نوع مقاله : مقاله پژوهشی- فارسی
نویسندگان
1 استاد گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
2 دانشجوی دکتری گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Purpose: This paper aims to apply cost-sensitive machine learning (CSML) for predicting production defects in industrial processes to minimize the costs associated with false negatives. It investigates the MetaCost algorithm to assess its effectiveness in enhancing accuracy for defect detection when misclassification costs are incorporated into predictive models.
Design/methodology/approach: Real-world industrial production data is utilized to train multiple machine learning models: Random Forest, XGBoost, LightGBM, CatBoost, Gradient Boosting, SVM, and Logistic Regression to predict high-defect days. Subsequently, we implement various techniques to address class imbalance and enhance generalization, including Borderline-SMOTE, Recursive Feature Elimination with Cross Validation (RFECV), and Optuna hyperparameter optimization. After modeling, MetaCost is applied as a post-processing step to convert base learners into cost-sensitive classifiers with a 5:1 cost ratio focused on minimizing false negatives.
Findings: Findings indicated that among all tested classifiers, the most effective model for identifying high defect production days is the Random Forest model combined with MetaCost, as it boasts the highest recall (98.9%). In industrial settings, this high recall is particularly crucial, as failing to detect defects can lead to significant losses, waste, and quality degradation for the company. CatBoost and LightGBM also performed well in terms of precision and false negatives, matching Random Forest's performance, but they recorded slightly more false negatives. Additionally, the Random Forest model achieved a balanced F1 score, making it reliable and robust for imbalanced datasets. This highlights the importance of cost-sensitive models in quality control tasks, especially when the cost of false negatives far exceeds that of false positives. Random Forest consistently outperforms in this study, making it a promising candidate for practical application in real-world manufacturing, as it can predict problematic production days, prompting timely interventions and continuous process improvement. The findings thus confirm both the strategic and technical value of the model for industrial decision-making processes.
Research limitations/implications: The industrial variations in the real world may not be fully represented by the study’s dataset. Results are confined to batch-based manufacturing data and require validation in continuous or real-time processes. Future research should concentrate on deep learning models (CNN or RNN) and real-time sensor data or IoT-based streams for dynamic settings.
Practical implications: This study offers a data-driven framework for manufacturers to predict and address production defects, thereby reducing waste and rework costs. The approach minimizes undetected high-defect days while enhancing production quality, decreasing operational losses, and enabling the use of simple ML-based solutions instead of costly diagnostic equipment.
Social implications: Enhanced defect prediction for sustainable manufacturing is achieved through reduced material waste, prolonged product lifespan, and improved quality control. Greater product reliability fosters stronger consumer trust and diminishes the environmental impact of industrial waste.
Originality/value: The MetaCost initiative has implemented this algorithm as one of the first of its kind in the real industrial defect prediction domain. Cost-sensitive learning formulations with modern ML tools are employed to bridge a gap in research that addresses production optimization while balancing quality and cost. This research is valuable both academically and for industry practitioners interested in economic considerations in predictive modeling. Furthermore, while previous works focused primarily on healthcare, finance, and software defect detection, this research introduces a novel application of MetaCost in a manufacturing environment characterized by highly imbalanced class distributions and complex processes. The study proposes a replicable and scalable pipeline by integrating techniques such as Borderline-SMOTE, RFECV, and Optuna, which can be utilized for future research as well as in real-time applications. It effectively closes the gap between theoretical ML design and the application of ML in high-impact quality improvement of industrial systems.
کلیدواژهها [English]
مقدمه
در دنیای پرشتاب تولید و عملیات امروزی، توانایی پیشبینی عیوب برای تضمین کیفیت و عملکرد بسیار مهم است. با اتکای بیشتر صنایع به تصمیمگیری مبتنی بر داده، یادگیری ماشین (ML ) به ابزار قدرتمندی برای پیشبینی عیوب تولید تبدیل شده است (van Vuuren, 2024(Barzizza et al., 2024., Kang et al., 2020., با این حال در کاربردهای حیاتی، رویکردهای سنتی و ساده ML، هزینههای متفاوت مرتبط با انواع مختلف طبقهبندیهای اشتباه را نادیده میگیرند که بهطور بالقوه، به نتایج ضعیف منجر میشود. در این مطالعه، از چارچوب MetaCost برای پیشبینی نقص تولید استفاده و رویکرد جدیدی برای یادگیری ماشین حساس به هزینه (CSML ) ایجاد میشود. این مقاله به این سؤال تحقیقاتی پاسخ میدهد که چگونگی پیشبینی دقیق عیوب تولید با در نظر گرفتن هزینههای طبقهبندی اشتباه مرتبط است. هزینۀ منفی کاذب (شناسایینکردن نقص در صورت لزوم) در بسیاری از زمینههای صنعتی بسیار بیشتر از هزینۀ مثبت کاذب (تشخیص نادرست نقص) است. برای بررسی این نبود تعادل، باید یک رویکرد حساس به هزینه برای مدلهای پیشبینیکننده اتخاذ کرد که بهدنبال به حداقل رساندن هزینههای طبقهبندی اشتباه بهجای حداکثرکردن صحتاند. همانطور که بررسی پیشینۀ موجود نشان میدهد، یادگیری حساس به هزینه، زمینۀ بسیار مهمی است که پیشرفت خوبی را به خود دیده است؛ اما در اینجا نیز بیشتر کارها یا بر چارچوب نظری یا در برخی کاربردهای خاص، بدون در نظر گرفتن پیچیدگیهای پیشبینی نقص تولید باقی مانده است؛ برای مثال، ژو و لیو (2010) اشاره میکنند که کمبود اکتشاف در یادگیری چند کلاسۀ حساس به هزینه وجود داشته است و لیو و همکاران (2021) بر لزوم گنجاندن اطلاعات هزینه در آموزش مدل تأکید میکنند. منولد و همکاران (2024) بهجای استفاده از یادگیری مستقیم حساس به هزینه در زمینۀ تولید، بر کاربرد یادگیری ماشین در حوزۀ مراقبتهای بهداشتی تمرکز کردهاند. این نتایج نشان میدهند که لازم است بررسیهای بیشتری دربارۀ استفاده از روشهای پیشبینی نقص تولید با رویکرد حساس به هزینه انجام شود. در زمینۀ بهینهسازی مدلهای پیشبینی و یادگیری توالیهای زمانی، به استفاده از الگوریتمهای تکاملی مانند Modified Asexual Reproduction Optimization و Asexual Reproduction Optimization، برای آموزش مدلهای مارکوف پنهان نیز، توجه شده است (Mansouri et al., 2021).
