Методология машинного обучения для управления нормативно-справочными данными в судостроении

Непрерывное развитие информационно-коммуникационных технологий привело к экспоненциальному росту объема данных. Вследствие этого технологии, связанные с анализом данных, приобретают все большее значение. Судостроительная промышленность характеризуется высокой неопределенностью и вариативностью производства, что обусловило острую потребность в методах анализа данных, таких как машинное обучение. В частности, отрасль не может эффективно реагировать на изменения в информационных системах производственных нормативов времени, включая базовое тактовое время и длительность производственного цикла. Необходимы меры по совершенствованию, позволяющие отрасли оперативно реагировать на изменения производственной среды. В настоящем исследовании с использованием технологий машинного обучения прогнозировалась длительность производственного цикла для изготовления, сборки судовых блоков, изготовления трубных узлов и окраски с целью предложить новый метод управления длительностью технологических процессов посредством системы нормативно-справочных данных о временных характеристиках производственных данных. Предварительная обработка данных выполнялась различными способами с использованием R и Python — языков программирования с открытым исходным кодом; переменные процесса выбирались с учетом их взаимосвязей с длительностью цикла на основе корреляционного анализа и анализа переменных. Для создания моделей прогнозирования длительности цикла применялись различные алгоритмы машинного, глубокого и ансамблевого обучения. Кроме того, применимость предложенной методологии машинного обучения для прогнозирования нормативной трудоемкости проверялась путем оценки моделей прогнозирования по таким критериям, как средняя абсолютная процентная ошибка (Mean Absolute Percentage Error, MAPE) и корень из среднеквадратичной логарифмической ошибки (Root Mean Squared Logarithmic Error, RMSLE).