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
2025-03-26
SCID: 54.1/vzubpbgx
Discuss with AI
обнаружение дефектовалгоритмы машинного обученияконтроль качества производстваметрики производительностипрогнозное техническое обслуживание
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Алгоритмы машинного обучения, применяемые для обеспечения качества производства
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
XGBoost2016
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Фреймворки и библиотеки машинного и глубокого обучения для интеллектуального анализа крупномасштабных данных: обзор2019
Обзор методов объяснения решений моделей типа «чёрный ящик»2018
Машинное обучение для оценки энергопотребления и энергетических характеристик зданий: обзор2018
Анализ эффективности датчиков на основе Интернета вещей, обработки больших данных и модели машинного обучения для системы мониторинга в реальном времени на автомобильном производстве2018
Предиктивное качество в производстве на основе машинного обучения и глубокого обучения: систематический обзор2022
Видимость цепей поставок в логистике на основе цифровых двойников: новая парадигма логистики будущего2021
Внедрение киберфизических производственных систем для прогнозирования качества и управления операциями в литейном производстве2018
Методы глубокого обучения и компьютерного зрения для повышения качества контроля в производственных процессах2024