Machine Learning for Quality Decision Support in an Industrial Enterprise
DOI:
https://doi.org/10.52575/2687-0932-2023-50-3-689-703Keywords:
machine learning, decision making, situational-ontological methodology for developing decision support systems, decision tree method, quality assurance, Python, product testing in industryAbstract
The article is devoted to the description of approaches to the implementation of the methodology of situational-ontological design of decision support systems in the field of quality assurance for products at a machine-building enterprise. The study was conducted to confirm the possibility of implementing this methodology using machine learning methods based on Python libraries for digital analysis of test data with decision making. The relevance of this study is due to the need to solve the problem associated with increased requirements for the professional training of employees involved in the field of quality assurance. Their work is connected with the adoption of numerous heterogeneous decisions, for which, as you know, a decision support system is an effective tool. The novelty of the proposed solution lies in an innovative approach to the situational-ontological design of decision support systems, as well as in the application of machine learning methods based on Python libraries in the formation of a decision support system for the process of testing products of a machine-building enterprise. The results of the research demonstrate the feasibility of the proposed methodology.
Downloads
References
Список источников
Проект "Цифровая экономика РФ" [Электронный ресурс]. Министерство экономического развития Российской Федерации. – Режим доступа: http://economy.gov.ru/minec/activity/sections/ict/calculate/koap.html?c=koap (дата обращения: 30.05.2023).
Материал о системе мониторинга заболеваемости гриппом [Электронный ресурс]. РИА Новости. – Режим доступа: https://ria.ru/20191025/1560152349.html (дата обращения: 30.05.2023).
Специалист по качеству: Профессиональный стандарт № 40.062. Утв. приказом Министерства труда и социальной защиты РФ № 276н от 22.04.2021: 26 с.
Системы менеджмента качества. Требования: ГОСТ Р ИСО 9001-2015. 2015. М.: Стандартинформ: 23 с.
Список литературы
Антонов, В.В., Конев К.А. 2021. Интеллектуальный метод поддержки принятия решений в типовой ситуации / В.В. Антонов. Онтология проектирования, т.11, 1(39): 126-136. DOI 10.18287/2223-9537-2021-11-1-126-136.
Баганов Н.А. и др. 2022. Оценка качества ремонта автотракторных двигателей. Технический сервис машин, 2(147): 67-75. – DOI 10.22314/2618-8287-2022-60-2-67-75.
Голуб И.А., Черемухина Ю.Ю. 2022. Анализ результатов приемо-сдаточных испытаний. Наука и бизнес: пути развития, 5(131): 202-205.
Жуков Н.Н. 2020. Введение в разработку на языке Python: Учебное пособие. СПб.: "НИЦ АРТ": 66 с. ISBN 978-5-907260-30-6.
Кацер Ю.Д. и др. 2019. Методы обнаружения неисправностей оборудования АЭС, 4: 5-27. DOI 10.26583/npe.2019.4.01.
Клыков Ю. И. 1974. Семиотические основы ситуационного управления. М.: МИФИ, 169 с.
Конев К.А., Антонов В.В. и др. 2020. Основы концепции онтологического моделирования бизнес-процессов для задач принятия решений. Современные наукоемкие технологии. 12-1: 71-77. DOI 10.17513/snt.38413.
Мурзагулов Д.А., Замятин А.В. 2018. Адаптивные алгоритмы машинного обучения в правлении технологическими процессами. Автоматизация. Современные технологии, т. 72, 8: 354-361.
Паклин Н.Б., Орешков В.И. 2013. Бизнес-аналитика: от данных к знаниям. СПб.: Питер, 704 с.
Поспелов Д.А. 1986. Ситуационное управление: теория и практика. М.: Наука, 138 с.
Шапиро О.М., Фаринский В.А. 2018. Применение искусственного интеллекта в промышленном производстве. Новые технологии и оборудование для машиностроения и металлообработки: сборник научных статей международной конференции (Минск, 25-27 сентября 2018 г.). Минск: Технологии машиностроения: 141-148.
Bruce Silver. 2017. BPMN Quick and Easy Using Method and Style: Process Mapping Guidelines and Examples Using the Business Process Modeling Standard., Cody-Cassidy Press: 286 р. ISBN-13 978-0982368169
Bustillo A. et al. 2021. Machine-learning for automatic prediction of flatness deviation considering the wear of the face mill teeth. Journal of Intelligent Manufacturing: 1-18 DOI 10.1007/s10845-020-01645-3.
Fubao Zhu et al. 2018. A Classification Algorithm of CART Decision Tree based on MapReduce Attribute Weights. International journal of performability engineering, v. 14, 1: 17-25.
Li W. et al. 2021. A Survey of Learning-Based Intelligent Optimization Algorithms. Archives of Computational Methods in Engineering, 28(5), 3781–3799. V:10.1007/s11831-021-09562-1
McKinney Wes. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 2nd Edition, O’Reilly Media: 724 p. ISBN 9781449319793
Shields B.J. et al. 2021. Bayesian reaction optimization as a tool for chemical synthesis. Nature, v. 590, 7844: 89-96. DOI 10.1038/s41586-021-03213-y.
Sweigart A. 2015. Automate the Boring Stuff with Python: Practical Programming for Total Beginners. No Starch Press: 504 p. ISBN 1593275994.
Project "Digital Economy of the Russian Federation" [Electronic resource]. Ministry of Economic Development of the Russian Federation. Available at: http://economy.gov.ru/minec/activity/sections/ict/calculate/koap.html?c=koap (Accessed: 30.05.2023) (in Russian).
Material on the influenza incidence monitoring system [Electronic resource]. RIA News. Available at: https://ria.ru/20191025/1560152349.html (Accessed: 30.05.2023) (in Russian).
Quality Specialist: Professional Standard No. 40.062. Approved by order of the Ministry of Labor and Social Protection of the Russian Federation No. 276n dated April 22, 2021: 26 p. (in Russian).
Quality management systems. Requirements: GOST R ISO 9001-2015. 2015. Moscow. Standartinform: 23 p. (in Russian).
Abstract views: 81
Share
Published
How to Cite
Issue
Section
Copyright (c) 2023 Economics. Information Technologies
This work is licensed under a Creative Commons Attribution 4.0 International License.
