Розроблення програмного забезпечення для лінійного прогнозування показників якості виробничих процесів

Abstract

Ця робота присвячена розробці програмного засобу, призначеного для лінійного прогнозування показників якості у виробничих процесах, критичного аспекту в сучасному виробництві та управлінні виробництвом. Основна мета полягає в тому, щоб підвищити ефективність прийняття рішень шляхом надання точних, керованих даними прогнозів показників якості. Дослідження підкреслює важливість точності прогнозування та його прямий вплив на ефективність роботи та якість продукції у виробничому середовищі. Незважаючи на те, що традиційні методи є основоположними, їм часто бракує гнучкості та точності, які можуть запропонувати передові обчислювальні інструменти. Ця прогалина означає потребу в програмному рішенні, яке не тільки спрощує процес прогнозування, але й підвищує його точність. Методологія базується на використанні лінійної регресії, статистичного методу, який добре оцінюється за його ефективність у прогнозуванні результатів на основі історичних даних. Програмне забезпечення використовує просту, але надійну модель лінійної регресії, реалізовану за допомогою Python, мови, обраної через її універсальність і широке використання в аналізі даних і машинному навчанні. Процес розробки також включає створення графічного інтерфейсу користувача (GUI), що робить інструмент доступним для користувачів без глибокого досвіду статистики чи програмування. Ключові результати цього дослідження демонструють, що програмний засіб ефективно прогнозує якісні показники з високою точністю. Він перевершує деякі традиційні методи як за швидкістю, так і за точністю, демонструючи потенціал інтеграції статистичних моделей у системи управління виробництвом. Наслідки цього дослідження є значними, особливо для керівників виробництва та команд із забезпечення якості, які прагнуть використовувати аналіз даних для контролю якості та оптимізації процесів. Розроблений програмний інструмент не тільки є свідченням застосовності лінійної регресії в промислових умовах, але також відкриває шляхи для подальшого дослідження більш складних прогнозних моделей та їх інтеграції у виробничі системи. Таким чином, ця робота робить внесок у цю сферу, подолаючи розрив між теоретичними статистичними моделями та практичними, зручними інструментами для управління якістю у виробничих процесах. Це підкреслює потенціал програмних рішень у революції підходу до контролю якості та управління ним у промислових середовищах.

This dissertation focuses on the development of a software tool designed for the linear forecasting of quality indicators in production processes, a critical aspect in modern manufacturing and production management. The primary objective is to enhance decisionmaking efficiency by providing accurate, data-driven predictions of quality metrics. The research emphasizes the importance of precision in forecasting and its direct impact on the operational efficiency and product quality in production environments. Traditional methods, while foundational, often lack the agility and precision that advanced computational tools can offer. This gap signifies the need for a software solution that not only simplifies the forecasting process but also elevates its accuracy. The methodology revolves around the utilization of linear regression, a statistical technique well-regarded for its effectiveness in predicting outcomes based on historical data. The software employs a simple yet robust linear regression model, implemented using Python, a language chosen for its versatility and widespread use in data analysis and machine learning. The development process also includes the creation of a graphical user interface (GUI), making the tool accessible to users without a deep background in statistics or programming. Key findings of this research demonstrate that the software tool effectively forecasts quality indicators with a high degree of accuracy. It outperforms some traditional methods in both speed and precision, showcasing the potential of integrating statistical models in production management systems. The implications of this study are significant, particularly for production managers and quality assurance teams seeking to leverage data analytics for quality control and process optimization. The developed software tool not only stands as a testament to the applicability of linear regression in industrial settings but also opens avenues for further exploration into more complex predictive models and their integration into production systems. This dissertation thus contributes to the field by bridging the gap between theoretical statistical models and practical, user-friendly tools for quality management in production processes. It underscores the potential of software solutions in revolutionizing how quality control is approached and managed in industrial environments.