СТАТИСТИЧНІ МЕТОДИ ОЦІНЮВАННЯ ЯКОСТІ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ ПРИ ОБМЕЖЕНІЙ КІЛЬКОСТІ ІНФОРМАЦІЇ
Анотація
DOI: https://doi.org/10.26565/2079-1747-2025-35-04
У статті розглянуто питання підвищення ефективності управління якістю механічної обробки машинобудівної продукції у малосерійному виробництві. Основну увагу приділено застосуванню статистичних методів контролю, зокрема методу кумулятивних сум, як інструменту для діагностики точності технологічного процесу на токарних верстатах з числовим програмним керуванням. Обґрунтовано доцільність використання контрольних карт кумулятивних сум замість традиційних методів, що не враховують динаміку зміни параметрів у часі.
У межах дослідження проаналізовано результати механічної обробки фланця колінчастого вала зі сталі 20Х на верстаті 16К20Ф3. Було проведено 25 вибірок по 5 одиниць продукції для оцінювання відхилень розмірів від номінального значення та побудови відповідних кумулятивних кривих. На основі експериментальних даних побудовано графіки зміни кумулятивних сум, а також запропоновано еталонну карту для використання на виробництві. Встановлено чіткий зв’язок між нахилом кривої кумулятивних сум і рівнем якості процесу механічної обробки: горизонтальна крива відповідає задовільному стану, спадна — поганій якості, а висхідна — високій якості.
Запропоновано математичний апарат для розрахунку комплексного показника якості механічної обробки з урахуванням вагомості окремих показників якості (точності, шорсткості, просторових відхилень тощо). Встановлено, що цей комплексний показник перебуває в кореляції з рівнем технологічного процесу і може бути ефективним критерієм його оцінки.
Результати дослідження можуть бути застосовані для оперативного контролю та покращення якості у виробництві малих партій машинобудівної продукції, що особливо актуально для умов дрібносерійного та багатономенклатурного виробництва.
In cites: Lomanov K., Holovko M., (2025), Statistical methods for assessing the quality of technological processes with limited information. Engineering, (35), 36-45. https://doi.org/10.26565/2079-1747-2025-35-04 (in Ukraine)
Завантаження
Посилання
Takata, S, Kirnura, F, van Houten, FJAM, Westkamper, E, Shpitalni, M, Ceglarek, D & Lee, J 2004, 'Maintenance: Changing role in life cycle management', CIRP Annals, 53(2), pp. 643–655. doi: 10.1016/s0007-8506(07)60033-x.
Kupriyanov, O, Trishch, R, Dichev, D & Bondarenko, T 2022, 'Mathematic model of the general approach to tolerance control in quality assessment', Advanced Manufacturing Processes III. InterPartner 2021. Lecture Notes in Mechanical Engineering. Cham: Springer, pp. 415–423. doi: 10.1007/978-3-030-91327-4_41.
Dichev, D, Diakov, D, Zhelezarov, Y, Nikolova, H, Kupriyanov, O & Dicheva, R 2022, 'Accuracy evaluation of flat surfaces measurements in conditions of external influences', in Proceedings of 2022 XXXII International Scientific Symposium “Metrology and Metrology Assurance” (MMA) (September 2022), pp. 1–7. doi: 10.1109/MMA55579.2022.9992334.
Oztemel, E & Gursev, S 2020, 'Literature review of Industry 4.0 and related technologies', Journal of Intelligent Manufacturing, 31, pp. 127–182. doi: 10.1007/s10845-018-1433-8.
Dhobale, N, Mulik, S, Jegadeeshwaran, R & Patange, A 2021, 'Supervision of milling tool inserts using conventional and artificial intelligence approach: a review', Sound & Vibration, 55(2), pp. 87–116. doi: 10.32604/sv.2021.014224.
Nasir, V & Sassani, F 2021, 'A review on deep learning in machining and tool monitoring: methods, opportunities, and challenges', The International Journal of Advanced Manufacturing Technology, 115, pp. 2683–2709. doi: 10.1007/s00170-021-07325-7.