در حال حاضر، هزینههای منفی کاذب در پیشبینی نقصهای تولید، بهویژه در صنعت، یکی از مسائل اساسی به شمار میآید. این هزینهها بهدلیل شناسایینکردن دقیق نقصها و عواقب مالی ناشی از آنها، اهمیت زیادی دارند. در کشورهای مختلف، ازجمله ایران، توجه به کاهش این هزینهها و بهبود پیشبینیها در سالهای اخیر افزایش یافته است. بهویژه در صنایع تولیدی ایران، شناسایینکردن صحیح نقصهای تولید، به زیانهای مالی درخور توجهی منجر میشود؛ برای مثال، مطالعات انجامشده در ایران نشان میدهند که در صنایع مختلف، مانند خودروسازی و الکترونیک، هزینههای منفی کاذب بهدلیل شناسایینکردن صحیح نقصها، به زیانهای مالی زیادی برای تولیدکنندگان منجر میشود (Motamedi et al., 2024; Ataei et al., 2025). در سطح جهانی نیز، تحقیقاتی نشان دادهاند که هزینههای منفی کاذب در صنایع مختلف، ازجمله صنایع دارویی، تولید خودرو و الکترونیک، فشار زیادی به تولیدکنندگان وارد میکند؛ برای نمونه، مطالعات اخیر در کشورهای صنعتی پیشرفته نشان میدهند که این هزینهها، آثار مالی چشمگیری در صنایع مختلف دارند ((Barzizza et al., 2024. به همین دلیل، استفاده از رویکردهای حساس به هزینه مانند MetaCost برای کاهش این هزینهها در صنایع تولیدی، اهمیت ویژهای دارد.
سهم اصلی این پژوهش، توسعۀ MetaCost برای پیشبینی عیوب ساخت و ارزیابی مدلهای مختلف یادگیری ماشین ازنظر پیشبینی عیوب ساخت بوده است تا بهترین مدل برای پیشبینی نقصهای ساخت شناسایی شود. کاربرد عملی تحقیق دربارۀ بهبود تصمیمات مدیریتی در صنعت تولید، کاهش هزینۀ ساخت عیوب، ساخت و بهبود کیفیت فرآیند حائز اهمیت بوده است. این تحقیق فرصتی را برای تولیدکنندگان فراهم کرده است تا از زیانهای مالی و افت کیفیت در روزهای پرنقص جلوگیری کنند. نقشۀ راه این مقاله به شرح زیر بوده است: ابتدا مقدمهای بر روشهای یادگیری ماشین حساس به هزینه و MetaCost ارائه و در ادامه، مبانی نظری و پیشینۀ پژوهش بررسی شده است؛ سپس، روش تحقیق و مجموعۀ دادهها توضیح داده شده است. در ادامه، مدلهای مختلف یادگیری ماشین برای پیشبینی نقصها بررسی و ارزیابی شدهاند. درنهایت، نتایج و تحلیلهای مربوط به ارزیابی عملکرد مدلها و انتخاب بهترین مدل برای پیشبینی نقصهای تولید، ارائه شده است.
پیشینۀ پژوهش
مطالعات جدول یک نشان دادهاند که MetaCost و دیگر تکنیکهای یادگیری ماشین حساس به هزینه، عملکرد مدلها را در دادههای نامتعادل و پرهزینه بهبود میدهند. این روشها در غربالگری پزشکی، پیشبینی نقص نرمافزار، کشف تقلب مالی و سرمایهگذاری کاربرد داشتهاند. همچنین، ترکیب این الگوریتمها با روشهایی مانند یادگیری فعال یا نمونهبرداری بیش از حد، دقت پیشبینی را در مسائل پیچیده، مانند ورشکستگی و نقص نرمافزار افزایش داده است. این رویکردها هزینۀ اشتباهات طبقهبندی را کاهش میدهند و به تصمیمگیری دقیقتر کمک میکنند.
جدول1- پیشینۀ پژوهش
Table 1- Research background
نویسندگان عنوان مقاله هدف دیتاست نتیجهگیری
ستی و همکاران (2024)
«یادگیری ماشینی حساس به هزینه برای حمایت از تصمیمات سرمایهگذاری راهاندازی» بررسی استفاده از MetaCost برای کاهش ریسک در سرمایهگذاری استارتاپها دادههای استارتاپها مدلهای یادگیری ماشین حساس به هزینه، ریسک را بهطرز درخور توجهی برای سرمایهگذاران کاهش میدهند.
منولد و همکاران (2024)
«یادگیری ماشین در غربالگری خودکار برای مرورهای سیستماتیک و متا آنالیز در اورولوژی» برای ارزیابی پتانسیل یادگیری حساس به هزینه در غربالگری دادههای پزشکی مجموعه دادههای مرور پزشکی این مطالعه نتیجه میگیرد که رویکردهای حساس به هزینه، صحت فرآیندهای غربالگری خودکار را افزایش میدهند
مائلکویست و همکاران (2023)
«پشتیبانی تصمیمگیری حساس به هزینه برای فرآیندهای دستهای صنعتی» توسعۀ یک سیستم پشتیبانی تصمیم که شامل یادگیری حساس به هزینه برای فرآیندهای دستهای میشود. دادههای فرآیند دستهای صنعتی این مطالعه نشان میدهد که پشتیبانی تصمیمگیری حساس به هزینه، کارایی عملیاتی را بهطور درخور توجهی در تنظیمات صنعتی افزایش میدهد
چن (2021)
«پژوهش در روشهای طبقهبندی حساس به هزینه برای دادههای نامتوازن» معرفی الگوریتم ترکیبی جدید شامل یادگیری فعال و MetaCost برای بهبود دستهبندی نامتوازن دادههای عمومی و ترکیبی ترکیب یادگیری فعال و MetaCost بهطور مؤثری عملکرد پیشبینی را در دادههای نامتوازن بهبود میبخشد.
نیو و همکاران (2020)
«یادگیری دیکشنری حساس به هزینه برای پیشبینی نقص نرمافزار» بهبود پیشبینی نقصهای نرمافزاری با یادگیری دیکشنری حساس به هزینه مجموعهدادههای نرمافزاری NASA و AEEEM مدلهای جدید دیکشنری یادگیری حساس به هزینه، عملکرد بهتری در پیشبینی نقصهای نرمافزاری نسبتبه روشهای قبلی دارند.
قطعهاشه و همکاران (2020)
«تجزیه و تحلیل کسبوکار در بازاریابی تلفنی: تحلیل حساس به هزینۀ کمپینهای بانکی با استفاده از شبکههای عصبی مصنوعی» بهبود دقت و صحت پیشبینی در کمپینهای بازاریابی تلفنی با استفاده از شبکههای عصبی حساس به هزینه دادههای کمپین بازاریابی تلفنی نتایج نشان میدهد که مدلهای حساس به هزینه بهطور درخور توجهی بهتر از مدلهای سنتی در مجموعه دادههای نامتعادل عمل میکنند
وربکه و همکاران (2020)
«مبانی طبقهبندی علی حساس به هزینه» پیشنهاد چارچوبی برای طبقهبندی علی حساس به هزینه برای افزایش تصمیمگیری مجموعه دادههای مختلف این چارچوب راههای جدیدی را برای بهبود تصمیمات تجاری مبتنی بر داده ازطریق روشهای حساس به هزینه باز میکند
مالهوترا و کمال (2019)
«یک مطالعۀ تجربی برای بررسی روشهای افزایشی نمونه بهمنظور بهبود پیشبینی نقص نرمافزار با استفاده از دادههای نامتوازن» بررسی روشهای oversampling و یادگیری حساس به هزینه برای پیشبینی نقصهای نرمافزاری مجموعهدادههای NASA استفاده از oversampling و یادگیری حساس به هزینه با MetaCost پیشبینیهای بهتری را برای دادههای نامتوازن ارائه میدهد.
