Поддержка принятия решений о качестве работы оборудования на машиностроительном предприятии на основе интеллектуальных методов

Авторы

  • Константин Анатольевич Конев Уфимский университет науки и технологий

DOI:

https://doi.org/10.52575/2687-0932-2025-52-3-681-696

Ключевые слова:

машинное обучение, принятие решений, ситуационно-онтологическая методология разработки систем поддержки принятия решений, OWL-модель, обеспечение качества, Python, металлорежущее оборудование, градиентный бустинг

Аннотация

Статья посвящена описанию подходов к реализации системы поддержки принятия решений на основе ситуационно-онтологического моделирования и методов машинного обучения для оценки состояния металлорежущего оборудования на машиностроительном предприятии. Исследование проводилось с целью повышения точности прогнозирования состояния станков и обоснованности решений о их обслуживании или ремонте, что особенно важно в условиях авиационного машиностроения с высокими требованиями к качеству продукции. Актуальность исследования обусловлена необходимостью минимизации брака, снижения простоев и повышения эффективности управления парком оборудования, включающим станки различного возраста и технического состояния. Новизна предложенного решения заключается в интеграции онтологической модели, формализующей знания о ситуациях, решениях и сценариях, с моделью градиентного бустинга, предназначенной для прогнозирования необходимости ремонта на основе исторических данных. Практическая ценность выражается в возможности автоматизации анализа состояния оборудования, интерпретируемости результатов прогнозирования и внедрении системы в реальные производственные процессы для повышения надежности и качества выпускаемых деталей. Результаты исследования демонстрируют работоспособность предложенного подхода и его применимость для решения задач обеспечения качества в машиностроении.

Скачивания

Данные скачивания пока недоступны.

Биография автора

Константин Анатольевич Конев, Уфимский университет науки и технологий

Кандидат технических наук, доцент, доцент кафедры автоматизированных систем управления, Уфимский университет науки и технологий, г. Уфа, Россия
E-mail: sireo@rambler.ru

Библиографические ссылки

Список источников

Machine Learning in Manufacturing: Industrial Use Cases in 2025 [Электронный ресурс] MobiDev. 2025. Режим доступа: https://mobidev.biz/blog/machine-learning-application-use-cases-manufacturing- industry (дата обращения: 13.04.2025).

Список литературы

Антонов В.В., Конев К.А., Куликов Г.Г. 2021. Трансформация модели системы поддержки принятия решений для типовых ситуаций с применением интеллектуальных и аналитических методов. Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 21(3): 14–25. DOI 10.14529/ctcr210302

Воронин А.В., Гречухин А.И., Калашников А.С. и др. 1985. Механизация и автоматизация сборки в машиностроении. М.: Машиностроение, 272.

Гаврилова Т.А., Хорошевский В.Ф. 2000. Базы знаний интеллектуальных систем. СПб.: Питер, 384.

Денисенко С.А., Булыгин Ф.В., Паньков А.Н. и др. 2023. Методологические основы принципа Парето и его реализация в физике и метрологии. Компетентность. 8: 15–23. DOI 10.24412/1993-8780- 2023-8-15-23. EDN YGQTUE

Еленев К.С., Малкова Т.Б., Еленева Ю.Я., Кудряшов С.А. 2023. Подходы к кластеризации металлорежущего и кузнечно-прессового оборудования предприятий машиностроения России. Экономика и промышленность. 4: 45–52.

Ильичев В.Ю., Жукова Ю.М., Шамов И.В. 2021. Использование технологии градиентного бустинга для создания аппроксимационных моделей. Заметки ученого. 12-1: 62–67. EDN JPUAYV

Кабалдин Ю.Г., Шатагин Д.А., Кузьмишина А.М. 2018. Интеллектуальное управление технологическим оборудованием предприятия в условиях цифровых производств. Известия высших учебных заведений. Машиностроение, 7(700): 30–41. DOI 10.18698/0536-1044-2018-7-30-41. EDN XUELJZ

Казюлин Р.В., Неподкосова Ю.А., Чернышов Н.Г. 2024. Подход к управлению состоянием режущего инструмента станка с числовым программным управлением. Modern Science, 6-2: 24–29. EDN AMEQGJ.

