При управлении автоматизированным производством проблемой является отсутствие эффективных методов обработки данных, учитывающих низкое качество материалов, неправильное соединение компонентов и другие нарушения технологических процессов, а также несовершенство оборудования, его износ и неверные настройки, ошибки в проектировании микросхем и компонентов микроэлектроники. В работе рассмотрены подходы к обработке данных при управлении технологическими процессами, позволяющие учитывать взаимосвязи между различными локальными факторами состояния производства, в том числе приводящими к дефектам выпускаемых изделий. Особое внимание уделено интеллектуальному анализу накопленных данных о состоянии внешней производственной среды, исполнительных узлов и механизмов при возникновении и обнаружении дефекта. Дана математическая модель дефекта с упорядоченным набором его характеристик и их значений. Для обработки данных выходного контроля качества изделий использован ансамбль нейронных сетей, что позволяет строить прогностические модели состояния производства и определять критические факторы, влияющие на глобальные технологические процессы. Приведены критерии для определения степени влияния выявленного фактора на состояние производства. Полученная прогностическая модель позволяет определять стандарты измерения состояния производства и формировать управляющее воздействие для его корректировки.
1. Круглов М. Г., Юрин Д. С. Контроль качества в современных условиях. Изв. ТулГУ. Техническиенауки. 2023;(7):193–199.
https://doi.org/10.24412/2071-6168-2023-7-193-194. EDN: JMFOYC.
Kruglov M. G., Yurin D. S. Quality control in modern conditions. Izv.TulGU. Tekhnicheskie nauki = Proceedings of the TSU. Technical Sciences.2023;(7):193–199. (InRuss.).
https://doi.org/10.24412/2071-6168-2023-7-193-194
2. Скрипко Л. Е. Становление взглядов на менеджмент качества. Вестник Санкт-Петербургского университета. Менеджмент.2022;21(3):395–428.
https://doi.org/10.21638/11701/spbu08.2022.304. EDN: AOKOVM.
Skripko L. Е. Adoption of views on quality management.Vestnik Sankt-Peterburgskogo universiteta.Menedzhment = Vestnik of Saint Petersburg University. Management. 2022;21(3):395–428. (InRuss.).
http://doi.org/10.21638/11701/spbu08.2022.304
3. Данилевич С. Б., Третьяк В. В. Выходной контроль: влияние индекса качества продукции на риски принятия ошибочных решений. Компетентность. 2022;(4):32–35.
https://doi.org/10.24412/1993-8780-2022-4-32-35. EDN: HPAZVE.
Danilevich S. B., Tret’yak V. V. Final control: Influence of the product quality index on the risks of making erroneous decisions. Kompetentnost’ = Competency (Russia). 2022;(4):32–35. (InRuss.).
https://doi.org/10.24412/1993-8780-2022-4-32-35
4. Смирнов К. К. Автоматизация операций прослеживаемости качества интегральных структур при производстве сверхбольших интегральных схем. ТрудыМАИ. 2017;(95):25. EDN: ZHNYDR.
Smirnov K. Automation of operations of traceability of integrated structures quality in the manufacture of VLSIs.TrudyMAI. 2017;(95):25. (InRuss.).
5. Емельянова М. Г., Смаилова С. С., Бакланова О. Е. Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения. Компьютернаяоптика. 2023;47(1):112–118.
https://doi.org/10.18287/2412-6179-CO-1137. EDN: UFHBJU.
Yemelyanova M. G., Smailova S. S., Baklanova O. E. Detection of surface defects in welded joints during visual inspection using machine vision methods. Komp’yuternaya optika = Computer Optics. 2023;47(1):112–118. (In Russ.).
https://doi.org/10.18287/2412-6179-CO-1137
6. Прыткова Е. А., Давыдов В. М. Анализ применения иерархических нейросетевых методов в контроле качества. Вестник МГТУ им. Г. И. Носова. 2023;21(1):74–81.
https://doi.org/10.18503/1995-2732-2023-21-1-74-81. EDN: GJGYLJ.
Prytkova E. A., Davydov V. M. Analysis of the use of hierarchical neural network methods in quality control. Vestnik MGTU im. G. I. Nosova = Vestnik of Nosov Magnitogorsk State Technical University.2023;21(1):74–81. (InRuss.).
https://doi.org/10.18503/1995-2732-2023-21-1-74-81
7. Шевнина Ю. С. Метод оценки состояния нелинейной системы на основе логического анализа данных. Изв. вузов. Электроника. 2022;27(3):407–415.
https://doi.org/10.24151/1561-5405-2022-27-3-407-415. EDN: BZRDEB.
Shevnina Ju. S. Method for estimating the state of a nonlinear system based on logical data analysis. Izv.vuzov. Elektronika = Proc. Univ. Electronics. 2022;27(3):407–415. (In Russ.).
https://doi.org/10.24151/1561-5405-2022-27-3-407-415
8. Шевнина Ю. С., Гагарина Л. Г., Конюхов Е. В., Харитонова А. Д. Метод кластерного анализа гетерогенных данных с использованием положений нечеткой логики. Изв. вузов. Электроника. 2023;28(4):537–546.
https://doi.org/10.24151/1561-5405-2023-28-4-537-546. EDN: AVWMTN.
Shevnina Yu. S., Gagarina L. G., Konyukhov E. V., Kharitonova A. D. Method of cluster analysis of heterogeneous data using the provisions of fuzzy logic. Izv.vuzov. Elektronika = Proc. Univ. Electronics. 2023;28(4):537–546. (In Russ.).
https://doi.org/10.24151/1561-5405-2023-28-4-537-546
9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с пол. И. Д. Рудинского. М.: Горячая линия – Телеком; 2008. 383 с.
Rutkowska D., Pilinski M., Rutkowski L. Neural networks, genetic algorithms and fuzzy systems. Moscow: Goryachaya liniya – Telekom Publ.; 2008. 383 p. (In Russ.).
10. Gallinucci E., Golfarelli M., Rizzi S., Abelló A., Romero O. Interactive multidimensional modeling of linked data for exploratory OLAP. Information Systems. 2018;77:86–104.
https://doi.org/10.1016/j.is.2018.06.004
11. Cheraghalipour A., Hajiaghaei-Keshteli M., Paydar M. M. Tree growth algorithm (TGA): A novel approach for solving optimization problems. Eng. Appl. Artif.Intell.2018;72:393–414.
https://doi.org/10.1016/j.engappai.2018.04.021