لی و همکاران (2019)
«یک رویکرد ترکیبی با استفاده از تکنیک نمونهبرداری بیش از حد و یادگیری حساس به هزینه برای پیشبینی ورشکستگی» برای ایجاد یک مدل ترکیبی برای پیشبینی ورشکستگی که نمونهبرداری بیش از حد و یادگیری حساس به هزینه را ترکیب میکند. مجموعه دادۀ ورشکستگی کشور کره رویکرد ترکیبی دقت پیشبینی بهبودیافتهای را در مجموعه دادههای بسیار نامتعادل بههمراه دارد.
کامالاروبان و ویلیامسون (2018)
«تعیین حداقل حد پایین برای طبقهبندی حساس به هزینه» تجزیه و تحلیل طبقهبندی باینری حساس به هزینه و پیامدهای آن در کاربردهای مختلف مجموعه دادههای مختلف نتایج نشان میدهد که نادیدهگرفتن هزینههای طبقهبندی نادرست به عملکرد نامناسب در کاربردهای حیاتی منجر میشود
کیم و همکاران (2016)
«شناسایی تحریفات مالی با قصد کلاهبرداری با استفاده از یادگیری حساس به هزینۀ چندطبقه» توسعۀ مدلهای یادگیری چند کلاسه برای تشخیص کلاهبرداری در گزارشهای مالی دادههای مالی شرکتها یادگیری حساس به هزینه با استفاده از MetaCost کمک میکند تا قصد کلاهبرداری در بیانیههای مالی شناسایی شود.
سلطانی و همکاران (2023)
«رویکرد ترکیبی پیشبینی تقاضای کانال همهجانبۀ یکپارچه، با استفاده از یادگیری ماشین» هدف این مقاله کاهش عدم قطعیت در پیشبینی تقاضا در خردهفروشی چندکاناله ازطریق استفاده از الگوریتمهای یادگیری ماشین و خوشهبندی سریهای زمانی است. دادههای فروش ماهیانه از یک خردهفروشی لوازم آرایشی از فوریۀ 2020 تا ژوئن 2022 . استفاده از الگوریتم خوشهبندی با Dynamic Time Warping و بهکارگیری شبکههای عصبی غیرخطی خودبازگشتی با ورودیهای خارجی (NARX) به بهبود دقت پیشبینی تقاضا برای محصولات در خردهفروشیهای چندکاناله کمک میکند
میرزایی و همکاران (2023)
«مقایسۀ کارایی مدلهای آماری و مدلهای یادگیری ماشین و انتخاب مدل بهینه برای پیشبینی سود خالص و جریان نقد عملیاتی» این تحقیق، کارایی مدلهای آماری و مدلهای یادگیری ماشین را برای پیشبینی سود خالص و جریان نقد عملیاتی مقایسه میکند و هدف آن انتخاب مدل بهینه برای پیشبینی این دو متغیر مالی در شرکتهاست. دادههای مربوط به 184 شرکت ثبتشده در بورس تهران از سال 2012 تا 2021. نتایج نشان دادند که متغیرهای تعهدی قدرت تبیینی بیشتری نسبتبه متغیرهای نقدی برای پیشبینی سود خالص و جریان نقد عملیاتی دارند.
پژوهشهای مختلف در حوزۀ یادگیری ماشین حساس به هزینهCSL و رویکرد MetaCost نشان دادهاند که این روش در زمینههای گوناگونی ازجمله سرمایهگذاری استارتاپها، پیشبینی نقصهای نرمافزاری، تحلیلهای پزشکی و پیشبینی ورشکستگی به کار رفته است. با این حال، هر مطالعه دارای مزایا، محدودیتها و شکافهای پژوهشی خاص خود است. مطالعۀ ستی و همکاران (2024) نشان داد که MetaCost، ریسک سرمایهگذاری را در استارتاپها کاهش میدهد؛ اما نیازمند بررسی در صنایع سنتی است. این روشی که منولد و همکاران (2024) در غربالگری پزشکی به کار بردند، به بهبود دقت منجر شد، اما به ارزیابیهای بالینی بیشتری نیاز دارد. چن (2021) ترکیب یادگیری فعال و MetaCost را برای دادههای نامتعادل بررسی کرد؛ اما کاربرد آن در صنایع تولیدی کمتر بررسی شده است. درنهایت، نیو و همکاران (2020) از یادگیری دیکشنری حساس به هزینه برای پیشبینی نقصهای نرمافزاری استفاده کردند؛ اما این مطالعه به مجموعه دادههای بزرگتر و متنوعتری نیاز دارد. علاوه بر این، مطالعۀ مائلکویست و همکاران (2023) یکی از معدود مطالعاتی است که CSL را در بستر فرآیندهای دستهای صنعتی بررسی کرده است؛ اما دامنۀ آن محدود به شرایط خاص فرآیندهای دستهای بوده و کاربرد در محیطهای تولید پیوسته یا مبتنی بر دادههای بلادرنگ را بررسی نکرده است. مطالعات داخلی نظیر سلطانی و همکاران (2023) و میرزایی و همکاران (2023) نیز، از یادگیری ماشین برای حل مسائل پیشبینی در حوزههایی مانند تقاضای خردهفروشی و تحلیل مالی بهره بردهاند؛ ولی رویکرد حساس به هزینه در این مطالعات محوریت نداشته و مسئلۀ طبقهبندی نابرابر و هزینهمحور را بهصورت مستقیم بررسی نکرده است.
درمجموع، این تحقیقات نشاندهندۀ تأثیرگذاری یادگیری حساس به هزینه در بهبود پیشبینی در دادههای نامتعادلاند؛ اما شکاف پژوهشی در کاربردهای صنعتی و بررسی عملیاتی آنها همچنان وجود دارد. این تحقیق بر استفاده از یادگیری ماشین حساس به هزینه، برای پیشبینی نقصهای تولیدی در فرآیندهای صنعتی تمرکز دارد. شکاف پژوهشی اصلی، محدودیت کاربرد MetaCost در این حوزه است؛ در حالی که تحقیقات پیشین بیشتر بر سرمایهگذاری استارتاپها، نقصهای نرمافزاری و پزشکی متمرکز بودهاند. این پژوهش، با تمرکز بر شناسایی دقیق روزهای پرنقص و کاهش هزینههای پیشبینی اشتباه، این شکاف را پر میکند. مشارکت کلیدی پژوهش، استفاده از MetaCost برای تشخیص نقصهای تولیدی است که همراه با SMOTE Synthetic) Minority Over-sampling Technique) برای متوازنسازی دادهها، RFECV برای انتخاب ویژگی و Optuna برای تنظیم فراپارامترها اجرا شده است. برخلاف مطالعات پیشین، این پژوهش از دادههای پیچیدۀ تولیدی استفاده و مدلهای مختلف یادگیری ماشین را ارزیابی و مقایسه کرده است. انتخاب بهترین مدل براساس کاهش خطای منفی کاذب، که برای فرآیندهای صنعتی حیاتی است، انجام میشود. مشارکت اصلی این پژوهش در ارائۀ یک چارچوب نوآورانه برای پیشبینی نقصهای تولیدی، با استفاده از یادگیری ماشین حساس به هزینۀ نهفته است. برخلاف مطالعات پیشین که عمدتاً از الگوریتم MetaCost در حوزههایی مانند پزشکی، نرمافزار و مالی بهره بردهاند، این تحقیق برای نخستین بار بهطور متمرکز، از MetaCost در محیطهای واقعی تولید صنعتی استفاده کرده است. این چارچوب با ترکیب تکنیکهایی نظیر SMOTE، برای متوازنسازی دادهها، RFECV برای انتخاب ویژگیهای مؤثر و Optuna برای تنظیم بهینۀ فراپارامترها، یک مدل بهینه را برای دادههای نامتوازن ارائه میدهد. همچنین پژوهش حاضر با انجام تحلیل مقایسهای میان چندین الگوریتم یادگیری ماشین، ازجمله Random Forest، XGBoost، LightGBM، CatBoost و SVM در بستر حساس به هزینه، مدلی را معرفی میکند که با کاهش خطاهای منفی کاذب، امکان تصمیمگیری مؤثرتر را در فرآیندهای تولیدی فراهم میکند.