Конев К.А. 2022. Использование методов машинного обучения в задачах принятия решений при обеспечении качества в приборостроении. Экономика. Информатика, 49(4): 820–832. DOI:10.52575/2687-0932-2022-49-4-820-832

Конев К.А., Антонов В.В. 2024. Поддержка принятия решений при обеспечении качества с использованием ситуационно-онтологического подхода. М.: Русайнс, 152. EDN SHBZGQ

Коэльо Л., Ричарт В. 2023. Построение систем машинного обучения на языке Python. пер. с англ. А.А. Слинкина. 3-е изд., М.: ДМК Пресс 304.

Малкина И.В. 2022. Автоматизация контроля качества геометрических параметров деталей в машиностроении. Известия Самарского научного центра Российской академии наук, Т. 24, № 3(107): 34–41. DOI 10.37313/1990-5378-2022-24-3-34-41. EDN DDURMC

Матвеева Е.А., Черных О.Н. 2021. Автоматизация контроля состояния производственного оборудования. Инфокоммуникационные технологии, 19(1): 53–58. DOI 10.18469/ikt.2021.19.1.07. EDN VHHPMI

Пономарев А.И. 2021. Анализ современных методов оценки состояния режущего инструмента при обработке метала. Автоматизация и управление в машино- и приборостроении: сборник научных трудов. Саратов: Саратовский государственный технический университет имени Гагарина Ю.А. 91–97. EDN KZCKIW

Самигулина Г.А., Самигулина З.И. 2015. Разработка интегрированной OWL модели для иммунносетевого моделирования сульфаниламидов. Современный научный вестник, 2(1): 3–5. EDN VPAFFD.

Стойчич М., Стевич Ж., Николич А., Божичкович З. 2019. Многокритериальная модель оценки и выбора автоматически управляемых транспортных средств (AGV) для складов. Современные проблемы транспортного комплекса России, 9(1): 4–20. DOI 10.18503/2222-9396-2019-9-1-4-20

Тихвинский В.И., Морозов В.А., Пономарев А.Н. 2022. Связь онтологий и метода Парето. Научно- технический вестник Поволжья, 6: 86–90. EDN BHESGG

Шашок А.В. Прогнозирование стойкости и надежности токарных резцов: дис. канд. техн. наук: 05.03.01. Барнаул, 2001. 178 с. [Электронный ресурс]. URL: https://tekhnosfera.com/prognozirovanie-stoykosti-i- nadezhnosti-tokarnyh-reztsov (дата обращения: 14.04.2025).

Янов Е.С., Антонычев С.В., Анцев А.В. и др. 2024. Исследование способов контроля состояния фрезерных станков на основе анализа вибрационных характеристик. Известия высших учебных заведений. Поволжский регион. Технические науки, 3(71): 157–166. DOI 10.21685/2072-3059- 2024-3-14. EDN BCRMNH

McKinney Wes. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 2nd Edition, O’Reilly Media: 724 p. ISBN 9781449319793.

References

Antonov V.V., Konev K.A., Kulikov G.G. 2021. Transformation of the decision support system model for typical situations using intelligent and analytical methods. Bulletin of SUSU. Series “Computer technologies, control, radio electronics”, 21(3): 14–25 (in Russian). DOI 10.14529/ctcr210302

Voronin A.V., Grechukhin A.I., Kalashnikov A.S. et al. 1985. Mechanization and automation of assembly in mechanical engineering. M.: Mechanical Engineering, 272 (in Russian).

Gavrilova T.A., Khoroshevsky V.F. 2000. Knowledge bases of intelligent systems. St. Petersburg: Piter, 384 (in Russian).

Denisenko S.A., Bulygin F.V., Pankov A.N. et al. 2023. Methodological foundations of the Pareto principle and its implementation in physics and metrology. Competence, 8: 15–23 (in Russian). DOI 10.24412/1993-8780-2023-8-15-23. EDN YGQTUE

Elenew K.S., Malkova T.B., Elenew Yu.Ya., Kudryashov S.A. 2023. Approaches to clustering metal-cutting and forging and pressing equipment of mechanical engineering enterprises of Russia. Economy and Industry, 4: 45–52 (in Russian).

