Качество автозапчастей — вопрос не только экономики, но и безопасности. Оно зависит не только от состава сплава или режима термообработки, но и от множества скрытых факторов: фамилии оператора, условий хранения сырья, даже дня недели. Именно выявление таких «неочевидных причин» — главная ценность интерпретируемого ИИ в автопроме.
Принцип: много маленьких, специализированных программ
Вместо единой сложной системы — набор небольших приложений, каждое из которых:
- Решает одну задачу (прогноз износа тормозных колодок, контроль пористости отливки)
- Использует интерпретируемые модели (деревья решений, регрессия)
- Принимает input.csv и возвращает output.json
- Легко валидируется как часть SOP
На схеме — ключевые этапы и «скрытые» данные, влияющие на безопасность и долговечность.
Почему именно неочевидные признаки?
Если тормозной диск треснул — «ясен пень, косяк», но почему? ИИ выявляет:
- «Партии, обработанные в смену “В”, имеют в 2 раза выше внутренние напряжения»
- «Отливки из сплава поставщика X при влажности >70% дают микротрещины»
- «Гальваническое покрытие, нанесённое в пятницу, чаще отслаивается»
Это и есть ценность ИИ — увидеть то, что скрыто за шумом рутинных данных.
Типовые решения для автопрома
Прогноз ресурса тормозных дисков и колодок
Входные данные: состав чугуна, твёрдость, микроструктура, условия термообработки, фамилия оператора
Модель: регрессия
Выгода: прогноз срока службы до испытаний, снижение гарантийных случаев.
Контроль пористости отливок
Входные данные: температура заливки, скорость, состав сплава, влажность в литейном цеху, поставщик шихты
Модель: дерево решений
Выгода: снижение брака на ранней стадии, оптимизация режимов литья.
Прогноз адгезии гальванического покрытия
Входные данные: состав ванны, pH, ток, время, температура в цеху, смена оператора
Модель: дерево решений
Выгода: снижение случаев отслоения, рост срока службы деталей.
Прогноз износа подшипников и втулок
Входные данные: твёрдость, чистота поверхности, смазка, тип стали, условия хранения
Модель: регрессия
Выгода: оптимизация материалов, снижение поломок в гарантийный период.
Прогноз ресурса оборудования
Входные данные: наработка, тип обрабатываемой детали, нагрузка
Модель: регрессия
Выгода: планово-предупредительное ТО, снижение аварийных простоев.
Техническая реализация
Каждое приложение:
- Написано на C# с использованием Accord.NET 3.8.0
- Принимает input.csv с колонками, включая контекстные признаки
- Возвращает output.json с полем errorMessage
- Содержит PrintHello() с описанием формата данных
Пример вызова: BrakeDiscLifePredictor.exe batch.csv result.json
Заключение
ИИ в производстве автозапчастей становится ценным инструментом не тогда, когда он подтверждает очевидное, а когда помогает увидеть скрытые закономерности: влияние оператора, условий цеха, поставщика сырья. Набор небольших, интерпретируемых программ — это путь к доверию технологов и эффективному управлению качеством в условиях строгих требований автопроизводителей.
Связаться с автором и программистом: Телеграм
© 2025. Практические решения на основе интерпретируемых моделей машинного обучения.
Все приложения реализованы на Accord.NET 3.8.0 и готовы к валидации в промышленной среде.