README.md

metadata

title: Time Process
emoji: 🔧
colorFrom: red
colorTo: red
sdk: docker
app_port: 8501
tags:
  - streamlit
  - machine-learning
  - regression
  - manufacturing
  - predictive-analytics
pinned: false
short_description: Веб-приложение для прогнозирования времени обработки деталей

Time Process 🔧

Веб‑приложение для прогнозирования времени обработки деталей на станках с использованием машинного обучения.

Технологическое преимущество проекта — возможность быстрой адаптации под конкретные производственные условия и типы оборудования.

Основные возможности

• Расчёт времени обработки на основе входных параметров.
• Визуализация зависимостей между параметрами.
• Сохранение истории расчётов.
• Просмотр метрик качества модели.

Используемые технологии

• Streamlit — для создания веб‑интерфейса.
• Pandas — для работы с данными.
• Matplotlib/Seaborn — для визуализации.
• Scikit‑learn — для предобработки данных.
• LightGBM — для прогнозирования.

Тип модели

• Алгоритм: LGBMRegressor.
• Тип: регрессионная модель.

Используемые признаки

Модель использует следующие входные параметры для прогнозирования:

• Скорость шпинделя (об/мин).
• Подача (мм/об).
• Глубина резания (мм).
• Длина обработки (мм).
• Тип операции (категориальный признак).
• Материал (категориальный признак).
• Тип инструмента (категориальный признак).

Метрики качества

Качество модели оценено на тестовой выборке. Результаты:

Метрика	Значение
MSE	379.5
RMSE	19.4
MAE	10.6
MAPE	1.08%
R²	0.85

Как использовать

1. Запустите приложение (через Docker или локально).
2. Введите параметры обработки детали в соответствующие поля интерфейса.
3. Нажмите кнопку расчёта — получите прогноз времени обработки.
4. Просмотрите графики зависимостей и историю предыдущих расчётов.