Алгоритмы машинного обучения для обеспечения качества производства: систематический обзор показателей эффективности и областей применения

Machine learning algorithms for manufacturing quality assurance: A systematic review of performance metrics and applications
Adib Bin Rashid, Ashfakul Karim Kausik, Ramisha Fariha Baki, Md. Mifthahul Jannat Maktum
2025-03-26

обнаружение дефектовалгоритмы машинного обученияконтроль качества производстваметрики производительностипрогнозное техническое обслуживание
Внедрение машинного обучения (МО) в обеспечение качества производства (ОК) ускорилось с развитием Индустрии 4.0, что позволило автоматизировать обнаружение дефектов, выполнять прогнозное техническое обслуживание и оптимизировать процессы в режиме реального времени. Однако выбор наиболее эффективной модели МО остается сложной задачей из-за вариативности характеристик, ограничений масштабируемости и несогласованности показателей оценки в различных отраслях производства. В настоящем систематическом обзоре проанализировано более 300 рецензируемых исследований, опубликованных за последние два десятилетия, с преимущественным вниманием к недавним работам, с целью оценки эффективности широко используемых алгоритмов МО — искусственных нейронных сетей (ИНС), машин опорных векторов (SVM), случайных лесов (RF), деревьев решений (DT) и метода k ближайших соседей (KNN) — в приложениях для ОК. Рассматриваемые показатели эффективности включают точность, прецизионность, скорость, полноту, вычислительную эффективность, масштабируемость и возможности обработки данных в режиме реального времени. Результаты показывают, что ИНС превосходят другие модели при обнаружении дефектов на изображениях, тогда как SVM и RF демонстрируют высокую эффективность в задачах прогнозного технического обслуживания и оптимизации параметров процесса. DT обеспечивают более высокую интерпретируемость при управлении процессами, а KNN эффективен для небольших реализаций систем ОК. В отдельных сценариях применения модели RF продемонстрировали особую эффективность при обработке многомерных сенсорных данных для обнаружения неисправностей в операциях по обеспечению качества производства. В исследовании представлена сравнительная схема оценки, позволяющая выбирать алгоритмы с учетом отраслевых требований и эксплуатационных ограничений. Обзор содержит актуальную оценку внедрения МО в ОК, а также количественные данные о том, какие алгоритмы обеспечивают наибольший потенциал оптимизации в конкретных промышленных условиях, что будет способствовать выбору алгоритмов в будущем как исследователями, так и промышленными специалистами, занимающимися обеспечением качества производства. Кроме того, представлен обзор основных и второстепенных алгоритмов на основе показателей их эффективности.
1
Искусственные нейронные сети превосходят другие рассмотренные модели при обнаружении производственных дефектов по изображениям.
2
Деревья решений обеспечивают лучшую интерпретируемость при управлении процессами, а метод k ближайших соседей эффективен для небольших задач контроля качества.
3
Случайный лес особенно эффективен для обнаружения неисправностей по многомерным данным с датчиков, что поддерживает выбор алгоритмов с учетом отраслевых требований и ограничений.
4
Методы опорных векторов и случайного леса особенно эффективны для прогнозного обслуживания и оптимизации параметров процессов.
5
Систематический обзор анализирует более 300 рецензируемых исследований алгоритмов машинного обучения для обеспечения качества в производстве за последние два десятилетия.

Алгоритмы машинного обучения, применяемые для обеспечения качества производства

Сравнительная эффективность, показатели производительности, масштабируемость, вычислительная эффективность, интерпретируемость и соответствие конкретным приложениям алгоритмов ML для обнаружения дефектов, прогнозного технического обслуживания, управления процессами и оптимизации параметров процессов

Publication Details
Publication Date
2025-03-26
Journal
Publisher
ISSN
Cited by
88
Access Type
Author Information
Authors
Adib Bin Rashid
Ashfakul Karim Kausik
Ramisha Fariha Baki
Md. Mifthahul Jannat Maktum
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%