روش تحقیق
در این تحقیق، هدف اولیه بهبود پیشبینی عیوب تولید ازطریق محاسبۀ هزینههای تصمیمگیری بود. بهمنظور انجام این کار، ما از تکنیک یادگیری ماشین حساس به هزینه (CSL)، با استفاده از MetaCost استفاده کردیم. این تکنیک الگوریتمهای یادگیری ماشین را تغییر میدهد تا هزینۀ تصمیمگیری را در فرآیند پیشبینی بگنجاند و خطاهای پرهزینه را براساس احتمال کاهش دهد. نکتۀ کلیدی برای مدیران تولید و مهندسان کیفیت، شناسایی روزهایی است که ایرادات فراوان دارند. اگر یک روز، یک مدل یادگیری ماشینی با نقص زیاد را به یک روز بدون نقص (منفی کاذب بالا) بهاشتباه طبقهبندی کند، ممکن است اقدامات اصلاحی ضروری انجام نشود و به زیان مالی و کاهش کیفیت تولید در مقیاس منجر شود. در یک خط تولید صنعتی، هر خط از مجموعه داده حاوی اطلاعات مربوط به یک روز تولید خاص است؛ درنتیجه، یک (FN ) یک روز کامل تولید با عیوب احتمالی را نشان میدهد که تشخیص داده نشده است و بهطور بالقوه، کیفیت محصولات تولیدشده را در آن روز به خطر میاندازد. دادههای این مطالعه از مجموعهدادۀ «Predicting Manufacturing Defects» استخراج شدهاند که ربیع الخاروا (2024) آن را در پلتفرم Kaggle منتشر کرده است و شامل 16 ویژگی مستقل و یک متغیر هدف است و وضعیت تولید را در یک روز نشان میدهد. تحلیل اولیه نشان داد که دادهها نامتعادلاند و روزهای با نقص زیاد بهمراتب بیشتر از روزهای با نقص کماند. برای رفع این مشکل، از Borderline-SMOTE برای متوازنسازی دادهها استفاده شد (Javad Hemmatian et al., 2025). برای کاهش پیچیدگی مدل و حذف ویژگیهای کماهمیت، روش RFECV با یک مدل تقویت گرادیان بهینهشده با Optuna به کار گرفته شد و ویژگیهای کلیدی را انتخاب کرد (Shi et al., 2024). این فرآیند دقت مدل را افزایش و خطر بیشبرازش را کاهش داد. چندین الگوریتم یادگیری ماشین حساس به هزینه ازجمله Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و رگرسیون لجستیک برای پیشبینی نقص تولید استفاده شد. این مدلها، توانایی تخمین احتمال را دارند که برای اجرای MetaCost ضروری است. Optuna، برای بهینهسازی هایپرپارامترهای مدلها به کار گرفته شد. در این مطالعه، MetaCost بهگونهای تنظیم شد که جریمهای 5 برابر برای خطای منفی کاذب در کلاس نقص زیاد در نظر گرفته شود؛ زیرا این خطاها آثار مهمی بر کیفیت و هزینۀ تولید دارند (Barzizza et al., 2024(Hassan, 2017.,. عملکرد مدلها براساس صحت، دقت، بازخوانی و امتیاز F1 ارزیابی و تمام تحلیلها با زبان برنامهنویسی پایتون انجام شد. شکل 1، فلوچارت مراحل اجرای تحقیق را نشان میدهد.
شکل 1- فلوچارت مراحل اجرای تحقیق
Fig. 1- Flowchart of research implementation steps
منبع داده و ویژگیهای داده
مجموعه دادۀ این مطالعه از Kaggle بازیابی شده است و شامل 16 ویژگی مستقل و یک متغیر هدف است که روزهای با نقص زیاد (1) و روزهای با نقص کم (0) را در فرآیند تولید نشان میدهد. این مجموعه داده، 3240 روز تولیدی را پوشش میدهد (Rabie El Kharoua, 2024).
جدول 2- متغیرها و ویژگیهای تأثیرگذار بر کیفیت تولید و نقصها
Table 2- Variables and characteristics affecting production quality and defects
متغیر توضیحات نوع داده بازه مقادیر
ProductionVolume تعداد واحدهای تولیدشده در روز Integer 100 تا 1000 واحد/روز
ProductionCost هزینۀ تولید در روز Float 5000 دلار تا 20000 دلار
SupplierQuality رتبۀ کیفیت تأمینکنندگان Float (%) 80درصد تا 100درصد
DeliveryDelay میانگین تأخیر در تحویل Integer (روز) 0 تا 5 روز
DefectRate نرخ نقص در هر هزار واحد تولیدی Float 5/0 تا 0/5 نقص
QualityScore ارزیابی کلی کیفیت Float (%) 60درصد تا 100درصد
MaintenanceHours ساعات تعمیر و نگهداری در هفته Integer 0 تا 24 ساعت
DowntimePercentage درصد زمان توقف تولید Float (%) 0درصد تا 5درصد
InventoryTurnover نسبت گردش موجودی Float 2 تا 10
StockoutRate نرخ اتمام موجودی انبار Float (%) 0درصد تا 10درصد
WorkerProductivity سطح بهرهوری نیروی کار Float (%) 80درصد تا 100درصد
SafetyIncidents تعداد حوادث ایمنی در ماه Integer 0 تا 10 حادثه
EnergyConsumption انرژی مصرفشده (کیلووات ساعت) Float 1000 تا 5000 کیلووات ساعت
EnergyEfficiency ضریب بهرهوری انرژی Float 1/0 تا 5/0
AdditiveProcessTime زمان تولید افزوده Float (ساعت) 1 تا 10 ساعت
AdditiveMaterialCost هزینۀ مواد افزودنی در هر واحد Float ($) 100دلار تا 500دلار
DefectStatus وضعیت پیشبینی نقص (0: نقص کم، 1: نقص زیاد) Binary 0 یا 1
مجموعه دادۀ این مطالعه بر روزهای با نقص زیاد تمرکز دارد؛ زیرا این روزها کمتر رخ میدهند؛ اما شناسایی آنها در فرآیند تولید بسیار مهم است. برای بهبود تعادل دادهها، روزهای کمنقص نیز به مجموعه اضافه شدند؛ اما همچنان مجموعه داده نامتوازن باقی ماند. این نبود توازن به پیشبینی بیش از حد کلاس اکثریت (روزهای با نقص زیاد) توسط مدلهای یادگیری ماشین منجر میشود. براساس شکل 2، کلاس 1 (روزهای با نقص زیاد) 84.04٪ از دادهها را تشکیل میدهد؛ در حالی که کلاس 0 (روزهای کمنقص) تنها 15.96٪ را شامل میشود که نشاندهندۀ توزیع نامتوازن نمونهها در مجموعه داده است.
