РАННЕЕ ВЫЯВЛЕНИЕ ПРОИЗВОДСТВЕННОГО БРАКА НА МЕЛКОСЕРИЙНЫХ ПРОИЗВОДСТВАХ С ИСПОЛЬЗОВАНИЕМ НЕЙРО-НЕЧЕТКИХ СИСТЕМ
DOI:
https://doi.org/10.18522/2311-3103-2026-1-%25pКлючевые слова:
Нейро-нечеткие компоненты, сети Петри, производтсвенный бракАннотация
Постановка задачи: Повышение требований к качеству продукции на мелкосерийных производствах и сложность раннего выявления производственного брака актуализируют необходимость разработки инновационных подходов к прогнозированию и контролю дефектов на ранних этапах производства сложных технических объектов. Известные методы, применяемые в массовом производстве, не подходят для мелкосерийных производств вследствие высокой изменчивости технологических процессов и недостаточности данных для традиционного статистического анализа. Целью работы является снижение уровня производственного брака путем раннего выявления отклонений на подготовительных этапах производства. Предлагается использование нейро-нечетких систем, которые позволяют адаптивно прогнозировать дефекты на основе исторических данных. Используемые методы: для решения задачи раннего выявления производственного брака использованы нейро-нечеткие компоненты на основе нечеткого нейрона Квана–Кэи, позволяющие интегрировать экспертные знания с данными производства. Система включает подсистему обучения и тонкой настройки, состоящую из модулей подготовки, валидации и нормализации данных, фаззификации данных и вычисления ошибки прогноза. В качестве структурного элемента прогнозирования применены темпоральные нейро-нечеткие сети Петри, которые обеспечивают учет временных аспектов и неопределенности в производственных процессах. Новизна: к элементам новизны относятся использование темпоральных нейро-нечетких сетей Петри и нейро-нечетких компонентов на основе нечеткого нейрона Квана–Кэи, позволяющих производить раннюю диагностику брака и принимать упреждающие меры. Новым является также подход интеграции нейро-нечетких методов с существующими системами управления производством. Результат: внедрение предложенных методов позволило снизить процент производственного брака на 15% за счет раннего выявления отклонений и своевременного принятия корректирующих мер. Реализованные программно-инструментальные средства обеспечивают оперативный анализ производственной ситуации и прогнозирование дефектов в режиме, близком к реальному времени. Практическая значимость: предлагаемое решение реализовано в виде специализированного программного обеспечения, интегрируемого в существующие производственные системы. Оно обеспечивает повышение эффективности управления качеством, снижает затраты на исправление дефектов и может быть адаптировано к различным мелкосерийным производствам, существенно улучшая показатели их работы
Библиографические ссылки
1. Perfecting the 1:10:100 Rule in Data Quality // Medium.com: электронный блог. 17.03.2025. Available at: https://medium.com/grepsr-blog/perfecting-the-1-10-100-rule-in-data-quality-a1f31143f40b (accessed 17 March 2025).
2. Misnik A., Borisov V. Compositional neuro network modeling of complex technical systems, Neurocom-puters: Development, Application, 2016, No. 7, pp. 39-46.
3. Tanenbaum E. Raspredelennye sistemy: printsipy i paradigm [Distributed systems: principles and para-digms]. Saint Petersburg: Piter, 2003, 877 p.
4. Haykin S. Neural networks: A comprehensive foundation. 2nd ed. New Jersey: Prentice Hall Interna-tional, Inc, 1999, 1103 p.
5. Hernández S., Sáez D., Mery D. Neuro-Fuzzy Method for Automated Defect Detection in Aluminium Castings, In: Campilho, A., Kamel, M. (eds.), Image Analysis and Recognition. ICIAR 2004. Lecture Notes in Computer Science, Vol. 3212. Springer, Berlin, Heidelberg, 2004.
6. Orlov A.I. Teoriya prinyatiya resheniy [Decision theory]. Moscow: Ekzamen, 2005, 656 p.
7. Tarasik V.P. Matematicheskoe modelirovanie tekhnicheskikh sistem: uchebnik dlya vuzov [Mathemati-cal modeling of technical systems: a textbook for universities]. Minsk: DizaynPRO, 2004, 640 p.
8. Marka D., MakGouen K. Metodologiya strukturnogo analiza i proektirovaniya [Methodology of struc-tural analysis and design]. Moscow: MetaTekhnologiya, 1993, 240 p.
9. Bobryakov A.V., Krutalevich S.K., Misnik A.E., Prokopenko S.A. Modeling of Industrial and Technologi-cal Processes in Complex Systems Based on NeuroFuzzy Petri Nets, Journal of Physics: Conference Series, Volume 2096, International Conference on Automatics and Energy (ICAE 2021) 7-8 October 2021, Vladivostok, Russia.
10. Tax N., Verenich I., La Rosa M., Dumas M. Predictive Business Process Monitoring with LSTM neural networks, Proceedings of the International Conference on Advanced Information Systems Engineering (CAiSE), pp. 477-492. arXiv:1612.02130 Freely accessible. doi: 10.1007/978-3-319-59536-8_30.
11. Popov E.V. Ekspertnye sistemy [Expert systems]. Moscow: Nauka, 1987, 288 p.
12. Leonenkov A.V. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH [Fuzzy modeling in MATLAB and FuzzyTECH]. Saint Petersburg: BKhV-Peterburg, 2003.
13. Ash T. Dynamic Node Creation in Back-Propagation Networks, II Connection Science, 1989, Vol. 1.
14. Kwan H., Cai L. A fuzzy neural network and its application to pattern recognition // IEEE Transactions on Fuzzy Systems. – 1994. – Vol. 2, No. 3. – P. 185-193. – DOI: 10.1109/91.298447.
15. Allen J.F. Maintaining knowledge about temporal intervals, Communications of the ACM, 1983,
Vol. 26, No. 11, pp. 832-843.
16. Wu J. and Yan S. Reliability Evaluation for Mechanical Systems by Petri Nets, Petri Nets in Science and Engineering, 2018.
17. Balbiani P., Boudou J., Diéguez M., Fernández-Duque D. Intuitionistic Linear Temporal Logics, ACM Transactions on Computational Logic, 2019, 21, pp. 1-32.
18. Vajnilovich Yu., Zaharchenkov K. and Zakharova А. Integrated System Approach to Improving the Effi-ciency of IT Projects Management Based on Evolutionary Modeling, Computing in Physics and Tech-nology, pp. 309-314.
19. Borisov V.V., Misnik A.E. Ontological Engineering of Interrelated Processes in Complex Cyber-Physical Systems, In: Kovalev, S., Sukhanov, A., Akperov, I., Ozdemir, S. (eds), Proceedings of the Sixth Inter-national Scientific Conference “Intelligent Information Technologies for Industry” (IITI’22). IITI 2022. Lecture Notes in Networks and Systems, Vol. 566. Springer, Cham, 2023. Available at: https://doi.org/10.1007/978-3-031-19620-1_39.
20. Karabach A. Information integration systems based on semantic technologies, Science, technology and education, 2014, Vol. 2 (2).
