ИНСТРУМЕНТЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ПРОЦЕССАХ УПРАВЛЕНИЯ КАЧЕСТВОМ ТЕКСТИЛЬНОГО ПРЕДПРИЯТИЯ
Аннотация
В условиях активной цифровизации промышленности приобретает актуальность интеграция инструментов интеллектуального анализа данных в системы менеджмента качества. Работа посвящена адаптации методов кластеризации для изучения базы дефектов текстильного предприятия. Авторы обосновывают необходимость цифровой трансформации процессов контроля качества для обеспечения прослеживаемости и перехода от пассивной фиксации брака к предиктивному управлению. Проведен анализ лучших практик крупных российских промышленных компаний в области применения технологий искусственного интеллекта для контроля качества продукции. Объектом исследования выступает действующее текстильное предприятие, на материалах которого выполнено функциональное моделирование бизнес-процессов управления качеством. Проведен аудит и предварительная обработка производственного массива данных объемом более 51 тысячи записей, содержащего сведения о типах и видах брака, номенклатуре тканей и сортности готовой продукции. Разведочный анализ данных позволил выявить структуру распределения дефектов по фабрикам и видам ткани. Применены и сопоставлены три алгоритма кластеризации, предназначенные для работы с разными типами данных, а именно k-means, k-prototypes и иерархическая кластеризация с метрикой Гауэра. Оценка качества разбиения по коэффициенту силуэта показала, что алгоритм k-prototypes обеспечивает наилучшие результаты для смешанных данных (0,47 против 0,25 у остальных методов). На основе выделенных кластеров сформулированы адресные рекомендации для отдела контроля качества, направленные на снижение доли брака по конкретным видам тканей и типам оборудования. Предложенная методика может быть масштабирована на предприятия смежных отраслей легкой промышленности.
Литература
Digitalization of industry. Overview. https://www.tadviser.ru/index.php/Статья:Обзор_Цифровизация_про-мышленности_2024. (in Russian).
Gazpromneft-Snabzhenie and Inline Group test neural networks for quality control of parts and equipment. https://supply.gazprom-neft.ru/press-center/news/gazpromneft-snabzhenie-i-inlayn-grup-testiruyut-neyroseti-dlya-kontrolya-kachestva-detaley-i-oborudo. (in Russian).
RT-Tekhpriyomka will control steel quality for aviation using artificial intelligence. https://rttec.ru/media/news/256/. (in Russian).
SPIEF: digitalization of SIBUR and artificial intelligence. https://sibur.digital/202-pmef-tsifrovizatsiya-sibura-i-iskusstvennyy-intellekt. (in Russian).
Severstal introduces a digital quality management system. https://severstal.com/rus/media/archive/severstal-vnedryaet-tsifrovuyu-sistemu-upravleniya-kachestvom/. (in Russian).
Onopyuk E.Yu., Shakhova I.Yu. Digitalization in the textile industry: new opportunities and challenges. Ivecofin. 2025. N 2(64). P. 38–43. DOI: 10.6060/ivecofin.2025642.720. (in Russian).
Ksenofontova O.L., Smirnova N.V., Kotova A.V. Application of data mining methods in epidemiology. Modern High Technologies. Regional Application. 2023. N 2(74). P. 88–93. DOI: 10.6060/snt.20237402.0009. (in Russian).
Lutsenko E.V., Korzhakov V.E. Some problems of classical cluster analysis. Bulletin of the Adyghe State University. Series 4: Natural-Mathematical and Technical Sciences. 2011. N 2. P. 91–102. (in Russian).
Orekhov A.V. Markov stopping moment of the agglomerative clustering process in Euclidean space. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes. 2019. Vol. 15. N 1. P. 76–92. DOI: 10.21638/11702/spbu10.2019.106. (in Russian).
Hartigan J.A., Wong M.A. Algorithm AS 136: A k-means clustering algorithm. Applied Statistics. 1979. Vol. 28. N 1. P. 100–108.
Krakovetsky A. Clustering: k-means and c-means algorithms. https://habr.com/ru/articles/67078/. (in Russian).
Aprilliant A. The k-prototype as Clustering Algorithm for Mixed Data Type (Categorical and Numerical). https://towardsdatascience.com/the-k-prototype-as-clustering-algorithm-for-mixed-data-type-categorical-and-numerical-fe7c50538ebb/.
Moshkin L.S. Using approximation-evaluation criteria for modifying the HDBSCAN algorithm. Control Processes and Stability. 2025. Vol. 12. N 1. P. 352–359. (in Russian).
Shatalova O.M., Kasatkina E.V., Livchits V.N. Cluster analysis and classification of Russia’s industrially oriented regions by economic specialization. Economics and Mathematical Methods. 2022. Vol. 58. N 1. P. 80–91. DOI: 10.31857/S042473880018971-7. (in Russian).
Prokhorenkov P.A., Reger T.V., Gudkova N.V. Cluster analysis methods in regional studies. Fundamental Research. 2022. N 3. P. 100–106. (in Russian).
Sivogolovko E.V. Methods for assessing the quality of hard clustering. Computer Tools in Education. 2011. N 4. P. 14–31. (in Russian).
Kaufman L., Rousseeuw P.J. Finding Groups in Data. An Introduction to Cluster Analysis. Hoboken: Wiley. 2005. 342 p.
Astrakhantseva I.A., Gerasimov A.S., Astrakhantsev R.G. Forecasting regional inflation using machine learning algorithms. Ivecofin. 2022. N 4(54). P. 6–13. DOI: 10.6060/ivecofin.2022544.620. (in Russian).
Astrakhantseva I.A., Kotenev T.E., Gorev S.V., Astrakhantsev R.G., Grimenitsky P.N. Integration of linear regression and random forest methods into intelligent support systems for managing cryogenic transport systems. Ivekofin. 2024. N 03(61). P. 81-90. DOI: 10.6060/ivecofin.2024613.692. EDN RGESSD. (in Russian).
Astrakhantseva I.A., Kutuzova A.S., Astrakhantsev R.G. Artificial intelligent methods in commercial banks ATM cash turnover forecast. Scientific Works of the Free Economic Society of Russia. 2019. Vol. 218. N 4. P. 481–488. (in Russian).
Astrakhantsev R., Chuhno A., Dmukh A., Kurochkin A., Astrakhantseva I. Differences with high probability and impossible differentials for the KB-256 cipher. Journal of Computer Virology and Hacking Techniques. 2024. Vol. 20. N 3. P. 525-531. DOI: 10.1007/s11416-024-00532-2.