شکل 2- توزیع تعداد روزها در متغیر هدف
Fig. 2- Distribution of the number of days in the target variable
در شکل 3، توزیع ۱۶ ویژگی اصلی مجموعه داده ازطریق هیستوگرامها و خطوط چگالی نمایش داده شده است که به تحلیل الگوهای داده کمک میکند. برخی متغیرها مانند حجم تولید، هزینۀ تولید و کیفیت تأمینکننده، دارای توزیع یکنواختاند؛ در حالی که متغیرهایی مانند نرخ نقص و امتیاز کیفیت در محدودۀ خاصی متمرکز شدهاند. همچنین متغیرهایی مانند تأخیر در تحویل و تعداد حوادث ایمنی گسسته بوده است؛ اما بهرهوری انرژی و هزینۀ مواد افزودنی مقادیر پیوستهای دارند که در بازۀ وسیعی تغییر میکند.
شکل3- توزیع دادهها بر هیستوگرامها و نمودارهای چگالی
Fig. 3- Data distribution on histograms and density plots
پیشپردازش دادهها و تحلیل همبستگی
مجموعه دادۀ این مطالعه کیفیت بالایی داشت و فاقد دادههای گمشده یا نویزی بود؛ اما چالش اصلی، نامتعادلبودن کلاسها بود. برای رفع این مشکل، از Borderline-SMOTE استفاده شد که برخلاف SMOTE معمولی، دادههای اقلیت نزدیک به مرز، تصمیمگیری را نمونهبرداری میکند (Ahsan et al., 2023; Matharaarachchi et al., 2024). این روش باعث شد مدل با تعادل بهتری میان کلاسها یاد بگیرد و پیشبینی روزهای کمنقص را بهبود ببخشد. در شکل 4، توزیع دادهها قبل و بعد از اعمال این روش، نشان داده شده است. در نمودار سمت چپ، کلاس کمنقص (قرمز) بهمراتب کمتر از کلاس نقص زیاد (آبی) است؛ اما پس از اعمال Borderline-SMOTE (نمودار سمت راست)، تعادل برقرار شده است. برای نمایش بهتر،PCA برای کاهش ابعاد و تجسم دادهها در دو بعد استفاده شد.
شکل4- وضعیت دادهها قبل و بعد از متوازنسازی
Fig. 4- Data status before and after balancing
این مطالعه، از تحلیل همبستگی برای بررسی روابط خطی بین متغیرها در مجموعه داده استفاده کرد
(Mehregan & Khani, 2024). هدف این تجزیه و تحلیل، تعیین این است که کدام متغیرها تأثیر معنیداری بر متغیر هدف دارند و کدام متغیرها ضعیف و زائدند.
شکل 5- نقشۀ حرارتی همبستگی
Fig. 5- Correlation heat map
همبستگی بین ویژگیهای مجموعه داده در شکل 5 نشان داده شده است. تمرکز بر این روابط، نشان میدهد که هیچ رابطۀ آماری یا معنیداری بین ویژگیهای مستقل وجود ندارد؛ یعنی هیچ دو ویژگی، اطلاعات مشابه یا تکراری ارائه نمیدهند. به عبارت دیگر، این نتیجه به این معنی است که همۀ ویژگیها در مدلسازی به کار میرود و لازم نیست هیچ ویژگی حذف شود؛ زیرا همبستگی بالایی دارند .(Jafarnejad et al., 2024) برای این مطالعه، ما از StandardScaler برای مقیاسبندی دادهها استفاده کردیم. هر متغیر در بازۀ [0، 1] با میانگین صفر و انحراف استاندارد واحد نرمال شد. دادهها نیز به دو قسمت تقسیم شدند که 80درصد برای آموزش مدلها و 20درصد برای ارزیابی عملکرد این مدلها بود.
تحلیل اهمیت و انتخاب ویژگیها
تحلیل اهمیت ویژگیها برای تعیین تأثیر متغیرها بر پیشبینی نقص در تولید، انجام شد. در این مطالعه، الگوریتم تقویت گرادیان بهینهشده با Optuna برای ارزیابی میزان تأثیر ویژگیها، بر عملکرد مدل به کار رفت (Lu et al., 2024). نتایج نشان داد DefectRate، QualityScore و MaintenanceHours از مهمترین عوامل تأثیرگذار بر نقصهای تولیدند و بیانگر ارتباط مستقیم عیوب با کیفیت تولید و فرآیند نگهداریاند. همچنین، ProductionVolume نیز نقش کلیدی دارد و نشان میدهد که تغییرات در مقیاس تولید، احتمال نقص را تحت تأثیر قرار میدهد. شکل 6 اهمیت ویژگیها را با الگوریتم تقویت گرادیان بهینهشده با Optuna نشان میدهد.
شکل6- اهمیت ویژگیها
Fig. 6- Importance of features
در این مطالعه، فرایند انتخاب ویژگی با استفاده از حذف ویژگی بازگشتی، با روش اعتبارسنجی متقاطع (RFECV)، همراه با مدل پایه تقویت گرادیان بهینهشده ازطریق Optuna اجرا شد. ابتدا با استفاده از الگوریتم Optuna، هایپرپارامترهای مدل پایه برای دستیابی به بهترین عملکرد مدل، تنظیم شدند؛ سپس این مدل پایه با تنظیمات بهینهشده درون فرایند RFECV قرار گرفت تا ویژگیهایی بهصورت بازگشتی انتخاب شوند که بیشترین تأثیر را بر معیار انتخاب (صحت) دارند. این روش با دقت آن دسته از ویژگیهایی را انتخاب میکند و از بین میبرد که کمترین عملکرد را در عملکرد مدل دارند و درنهایت فهرستی از ویژگیهای اصلی را نگه میدارد که تأثیر زیادی در دقت مدل دارند (Adler & Painsky, 2022) . اجرای این روش چندین مرحله دارد. اهمیت هر ویژگی براساس روشی اندازهگیری میشود که مدل اولیه از کل مجموعه داده میآموزد. درنهایت در هر مرحله، کماهمیتترین ویژگی را حذف میکنیم و بهصورت بازگشتی ادامه میدهیم تا زمانی که حذف بیشتر ویژگیها به عملکرد مدل آسیب برساند. مجموعهای از ویژگیهای بهینه انتخاب میشود که عملکرد را دارد. پس از اجرای این فرآیند، هفت ویژگی کلیدی برای پیشبینی نقصهای تولیدی انتخاب شدند که عبارتاند از: حجم تولید ، نرخ نقص ، امتیاز کیفیت ، ساعات تعمیر و نگهداری ، درصد زمان توقف تولید ، نرخ کمبود موجودی و هزینۀ مواد افزودنی . انتخاب این ویژگیها با کاهش پیچیدگی مدل و جلوگیری از بیشبرازش، دقت پیشبینی را افزایش داده است. نتایج نشان میدهد که تمرکز بر مدیریت کیفیت، تعمیر و نگهداری و کنترل حجم تولید، نقصها را کاهش میدهد و بهرهوری تولید را بهبود میبخشد.
