Прогнозирование общей эффективности оборудования на предприятиях радиоэлектронной промышленности с использованием промышленного интернета вещей и методов машинного обучения

Рассматриваются современные методы прогнозирования общей эффективности оборудования, позволяющие выявлять резервы производительности и управлять производственными потерями на промышленных предприятиях в условиях цифровизации и внедрения систем IIoT. Обосновывается актуальность применения алгоритмов машинного обучения для анализа данных временных рядов технологических процессов радиоэлектронного производства.

Проведен всесторонний анализ данных, включая получение характеристик запаздывания и скользящего среднего, обработку экзогенных и календарных переменных, а также применение методов корреляции и сезонной декомпозиции. Для построения прогностических моделей были оценены различные алгоритмы регрессии (линейная регрессия, DecisionTreeRegressor, RandomForestRegressor, CatBoostRegressor) с оптимизацией по гиперпараметрам и перекрестной проверкой временных рядов.

Сравнительный анализ показал, что модель CatBoostRegressor достигла наилучшей точности (MAE = 0,0223, MAPE = 4,5 %, R2 = 0,78). Разработанный подход позволяет осуществлять надежные краткосрочные прогнозы OEE и может быть интегрирован в производственные ИТ-системы для поддержки принятия управленческих решений, оптимизации производственных процессов и повышения операционной эффективности.