапазона 0,601-0,717, полученного при перемешанном порядке. Переобучение не дало подтверждённого выигрыша: прирост AUC у расширяющегося окна 0,039 при интервале от −0,118 до 0,144. При целевом отборе 10% изделий порог, найденный кросс-проверкой на обучающем окне, приводил к отбору от 3,7 до 17,3% единиц, а квантильный порог по потоку оценок – от 7,7 до 11,7%. Сочетание расширяющегося окна и порога по потоку выявило 11 из 45 бракованных единиц при отборе 7,7% и сбалансированной ошибке 41,3% против 4 из 45 у статической модели. На изученном потоке с редким браком основным компонентом адаптации является пересчёт порога отбора по текущему распределению оценок, а переобучение следует вести на накопленных данных.

Ключевые слова

управление качеством продукции машинное обучение адаптивная модель дрейф данных прогнозирование брака выборочный контроль производственные данные

Финансирование

Авторы не заявили о внешнем финансировании исследования.

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

ОКРУЖАЮЩАЯ СРЕДА И ТЕХНОЛОГИИ

Метрики

2 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Похожие статьи

<< < 8 9 10 11 12 13 14 15 16 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.

Наиболее читаемые статьи этого автора (авторов)