مدلسازی
در این مطالعه از روش MetaCost، یک رویکرد یادگیری حساس به هزینه، برای بهینهسازی فرآیند پیشبینی نقص تولید استفاده میشود. یک تکنیک پسپردازش، MetaCost، یک مدل یادگیری ماشین معمولی را به یک مدل حساس به هزینه تبدیل میکند (Farmasso et al., 2020). ما سعی میکنیم پیشبینیها را بهگونهای تطبیق دهیم که هزینۀ کل در سیستم به حداقل برسد؛ این کار با در نظرگرفتن یک ماتریس هزینه انجام میشود. در مشکل ما، کاهش منفی کاذب (FN) بسیار مهم است؛ زیرا شناسایی نادرست عیوب تولید، برای فرآیند تولید و عرضۀ یک محصول هزینه بر است؛ درنتیجه، هزینۀ پیشبینی نادرست در کلاس «عیب زیاد» بهطور درخور توجهی، بالاتر از هزینۀ دیگر پیشبینیهای نادرست است. هدف روش MetaCost این است که برچسبهای پیشبینیشدۀ مدل یادگیری ماشین را با پارامتری که هزینۀ کل خطاهای آن به حداقل رسیده است و با استفاده از یک ماتریس هزینۀ ثابت، اصلاح کند. MetaCost یک ماتریس هزینه را تعریف میکند:
(1)
که C_ij=[■(C_00&C_01@C_10&C_11 )]
Cij نشاندهندۀ هزینۀ پیشبینی کلاس j؛ در حالی که مقدار واقعی کلاس i است.
C01 هزینۀ پیشبینی نادرست کلاس 1 (False Negative - FN)
C10 هزینۀ پیشبینی نادرست کلاس 0 (False Positive - FP)
C00 و C11 معمولاً صفر در نظر گرفته میشوند (زیرا پیشبینی درست هزینهای ندارد).
هر مدل یادگیری ماشینی که قابلیت خروجی احتمال کلاسها را داشته باشد، احتمال قرارگیری هر نمونه را در کلاس j محاسبه میکند:
(2) P(Y=├ j┤|X)=P ̂_j
که در آن:
P(Y=├ j┤|X) احتمال تعلق نمونۀ X به کلاس j است. و P ̂_j خروجی مدل برای کلاس j.
پس از آن، هزینۀ موردانتظار برای هر کلاس محاسبه میشود:
(3) E(├ c_0 ┤|x)=P ̂_0 c_00+P ̂_(1^C 10)
(4) E(├ c_1 ┤|x)=P ̂_0 c_01+P ̂_(1^C 11)
که در آن:
E(├ c_0 ┤|x) هزینۀ مورد انتظار برای پیشبینی کلاس 0. و E(├ c_1 ┤|x) هزینۀ مورد انتظار برای پیشبینی کلاس 1.
برچسب نهایی بهصورت زیر تعیین میشود:
(5) Y ̂=〖argmin〗_jϵ{0,1} E(├ c_j ┤|x)
یعنی کلاسی انتخاب میشود که هزینۀ موردانتظار کمتری داشته باشد.
این مطالعه، مجموعهای از مدلهای یادگیری ماشین را انتخاب کرد که احتمالات پیشبینی را برای اجرای MetaCost ایجاد میکنند. اتخاذ این رویکرد ضروری است؛ زیرا MetaCost از ماتریس هزینه برای تعیین بهترین کلاس برای هر نمونه استفاده میکند و براساس احتمال تعلق نمونه به هرکلاس، تصمیم میگیرد. در این مطالعه، MetaCost هزینۀ منفی کاذب را ۵ برابر بیشتر در نظر گرفت؛ زیرا از دست دادن روزهای با نقص زیاد، هزینهبرتر از روزهای کمنقص است. علاوه بر این منطق مفهومی، نسبت ۵ به ۱ در جریان آزمایشهای اولیۀ پژوهش نیز ازلحاظ تجربی بررسی و مشخص شد که در مقایسه با نسبتهای دیگر، این مقدار بالاترین میزان Recall را برای کلاس روزهای پرنقص ارائه میدهد و به افت محسوس در دیگر معیارهای ارزیابی منجر نمیشود؛ از این رو این مقدار، بهعنوان ساختار نهایی ماتریس هزینه انتخاب و در الگوریتم MetaCost پیادهسازی شد. برای تنظیم بهینۀ هایپرپارامترها، از Optuna بهعنوان روش جستوجوی هوشمند استفاده و باعث کاهش تنظیمات دستی و افزایش دقت مدلها شد. جدول زیر مدلهای یادگیری ماشین و هایپرپارامترهای بهینهیافته ازطریق Optuna را نمایش میدهد.
جدول3- مدلهای یادگیری ماشین، توضیحات و هایپرپارامترهای بهینهشده ازطریق Optuna
Table 3- Machine learning models, descriptions, and hyperparameters optimized by Optuna
مدل یادگیری ماشین توضیحات هایپرپارامترهای بهینهشده ازطریق Optuna
جنگل تصادفی مدلی مبتنی بر مجموعهای از درختهای تصمیم که با ترکیب نتایج آنها، دقت و پایداری بالایی را در پیشبینی ارائه میدهد. n_estimators=100, max_depth=19, min_samples_split=2, min_samples_leaf=1
گرادیان بوستینگ الگوریتمی مبتنی بر درختهای تصمیم که با استفاده از یادگیری مرحلهای، دقت مدل را بهبود میبخشد. n_estimators=100, learning_rate=0/2447, max_depth=8
XGBoost نسخۀ پیشرفته گرادیان بوستینگ با بهینهسازی مصرف حافظه و سرعت پردازش بالا. n_estimators=300, learning_rate=0/2834, max_depth=10
LightGBM مدل بوستینگ سبک و سریع که برای پردازش مجموعه دادههای حجیم، بهینه شده است. n_estimators=300, learning_rate=0/2849, max_depth=8
CatBoost مدل بوستینگ کارآمد که مخصوص دادههای نامتوازن و متغیرهای رستهای بهینه شده است. iterations=300, learning_rate=0/1321, depth=10
ماشین بردار پشتیبان مدلی مبتنی بر یافتن مرزهای جداساز بهینه، برای طبقهبندی دادههای پیچیده و غیرخطی. C=9/656, kernel=rbf
رگرسیون لجستیک مدلی خطی که احتمال تعلق نمونه به یک کلاس را تخمین میزند و بهعنوان یک مدل پایه استفاده میشود. C=4/767, solver=liblinear
عملکرد مدلهای یادگیری ماشین با استفاده از چهار معیار کلیدی، ارزیابی میشود. این ارزیابی، مفهوم مثبت واقعی (TP) را در نظر میگیرد و تعداد نمونههایی است که مدل بهدرستی آن را معیوب شناسایی میکند و منفی واقعی (TN)، تعداد نمونههایی است که بهدرستی، غیر معیوب طبقهبندی میشوند؛ در حالی که مثبت کاذب (FP) به تعداد نمونههایی اشاره دارد که بهاشتباه با مدل پیشبینی شدهاند و معیوباند؛ در حالی که اینطور نیستند. هنگامی که یک نقص وجود دارد، اما مدل آن را بهاشتباه غیرمعیوب تشخیص میدهد - این علامت منفی کاذب (FN) است. معیارهای صحت، دقت، بازخوانی و امتیاز F1 براساس این معیارها، برای ارزیابی عملکرد کلی مدل محاسبه میشوند.
