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.
The article addresses the challenge of ensuring product quality on high-variability production lines under increasing complexity of cyber-physical manufacturing systems and the limitations of classical statistical process control methods. The aim of the study is to develop and experimentally validate a hybrid approach that integrates SPC tools and machine learning methods for proactive quality management in the production of carbon-fiber-and-epoxy-based prepregs. The object of the study is a real aerospace-grade production line, for which a high-frequency dataset (45 parameters, over 2 TB) was collected over 12 months, including both process parameters and final quality indicators with defect labels. At the first stage, traditional SPC tools (XmR charts, Cp and Cpk indices) were applied to assess process stability and identify critical parameters; it was shown that several variables, in particular binder viscosity and carbon-fiber tension, exhibit low reproducibility and serve as major sources of variability. At the second stage, data preprocessing and analysis were performed using machine learning methods: outliers were removed using Isolation Forest, normalization was carried out, and a random forest model was used to rank the 45 parameters by importance, which revealed non-obvious effects of shop-floor humidity and calender-roll temperature. To predict defects, logistic regression, SVM, and XGBoost models were trained and compared, with gradient boosting demonstrating the best performance (F1-score 0.959 with high precision and recall), confirming the pronounced nonlinearity of the process under study. Additionally, the DBSCAN algorithm made it possible to identify hidden clusters of operating regimes associated with both quality degradation and measurement-equipment deterioration, opening opportunities for predictive maintenance. Based on the obtained results, a three-level quality-management architecture is proposed, in which SPC ensures basic monitoring, predictive ML models provide proactive defect-risk control, and cluster analysis performs the function of detecting new anomalous states, forming a data-driven foundation for implementing the Industry 4.0 concept on high-variability production lines.