Ko, JH & Yin, C 2025, 'A review of artificial intelligence application for machining surface quality prediction: from key factors to model development', Journal of Intelligent Manufacturing. doi: 10.1007/s10845-025-02571-y.
Kasiviswanathan, S, Gnanasekaran, S, Thangamuthu, M & Rakkiyannan, J 2024, 'Machine-learning- and Internet-of-Things-driven techniques for monitoring tool wear in machining process: a comprehensive review', Journal of Sensor and Actuator Networks, 13(5), p. 53. doi: 10.3390/jsan13050053.
Mohanraj, T, Shankar, S, Rajasekar, R, Sakthivel, NR & Pramanik, A 2020, 'Tool condition monitoring techniques in milling process—a review', Journal of Materials Research and Technology, 9(1), pp. 1032–1042. doi: 10.1016/j.jmrt.2019.10.031.
Rong, K, Ding, H, Kong, X, Huang, R & Tang, J 2021, 'Digital twin modeling for loaded contact pattern-based grinding of spiral bevel gears', Advanced Engineering Informatics, 49, p. 101305. doi: 10.1016/j.aei.2021.101305.
Topchii, NV 2024, 'Methods and modern means of controlling mechanical parts in production', Scientific Journal “Notes of TNU named after V.I. Vernadsky. Series: Technical Sciences”, 35(74), 6, рр. 30–34. doi: 10.32782/2663-5941/2024.6.1/06. ( in Ukraine)
Kalchenko, V, Venzhega, V, Pasov, H, Kolohoida, А, Kuzhelnyi, Ya. & Bogoslavskij, V 2024, 'Improving the quality of the control of parts parameters in the manufacture and repair of vehicles', Technical sciences and technologies, 1(35), рр. 9–17. doi: 10.25140/2411-5363-2024-1(35)-9-17. ( in Ukraine)
Vasilevskyi, O 2021, 'Assessing the level of confidence for expressing extended uncertainty through control errors on the example of a model of a means of measuring ion activity', Acta IMEKO, 10(2), pp. 199–203. doi: 10.21014/acta_imeko.v10i2.810.
Vasilevskyi, O, Koval, M & Kravets, S 2021, 'Indicators of reproducibility and suitability for assessing the quality of production services', Acta IMEKO, 10(4), pp. 54–61. doi: 10.21014/acta_imeko.v10i4.814. ( in Ukraine)
Trishch, R, Cherniak, O, Artyukh, S, Burdeina, V & Hrinchenko, H 2021, 'Implementation of the requirements of international standards of measurement uncertainty in the metrological activities of enterprises', Engineering, 27, рр. 117–124. doi: 10.32820/2079-1747-2021-27-117-124. ( in Ukraine)
Sanchez-Marquez, R & Jabaloyes Vivas, JM 2020, 'Multivariate SPC methods for controlling manufacturing processes using predictive models – A case study in the automotive sector', Computers in Industry, 123, p. 103307. doi: 10.1016/j.compind.2020.103307.
Ojha, VK, Goyal, S, Chand, M & Kumar, A 2024, 'A framework for data-driven decision making in advanced manufacturing systems: development and implementation', Concurrent Engineering, 32(1–4), pp. 58–77. doi: 10.1177/1063293X241297528.
Sankhye, S & Hu, G 2020, 'Machine learning methods for quality prediction in production', Logistics, 4(4), p. 35. doi: 10.3390/logistics4040035.
Haq, A & Munir, W 2018, 'Improved CUSUM charts for monitoring process mean', Journal of Statistical Computation and Simulation, 88(9), pp. 1684–1701. doi: 10.1080/00949655.2018.1444040.
Imran, M, Sun, J, Zaidi, FS, Abbas, Z & Nazir, HZ 2022, 'Multivariate cumulative sum control chart for compositional data with known and estimated process parameters', Quality and Reliability Engineering International, 38(5), pp. 2691–2714. doi: 10.1002/qre.3099.
Shafae, MS, Dickinson, RM, Woodall, WH & Camelio, JA 2015, 'Cumulative sum control charts for monitoring Weibull-distributed time between events', Quality and Reliability Engineering International, 31(5), pp. 839–849. doi: 10.1002/qre.1643.