جدول 4- شاخصهای ارزیابی مدلهای یادگیری ماشین
Table 4- Evaluation indicators for machine learning models
شاخص تعریف فرمول
صحت نسبت پیشبینیهای صحیح به کل نمونهها. (TP+TN)/(TP+FP+FN+TN)
دقت نسبت پیشبینیهای درست برای یک کلاس به کل نمونههایی که در آن کلاس پیشبینی شدهاند. TP/(TP+FP)
بازخوانی یا یادآوری نسبت پیشبینیهای درست برای یک کلاس به کل نمونههای واقعی آن کلاس. TP/(TP+FN)
امتیاز F1 میانگین هارمونیک بین Precision و Recall برای ایجاد تعادل بین آنها. (2×Precision×Recall)/(Precision+Recall)
این مدل با استفاده از روش اعتبارسنجی متقاطع، با استفاده از 5 بخش برای اعتبارسنجی تعمیمپذیری مدل و پایداری مدل ازنظر دادههای آزمایشی مختلف اعتبار سنجی میشود (Wong & Yeh, 2020).
یافتهها
در این بخش، نتایج مدلهای یادگیری ماشین را بررسی میکنیم. این مطالعه با استفاده از پردازندۀ Intel Core i7-13700H، 16 گیگابایت رم و پایتون 12.3 اجرا شد. زبان برنامهنویسی پایتون، در زیر نتایج عملکرد مدلها آورده شده است.
جدول 5- مقایسۀ نتایج مدلهای یادگیری ماشین
Table 5- Comparison of machine learning model results
مدل صحت دقت بازخوانی امتیاز F1
Random Forest 969007/0 950398/0 989900/0 969697/0
Gradient Boosting 969008/0 957565/0 981631/0 969414/0
XGBoost 968088/0 962081/0 974742/0 968322/0
LightGBM 971991/0 964810/0 979792/0 972205/0
CatBoost 974978/0 970919/0 979340/0 975094/0
SVM 944444/0 964491/0 922855/0 943199/0
Logistic Regression 802340/0 832631/0 757099/0 792890/0
در این مطالعه، مدل جنگل تصادفی بهدلیل داشتن بالاترین مقدار بازخوانی (98.99%)، بهترین مدل انتخاب شد. بازخوانی بالا نشان میدهد که این مدل قادر است تقریباً تمامی روزهای با نقص زیاد را شناسایی کند که در محیطهای تولیدی، حیاتی است. اگر یک روز پرنقص بهاشتباه بدون نقص تشخیص داده شود (منفی کاذب بالا)، اقدامات اصلاحی انجام نمیشود و این زیان مالی و کاهش کیفیت تولید را بههمراه دارد. با توجه به اینکه هر ردیف از مجموعهداده نمایانگر یک روز تولیدی است، یک پیشبینی نادرست به معنای شناسایینکردن عیوب در یک روز کامل تولید خواهد بود. اگرچه دقت نیز مهم است، در این مطالعه بازخوانی اولویت بالاتری دارد؛ زیرا هزینۀ مثبت کاذب (خطای برچسبگذاری نادرست روزهای کمنقص) به مراتب کمتر از هزینۀ منفی کاذب (شناسایینکردن روزهای پرنقص) است؛ بنابراین، مدلی که بازخوانی بالاتر دارد، بر مدلهایی با دقت بالاتر، ترجیح داده شده است. Random Forest به غیر از داشتن بالاترین مقدار بازخوانی، در دیگر شاخصها نیز در مقایسه با باقی مدلها تعادل خوبی دارد. درنهایت دقت مدل 03/95درصد، امتیاز F1 96/96درصد و صحت کلی 90/96درصد است که نشان میدهد این مدل بهطور کلی، روزهایی را با ایرادهای زیاد پیشبینی میکند. مدلهای دیگری مانند CatBoost و LightGBM نیز عملکرد خوبی داشتند؛ اما در مقایسه با جنگل تصادفی، بازخوانی کمتری داشتند. با این حال، مدلهایی مانند SVM و رگرسیون لجستیک عملکرد ضعیفی داشتند؛ زیرا نمیتوانستند تمام روزهای دارای نقص زیاد را شناسایی کنند و بازخوانی آنها بهاندازۀ کافی بالا نبود که مؤثر باشد.
شکل 7- مقایسۀ نتایج مدلها
Fig. 7- Comparison of model results
در شکل 7، عملکرد 4 مدل مختلف یادگیری ماشین با استفاده از 4 معیار ارزیابی (صحت، دقت، بازخوانی و امتیاز F1) مقایسه شده است؛ از این رو، میبینیم که مدل جنگل تصادفی، بالاترین مقدار بازخوانی را دارد، به این معنی که روزهای با نقصهای بالا را بهخوبی پیشبینی میکند. درواقع، این معیار برای مشکل بررسیشده ضروری است؛ زیرا این مستلزم شناسایی روزهایی است که عیوب بالایی دارند؛ زیرا این موارد تأثیرات درخور توجهی هم ازنظر شدت و ازنظر کنترل کیفیت و هم بر کاهش هزینههای تولید دارند. برعکس، مدلهای CatBoost، LightGBM و XGBoost تقریباً بهخوبی Random Forest بودند؛ اما ارزش بازخوانی آنها کمی کمتر از این مدل بود. با این حال، مدل CatBoost دقیقتر از Random Forest است؛ اما بازخوانی کمتری دارد، به این معنی که برخی از روزهای با نقصهای بالاتر را نادیده میگیرد. علاوه بر این، مدل تقویت گرادیان عملکرد متعادلی در تمام معیارها دارد؛ اما بازخوانی آن کمتر از مدل Random Forest است. بهطور مشابه، مدل ماشین بردار پشتیبان عملکرد معقولی در مقایسه با مدلهای دیگر دارد؛ اما بازخوانی کمتری نسبتبه مدلهای مبتنی بر درخت دارد. نتایج نشان میدهد در حالی که SVM بهطور کامل در شناسایی تمام موارد عیوب بالا شکست نمیخورد، عیوب بالا را نمیتوان با موفقیت در یک محیط تولید صنعتی تشخیص داد؛ بنابراین باعث عدم شناسایی برخی از روزهای بحرانی میشود. برخلاف مدلهای قبلی، مدل رگرسیون لجستیک، ضعیفترین عملکرد را در مدلهای مطالعهشدۀ ما دارد؛ زیرا مقادیر صحت و بازخوانی آن بسیار کمتر از مدلهای دیگر بود. این نشان میدهد که مدلهای ساده مانند رگرسیون لجستیک، با مشکلات پیچیدهای مانند پیشبینی عیوب در ساخت مقابله نمیکنند. درنهایت مدل جنگل تصادفی، بهترین مدل برای این مطالعه انتخاب شد؛ زیرا دارای بهترین بازخوانی و تعادل در دیگر معیارهاست. علاوه بر این، این مدل توانسته است دقت، بازخوانی و امتیاز F1 را متعادل کند، روزهای دارای نقص بالا را بهطور دقیق شناسایی کند و در فرآیند تولید صنعتی مؤثرتر باشد.
