Применение методов k-средних и DBSCAN для оптимизации производственных процессов с примерами на python
DOI:
https://doi.org/10.5281/zenodo.17395010Ключевые слова:
кластерный анализ, Python, оптимизация, производственные процессы, k-means, DBSCANЛицензия
Аннотация
В работе рассмотрено применение методов кластерного анализа для оптимизации производственных процессов. Приведено решение задачи повышения эффективности процессов механической обработки на примере работы универсальных фрезерных станков. На основе производственных данных, включающих скорость резания, подачу, глубину, вибрацию, температуру, шероховатость поверхности и стойкость инструмента, проведена кластеризация производственных циклов методами k-средних и DBSCAN. В результате анализа выявлены три характерных режима работы оборудования. Применение метода k-средних позволило выделить оптимальный, умеренный и экстремальный (брак) режимы. Применение метода DBSCAN позволило обнаружить аномальные циклы, связанные с перегревом и критической вибрацией. Практическая значимость работы заключается в определении рекомендуемых параметров резания способных снизить брак и разработке критериев для системы мониторинга с целью предупреждения критических режимов работы станка.
Скачивания
Библиографические ссылки
1. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. Friedman. – Springer, 2017. – 745 p.
2. Bishop, C. M. Pattern Recognition and Machine Learning / C. M. Bishop. – Springer, 2006. – 738 p.
3. Unsupervised machine learning for local stress identification in fatigue analysis of welded joints / M. Ghanadi, M. Kumar, P. O. Danielsson [et al.] // Welding in the World. – 2025. – Vol. 69, No. 1. – P. 213-226. – DOI 10.1007/s40194-024-01868-5. – EDN YXAKXY.
4. Cluster Analysis / B. S. Everitt, S. Landau, M. Leese, D. Stahl. – 5th ed. – Wiley, 2011. – P. 71–110.
5. Wu, Junjie. Advances in K-means Clustering: A Data Mining Thinking / Junjie Wu. – Springer, 2012. – P. 24-75.
6. DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN / E. Schubert, J. Sander, M. Ester [et al.] // ACM Transactions on Database Systems. – 2017. – Vol. 42, No. 3. – P. 19. – DOI 10.1145/3068335. – EDN YHUFRD.
7. Detection of natural clusters via S-DBSCAN a Self-tuning version of DBSCAN / F. Ros, S. Guillaume, R. Riad, M. El Hajji // Knowledge-Based Systems. – 2022. – Vol. 241. – P. 108288. – DOI 10.1016/j.knosys.2022.108288. – EDN STOYBU.
8. Paramita, A. S. Comparison of K-Means and DBSCAN Algorithms for Customer Segmentation in E-commerce / A. S. Paramita, T. Hariguna // Journal of Digital Market and Digital Currency. – 2024. – Vol. 1, No. 1. – P. 43-62. – DOI 10.47738/jdmdc.v1i1.3. – EDN ZQDDXI.
9. McKinney, W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython / W. McKinney. – O'Reilly Media, 2017. – 550 p.
10. Scikit-learn: Machine Learning in Python [Электронный ресурс] / Scikit-learn developers. – URL: https://scikit-learn.org/stable/modules/clustering.html (дата обращения 20.06.2025).
11. Madhavan, S. Mastering Python for Data Science / S. Madhavan. – Packet Publishing, 2018. – 276 p.
12. Best Cluster Optimization with Combination of K-Means Algorithm And Elbow Method Towards Rice Production Status Determination / P. M. Hasugian, B. Sinaga, J. Manurung, S. A. Al Hashim // International Journal of Artificial Intelligence Research. – 2021. – Vol. 5, No. 1. – DOI 10.29099/ijair.v6i1.232.
REFERENCES LIST
1. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. Friedman. – Springer, 2017. – 745 p.
2. Bishop, C. M. Pattern Recognition and Machine Learning / C. M. Bishop. – Springer, 2006. – 738 p.
3. Unsupervised machine learning for local stress identification in fatigue analysis of welded joints / M. Ghanadi, M. Kumar, P. O. Danielsson [et al.] // Welding in the World. – 2025. – Vol. 69, No. 1. – P. 213-226. – DOI 10.1007/s40194-024-01868-5. – EDN YXAKXY.
4. Cluster Analysis / B. S. Everitt, S. Landau, M. Leese, D. Stahl. – 5th ed. – Wiley, 2011. – P. 71–110.
5. Wu, Junjie. Advances in K-means Clustering: A Data Mining Thinking / Junjie Wu. – Springer, 2012. – P. 24-75.
6. DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN / E. Schubert, J. Sander, M. Ester [et al.] // ACM Transactions on Database Systems. – 2017. – Vol. 42, No. 3. – P. 19. – DOI 10.1145/3068335. – EDN YHUFRD.
7. Detection of natural clusters via S-DBSCAN a Self-tuning version of DBSCAN / F. Ros, S. Guillaume, R. Riad, M. El Hajji // Knowledge-Based Systems. – 2022. – Vol. 241. – P. 108288. – DOI 10.1016/j.knosys.2022.108288. – EDN STOYBU.
8. Paramita, A. S. Comparison of K-Means and DBSCAN Algorithms for Customer Segmentation in E-commerce / A. S. Paramita, T. Hariguna // Journal of Digital Market and Digital Currency. – 2024. – Vol. 1, No. 1. – P. 43-62. – DOI 10.47738/jdmdc.v1i1.3. – EDN ZQDDXI.
9. McKinney, W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython / W. McKinney. – O'Reilly Media, 2017. – 550 p.
10. Scikit-learn: Machine Learning in Python [Электронный ресурс] / Scikit-learn developers. – URL: https://scikit-learn.org/stable/modules/clustering.html (дата обращения 20.06.2025).
11. Madhavan, S. Mastering Python for Data Science / S. Madhavan. – Packet Publishing, 2018. – 276 p.
12. Best Cluster Optimization with Combination of K-Means Algorithm And Elbow Method Towards Rice Production Status Determination / P. M. Hasugian, B. Sinaga, J. Manurung, S. A. Al Hashim // International Journal of Artificial Intelligence Research. – 2021. – Vol. 5, No. 1. – DOI 10.29099/ijair.v6i1.232.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
