Application of Machine Learning Methods for Product Quality Prediction in Continuous Manufacturing Processes

Современные производственные предприятия пищевой и перерабатывающей промышленности генерируют огромные массивы технологических данных (давление, температура, влажность, вязкость, pH) в режиме реального времени. Традиционные методы статистического управления процессами (SPC) всё чаще оказываются недостаточными для обработки многомерных нелинейных зависимостей между параметрами. В данной работе предложен комплексный подход к прогнозированию дефектов продукции на основе ансамблевых методов машинного обучения. Для пилотного исследования использованы данные 36 месяцев производственного мониторинга кондитерской фабрики (г. Алматы): 2,4 млн записей по 78 технологическим параметрам и 148 тыс. записей о результатах контроля качества. Сравнительное тестирование показало превосходство ансамблевого алгоритма Gradient Boosting (XGBoost) над методами случайного леса (Random Forest), нейронных сетей LSTM и традиционной регрессии: точность классификации дефектов составила 96,3%, ROC-AUC = 0,978 при времени обработки 0,4 мс на запись. Разработан прототип системы раннего предупреждения, интегрированный с SCADA-системой предприятия через промышленный шлюз OPC-UA. Экономический эффект от внедрения системы за первые 6 месяцев эксплуатации составил сокращение потерь от брака на 34% (эквивалент 87 млн тенге).