بحث
این مطالعه پیشبینی نقصهای تولید را ازطریق الگوریتمهای یادگیری ماشین حساس به هزینه، با تمرکز بر الگوریتم MetaCost بررسی میکند. هدف اصلی این پژوهش، پیشبینی دقیقتر عیوب در فرآیندهای صنعتی، با در نظر گرفتن هزینههای مختلف خطاهای طبقهبندی (مانند منفی کاذب) بود. استفاده از MetaCost هزینۀ پیشبینی نادرست را کاهش داده و با شناسایی روزهای پرنقص، بازده درخور توجهی در کاهش هزینه و بهبود کیفیت تولید فراهم کرده است. در این مطالعه، از الگوریتمهای Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و رگرسیون لجستیک برای پیشبینی نقص تولید استفاده شد. چهار معیار صحت ، دقت پیشبینی ، بازخوانی و امتیاز F1 برای ارزیابی عملکرد مدلها به کار گرفته شد. درنهایت، نتایج نشان داد که مدل جنگل تصادفی، بهترین عملکرد را ازنظر بازخوانی ارائه میدهد و قادر است روزهای معیوب را بهطور مؤثر، شناسایی کند. این موضوع برای فرآیند تولید بسیار مهم است؛ زیرا از ضررهای مالی و کاهش کیفیت محصول جلوگیری میکند.
مقایسۀ نتایج با مطالعات قبلی نشان میدهد که جنگل تصادفی، مشابه برخی تحقیقات مانند چن (2021) و مائلکویست و همکاران (2023)، تعادلی را میان دقت و بازخوانی ایجاد میکند. همچنین، مطالعات پیشین استفاده از تکنیکهای حساس به هزینه، مانند MetaCost را در مدلهایی مانند XGBoost و LightGBM گزارش کردهاند که به بهبود عملکرد این مدلها در مواجهه با دادههای نامتعادل منجر شده است. در این مطالعه نیز، هر دو مدل CatBoost و LightGBM عملکرد مطلوبی داشتند؛ اما جنگل تصادفی ازنظر کاهش منفی کاذب، عملکرد بهتری ارائه داد. این ویژگی برای مدیریت کیفیت و جلوگیری از خطاهای پرهزینه در فرآیند تولید، حیاتی است. علاوه بر این، SVM و رگرسیون لجستیک در مقایسه با دیگر مدلها ضعیفتر عمل کردند. نتایج نشان داد که این مدلها، نقصهای پیچیدۀ تولید را پیشبینی نمیکنند. این یافتهها در تضاد با برخی مطالعات قبلی است که گزارش کردهاند SVM در برخی شرایط عملکرد بهتری دارد. با این حال، در این تحقیق مشخص شد که SVM برخی از روزهای بحرانی را بهطور مؤثر متمایز نکرده و در شناسایی آنها ناکام مانده است.
نتیجهگیری
در این پژوهش مشخص شد که الگوریتم جنگل تصادفی ازنظر دقت و یادآوری، بهترین الگوریتم برای پیشبینی عیوب ساخت در مقایسه با الگوریتمهای دیگر است. با این الگوریتم، روزهای غنی بهطور مؤثر پیشبینی و از مشکلات کیفی و زیانهای مالی جلوگیری میشود. مطالعۀ حاضر همچنین نشان میدهد که MetaCost تأثیر زیادی بر به حداقل رساندن هزینههای خطا در فرآیند تولید دارد؛ بهخصوص زمانی که این مدلها در بهینهسازی استفاده میشوند. تحقیقات آینده نیز، کاربرد MetaCost را در دیگر حوزههای صنایع مختلف ازجمله خودرو، الکترونیک، و داروسازی و غیره مطالعه میکنند. شبکههای عصبی کانولوشن (CNN ) یا شبکههای عصبی تکراری (RNN )، دقت پیشبینی را برای دادههای پیچیدهتر افزایش میدهند.
علاوه بر این، پیشبینی نقص یا تحلیل هزینههای پیشبینی تحت شرایط پویاتر و نامطمئنتر، با آزمایش مدلها بهبود مییابد. یکی دیگر از حوزههای پیشنهادی برای تحقیقات آینده، بهرهگیری از دادههای حسگر و اینترنت اشیا است؛ زیرا این فناوریها با کاهش خطاهای پیشبینی و هزینههای تولید، به تصمیمگیری دقیقتر و کاراتر کمک میکنند. علاوه بر این، برخی از مدلهای یادگیری ماشین حساس به هزینه برای پیشبینی عیوب، تحت دادههای غیرثابت مانند متن، تصویر یا دادههای صوتی به کار میروند. این مدلها همچنین در سیستمهای تولید واقعی آینده آزمایش میشوند و خروجی آنها با سیستمهای سنتی مقایسه میشود. برای روشنکردن مزایای روشهای نوین یادگیری ماشین در تصمیمگیریهای عملیاتی، این روشها با تکنیکهای سنتی مقایسه شدند. در کل طیف، استفاده از یادگیری ماشین برای تمایز بین عیوب تولید، بهویژه در دادههای پیچیده و نامتعادل چالشبرانگیز، حوزۀ تشویقکننده و گستردهای برای تحقیقات است که تأثیر مثبتی بر فرآیندهای تولید مرتبط و تصمیمگیری دارد. با توجه به اینکه مدل جنگل تصادفی با استفاده از الگوریتم MetaCost بهگونهای آموزش داده شده است که هزینههای ناشی از عدم شناسایی نقصها (منفی کاذب) را کاهش دهد، پیادهسازی آن در خطوط تولید، به کاهش دوبارهکاری، جلوگیری از توقفهای غیرضروری و صرفهجویی در هزینههای ناشی از تولید معیوب منجر میشود. همچنین با بهینهسازی مدل و انتخاب ویژگیهای کلیدی، امکان پیادهسازی آن بر دادههای بلادرنگ وجود دارد؛ بهطوری که با دریافت ورودیهای روزانه از حسگرها یا سامانههای تولید، هشدارهای پیشگیرانه ارائه دهد و تصمیمات مدیریتی بهموقع اتخاذ شود.
)