Предиктивное качество в производстве на основе машинного обучения и глубокого обучения: систематический обзор

В условиях продолжающейся цифровизации промышленности и возможности объединять данные производственных процессов и показатели качества существует огромный потенциал применения методов машинного обучения и глубокого обучения для обеспечения качества. В этом контексте предиктивное качество позволяет производственным компаниям строить основанные на данных оценки качества продукции на основе данных процесса. В современном состоянии исследований существует множество подходов к предиктивному качеству в самых разных вариантах применения и доменах. Их применения варьируются от прогнозирования качества во время производства с использованием данных датчиков до автоматизированной инспекции качества в полевых условиях на основе измерительных данных. Однако в настоящее время отсутствует целостный обзор состояния исследований по предиктивному качеству, какие подходы изучаются и какие проблемы существуют. Данная работа рассматривает эти вопросы посредством всестороннего и систематического обзора научных публикаций за период 2012–2021 гг., посвящённых предиктивному качеству в производстве. Публикации категоризируются в соответствии с рассматриваемыми производственными процессами, а также используемыми базами данных и моделями машинного обучения. В рамках этого процесса собираются ключевые сведения о масштабах этой области, а также выявляются пробелы и сходства в подходах к решению задач. Наконец, на основе результатов формулируются открытые проблемы предиктивного качества и даётся обзор направлений будущих исследований для их решения.