Ilyichev V.Yu., Zhukova Yu.M., Shamov I.V. 2021. Using gradient boosting technology to create approximation models. Notes of a scientist, 12-1: 62–67 (in Russian). EDN JPUAYV

Kabal'din Yu.G., Shatagin D.A., Kuzmishina A.M. 2018. Intelligent control of enterprise technological equipment in the context of digital production. Bulletin of higher educational institutions. Mechanical engineering, 7 (700): 30–41 (in Russian). DOI 10.18698/0536-1044-2018-7-30-41. EDN XUELJZ.

Kazyulin R.V., Nepodkosova Yu.A., Chernyshov N.G. 2024. Approach to controlling the state of the cutting tool of a machine with numerical control. Modern Science, 6-2: 24–29 (in Russian). EDN AMEQGJ

Konev K.A. 2022. Using machine learning methods in decision-making problems when ensuring quality in instrument making. Economics. Information technologies, 49(4): 820–832 (in Russian). DOI:10.52575/2687-0932-2022-49-4-820-832

Konev K.A., Antonov V.V. 2024. Support for decision-making in quality assurance using a situational- ontological approach, M. Rusains, 152 (in Russian). EDN SHBZGQ

Coelho L.P., Richart V. 2023. Building Machine Learning Systems in Python. 3rd ed., Moscow: DMK Press, 304. (trans. from English by A. A. Slinkin).

Mal'kina I.V. 2022. Automation of quality control of geometric parameters of parts in mechanical engineering. Bulletin of the Samara Scientific Center of the Russian Academy of Sciences. V. 24, 3 (107): 34–41 (in Russian). DOI 10.37313/1990-5378-2022-24-3-34-41. EDN DDURMC

Machine Learning in Manufacturing: Industrial Use Cases in 2025 [Electronic resource]. MobiDev. 2025. Access mode: https://mobidev.biz/blog/machine-learning-application-use-cases-manufacturing- industry (date of access: 13.04.2025).

Matveeva E.A., Chernykh O.N. 2021. Automation of monitoring the condition of production equipment. Infocommunication technologies. 19(1): 53–58 (in Russian). DOI 10.18469/ikt.2021.19.1.07. EDN VHHPMI.

Ponomarev A.I. 2021. Analysis of modern methods for assessing the condition of a cutting tool during metal processing. Automation and control in mechanical engineering and instrument making: collection of scientific papers. Saratov State Technical University: 91–97 (in Russian). EDN KZCKIW

Samigulina G.A., Samigulina Z.I. 2015. Development of an integrated OWL model for immune network modeling of sulfonamides. Modern Scientific Bulletin, 2(1): 3–5 (in Russian). EDN VPAFFD

Stojcic M., Stevich Z., Nikolic A., Bozickovic Z. 2019. Multicriteria model for evaluation and selection of automatically guided vehicles (AGV) for warehouses. Modern problems of the transport complex of Russia, 9(1): 4–20 (in Russian). DOI 10.18503/2222-9396-2019-9-1-4-20

Tikhvinsky V.I., Morozov V.A., Ponomarev A.N. 2022. Relationship between ontologies and the Pareto method. Scientific and technical bulletin of the Volga region, 6: 86–90 (in Russian). EDN BHESGG

Shashok A.V. 2001. Forecasting the durability and reliability of turning cutters: dis. candidate of technical sciences: 05.03.01. Barnaul: 178 (in Russian). [Electronic resource]. URL: https://tekhnosfera.com/prognozirovanie-stoykosti-i-nadezhnosti-tokarnyh-reztsov (date of access: 14.04.2025).

Yanov E.S., Antonychev S.V., Antsev A.V. et al. 2024. Study of methods for monitoring the condition of milling machines based on the analysis of vibration characteristics. News of higher educational institutions. Volga region. Technical sciences, 3(71): 157–166 (in Russian). DOI 10.21685/2072-3059- 2024-3-14. EDN BCRMNH

McKinney Wes. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 2nd Edition, O’Reilly Media: 724 p. ISBN 9781449319793


Просмотров аннотации: 0

Поделиться

Опубликован

2025-09-30

Как цитировать

Конев, К. А. (2025). Поддержка принятия решений о качестве работы оборудования на машиностроительном предприятии на основе интеллектуальных методов. Экономика. Информатика, 52(3), 681-696. https://doi.org/10.52575/2687-0932-2025-52-3-681-696

Выпуск

Раздел

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