Интеллектуальное принятие решений нового поколения и оптимизация запасов в полном жизненном цикле производства сложных изделий с интеграцией LSTM и Q‑обучения

Более умные фабрики для повседневных технологий

От смартфонов и ноутбуков до автомобилей и самолётов — многие продукты, которыми люди пользуются ежедневно, зависят от сложных деталей, изготовляемых в долгих и деликатных производственных цепочках. Заводы должны решать, сколько производить на каждом этапе, сколько хранить на складе и как реагировать, когда спрос внезапно растёт или падает. В этом исследовании предлагается новый подход, позволяющий искусственному интеллекту более разумно управлять такими решениями, сокращая потери и нехватку при сохранении потока дорогостоящей продукции.

Почему производство сложных изделий так трудно

Сложные изделия, такие как полупроводниковые чипы и авиационные компоненты, проходят множество тесно связанных стадий — от резки и склеивания до тестирования и упаковки. Спрос на такие изделия часто нестабилен: заказы резко увеличиваются, когда новое устройство становится популярным, и обрушиваются при смене рыночных условий. Традиционные методы планирования испытывают трудности с такими колебаниями. Они либо производят слишком много, замораживая деньги на складах, либо слишком мало, вызывая болезненные дефициты, когда клиенты вынуждены ждать или искать замену. При этом на заводах генерируются огромные объёмы данных с датчиков, проверок качества и учёта поставок, которые людям-инициаторам трудно обработать в реальном времени.

Сочетание двух видов ИИ в замкнутом цикле

Авторы предлагают интегрированную ИИ‑архитектуру, связывающую две взаимодополняющие техники: модуль прогнозирования и модуль принятия решений. Сторона прогнозирования использует тип нейронной сети — длинную краткосрочную память (LSTM) — для выявления закономерностей в прошлых заказах и сигналах датчиков, таких как сезонные всплески спроса или замедления из‑за проблем с оборудованием. Вместо того чтобы считать прогноз неизменным, система постоянно уточняет его по мере поступления новых данных. Модуль принятия решений использует Q‑обучение — разновидность обучения с подкреплением, где виртуальный агент испытывает разные производственные стратегии в смоделированной среде и находит те, которые со временем приводят к снижению затрат и уменьшению дефицитов. Ключевым является связь этих модулей в петле обратной связи: прогнозы направляют решения, а результаты этих решений возвращаются, чтобы улучшать будущие прогнозы.

Балансировка затрат, запасов и неопределённости

Реальные заводы вынуждены одновременно учитывать несколько типов затрат: себестоимость каждого изделия, стоимость хранения избыточных запасов и зачастую гораздо более высокую стоимость нехватки товара и невыполненных заказов. Архитектура моделирует производственную линию с несколькими стадиями и явно отслеживает запасы и отставшие заказы на каждой из них. Также добавлен защитный уровень для работы с неопределённостью с помощью метода робастной оптимизации, который готовит систему к внезапным сдвигам спроса, а не предполагает, что прошлые шаблоны всегда сохранятся. На практике это означает, что система реже будет удивлена экстремальными сценариями — такими как резкие рыночные всплески или сбои в цепочке поставок — при этом избегая привычки перепроизводить «на всякий случай».

Что показывают эксперименты на реальных заводах

Для проверки подхода исследователи применили его к реальным данным с завода по упаковке и тестированию полупроводников, работающего на пяти стадиях производства. Они сравнили свою систему с традиционными системами планирования материальных потребностей и несколькими современными ИИ‑конкурентами. Прогнозы LSTM сократили ошибку предсказания примерно на 40 процентов по сравнению с классическим статистическим методом, а полная архитектура уменьшила общие затраты на 15,7 процента относительно унаследованной системы и на 8,3 процента по сравнению с сильным современным эталоном. Удивительно, но при этом была достигнута нулевая частота дефицитов при оборачиваемости запасов 4,2 раза в год, то есть детали не простаивали долго. Дополнительный анализ показал, что система оставалась стабильной даже при более хаотичном спросе, менее точных прогнозах или зашумлённых данных с датчиков — условиях, отражающих повседневную промышленную реальность.

Масштабирование и распространение по отраслям

Исследование также оценило, насколько хорошо архитектура масштабируется по мере роста заводов или при применении в других секторах с высокой добавленной стоимостью. Симуляции с большим числом стадий производства показали лишь умеренное увеличение времени вычислений, что указывает на возможность внедрения подхода на более крупных предприятиях без чрезмерной нагрузки на цифровую инфраструктуру. При адаптации к производству авиационных компонентов метод вновь снизил затраты и сохранил редкость дефицитов, достаточно подстроив параметры стоимости и пропускной способности под конкретную отрасль. Авторы отмечают, что при поддержке оборудования периферийных вычислений и тщательной интеграции система может быть встроена в существующее программное обеспечение фабрик, которое уже используется многими производителями.

Что это означает для будущего производства

Проще говоря, исследование показывает, что предоставление заводам «цифрового со‑пилота», который одновременно прогнозирует спрос и учится на нём действовать, может сделать производство более плавным, дешевым и надёжным. Тесно связывая прогнозирование с решениями на местах и проектируя систему с учётом реального шума и сюрпризов, архитектура превращает сырые данные в практические рекомендации о том, сколько производить и хранить на каждом этапе. Для потребителей такое интеллектуальное управление может означать меньше задержек с новыми устройствами и более надёжные поставки сложных компонентов, которые питают современную жизнь.

Цитирование: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Ключевые слова: умное производство, оптимизация запасов, производство полупроводников, обучение с подкреплением, прогнозирование спроса